99LL 是一間 AI 精煉實驗室，把開放資源提煉成 AI 代理可以信賴的零件。
我們相信，開放的數位資源將成為 AI 代理下一條重要的供應鏈。這些資源公開取得，到處被複製，幾乎沒有經過查核。
「文明的進步，在於擴大我們不必思考就能執行的重要操作的數量。」
阿爾弗雷德·諾斯·懷特海，《數學導論》，1911 年
為什麼要精煉
AI 代理取用的資源，出乎意料地難以信賴。以我們最先測量的原料軟體為例，GitHub 上有 3.95 億個公開程式庫，其中幾乎沒有一個附有經過查核的授權、安全審查，或能夠運作的證明。
問題的一部分在於，星數反映的是受歡迎程度，無法代表安全性。有一個程式庫擁有 62,508 顆星，在 OpenSSF Scorecard 上卻只得到 3.2 分（滿分 10 分）。我們抽樣了 300 個候選程式庫，其中 97 個沒有可用的授權，62 個已有 90 天沒有更新，96 個的分數低於 5。要安全地使用任何資源，AI 代理需要有人讀過、掃描過、修復過並實際執行過的零件。99LL 正是在這個缺口上工作：300 個程式庫中，有 44 個通過全部三項檢查。範本、設計、課程與文件是接下來的原料，我們尚未對它們進行測量。
公開程式庫數量取自 GitHub Octoverse 2025。第一批樣本為軟體：2026 年 10 月 16 日讀取的 300 個程式庫。
修復與重新標記
同時，沒有通過檢查的零件，通常只差一個小修復就能派上用場。缺少的授權檔案、未固定版本的相依套件、外洩的權杖，各自都能在幾分鐘內修好。這帶出一個有趣的問題：如果檢查本身就是產品呢？如果同一套方法能修復、評等並重新檢查 AI 代理安裝的每一個零件呢？
這能直接解決重複使用零件時最大的問題之一：悄悄壞掉。上個月還能運作的零件，可能在上游更動或相依套件變動後失效。定期重新檢查能發現這類問題，找出一次性審查會漏掉的故障。這也讓 AI 代理得到目前拿不到的東西：一份經過測量的評等。
- 01缺少 LICENSE 檔案：依作者聲明的授權補上
- 02發現寫死在程式中的 API 權杖：已移除並更換
- 03相依套件未固定版本：已固定並重新掃描
- 04描述過於籠統，AI 代理難以據此選用：已重寫
- 05沒有測試任務：已撰寫一項，並分別在有零件與沒有零件的情況下執行
- 06中繼資料已重新標記：零件編號、授權等級與評等已寫入清單檔
所列修復為 99LL 實際進行的類型。圖中使用的是範例零件，不屬於 300 個樣本。
我們的索引
我們正在建立一份經過評等的 AI 代理零件索引，並搭配維持其可信度所需的檢查與重新檢查。我們的評等只拿零件與同類別的其他零件比較，做法如同晨星（Morningstar）為基金評等。我們已測量最初的 300 個候選項目，其中 44 個通過授權、活躍度與安全性檢查。
索引推出後，AI 代理可以依類別查詢，依授權與評等篩選，把零件當作標準套件安裝並執行，再回報是否運作成功，而每一份回報都會影響評等。我們要建立的，是任何 AI 代理都能使用、值得信賴的零件供應，涵蓋 Claude Code、Codex、Cursor 與 Gemini CLI。
- 尋找
- 檢查
- 修復
- 標準化
- 評等
- 重新檢查
槓桿
我們最大的資產是槓桿效應：一個零件檢查一次，每個安裝它的 AI 代理都能信賴，沒有人需要再重做一次。原本花在重做的時間，可以用來解決新的問題，也就是目前還沒有人建造的 177 個類別。
對零件或索引有任何疑問，歡迎來信：[email protected]。