GitHub 热门项目

用 Claude Code、Codex 这类编程助手写代码的人，常遇到几种相似的挫败：AI 没弄懂你要什么，输出啰嗦，代码跑不起来，项目越写越乱。GitHub 项目 mattpocock/skills 就是作者把自己日常做真实工程时用的 AI 助手技能整理出来，帮你在动手前和 AI 对齐需求、建立共享术语、补上测试和调试反馈，而不是只靠感觉写代码。这些技能刻意做得小、易改、可组合，能配合任何模型使用。

实际用法围绕几个命令展开。/grill-me 和 /grill-with-docs 会在动手前让 AI 反过来追问你的需求，后者还会帮你建立一份共享术语表，把项目里的行话固定下来，并把难以解释的决策记录成 ADR（架构决策记录，用来留存关键设计选择的文档）。/tdd 引导红-绿-重构的测试循环，也就是先写一个失败的测试再让它通过，然后整理代码；/diagnosing-bugs 把调试最佳实践做成分阶段流程。和 GSD、BMAD、Spec-Kit 这类接管整个流程的方案不同，它不夺走你的控制权，出问题也容易排查。

上手方式是按你用的助手选一种安装：Claude Code、Codex、GitHub Copilot、Gemini CLI 各有对应命令，其他助手可以用 npx skills 安装，注意每个助手只装一种，否则技能会重复出现。装好后在每个仓库里运行一次 /setup-matt-pocock-skills，它会问你用哪种 issue 跟踪工具、打标签的习惯，以及文档保存位置。之后就可以按需调用这些技能，也可以随意改造成自己的。

很多开发者用 AI 编程助手时都遇到过同一个问题：刚说一句需求，助手就开始噼里啪啦写代码，方向偏了再返工。GitHub 项目 obra/superpowers 想解决的就是这个毛病。它是一套面向 AI 编程助手的软件开发方法论，由一组可组合的“技能”和初始指令组成，让助手在动手前先停下来，问清你真正想做什么。

它的工作方式从你启动助手那一刻开始。助手会先把需求聊成一份规格说明，再拆成小段给你确认，每段短到能真正读完；你认可设计后，它生成一份足够清晰的实施计划，强调红绿 TDD（先写失败的测试再写代码让它通过）、YAGNI（用不到的功能先不做）和 DRY（避免重复代码）。你说开始后，它用子代理逐个完成任务并检查审查，技能自动触发，不需要你手动调用。

和常见做法相比，差别在于它把“先想清楚再写”变成了流程的一部分，而不是靠你反复提醒。子代理驱动开发让助手能按计划连续工作较长时间而不跑偏，每个任务完成后都有审查环节。这套技能会随对话自动生效，你不需要记住什么时候该调用哪一个。

上手方式按你使用的工具而定：Claude Code、Codex、Cursor、Gemini CLI、GitHub Copilot CLI、OpenCode、Qwen Code 等都有对应入口，从各自的插件市场或仓库安装即可。如果你同时用多个工具，需要为每个工具单独安装一次。

安装完成后正常启动助手开始对话就行，Superpowers 会自己接管流程。使用前最好想清楚自己要做什么，因为它的第一步就是追问需求，准备得越具体，后面的规格和计划就越贴近你的预期。

Anthropic 在 GitHub 上公开了 anthropics/skills 仓库，把完成某类任务所需的指令、脚本和资源打包成一个独立文件夹，也就是所谓的“技能”（skill），让 Claude 按可重复的方式处理文档、数据分析和自动化任务。它要解决的是普通提示词难以稳定复现同一类工作的问题：与其每次从头描述要求，不如把做法固化成一份可加载的资料。

每个技能的核心是一个 SKILL.md 文件，开头用 YAML 头信息写明名称和描述，正文写 Claude 需要遵循的指令、示例和准则。和普通提示词相比，技能是自包含的文件夹，能带上脚本和资源，Claude 会在需要时动态加载。仓库里的技能覆盖创意设计、开发技术、企业沟通和文档处理等方向，docx、pdf、pptx、xlsx 这几个文档技能正是 Claude 文档能力背后的实现，已开源供参考。仓库还提供 Agent Skills 规范和技能模板，可以当作写自己技能的起点。

在 Claude Code 里，可以把仓库添加为插件市场，再安装 document-skills 或 example-skills 使用；安装后直接点名某个技能即可，比如让 Claude 用 PDF 技能提取表单字段。这些技能也能在 Claude.ai 和 API 中使用，付费方案已自带示例技能。需要留意的是，仓库中的技能仅用于演示和教学，实际效果可能不同，关键任务前要在自己的环境里充分测试。

Spec Kit 是一个开源工具包，给 AI 编程助手配上结构化的流程、可复用的模板和可查的结果，主要解决 AI 写代码时缺少章法的问题。它提供三种现成入口：按规格开发功能、诊断并修复 bug、评估一个想法值不值得做。这三种入口互相独立，不是必须按顺序走的阶段，用户按需要挑一个开始即可。

以按规格开发为例，流程从写规格开始，再依次生成计划、任务和代码，最后反复实现与收敛，直到系统报告已收敛。修 bug 流程会先评估原因，再做范围明确的修复，最后验证原始症状是否消失，结论分为已验证、部分完成和失败三种。想法评估则收集证据，给出继续、待澄清或放弃的结论，不需要先有代码。

和只给提示词的做法相比，Spec Kit 把模板、命令、术语和流程都做成可替换的层，通过集成、扩展、预设、工作流、包等机制组合使用。它可以连接或切换不同的编程助手，也能把流程接到外部工具上，还能搜索社区目录里的组件，或自建私有目录。目录里的内容不代表经过审核，安装前要自己看源码。

上手前需要准备 Python 3.11 及以上版本、uv 包管理工具，以及一个受支持的 AI 编程助手，在 Linux、macOS 或 Windows 上都能用。用命令安装 CLI 并初始化项目后，在项目目录里启动编程助手，就能在对话中逐个运行流程命令，每步检查结果再继续。

很多用编程助手写代码的人都有类似体验：每开一个新会话，助手就像失忆一样，重新读同样的文件、问同样的问题，甚至把之前一起修好的错误再犯一遍。GitHub 项目 thedotmack/claude-mem 就是冲着这个痛点来的。它会在助手干活时把会话内容记录下来，用 AI 压缩整理成记忆，下次会话再把相关上下文自动带回来，让新会话接着上次的进度继续。

它的做法相当于在助手旁边再跑一个负责记笔记的代理：会话过程中持续收集观察记录，下次会话先给出一份精简索引，需要细节时再按需展开，避免一次性把上下文塞满。项目还提供 mem-search 技能，按索引、时间线、细节三步检索项目历史，助手只为真正打开的内容花 token（模型处理文本的计量单位）。它支持 Claude Code、Codex、Cursor、OpenCode 等十余种助手，其中 Copilot CLI、Goose、Roo Code 和 Warp 只能搜索记忆，不记录会话。

上手方式是在终端运行安装命令，安装器会找出机器上已有的助手并询问要接入哪些，按提示选择后重启对应工具即可。记忆默认存在本机的 ~/.claude-mem 目录，云同步需要主动开启；匿名使用统计默认打开，可以用命令关闭。安装过程中还会要求登录并选择记忆提供方，也可以跳过登录直接指定提供方。

需要留意的是，用 npm 全局安装只会得到 SDK 库，不会注册插件钩子，也不会启动后台服务，所以应通过 npx claude-mem install 或 Claude Code 内的插件市场命令安装。装好后从第一次提问起就会产生观察记录，同一项目里的第二次会话就能带着上次的记忆开始。

用 AI 编程助手写页面的人常会遇到一种情况：不管提什么需求，生成出来的界面总是那几副面孔，到处是 Inter 字体、紫蓝渐变、卡片套卡片。GitHub 项目 pbakaus/impeccable 就是冲着这个来的，它给编程助手配了一套设计词汇，让开发者能具体说出想要什么效果，并在代码交付前把常见的 AI 生成设计套路和可用性问题挑出来。

它的用法是先做一次初始化。在项目根目录运行安装命令、重载编程工具后执行 /impeccable init，工具会读取你的代码，只追问它推断不出的信息，比如产品面向谁、要完成什么，然后写成 PRODUCT.md，后续命令都参考这份背景。之后就是点名一个命令加一个目标，比如让它审查定价卡片、把落地页调安静、打磨设置页。命令共 24 个，分调整风格、审查、收尾打磨、浏览器实时迭代几类，critique 按可用性原则打分并排出修复优先级，audit 检查无障碍、性能、主题和响应式问题。

和依赖大模型判断的做法不同，它内置 62 条确定性规则来识别 AI 生成设计的典型痕迹，也顺带发现内边距过窄、标题层级跳级这类质量问题，不需要 API key。这些规则还能脱离助手单独跑，在终端或 CI 里扫描目录、扫描渲染后的页面，或输出 JSON 和 GitHub Actions 注解。live 模式则打开你正在运行的开发服务器，加一层浮层，选中元素后原地切换变体，满意就写回源码。

上手门槛不高，支持 Claude Code、Cursor、Codex CLI、GitHub Copilot 等多种编程工具，在 Codex 里改用 $impeccable 调用。它最适合已经存在的界面，指着一个页面或组件反复迭代，窄目标的效果好过整页粗看。使用前需要准备好项目代码和本地开发环境，live 模式只改本地检出，不要注入已部署的站点。

Scrapling 是一个 Python 网页抓取框架，把快速 HTTP 请求、隐身浏览器、页面解析和并发爬取合进同一个库。它要解决的是抓数据时工具太分散的问题：静态页面、需要渲染 JavaScript 的页面，以及页面背后 API 调用返回的数据，都能用一套代码处理，从抓几个字段到采集整个网站都覆盖。

实际用起来，它提供 CSS、XPath、文本和正则搜索来定位页面元素，还能把结果输出成干净的 Markdown。爬虫部分沿用类似 Scrapy 的 Spider 写法，支持多会话、代理轮换、自动重试、暂停续跑，以及 AutoThrottle 自动调节延迟——也就是根据网站响应快慢自己调整请求间隔，减少被封。隐身浏览器可以处理 Cloudflare 验证。它还能通过 MCP 服务器和命令行交给 AI 代理使用。

上手门槛不高，用 pip 安装后，从 fetchers 导入 Fetcher 抓取第一个页面即可。想爬整站时再写 Spider，结果可导出 JSON、CSV 等格式。使用前需要准备 Python 环境，涉及隐身浏览器和代理轮换时还要配置相应资源。

对想用 AI 辅助抓取的开发者来说，MCP 服务器和命令行让 AI 代理能直接浏览页面、提取数据，省去自己拼装多个工具的麻烦。

T3 Code 是 pingdotgg 团队做的一个「代理控制台」，用来统一操控你电脑上已经装好的 AI 编程代理。它本身不提供模型，而是对接你已有的订阅，包括 Claude Code、Codex、Cursor、Grok Build、OpenCode、Google Antigravity 和 fx，只要这些代理在本机装好并登录，T3 Code 就能接管它们。作者说做这个项目是因为现有方案没达到他们的标准，他们想要性能好、能远程用、真正开放的工具。

它提供 iOS、Android 手机应用、网页应用和基于 Electron 的桌面应用四种客户端。Electron 是一套用网页技术做桌面软件的框架。实际用起来，你可以在手机上或另一台机器上远程指挥本机的代理干活，不必守在电脑前；它也能作为后台服务常驻运行，随时待命。此外它还支持通过 MCP 连接其他代理，MCP 可以理解为让不同 AI 工具互相通信的通用接口。和常见做法相比，它不绑定某一家模型，而是把你手头已有的代理集中到一个界面里管理。

上手前要先准备好至少一个代理：装好 Codex CLI 并运行 codex login，或装好 Claude Code 并运行 claude auth login，Cursor、Grok Build、OpenCode、fx 也各有对应的登录命令，Antigravity 则需要在设置里启用并用 Google 账号登录。然后在命令行运行安装脚本，Windows 用 PowerShell 版本，之后执行 t3 启动服务并打开本地网页应用。想让它常驻后台可以用 t3 service install，升级用 t3 update，不想安装也可以先用 npx t3@latest 试一次。项目目前还很早期，作者提醒会有 bug，也基本不接受大型功能贡献。

很多用 Claude Code、Cursor 这类 AI 编程工具的人都有同感：让模型做个网页，出来的东西一眼就能看出是机器做的。Together AI 推出的 Hallmark 就是冲着这个问题去的，它是一个设计技能，给这些工具加一层约束，让生成的页面不再套路化，并在真实浏览器里检查那些机器味很重的痕迹。

它的做法是先守住一批硬性底线，比如对比度、焦点、减少动效、不编造事实、手机布局不能坏，过了这道关就不再插手，把剩下的交给具体页面。它从五十个主题里挑三个，每个主题是一套材质而非固定版式，再围绕访客来页面要做的事搭结构，让动作落在该在的位置。检查分三档：Floor 不通过就不交付，Reflex 是模型容易踩的默认套路、有理由可以记录在案后推翻，Finish 只影响细节、不拦发布。最后还有一个全新上下文的审阅者把关。

它盯的正是那些典型毛病：每个标题上方都加小字、标题里只有一个彩色词、整页空框或全是照片、首屏放不下、每页结尾都塞邮件订阅、表单说谢谢却没真的发出去。它能在真实浏览器里按八种宽度检查，也可以指向 URL 或开发服务器自动截图。想重设计或只做审计，可以按名字调用，重设计会保留原有内容。

上手用 npx 把它装到全局或当前项目，然后在 AI 工具里输入 /hallmark 或直接描述要做的页面即可。需要 Node 18 或更高版本；浏览器检查和截图还要另装 puppeteer-core 和 Chrome，没有它们静态检查照样能跑。如果它没有自动触发，在指令里点名让它用 Hallmark 就行。

agent-browser 是 vercel-labs 推出的一个命令行工具，用 Rust 编写，目的是给 AI 代理配一个能一步步驱动的浏览器。它解决的是代理操作网页时“看不见结果”的问题：每条命令执行后，代理都能重新读取页面，确认这一步是否生效，再决定下一步。浏览器在命令之间保持打开，所以整个流程由一串简短的 shell 调用组成，代理不必自己维护复杂的浏览器状态。

实际用法围绕一个叫 snapshot 的命令展开。它把页面读成紧凑的文本快照，每个可交互元素都带一个类似 @e1 的引用，代理按引用去点击、填写、按键或滚动，然后再读一次页面核对结果。引用只代表快照那一刻的页面，页面跳转或结构变化后要重新快照。除了引用，也支持 CSS、文本、XPath 和语义定位器；如果目标被弹窗遮挡或不可见，点击会直接报错而不是假装成功。

在运作方式上，CLI 把每条命令发给一个后台守护进程，由它通过 Chrome DevTools Protocol（一套浏览器调试接口）控制浏览器。每个 --session 有独立的守护进程和浏览器，默认一小时后没有命令就关闭无头浏览器并退出。默认浏览器是 Chrome for Testing，也能连接正在运行的 Chrome，或换用其他引擎和云浏览器服务。它还自带与版本匹配的 skills，让代理加载核心用法说明，并提供 MCP 服务器供 MCP 客户端接入。

上手前需要先全局安装并下载浏览器，然后依次执行 open、snapshot、click 就能跑通。Linux 上安装时加上 --with-deps 可以一并装好系统库，不想安装也可以用 npx 直接运行。如果希望代理自动掌握用法，可以把它的 skill 装进代理环境，或在 AGENTS.md 里写明首次使用前先运行 skills get core。

用 AI 单独做游戏很自由，但一个聊天会话本身没有结构：没人拦着你写死数值、跳过设计文档，也没人做 QA 和设计评审。GitHub 项目 Donchitos/Claude-Code-Game-Studios 想补上这一环，它是一套给 Claude Code 用的模板，把一次普通对话变成有分工的游戏开发团队，用 49 个专职智能体（各自负责一类工作的子角色）和 74 个工作流技能管住设计、代码和 QA 流程。

它模仿真实工作室搭了三层结构：导演层守住整体愿景，部门主管管好各自领域，专员做具体工作，每个角色都有明确职责和升级路径。覆盖设计、程序、美术、音频、叙事、QA 和制作，并内置 Godot 4、Unity、Unreal Engine 5 三套引擎专员。日常操作靠斜杠命令完成，比如 /start 起步、/design-system 做系统设计、/dev-story 开发故事、/story-done 收尾，另有 15 个钩子（在提交、推送等节点自动触发的检查）和 14 条按文件路径生效的编码规则。

它和常见做法的一个区别是较真：凡是改动玩家可见内容的故事，必须启动游戏、实际观察并留存截图才算完成，光跑通解析检查不算数。模型分配上，导演层用 Opus，部分主管和专员用 Sonnet，其余继承你当前会话的模型，所以大部分角色跑在你已经在用的模型上。作者也坦言，提高严谨度会多写文档，换来的是可追溯性而非更好的游戏。

上手方式不复杂：克隆模板仓库，装好 Claude Code、Python 3 和 Bash，在 Claude Code 里输入 /start 开始。Python 3 用来读取 project.yaml，缺了它各项设置会悄悄回落到默认值；Bash 负责运行钩子，Windows 上随 Git for Windows 提供。仓库本身不附带成品游戏，它是给你开新项目用的起点。

Google 官方在 GitHub 上维护了一个名为 skills 的仓库，把 Google 产品和 Google Cloud 的使用方法整理成 Agent Skills，也就是给智能体看的技能包。它要解决的是智能体缺少特定平台知识的问题：Claude Code、Codex 这类工具在写代码、搭架构、排查问题时，一旦涉及 Google 技术栈，往往只能靠零散提示词猜测，容易走弯路，而这个仓库让它们直接按官方做法来。

这些技能按产品和场景拆成一个个独立条目，覆盖 Google Cloud 入门、IAM 认证授权、AI/ML、基础设施、数据库与分析、开发者工具、应用开发和运维监控等方向。比如基础设施里有 GKE、Cloud Storage 相关技能，数据库与分析里有 BigQuery、AlloyDB，AI/ML 方向则包含 Gemini、Genkit 等内容。相比随手写几段提示词，这种组织方式覆盖面更系统，智能体遇到具体任务时能取到对应的那一份。

使用方式是通过 npx 命令安装，npx 是 Node.js 自带的包执行工具。运行安装命令后，按提示选择具体技能或全部技能，指定要配置的目标智能体，再决定装到当前项目还是全局。之后可以用更新命令把已安装的技能升级到最新版本，并顺带清理过时技能。上手前需要准备 Node.js 环境，如果环境里没有 npx，装上 Node.js 即可获得 npm 和 npx。

PR-Agent 是一个由 AI 驱动的代码审查工具，由 Qodo 捐给社区维护，和 Qodo 自家的商业产品不是一回事。它直接以评论形式工作在 Pull Request（PR，即合并代码前的改动请求）上，能自动生成改动描述、审查代码、提出改进建议，还能回答你关于这次改动的问题，帮开发者省下重复的代码审查时间。

实际使用时，你在 PR 评论里输入 /describe、/review、/improve 这类命令，或者用 /ask 直接提问，它就会给出结果。每个工具只调用一次大模型，大约 30 秒完成，成本较低。它用 PR 压缩策略处理大改动，提示词以 JSON 形式配置，团队可以按需要调整审查类别和行为。它支持 GitHub、GitLab、BitBucket、Azure DevOps、Gitea，可跑在命令行、GitHub Actions、Docker 或自托管环境，模型可选 OpenAI、Claude、Gemini、DeepSeek 等。

上手推荐用 GitHub Action：在仓库里加一个 workflow 文件，配置 OPENAI_KEY 和 GITHUB_TOKEN 即可。也可以本地用命令行运行，先安装 pr-agent 并设置 OPENAI_KEY，再指定 PR 地址执行 review 等命令。自托管时数据只在你和所选模型服务商之间流转，提示词和行为都能按团队需要自行调整。

同时跑多个 AI 智能体时，最怕它们在同一份代码里互相踩脚。Git 自带的 worktree（工作树，让同一个仓库在不同目录下各检出一份代码）能给每个智能体一个独立工作目录，但原生用法很别扭：光是新建一个就要把分支名敲三遍，先 git worktree add -b feat ../repo.feat，再 cd 进去。max-sixty 的 Worktrunk 就是来解决这个麻烦的，它是一款命令行工具，把 worktree 管得像分支一样简单。

Worktrunk 用分支名来定位 worktree，目录路径按可配置模板自动算出来，核心命令只有 wt switch、wt list、wt merge、wt remove 四条。切换、创建、列出状态、清理都各一条命令搞定，wt switch -c -x claude feat 甚至能一步建好工作树并直接启动 Claude。它还有钩子（在创建、合并前后自动执行命令）、从 diff 生成提交信息、一条命令完成 squash 与合并清理、交互式选择器，以及让多个工作树共享构建缓存、给每个工作树分配独立端口跑开发服务器。

对并行跑智能体的开发者来说，典型用法是开几个工作树、各起一个智能体：wt switch -x claude -c feature-a -- '添加用户认证'，再换 feature-b、feature-c 各跑一个任务，互不干扰。wt list 会显示每个分支的改动、领先提交数和 CI 状态，当前所在的工作树用 @ 标出。相比原生 git 需要手动 cd 和清理，Worktrunk 把这些步骤收进同一条命令里。

上手门槛不高：macOS 和 Linux 可用 Homebrew 执行 brew install worktrunk，或用 Cargo 执行 cargo install worktrunk，装完再运行 wt config shell install 做 shell 集成，让命令能切换目录。Windows 用户通过 Winget 安装时会以 git-wt 的名字出现，以避开 Windows Terminal 的 wt 命令冲突。装好后从四条核心命令用起，再按需配置钩子即可。

OpenClaw 是一个开源的 AI 助手，由 Peter Steinberger 和社区共同打造，最初是为一个叫 Molty 的太空龙虾形象设计的。它直接跑在你自己的电脑上，能接入 Discord、iMessage、Slack、Teams、Telegram、WhatsApp 等 20 多个聊天渠道，还有 macOS、iOS、Android、Windows、Linux 的原生应用。换句话说，你不用打开新的网页或软件，在平时聊天的窗口里就能找到它。状态、记忆和凭据都存在你自己的硬件上，模型和代理框架（负责调度模型和工具的那层程序）都是可替换的插件。

它的核心是一个本地 Gateway，也就是统一管理会话、工具、事件和渠道连接的控制中枢，控制界面、命令行和终端界面都连到它上面。同一个 Gateway 既能当个人助手，也能配置成多人共用，区别只在配置。它支持托管模型和本地模型，工具、技能和插件可以按需扩展能力。默认情况下 OpenClaw 只做每日版本检查，匿名统计需要主动开启，也可以一并关掉。

上手时先运行安装脚本，macOS 和 Linux 用 curl 命令，Windows 用 PowerShell 命令，脚本会在需要时准备好 Node.js 运行环境。安装完成后按引导向导走一遍，它会验证模型访问、创建工作区并配置 Gateway。之后用 openclaw gateway status 查看状态，再用 openclaw dashboard 打开控制界面发一条消息，确认助手能正常工作。

使用前要留意安全边界：把收到的消息当作不可信输入，能私聊的渠道默认会给陌生发送者配对，需要用 openclaw pairing approve 批准请求。主会话的工具默认直接跑在主机上，除非你配置了沙箱。在接入其他用户或把 Gateway 暴露到远程之前，最好先读一读安全指南和沙箱说明。

Nous Research 推出的 Hermes Agent 是一个会自己“长本事”的 AI 智能体。它最大的特点是自带学习闭环：完成复杂任务后能自动把经验整理成技能，之后在使用中继续改进这些技能，还会主动提醒自己保存知识、检索自己过去的对话，并跨会话逐步建立对使用者的了解。它不绑定在你的笔记本上，可以跑在便宜的 VPS、GPU 集群或空闲时几乎不花钱的无服务器环境里。

使用上，它不锁定模型，通过 hermes model 就能切换 Nous Portal、OpenRouter、OpenAI 或自建端点，无需改代码。它提供完整的终端界面，也能用一个网关进程接入 Telegram、Discord、Slack、WhatsApp、Signal 和 CLI，支持语音转写和跨平台对话延续。内置定时任务调度，可以用自然语言安排每日报告、夜间备份等自动执行；还能生成子智能体并行处理任务，并提供本地、Docker、SSH 等多种终端后端。

上手方式比较直接：在 Linux、macOS 或 WSL2 运行安装脚本，重载 shell 后输入 hermes 即可开始对话，Windows 也有原生 PowerShell 安装方式。使用前需要准备好所选模型的访问方式，可以是自己的 API key，也可以通过 Nous Portal 一次订阅覆盖模型、网页搜索、图像生成等工具。之后用 hermes setup 走一遍配置向导，或用 hermes gateway 启动消息网关，就能在聊天工具里随时调用它。

用 Claude Code 写代码的人常遇到一种别扭：模型不声不响替你做了个错误假设，然后一路写下去，既不澄清也不摆出取舍。GitHub 项目 multica-ai/andrej-karpathy-skills 就是针对这类毛病做的，它其实只是一个 CLAUDE.md 文件，也就是 Claude Code 每次开工前会自动读取的项目说明文件，把规矩写进去，让模型照着做。这些观察来自 Andrej Karpathy 对 LLM（大语言模型）写代码常见问题的总结。

文件把约束归纳成四条原则。先想再写，要求模型明确说出自己的假设，遇到歧义给出多种解释，困惑时停下来问，而不是猜一个就往下写。简单优先，只写解决问题所需的最少代码，不为一次性代码造抽象，也不加没被要求的配置项。只做必要改动，改动只碰任务必须碰的地方，看到无关的死代码只提出来、不顺手删。以目标驱动执行，把任务转成可验证的成功标准，比如先写测试再让它通过，多步任务则列出每步和对应的检查方式。

和常见的提示词技巧相比，它的不同在于把约束固定成项目级规则，而不是每次对话里临时叮嘱。模型因此更容易在动手前先说明假设、在改动时守住边界。它也能作为 Cursor 的项目规则使用，还可以和项目自己的说明合并，比如追加 TypeScript 严格模式、接口必须有测试这类项目专属条款。判断它是否生效，可以看代码差异里是否只剩被要求的改动、澄清问题是否出现在动手之前。

上手方式有两种。推荐在 Claude Code 里先添加插件市场，再安装插件，这样规则在所有项目里都可用；也可以把 CLAUDE.md 下载到项目根目录，已有文件则追加内容。使用前要清楚它偏向谨慎而非速度，改个拼写、写一行明显代码这类小事不必全套照搬，它的目标是减少非琐碎工作里的昂贵错误。

项目作者还提醒，这套规则适合与项目自身的说明合并使用，而不是替代它们。对日常用 AI 写代码的开发者来说，它更像一份写给模型的协作约定，成本很低，却能减少返工。

OpenCode 是 anomalyco 团队推出的开源 AI 编程代理，所谓代理，就是能自己读代码、改文件、执行命令的 AI 助手。它跑在终端里，帮你开发和理解代码，另外还提供 macOS、Windows、Linux 的桌面应用测试版。对习惯在命令行里干活的人来说，它把 AI 直接放进了日常开发流程，而不是另开一个网页窗口。

它内置 build 和 plan 两种代理，按 Tab 键就能切换。build 是默认的、拥有完整权限的开发代理；plan 则是只读的，默认拒绝文件编辑，运行 bash 命令前会先请求许可，适合分析代码或探索不熟悉的代码库。遇到复杂搜索和多步任务时，还有一个 general 子代理，在消息里用 @general 就能调用。这种按权限分角色的做法，让 AI 动手之前先有边界。

上手方式比较直接：用 curl 脚本或 npm、brew、pacman、mise、nix 等包管理器装上，在终端里运行即可开始使用。安装脚本会把程序放到用户目录下的 .opencode/bin。如果之前装过 0.1.x 以前的旧版本，需要先卸载。桌面应用可以从官网下载对应平台的安装包，macOS 也能用 Homebrew 安装。

使用前最好想清楚让 AI 做什么：探索陌生代码库时切到 plan，让它在只读状态下先摸清结构；真正改代码时再用 build。这样既能借助 AI 加快分析，也能避免它在不熟悉的项目里误改文件。

n8n 是一个 fair-code（源码可见、可自托管，但并非完全开源）的工作流自动化平台，由创始人 Jan Oberhauser 发起，名字来自「nodemation」，读作 n-eight-n。它要解决的问题很具体：把 AI 接进真实业务流程时，很多人被单一模型或平台绑住，流程一复杂就难以维护。n8n 的做法是把可视化画布和自定义代码放在一起，让开发者既能拖拽编排，也能在需要时写代码补足细节。

实际使用时，你在画布上拖拽节点，把多步流程串起来，需要精细控制的地方插入 JavaScript、Python 或 npm 包写自定义逻辑，还能加入人工审批环节和完整的可观测性，方便看清每一步发生了什么。模型方面可以接 OpenAI、Anthropic、Google 或开源模型，换供应商时不用改动整体架构。平台自带大量集成和工作流模板，能把 AI 接到已有系统上，自托管版本还提供角色权限和审计日志。

上手方式比较直接：准备好 Docker，运行官方安装脚本，或手动创建数据卷并启动容器，然后在浏览器打开 5678 端口就能进入编辑器。想先了解能力边界，可以翻文档、集成列表和示例工作流，遇到问题去社区论坛交流。使用前需要想清楚流程要接哪些系统、用哪个模型，以及是否需要自托管来满足数据与权限要求。

Firecrawl 是一个面向 AI 应用和智能体的网页数据接口，由 firecrawl 团队开发，开源并提供托管服务。它要解决的是让 AI 拿到网页内容这件事：把任意网址、搜索结果或 PDF、DOCX 等文档，转成干净的 Markdown（一种轻量文本标记格式，适合直接喂给大模型）、结构化 JSON 或截图。抓取中麻烦的部分都由它包办，包括轮换代理、任务编排、限流和 JS 渲染页面，开发者无需配置。

实际用法上，它不止能抓单个页面。整站爬取、批量抓取、列出网站全部链接、监控页面变化都能通过接口完成；提取前还可以先点击、滚动、输入，模拟真人操作。它还能用一句提示词让智能体自己去网上找数据，不必预先知道网址。相比自己写爬虫，它的输出直接面向大模型，token 消耗更少，也能通过一条命令接入各类 AI 智能体或 MCP 客户端。

上手方式比较直接：到 firecrawl.dev 注册拿到 API 密钥，用 Python、Node.js、cURL 或 CLI 调用即可。使用前需要准备好密钥，并确认调用环境能访问它的接口；想先试效果，可以在官网的 playground 里测试。

对普通开发者来说，它把代理、限流和动态页面这些琐事挡在外面，让精力集中在 AI 应用本身。

微软开源的 MarkItDown 是一个轻量 Python 工具，专门把各种文件转成 Markdown，方便交给大模型做文本分析。它要解决的是格式不统一的问题：PDF、Word、Excel、PPT 这些文档没法直接喂给模型，手动整理又费时。它和 textract 定位接近，但更看重保留文档结构，标题、列表、表格、链接都会尽量留下来。

用法很直接，命令行执行 markitdown 文件名就能输出 Markdown，也能用 -o 指定输出文件，或者把内容通过管道传进去。它支持 PDF、PowerPoint、Word、Excel、图片、音频、HTML、CSV、JSON、XML、ZIP、EPub 和 YouTube 链接等格式，ZIP 会逐个处理里面的文件。图片能读出 EXIF 信息（照片里记录的拍摄参数等元数据）并生成描述，音频可以转写，这两项依赖网络托管服务。输出接近纯文本，token 消耗较少，主流大模型对 Markdown 也比较熟悉。插件默认关闭，加参数才启用，第三方插件如 markitdown-ocr 能借助大模型的视觉能力，从文档内嵌图片里提取文字。官方也提醒，它面向文本分析工具，不一定适合需要高保真还原、给人阅读的场景。

上手前需要 Python 3.10 到 3.14，建议先建虚拟环境避免依赖冲突，再用 pip 安装，装全部格式依赖用 pip install 'markitdown[all]'，也可以按需只装 pdf、docx、pptx 等单项。装好后就能在命令行转换文件。另外它按当前进程的权限读写资源，在不可信环境里要清洗输入，并尽量调用范围最小的转换函数。

AutoGPT 是一个让普通用户用自然语言指挥一组 AI 专家干活的平台。你只需要告诉负责人 Otto 手头有什么任务，它会找来合适的专家接手，并在过程中同步进展，省去自己拆解任务和跟进的麻烦。相比单一大模型对话，它把任务拆给多个有角色的专家协作完成，覆盖内容、销售、研究等常见场景。

每个专家都有明确角色，比如 SEO 内容经理 Maria、客户经理 Max、行政助理 Frankie，你可以用指令、背景资料、技能和已连接的应用来塑造他们的工作方式。典型流程是先选专家或自建专家，交代任务背景并连接所需应用，约定第一个交付结果，然后审阅并调整指令；重复性任务可以设为例行流程。你还能控制每个专家能访问哪些账号、设置花费上限，并在活动记录里跟踪进度。需要更细控制时，可用可视化构建器编排工作流，或从市场获取现成流程，也支持通过 API 和 MCP 服务器调用。

上手方式有两种。可以注册托管平台试用，无需自己管理基础设施或提供模型 API 密钥，但这是付费服务。也可以按文档用 Docker 自托管，运行单容器镜像后打开本地页面创建账号，再用命令行把该账号设为管理员；自托管需要自己提供模型凭据，并负责部署、更新和运维。

Ollama 是一个让开发者在自己的电脑或服务器上运行开放模型的工具，支持 Kimi、GLM、MiniMax、DeepSeek、gpt-oss、Qwen、Gemma 等模型。它要解决的是想用 AI 模型却不愿把数据交出去的问题：模型跑在本地，隐私由自己掌握。底层基于 llama.cpp 这个推理引擎，Ollama 把下载、运行、调用收进一条命令，省去直接折腾推理框架的麻烦。

实际使用时，一条命令就能下载并运行 Gemma 等模型，比如 ollama run gemma4 即可开始对话。它提供本地 REST API 来运行和管理模型，默认监听 localhost:11434，也有 Python 和 JavaScript 官方库，几行代码就能把模型接进自己的程序。它还能接入 Claude Code、Codex、Copilot 等编程工具，或通过 OpenClaw 变成跨 WhatsApp、Telegram、Slack 的聊天助手。

和直接使用云端 API 相比，Ollama 的模型和数据都留在本机，适合对隐私敏感的场景；和手动配置推理框架相比，它把模型下载、运行和接口调用统一起来，命令行、REST API 和官方库共用同一套模型管理方式。它支持 macOS、Windows、Linux 和 Docker，官方 Docker 镜像为 ollama/ollama。

上手门槛不高：按系统执行对应的安装命令，macOS 和 Linux 用 curl 脚本，Windows 用 PowerShell 脚本，也可以手动下载或拉取 Docker 镜像。装好后直接运行 ollama，按提示选择模型或连接已有的编程工具与应用即可。使用前需要准备一台能跑模型的机器，并留出存放模型的磁盘空间。

f/prompts.chat 是一个汇集社区分享的 AI 提示词（prompt，也就是你发给 AI 的那段指令）的开源项目，最初为 ChatGPT 创建，如今也能用于 Claude、Gemini、Llama、Mistral 等助手。它要解决的是普通用户不知道该怎么向 AI 提问、开发者又缺少现成数据可用的问题，把社区提交的提示词集中到一处，既能浏览搜索，也能直接取用。

这些提示词以网页、CSV、Markdown 和 Hugging Face 数据集等形式提供，社区在网站上提交后会自动同步到仓库，想找现成写法的人可以直接翻看。项目还提供 30 多章免费的交互式提示工程教程，覆盖思维链（让模型把推理步骤写出来）、少样本学习（给几个例子引导模型）和 AI 智能体等主题，另有面向 8 至 14 岁儿童的互动游戏。

对组织来说，它可以自建私有实例，配置品牌、主题以及 GitHub、Google、Azure AD 登录，做成内部提示词库。上手方式很直接：想用现成的就打开 prompts.chat 浏览；想私有部署，运行 npx prompts.chat new 创建实例即可，使用前需要准备好 PostgreSQL 数据库，并按向导完成品牌与登录配置。

Hugging Face 团队维护的 Transformers 项目，核心是把文本、图像、音频、视频和多模态模型的定义集中到一处。过去开发者每遇到一个新模型，往往要单独写适配代码，如今同一套接口就能完成推理和训练，省去重复劳动。它把模型定义统一起来，让整个生态对同一个定义达成一致，新模型被支持后，多数工具都能直接复用。

实际使用时，它像各框架之间的枢纽：模型定义一旦被支持，就能兼容 Axolotl、Unsloth、DeepSpeed、FSDP 等训练框架，也能对接 vLLM、SGLang、TGI 等推理引擎，以及 llama.cpp、mlx 等相邻建模库。它提供统一 API 和少量抽象类，模型内部尽量一致地暴露，模型文件也能脱离库单独使用。高层接口 Pipeline 会自动处理输入预处理，把原始文本、图片或音频整理成模型能吃的格式，再返回对应结果。

上手门槛不高。准备 Python 3.11 以上和 PyTorch 2.6 以上的环境，建好虚拟环境后执行 pip install "transformers[torch]" 即可安装。推理时用 pipeline 指定任务和模型名，比如文本生成、语音识别、图像分类或视觉问答，模型会自动下载并缓存，之后可重复使用。想跟进最新改动也可以从源码安装，但最新版本未必稳定。

对普通开发者来说，它的价值在于少写适配代码、直接调用预训练模型，把精力放在自己的应用上。需要留意的是，它并非搭建神经网络的模块化工具箱，模型文件里的代码有意不做额外抽象，方便研究者快速迭代；训练 API 也偏向易用而非覆盖所有底层定制需求。

AUTOMATIC1111/stable-diffusion-webui 是一个给 Stable Diffusion 套上网页界面的开源项目，用 Gradio 库实现。Stable Diffusion 是能根据文字生成图片的模型，原本要写代码才能调用，这个项目把它变成浏览器里的操作面板，普通开发者和爱好者打开页面就能输入文字生成图片，或拿一张图做修改，不必自己搭推理脚本。

界面里集成了文生图、图生图、局部重绘和扩图等模式，还提供提示词权重、负面提示词、批量处理等细节功能。提示词权重指让模型更关注某段文字，负面提示词则列出不想出现的内容。相比直接调模型，它把采样器选择、模型切换、插件扩展都收进界面，并支持低显存显卡运行，生成参数会随图片保存，拖回界面即可还原。

项目还带高清修复和多种神经网络放大，能一键产出高分辨率图片；训练标签页可以训练嵌入，也就是给模型补充自定义概念的小文件。社区扩展脚本和 API 调用让功能可以继续外延，界面上的鼠标悬停提示和设置页也降低了摸索成本。

上手前需要装好 Python 和 git，克隆仓库后运行对应系统的启动脚本即可，Windows 用户也可下载发布包，先跑更新脚本再启动。显卡驱动和依赖要按官方说明准备，之后在浏览器打开本地页面就能开始生成。

langgenius/dify 是一个开源的 LLM 应用开发平台，把 AI 工作流、RAG 检索、智能体和模型管理放进同一个界面，帮开发者从原型快速走到上线，不用反复重搭技术栈。LLM 指大语言模型，RAG 指先检索资料再让模型作答的方式。它要解决的是从原型到生产之间反复搭建基础设施的问题，让团队在一个协作空间里完成开发和部署。

实际使用时，开发者可以在可视化画布上搭建和测试 AI 工作流，把各个步骤连起来跑通。模型方面，它支持接入数十家推理服务商的专有和开源模型，也兼容任何 OpenAI API 格式的模型。RAG 能力覆盖从文档导入到检索的流程，内置 PDF、PPT 等常见格式的文本提取。智能体有自己的沙箱，可以执行命令、安装软件、处理文件，还能连接 Dify Marketplace 的工具、MCP 服务器或自己的 API。所有功能都配有对应 API，方便集成到自己的业务逻辑里。

上手方式是用 Docker Compose 在本地启动服务。启动前机器需要满足最低配置：CPU 至少 2 核，内存至少 4 GiB，并装好带运行中守护进程的 Docker、Docker Compose v2.35.0 或更高版本以及 OpenSSL。在仓库的 docker 目录里复制环境变量示例文件，用 OpenSSL 生成一个随机值填入沙箱认证令牌，然后启动服务，打开 http://localhost/install 完成初始设置。

Open WebUI 是一个自托管、可完全离线运行的 AI 界面，由 Timothy Jaeryang Baek 创建。它要解决的问题很直接：开发者手里往往既有本地模型，也有云端模型，却缺少一个能自己掌控数据和环境的统一入口。Open WebUI 把这两类模型放进同一个界面，通过 Ollama 连接本地模型，也可以用 OpenAI 兼容的 API 接入本地或云端模型。所谓自托管，就是软件跑在自己的机器或服务器上，数据不经过第三方。

实际使用时，它更像一个可扩展的 AI 工作台。安装方式有两种：用 pip 安装后运行 open-webui serve，或者直接用 Docker 镜像启动，然后在浏览器里访问。Docker 镜像分几种，标准版带本地 AI 依赖，轻量版把嵌入、文档提取和语音交给外部服务，还有 CUDA 加速版和内置 Ollama 的版本。通过环境变量可以连接其他服务器上的 Ollama，或设置 OpenAI API 密钥，也能关闭 Hugging Face 模型下载以保持离线。

和常见做法相比，它的不同在于把模型管理、知识库和终端等能力收在同一个自托管环境里。生态组件包括 Open Terminal，把界面变成能执行任务的代理环境；Knowledge Base Sync 能把文件夹、仓库、存储桶和 wiki 增量同步进知识库；Open WebUI Computer 则让你在浏览器里操作自己机器上的文件、编辑器和终端。这些组件围绕同一个界面展开，而不是分散成多个工具。

上手前需要准备的东西不多：一台能跑 Python 3.12 或 Docker 的机器，以及想连接的模型来源，比如本地 Ollama 服务或一个 OpenAI 兼容 API 的密钥。装好后打开浏览器访问对应端口即可，Python 方式默认是 8080，Docker 示例映射到 3000。想用 Nvidia GPU 加速的话，需要 Nvidia Container Toolkit。桌面应用也提供 macOS、Windows 和 Linux 版本，适合不想折腾命令行的用户。

LangChain 是一个用来构建智能体和 LLM 应用的框架，由 langchain-ai 团队维护。它要解决的是大模型应用开发中组件零散、换模型就要重写代码的问题：把模型、嵌入（把文本转成向量的组件）、向量库（存放和检索这些向量的数据库）等部件用统一接口串起来，让开发者像搭积木一样组合出应用，底层技术更新时也方便替换。

实际使用时，开发者通过标准接口调用各类模型、工具和数据源，把大模型实时接到外部系统上，让回答有据可依。它的模块化组件适合快速做原型，想深入控制时可以下沉到更底层的组件，复杂的智能体流程还能配合 LangGraph 编排。模型可以随时换进换出，团队试不同方案时不必推倒重来。

上手门槛不高：安装 langchain 包，用 init_chat_model 初始化一个模型并调用即可跑通第一个例子。使用前需要准备好所选模型服务商的账号和密钥，并了解基本的 Python 调用方式。若要做更复杂的智能体，可以再去看 LangGraph 和 Deep Agents 的文档。

ComfyUI 是 Comfy-Org 团队维护的一个本地 AI 生成引擎，面向需要掌控每个模型和每个参数的视觉创作者。它把扩散模型（一类从噪声逐步还原出图像等内容的生成模型）的生成流程拆成一个个节点，用户用连线把节点组合起来，就能搭出图像、视频、音频和 3D 的生成管线，全程不写代码。它要解决的是常见生成工具把流程包成黑箱、参数难以细调的问题。

实际使用时，每个节点对应一个模型或一步处理，连线决定数据怎么流动，因此每个参数都能单独调整。工作流可以存成 JSON 复用，也能用子图把常用片段打包；App Mode 能把复杂工作流简化成普通界面，本地 API 则方便接进自己的应用。执行上它用异步队列和局部图重执行，只重跑改动过的部分，配合显存与内存管理、模型卸载和量化模型支持，在较低显存条件下也能跑较大的开源模型。

在模型覆盖上，它原生支持大量最新开源扩散模型，涵盖图像生成与编辑、视频、音频以及 3D 和视觉任务，还能通过合作节点接入部分闭源模型。它也能加载完整的 checkpoint，或把扩散模型、VAE、文本编码器、LoRA 等组件分开加载，并内置局部重绘、扩图、遮罩合成、放大、插帧、分割、深度估计等工具。核心默认不下载任何东西，加上 --offline 参数可完全离线运行。

上手最省事的办法是装 Windows 或 macOS 桌面版；其他系统按 README 手动安装，支持 NVIDIA、AMD、Intel、Apple Silicon、Ascend 等多种 GPU。使用前需要准备好本地硬件，显存紧张也能靠它的显存管理跑起来，实在没有本地设备则可以选择官方付费云版本。

对想深入定制的开发者，还可以用自定义节点扩展功能，并通过 extra_model_paths.yaml 配置额外的模型目录，把已有模型直接接进来用。

想做一个短视频，却卡在写脚本、找素材、配音和剪辑上，这是不少普通开发者的真实处境。GitHub 项目 MoneyPrinterTurbo 想解决的就是这件事：只要给出一个视频主题或关键词，它就能自动完成脚本撰写、素材匹配、配音、字幕、配乐和剪辑，最后合成高清短视频。项目由 harry0703 维护，把大模型和自动化工作流串在一起，让不想从零剪片的人也能出片。

它的工作方式并不神秘。大模型先写出视频脚本，再提炼出素材搜索关键词，然后从本地文件或 Pexels、Pixabay、Coverr 等免费库存素材源里匹配画面。配音方面集成了 Edge TTS 等语音合成服务，也就是把文字转成自然语音的技术，字幕字体、位置、颜色都能调整。成片支持竖屏 9:16、横屏 16:9 和方形 1:1 三种画幅，还能批量生成多条视频、保留任务历史，并一键发布到 TikTok、Instagram 和 YouTube Shorts。

和只用单一工具的做法相比，它提供了 AI Agent、WebUI、API 和 CLI 四种用法，既能在网页界面里点选操作，也能接入自动化流程。素材可以上传自己的图片和视频，也可以用免费库存素材，脚本和配音环节都允许替换成自定义内容，方便对成片有具体要求的人。

上手前需要准备的东西不多。不想配置环境的人可以直接用 AI Agent 生成视频；Windows 用户下载一键启动包，解压后先运行 update.bat 再运行 start.bat 即可，注意解压路径不要带中文、特殊字符和空格。想本地部署则需要 Python 3.11 或更高版本，GPU 不是必需项，主要依赖云端模型和配音服务时，CPU 和内存比显卡更重要。

llama.cpp 是一个用纯 C/C++ 编写的大语言模型推理项目，目标是让开发者用最少的配置，在从本地电脑到云端的各种硬件上运行文本和多模态模型。它不依赖其他库，适合想在自己机器上直接跑模型、不愿折腾复杂环境的开发者。项目建立在 ggml 库之上，针对苹果芯片、x86 的 AVX 系列、RISC-V 以及 NVIDIA、AMD、摩尔线程等 GPU 后端做了优化。

实际使用时，llama.cpp 通过整数量化来节省内存、加快推理，支持 1.5 到 8 位的量化，把模型参数压缩成更小的整数表示。它还支持 CPU+GPU 混合推理，让显存装不下的大模型也能部分加速。这些能力都融在命令行工具和 API 服务里，开发者不用自己写底层代码就能调用。

和常见做法不同，llama.cpp 不依赖 Python 环境或深度学习框架，编译后就是一个可执行文件。它自带 llama cli 命令行工具和 llama serve 服务，后者提供 OpenAI 兼容的 API 接口，方便接入现有应用。项目还支持多模态模型，能处理文本以外的输入。

上手时，可以用安装脚本一行命令装好，比如在终端运行 curl 脚本，或在 PowerShell 里执行对应命令。装好后，用 llama cli 从 Hugging Face 直接下载并运行模型，例如 llama cli -hf ggml-org/Qwen3.5-0.8B-GGUF。想提供 API 服务就运行 llama serve 加模型名。使用前需要准备一台有相应硬件的机器，并确保网络能访问 Hugging Face 下载模型。

OpenAI 推出的 Codex CLI 是一个跑在本地电脑终端里的编码助手，面向想用 AI 辅助写代码的开发者。它要解决的问题很直接：让 AI 参与编码工作时不必切换到网页或其他工具，在命令行里就能完成，不用离开自己熟悉的终端环境。除了终端版本，它还有编辑器内版本和桌面应用形态，云端版本则是 Codex Web。

装好之后直接运行 codex 命令就能开始用。推荐的做法是选择用 ChatGPT 账号登录，把它作为 Plus、Pro、Business、Edu 或 Enterprise 套餐的一部分来使用；也可以改用 API key，但需要额外配置。它提供 Mac、Linux、Windows 的安装方式，Mac 或 Linux 上运行安装脚本即可，Windows 上则用对应的 PowerShell 命令，此外还能通过 npm 或 Homebrew 安装，或者从 GitHub Release 下载对应平台的二进制文件。

上手流程并不复杂：在 Mac 或 Linux 上运行安装脚本，装好后运行 codex 并选择用 ChatGPT 登录。使用前需要准备的是一个可用的 ChatGPT 账号及相应套餐，或者按文档配置好 API key。项目采用 Apache-2.0 许可证开源，想深入了解安装与构建细节可以查阅仓库里的文档。

微软 Cloud Advocates 团队在 GitHub 上开源了一套名为 generative-ai-for-beginners 的课程，共 21 节，面向想动手做生成式 AI 应用的开发者。它从生成式 AI 和大语言模型（用海量文本训练、能按提示生成内容的人工智能模型）的基本概念讲起，一路带到文本生成、聊天、搜索、图像生成等实际应用的搭建，帮零基础的人把该知道的东西补齐。

每节课分成「Learn」和「Build」两类：前者讲概念，后者在概念之外给出代码示例，尽量同时提供 Python 和 TypeScript 两个版本。每课还配一段短视频、README 讲义和延伸学习链接，可以按兴趣从任意一节开始，不必从头顺着学。与网上零散的教程相比，它成体系地覆盖了提示工程（写提示词来引导模型输出的方法）、RAG（检索增强生成，先查资料再让模型作答）、AI 代理、安全与生命周期等主题。

课程支持 Azure OpenAI Service、Microsoft Foundry Models、OpenAI API，也可以用 Foundry Local 在自己设备上完全离线运行模型，不需要云订阅。仓库提供 50 多种语言翻译，中文读者可以直接看简体中文版。

上手方式是先把仓库 fork 到自己的 GitHub 账号，从第 00 课开始配置开发环境，再按兴趣挑课学。使用前最好有一点 Python 或 TypeScript 基础，并准备一个 GitHub 账号；如果只想下载课程内容、不要几十种翻译，可以用 sparse checkout 方式克隆，下载会快很多。

TauricResearch 开源的 TradingAgents 是一个多智能体 LLM 金融交易框架，思路是模仿真实交易公司的分工，把复杂的交易决策拆给多个由大语言模型驱动的角色。它要解决的问题是：单靠一个模型很难同时兼顾财务、舆情、新闻和价格走势，而 TradingAgents 让基本面分析师看公司财务，情绪分析师汇总新闻、StockTwits 和 Reddit 的讨论，新闻分析师盯全球新闻和宏观指标，技术分析师用 MACD、RSI 等指标找形态，各管一摊。

这些分析师并行工作，各自调用自己的工具，报告齐了才进入研究辩论环节。看多和看空的研究员围绕收益与风险进行结构化辩论，交易员再综合分析师和研究员的报告决定买卖时机与规模，风险管理团队评估波动、流动性等因素并调整策略，最后由组合经理批准或否决，通过的订单送到模拟交易所执行。与常见的单模型直接给结论相比，它把判断过程摊开成多个角色互相制衡，也支持为不同层级的模型配置不同提供商。

上手方式比较直接：克隆仓库，准备 Python 3.11 以上环境，按 README 配置模型和 API key 后运行，命令行也支持用参数免交互执行。使用前需要准备好所选模型提供商的密钥，并留意框架声明只用于研究，不构成投资建议，交易表现会受模型、温度、数据质量等因素影响。

browser-use 是一个开源的 Python 浏览器代理库，让大模型直接操作网页。你只需给它一句任务描述，比如查资料或预约，它就会自己打开浏览器、浏览页面、点击和输入，最后给出结果。它适合需要自动完成网页操作的人，把原本要写脚本或手动点来点去的事交给 AI 代理去做。

实际使用时，先安装这个库并配置模型 API key，然后创建一个 Agent 并把任务传进去，运行后它就会驱动浏览器执行。它支持本地浏览器和云端浏览器两种方式，模型可以换用 OpenAI、Claude、Gemini 等，也提供命令行方式，让已有的 AI 编码工具获得浏览器操作能力。云端浏览器还支持隐身、代理和验证码处理，适合在 Docker、CI 或服务器环境里跑。

和常见的做法不同，它不需要你为每个网站写固定脚本，而是由模型根据页面内容自己决定下一步点哪里、填什么。Agent 会自动带上系统提示，你只要把任务写清楚就行。对于想快速验证想法的人，这种用一句任务描述驱动浏览器的方式省去了不少前期搭建工作。

上手门槛不高，准备好 Python 环境、安装库、填好模型 API key，再写一个 Agent 并传入任务即可运行。如果不想在本地装 Chrome，可以改用云端浏览器，代码基本不用改。使用前需要准备对应模型的密钥，云端方式还要申请 Browser Use 的 API key，按浏览器使用时长计费。

对普通开发者和爱好者来说，它更像一个可以嵌进自己程序里的浏览器操作层，既能本地跑，也能放到服务器上跑。想先体验的话，从 Python 库入手最直接，照着示例改任务描述就能看到效果。

OpenAI 发布的 Whisper 是一个通用语音识别模型，要解决的就是把说的话变成文字这件事。它用大量多样化的音频数据训练而成，支持多语言语音识别、语音翻译和语种识别，一个模型就能顶替传统语音处理流程里的多个环节。对想给应用加上语音转写能力的开发者来说，它省去了自己拼装多套组件的麻烦。

Whisper 采用 Transformer 序列到序列结构，这是一种把输入序列整体映射成输出序列的神经网络。它把多语言识别、语音翻译、语种识别、语音活动检测等任务统一表示成一串待预测的 token（模型处理文本的基本单位），用特殊 token 指定当前要做哪项任务。因此单个模型即可完成多步处理，而不像传统流水线那样一环接一环地串起来。它提供 tiny 到 large 六种模型尺寸，在速度和准确率之间取舍，其中 turbo 是 large-v3 的优化版，速度约为 large 的 8 倍，准确率略有下降。

实际使用时，可以用命令行直接转写音频文件，也可以在 Python 里加载模型后调用转写接口。需要把非英语语音翻译成英文时，要选 tiny、base、small、medium、large 这类多语言模型，turbo 并未针对翻译任务训练，即使指定翻译也会返回原语言。指定语种还能提升非英语音频的识别效果。

上手前先准备环境：用 pip 安装 openai-whisper，并在系统里装好 ffmpeg 这个音视频处理工具，多数包管理器都能直接安装。安装过程中如果遇到与 tiktoken 相关的报错，可能还需要补装 Rust 开发环境。之后用命令行或 Python 加载合适的模型，就能开始转写音频。

给编程智能体加一套设计规范，是 Taste Skill 想解决的问题。这个 Agent Skill（可理解为给 AI 编程助手加载的技能包）针对的是常见现象：让 AI 搭公司网站，出来的往往是千篇一律的落地页。它面向软件、游戏、科技、产品、服务和场所等业务类型，目标是让智能体做出接近 figma.com、x.ai 那种水准的专业公司站点，而不是把通用模板拼一遍。

实际用法是让智能体按规范搭建或改版网站。每次开工先给客户业务分类，再逐屏规划页面，最后才写标记。脚本会按行业发放配色、字体搭配和首屏布局，从统一的起始模板和样式系统出发，强制每屏一个区块、左右内容边缘对齐。软件和科技页面用真实产品界面片段和品牌图标，场所类页面用精选照片并统一署名；着色器、滚动场景这类效果只留给科技、游戏和软件页面。

和常见做法不同的是，它在交付前会检查。构建完成后，页面会在无头 Chrome（不显示界面的浏览器）里按多个宽度渲染，排查空画面、对比度不足、列错位、占位文字等问题，再由完成门禁把关，最多三轮，直到没有可修复的失败项。

上手时在项目里用 npx skills 安装该技能，然后让智能体按设计规范搭建或改版公司网站。运行需要 Node 22+ 和已安装的 Chrome、Edge 或 Chromium，浏览器不在标准位置可设置 CHROME_PATH；ffmpeg 为可选项，用于 WebP 输出和首屏照片的手机裁剪。它不安装其他东西，也不需要 API 密钥，内置照片可离线使用，抓取额外照片或图标时才需要联网。

GitHub 上的 rasbt/LLMs-from-scratch 是《Build a Large Language Model (From Scratch)》一书的官方代码仓库，作者是 Sebastian Raschka。它要解决的问题很直接：很多人会调用大模型接口，却说不清模型内部怎么运作。这个项目按书本章节，用 PyTorch 从零实现、预训练和微调一个 GPT 类大模型，让读者亲手把每个环节写一遍，而不是只调现成接口。

代码按章节组织成 notebook 和脚本，从处理文本数据、手写注意力机制（让模型判断该重点关注哪些词的一种计算方式），到搭起 GPT 模型、做预训练、文本分类微调和指令微调，一路走完。它不依赖外部大模型库，全部用 PyTorch 实现，因此每一步都看得见。主章节代码在普通笔记本上就能在合理时间内跑完，有 GPU 会自动用上，另外还附带加载更大预训练模型权重做微调的代码，以及练习解答和 LoRA（一种只训练少量参数的低成本微调方法）。

上手方式不复杂：克隆仓库后按章节顺序打开对应的 notebook 或脚本，从第 2 章开始跟做。使用前最好有扎实的 Python 基础，对 PyTorch 有基本了解会更顺，没有的话附录 A 有简明入门。硬件上不需要专门设备，普通笔记本即可，有 GPU 会更快。

这个仓库适合想真正看懂大模型内部原理的普通开发者和爱好者，把它当作一本可以动手运行的教材来用，边读边敲代码，比只看讲解更容易建立直觉。

DeepSeek-V3 是深度求索（deepseek-ai）团队发布的开源语言模型，总参数 671B，但每次处理一个 token 只激活其中 37B。这种设计叫混合专家（MoE），可以理解为模型内部有很多“专家”模块，按需调用，不必全部开工，因此推理更省算力。它面向需要强语言能力的开发者和爱好者，在数学、代码、中文和多语言基准上表现突出，综合评测超过其他开源模型，性能与领先闭源模型相当。

它沿用 DeepSeek-V2 验证过的 MLA 和 DeepSeekMoE 架构，并采用无辅助损失的负载均衡策略，减少为均衡负载而牺牲性能的情况；训练目标上加入多 token 预测，既提升效果，也能用于推测解码加速推理。预训练用 FP8 混合精度（一种低精度计算方式，省显存和带宽）在 14.8T token 上完成，全程稳定，没有出现不可恢复的 loss 尖峰，也没有回滚。后训练阶段从 DeepSeek-R1 系列的长思维链模型蒸馏推理能力，把验证和反思的模式融入 V3，同时控制输出风格和长度。

模型提供 Base 和对话两个版本，上下文长度 128K，可在 Hugging Face 下载权重。上手前需要准备能承载大模型的硬件环境，并按 README 第 6 节的本地运行指引操作；想深入了解权重结构，可参考 README_WEIGHTS.md，其中多 token 预测模块的支持仍在社区开发中。

把大模型部署上线时，显存吃紧和请求处理慢是开发者最常碰到的两道坎。开源库 vLLM 就是冲着这两个问题来的，它最初由加州大学伯克利分校 Sky Computing Lab 开发，如今由两千多名贡献者组成的社区维护。它的目标很直接：让开发者用更少的资源跑出更快的推理速度，并把模型包装成可对外提供服务的接口。

vLLM 的核心是 PagedAttention，一种像操作系统管理内存分页那样管理注意力键值内存的技术，能减少显存浪费。它配合连续批处理、分块预填充和前缀缓存来提升吞吐，还支持 FP8、INT4、GPTQ/AWQ 等多种量化方式，把模型压小以节省显存，并可用张量、流水线、数据等并行方式把推理分散到多张卡上。它兼容 Hugging Face 上 200 多个模型架构，提供 OpenAI 兼容 API，硬件上覆盖 NVIDIA、AMD、Intel 等多种平台。

对普通开发者来说，上手路径很短：用 uv 或 pip 安装 vllm，再下载预编译内核，就能开始使用。使用前需要准备好受支持的硬件环境，并确认要跑的模型在兼容列表内。之后通过它提供的 OpenAI 兼容接口，现有调用 OpenAI 服务的代码基本可以平滑迁移过来。

项目文档、博客和论文都可以在官网找到，遇到技术问题可以走 GitHub Issues，和其他用户交流则有论坛和 Slack 渠道。对于想把模型从本地实验推进到对外服务的开发者，vLLM 提供了一条相对省心的路径。

处理 PDF 时，很多人习惯把文件上传到在线工具，但合同、证件这类文档一旦离开自己的设备，隐私风险就难以控制。开源项目 Stirling PDF 想解决的就是这个问题：它把编辑、签名、脱敏（把敏感信息涂掉或遮盖）、转换这些操作放到本地或自己的服务器上完成，文档不用发给外部服务。它可以作为桌面应用运行，也能在浏览器里打开，或者部署到自己的服务器上，按自己的需要选择使用方式。

它提供 50 多种 PDF 工具，覆盖编辑、合并、拆分、签名、脱敏、转换、OCR（把扫描件里的图片文字识别成可编辑文本）、压缩等常见需求。界面支持 40 多种语言，几乎所有工具都配有 REST API（一种让程序之间互相调用的接口），方便接进现有系统。界面里还能搭无代码流程做批量处理，企业部署所需的 SSO（单点登录）和审计功能也在支持范围内，这些能力都围绕“文档不离开自己的环境”来组织。

上手门槛不高。用 Docker（一种打包运行软件的工具）一条命令启动，然后在浏览器打开 http://localhost:8080 就能使用。想先了解全部功能可以查官方文档，桌面版和 Kubernetes 部署方式也有对应说明。使用前需要准备一台能运行 Docker 的机器，并确认自己部署的环境满足企业功能的要求。

RAGFlow 是开源团队 InfiniFlow 推出的检索增强生成引擎，现在也带上了 Agent 能力，定位是给大模型提供上下文的基础设施。它要解决的是很实际的问题：企业或个人手里的文档格式杂、内容多，直接丢给大模型效果差，需要先把资料整理成能被准确检索的知识，让回答有据可查，减少胡编乱造。

它的做法是先对文档做深度理解，再按模板切分成知识块，切分过程可视化、可人工干预，这是它和常见做法的一个明显区别。检索时支持多步推理，模型会分析问题、必要时拆解问题、检索知识并核验证据，还能按问题复杂度选择 Low、Medium、High、Ultra 四档思考深度。它兼容 Word、PPT、Excel、PDF、扫描件、网页等多种数据源，并能把内容编译成 Wiki、图谱、思维导图等结构化知识，最终给出可追溯的引用。

上手方式比较直接：用 Docker Compose 本地部署，官方建议起步配置为 4 核 CPU、16 GB 内存和 50 GB 可用磁盘，Docker 需 24.0.0 以上、Docker Compose 需 v2.26.1 以上。克隆仓库、切到发布标签后启动服务，用健康检查接口确认就绪，再打开网页登录，在模型供应商页面配置好大模型、嵌入模型和重排序模型的名称、服务地址与 API Key 即可使用。

OpenHands 团队推出的 Agent Canvas 是一个自托管的开发者控制中心，用来把编码智能体变成常驻的工程助手。它解决的是智能体分散在各处、难以统一调度的问题：你可以在同一个前端里启动对话、运行编码智能体，并让它们处理日常任务，比如生成报告发到 Slack，或把 GitHub issue 自动拆成任务。它默认跑在你自己的机器上，也能连到 Docker、虚拟机或公司内网等后端。

实际使用时，Agent Canvas 开箱即用 OpenHands 智能体，也能接入 Claude Code、Codex、Gemini CLI、Pi、OpenCode 等第三方智能体，模型可以自选。它的不同之处在于后端可切换：本地、远程和云端环境能在同一界面里来回切换，不必重开工具。你还能创建按计划或 webhook 触发的自动化，并连接 Slack、GitHub、Linear、Notion 等工具，让智能体在后台持续干活。

上手方式有两种。用 npm 全局安装后运行 agent-canvas 命令，或直接用 Docker 镜像启动，然后打开本地 8000 端口即可。前者需要 Node.js 24 或更高版本以及 uv，并注意智能体会直接访问你的文件系统；后者需要先准备好 Docker 和存放项目的目录。想跑在云端服务器上，智能体在你关掉笔记本后也能继续工作，也更容易被 Slack、GitHub 等外部服务触发。

大模型想帮忙读写文件、翻 Git 仓库、抓网页，却缺少一条安全可控的通道，Model Context Protocol（MCP，一套让模型与外部工具对话的开放协议）参考实现服务器仓库就是为此准备的。它由 MCP 指导组维护，收录了文件系统、Git、Fetch 网页抓取、Memory 记忆存储、Time 时间转换、Sequential Thinking 和 Everything 共 7 个示例服务器，演示如何把工具和数据源交给模型使用，同时把权限边界留在开发者手里。

这些服务器各自演示一种能力：Filesystem 带可配置的访问控制，Git 能读取、搜索和修改仓库，Fetch 把网页内容抓下来转成适合模型阅读的形式，Memory 用知识图谱做持久记忆。它们覆盖 MCP 的提示、资源、工具三类能力，分别对应给模型的指令模板、可读取的数据和可调用的动作。实现上通常借助官方 MCP SDK，仓库涉及 C#、Go、Java、Python、TypeScript 等 10 种语言版本，方便不同技术栈的开发者对照学习。

和社区里直接拿来用的服务器不同，这些只是教学样例，并非生产级方案，安全要求需要使用者自行评估和加固。服务器与客户端之间靠传输方式通信，所有服务器都支持 stdio（由客户端把服务器作为子进程启动，通过标准输入输出收发消息），只有 Everything 额外支持 Streamable HTTP（服务器独立运行，客户端用网址连接）。因此单独在终端启动一个 stdio 服务器时它看起来像卡住了，其实是在等待客户端发消息。

上手时，TypeScript 写的服务器用 npx 启动，Python 写的用 uvx 或 pip 启动，然后把启动命令写进 MCP 客户端的配置里，例如 Claude Desktop 的配置文件。想先不配客户端试工具，可以用 MCP Inspector 直接连上服务器浏览和调用它的工具。使用前需要准备好 Node.js 或 Python 环境，并想清楚要开放哪些目录和仓库。

Datawhale 社区推出了开源教程 Hello-Agents，项目负责人是陈思州。它针对的是系统性、重实践的智能体教程匮乏这一现状，想给有一定编程基础的开发者一本从零开始、理论与实战并重的指南。教程明确区分两类智能体：一类是 Dify、Coze 这类流程驱动的软件工程式产品，大语言模型只当数据处理的后端；另一类是以 AI 驱动的 AI 原生智能体，教程要带读者理解并亲手构建的是后者，让人从大语言模型的使用者变成智能体系统的构建者。

教程分五部分推进。开头讲智能体的定义、发展史和大语言模型基础，随后手把手实现 ReAct、Plan-and-Solve、Reflection 等经典范式，再体验 Coze、Dify 等低代码平台和 AutoGen、LangGraph 等框架，并基于 OpenAI 原生 API 从零搭出自己的框架 HelloAgents。之后深入记忆与检索、上下文工程、MCP 等通信协议、从 SFT 到 GRPO 的 Agentic RL 训练以及性能评估，最后用智能旅行助手、深度研究智能体、赛博小镇等案例做综合实战。

上手方式比较直接：可以在线阅读，也可以下载到本地，PDF 版本同样开源免费。学习前需要具备基础 Python 能力，并对大语言模型有概念性了解，比如知道怎么通过 API 调用一个模型，不需要深厚的算法或模型训练背景。教程在 code 文件夹里提供了配套代码，建议边读边运行调试，遇到问题可以在项目的 issue 区提问。

DeerFlow 是字节跳动开源的一个超级智能体框架，名字取自 Deep Exploration and Efficient Research Flow，也就是深度探索与高效研究流程。它要解决的问题是：让 AI 不只回答一个问题，而是能自己拆解任务、调用工具、保存记忆，把一件需要几分钟甚至几小时的事做完。框架把子智能体、记忆和沙箱编排在一起，用于研究、写代码和创作。需要说明的是，2.0 版本是彻底重写，和 1.x 不共享代码，早期只做深度研究的版本仍留在 1.x 分支维护。

它实际怎么运作，可以从几个关键部件理解。子智能体指把大任务分给多个各管一段的 AI 角色并行推进；沙箱是一个隔离的运行环境，让 AI 写的代码和操作文件不会影响你的主机；记忆则让它在长任务中记住上下文。能力靠可扩展的技能（skills）驱动，你可以按需添加技能来扩展它能做的事。它还提供 MCP Server 和 IM 渠道接入，前者是一种让不同 AI 工具互相调用的通用接口，后者指接入即时通讯渠道；同时支持多种模型供应商和多种追踪工具，方便观察每一步执行情况。

和常见做法相比，DeerFlow 的定位从早期的深度研究框架转向通用超级智能体，任务时长跨度从几分钟到几小时。它支持 Docker 部署和本地开发两种运行方式，Docker 可以理解为把应用和依赖打包进容器，省去手动配环境。官方还推荐用豆包 Seed 2.0 Code、DeepSeek v3.2 和 Kimi 2.5 来运行，并集成了字节旗下 InfoQuest 的搜索与抓取工具集。

上手方式比较直接：用 Docker 或本地开发方式，按官方 Install.md 的引导完成配置后启动应用。如果你平时用 Claude Code、Codex、Cursor 这类编程助手，可以把仓库里那句一句话安装提示交给它，让它帮你克隆仓库并引导完成本地开发配置，最后会告诉你下一条要执行的命令和还缺哪些配置。使用前需要准备好所选模型供应商的接入信息，并留意官方安全提示，不恰当的部署可能带来风险。

GitHub 上的 mlabonne/llm-course 是一个面向大模型学习者的免费课程仓库，作者把入门大模型这件事拆成了三块：可选的 LLM 基础、LLM 科学家和 LLM 工程师。它想解决的是很多人面对大模型时不知道从哪学、该学什么的问题，用一条清晰的路径替代零散教程带来的混乱。

课程用路线图来组织学习顺序，读者可以按图索骥。基础部分讲数学、Python 和神经网络，不需要一开始就啃，可以按需回查；科学家部分关注用最新技术把模型做得更好；工程师部分则落到基于大模型做应用并部署。每个方向都配了 Colab 笔记本，也就是能在浏览器里直接运行的代码环境，覆盖微调、量化（把模型压缩得更小以便在普通硬件上跑）、模型合并等动手环节，并附有配套文章讲原理。

和常见的零散教程不同，它把基础知识和实操笔记本放在同一条学习线上，读者不必在多个来源之间来回拼凑。仓库里的笔记本既有工具类，比如一键合并模型、自动量化、自动评测，也有具体的微调案例，比如用 Unsloth 微调 Llama 3.1、用 QLoRA 在免费 Colab 里微调 Mistral-7b。作者还基于这门课合著了 LLM Engineer's Handbook，课程本身保持免费。

上手方式很直接：打开仓库，按路线图从基础部分看起，再挑感兴趣的 Colab 笔记本动手跑一遍。使用前需要有一个 Google 账号来运行 Colab，部分笔记本涉及模型下载和训练，要留意免费环境的资源限制，遇到不熟悉的概念可以回到基础部分或配套文章里查。

LobeHub 是一个 AI 智能体平台，核心做法是把能自己找活干的 AI 智能体放进团队日常使用的聊天工具里。智能体在这里指能独立完成任务的 AI 程序，它不只是被动回答问题的工具，而是会自己认领合适的任务、独立做完，人只在验收结果时介入，从而省去派活和传话的环节。项目由 LobeHub 团队维护，面向想让 AI 分担工作的开发者和团队。

实际用起来，它支持接入各种 IM 应用、智能体和模型，能同时跑多个任务。智能体会随着使用积累经验，越来越懂团队的业务。相比单个助手，它强调智能体团队协作，可以按顺序、并行、迭代或辩论式配合，也能接入 Claude Code、Codex 等外部智能体，并带有项目上下文和权限控制。官方还提供了市场，可以找到现成的智能体、MCP 服务器和技能，MCP 是一种让 AI 连接外部工具和数据的通用协议。

上手方式有两种：直接使用 LobeHub Cloud，或按文档自托管部署。建议先往团队聊天里加一个智能体试用，需要时再增加。使用前要准备好团队常用的聊天工具和想接入的模型，并留意项目仍在活跃开发中，遇到问题可以反馈。

面对 PDF、扫描件、Word、PPT、Excel 等复杂文件，大模型往往读不进去，表格、公式和页码位置容易丢失。GitHub 项目 opendatalab/MinerU 就是为这个场景做的文档解析工具：它把这些格式统一转成 Markdown 或 JSON，并保留表格、公式和页码块定位，方便后续检索和引用。

实际使用时，MinerU 提供 flash、basic、standard、advanced 四档解析，按速度和质量取舍，PDF 和图片四档都能用，Office、EPUB、HTML、CSV 等格式走本地原生解析。小模型可选 ONNX 或 Torch，视觉模型可接 llama.cpp、vLLM、LMDeploy。输出支持 Markdown、JSON 等九种渲染格式，还带本地文档库，能按页或块继续读取，并给出稳定的页码和块定位。

和通用 PDF 解析库相比，MinerU 覆盖的格式更多，输出结构统一，定位信息稳定，适合长文档和 Agent 工作流。它提供 Python SDK、API、WebUI 和命令行，也支持在 Agent 里安装 mineru 技能，让助手在需要读文档时优先调用。

上手前可以先在浏览器在线试用，其中部分在线环境只开放 flash 和 basic 两档。本地安装需要 Python 3.11 到 3.14，装好 Python 包后用命令行解析文档即可；文档默认不会自动上传到官方服务，远程解析需要显式配置。

大语言模型能写代码、答问题，但很多人用起来总觉得效果忽好忽坏。GitHub 上的 Prompt-Engineering-Guide 项目就是为解决这个问题而生的，它由 Elvis Saravia 等人维护，收集了提示词工程、上下文工程、RAG（检索增强生成，即先查资料再让模型作答）和 AI Agent 的指南、论文、课程与代码笔记本，帮开发者摸清大模型能做什么、不能做什么，从而写出更稳定有效的提示词。

这份资料按主题层层展开。入门部分讲提示词的基本元素和设计技巧，进阶部分覆盖零样本、少样本、思维链（让模型一步步写出推理过程）、自一致性、提示链、思维树、RAG、ReAct 等具体方法，还延伸到函数调用、生成数据、生成代码等应用场景，并单列了模型介绍、风险与误用、论文、工具、笔记本和数据集。与零散搜来的技巧帖不同，它把每种技术放在统一框架下讲清原理和适用场合，除网页版外还配有一小时视频讲座、代码笔记本和幻灯片。

上手方式很直接：直接访问 promptingguide.ai 在线阅读，无需安装任何东西。若想本地运行，比如核对新翻译是否正确，需要先装 Node 18 以上版本和 pnpm 包管理器，再安装依赖并启动开发服务，在本地地址浏览。项目采用 MIT 许可证，发现缺漏可以提 PR 或 issue 反馈，也欢迎参与多语言翻译。

Cline 是一个开源的 AI 编程助手，能读懂你的项目结构、理清文件之间的关联，然后跨文件做协调修改。它一边改代码一边盯着 linter 和编译报错，像缺导入、类型不匹配、语法错误这类问题会顺手修掉。它还能直接在你的终端里执行命令并实时查看输出，装包、跑构建、跑测试、部署都可以。它可以在 VS Code、JetBrains、终端和桌面端使用，改完的每一处都能逐条审核。

它把工作分成 Plan 和 Act 两种模式。Plan 模式里，Cline 先摸清代码库、问清需求、给出方案；你确认对齐后切到 Act 模式执行。每次改文件和跑命令都需要你批准，也可以打开自动批准让它自己跑。改动以 diff 形式呈现，可以修改或回退，所有变更都有检查点记录，方便撤销。它不绑定单一模型，Claude、GPT、Gemini、OpenRouter 以及本地 Ollama、LM Studio 都能接，还能通过插件和 MCP 服务器扩展能力。

对普通开发者来说，上手方式比较直接：在 VS Code 或 JetBrains 里装扩展，或者在终端全局安装 CLI 后直接对话。使用前需要准备好你要操作的项目目录，并选定一个可用的模型服务，本地模型也行。如果希望它遵守团队的编码规范或部署流程，可以在项目里放 .clinerules 文件写明规则，CLI、VS Code 扩展和 JetBrains 插件都会自动读取。

MetaGPT 是一个多智能体框架，旨在解决复杂任务难以靠单个大模型一次完成的问题。它把一句话需求作为输入，输出用户故事、竞品分析、需求、数据结构、API 和文档等内容，甚至能生成代码仓库。其核心思路是 Code = SOP(Team)，即把标准流程落实到由大模型组成的团队上，让多个 AI 角色分工协作。

内部设有产品经理、架构师、项目经理和工程师等角色，按软件公司的流程和精心编排的 SOP 协作。相比单模型直接生成，它更强调角色分工和流程化，从而推进复杂任务。例如，输入“Create a 2048 game”，它会在工作区创建仓库，并产出相关文档和代码。

使用前需确保系统安装 Python 3.9 到 3.11，并安装 node 和 pnpm。通过 pip 安装 MetaGPT 后，运行 metagpt --init-config 初始化配置，在生成的配置文件中填入模型 API Key，即可在命令行使用。也可以作为库调用，或使用 Data Interpreter 进行数据分析等任务。

把 PDF、Word、PPT 这类文档喂给大模型，往往要先自己处理格式，表格错位、阅读顺序混乱是常见麻烦。Docling 就是针对这个问题做的开源工具，由 IBM Research Zurich 的 AI for knowledge 团队发起，现由 LF AI & Data 基金会托管。它把多种格式的文档解析成统一的结构化表示，再导出为 Markdown 或 JSON，省去手工清洗的环节。

它的解析范围不止常见办公文档，还包括 HTML、EPUB、图片、音频、邮件、日历、LaTeX 等，对 PDF 能识别版面布局、阅读顺序、表格结构、代码和公式。解析结果统一成 DoclingDocument 这一内部格式，可导出 Markdown、HTML、JSON 等，并直接接入 LangChain、LlamaIndex、Crew AI、Haystack 等框架。扫描件可用 OCR 识别，也能调用 GraniteDocling 等视觉语言模型，还提供 MCP 服务器和 API 服务，方便接进智能体或独立部署。

和把文档直接丢给模型的做法相比，Docling 先把版面信息整理成结构，模型拿到的是带层次的文本而非一堆乱序字符。它支持本地运行，敏感数据和离线环境也能用。上手方式是先 pip 安装 docling，需要 Python 3.10 及以上，在 macOS、Linux、Windows 的 x86_64 和 arm64 环境都能跑。之后命令行执行 docling 加文档路径或网址即可生成 Markdown，也可以在 Python 里用 DocumentConverter 转换并调用 export_to_markdown 取结果。

Mem0（读作 mem-zero）是一个给 AI 助手和智能体用的记忆层，要解决的是 AI 记不住人的问题。它保存用户偏好、会话记录和智能体状态，让客服机器人、AI 助手这类应用能持续了解同一个人，而不是每次对话都从零开始。项目由 mem0ai 团队维护，定位是夹在应用和大模型之间的一层记忆服务。

它的工作方式分两步：调用大模型从对话里提取值得记住的信息并存储，检索时再把语义匹配、关键词匹配和实体匹配的结果合并打分。语义匹配指按意思相近程度找记忆，关键词匹配按字面词命中，实体匹配则围绕人名、地点这类具体对象做关联。它还能按时间判断该用哪条记忆，区分过去和当前状态。官方称新算法在 LoCoMo 上得分 92.5，单次检索即可完成，不需要多轮循环。

和常见的把整段对话塞进上下文窗口的做法不同，Mem0 把记忆单独存起来，按需取用，因此能跨会话保持连贯。它记住用户、会话和智能体三层状态，并提供 Python 和 npm 的 SDK、自托管服务器和云端平台三种用法，还自带命令行工具，可以直接增删查记忆。

上手前需要准备一个可用的大模型，默认用 OpenAI 的 gpt-5-mini，嵌入模型默认是 text-embedding-3-small。装好 SDK 或命令行工具后，初始化就能添加和搜索记忆，比如用 mem0 add 存一条偏好，再用 mem0 search 查回来。只想试用可以装库，团队自建可以起自托管服务，不想运维则用云端平台。

Mintplex Labs 推出的 AnythingLLM 想解决一个很实际的问题：想用大模型（也就是 ChatGPT 背后那类语言模型）处理自己的文档，又不想把资料交给外部服务，也不想花几天时间搭环境。它把本地或云端模型、文档问答、AI 智能体（能自己调用工具完成多步任务的 AI）和多用户管理装进一个应用，默认在本地运行，装好就能用。项目由前端、服务端和文档收集器等部分组成，服务端负责管理向量数据库（把文档转成可检索的数字表示）并与模型交互。

实际用起来，你可以把 PDF、TXT、DOCX 等文件拖进界面，上传后直接对话，回答会附上引用来源，方便核对。模型方面既能接 OpenAI、Anthropic、Gemini、Ollama 等大量服务，也内置本地模型引擎，CPU 或 GPU 都能跑。它还支持按规则把对话自动路由到合适的模型、自动记忆重要信息、按 cron 定时执行任务，以及无代码搭建智能体，并兼容 MCP。相比同类聊天界面，它对大文档集做了优化，还提供多用户权限和可嵌入网站的聊天组件。

上手方式有两种：下载桌面版安装包，或按文档用 Docker 等方式自行部署。桌面版适合个人快速试用，Docker 部署则能启用多用户、白标等完整能力。使用前需要准备的是模型来源，选云端服务要备好相应 API 密钥，选本地运行则要确认机器有可用的 CPU 或 GPU 资源。

Cloudflare 开源了一个名为 security-audit 的技能，装上之后，编程助手就能对代码库做安全审计。它要解决的是让 AI 找漏洞时结果零散、真假难辨的问题：把审计拆成侦察、按覆盖清单找漏洞、候选验证、结构化输出、独立复核、生成报告六个阶段，让整个过程有章可循，而不是让助手随口报出几条可疑代码。

它的做法是让多个隔离的代理分工干活。负责找漏洞的代理和负责验证的代理不是同一个，验证者专门尝试推翻结论。结果分成已确认、待验证、已排除三类，写进 findings.json 并用 schema（数据结构模板）校验。多次运行会累积覆盖清单，继续补查之前没覆盖的地方，内置的多种攻击面狩猎提示词覆盖内存安全、LLM 提示注入、Web 协议、供应链、云部署等方向。

上手方式是用 Skills CLI 安装该技能，然后在代码库中让编程助手执行安全审计，比如直接说 security audit this codebase。使用前需要准备一个支持工具调用和并行子代理的编程助手模型，以及 Node.js 来运行两个零依赖校验脚本；如果要执行目标代码的构建和测试，还需要一个禁用外部网络、限制资源、只允许写入指定临时路径的操作系统级沙箱，否则相关线索只会停留在待验证状态。

GPT-SoVITS 是一个少样本语音转换和文本转语音的 WebUI 工具，由 RVC-Boss 维护。它要解决的是传统语音合成模型对录音数据要求过高的问题：过去往往需要大量录音才能训练出可用的模型，而 GPT-SoVITS 只需 5 秒语音样本就能做零样本合成，也就是不经过训练直接模仿这段声音说话；再用 1 分钟数据微调，音色相似度和真实感还能进一步提升。对想快速做音色克隆的开发者来说，这大幅降低了数据准备的门槛。

实际使用时，它把训练和推理流程收进一个 WebUI 界面。准备数据这一步，内置了人声伴奏分离、训练集自动切分、中文 ASR（自动语音识别，把录音转成文字）和文本标注等工具，新手不必自己拼一套脚本就能整理出训练集，再训练 GPT/SoVITS 模型。推理环节支持跨语言，可以用英语、日语、韩语、粤语和中文等与训练数据不同的语言合成语音，官方还给出了不同硬件上的推理速度参考。

上手方式比较直接。Windows 用户（需 win10 及以上）可以下载整合包，双击 go-webui.bat 启动；其他系统按文档用 conda 创建 Python 3.10 环境，再运行对应的安装脚本，之后启动 WebUI。使用前需要准备预训练模型并放到指定目录，中文合成还要额外下载 G2PW 模型，人声分离和中文 ASR 也各有对应模型；国内用户可走镜像下载或 AutoDL 云 Docker 在线体验。

调用大模型时，不同厂商的 SDK、认证方式和请求格式各不相同，开发者往往要为每家服务商写一套对接代码。开源项目 BerriAI/litellm 想解决的就是这个麻烦：它提供一个统一接口，让开发者用 OpenAI 的格式调用 100 多家大模型服务商，包括 OpenAI、Anthropic、Gemini、Bedrock、Azure 等，省去分别对接的重复工作。

它有两种用法。作为 Python SDK，装好后设置各家 API Key，用 completion 函数指定模型名就能调用，例如在模型名里写 openai/gpt-4o 或 anthropic/claude-sonnet-4-20250514，代码结构保持不变。也可以把它部署成代理服务器，也就是 AI 网关，用一条命令启动后，把 OpenAI 客户端的 base_url 指向本地端口，团队就能集中走同一个入口。

相比自己逐个对接各家接口，这个网关自带虚拟密钥、花费追踪、防护规则、负载均衡和管理面板，还能按提示词复杂度自动把请求路由到不同模型，并支持接入 MCP 工具和 A2A 智能体。它覆盖 chat、embeddings、images、audio 等多种端点，切换服务商时不必重写代码。

上手前需要准备好各家的 API Key，并安装 SDK 或 proxy 组件。如果只是个人在代码里调用，装好 SDK、配好环境变量即可；如果给团队用，则要启动网关服务并配置虚拟密钥。项目为开源，可自行部署，资料中未提及其他使用门槛。

CrewAI 是一个开源的 Python 框架，由 CrewAIInc 维护，用来搭建多智能体工作流。它要解决的是单个 AI 难以独立完成的复杂任务：让多个有角色、目标和专长的智能体像团队一样分工协作，同时开发者仍能掌握流程走向。框架提供高层抽象和底层 API，面向可投入生产的自动化场景。

它有两种用法。Crews 让智能体按角色自主协作、动态分派任务，适合需要灵活判断的环节；Flows 是事件驱动的流程控制，支持任务间的状态管理和条件分支，还能和普通 Python 代码结合。两者可以组合，在自主性和精确控制之间取平衡，这是它区别于一般智能体框架的地方。任务之间的状态管理保证前后一致，底层 API 则允许自定义提示和执行逻辑。

上手需要 Python 3.10 及以上版本。安装后按官方教程创建项目，会生成 agents、crew.jsonc、tools 等目录结构，在 agents 里定义每个智能体的角色、目标和背景，再写好任务描述，运行你的 Crew 即可。官方还提供面向 AI 编程助手的技能包，用一条命令安装后，编码助手就能按 CrewAI 的规范帮你搭建项目。

使用前要准备好模型接入配置，项目里的 .env 文件用来存放相关密钥。想深入了解可以看官方课程和文档，社区已有大量开发者通过课程学习。对想尝试多智能体协作的开发者来说，它把角色分工和流程控制放在同一套框架里，减少了自行拼装的工作量。

Fooocus 是一款离线运行、免费开源的 AI 绘图软件，由 lllyasviel 开发，基于 Stable Diffusion XL 架构。它要解决的问题很直接：多数绘图工具需要用户反复调参数、琢磨提示词写法，而 Fooocus 把这些环节简化掉，用户只需写一句“花园里的房子”，或者贴上千字长文，都能得到好看的图。软件装好后点几下鼠标就能出第一张图，最低只需 4GB 显存的 Nvidia 显卡。

它之所以能省去调参，是因为内置了一个基于 GPT-2 的离线提示词处理引擎，配合多种采样改进，短提示词也能出好效果。和常见做法不同，它把图像提示、局部重绘、扩图、换脸、放大等功能都做进了界面，并用自己的算法和模型提升效果。它还提供默认、动漫、写实三种启动预设，并支持 Civitai 上的 SDXL 模型，方便用户换用社区模型。

需要留意的是，项目目前处于只修 bug 的有限长期支持状态，没有迁移到 Flux 等新模型架构的计划，想用新模型可以转向 WebUI Forge 或 ComfyUI。另外网上存在不少同名假网站，官方来源只有这个 GitHub 仓库。

上手方式分两种：Windows 用户直接下载安装包，按提示装好即可；Linux 用户则克隆仓库、用 Anaconda 建好环境、安装依赖后运行启动脚本，模型可以手动放进 checkpoints 文件夹，也可以让启动器自动下载。使用前请确认显卡显存达到 4GB，并预留足够的硬盘空间。

Cherry Studio 是一个面向 Windows、macOS 和 Linux 的 AI 工作台，由 CherryHQ 团队开发。它要解决的是工具分散的问题：聊天用一个网页、知识库用另一个工具、画图再换一个平台，来回切换很麻烦。这个桌面应用把和多个大模型聊天、使用智能体、搭建知识库、生成图片以及处理日常任务集中到一个地方，省去在多个网页和工具之间跳转的工夫。

实际用起来，它既能接入 OpenAI、Anthropic、Gemini 等云服务，也能通过 Ollama 和 LM Studio 跑本地模型。智能体（可以理解为带固定指令和工具权限的助手）能拥有自己的指令、工作区、模型和工具权限，还能用 Skills 和 MCP 服务器扩展能力，MCP 是一种让模型调用外部工具的通用协议。对话里可以同时对比多个模型的回答，知识库则能基于本地文件、文件夹和网页构建，供对话和智能体检索使用。

上手方式不复杂：到官网下载对应系统的桌面客户端，安装后配置模型服务或 API 密钥即可使用。部分功能需要额外的 API 凭证、下载好的本地模型、附加依赖或系统权限，具体设置可以参考用户文档。对话历史和知识库默认保存在本机，也支持本地和 WebDAV 备份。

大模型是用公开数据训练出来的，它并不了解你手头的 PDF、内部文档和数据库。LlamaIndex 这个开源框架要解决的就是这件事：把自有数据接进来，整理成可检索的索引，让模型基于这些数据回答问题。它由 LlamaParse 背后的公司维护，定位是帮助开发者构建大模型应用的数据框架。

实际使用时，它先用数据连接器把 API、PDF、文档、SQL 等来源的数据读进来，再把数据组织成索引或图结构，最后提供检索和查询接口：你输入提示词，它返回检索到的上下文和增强后的输出。它同时照顾新手和进阶用户，高层 API 几行代码就能导入并查询数据，底层 API 则可以自定义连接器、索引、检索器、查询引擎和重排序模块，也能和 LangChain、Flask、Docker 等外部框架配合。

和把资料直接塞进提示词的做法相比，索引让检索更有针对性。框架提供 300 多个集成包，可以自选 LLM 和向量库，比如用 OpenAI，也可以换成 Ollama 本地模型配 HuggingFace 嵌入模型。仓库说明提到，公司当前重心已转向文档解析与抽取平台 LlamaParse，开源框架仍可继续使用。

上手时，新手装 llama-index 起步包即可，它包含核心和一批集成；想精简就装 llama-index-core，再按需添加集成包。使用前需要准备好数据目录，以及所选模型服务的密钥或本地模型环境。

Aider 是一个在终端里运行的 AI 结对编程工具，由 Aider-AI 团队开发。它要解决的是让大模型真正参与写代码这件事：你可以和模型一起从零开始新项目，也可以在已有代码库上继续开发。它兼容 Claude 3.7 Sonnet、DeepSeek R1 与 Chat V3、OpenAI o1、o3-mini 和 GPT-4o 等模型，也能连接几乎任何大模型，包括跑在自己电脑上的本地模型。

和直接把代码贴进聊天框不同，Aider 会为整个代码库生成一份地图，也就是一份让模型理解项目结构的索引，这样在较大的项目里它也能找到该改的地方。它支持 Python、JavaScript、Rust、Ruby、Go、C++、PHP、HTML、CSS 等上百种编程语言。每次改动它都会自动提交到 Git（版本管理工具），并配上合理的提交信息，你可以用熟悉的 Git 命令对比、管理和撤销 AI 的修改。

日常使用中，它还能接入你常用的 IDE 或编辑器，你在代码里加注释提出需求，Aider 就会动手改。图片和网页可以加入对话，作为截图或参考文档提供视觉上下文；你也可以直接用语音描述想要的功能、测试用例或 bug 修复。每次改动后它会自动做代码检查和测试，发现问题会尝试修复。如果只想用网页版聊天界面，它也能简化代码上下文的复制粘贴。

上手方式比较直接：先安装 aider-install，进入你的代码目录，再用 aider 命令指定模型和 API Key 启动，例如 aider --model deepseek --api-key deepseek=你的密钥。使用前需要准备好所选模型的 API Key，代码目录最好已在 Git 管理之下，方便随时查看和回退改动。

想把大模型跑在本地，单台电脑的显存往往不够用。exo labs 维护的 exo 想解决的就是这个问题：它把同一网络下的多台设备自动连成一个 AI 集群，让模型可以跑在单台设备装不下的规模上，不必把模型搬到云端。设备越多，速度还能越快。

用起来并不复杂。每台设备运行 exo 后会自动发现彼此，不需要手动配置；它根据实时的设备连接情况、各设备的资源和链路之间的网络延迟与带宽，自动决定模型怎么拆分，并支持张量并行，也就是把模型切分到多台设备上分担推理。它用 MLX 作为推理后端，兼容 OpenAI、Claude、Ollama 等常见 API，还能从 HuggingFace 加载自定义模型。借助 Thunderbolt 5 上的 RDMA（一种让设备间直接读写内存、降低延迟的传输方式），设备之间的通信延迟可以明显下降。每台设备都提供 API 和一个仪表盘，可以在里面管理集群、和模型对话。

上手方面，Mac 用户可以下载 macOS 应用，或用 Homebrew 安装，也可以在 macOS 或 Linux 上从源码运行。应用需要 Apple 芯片和 macOS Sequoia 15.1 或更高版本，Thunderbolt 上的 RDMA 则需要 macOS Tahoe 26.2 或更高版本。首次启动要允许本地网络访问，否则设备之间无法互相发现；用 Thunderbolt 线连接多台 Mac 时，应用会提示设置网络，这一步需要管理员密码。加入新设备时，把它放到同一网络、运行相同版本的 exo，几秒内就会出现在仪表盘里。

LangChain 团队推出的 LangGraph 是一个低层编排框架，用来构建、管理和部署长时间运行、有状态的智能体。所谓有状态，是指智能体能记住此前做过什么、进行到哪一步，而不是每次对话都从零开始。它要解决的是复杂工作流跑不稳的问题：任务一长、步骤一多，中途出错或需要人确认时，普通写法很难接续，而 LangGraph 把执行过程组织成可编排的流程，并提供持久执行等底层能力。

持久执行是它最实用的能力之一，智能体失败后能从中断处自动恢复，不必从头重跑。人工介入让开发者可以在执行中的任意时刻查看并修改智能体状态，相当于给自动流程留了人工把关的口子。记忆分为两层：短期工作记忆服务于当前推理，长期记忆则跨会话保留。调试时可借助 LangSmith 追踪执行路径和状态变化。它偏底层，可单独使用，也能与 LangChain 生态配合，官方还提供了更高层的 Deep Agents 包供快速搭建。

上手方式比较直接，用 pip 安装 langgraph 后，参照官方文档和快速入门即可开始构建。使用前需要想清楚自己的流程有哪些步骤、状态里要保存哪些信息，以及哪些环节需要人来看一眼。如果只是想做简单的对话应用，可以先看更高层封装；当工作流需要长时间运行、跨会话记忆或中途恢复时，再考虑用它打底。

LangGraph 由 LangChain Inc 开发，设计上参考了 Pregel 和 Apache Beam，公开接口受 NetworkX 启发，也有对应的 JS/TS 版本 LangGraph.js。对想深入控制智能体行为的开发者来说，它提供的是可查看、可修改的流程骨架，而不是把细节全部藏起来的高层封装。

ChatTTS 是 2noise 团队开源的文本转语音模型，专门为对话场景设计，比如给 LLM 助手配音。文本转语音（TTS）就是把文字读成声音的技术，而 ChatTTS 的特别之处在于它不追求播音腔，而是让合成语音听起来像日常聊天，支持中英文，能合成自然、有表现力的语音。开源版本是一个用中英文音频数据训练出来的 4 万小时预训练模型。

它面向对话做了优化，支持多个说话人，方便搭建交互式对话。模型能预测并控制笑声、停顿、语气词这类细粒度韵律特征，韵律指说话的节奏和语调起伏，官方称其表现超过多数开源 TTS 模型。使用时可以在文本里插入特殊标记，比如用 oral、laugh、break 控制口语化程度、笑声和停顿，也能在词级别插入换行或笑声标记，还能从高斯分布中采样一个说话人音色并保存下来，之后复现同一音色。

上手方式比较直接：克隆仓库并安装依赖后，运行 WebUI 脚本就能在网页里试听，或者用命令行脚本传入文本，合成结果会保存为 mp3 文件。也可以通过 pip 安装 ChatTTS 包，在 Python 代码里加载模型并调用推理接口。需要留意的是，代码采用 AGPLv3+ 许可，模型采用 CC BY-NC 4.0 许可，仅供学术研究，不能用于商业或非法用途。

读英文论文时最耗神的往往不是理解内容，而是逐段对照原文和译文。GitHub 上的 PDFMathTranslate 项目就是冲着这个麻烦来的：它把整篇英文 PDF 论文翻成中文，同时保留公式、图表、目录和批注的原有排版，读者不必再对着原文一段段手动比对。该工作由 Ouyang Rongxin 等人完成，已被 EMNLP 2025 系统演示环节收录。

它的做法是先识别 PDF 的版面结构，再按区域把文字送去翻译，最后把译文放回原来的位置，所以排版不会乱。翻译服务可以选 Google、DeepL、Ollama、OpenAI 等，语言也支持多种。和普通整篇替换文字的翻译方式相比，它更在意公式和图表这些非文字内容不被改动。近期还加入了实验性的 OCR（光学字符识别，即从图片里认出文字），能处理纯图片扫描页，并会把识别出的文字重新组织成段落再翻译。

使用方式比较灵活：可以直接用在线演示，也可以本地安装后用命令行或图形界面翻译 PDF，还提供 Docker 容器化部署，另有 Zotero 插件可在文献管理软件里调用。本地安装需要 Python 3.11 及以上，Windows 用户也可下载打包好的压缩包，解压后双击运行。如果加载 AI 模型时遇到网络问题，可以设置环境变量 HF_ENDPOINT 指向镜像站。

Khoj 是一个开源的“个人 AI 应用”，目标是把网页和你自己的文档变成一个能对话的知识库。它支持图片、PDF、Markdown、org-mode、Word 和 Notion 等文件类型，你可以直接向它提问，让它从互联网或这些资料里找答案。项目由 khoj-ai 团队维护，既能私有化运行，也能直接使用官方云服务，从个人电脑一直扩展到企业级场景。

和普通聊天工具不同，Khoj 可以接入本地或在线的大模型，比如 llama3、qwen、gemma、mistral、gpt、claude、gemini、deepseek，用户能按需选择。它还允许创建带自定义知识、人设、模型和工具的智能体，把重复性的调研交给它自动完成，并通过语义搜索（按意思而不是关键词匹配）快速定位相关文档。使用入口覆盖浏览器、Obsidian、Emacs、桌面端、手机和 WhatsApp。

上手方式比较直接：不想折腾的人打开 app.khoj.dev 就能用，无需安装；想私有部署的开发者则按官方文档自托管，把模型和文档留在自己的环境里。使用前需要准备好要接入的文档来源，并确定用本地还是在线模型，之后就能在常用客户端里开始对话和检索。

项目本身开源，社区参与是它持续迭代的基础，开发者可以提交功能、改进文档或报告问题，普通用户也能从现成云服务起步，再逐步过渡到自托管。

Fish Audio 团队开源的 Fish Speech 是一个文本转语音工具，目标是把文字合成为自然、带情绪的语音。它支持多说话人、声音克隆和用自然语言指令控制情绪，适合需要批量生成配音、制作多角色对话或做跨语言配音的开发者。技术上它用大语言模型来做语音合成，模型类型会从 checkpoint 的 config.json 自动识别，省去手动指定。

实际使用时，一段 10 到 30 秒的参考音频就能克隆音色；在文本里插入 [whisper]、[angry] 这类标签，可以控制情绪和语调；同一段文本内用说话人 ID 区分多个角色，不必逐个生成再拼接。新一代 Drama 3 还支持多轮导演式修改，直接说“更温柔一点”就能基于上一版重新生成，也能像改文字一样替换单个词，比如把 Wednesday 换成 Thursday，前后音色和过渡保持自然。上一代 S2-Pro 参数更小、推理更快，可在消费级 GPU 上部署，两者共用同一套命令行和 API 服务。

上手前需要按官方安装文档配置环境并下载权重，然后通过命令行、API 服务或 WebUI 推理。对效率有要求的用户，官方推荐使用 SGLang-Omni，vLLM Omni 服务也有对应的说明文档。需要注意的是，代码库和模型权重采用 FISH AUDIO COMMUNITY LICENSE，S2-Pro 权重仍遵循 Fish Audio Research License，使用前应阅读许可条款并遵守当地法律。

开源大模型层出不穷，但普通学生和开发者想在自己电脑上跑起来，往往卡在环境配置、部署和调用这些技术门槛上。Datawhale 社区维护的 self-llm 项目就是一套面向国内初学者、基于 Linux 平台的中文教程，把环境配置、本地部署、应用调用和微调串成完整的学习路径，让没有太多经验的人也能把开源模型真正用起来。

教程按学习顺序组织：先配好 Linux 环境，再学模型部署使用，最后进入微调。部署部分讲命令行调用、在线 Demo 部署和 LangChain 框架集成；微调部分覆盖分布式全量微调、LoRA、ptuning 等方法。与网上零散的资料不同，它按模型逐个给出完整教程，目前已支持 50 多个主流大语言模型，每个模型都配有部署、微调和使用的完整步骤。

平台适配是这套教程的一个特点。除了常见的英伟达显卡环境，它还设有 AMD GPU、昇腾 NPU、摩尔线程 MUSA 等专区，分别讲解 ROCm 环境配置、vLLM 和 Ollama 等推理工具的部署方式，以及 LoRA 微调流程。对使用国产硬件或非英伟达平台的开发者来说，这类按平台整理的步骤能省去不少自己摸索的时间。

上手时建议按教程顺序推进，先看环境配置，再学部署使用，最后碰微调，因为前两步是基础，微调属于进阶。初学者可以从 Qwen1.5、InternLM2、MiniCPM 等模型入手，挑一个跟着做完整流程。使用前需要准备一台 Linux 机器和对应的显卡或加速卡环境，遇到问题可以在仓库提 issue 或提交 PR 参与共建。

FastGPT 是一个基于大语言模型的 AI Agent 构建平台，由 labring 团队开源。它要解决的是搭建复杂问答系统时配置繁琐的问题：数据处理、模型调用、RAG 检索这些环节原本需要开发者自己拼装，现在被平台打包成开箱即用的能力，省去大量准备工作，让开发者能直接开发和部署应用。

它最有用的地方是 Flow 可视化工作流编排。RAG 指检索增强生成，即先从自己的资料里检索相关内容，再交给模型作答，让回答有据可依。在 FastGPT 里，数据处理、RAG 检索和模型调用被串成一条流程，用拖拽的方式组合，不必写代码从零拼接各环节，复杂问答场景也能按需搭出来。相比自己逐个对接组件，这种编排方式把流程关系摆在画布上，调整起来更直观。

上手方式比较直接：用 Docker 快速启动，在终端输入命令后按引导完成配置即可拉取配置。使用前需要准备好 Docker 环境，并想清楚要接入的模型和要处理的资料。项目遵循 FastGPT Open Source License，允许作为后台服务直接商用，但不允许提供 SaaS 服务，商用需留意版权信息保留等条款。

对想快速验证问答应用的开发者和爱好者来说，FastGPT 把常见环节收进一个平台，用可视化流程代替大量配置，适合作为搭建 AI 问答系统的起点。

Qwen Code 是 Qwen 团队开源的终端 AI 编程助手，用来帮开发者读代码、改代码、跑命令，完成日常开发任务。它把记忆、技能、子代理和 MCP（一种让 AI 调用外部工具和数据的标准接口）都做成了开箱即用的能力，装好就能干活，不用先花时间做一堆配置。框架和背后的 Qwen 模型都开源，不会把人锁死在某一家厂商上。

用起来很直接：在项目目录里运行 qwen 启动，会话里执行 /auth 登录订阅账号，或者配置 API key，然后用自然语言让它干活，比如让它解释仓库结构、指出从哪里入手。它支持 OpenAI、Anthropic、Gemini、Qwen 等多种协议，也能接 Ollama、vLLM 跑的本地模型，还能在运行时切换。除了终端，它还有 IDE 插件、桌面应用、网页界面和 SDK，并能接入 Telegram、钉钉、微信、飞书等聊天工具。

和常见做法不同的是，它把子代理、代理团队和动态工作流做进了默认体验，自动记忆和自动技能也不用额外配置。它还能以守护进程方式运行，让浏览器、编辑器和自动化脚本共享同一个会话，不必各起一个进程。对写脚本的人，可以用 qwen -p 做无头调用，或用 TypeScript、Python、Java 的 SDK 集成。

上手前需要准备的东西不多：Linux 或 macOS 可以用安装脚本，Windows 有对应的 PowerShell 脚本，也可以用 npm（需要 Node.js 22 以上）或 Homebrew 安装，装完重启终端让环境变量生效。然后在项目目录运行 qwen，按提示登录或配置 API key 即可。如果要把守护进程开放给其他机器访问，记得设置 QWEN_SERVER_TOKEN 并启用鉴权。

阿里云通义千问团队推出的 Qwen3 是一个大语言模型系列，面向需要在本地或大规模部署模型的开发者，提供推理、数学、代码生成、多语言对话和工具调用等能力。它同时包含稠密模型和混合专家（MoE，一种让不同子网络分工处理输入、以较少计算量撑起大模型的结构）模型，参数规模从 0.6B 到 235B-A22B 不等，开发者可以按自己的算力和场景挑选合适的一档。

Qwen3 最实用的设计是思考模式与非思考模式之间的切换。遇到复杂逻辑推理、数学和编程任务时，可以打开思考模式，让模型多想几步；日常对话则用非思考模式，响应更高效。系列支持 100 多种语言和方言，长上下文可扩展到 100 万 token（token 是模型处理文本的基本单位，100 万 token 大致相当于很长的文档或代码库），在智能体任务上也能与外部工具配合。

后续的 Qwen3-2507 更新把 Instruct 和 Thinking 两个变体分开发布，覆盖 235B-A22B、30B-A3B 和 4B 三种规模。Instruct 版本在指令遵循、逻辑推理、文本理解、数学、科学、编程和工具使用上有明显提升，多语言的长尾知识覆盖更广，主观和开放式任务上更贴合用户偏好；Thinking 版本则继续加强推理的深度和质量，长上下文理解增强到 256K token，并可扩展到 100 万 token。

上手方式比较直接：在 Hugging Face 或 ModelScope 上搜索以 Qwen3- 开头的模型，按官方文档用 Transformers 加载即可，需要 transformers 4.51.0 及以上版本。文档还覆盖了用 llama.cpp、Ollama、LM Studio 在本地 CPU 和 GPU 上运行，用 SGLang、vLLM、TGI 做大规模部署，以及 GPTQ、AWQ 量化和 SFT 后训练等内容。使用前先确认自己的显存和算力能撑起所选参数规模，再按场景决定用思考还是非思考模式。

做 SEO 审计通常要花不少时间，要么自己逐项排查，要么花钱买审计软件。GitHub 上的开源项目 AgriciDaniel/claude-seo 想省掉这一步：它是一款给 Claude Code 用的免费 SEO 插件，把网址交给它，10 到 15 分钟就能跑完一次完整审计，最后给出一份按重要性排好的修改清单。Claude Code 是 Anthropic 推出的命令行编程工具，装上插件后就能在对话里直接调用。

审计覆盖的范围接近一位 SEO 顾问的日常工作：可抓取性、索引、站点地图、robots.txt、重定向、页面速度和 Core Web Vitals（谷歌衡量网页加载与交互体验的一组指标），也会看内容质量、结构化数据、本地与电商 SEO，以及页面被 AI 搜索引用的可能性。整个插件由 26 个子技能和 19 个专门代理组成，审计时最多 17 个代理同时处理同一个网站，每条建议都会说明为什么重要、改完怎么确认有效。

和手工审计或购买审计软件相比，它的特点是全部在你自己的机器上运行，数据不离开本地，每次检查用的是同一套清单，结果以 Markdown、PDF 和 JSON 文件交给你，方便留存和对比。

上手方式是在 Claude Code 里安装该插件，输入 /seo 查看全部命令，再用 /seo audit 加网址开始审计。使用前需要准备好 Claude Code 环境，插件本身免费，费用随你的 Claude Code 套餐走。

Black Forest Labs 在 GitHub 上维护的 flux 仓库，提供运行 FLUX 系列开放权重模型的最小推理代码。所谓开放权重，是指模型参数可以下载到本地，而不必通过云端接口调用。这个仓库要解决的是拿到权重之后怎么真正跑起来的问题，覆盖文生图、图像编辑、局部重绘、结构条件控制和图像变体等用途，并列出每个模型对应的 HuggingFace 仓库和许可证。

模型按用途分成多个版本，比如 schnell、dev、Fill、Canny、Depth、Redux、Kontext、Krea，其中部分还提供 LoRA 版本。LoRA 可以理解为一种体积更小的附加权重，加载后让基础模型获得特定能力。Fill 负责在图像里补全或擦除内容，Canny 和 Depth 分别用边缘和深度信息约束生成结构，Redux 生成图像变体，Kontext 用于图像编辑。仓库只保留最小推理代码，不堆叠额外封装，方便开发者按需改动。

上手方式是先克隆仓库，用 Python 3.10 建虚拟环境，再执行 pip 安装依赖，然后从 HuggingFace 获取对应模型权重运行。仓库也给出了带 TensorRT 支持的安装路径，需要先装 enroot，再导入 NVIDIA 的 PyTorch 镜像并在其中安装。使用前要留意许可证差异，schnell 采用 apache-2.0，其余多数模型采用 FLUX.1-dev 非商业许可，商用需另行授权；官方 API 还能访问包括非开放权重在内的全部模型。

GitHub 上的 karpathy/nn-zero-to-hero 是一套神经网络入门课程，由一系列视频和配套代码组成，目标是把“从零手写”这条路走通：从最基础的反向传播（训练神经网络时计算各参数该怎么调整的方法）开始，一步步写出神经网络、语言模型，直到自己实现 GPT 和分词器。它面向有基本 Python 知识、对高中微积分还有点印象的人，解决的是很多人学深度学习时只会调用现成库、却说不清内部在发生什么的问题。

课程按顺序推进，全程边讲边写代码、边训练。先手写反向传播和 micrograd，再做字符级语言模型 makemore，逐步加入多层感知机、BatchNorm（一种让深层网络训练更稳定的归一化手段）、手动反向传播和 WaveNet 式结构，最后从零实现 GPT 与 GPT 分词器。视频里写好的代码会整理成 Jupyter notebook 放在仓库的 lectures 目录，每讲还配有练习题。和常见先讲理论再调库的做法不同，这里遇到问题就调试，让你看清每一步在做什么。

分词器这一讲单独拆开讲，是因为它负责在字符串和 token（文本片段）之间转换，有自己独立的训练集和 Byte Pair Encoding 算法，训练后提供 encode 与 decode 两个基本函数。课程会指出大语言模型不少古怪行为其实能追溯到分词环节。

上手方式很直接：按顺序看视频，在本地或 Colab 里跟着敲代码，做完每讲练习再进入下一讲。使用前需要准备基本的 Python 环境，能运行 Jupyter notebook，并对微积分有大致印象；后面的 GPT 部分建议先看完前面的 makemore 内容。

Wan2.2 是一套大规模视频生成模型，由 Wan 团队开发，主要用来把文字或图片变成视频。它提供文生视频、图生视频、语音驱动视频和角色动画等多种能力，模型权重和推理代码都已公开，普通开发者也能下载来用。对想尝试 AI 视频的人来说，它解决的是“有想法但缺工具”的问题。

它的做法有几处不同。模型采用混合专家（MoE）架构，把去噪过程按时间步拆给不同的专家模型，相当于让多位专才分工干活，在计算成本不变的情况下扩大模型容量。训练数据比上一代多了 65.6% 的图片和 83.2% 的视频，并加入带光照、构图等标签的美学数据，风格控制更细。其中 5B 模型支持 720P、24fps，能在 4090 这类消费级显卡上运行，是目前较快的 720P 视频模型之一。

实际使用时，你可以输入一段文字生成视频，也可以给一张图让它动起来，还能用语音驱动人物说话，或用角色动画复刻动作和表情。它已集成到 ComfyUI 和 Diffusers，习惯这两种工具的人可以直接调用。

上手方式不复杂：克隆仓库、安装依赖（需 torch 2.4.0 以上），再按官方指南下载模型权重即可推理。想用语音合成功能，还要额外安装 requirements_s2v.txt 里的依赖。使用前最好准备一块显存足够的显卡，5B 模型对消费级设备比较友好。

腾讯开源的 HunyuanVideo 是一个大规模视频生成基础模型，主要解决用文字生成视频的问题，也提供图生视频模型。它把 PyTorch 模型定义、预训练权重和推理采样代码全部公开，开发者可以自己部署来试。官方称其生成效果可与部分闭源模型相比，目标是缩小开源与闭源视频模型之间的差距。模型参数量超过 130 亿，是开源视频模型里规模较大的一个。

它先把视频压缩到时空潜空间，也就是一种更省算力的压缩表示，再用大语言模型编码文字提示作为条件，让生成模型从噪声出发生成潜表示，最后由 3D VAE 解码成视频。模型采用双流到单流的混合 Transformer 结构，文字编码器用的是多模态大语言模型。它还提供 FP8 量化权重以节省显存，支持多 GPU 并行推理加速，并已集成 Diffusers 和 ComfyUI，方便接入常见工作流。

上手时按 README 的依赖安装说明配置环境，下载预训练模型后运行推理代码，或启动 Gradio 服务在网页里试用。显存紧张可以选 FP8 权重，想加快速度可以用多 GPU 并行推理。图生视频需要另外下载对应的模型权重。

项目还衍生出 HunyuanVideo-I2V、HunyuanCustom、HunyuanVideo-Avatar 等版本，社区也贡献了 ComfyUI 封装、GGUF 量化和缓存加速等工具，普通开发者可以按自己的硬件条件挑选合适的方案。

JetBrains 推出的 ThinkRail 是一个围绕 pi 编程助手打造的 IDE，它要解决的是 AI 编程助手“记不住项目、容易弄乱代码”的老问题。它把每个任务放进独立的 git worktree 工作区——worktree 可以理解为同一个仓库下另开的一份带独立分支和目录的副本，多个助手因此能并行干活，而不会碰你的主检出。项目意图则保存在一组互相连接的 SPEC.md 规格文件里，助手通过专门的 spec_ 工具读取和维护，让上下文不只活在一次会话中。

实际用起来，它是一套可拆分的工作台：Monaco 编辑器标签页、带 git 变更标记的文件树、终端和文档都跟着当前工作区走。你可以在文件和 diff 上留评审意见，作为结构化上下文发给对话；每个工作区能同时开多个 pi 会话，各自选模型并显示 token 和费用，运行中可随时插话或排队后续指令。顶栏会显示当前分支相对 origin 和 PR 的状态，发布、推送、开 PR 都能一键完成，PR 打开后还能看到 CI 检查和评审结论。

和常见 AI 编辑器相比，ThinkRail 把规格、技能和工作流当作长期资产：你为其他编程助手保留的 Agent Skills 可以原地读取，内置工作流会引导项目搭建、设计讨论和提交 PR。它还支持接入 MCP 服务器（一种让助手调用外部工具的标准协议），以及自定义 OpenAI 兼容的模型服务，比如 Ollama、vLLM 或公司网关。登录可以用 JetBrains AI 或 pi 自带的认证，ThinkRail 本身没有账号体系。

上手前需要准备一个 git 仓库，以及已有的 pi 配置——ThinkRail 会读取 ~/.pi/agent。它提供桌面应用和 thinkrail 命令行两种形态，后者在浏览器里打开同一个应用，状态存放在 ~/.thinkrail 下。界面内置简体中文等语言，主题和字体也能在设置里更换，想加新语言只需往本地 locales 目录放一份翻译好的 en.json。