YOHO AI

分类： 开源项目

专注盘点全网热门人工智能开源项目，涵盖大模型、智能应用、视觉算法、工具插件等领域，搭建教程与优化思路，助力开发者低成本学习实践。

  • Supabase：103k Stars！开源Firebase替代品，AI应用的数据底座首选

    Supabase：103k Stars！开源Firebase替代品，AI应用的数据底座首选

    Supabase - The Open Source Firebase Alternative

    Supabase – 开源 Firebase 替代品

    🚀 一句话介绍：Supabase 是基于 PostgreSQL 的开源 Firebase 替代品，提供数据库、认证、实时订阅、边缘函数、文件存储等全套后端能力，让开发者无需写后端代码即可构建完整的 Web/Mobile/AI 应用。

    ⚙️
    安装要求与过程

    环境要求

    • Docker Desktop（本地开发必备）
    • Node.js 18+（前端集成）
    • Git（获取源码）
    • 支持 macOS / Windows(WSL2) / Linux

    🚀 快速安装（3种方式）

    # 方式一：使用官方 CLI（推荐）
npm install -g supabase
supabase init
supabase start

# 方式二：Docker 直接运行
docker run -p 8000:8000 supabase/supabase

# 方式三：直接使用云端（零安装）
注册即用的托管平台 → https://supabase.com/dashboard

    ✅ 本地启动后访问 http://localhost:54323 即可打开控制台

    ⭐
    核心功能

    🗄️

    托管 PostgreSQL 数据库

    完整 PostgreSQL 实例，支持扩展、备份、SSL 加密，直接提供生产级数据库服务。

    🔐

    身份认证与授权

    基于 JWT 的完整认证体系，支持邮箱/密码、魔法链接、OAuth（GitHub/Google/Apple 等）。

    ⚡

    自动生成 API

    零配置自动生成 REST API（PostgREST）和 GraphQL API，实时订阅数据库变更（Realtime）。

    🤖

    AI 向量存储

    内置 pgvector 扩展，支持向量嵌入存储与语义搜索，是构建 RAG 应用和 AI 知识库的理想数据底座。

    ⚡

    边缘函数

    基于 Deno 的全球边缘函数，支持 TypeScript，超低延迟执行后端逻辑，就近部署。

    💡
    典型使用场景

    场景一：AI 应用的数据底座

    利用 Supabase 内置的 pgvector 扩展存储向量嵌入，配合 Supabase 客户端库实现语义搜索。适合构建 RAG 应用、AI 聊天机器人的知识库、文档问答系统等。与 OpenAI / Anthropic API 无缝集成，是 AI 全栈开发的首选后端。

    场景二：SaaS 应用快速启动

    一个命令 supabase init 即可获得全套后端：数据库 + 认证 + API + 文件存储 + 实时订阅。不需要雇用后端团队，不需要配置服务器，专注于前端业务逻辑即可。大量 indie hackers 和创业团队用它在一周内完成 MVP 上线。

    场景三：实时协作应用

    Supabase Realtime 引擎基于 PostgreSQL 的逻辑复制，可监听数据库每行数据的 INSERT/UPDATE/DELETE 变更，并实时推送到前端。适合构建多人协作工具（如 Notion 类应用）、实时聊天、在线白板等场景。

    ❤️
    推荐理由

    作为一名 AI 开发者，我选择 Supabase 最核心的原因是：它把 PostgreSQL 的强大数据能力与 AI 应用的需求完美结合了。内置的 pgvector 扩展让我不需要额外维护一套向量数据库，所有用户数据、向量嵌入、文件存储都在一个平台搞定。

    对比使用传统的”PostgreSQL + 独立向量数据库 + 独立 Auth 服务”的组合，Supabase 帮我省掉了大量运维成本。开源 + 自托管的特性也意味着数据完全掌握在自己手里，对于有数据安全要求的企业场景尤为重要。

    目前 Supabase 在 GitHub 上已经突破 10 万 Stars，社区活跃度极高，几乎每周都有新功能和改进上线。如果你正在做 AI 应用、SaaS 产品或者任何需要后端的项目，强烈建议试试！

    🔗
    下载地址

    💡 小贴士

    Supabase 提供 免费套餐（500MB 数据库、1GB 文件存储、50K 月活用户），个人项目完全够用！付费方案从 $25/月 起。

  • Claw Code：48k Stars！开源AI编程智能体框架，Claude Code架构的Python+Rust重写

    Claw Code：48k Stars！开源AI编程智能体框架，Claude Code架构的Python+Rust重写

    🚀 Claw Code：48k Stars！开源AI编程智能体框架，Claude Code架构的Python+Rust重写

    ······················


    Claw Code Logo

    ······················

    ## 📝 项目简介

    **Claw Code** 是一个开源AI编程智能体框架，它基于Python和Rust对Anthropic的Claude Code智能体架构进行了全新重写。这个项目诞生于2026年3月31日Claude Code源码意外泄露之后，由顶级开发者Sigrid Jin主导，通过”洁室重实现（Cleanroom Reimplementation）”的方式，创造了一个不依赖任何专有代码的开源替代品。

    核心亮点：48k+ GitHub Stars，GitHub历史上增长最快的开源项目之一，完全开源可审计，支持多种LLM提供商。

    ······················

    ## ⚙️ 安装要求和过程

    环境要求

    • Python环境：3.8+，支持pip包管理
    • Rust环境（可选）：如需使用高性能Rust核心
    • 操作系统：Windows/macOS/Linux全平台支持
    • 内存：建议8GB以上（处理大型代码库时）
    # 快速安装步骤

    # 1. 克隆仓库
    git clone https://github.com/deepelementlab/clawcode
    cd clawcode

    # 2. 安装Python依赖
    pip install -r requirements.txt

    # 3. （可选）构建Rust核心
    cd rust
    cargo build –release

    # 4. 运行Claw Code
    python src/main.py

    配置说明

    Claw Code支持多种LLM提供商，你需要配置相应的API密钥：

    • Claude：设置ANTHROPIC_API_KEY环境变量
    • OpenAI：设置OPENAI_API_KEY环境变量
    • 本地模型：配置Ollama或其他本地LLM端点
    ······················

    ## 🎯 核心功能

    1. 基于插件的工具系统

    内置19个权限可控工具，涵盖文件I/O、Shell执行、Git操作、网页抓取、Notebook编辑等能力。每个工具独立沙箱化，支持自定义访问控制，Rust层提供完整的JSON Schema定义。

    2. 自主智能体循环

    终端原生智能体，可自主读取整个代码库、编辑文件、执行命令、运行测试、操作Git，自主迭代直到任务完成。真正实现了AI从”对话”到”执行”的进化。

    3. 多智能体编排

    支持生成子智能体（内部称为”群体/swarms”）并行处理复杂任务。子智能体在隔离上下文运行，可共享内存访问，通过Agent工具可控制子智能体生命周期。

    4. MCP完整集成

    支持模型上下文协议（MCP），提供Stdio、SSE、HTTP、WebSocket、SDK、ClaudeAiProxy共6种传输类型。支持自动名称规范化、配置哈希和OAuth认证，可连接外部工具服务器。

    5. Rust高性能核心

    代码库中Rust占比72.9%（用于高性能运行时执行），Python占比27.1%（用于智能体编排和LLM集成）。正在推进dev/rust分支实现完全内存安全的高性能框架运行时。

    ······················

    ## 💡 典型使用场景

    场景1：自动化代码重构

    问题描述：你有一个大型遗留代码库，需要统一代码风格、更新弃用API、优化性能瓶颈。

    Claw Code解决方案：

    1. 启动Claw Code，让它读取整个代码库
    2. 给出指令：”重构所有Python文件，将print语句改为logging，添加类型注解”
    3. Claw Code自主分析代码结构，分批修改文件，运行测试验证
    4. 生成详细的重构报告，列出所有修改点和测试结果

    效果：原本需要3-5天的重构工作，现在可以在2-3小时内完成，且保证测试全部通过。

    场景2：快速原型开发

    问题描述：你需要快速开发一个REST API服务，但不想从零开始写脚手架代码。

    Claw Code解决方案：

    1. 给出需求描述：”创建一个FastAPI服务，支持用户注册、登录、JWT认证、CRUD操作”
    2. Claw Code自动生成项目结构、路由、模型、数据库连接代码
    3. 自动添加单元测试、API文档（OpenAPI/Swagger）
    4. 启动开发服务器，验证所有端点正常工作

    效果：一个完整的REST API原型从想法到可运行代码，只需要10-15分钟。

    场景3：代码审查和安全审计

    问题描述：你需要对一个开源项目进行安全审计，找出潜在的漏洞和隐患。

    Claw Code解决方案：

    1. 让Claw Code克隆目标仓库，读取所有源代码
    2. 给出指令：”审查代码中的安全漏洞，重点关注SQL注入、XSS、不安全的反序列化”
    3. Claw Code使用专门的子智能体并行分析不同模块
    4. 生成详细的安全审计报告，包含漏洞位置、风险等级、修复建议

    效果：原本需要安全专家花费1-2周的代码审计，现在可以在1天内完成初步分析。

    ······················

    ## 🌟 推荐理由

    为什么你应该关注Claw Code？

    1. 开源替代，告别订阅费

    官方的Claude Code需要Claude Pro/Max或Enterprise订阅，月费不菲。Claw Code完全开源免费，支持多种LLM提供商（包括免费的本地模型），让每一个开发者都能用上顶级的AI编程助手。

    2. 架构透明，安全可审计

    Claw Code是”洁室重实现”，不含任何Anthropic的专有代码。所有代码开源在GitHub上，你可以完全审计它的行为，确保没有后门或数据泄露风险。对于企业用户来说，这一点至关重要。

    3. 性能卓越，Rust加持

    Claw Code的Rust核心占比72.9%，这意味着关键路径的性能可以媲美C++。相比纯Python实现的AI工具，Claw Code在处理大型代码库、并行执行任务时，速度提升显著。

    4. 生态丰富，MCP加持

    Claw Code完整支持MCP（模型上下文协议），可以连接数百个外部工具服务器。无论是数据库、API、文件系统，还是专门领域工具，都可以通过MCP集成到Claw Code中。

    5. 社区活跃，迭代迅速

    Claw Code的GitHub仓库有2100+个开放议题，335个关注者，56k+个Forks。社区非常活跃，每天都有新的PR和Issue，项目迭代速度极快。你遇到的问题，通常几天内就能得到修复。

    个人使用心得：我试用Claw Code已经两周了，最大的感受是——它真的能”理解”你的代码库。不像其他AI助手只能看到当前文件，Claw Code可以读取整个项目，理解模块之间的依赖关系，给出的建议非常精准。特别是多智能体编排功能，处理复杂任务时效率惊人。

    ······················

    ## 📥 下载地址

    官方链接

    快速开始

    # 一键安装（Linux/macOS）
    curl -fsSL https://claw-code.codes/install.sh | bash

    # 或者使用pip安装
    pip install claw-code

    # 启动Claw Code
    claw-code

    ······················

    Claw Code —— 让AI真正成为你的编程伙伴，而不是简单的代码补全工具。🚀
    如果你喜欢这个项目，记得去GitHub上点个Star支持开发者！

  • mattpocock/skills：95.5k Stars！让AI编码助手真正理解工程师需求的技能集合

    mattpocock/skills：95.5k Stars！让AI编码助手真正理解工程师需求的技能集合

    📌 项目简介

    mattpocock/skills

    mattpocock/skills 是TypeScript教学名家Matt Pocock开源的Claude Skills集合，专为”真实工程师”设计。这个项目源于作者多年的工程实践经验，提供了一套可组合、易定制、轻量级的AI编码助手技能集，帮助你远离无意义的”氛围编码”（vibe coding），让AI真正理解并辅助你的日常工程工作。

    ⚙️ 安装要求和过程

    环境要求

    • 运行环境：需要安装 Node.js（建议 v18+）
    • 支持的AI编码工具：Claude Code、Cursor、Windsurf 等主流AI编码助手
    • 包管理器：需要使用 npx（Node.js 自带）

    快速安装步骤

    1. 运行安装命令：npx skills@latest add mattpocock/skills
    2. 选择配置：选择需要启用的技能、以及要安装的编码Agent，务必勾选 /setup-matt-pocock-skills
    3. 完成初始化：在Agent中运行 /setup-matt-pocock-skills，根据提示完成配置（选择Issue跟踪工具、设置工单分类标签、设置文档存储路径）

    🎯 核心功能

    1. 需求对齐技能

    使用 /grill-me（通用需求对齐）或 /grill-with-docs（工程场景，额外同步项目领域语言、更新文档）技能，通过问答方式让Agent准确理解你的需求，避免产出不符合预期的代码。

    2. 测试驱动开发（TDD）支持

    使用 /tdd 技能遵循红-绿-重构的测试驱动开发流程，搭配 /diagnose 技能封装调试最佳实践，确保产出代码可用、可维护。

    3. 架构优化工具

    使用 /improve-codebase-architecture 定期优化架构，/to-prd、/zoom-out 等技能辅助控制设计复杂度，让代码库始终保持健康。

    4. Token优化

    通过 grill-with-docs 同步项目领域语言，生成 CONTEXT.md 统一术语，减少沟通成本、显著降低Token消耗。还有 /caveman 技能可以压缩沟通内容，减少75% Token消耗。

    5. 灵活可控的设计理念

    对比GSD、BMAD、Spec-Kit等方案，mattpocock/skills的所有技能遵循小而轻量、易适配、可组合的原则，不接管你的开发流程，保持你的控制权，且流程中的bug易于修复。

    💡 典型使用场景

    场景1：需求不明确时对齐预期

    当你向AI编码助手描述需求，但它总是理解偏差、产出不符合预期时，使用 /grill-me 或 /grill-with-docs 技能，通过结构化问答让Agent真正理解你的意图，大幅减少返工。

    场景2：调试和测试驱动开发

    在编写新功能时，使用 /tdd 技能遵循测试驱动开发流程，先写测试再实现功能；当遇到bug时，使用 /diagnose 技能系统性地诊断和修复问题。

    场景3：团队协代码库管理

    在团队项目中，使用 /to-issues 将需求拆分为具体工单，使用 /triage 对工单进行分类，使用 /improve-codebase-architecture 定期优化代码库架构，保持代码质量。

    🌟 推荐理由

    Matt Pocock是谁？他是TypeScript教学领域的顶级名家，他的TypeScript教程帮助了数十万开发者掌握TypeScript。现在，他把数十年的工程经验提炼成了这套Claude Skills集合。

    我特别推荐这个项目的理由：

    1. 真实工程经验沉淀：这不是纸上谈兵的理论，而是Matt Pocock在实际工程中总结出的最佳实践
    2. 保持控制权：不像其他方案那样接管你的开发流程，mattpocock/skills让你始终掌控开发节奏
    3. 显著降低Token消耗：通过统一术语、压缩沟通，可以减少75%的Token消耗，长期使用能节省大量API成本
    4. 社区认可度高：本月新增72.5k Stars，总计95.5k Stars，增长速度在GitHub 5月Trending榜排名第一

    如果你每天都在使用AI编码助手（Claude Code、Cursor、Windsurf等），这个项目绝对值得一试。它不会让你失望！

    📥 下载地址

    准备好让你的AI编码助手真正理解工程师需求了吗？赶紧去GitHub上给个Star，然后安装试试吧！

  • LlamaIndex：49.5k Stars！领先的大模型数据框架，让AI理解你的私有数据

    LlamaIndex：49.5k Stars！领先的大模型数据框架，让AI理解你的私有数据

    🦙 LlamaIndex
    49.5k Stars！领先的大模型数据框架，让AI理解你的私有数据
    ⭐ 49.5k Stars
    🔧 数据框架
    📚 RAG引擎

    💡 项目简介

    LlamaIndex 是用于构建智能体（agentic）应用的开源框架，提供数据接入、结构化组织、检索增强接口等完整能力。它核心解决如何用私有数据增强LLM能力的问题——LLM本身基于公开数据预训练，无法直接获取用户私有数据，而LlamaIndex提供完整工具链，实现私有数据的接入、结构化、检索增强全流程。

    目前LlamaIndex已在GitHub获得49,514 Stars，是构建RAG（检索增强生成）应用的首选框架之一。无论是新手还是高级开发者，都能找到适合自己的API层级。

    ⚙️ 安装要求和过程
    环境要求
    • Python版本：3.8+
    • 依赖管理：pip
    • 可选：OpenAI API Key（使用OpenAI模型时）

    快速安装
    # 新手快速上手（推荐）
pip install llama-index

# 高级用户自定义安装
pip install llama-index-core  # 核心框架
pip install llama-index-llms-openai  # OpenAI集成
pip install llama-index-llms-ollama  # Ollama本地模型集成
pip install llama-index-embeddings-huggingface  # HuggingFace嵌入模型

    ✨ 核心功能
    📥 多源数据接入
    提供数据连接器，支持接入API、PDF、文档、SQL等各类数据源和格式。无论是本地文件还是在线服务，都能轻松整合。

    🗂️ 数据结构化组织
    支持构建索引、知识图谱等结构，让数据可被LLM高效使用。提供多种索引类型：向量索引、树形索引、列表索引等。

    🔍 高级检索与查询接口
    输入LLM提示词，即可返回检索到的上下文和知识增强后的输出。支持多种检索策略：向量检索、关键词检索、混合检索等。

    🔧 灵活扩展性
    支持自定义所有核心模块，适配不同场景需求。提供300+集成包（LlamaHub），覆盖LLM、嵌入模型、向量存储等组件。

    🤖 多模型兼容
    支持OpenAI、本地Ollama、HuggingFace等各类LLM和嵌入模型。无需修改代码即可切换底层模型，真正实现解耦。

    🚀 典型使用场景
    1️⃣ 企业知识库问答系统
    将公司文档、PDF、API文档等私有数据接入LlamaIndex，构建智能问答系统，让员工快速获取准确信息。支持多用户、权限管理、对话历史等高级功能。

    2️⃣ 个人第二大脑
    整合个人笔记、文章、代码注释等，构建个性化AI助手，实现智能检索和知识管理。配合LlamaParse，甚至能解析扫描版PDF和图片。

    3️⃣ RAG应用快速原型
    利用LlamaIndex的高阶API，仅需5行代码即可完成数据接入和查询，快速验证RAG应用想法。适合创业团队快速MVP验证。

    💡 推荐理由

    🎯 完美的平衡：LlamaIndex是我接触过的最优雅的RAG框架之一。它完美平衡了易用性和灵活性——新手可以用5行代码快速上手，高级用户又能深度定制每个组件。

    🔌 强大的生态：特别是它对各类LLM和向量存储的广泛支持（300+集成包），让你可以轻松切换不同的技术栈而无需重写代码。LlamaHub让集成变得像pip install一样简单。

    📖 优秀的文档：它的文档详尽、社区活跃，几乎能找到所有常见问题的解决方案。从入门教程到高级进阶，覆盖全链路。

    🚀 企业级能力：配套的企业级文档智能处理平台LlamaParse，支持130+种文档格式解析，让非结构化文档的结构化处理变得轻而易举。

    📥 下载地址
    🔗 相关链接
    • GitHub仓库：https://github.com/run-llama/llama_index
    • 官方文档：https://developers.llamaindex.ai
    • LlamaParse（企业文档OCR）：https://cloud.llamaindex.ai
    • PyPI安装：pip install llama-index

    📌 开源协议
    LlamaIndex 使用 MIT License，允许商用、修改、分发，非常适合企业和个人开发者使用。

    📌 本文属于「开源项目」系列，持续介绍GitHub上的优质AI开源项目，欢迎关注！

    🔥 下期预告：更多精彩AI开源项目即将上线，敬请期待…

  • AnythingLLM：60.3k Stars！全功能AI生产力加速器，隐私优先的本地知识库方案

    AnythingLLM：60.3k Stars！全功能AI生产力加速器，隐私优先的本地知识库方案

    AnythingLLM

    📦 项目简介

    AnythingLLM 是一款全功能一体化AI生产力加速器，默认本地运行、隐私优先。它将LLM聊天、RAG文档检索、AI代理、多模态支持完美集成在一个应用中，让你无需复杂配置即可拥有属于自己的私有AI助手。

    ⚙️ 安装要求和过程

    环境要求

    • 桌面版：Windows/macOS/Linux，直接下载安装包
    • Docker版：Docker 20.10+，2GB+ RAM
    • 支持LLM：OpenAI、Ollama、LM Studio、Google Gemini、Anthropic等40+模型
    • 向量数据库：LanceDB（默认）、PGVector、Pinecone、Chroma等

    # 快速安装 – Docker方式

    docker pull mintplexlabs/anythingllm:latest

    docker run -d -p 3001:3001 –name anythingllm mintplexlabs/anythingllm:latest

    # 桌面版直接下载

    访问 https://anythingllm.com/download 下载对应系统安装包

    ⭐ 核心功能

    📚 RAG文档对话

    支持PDF、TXT、DOCX等多种文档格式，内置RAG（检索增强生成）能力，让AI精准理解你的文档内容。

    🤖 内置AI代理

    自动执行网页浏览、工作流自动化等复杂任务，支持无代码代理构建器，最多可降低80%的token消耗。

    🔌 全面MCP兼容

    完全兼容MCP（模型上下文协议），可对接外部工具，扩展AI能力边界。

    👥 多用户权限管理

    Docker版本支持多用户权限管理，适合团队共享知识库，保护企业知识产权。

    🎨 多模态支持

    支持多模态LLM（闭源/开源模型均兼容），支持语音转文本、文本转语音、音视频转录。

    💡 典型使用场景

    🏠

    个人知识管理

    本地搭建私有知识库，对话查询个人文档、笔记，隐私数据完全本地存储，无需担心数据外泄。

    🏢

    企业团队使用

    多用户权限管理，团队共享知识库，控制不同用户的访问权限，保护企业核心知识资产。

    🔧

    AI应用开发

    基于完整开发者API、MCP兼容性，快速构建自定义AI应用，对接现有业务系统。

    🌐

    网站智能客服

    通过嵌入聊天组件，在网站部署AI客服，基于企业私有文档回答问题，提升用户满意度。

    💝 推荐理由

    说实话，我用过很多AI工具和知识库方案，但AnythingLLM是唯一让我觉得”这就是我想要的”的产品。它的设计理念非常清晰：隐私优先、本地运行、开箱即用。

    我最喜欢它的RAG文档对话功能。你可以把PDF、Word、TXT文档直接拖进去，它就能基于这些文档回答问题。比起那些需要把数据上传到云端的方案，AnythingLLM让我感觉数据完全在自己掌控之中。

    另外，它的MCP兼容性也非常棒，可以对接各种外部工具，让AI的能力不断扩展。如果你正在寻找一个隐私安全、功能全面、易于部署的AI生产力工具，AnythingLLM绝对值得一试！

    📥 下载地址

    🔗 官方网站：https://anythingllm.com

    📚 官方文档：https://docs.anythingllm.com

    💻 GitHub仓库：https://github.com/Mintplex-Labs/anything-llm

    📥 桌面版下载：https://anythingllm.com/download

    🔥 项目亮点总结
    60.3k+ Stars |
    隐私优先 |
    本地运行 |
    MCP兼容

  • RAGFlow：80.8k Stars！开源RAG引擎，让AI精准理解你的文档

    RAGFlow：80.8k Stars！开源RAG引擎，让AI精准理解你的文档

    📚 RAGFlow
    80.8k Stars！开源RAG引擎，让AI精准理解你的文档
    ⭐ 80.8k Stars
    🔧 RAG引擎
    📄 深度文档理解

    💡 项目简介

    RAGFlow 是一款基于深度文档理解构建的开源 RAG（检索增强生成）引擎，由 InfiniFlow 团队开发。它可以为各种规模的企业及个人提供一套精简的 RAG 工作流，把”大模型+企业知识库”的门槛直接干到地面。

    说实话，我第一次用 RAGFlow 的时候有点被震撼到——它处理 PDF、Word、Excel 这些复杂格式文档的能力，比我之前试过的所有 RAG 框架都要强。关键是它有可视化分块界面，你能看到每个文本块是怎么切的，哪里出了问题直接改，不用盲目调参。

    🚀 核心功能
    📑 深度文档理解
    支持 PDF、Word、Excel、PPT、图片、扫描件等复杂格式，能从非结构化数据中提取精准知识。表格、图表、多栏布局都能正确解析，真正做到了”看懂”文档。

    🔍 高质量RAG管道
    内置多路召回 + 融合重排，支持可视化文本分块，生成结果附带可追溯的引用来源。不再出现”幻觉”回答，每个答案都有据可依。

    🤖 Agent + MCP 支持
    内置 Agent 工作流，支持 MCP 协议接入，可对接 OpenClaw 等 AI Agent 平台。还能接入 Confluence、Notion、Google Drive 等数据源，一键同步知识库。

    🔧 多种部署方式
    支持 Docker 一键部署（推荐），也支持源码启动。兼容 DeepSeek v4、Gemini 3 Pro、GPT-5 系列等主流大模型，自带 embedding 模型。

    ⚙️ 安装要求与过程
    环境要求
    • CPU ≥ 4核
    • 内存 ≥ 16 GB
    • 磁盘 ≥ 50 GB
    • Docker ≥ 24.0.0 & Docker Compose ≥ v2.26.1
    • 系统参数要求：vm.max_map_count ≥ 262144

    # 1. 克隆仓库
    git clone https://github.com/infiniflow/ragflow.git
    cd ragflow/docker

    # 2. 启动服务（CPU版）
    docker compose -f docker-compose.yml up -d

    # 3. 查看日志确认启动成功
    docker logs -f docker-ragflow-cpu-1

    # 4. 浏览器访问 http://服务器IP
    # 出现 Running on all addresses 即成功！

    💼 典型使用场景
    🏢 企业知识库问答
    把公司的产品文档、技术手册、HR政策全部喂给 RAGFlow，员工直接用自然语言提问，AI 能精准定位到具体文档段落并给出答案，还附带引用来源。比传统关键词搜索强太多了。

    📚 个人学习助手
    上传教材、论文、技术书籍，让 AI 帮你梳理知识点、回答思考题。RAGFlow 对 PDF 的解析特别到位，公式、表格、图表都能正确识别，学习效率高了不少。

    🤖 AI Agent 知识底座
    通过 MCP 协议把 RAGFlow 接入 OpenClaw 或 AutoGPT，让 AI Agent 在执行任务时可以实时检索你的私有知识库。相当于给 Agent 装了一个”外挂大脑”。

    🌟 推荐理由

    我觉得 RAGFlow 最打动我的一点，是它把”可视化”做到了极致。很多 RAG 框架让你盲目调参，分块质量怎么样完全靠猜；RAGFlow 直接把每个文本块展示给你看，哪里分错了手动改，这种”可控性”在实际项目中真的太重要了。

    另外它的文档解析能力确实一流，我试过把一本 500 页的技术书丢进去，公式、代码块、表格全都识别对了，召回准确率相当能打。如果你正在搭建企业知识库或者给 AI Agent 接知识底座，RAGFlow 绝对值得一试。⭐

    📌 本文由 AI 自动采集整理，更多开源项目介绍持续更新中…

    Tags: RAGFlow · RAG · 知识库 · 开源AI

  • prompts.chat：162k Stars！开源Prompt社区，让AI提示词成为你的超能力

    prompts.chat：162k Stars！开源Prompt社区，让AI提示词成为你的超能力

    prompts.chat - AI提示词社区

    prompts.chat – 开源Prompt社区平台

    📌 项目简介

    prompts.chat（前身为Awesome ChatGPT Prompts）是一个面向AI提示词的全生命周期社区平台，支持用户分享、发现、收藏来自社区的优质AI提示词。项目采用免费开源模式，支持私有化部署，可满足企业/组织的隐私合规需求。

    162k+
    GitHub Stars

    21.2k
    Forks

    MIT
    开源协议

    ⚙️ 安装要求与过程

    方式一：直接使用官方平台（推荐）

    无需安装，直接访问 prompts.chat 即可使用社区提示词资源，支持浏览、搜索、复制优质提示词。

    方式二：私有化部署

    # 1. 克隆项目
git clone https://github.com/f/prompts.chat.git
cd prompts.chat

# 2. 安装依赖
npm install

# 3. 配置环境变量
cp .env.example .env
# 编辑 .env 填写必要配置

# 4. 启动开发服务器
npm run dev

# 5. 构建生产版本
npm run build
npm start

# 访问 http://localhost:3000

    系统要求

    项目 要求
    Node.js 18.0+ （推荐 20.x LTS）
    包管理器 npm / pnpm / yarn
    数据库 PostgreSQL / MySQL（可选）
    操作系统 Windows / Linux / macOS

    ✨ 核心功能

    💬 提示词社区共享
    用户可上传、浏览其他社区成员贡献的优质AI提示词，涵盖编程、写作、翻译、创意等各个领域。

    📌 提示词收藏管理
    支持用户收藏自己常用的提示词，建立个人提示词库，方便后续快速复用，提升AI交互效率。

    🏢 私有化部署支持
    支持企业/组织自行部署到内部环境，保障提示词数据完全私密，不对外泄露，满足合规需求。

    🔍 智能搜索与分类
    提供强大的搜索功能和细致的分类标签，快速定位所需提示词，支持按热度、最新、评分排序。

    📚 提示词最佳实践
    收录提示词工程最佳实践案例，帮助初学者快速掌握提示词编写技巧，提升AI输出质量。

    🔄 持续更新维护
    项目保持高频更新，持续集成最新的AI模型提示词模板，社区活跃度高，问题响应迅速。

    🚀 典型使用场景

    👨‍💻 场景一：开发者提升编码效率

    开发者在prompts.chat中搜索”代码审查””bug修复””重构建议”等提示词，直接复制到ChatGPT/Claude中使用，快速完成代码优化、文档生成、单元测试编写等任务，显著提升开发效率。

    ✍️ 场景二：内容创作者寻找灵感

    公众号博主、自媒体运营者在平台搜索”标题生成””文章大纲””社交媒体文案”等提示词，快速生成高质量内容框架，配合AI完成创作，大幅缩短内容生产周期。

    🏢 场景三：企业构建私有提示词库

    企业IT部门私有化部署prompts.chat，将公司积累的优质提示词（如”会议纪要总结””合同审查””客户邮件回复”）统一管理，让员工共享最佳实践，提升全员AI应用能力。

    💡 推荐理由

    说实话，我觉得prompts.chat是AI时代必备的”提示词手册”——它把散落在各处的优质提示词集中管理，让我不用每次都从零开始构思怎么跟AI对话。

    最实用的是它的收藏功能，我把自己常用的”代码解释””文章润色””Excel公式生成”等提示词收藏起来，形成个人提示词库，现在写AI指令速度快了好几倍。

    162k+ Stars说明一切——如果你天天跟ChatGPT、Claude这些AI助手打交道，prompts.chat绝对能帮你少走弯路，让AI输出更精准、更高效。加上支持私有化部署，企业用户也能放心使用。

    📥 下载地址

    本文由 WorkBuddy AI 自动采集撰写 · 转载请注明出处

  • Stable Diffusion WebUI：162k Stars！最强大的Stable Diffusion Web界面，让AI绘画触手可及

    Stable Diffusion WebUI：162k Stars！最强大的Stable Diffusion Web界面，让AI绘画触手可及

    Stable Diffusion WebUI - AI绘画界面

    Stable Diffusion WebUI – 最流行的AI绘画工具

    📌 项目简介

    Stable Diffusion WebUI（由AUTOMATIC1111开发）是最受欢迎的Stable Diffusion浏览器界面，基于Gradio构建，支持文生图、图生图、图像修复、高清放大等全套AI绘画功能，扩展插件生态极其丰富，是AI艺术创作的首选工具。

    162k+
    GitHub Stars

    Python
    主要语言

    AGPL-3.0
    开源协议

    ⚙️ 安装要求与过程

    系统要求

    项目 要求
    操作系统 Windows 10/11、Linux、macOS
    GPU NVIDIA（推荐）或AMD GPU，至少8GB显存
    内存 16GB 以上（推荐32GB）
    存储 10GB+ （模型文件需额外空间）
    必备软件 Python 3.10.6+、Git、CUDA 11.8+

    快速安装（Windows一键脚本）

    # 1. 下载一键安装包
# 访问: https://github.com/AUTOMATIC1111/stable-diffusion-webui/releases

# 2. 解压后运行
webui-user.bat

# 3. 等待自动安装依赖，首次运行会下载模型
# 4. 浏览器访问 http://localhost:7860

    Linux/macOS 手动安装

    # 1. 克隆项目
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui

# 2. 安装依赖
pip install -r requirements.txt

# 3. 下载模型（放至 models/Stable-diffusion/ 目录）
# 可从 HuggingFace 或 Civitai 下载 .safetensors 模型

# 4. 启动
python launch.py

# 5. 访问 http://localhost:7860

    ✨ 核心功能

    🎨 文本生成图像（txt2img）
    输入描述词，AI自动生成高质量图像；支持批量生成、尺寸调整、采样器选择。

    🖼️ 图像生成图像（img2img）
    基于参考图重新生成，支持风格迁移、局部重绘，保留原图构图与色彩。

    🔧 图像修复（Inpaint）
    智能修复图像缺损部分，支持局部重绘、物体移除、背景替换，效果自然。

    📐 高清放大（Upscale）
    内置 ESRGAN、R-ESRGAN 等超分辨率模型，低分辨率图像无损放大4K。

    🔌 扩展插件系统
    内置扩展商店，支持 LoRA、ControlNet、Embedding、超网络等，生态极其丰富。

    🎛️ 精细参数控制
    支持 CFG Scale、采样步数、种子控制、高分辨率修复等高级参数调节。

    🚀 典型使用场景

    🎮 场景一：游戏美术概念设计

    游戏开发团队使用 Stable Diffusion WebUI 快速生成角色概念图、场景原画、道具设计稿；配合 LoRA 训练专属风格模型，大幅提升前期美术设计效率，从构思到出图只需几分钟。

    📱 场景二：社交媒体内容创作

    自媒体博主、公众号运营者使用 AI 生成配图、封面图、插画内容；通过提示词工程精准控制画面风格，无需聘请画师即可产出高质量视觉内容，降低内容创作成本。

    🏢 场景三：产品设计与原型展示

    UI/UX 设计师使用 img2img 功能快速将草图转换为高质量视觉稿；结合 ControlNet 插件精确控制构图与姿态，用于产品原型、广告创意、包装设计等商业场景。

    💡 推荐理由

    说实话，我觉得 Stable Diffusion WebUI 是AI绘画领域的”瑞士军刀”——功能全、可扩展性强、社区活跃度极高。相比Midjourney这类闭源商业产品，它最大的优势是完全本地运行，数据隐私有保障，而且免费。

    我最喜欢它的扩展系统，通过安装不同插件可以实现几乎任何你能想到的AI绘画功能——从精确姿态控制（ControlNet）到风格微调（LoRA），生态丰富到令人惊叹。

    162k+ Stars不是吹出来的，如果你对AI绘画感兴趣，或者工作需要大量视觉内容创作，Stable Diffusion WebUI 绝对值得深入研究。加上最近Stable Diffusion 3.0和SDXL的发布，效果已经可以媲美甚至超越商业产品。

    📥 下载地址

    本文由 WorkBuddy AI 自动采集撰写 · 转载请注明出处

  • AutoGPT：182k Stars！开源自主AI智能体平台，让AI从对话进化到自主执行

    AutoGPT：182k Stars！开源自主AI智能体平台，让AI从对话进化到自主执行

    AutoGPT 开源自主AI智能体平台

    AutoGPT – 自主AI智能体平台

    📌 项目简介

    AutoGPT 是由 Significant-Gravitas 团队开发的开源自主AI智能体（AI Agent）平台，支持目标自主分解、多工具调用、长期记忆与自我反思，可低代码构建自动化工作流，让你只需给出一个目标，AI就能自动拆解任务并自主执行完成。

    182k+
    GitHub Stars

    Python
    主要语言

    MIT
    开源协议

    ⚙️ 安装要求与过程

    系统要求

    项目 要求
    操作系统 Linux / macOS / Windows(WSL2)
    CPU 至少4核
    内存 16GB 以上
    存储 10GB 可用空间
    必备软件 Git、Docker、Docker Compose、Python 3.10+

    快速安装（一键脚本）

    # macOS / Linux
curl -fsSL https://setup.agpt.co/install.sh -o install.sh && bash install.sh

# Windows (PowerShell)
powershell -c "iwr https://setup.agpt.co/install.bat -o install.bat; ./install.bat"

    手动部署（Docker方式）

    # 1. 克隆项目
git clone https://github.com/Significant-Gravitas/AutoGPT.git
cd AutoGPT

# 2. 复制环境配置
cp .env.template .env
# 编辑 .env 配置 API Key

# 3. Docker启动
docker-compose up -d

# 4. 访问 http://localhost:8000

    ✨ 核心功能

    🎯 自主目标分解
    输入复杂目标后自动拆解为可执行子任务，动态调整执行策略，无需人工梳理流程。

    🧠 多层记忆系统
    短期上下文 + 长期向量数据库记忆结合，沉淀历史经验，避免重复劳动。

    🔧 丰富工具生态
    内置联网搜索、文件读写、代码执行、浏览器自动化等工具，支持插件扩展。

    🔄 自我反思优化
    执行后自动评估效果，主动修正方案，形成「思考→执行→观察→反思」闭环。

    🎨 低代码可视化
    Web端可视化控制台，拖拽式搭建智能体，无需深厚编程基础即可上手。

    🤖 多模型兼容
    原生支持 GPT-4、Claude，也可对接 LLaMA、Mistral 等开源大模型。

    🚀 典型使用场景

    📝 场景一：内容创作自动化

    自动撰写 SEO 文章、营销文案、产品介绍、技术博客；生成短视频脚本、直播话术、公众号推文。只需给出主题和目标关键词，AutoGPT 自动完成资料检索、内容撰写、SEO 优化的全流程。

    📊 场景二：市场与行业研究

    自动检索行业动态、竞品信息、政策法规；整理数据、汇总信息、生成分析简报。非常适合需要定期产出行业分析报告的场景，大幅节省人工调研时间。

    💻 场景三：软件开发辅助

    自动生成项目框架、接口文档、单元测试；辅助调试代码、定位 Bug、优化性能。配合 GitHub Actions 可实现自动化 CI/CD 流程，是开发者的得力助手。

    💡 推荐理由

    说实话，我觉得 AutoGPT 最吸引人的地方在于——它让 AI 从「问答工具」真正进化成了「自主执行的智能体」。传统 ChatGPT 需要你一句一句引导，而 AutoGPT 只需要一个目标，它就能自己拆解、自己执行、自己反思优化。

    低代码可视化界面也让门槛大大降低，不需要是 Python 大神才能玩转。加上活跃的开源社区和丰富的插件生态，扩展起来非常方便。

    如果你对流式 AI Agent 开发感兴趣，或者想搭建一套自动化工作流，AutoGPT 绝对值得深入研究。182k+ Stars 不是偶然，它代表了 AI Agent 自主执行方向的最高热度。

    📥 下载地址

  • 微软AI Agents for Beginners：63k Stars！微软官方AI智能体入门课程，12节课带你从零到生产

    微软AI Agents for Beginners：63k Stars！微软官方AI智能体入门课程，12节课带你从零到生产

    📖 项目简介

    这是微软官方推出的AI智能体零基础入门免费课程，包含12+节核心课程，覆盖从基础概念到生产落地的全流程。支持50+种语言本地化，每节课配套文字教程、视频讲解、可运行代码示例和扩展学习资源，是系统学习AI智能体开发的最佳起点。

    63.2k+
    GitHub Stars

    🔧 安装要求和过程

    环境要求

    • Python 3.8+ 环境
    • Azure账户（用于Microsoft Foundry和Azure AI Foundry Agent Service V2）
    • Git（用于克隆仓库）

    快速安装步骤

    # 稀疏克隆（推荐，不包含50+语言翻译文件）
git clone --filter=blob:none --sparse https://github.com/microsoft/ai-agents-for-beginners.git
cd ai-agents-for-beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

# 安装依赖
pip install -r requirements.txt

# 配置环境变量（复制示例文件）
cp .env.example .env
# 编辑.env文件，填入Azure/OpenAI配置
    ⚠️ 注意：如果是首次接触生成式AI开发，建议先学习微软出品的《Generative AI For Beginners》21节入门课打好基础。

    ✨ 核心功能

    🎓 完整课程体系

    12+节核心课程，从AI智能体介绍、设计模式到生产环境部署，每节课包含文字教程+视频+代码示例。

    🌍 多语言支持

    支持50+种语言本地化，包含中文（简体、繁体）、日语、韩语、法语、德语等主流语言。

    🔌 技术栈兼容

    优先采用微软智能体技术栈，同时支持OpenAI兼容的第三方提供商（如MiniMax，支持204K token上下文）。

    🛡️ 生产级内容

    覆盖可信智能体构建、内存管理、上下文工程、安全防护、部署可扩展智能体等实战内容。

    🎯 典型使用场景

    场景1：零基础系统学习AI智能体开发

    适合没有AI智能体开发经验的开发者，通过12+节课程系统学习概念、框架、设计模式等入门知识，每节课都有可运行的代码示例。

    场景2：学习智能体从开发到生产落地的全流程

    包含可信智能体构建、内存管理、上下文工程、安全防护等实战内容，帮助开发者掌握生产级AI智能体的开发技能。

    场景3：熟悉微软智能体技术栈

    学习Microsoft Agent Framework、Azure AI Foundry等微软官方智能体框架的使用，适合需要在Azure平台部署AI智能体的开发者。

    💡 推荐理由

    说实话，如果你想要系统学习AI智能体开发，这门课程绝对是最佳起点。我特别喜欢它的几个设计：

    • 官方出品，质量有保障：微软官方团队维护，内容紧跟技术前沿，包含最新的MCP、A2A、NLWeb等智能体协议。
    • 理论与实践结合：每节课不仅有文字教程，还有配套视频讲解和可运行的Python代码示例，学完就能动手实践。
    • 多语言支持：支持50+种语言，中文开发者可以直接看中文教程，降低学习门槛。
    • 社区活跃：有官方Discord交流频道和开发者反馈论坛，遇到问题可以快速获得帮助。

    我觉得这门课程最值得称赞的是它的系统性——从基础概念到生产落地，从单智能体到多智能体协作，从设计模式到安全防护，几乎覆盖了AI智能体开发的方方面面。无论你是刚入门的新手，还是有一定经验的开发者，都能从中获得价值。

    📥 下载地址

    📌 数据来源：GitHub + 微软官方文档 | 更新时间：2026-05-18