YOHO AI

标签： 开发者工具

  • ZeroClaw：32K Stars 的 Rust 全自主 AI 个人助手基础设施，单二进制部署、30+通道接入、还能直控硬件

    ZeroClaw：32K Stars 的 Rust 全自主 AI 个人助手基础设施，单二进制部署、30+通道接入、还能直控硬件

    ZeroClaw 官方 Banner

    项目简介

    ZeroClaw 是一个用 Rust 编写的全自主 AI 个人助手基础设施——一个单二进制的智能体运行时（Agent Runtime），口号非常硬核：「You own the agent. You own the data. You own the machine it runs on.」（智能体是你的，数据是你的，跑它的机器也是你的）。它对接 Anthropic、OpenAI、Ollama 等约 20 家模型提供商，通过 Discord、Telegram、Matrix、邮件、语音、Webhook 等 30+ 消息通道与你交互，并能调用 Shell、浏览器、HTTP、硬件（树莓派 GPIO！）和自定义 MCP 服务器执行任务。整个系统跑在你自己的机器上，用你自己的密钥。项目 2026 年 2 月创建，短短 5 个多月即斩获 32,400+ Stars，由 Harvard、MIT、Sundai Club 社区孵化，是当前 GitHub 上最火的 Rust AI 基础设施项目之一。

    安装要求和过程

    环境要求

    • 操作系统：Linux / macOS / Windows / FreeBSD / NixOS / Docker 全平台支持，也可跑在树莓派等硬件上
    • Rust：仅源码构建需要（Rust Edition 2024）；官方提供预编译二进制，无需工具链
    • 磁盘占用：minimal 内核精简版仅约 6.6 MB
    • 模型来源：任一 LLM 提供商 API Key，或本地 Ollama（完全离线可用）

    快速安装

    # 一键安装（自动选择预编译二进制，失败则回退源码构建）
curl -fsSL https://raw.githubusercontent.com/zeroclaw-labs/zeroclaw/master/install.sh | bash

# 或克隆后安装（可交互选择功能特性）
git clone https://github.com/zeroclaw-labs/zeroclaw.git
cd zeroclaw && ./install.sh

# 常用安装选项
./install.sh --preset minimal     # 仅内核精简版（约6.6MB）
./install.sh --prebuilt           # 强制使用预编译二进制
./install.sh --source --features agent-runtime,channel-discord  # 自定义特性

    快速上手

    zeroclaw quickstart        # 一站式引导：选择模型提供商、生成可用配置
zeroclaw agent -a <alias>  # 与指定智能体交互式对话
zeroclaw service install   # 注册为 systemd/launchctl/Windows 服务
zeroclaw service start     # 后台常驻运行

    所有配置集中在一个 TOML 文件（~/.zeroclaw/config.toml），provider、channel、agent、安全策略全部声明式定义。

    核心功能

    • 多通道统一接入：Discord、Telegram、Matrix、邮件、语音、Webhook、CLI 等 30+ 通道适配器，所有入站消息汇入同一个智能体循环——一个 Agent 在所有平台回复你
    • 模型提供商无关：可插拔接入 Anthropic、OpenAI、本地 Ollama 及任意 OpenAI 兼容端点，支持故障回退链与智能路由，某家 API 抽风时自动切换保持在线
    • 安全优先架构：默认「supervised」监督模式——中风险操作需审批、高风险直接拦截；工作区边界、命令策略、OS 级沙箱（Landlock / Bubblewrap / Seatbelt / Docker）、每次工具调用都有密码学签名回执（Tool Receipts）；开发机可切 YOLO 模式放飞
    • 硬件直控能力：通过 Peripheral trait 支持树莓派、STM32、Arduino、ESP32 的 GPIO / I2C / SPI / USB——让 AI 助手直接操控物理世界
    • SOP 事件引擎 + 网关面板：MQTT / Webhook / Cron / 外设事件触发标准作业流程（含审批门与断点续跑）；HTTP/WebSocket 网关自带 Web 仪表盘，可视化管理聊天、记忆、配置与定时任务；还支持 ACP 协议接入 IDE

    典型使用场景

    1. 7×24 小时私人 AI 管家：注册为系统服务常驻后台，你在 Telegram 上问它日程、在邮件里让它整理附件、在 Discord 里让它跑脚本——同一个大脑，全渠道待命，数据永不出你的服务器
    2. 智能家居 / 硬件自动化中枢：跑在树莓派上直控 GPIO 传感器与继电器，配合 SOP 引擎实现「温度超标→MQTT 触发→AI 判断→自动开风扇并通知你」这类带审批门的物理世界自动化
    3. 企业内网离线 AI 运维助手：搭配本地 Ollama 全离线部署，利用命令策略与 OS 级沙箱严格限权，工具回执提供完整审计链——在合规敏感环境中安全落地 AI 自动化

    推荐理由

    试用下来最大的感受是「克制而完整」。市面上的个人 AI 助手项目大多是 Python 全家桶+一堆依赖，而 ZeroClaw 是一个 Rust 单二进制，最小 6.6MB，装完即跑，树莓派上也轻松常驻。它的安全设计诚意十足：默认监督模式、OS 级沙箱、每个工具调用带密码学回执，这在同类项目中相当罕见——大多数 Agent 框架是「先跑起来再说」，它是「先关进笼子再放权」。多通道统一智能体循环的设计也很优雅：不是每个平台一个 Bot，而是一个智能体在所有渠道等你。如果你想要一个真正属于自己、数据不外流、还能摸到硬件的 AI 助手，这可能是目前最工程化的开源答案。MIT/Apache-2.0 双许可，商用无忧。注意：官方特别提醒有仿冒仓库/域名，认准唯一官方仓库 zeroclaw-labs/zeroclaw。

    下载地址

    项目数据：32,420+ Stars | 4,847 Forks | Rust | MIT OR Apache-2.0 双许可 | 创建于 2026 年 2 月

  • Oh My OpenAgent：66.7K Stars 的 AI 编程智能体”满配套件”，一个词启动 11 个智能体并行开发

    Oh My OpenAgent：66.7K Stars 的 AI 编程智能体”满配套件”，一个词启动 11 个智能体并行开发

    Oh My OpenAgent

    项目简介

    Oh My OpenAgent（OmO）是韩国开发者 code-yeongyu 开源的「AI 编程智能体增强套件（Agent Harness）」——一句话概括：给 OpenCode / Codex CLI 装上一个”满配的 AI 开发团队”，装完只需输入 ultrawork 一个词，11 个专职智能体、54+ 生命周期钩子、5 个内置 MCP 就会自动协同，把复杂任务一路干到完成为止。项目目前已收获 66,693 Stars，甚至因为太火导致 Anthropic 封锁了 OpenCode 的 Claude 订阅接入——作者干脆转身拥抱多模型路由，主打”不要选赢家，要编排所有模型”。

    Oh My OpenAgent Team Mode 运行界面

    ▲ Team Mode 实战：Kimi K3 + GPT-5.6 Sol 多智能体并行工作

    安装要求和过程

    环境要求

    • Ultimate 版（OpenCode）：需安装 Bun 与 OpenCode
    • Light 版（Codex CLI）：仅需 Node.js/npm 环境，无需 Bun
    • 至少一个模型订阅或 API（推荐组合：ChatGPT $20 / Kimi Code $19 / GLM Coding $10，低成本即可跑满血）

    快速安装

    # Ultimate 版（OpenCode 完整体：11 智能体 + Team Mode + 全部功能）
bunx oh-my-openagent install

# Light 版（Codex CLI 插件：rules/LSP/ultrawork/ulw-loop 等便携组件）
npx lazycodex-ai install
# 非交互推荐模式
npx lazycodex-ai install --no-tui --codex-autonomous

# 两个都装
bunx oh-my-openagent install --platform=both

    官方还推荐一种更省心的方式——直接把安装指南 URL 扔给任意 AI 助手（Claude Code、Cursor 等），让 AI 替你完成订阅检测、11 个智能体的模型匹配和各家 Provider 认证：

    Install and configure oh-my-openagent by following the instructions here:
https://raw.githubusercontent.com/code-yeongyu/oh-my-openagent/refs/heads/dev/docs/guide/installation.md

    注意：npm 包与 CLI 命令仍叫 oh-my-opencode（更名过渡期双发布），但不要用 npx omo——那是另一个同名无关包。

    核心功能

    • ultrawork 一词流：输入 ultrawork（或 ulw）即激活全部智能体，配合 Todo Enforcer”偷懒检测”，智能体一旦闲置就被系统拽回来继续干，任务不完成不停手。
    • 纪律型智能体团队：主指挥 Sisyphus（Opus 5 / Kimi K3）负责规划与并行派活；深度工人 Hephaestus（GPT-5.6 Sol）端到端自主执行；规划师 Prometheus 以”面试模式”先访谈再出方案，另有 Oracle（架构/调试）、Librarian（文档检索）、Explore（快速扫码）各司其职。
    • Team Mode 多智能体系统（v4.0）：Lead + 最多 8 个并行成员，tmux 实时可视化，衍生 hyperplan（5 个”敌对评审”轮番拆解你的方案）与 security-research（3 个漏洞猎手 + 2 个 PoC 工程师并行审计）两大技能。
    • Hashline 哈希锚定编辑：每行代码带内容哈希标签（11#VK|），编辑前校验、文件变了就拒绝写入，从根源消灭”stale line”错误——Grok Code Fast 1 的编辑成功率靠它从 6.7% 飙到 68.3%。
    • 按类别自动路由模型：子任务只声明类别（visual-engineering / deep / quick / ultrabrain），框架自动匹配最擅长的模型；同时完全兼容 Claude Code 的 hooks、commands、skills、MCP 与插件生态。

    典型使用场景

    • 大规模代码翻新：有用户用它一天清掉 8000 条 ESLint 警告；还有人一夜之间把 4.5 万行的 Tauri 桌面应用改造成 SaaS 网页应用——睡前下指令，醒来验收。
    • 多订阅省钱组合拳：不必为单一厂商付 $200/月，用 Kimi K3 + GPT-5.6 Sol 的平价组合即可超越原版 Claude Code 体验，模型按任务类别自动分工。
    • 方案评审与安全审计：写代码前先跑 hyperplan 让 5 个”杠精”智能体从不同角度挑刺；上线前用 security-research 让 5 个智能体并行做渗透式代码审计，按真实可利用性定级。

    推荐理由

    这是我见过”工程密度”最高的 Agent Harness 项目。它不是又一个 prompt 合集，而是把作者烧掉 2.4 万美元 token 试错换来的经验固化成了产品：Hashline 编辑工具解决的是所有编码智能体最痛的”改错行”问题；类别路由让”选模型”这件事彻底消失；Todo Enforcer 治好了 AI”干一半就摆烂”的顽疾。社区口碑也相当能打——”让我退订了 Cursor””用了就回不去了”。如果你已经在用 OpenCode 或 Codex CLI，这基本是无脑必装的存在；哪怕只是想围观多智能体协作的工程实践，读它的源码和文档也极有收获。唯一注意点：License 为 SUL-1.0（Sisyphus 使用许可），商用前建议先读一下条款，且默认开启匿名遥测（可通过 OMO_DISABLE_POSTHOG=1 关闭）。

    下载地址

    项目数据：66,693 Stars ｜ 语言：TypeScript ｜ License：SUL-1.0 ｜ 最近更新：2026-07-28

  • career-ops：61.8K Stars 的开源 AI 求职指挥中心，把 Claude Code 变成你的私人猎头

    career-ops：61.8K Stars 的开源 AI 求职指挥中心，把 Claude Code 变成你的私人猎头

    career-ops 多智能体求职系统

    项目简介

    career-ops 是一套开源的「AI 求职指挥中心」——它把你手里任意一个 AI 编程 CLI（Claude Code、Codex、OpenCode、Antigravity、Grok、Qwen 等）变成一条完整的求职流水线：自动扫描招聘门户、用结构化 A-F 评估体系给职位打 1.0-5.0 分、按 JD 定制 ATS 优化简历 PDF、起草求职信与联系人开发信，并在本地统一追踪全部申请状态。作者 Santiago Fernández（santifer）用它评估了 740+ 个职位、生成 100+ 份定制简历，最终拿下 Head of Applied AI 职位——随后将整套系统开源。目前项目已收获 61,800+ Stars，被 WIRED 和 Business Insider 报道，一句话总结它的理念：「公司用 AI 筛选候选人，我让候选人用 AI 挑选公司。」

    安装要求和过程

    环境要求

    • Node.js（自带 npx 即可，无需全局安装）
    • 任意一个 AI 编程 CLI：Claude Code / Codex / OpenCode / Antigravity / Grok Build / Qwen 等（也可走免费的 Gemini API 脚本模式）
    • Playwright Chromium（仅 PDF 生成需要）；仪表盘 TUI 由 Go + Bubble Tea 构建（可选）
    • 跨平台支持 macOS / Linux / Windows

    快速安装

    # 最快方式：一条命令初始化
npx @santifer/career-ops init

cd career-ops
claude   # 或 codex / opencode / qwen / agy / grok

# 首次启动会通过对话引导你完成设置：CV、个人档案、目标岗位
# 无需手动编辑任何文件

    手动安装（git clone）

    git clone https://github.com/santifer/career-ops.git
cd career-ops && npm install
npx playwright install chromium        # 仅 PDF 生成需要
npm run doctor                          # 校验全部前置条件
cp config/profile.example.yml config/profile.yml
cp templates/portals.example.yml portals.yml
# 在项目根目录创建 cv.md 写入你的简历，然后打开 AI CLI 即可开始

    不想装任何 CLI？还可以用免费的 Gemini API 独立脚本模式：在 .env 里填入免费的 GEMINI_API_KEY，然后 node gemini-eval.mjs "职位描述..." 即可评估。项目也支持 OpenRouter 免费模型、Ollama 本地模型等低成本运行方案。

    career-ops 工作流与常用命令

    核心功能

    • 全自动评估流水线：粘贴一个职位 URL 或 JD 文本，自动完成岗位原型识别（LLMOps / Agentic / PM / SA / FDE 等）→ A-F 六模块评估（角色摘要、CV 匹配、级别策略、薪酬调研、个性化建议、STAR+R 面试准备）→ 输出评估报告 + 定制 PDF + 追踪表；还内置 Block G 职位真实性检测，自动标记诈骗贴和「幽灵职位」
    • ATS 优化简历与求职信生成：基于 HTML 模板 + Playwright 渲染 A4 PDF，按 JD 做关键词注入与镜像，Space Grotesk + DM Sans 设计字体，求职信支持四种角度交互式起草并在聊天中审批后再生成
    • 招聘门户扫描器：预配置 45+ 公司（Anthropic、OpenAI、ElevenLabs、n8n、Vercel 等）+ 19 组搜索查询，覆盖 Greenhouse / Ashby / Lever / Wellfound 等 21 个渠道模块，node scan.mjs --verify 还会用 Playwright 复核过期职位
    • 批量并行处理与终端仪表盘：用无头 CLI worker（claude -p / opencode run）并行评估 10+ 个职位；Go + Bubble Tea 打造的 TUI 仪表盘支持 6 个筛选标签、4 种排序、内联状态修改
    • 公司调研与联系人发现：deep 模式生成六轴公司调研（AI 战略、近期动作、工程文化等），contacto 模式定位招聘经理/招聘官/团队同事并起草 ≤300 字符的 LinkedIn 开发信——”申请让你排队，调研让你获得对话”
    • Human-in-the-Loop 设计：AI 只评估、排序、起草，永远不会替你提交申请、发送邮件或点击任何按钮，最终决定权始终在你手里

    典型使用场景

    1. 高信噪比求职筛选：与”海投工具”相反，career-ops 是一个过滤器——系统强烈建议不要申请低于 4.0/5 分的职位。每天跑一次 /career-ops scan 扫描 45+ 公司的新职位，批量评估后只精投最匹配的几个，把时间花在值得的机会上
    2. 单个心仪职位的深度准备：看到心仪 JD 后粘贴给 CLI，几分钟内拿到 CV 匹配差距分析、薪酬区间调研、定制版 ATS 简历 PDF、STAR 故事库面试准备，再用 deep + contacto 完成公司调研和内推联系人开发，全流程一站式完成
    3. 转型期职业规划：/career-ops training 评估某个课程/认证是否值得投入，/career-ops project 评估作品集项目的求职价值，配合评估中积累的 5-10 个 STAR 母版故事，系统会越用越懂你

    推荐理由

    试用下来最大的感受是：这是一个”吃过自己狗粮”的项目——作者真的用它找到了工作，README 里那句 740+ job listings evaluated · 100+ personalized CVs · 1 dream role landed 不是营销话术而是实测数据。设计上有两点特别打动我：一是 CLI 无关，基于开放的 Agent Skill 标准，Claude Code / Codex / Antigravity / Grok 都能跑，甚至能用免费 Gemini API 或 Ollama 本地模型零成本运行，不绑定任何付费订阅；二是克制的产品哲学——它反复强调自己不是 spray-and-pray 海投器，AI 永远不代替你点提交按钮，所有数据留在本地。对正在找工作的工程师来说，这相当于免费雇了一个 24 小时待命的私人猎头；对 AI 工程师来说，它同时也是一个多智能体系统 + Agent Skills 工程化的优秀范本（作者还写了一篇《如何用 AI 智能体舰队每周 4 小时维护这个仓库》，值得一读）。MIT 许可，17 种语言 README（含简体中文），社区活跃，强烈推荐。

    下载地址

    项目数据：61,862 Stars · 12,179 Forks · JavaScript / Go · MIT 许可（截至 2026-07-28）

  • Claude Cookbooks：Anthropic 官方维护的 Claude 实战范例集（50K+ Stars）

    Claude Cookbooks：Anthropic 官方维护的 Claude 实战范例集（50K+ Stars）

    Claude Cookbooks

    Claude Cookbooks 是 Anthropic 官方在 GitHub 上开源维护的 Jupyter Notebook 范例集，已收获 50.4K+ Stars、5.9K+ Forks，MIT 许可证。它像一本持续更新的”Claude 实战菜谱”，用可以直接复制运行的代码片段，手把手教开发者把 Claude API 用到生产里——覆盖文本分类、RAG、工具调用、Agent SDK、Skills、多模态、扩展思考、第三方集成等几乎所有主流场景。

    无论是刚接触 Claude API 的新手，还是要把 Claude 嵌入自家产品的资深工程师，都能在这里找到即拿即用的最佳实践。所有 Notebook 都用 Python 写成，但概念同样适用于任何支持 Claude API 的语言。

    Claude Cookbooks 内容地图

    为什么需要它？

    很多人第一次调用 Claude API 只能写出”问个问题拿个回答”的脚本——但生产里要面对的是：结构化输出、上下文管理、长文档解析、Agent 工作流、RAG 检索、工具调用循环、子智能体拆分…这些工程化能力的最佳范式，往往不是 API 文档里那几段示例能覆盖的。Cookbooks 正是 Anthropic 工程师团队把生产经验沉淀下来的”答案库”。

    安装要求和过程

    环境要求

    • Python 3.10+（项目用 uv 管理依赖）
    • Jupyter Lab / VS Code Jupyter 扩展
    • 一个 Anthropic API Key（前往 anthropic.com 免费注册）

    快速安装

    # 1. 克隆仓库
git clone https://github.com/anthropics/claude-cookbooks.git
cd claude-cookbooks

# 2. 安装依赖（项目使用 uv，也可用 pip）
pip install -r requirements-dev.txt
# 或：uv sync

# 3. 配置密钥
cp .env.example .env
# 编辑 .env 填入你的 ANTHROPIC_API_KEY

# 4. 启动 Jupyter
jupyter lab

    三步快速上手

    核心功能

    1. 基础能力 Recipes

    capabilities/ 目录里包含文本分类、RAG 检索增强、长文摘要、结构化 JSON 输出四大基础用法。每个 Recipe 都配了独立 Notebook，从最小调用示例一路演化到生产级实现。

    2. 工具调用与函数集成

    tool_use/ 演示了 Claude 如何调用外部工具——从最简单的计算器、SQL 查询，到完整的多步骤客服智能体。这是把 Claude 从”聊天机器人”升级成”可执行 Agent”的关键能力。

    3. Claude Agent SDK

    claude_agent_sdk/ 是新近加入的官方 Agent SDK 范例，示范如何用 Python SDK 构建可独立运行的智能体应用、调度工具、规划子任务。

    4. Agent Skills 技能系统

    skills/ 目录展示如何为 Claude 编写模块化技能——把专业能力封装成可复用的 Skills，让 Agent 在不同场景下按需调用。

    5. 多模态能力

    multimodal/ 覆盖图像理解、图表解读、表单/PDF 内容提取、视觉最佳实践等，配合 Claude 强大的视觉模型可直接处理扫描件、合同、PPT。

    6. 扩展思考与设计模式

    extended_thinking/ 与 patterns/ 深入推理模式、子智能体协作、提示词缓存、评估驱动开发（Eval-Driven Development）等高阶范式。

    7. 第三方集成

    third_party/ 给出Pinecone 向量数据库、Wikipedia、VoyageAI Embeddings等流行服务的对接范例，把 Claude 嵌入现有技术栈成本极低。

    8. 微调与可观测性

    finetuning/ 和 observability/ 提供模型微调与生产链路观测的端到端代码，是把 Claude 部署到线上服务的最后一块拼图。

    典型使用场景

    场景 1：快速搭建企业知识库 RAG

    复制 capabilities/retrieval_augmented_generation 与 third_party/Pinecone 两个 Notebook，半天就能搭起一个基于 Pinecone + Claude 的企业知识问答系统。Notebook 里连如何切分文档、嵌入、检索、重排序、生成都一步步跑通。

    场景 2：构建带工具调用的客服 Agent

    参考 tool_use/customer_service_agent.ipynb 的代码结构，把你的订单查询 API、退款流程、商品库存接口注册成 Claude 可调用的工具，立即得到一个能回答”我的订单到哪了”的多轮 Agent。

    场景 3：批量处理 PDF/扫描件

    用 multimodal/ 里的 PDF 解析与表单提取 Recipe，配合 Claude 视觉模型，搭建合同关键条款抽取、发票识别、报告摘要等自动化工作流。

    场景 4：评估驱动的提示词迭代

    misc/building_evals.ipynb 给出用 Claude 自身来评估另一批 Claude 输出质量的工程范式——适合团队协作打磨生产级 Prompt，让提示词的优化变成可量化、可回归的过程。

    推荐理由

    用 Cookbooks 这半年，最大的感受是：它不是”玩具示例”，而是真正从生产里长出来的代码。

    • 覆盖全面：从基础调用到 Agent SDK，从 RAG 到微调，几乎所有 Claude 应用方向都有现成 Recipe，避免重复造轮子。
    • 持续更新：紧跟 Anthropic 的功能发布（比如 Claude 4 系列、扩展思考、Agent SDK、Skills 都是最近几个月加入的新章节）。
    • 可读性极强：每个 Notebook 都是”一段说明 + 一段代码 + 一段输出”的节奏，能当教程读，也能当模板抄。
    • 社区友好：MIT 许可，欢迎提 PR；CLAUDE.md 里甚至写了让 Claude 帮忙做贡献的指南（meta！）
    • 企业可商用：MIT 协议允许商业使用，没有 Apache-2.0 那种专利条款的顾虑。

    对国内开发者来说，唯一需要注意的是 Anthropic API 的访问渠道——可以走官方、AWS Bedrock、Vertex AI 或合规中转服务。模型本身支持中文，是 Claude 进军中文 AI 应用开发的官方”最佳实践手册”。

    下载地址

    用 Cookbook 抄答案，把 Claude 真正用进生产——这可能是 2026 年最值得收藏的 AI 工程仓库之一。

  • Impeccable：50.9K Stars！专治AI生成界面的「AI味」，让Claude Code、Cursor真正懂设计的开源设计语言

    Impeccable：50.9K Stars！专治AI生成界面的「AI味」，让Claude Code、Cursor真正懂设计的开源设计语言

    Impeccable 官方封面

    项目简介

    Impeccable 是由前 Google 开发者布道师 Paul Bakaus 开源的一套「让 AI 编码工具更擅长设计」的设计语言系统——它以 1 个 Skill + 23 个设计命令 + 60 条确定性检测规则 + 设计钩子的形式，接入 Claude Code、Cursor、Codex CLI、Gemini CLI、GitHub Copilot 等十余种 AI 编程工具，专治 AI 生成前端界面千篇一律的「AI 味」（Inter 字体、紫蓝渐变、卡片套卡片……）。项目 2025 年 11 月发布，目前已斩获 50,900+ Stars，今日仍在 GitHub 趋势榜上持续攀升。

    Impeccable GitHub 仓库卡片

    安装要求和过程

    环境要求

    • Node.js 环境（使用 npx 安装，无需全局依赖）
    • 任意受支持的 AI 编程工具：Claude Code、Cursor、Codex CLI、Gemini CLI、GitHub Copilot、OpenCode、Grok Build、Trae、Qoder 等 13+ 种
    • CLI 与浏览器扩展的检测器无需 API Key 即可运行

    快速安装

    # 方式一：CLI 一键安装（推荐，在项目根目录执行）
npx impeccable install

# 非交互式安装：指定工具与作用域
npx impeccable install --providers=claude,cursor --scope=project

# 更新到最新版本
npx impeccable update

# 方式二：作为 Claude Code 插件安装
/plugin marketplace add pbakaus/impeccable

# 方式三：Git Submodule 方式
git submodule add https://github.com/pbakaus/impeccable .impeccable
npx impeccable link --source=.impeccable --providers=claude,cursor

    安装后重载你的 AI 编程工具即可。首次使用建议先运行 /impeccable init，它会引导生成 PRODUCT.md 与 DESIGN.md，把品牌与产品设计上下文固化到项目里。

    核心功能

    • 23 个设计命令，给 AI 一套共享设计词汇：/impeccable craft（完整设计流程）、critique（UX 审查）、audit（技术检查）、polish（发布前终检）、bolder/quieter（视觉强化/降噪）、animate（动效）、colorize（配色）、typeset（字体排印）等，覆盖从规划到打磨的全链路；
    • 60 条确定性「AI 味」检测规则：精准狙击 AI 生成界面的通病——默认 Inter/Arial 字体、紫蓝渐变、纯黑纯白灰、卡片嵌套卡片、弹跳缓动动画等，同时检查行宽、触控热区等通用可用性指标，规则引擎零 LLM、零 API 成本；
    • 设计钩子（Hooks）自动拦截：在 Claude Code、Copilot、Codex、Cursor、Grok Build 上写入代码时自动运行检测器，发现严重设计问题可直接阻断坏代码写入，把关口前移；
    • PRODUCT.md / DESIGN.md 上下文固化：通过 init 与 document 命令把品牌调性、产品定位写成文档，让 AI 每次生成都带着你的设计基因而非「出厂默认审美」；
    • 独立 CLI + 实时浏览器迭代：npx impeccable detect src/ 可脱离 AI 工具独立扫描目录/文件/URL（支持 --json 输出接入 CI），/impeccable live 支持在浏览器里对界面变体做可视化迭代。

    典型使用场景

    1. Vibe Coding 项目去「AI 味」：用 Claude Code/Cursor 快速搭出的产品原型总是长着一张「AI 脸」？安装后运行 /impeccable init + /impeccable craft landing，让落地页拥有独特的品牌气质，摆脱紫渐变 + Inter 字体的流水线审美；
    2. 发布前的设计质量门禁：在 CI 中挂上 npx impeccable detect --json .，60 条规则自动检查行宽、对比度、触控区、动效缓动等问题；配合 /impeccable polish 做上线终检，把设计审查从「靠感觉」变成「有清单」；
    3. 无设计师团队的 UX 自助审查：小团队没有专职设计师？/impeccable critique checkout 可对结账流程做启发式 UX 审查，/impeccable harden 补齐错误态与边界场景，相当于给团队配了一位 AI 设计顾问。

    推荐理由

    我把 Impeccable 装进 Claude Code 用了几天，最大的感受是：它治的不是「AI 不会写前端」，而是「AI 写的前端都长一个样」。以前让 AI 改设计只能反复喊「好看一点、高级一点」，现在有了 bolder、quieter、distill 这样的精确词汇，沟通成本断崖式下降——这正是「给人和 AI 建立共享设计语言」的价值。60 条确定性规则不烧 token、不用 API Key，钩子还能在坏代码写入前直接拦截，工程化程度远超一般的提示词合集。项目基于 Anthropic 官方 frontend-design skill 扩展，作者 Paul Bakaus 是 jQuery UI 创始人之一，设计与工程功底都过硬。Apache-2.0 协议，13+ 种 AI 编程工具通吃，做 AI 辅助开发的前端同学强烈建议装上。

    下载地址

    项目信息：50,900+ Stars | 2,998 Forks | JavaScript | Apache-2.0 许可证

  • 拼不过就当裁判：Runway推首个生成式媒体模型路由器

    Runway 不想只做又一家 AI 模型公司了。它现在的野心是成为生成式媒体的基础设施层——说白了，就是想当那个所有人都绕不开的中间层。上周四，这家公司通过本月早些时候上线的开发者平台 Runway Dev，推出了一个叫 Media Router 的新工具。

    Runway Media Router
    Runway 推出面向生成式媒体的模型路由器（图片来源：TechCrunch）

    这个 Media Router 能干什么？简单讲，它会根据开发者更看重质量、速度还是成本，自动帮你挑出最合适的图像、视频或音频生成模型。模型路由器在大语言模型圈子里早就不新鲜了，但 Runway 说，这是头一个专门为生成式媒体打造的路由器。

    “路由这件事，正好契合我们的整体承诺——做开发者接入任何一种生成式媒体模型的最省心的一站式平台。”——Runway 首席产品官 Anthony Maggio

    从做视频到做”卖水人”

    这次发布，是 Runway 从一家 AI 视频初创公司往生成式媒体基础设施转型的又一步棋。通过 Runway Dev，包括 Adobe、Cloudflare、ElevenLabs、Expedia、Shutterstock 和 Quora 在内的客户，可以直接把媒体生成能力嵌进自己的产品里，而不用再把用户导到 Runway 的 App 或网站上去。

    路由器的推出赶上了一个特殊时点——生成式媒体模型的数量正在爆炸式增长，开发者想把每个新模型都评估一遍，越来越费时费力。Maggio 说，大多数开发者根本没工夫去真正搞懂每个模型的能力边界，而 Runway 端出来的独特价值，就是把”哪个模型最适合哪种活”的判断力，跟你业务场景里的偏好揉在一起。

    账单压力催生的路由生意

    开发者能设置哪些偏好？Maggio 举了几个例子。比如中国的生成式媒体模型越来越火，但不少做产品的企业未必愿意用中国出品的模型，那就可以设定优先选美国供应商——随着特朗普政府研究对中国开放模型加以限制，这类偏好可能会越来越常见。不过他也强调，客户最关心的其实还是按 token 定价和质量来做路由。

    token 账单在 2026 年成了热门话题，那些一头扎进智能体 AI 的企业，实打实尝到了高额账单的滋味。大模型圈里按 token 价格做路由早就普遍了，生成式媒体跟上这个趋势也就顺理成章。值得玩味的是，Media Router 上线前几周，Runway 刚把无限量套餐换成了按 token 计费，这一改还招来了部分用户的吐槽。

    • 质量判断是难点：生成式媒体不像语言模型那么容易评好坏，路由器靠的是 Runway 内部创意团队积累的评测经验；
    • 评测维度很具体，比如视频模型怎么处理运动、图像模型怎么处理构图、语音模型怎么对口型；
    • 这套智能层其实是 Runway 给自家 5 月上线的 Agent 产品打磨出来的，现在打包给外部开发者用。

    背后还有一层现实的考量。Runway 上一款专门的视频模型 Gen 4.5 还是去年 12 月发的，当时登顶排行榜、把谷歌等老牌玩家都甩在身后。可眼下除了 5 月给视频编辑模型 Aleph 2.0 做过升级，它已经好几个月没推新的前沿视频模型了。如今在文生视频、图生视频的榜单前二十里，坐着的是谷歌、字节跳动和阿里巴巴这些重量级选手。

    与其赌某一个模型能一直领先，Media Router 干脆假设”最好的模型会一直换人”,然后让 Runway 始终留在牌桌上。联合创始人兼联席 CEO Anastasis Germanidis 的说法很实在：底层需要好模型，但编排层的分量越来越重，因为大家现在是拿这些模型去搭整套营销战役、生成整段多镜头成片。做不成最好的模型，那就做最好的编排层。

  • Agno：41K Stars 的开源智能体平台框架，SDK+运行时+管理 UI 一站式自建你的 AI Agent 服务

    Agno：41K Stars 的开源智能体平台框架，SDK+运行时+管理 UI 一站式自建你的 AI Agent 服务

    Agno AgentOS 控制台
    Agno AgentOS：内置 Web UI 的智能体平台运行时

    Agno（agno-agi/agno）是一个用于构建、运行和管理「智能体平台（Agent Platform）」的开源框架与运行时，让你用一套 Python SDK 就能把 AI 智能体做成可上线的服务，并通过自带 Web UI 统一管理。截至发文，项目已在 GitHub 收获 41,400+ Stars，采用对商用友好的 Apache-2.0 许可。

    一句话简介

    Agno = Agno SDK（写智能体）+ AgentOS 运行时（跑成服务）+ AgentOS UI（可视化管理），让你完整拥有自己的智能体技术栈——数据、记忆、安全（JWT + RBAC）全部掌握在自己手里。

    安装要求与快速上手

    环境要求：Python 3.8+，建议使用虚拟环境；生产部署推荐 Docker + PostgreSQL（用于存储会话、记忆与追踪）。

    手写第一个智能体（约 20 行）：

    # 1. 安装
pip install -U agno openai

# 2. 定义一个智能体
from agno.agent import Agent
from agno.models.openai import OpenAIChat

agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    markdown=True,
)

# 3. 运行
agent.print_response("用三句话介绍一下向量数据库", stream=True)

    一键搭平台：把下面这段话丢给你的编程助手（Claude Code / Cursor / Codex），它会自动 clone 启动模板、用 Docker 在本地拉起一个带 REST API、Postgres、MCP Server 和控制台的完整平台：

    Help me set up my agent platform.
Clone https://github.com/agno-agi/agentos-railway into a folder called
agent-platform, cd in, read the README, and follow the get started guide.

    核心功能

    • 生产级 API：AgentOS 运行时开箱提供 50+ 端点，支持 SSE 与 WebSocket，直接在其上构建产品。
    • 自有存储：会话、记忆、知识库与追踪数据全部存进你自己的数据库，不外泄。
    • 100+ 集成 & 上下文源：内置 GitHub、Slack、Postgres 等预制工具包，并可从 Slack、Drive、Wiki、MCP 等实时拉取上下文。
    • 企业级安全：基于 JWT 的 RBAC，原生支持多用户、多租户隔离；可对敏感工具设置人工审批（Human Approval）。
    • 全链路可观测：OpenTelemetry 追踪 + 运行历史 + 审计日志，配合定时任务（Cron 调度）与后台作业，无需额外基础设施。
    • 多渠道接入 & 随处部署：可将智能体暴露为 Slack / Telegram / WhatsApp / Discord / AG-UI / A2A 接口，并部署到 Docker、Railway、AWS、GCP、Azure 等任意容器平台。

    典型使用场景

    • 企业内部智能体平台：需要多租户隔离、权限控制与审计日志的团队，可用 Agno 快速搭建”自持”的 Agent 服务，避免把数据交给第三方 SaaS。
    • 面向用户的 AI 产品后端：借助 50+ REST 端点与流式接口，把智能体作为产品能力对外提供，前端只需消费 API。
    • 带人工审批的自动化工作流：在关键动作（如发邮件、改数据库）前暂停等待确认，兼顾自动化效率与可控性，适合运维、财务、客服等场景。

    推荐理由

    相比 LangChain 这类”全家桶”，Agno 的定位更清晰——它不只给你一个写 Agent 的库，而是把「运行时 + 管理 UI + 安全 + 可观测」这些上线时最头疼的工程问题一并解决。对于想把 Demo 真正推到生产、又不愿把数据主权交出去的团队，Agno 提供了一条”自建可控”的完整路径。SDK 上手快（20 行跑通），运行时功能齐全，配合 Docker 模板几乎零配置起步，是当下值得重点评估的智能体平台方案之一。

    下载与相关链接

  • OpenSpec：为 AI 编程助手打造的规格驱动开发框架，写代码前先对齐需求

    OpenSpec：为 AI 编程助手打造的规格驱动开发框架，写代码前先对齐需求

    OpenSpec - Spec-Driven Development for AI Coding Assistants
    OpenSpec：为 AI 编程助手打造的规格驱动开发框架

    一、项目简介

    OpenSpec 是 Fission AI 开源的一款「规格驱动开发（Spec-Driven Development, SDD）」框架，核心理念是：在写任何一行代码之前，先让你和 AI 就「要做什么」达成一致。它为 AI 编程助手补上了一层轻量的规格层（spec layer），把原本只存在于聊天记录里的模糊需求，沉淀成结构化、可评审、可复用的 Markdown 规格文档。截至目前项目已在 GitHub 收获 62,500+ Stars，是当前最受欢迎的规格框架之一。

    二、安装要求与快速上手

    环境要求：Node.js 20.19.0 或更高版本（同时兼容 pnpm、yarn、bun、nix）。

    全局安装：

    npm install -g @fission-ai/openspec@latest

    初始化项目：进入你的项目目录并初始化，OpenSpec 会自动为你的 AI 助手写入配置。

    cd your-project
openspec init

    开始与 AI 对话：直接在支持的编程助手中使用斜杠命令。

    # 还没想清楚要做什么？先探索，让 AI 读代码、权衡方案、成型计划
/opsx:explore

# 已经明确需求？直接提出变更提案
/opsx:propose add-dark-mode

# 提案通过后，逐条实施任务
/opsx:apply

# 完成后归档，规格自动更新
/opsx:archive

    升级只需 npm install -g @fission-ai/openspec@latest，再在各项目内运行 openspec update 刷新 AI 指令即可。

    三、核心功能

    • 规格先行、代码后行：每个变更都会生成独立文件夹，包含 proposal.md（为什么做/改什么）、specs/（需求与场景）、design.md（技术方案）、tasks.md（实施清单），人和 AI 先对齐再动手。
    • 纯 Markdown、零学习成本：规格就是带具体场景（WHEN/THEN）的普通 Markdown，无需学习任何专用语法，AI 负责撰写、你负责评审。
    • 流式而非瀑布：任何产物随时可改，没有僵硬的阶段闸门（phase gates），支持从探索到实现的自由迭代。
    • 广泛的工具兼容：通过斜杠命令支持 25+（并持续增长）主流 AI 编程助手，包括 Claude Code、Codex、Cursor 等，不锁定任何 IDE 或模型。
    • 团队级 Stores（Beta）：把规划放进独立仓库，通过 git push 共享，实现跨仓库特性、共享需求、代码未动先立规划——为多团队协作提供单一事实来源。
    OpenSpec Dashboard
    OpenSpec 内置仪表盘：可视化查看规格与进行中的变更

    四、典型使用场景

    • 为老项目做增量特性开发（Brownfield）：OpenSpec 明确定位「不只是绿地项目」。在成熟代码库里加新功能时，用 /opsx:explore 让 AI 先读懂现有代码结构，再权衡最干净的实现路径，避免 AI 凭空乱改。
    • 个人开发者约束 AI「别跑偏」：单人开发时，规格层能让你和 AI 在单仓库上保持诚实——先评审计划再写代码，杜绝「模糊 prompt → 不可预测结果」的困境。
    • 企业团队跨仓库协作：一个特性横跨 API 服务、Web 前端和共享库时，用 Stores 把「一个变更、一份计划」共享给三个仓库；平台团队维护规格，产品团队只读引用，让每个编程 Agent 都能读到同一份需求，告别到处漂移的 Wiki。

    五、推荐理由

    体验下来，OpenSpec 最打动我的是它对「轻量」的坚持。同类的 GitHub Spec Kit 更全面但偏重——僵硬的阶段闸门、大量 Markdown、还要配 Python 环境；AWS 的 Kiro 很强却把你锁死在它的 IDE 和 Claude 模型上。OpenSpec 则用一条 npm install 就接入你已经在用的工具链，规格全是能随手改的纯 Markdown，真正做到了「有预测性但不繁文缛节」。

    官方建议搭配高推理能力的模型（如 Codex、Opus 系列）效果最佳，并注意保持干净的上下文窗口——实施前清理上下文，能显著提升产出质量。对于厌倦了「AI 一顿乱写、结果全靠运气」的开发者，OpenSpec 是一个成本极低、收益明显的习惯升级。MIT 许可，可放心用于商业项目。

    六、下载地址

    项目信息：Stars 62,500+ | Forks 4,325 | 主语言 TypeScript | 许可证 MIT | 首次发布 2025-08

  • ego lite：为 AI 智能体打造的最快浏览器，你和 AI 并行工作互不打扰

    ego lite：为 AI 智能体打造的最快浏览器，你和 AI 并行工作互不打扰

    ego lite

    一、项目简介

    ego lite 是一个”人和 AI 智能体并行工作”的浏览器——你在前台正常浏览，你的 AI 智能体（Claude Code、Codex、Cursor 等）在后台各自独立的 Space 里跑网页自动化任务，两者互不抢标签、互不干扰，而且任务完成更快、消耗的 token 更少。

    与 browser-use、Vercel agent-browser 这类”浏览器自动化框架”不同，它们本身不带浏览器、需要另开一个浏览器来驱动，登录态往往带不过去；ego lite 则是一整个为”你和智能体共用”而设计的浏览器，无需额外配置，智能体通过 ego-browser 就能直接用上你真实的登录态和标签页。

    二、安装要求与快速上手

    环境要求：目前仅支持 macOS（Apple Silicon / Intel 均可），Windows 与 Linux 已在路线图中；需要一个支持 skills 的智能体 CLI（Claude Code、Codex、Cursor 或自定义）。

    三种安装方式（任选其一）：

    1. 直接下载 macOS 应用：从官网下载 .dmg，打开安装即可。安装后会自动把 ego-browser 技能加到每个智能体的 skills 目录。
    2. 用 npx 只装技能： 
      npx skills add citrolabs/ego-lite

      首次运行浏览器任务时，会引导你完成 ego lite 应用的安装。

    3. 让智能体自己装：把仓库地址粘给智能体，让它读取 skills/ego-browser/references/install.md 按步骤安装。

    首次启动时它只问一个问题：是否迁移 Chrome 数据。选”是”，你的智能体就继承了现有登录态、Cookie、扩展和书签。运行第一个任务时，在智能体 CLI 里输入 /ego-browser 加空格，然后用自然语言描述需求即可：

    ego-browser follow @ego_agent on x.com for me

    三、核心功能

    • 代码驱动而非命令行驱动，复杂任务更快更省 token：能力以 JavaScript 函数暴露给智能体，让它一次写出完整的多步脚本，而不是”调两个命令→看结果→再调两个”地反复循环。官方称复杂工作流比传统 CLI 方式快达 2.5 倍，工具调用次数大幅减少。
    • 每个智能体独享一个 Space：完全隔离的工作区，你在前台浏览、智能体在后台干活，互不干扰；随时可以查看哪个 Space 正在运行、接管或停止它。
    • 同一浏览器内多 Space 并行：Claude Code 在 10 个并行 Space 里丰富 10 条线索、Codex 在另外 5 个 Space 里抓取 5 个竞品网站，彼此不冲突，也不会抢走你的鼠标和标签页。
    • 业界最强的页面 Snapshot：得益于内核级定制，能可靠处理深层嵌套 iframe 等其他方案常常翻车的场景，为文本模型提供高质量的”页面视觉”输入。
    • 任何智能体都能通过 ego-browser 驱动：它是连接层，把浏览器暴露成一组页面内 JavaScript 工具（snapshot、fill、click、wait、navigate、capture），智能体写一段片段即可一次执行。

    四、典型使用场景

    1. 批量线索丰富 / 数据抓取：让 Claude Code 在多个并行 Space 里同时处理几十条销售线索，或让 Codex 并行抓取多个竞品站点信息，全程不打断你手头的浏览。
    2. 需要登录态的网页操作：因为继承了 Chrome 的 Cookie 与登录，智能体可以直接在你已登录的 X、后台系统、SaaS 面板里执行操作，省去每次重新登录的摩擦。
    3. 日常自动化小任务：像”帮我在 x.com 上关注某账号””填个表单””等页面加载完再截图”这类零散操作，一句自然语言交给智能体后台完成。

    五、性能对比

    官方在四个复杂网页自动化任务上，把 ego lite 与 Vercel 的 agent-browser 做了对比：每个任务最快提速达 2.5 倍，token 消耗显著更低，且任务越难差距越大。

    ego lite 与 agent-browser 性能对比

    六、推荐理由

    市面上大多数工具都能”自动化一个浏览器”，真正的区别在于：智能体拿到的是什么浏览器、你能否同时继续工作、以及它是为你已有的智能体服务还是绑死一个内置智能体。ego lite 的巧妙之处在于把”日常浏览器”和”智能体自动化”合二为一——你不用为了让 AI 干活而牺牲自己的浏览体验，也不必再维护一套独立的自动化环境和登录态。对于已经在用 Claude Code / Codex / Cursor 的人来说，一条 npx skills add 就能接上，几乎零迁移成本。目前它是免费、开源（MIT）、数据本地存储的，隐私上也更让人放心；唯一的门槛是暂时仅支持 macOS，Windows/Linux 用户可以先关注路线图。

    七、下载地址

    项目数据（截至发布时）：⭐ 3,387 Stars ｜ 🍴 164 Forks ｜ 语言 JavaScript ｜ 许可证 MIT

  • Chat2DB：AI 驱动的开源数据库客户端，一个工具连接 30+ 种数据库

    Chat2DB：AI 驱动的开源数据库客户端，一个工具连接 30+ 种数据库

    Chat2DB 仪表盘与图表
    Chat2DB —— AI 驱动的数据库客户端与 SQL 工作台

    一句话简介

    Chat2DB 是由 OtterMind（CodePhiliaX）团队开源的一款 AI 驱动的数据库客户端与 SQL 工作台，用自然语言即可生成、解释、优化 SQL，一个工具连接 30+ 种数据库，目前已收获 26.5K+ Stars，是当下最火的开源 GUI 数据库客户端之一。

    安装要求和过程

    环境要求：桌面版无需额外配置；Docker 部署需 Docker 19.03.0+、Docker Compose 2.0.0+、2 核 CPU、4 GiB 内存以上。

    方式一：桌面应用（最简单）

    前往 GitHub Releases 下载对应平台（Windows / macOS / Linux）的安装包，安装后直接连接数据库即可，无需任何额外配置。

    方式二：Docker 部署（自托管）

    # 克隆仓库并初始化加密密钥（务必备份该密钥文件）
git clone https://github.com/OtterMind/Chat2DB.git && cd Chat2DB
./script/security/init-community-encryption-key.sh

docker run --detach \
  --name chat2db-community \
  --restart unless-stopped \
  --publish 127.0.0.1:10825:10825 \
  --volume "$HOME/.chat2db-community-docker:/root/.chat2db-community" \
  --env CHAT2DB_COMMUNITY_ENCRYPTION_KEY_FILE=/run/secrets/chat2db-community-encryption.key \
  --volume "$HOME/.config/chat2db-community/encryption.key:/run/secrets/chat2db-community-encryption.key:ro" \
  chat2db/chat2db:latest

    随后浏览器打开 http://localhost:10825 即可使用。注意：加密密钥（AES-256-GCM）用于加密存储的数据源密码与 AI API Key，请务必单独备份 ~/.config/chat2db-community/encryption.key，丢失后已存密码将无法解密。

    核心功能

    • 30+ 数据库支持：MySQL、PostgreSQL、Oracle、SQL Server、ClickHouse、MongoDB、Redis、SQLite、MariaDB、TiDB、Hive、DB2、Snowflake、BigQuery、Elasticsearch 等，并可通过插件扩展。
    • AI 智能助手：接入你自己的大模型（Bring Your Own Model），用自然语言生成、解释、优化 SQL，支持 Text2SQL。
    • 完整 SQL 工作台：编辑、智能补全、格式化、执行、SQL 收藏与执行历史一应俱全。
    • 数据库管理：浏览元数据，管理表与对象（DDL/DML），支持原地编辑数据。
    • 可视化与开放能力：内置仪表盘与图表、ER 图、数据导入导出，并提供支持 MCP 的开源 CLI 工具。
    Chat2DB 可视化数据管理
    可视化数据管理：浏览元数据、原地编辑数据

    典型使用场景

    • 开发者日常查数据：不必再记复杂 SQL 语法，直接用中文/英文描述需求（如”统计上月各地区订单总额并按降序排列”），AI 自动生成可执行 SQL。
    • DBA 多库统一管理：一个客户端同时连接 MySQL、PostgreSQL、Oracle、Redis 等多种数据库，替代 Navicat、DBeaver、DataGrip 等多个工具。
    • 数据分析与 BI：查询结果一键生成仪表盘与图表，配合 ER 图快速理清表关系，适合分析师与数据团队做轻量级 BI 展示。
    Chat2DB ER 关系图
    自动生成 ER 关系图，快速理清库表结构

    推荐理由

    用过 Navicat、DBeaver 的人应该都懂那种”记不住 SQL 又懒得翻文档”的痛。Chat2DB 最打动我的地方是它把 AI 助手和专业 SQL 客户端真正融合在了一起——不是简单套一个聊天框，而是让自然语言查询、SQL 优化、ER 图、可视化图表在同一个工作流里顺畅衔接。更难得的是它完全本地运行、开源免费、跨平台，并且支持接入自己的模型，数据不出本机，对企业和注重隐私的团队非常友好。如果你正在找一款能替代付费商业客户端的开源方案，Chat2DB 很值得一试。

    Chat2DB 数据导入导出
    灵活的数据导入与导出

    下载地址

    项目数据：26,502 Stars · 2,891 Forks · 主力语言 Java · 30+ 数据库支持（数据截至 2026-07-25）