标签：开源

AI-Job-Search：基于 Claude Code 的 AI 求职框架，让 Agent 帮你改简历、写求职信、备战面试
今天要介绍的项目是 ai-job-search——一个在 GitHub 今日趋势榜上以 +3,700 stars/天 的势头冲到 AI 类目前列的求职神器。它把当下最火的 AI Agent 能力，用到了每个人迟早都要面对的真实场景里：找工作。

📌 项目简介

ai-job-search 是一个构建在 Claude Code 之上的 AI 驱动求职申请框架。你只需要 Fork 仓库、填写个人档案，剩下的「评估岗位匹配度 → 定制简历 → 撰写求职信 → 模拟面试」全部交给 Claude 自动完成。它不是 Anthropic 官方项目，但是把 Claude Code 的 Skill / Agent 能力落进高频真实场景的范本作品。

▲ ai-job-search 工作流演示（Fork → /setup → /scrape → /apply）

💻 安装要求和过程

环境要求
- Claude Code CLI（Anthropic 官方命令行工具）
- Python 3.10+
- Bun（用于运行职位搜索 CLI）
- LaTeX 发行版：需含 lualatex 与 xelatex，推荐 TeX Live / MacTeX / TinyTeX / MiKTeX（CV 用 lualatex，求职信用 xelatex）
- 可选：pdftotext（poppler），用于 ATS 文本层校验；缺失时自动降级为视觉检查
快速安装
```
# 1. Fork 并克隆仓库
gh repo fork MadsLorentzen/ai-job-search --clone
cd ai-job-search

# 2. 安装职位搜索工具（需要 Bun）
bun install

# 3. 启动 Claude Code 并初始化个人档案
claude
# 在交互中执行 /setup（三种方式：导入 documents/ 文件夹、粘贴简历、AI 访谈引导）
```
初始化完成后，即可用 /scrape 搜索职位、/apply <岗位URL> 或粘贴 JD 文本来发起申请。

✨ 核心功能
- 🎯 草稿-评审申请工作流（/apply）：强制 PDF 编译 + 可视化检查，内含 PDF 验证循环（防排版破碎）、ATS 文本层校验（用 pdftotext 抽取关键词与联系人）、按匹配度加权删减、起草与评审双 Agent 分离——直接解决 AI 写简历最易翻车的「排版崩了、关键词被吃」问题。
- 🔍 多门户职位搜索与排序（/scrape、/rank）：跨多个招聘板抓取、去重、按适配度排序，并支持批量打分，把精力留给最匹配的岗位。
- 🎤 面试备战（/interview）：基于历史归档生成分阶段准备包与模拟面试，提前演练高频问题与回答要点。
- 📈 档案增强与技能差距分析（/expand、/upskill）：从公开来源丰富个人档案，分析技能差距并生成针对性学习计划。
- 🧰 可扩展模板与门户（/add-template、/add-portal）：注册自定义 LaTeX 模板，或生成本地招聘板搜索技能，轻松适配不同国家 / 地区市场（默认职位搜索面向丹麦，可替换）。
🚀 典型使用场景
- 海投变精准投递：把一份通用简历交给框架，针对每个岗位自动生成匹配度最高的定制版简历与求职信，告别「千人一面」。
- 面试前冲刺：让 Agent 根据目标岗位和你的档案，生成模拟面试问题与回答要点，提前查漏补缺。
- 求职数据闭环：用 /outcome 记录每个岗位的投递阶段、offer 与拒信，逐步沉淀属于自己的求职知识库。
💡 推荐理由

作为常年和 Agent 打交道的人，我第一眼就被它的「草稿-评审」双 Agent 设计打动——它没有一上来就让你无脑海投，而是把求职拆成「评估 → 定制 → 评审 → 面试」几个严肃环节。尤其是 PDF 验证循环 + ATS 文本层检查，精准命中了 AI 写简历最容易翻车的点。整套流程语言与国家无关，模板基于 moderncv 与自定义 cover 类，产出物专业度高。如果你正在找工作、或经常帮人改简历，这个项目值得立刻试一试。

🔗 下载地址
- GitHub 仓库：https://github.com/MadsLorentzen/ai-job-search
- 安装文档（SETUP.md）：仓库内 SETUP.md
- 许可证：MIT License（可自由 Fork、修改、商用）
本文由自动化任务整理发布，数据截至 2026-07-10，stars 持续增长中。
2026年7月10日
Crawl4AI：把全网网页变成 LLM 能直接用的干净 Markdown，RAG 数据清洗一步到位（71.8K★）
一、项目简介

Crawl4AI 是一个开源、对大模型友好的网页爬虫与抓取框架，能把任意网页一键转换成结构清晰、可直接喂给 LLM / RAG 的 Markdown，并支持结构化数据提取、截图、动态渲染等能力。对做检索增强、知识库、Agent 联网取数的人来说，它基本等于把”爬虫 + 清洗”两道工序合并了。

二、安装要求和过程

环境要求：Python 3.10 及以上；底层基于 Playwright（Chromium），首次使用需下载浏览器内核。

快速安装（Python 包）：
```
# 安装
pip install -U crawl4ai

# 安装后执行一键浏览器配置
crawl4ai-setup

# 自检环境是否就绪
crawl4ai-doctor

# 若遇到浏览器相关报错，可手动补全
python -m playwright install --with-deps chromium
```
Docker 部署（推荐生产环境）：
```
docker pull unclecode/crawl4ai:latest
docker run -d -p 11235:11235 --name crawl4ai --shm-size=1g unclecode/crawl4ai:latest
# 监控面板: http://localhost:11235/dashboard
# 交互 playground: http://localhost:11235/playground
```
三、核心功能
- LLM 就绪的 Markdown 输出：智能 Markdown 保留标题、表格、代码块，并提供 Fit Markdown（裁剪导航/广告等无关内容）、引用标注，以及基于 BM25 算法的内容过滤，正文噪声大幅降低。
- 结构化数据提取：支持基于 LLM 的 Schema 提取、CSS 选择器提取、余弦相似度匹配，配合分块（Chunk）策略，直接产出 Pydantic 结构化对象，无需手写正则。
- 真·浏览器级抓取：基于 Playwright 托管浏览器，支持会话保持、代理、Cookie、用户脚本、Hook、动态视口调整、懒加载处理，还能截图与生成 PDF。
- 自适应爬取与调度：异步浏览器池 + 缓存机制，能学习网站结构、只爬该爬的页面；内置深度爬取与内存自适应调度，从单页到万级站点都能扛。
- 部署灵活、可接 Agent：零密钥、CLI + Docker 双形态；新版 Docker 自带监控面板、浏览器池预热、Playground 与 MCP 集成，可直连 Claude Code 等 AI 编程工具。
四、典型使用场景
- 搭 RAG 知识库：把公司文档站、竞品官网、行业博客批量抓成干净 Markdown，直接喂进向量库做检索增强，省去大量手写清洗规则。
- 生成 LLM 训练 / 微调语料：用 LLM 提取策略从定价页、榜单页抽取结构化字段（例如各家模型的价格表），产出干净的 JSON 数据集。
- AI Agent 联网取数：通过 Docker + MCP 把 Crawl4AI 接进 Agent 工作流，让智能体实时抓取网页、执行 JS、截图后回写结果，补足大模型”看不见实时网页”的短板。
五、推荐理由

我自己踩过不少爬虫的坑：传统方案要么反爬头疼，要么抓下来的 Markdown 一堆导航/侧边栏噪音，接 RAG 前还得再写一层清洗。Crawl4AI 的 Fit Markdown + BM25 过滤基本把”正文 vs 杂质”这件事做对了，接检索增强时相当省心；异步 + 浏览器池的性能也不错，小规模到大规模都能用。Docker 镜像开箱即用，MCP 直连 Claude Code 这点对做 Agent 的人尤其香。小提醒：它依赖 Playwright/Chromium，首次部署体积不小；上生产建议走 0.9.0+ 的安全加固 Docker 镜像（已修复路径遍历 / SSRF / RCE）。

六、下载地址
- 官方网站 / 文档：https://crawl4ai.com ｜ https://docs.crawl4ai.com
- GitHub 仓库：https://github.com/unclecode/crawl4ai（⭐ 71.8K+，Apache-2.0）
- PyPI 安装：pip install -U crawl4ai
- Docker 镜像：unclecode/crawl4ai:latest
2026年7月10日

Zvec：阿里开源轻量级进程内向量数据库，一行 pip install 搞定十亿级向量检索

📌 项目简介

Zvec 是阿里巴巴开源的轻量级进程内向量数据库（In-process Vector Database）——无需启动独立服务，直接嵌入你的应用代码中运行。它以闪电般的速度完成数十亿级向量的相似性搜索，同时支持密集向量、稀疏向量、混合检索和全文搜索，是构建 RAG 应用、AI Agent 记忆系统和语义搜索引擎的理想底层引擎。

经过阿里巴巴集团内部生产环境验证，Zvec 在保持极简部署的同时提供了企业级的低延迟和高吞吐能力。

⚙️ 安装要求和过程

环境要求

操作系统：Linux（x86_64 / ARM64）、macOS（ARM64）、Windows（x86_64）
Python 版本：3.10 ~ 3.14（pip 安装方式）
Node.js / Go / Rust / Dart：均有官方 SDK 支持

快速安装（Python）

# 一行命令安装
pip install zvec

# 验证安装
python -c "import zvec; print('Zvec OK')"

一分钟上手示例

import zvec

# 定义集合 Schema
schema = zvec.CollectionSchema(
    name="example",
    vectors=zvec.VectorSchema("embedding", zvec.DataType.VECTOR_FP32, 4),
)

# 创建集合
collection = zvec.create_and_open(path="./zvec_example", schema=schema)

# 插入文档
collection.insert([
    zvec.Doc(id="doc_1", vectors={"embedding": [0.1, 0.2, 0.3, 0.4]}),
    zvec.Doc(id="doc_2", vectors={"embedding": [0.2, 0.3, 0.4, 0.1]}),
])

# 向量相似度搜索
results = collection.query(
    zvec.Query(field_name="embedding", vector=[0.4, 0.3, 0.3, 0.1]),
    topk=10
)
print(results)

📦 其他语言 SDK

Node.js：npm install @zvec/zvec
Rust：zvec-rust
Go：zvec-go
Dart/Flutter：flutter pub add zvec

🔥 核心功能

极速检索 —— 十亿级向量毫秒级响应
基于 HNSW 等高效索引算法，在数十亿向量规模下仍能实现毫秒级延迟的相似度搜索。
密集 + 稀疏向量双模态支持
同时支持 Dense Vector（浮点密集向量）和 Sparse Vector（稀疏向量），适配不同 Embedding 模型输出格式。
原生全文搜索（FTS）
v0.5.0 新增！可为任意字符串字段附加 FTS 索引，支持自然语言或结构化表达式查询，无需外部搜索引擎。
混合检索（Hybrid Search）
单次 MultiQuery 融合向量相似度、全文搜索、标量过滤和多维度排序，返回精确结果。
DiskANN 磁盘索引
v0.5.0 新增！将大部分索引数据放在磁盘上，大幅降低大规模数据集的内存占用。
持久化存储（WAL 日志）
Write-Ahead Logging 保证崩溃安全——即使进程异常退出或断电，数据也绝不丢失。
多语言生态 + 可视化工具
官方提供 Python / Node.js / Go / Rust / Dart 五种 SDK，另有 Zvec Studio 图形化管理工具。

💡 典型使用场景

场景一：RAG 检索增强生成系统

将文档切片后的 Embedding 向量存入 Zvec，用户提问时先做语义检索召回相关片段，再送入 LLM 生成回答。Zvec 的本地化特性意味着零网络延迟、零外部依赖，特别适合隐私敏感的企业 RAG 场景。

场景二：AI Agent 长期记忆

为 AI Agent 构建持久化的记忆库——将用户交互、偏好、历史决策编码为向量存入 Zvec，Agent 启动时自动加载记忆上下文。WAL 持久化确保记忆永不丢失，混合检索支持按时间、主题、情感等多维度精准回忆。

场景三：边缘设备 / 本地优先语义搜索

作为进程内库嵌入到笔记本 App、IoT 设备或 CLI 工具中，实现离线语义搜索能力。无服务端依赖、资源占用极小，支持 ARM64 和 RISC-V 架构，从云端到边缘全覆盖。

✨ 推荐理由

用过不少向量数据库后，Zvec 的设计哲学让我印象深刻：“Just Works”——不需要配置服务器、不需要 Docker、不需要外部依赖。一个 pip install zvec 就能开始使用。

对比同类方案：

特性	Zvec	传统向量数据库
部署方式	一行 pip install	独立服务 + 配置集群
外部依赖	零依赖	Redis/Elasticsearch 等
全文搜索	内置 FTS	需额外集成 ES
混合检索	原生支持	需自行编排
适用场景	RAG / Agent / 本地应用	大规模分布式检索

v0.5.0 更是加入了全文搜索 + DiskANN + 多语言 SDK三大重磅功能，让 Zvec 从一个纯粹的向量数据库进化为全能型本地搜索引擎。对于正在搭建 RAG 系统、AI Agent 或需要本地语义搜索能力的开发者来说，Zvec 是目前最值得尝试的选择之一。

🔗 下载地址

GitHub 仓库：https://github.com/alibaba/zvec ⭐ 14,600+ Stars
官方网站：https://zvec.org（含完整文档与基准测试）
Python 包：PyPI – zvec （pip install zvec）
Node.js 包：@zvec/zvec
许可证：Apache-2.0

2026年7月10日

claude-video：让 Claude 真正“看懂”视频的 /watch 技能，6.4K Stars 把视频变成 AI 能读的输入
📌 项目简介

claude-video 是一个让 Claude（以及 Codex、Cursor、Gemini CLI 等 50+ AI 编程工具）真正”看懂”视频的开源 Agent Skill。它的核心理念只有一句话：Claude 能读网页、能读 PDF、能读代码仓库，但默认它看不了视频——而 claude-video 把”看视频”这件事补上了。你丢给它一个 YouTube 链接或本地视频，它自动下载、抽帧、转写音频，再把画面帧 + 时间戳字幕一起喂给大模型，让 AI 基于真实视听觉内容来回答，而不是靠标题瞎猜。

🛠 安装要求和过程

环境要求：
- Python 3.10+（核心脚本 watch.py / download.py / frames.py / transcribe.py 均为 Python 实现）
- yt-dlp：负责从 YouTube、Loom、TikTok、X、Instagram 等站点下载视频（首次运行 macOS 上自动 brew 安装，Linux/Windows 会打印安装命令）
- ffmpeg：负责抽帧、音频提取（同上，首次运行自动引导安装）
- 带字幕的视频完全免费；无字幕时才需要 Whisper API Key（Groq whisper-large-v3 或 OpenAI whisper-1）
快速安装（三选一）：

方式一 · Claude Code（推荐）：
```
/plugin marketplace add bradautomates/claude-video
/plugin install watch@claude-video
```
方式二 · 任意 Agent Skills 宿主（Codex / Cursor / Copilot / Gemini CLI 等 50+ 工具）：
```
npx skills add bradautomates/claude-video -g
```
方式三 · 手动 / 开发：
```
git clone https://github.com/bradautomates/claude-video.git
ln -s "$(pwd)/claude-video/skills/watch" ~/.claude/skills/watch
# 或 ~/.codex/skills/watch
```
首次运行会调用 scripts/setup.py --check 引导安装依赖，并在 ~/.config/watch/.env 中生成 GROQ_API_KEY / OPENAI_API_KEY 占位配置。

⚡ 核心功能
1. 多源视频获取：支持 URL（yt-dlp 兼容的几乎所有视频站点）或本地路径（.mp4/.mov/.mkv/.webm），一条命令即可接入。
2. 智能帧提取：用 ffmpeg 按细节模式抽帧——efficient（关键帧，约 0.5s）到 token-burner（场景切换检测）；内置帧去重（默认开启，丢弃近重复帧）与自动 fps / token 预算控制。
3. 双通道转写：优先用 yt-dlp 提取原生字幕（免费）；无字幕时回退 Whisper API，并支持 >25MB 自动分块，确保长视频也能完整转写。
4. 多模态交给大模型：脚本输出带 t=MM:SS 标记的帧路径 + 时间戳转写，Claude 并行 Read 图像，基于真实画面与声音作答。
5. 细节模式可调节：--detail transcript|efficient|balanced|token-burner 权衡速度与 token 成本；支持 --start/--end 聚焦片段、--timestamps 指定时刻、--no-whisper 等精细控制。
🎯 典型使用场景
- 拆解爆款内容：把竞品发布会、广告片、干货视频丢给它，让它分析钩子结构、叙事节奏、真正的新功能，远快于 2x 倍速硬看。
- 看录屏诊断 Bug：前端同学把屏幕录制喂给它，它能定位”出错的那一帧”，描述现象与可能原因，把视频变成可调试的输入。
- 视频转结构化笔记：把一整个播放列表逐条摘要，自动构建可搜索的知识库；或剥离更新视频里的 hype，只提取”真正变了什么”。
💡 推荐理由（个人使用心得）

这是个”小而准”的工具，解决的痛点非常真实——我们天天让 AI 读文档读代码，但遇到一个视频链接就瞬间退化成”靠标题猜”。claude-video 最漂亮的设计是零配置起步：有字幕就白嫖字幕，没字幕才花一点点 Whisper 钱；帧去重 + 预算控制又避免了”把整个视频塞进上下文”的 token 爆炸。它本质上是在给 LLM 补上一双眼睛，而且是以”可复用技能包”的形式存在，Claude Code / Cursor / Codex 通吃。如果你经常需要让 AI 处理视频内容，这个 6.4K Star、MIT 协议、纯 Python 的小项目，值得一键装进你的工具箱。

🔗 下载地址
- GitHub：github.com/bradautomates/claude-video
- 安装（Claude Code）：/plugin marketplace add bradautomates/claude-video → /plugin install watch@claude-video
- 许可证：MIT（可自由商用、修改、分发）
2026年7月9日
TencentDB Agent Memory：腾讯开源的 AI Agent 本地长期记忆引擎（7.8K+ Stars）
TencentDB Agent Memory 是腾讯云开源的、为 AI Agent 提供完全本地化长期记忆的方案，通过四层渐进式记忆流水线让 Agent「记得住、说得清」，且零外部 API 依赖。它把散落的对话逐步蒸馏成结构化、可追溯的长期记忆，是当下少见的、能直接落地的 Agent 记忆引擎。

安装要求和过程

环境要求
- Node.js ≥ 22.16（官方徽章要求）
- 需配合 OpenClaw 或 Hermes Agent 使用
- 默认本地后端：SQLite + sqlite-vec（无需额外数据库服务）
- 短上下文压缩需插件版本 ≥ 0.3.4；Hermes 的 Docker 部署需 Docker，Gateway 监听 :8420
快速安装（OpenClaw，最常用）
```
openclaw plugins install @tencentdb-agent-memory/memory-tencentdb
openclaw gateway restart
```
零配置启用，写入 ~/.openclaw/openclaw.json：
```
{
  "memory-tencentdb": { "enabled": true }
}
```
可选开启短上下文压缩（版本 ≥ 0.3.4）：
```
{
  "memory-tencentdb": { "config": { "offload": { "enabled": true } } }
}
```
Hermes Docker 部署
```
cd docker/opensource
docker build -f Dockerfile.hermes -t hermes-memory .
docker run -d --name hermes-memory --restart unless-stopped -p 8420:8420 \
  -e MODEL_API_KEY="your-api-key" \
  -e MODEL_BASE_URL="https://api.lkeap.cloud.tencent.com/v1" \
  -e MODEL_NAME="deepseek-v3.2" \
  -e MODEL_PROVIDER="custom" \
  -v hermes_data:/opt/data hermes-memory
curl http://localhost:8420/health
```
核心功能
1. 四层记忆架构（L0→L1→L2→L3）：原始对话（L0）逐步蒸馏为原子事实（L1）、场景块（L2）、人物画像（L3），从宏观抽象一路保留到可追溯的真相证据。
2. 符号化短期记忆（Symbolic Short-term Memory）：把冗长的工具日志压缩成 Mermaid 符号图，并卸载历史，大幅降低 token 消耗。
3. 白盒可调试（White-Box Debuggability）：每一层都是可读文件——L2 场景是纯 Markdown、L3 画像在 persona.md、短任务画布是 Mermaid，原始负载通过 result_ref / node_id 可回溯，记忆不再是黑盒。
4. 生产级工程（Production-Ready）：OpenClaw 插件自动捕获/提取/召回 + Hermes Gateway 适配器（TdaiCore + HostAdapter）+ 本地 SQLite 后端 + BM25/向量/RRF 混合检索 + tdai_memory_search / tdai_conversation_search Agent 工具。
5. 完全本地、零外部依赖：记忆全部存本地，隐私可控，不依赖任何外部 API 或云服务即可运行。
典型使用场景
- 长程连续任务：如 SWE-bench 单会话连续 50 个任务，Agent 跨会话记住项目背景与 SOP，无需反复解释。集成 OpenClaw 后 token 用量最高降 61.38%，成功率相对提升 51.52%，PersonaMem 长期记忆准确率从 48% 提升到 76%。
- 个性化 AI 助手：跨会话持续沉淀用户画像（L3）、场景块（L2）、原子事实（L1），让 Agent「越用越懂你」，而非每次都从零开始。
- 长任务上下文压缩：搜索结果、代码片段、错误栈等冗长日志通过 Mermaid 符号图卸载，显著降低 token 成本——基准上 WideSearch 成功率 33%→50%，SWE-bench 58.4%→64.2%，AA-LCR 44.0%→47.5%。
推荐理由

这是目前少数把「Agent 记忆」做成可落地工程、而非论文玩具的项目。四层金字塔设计既保留了宏观人物画像，又保留了可追溯的证据链（result_ref / node_id），白盒可调试对排查「它为什么记错了」极其友好。本地优先 + MIT 许可意味着可以放心用在私有数据场景，接入 OpenClaw / Hermes 几分钟就能跑起来。对做 AI 产品的团队来说，几乎是「给 Agent 装上长期记忆」的最低成本方案。

架构一览

下载地址
- GitHub 仓库：https://github.com/TencentCloud/TencentDB-Agent-Memory
- OpenClaw 插件（npm）：@tencentdb-agent-memory/memory-tencentdb
- 官方文档与示例：仓库 README 内含 OpenClaw / Hermes 接入 Demo 视频
- 许可证：MIT
2026年7月9日
CubeSandbox：给 AI Agent 的 60ms 硬件级安全沙箱，腾讯云开源（8.9K Stars）
📌 项目简介

CubeSandbox 是腾讯云开源的、面向 AI Agent 的即时、并发、安全、轻量沙箱服务。它基于自研的 RustVMM + KVM 微虚拟机（MicroVM）构建，主打「硬件级隔离」——每个沙箱都跑在独立的 Guest OS 内核里，从根上杜绝了 Docker 共享内核的逃逸风险。平均冷启动 <60ms、单实例内存开销 <5MB，可以放心拿它来跑 LLM 生成的不受信任代码、Agent 自动执行等高风险任务。

🛠 安装要求与过程

环境要求：
- x86_64 Linux 服务器（推荐 OpenCloudOS 9，Ubuntu / Debian / CentOS 同样支持）
- ≥ 4 核 CPU、≥ 8 GB 内存，建议挂载独立数据盘给 /data/cubelet
- 需要 KVM 支持（云服务器若无 /dev/kvm，可开启腾讯云 PVM 嵌套虚拟化）
- v0.5.0 起原生支持 ARM64 全栈
一键安装：
```
# 标准安装（需 /dev/kvm）
curl -sL https://github.com/tencentcloud/CubeSandbox/raw/master/deploy/one-click/online-install.sh | bash

# 云服务器无嵌套虚拟化时，开启 PVM 安装
curl -sL https://github.com/tencentcloud/CubeSandbox/raw/master/deploy/one-click/online-install.sh   | CUBE_PVM_ENABLE=1 bash

# 国内加速镜像
curl -sL https://cnb.cool/CubeSandbox/CubeSandbox/-/git/raw/master/deploy/one-click/online-install.sh   | CUBE_PVM_ENABLE=1 MIRROR=cn bash
```
安装完成后打开 Web 控制台：http://<控制节点IP>:12088，三步即可上手：查看 Overview → 从 Template Store 准备模板 → 创建沙箱（Sandboxes → + New sandbox）。

如果只想在本地 Python 里玩，也可以 pip install cubesandbox 拉起组件做开发联调。

⚡ 核心功能
- 亚 60ms 冷启动 + 高密度：单实例开销 <5MB，支持空闲自动挂起/唤醒（AutoPause/AutoResume），单机可并发跑成百上千个沙箱。
- 硬件级隔离：每个实例独立 Guest OS 内核，基于 KVM MicroVM + eBPF 虚拟交换机（CubeVS）做内核级网络隔离，不存在容器共享内核的逃逸面。
- 无缝兼容 E2B SDK：原生兼容 E2B 协议，业务代码零改动——只把 E2B_API_URL / E2B_API_KEY 指向你自己的 CubeSandbox 即可迁移。
- 企业级安全：凭据保险库（密钥不进沙箱/上下文/日志）、出口控制（域名白名单 + 未授权出口即时阻断 + 审计日志）。
- 快照·克隆·回滚：基于 CubeCoW 写时复制引擎，百毫秒级打检查点，可回滚或开分支，Agent 试错零成本。
🎯 典型使用场景

1. 跑 LLM/Agent 生成的不受信任代码

把模型吐出来的 Python/Shell 丢进沙箱执行，硬件隔离 + 出口白名单保证即使代码作恶也伤不到宿主。E2B 兼容意味着你现在的 Code Interpreter 代码直接换环境变量就能用：
```
export E2B_API_URL=http://<你的控制节点IP>:12088
export E2B_API_KEY=<你的API Key>

from e2b_code_interpreter import Sandbox
sandbox = Sandbox()
execution = sandbox.run_code("x = 1 + 1; print('result =', x)")
print(execution.logs.stdout)   # result = 2
```
2. 浏览器自动化 / 数据抓取 Agent

给爬虫、RPA、AI 操作员一人一个干净隔离的浏览器环境，跑完即销毁，避免指纹污染和横向污染。配合 Template Store 预置好带登录态的镜像，开箱即用。

3. 强化学习 / SWE-Bench 类大规模评测

官方用 CubeSandbox 做 SWE-Bench RL 训练，上千个独立环境并发创建、秒级回收，单节点高密度把评测成本打下来。

💡 推荐理由

这两年「让 Agent 自己写代码自己跑」成了标配，但把模型生成的代码直接丢宿主机执行，等于把大门钥匙交给一个偶尔会发疯的实习生。CubeSandbox 的价值就在于：它把「隔离」这件事做到了又快又便宜又省心——60ms 启动让你几乎感觉不到沙箱的存在，<5MB 开销让并发成本可控，而 E2B 兼容意味着你不用重写一行业务代码就能把云端沙箱换成自建的、数据不出域的版本。

对国内团队尤其友好：有 CN 镜像、有 PVM 解决云厂商嵌套虚拟化痛点、有中文文档和微信社群。想自建一套「AI 代码执行底座」，CubeSandbox 是目前最省事的开源选择之一。

📥 下载地址
- 项目官网：https://cubesandbox.com
- GitHub 仓库：https://github.com/TencentCloud/CubeSandbox
- 一键安装脚本：deploy/one-click/online-install.sh
- PyPI：pip install cubesandbox
许可：Apache-2.0（仓库主协议，部分组件为其他开源协议）。当前 Star 数约 8.9K，仍在快速增长中。
2026年7月9日
OfficeCLI：让 AI Agent 一句话掌控 Word / Excel / PowerPoint 的开源办公套件
📌 项目简介

OfficeCLI 是全球首个专为 AI Agent 打造的 Office 办公套件，用一行命令就能让任意 AI 智能体读取、编辑、自动化生成 Word / Excel / PowerPoint 文档。它采用单一可执行文件、无需安装 Microsoft Office、零依赖、跨平台运行，目前已斩获 11.5K+ Stars（Apache-2.0 协议）。

“OfficeCLI’s built-in HTML rendering engine reproduces documents with high fidelity —— and that’s what gives AI eyes.”

⚙️ 安装要求和过程

环境要求
- 单一二进制：自包含可执行文件，无需安装 Microsoft Office，无需 .NET 运行时。
- 跨平台：macOS / Linux / Windows 均可运行。
- 仅需基础的命令行环境，内存占用极低。
快速安装
```
# macOS / Linux
curl -fsSL https://raw.githubusercontent.com/iOfficeAI/OfficeCLI/main/install.sh | bash

# Windows (PowerShell)
irm https://raw.githubusercontent.com/iOfficeAI/OfficeCLI/main/install.ps1 | iex

# 或任选其一
brew install officecli
npm install -g @officecli/officecli
```
安装后运行 officecli install 将二进制加入 PATH，并自动把 officecli skill 注入 Claude Code、Cursor、Windsurf、GitHub Copilot 等 AI 编程工具，Agent 立刻就能替你创建 / 读取 / 编辑 Office 文档。

30 秒上手
```
# 1. 创建一个空白 PPT
officecli create deck.pptx

# 2. 启动实时预览（浏览器打开 http://localhost:26315）
officecli watch deck.pptx

# 3. 另开终端添加一页，浏览器即时刷新
officecli add deck.pptx / --type slide --prop title="Hello, World!"
```
✨ 核心功能
- 三格式全读写改：Word(.docx)、Excel(.xlsx)、PowerPoint(.pptx) 全部支持创建、读取（文本 / 结构 / 样式 / 公式）、修改与重组，告别 python-pptx 等一堆库。
- 内置 HTML 渲染引擎：把文档渲染成 HTML / PNG，给 AI 装上“眼睛”，形成 渲染 → 看 → 改 的闭环，AI 能看见自己生成的成品并自动修正。
- 路径寻址 + 结构化 JSON：用 /slide[1]/shape[1] 这样的 XPath 式路径精准定位任意元素，并可输出结构化 JSON，便于程序化操作。
- 实时预览：officecli watch 启动本地预览服务（localhost:26315），每次 add / set / remove 命令即时刷新浏览器，所见即所得。
- 为 Agent 而生：一行 curl -fsSL https://officecli.ai/SKILL.md 即可让 AI Agent 自动读取技能文件并安装使用；自动把 skill 装进主流 AI 编程工具。
🎯 典型使用场景
1. AI 自动生成汇报 PPT：让 Agent 一句话产出季度汇报、融资路演、技术分享等演示文稿，自动处理排版、配色与图表。
2. 批量处理 Excel 报表：自动生成预算表、成绩册、销售看板，支持公式、图表与条件格式。
3. 程序化生成 Word 文档：一键产出学术论文、项目方案、年度报告，支持多语言 i18n 与 RTL 从右到左排版。
💡 推荐理由

以前用 python-pptx 写个 PPT 要 50 行代码还容易错位，OfficeCLI 一行命令就搞定；更关键的是它自带渲染闭环，让 AI 能“看见”自己生成的样子并自我修正——这对想给 Agent 接上“办公能力”的开发者几乎是开箱即用的利器。Apache-2.0 协议、单一二进制、零依赖，本地运行也保障了文档隐私。如果你正在做 AI 办公自动化、RPA 或 Agent 工具链，非常值得一试。

🔗 下载地址
- 🌐 官网：https://officecli.ai
- 💻 GitHub：https://github.com/iOfficeAI/OfficeCLI
- 📦 Releases 下载：github.com/iOfficeAI/OfficeCLI/releases
- 🖥️ 桌面端 AionUi：github.com/iOfficeAI/AionUi
2026年7月9日
FunClip：阿里出品的 AI 视频剪辑神器，语音识别 + LLM 智能裁剪，5.9K Stars 让视频剪辑自动化
做自媒体的朋友一定有过这样的痛苦：一段两小时的直播回放，只想剪出几句高光金句，却要在时间轴上反复拖拽、听写、对齐字幕。阿里通义语音实验室开源的 FunClip，用语音识别 + 大语言模型把这件事彻底自动化了——上传视频，复制你想保留的文字，点一下，片段就出来了。

📌 项目简介

FunClip 是一个完全开源、可本地部署的自动化视频剪辑工具，基于阿里巴巴通义语音实验室开源的 FunASR Paraformer 系列模型对视频做语音识别，用户自由选择识别文本片段或说话人，一键生成对应视频片段，并提供本地 Gradio Web 界面，支持 LLM 辅助智能剪辑。

⚙️ 安装要求与过程

环境要求：仅需 Python 环境（推荐 Python 3.8+）；如需内嵌字幕剪辑，需额外安装 ffmpeg 与 imagemagick 及中文字体文件。

快速安装：
```
# 克隆仓库
git clone https://github.com/modelscope/FunClip.git
cd FunClip
# 安装依赖
pip install -r ./requirements.txt

# 启动本地 Gradio 服务（默认中文 Paraformer）
python funclip/launch.py
# 可选：-m fun-asr-nano (31语种) | -m sensevoice (情绪+事件) | -l en (英文)
#       -p 端口号 | -s True (公网访问)
```
启动后访问 localhost:7860 即可使用 Web 界面：上传视频 → 复制需剪辑文本到 “Text to Clip” → 调整字幕 → 点击 “Clip” 或 “Clip and Generate Subtitles”。

✨ 核心功能
- 工业级中文 ASR（Paraformer-Large）：阿里开源的顶尖中文语音识别模型，Modelscope 下载超 1300 万次，可精准预测时间戳，自动返回全视频与目标段 SRT 字幕。
- 热词定制（SeACo-Paraformer）：在识别过程中指定实体词、人名等热词，显著提升专有名词识别准确率。
- 说话人分离（CAM++）：集成说话人识别模型，可自动识别 speaker ID，一键剪出特定人物的全部发言片段。
- LLM 智能剪辑：支持 qwen、GPT 等大模型，结合视频字幕自动推理出高光片段的时间戳；还可选 TwelveLabs Pegasus 视频理解模型，直接“看懂”画面而非仅依赖字幕。
- 多模型与多语言：2026 年新增 Fun-ASR-Nano（31 种语言高精度）、SenseVoice（情绪识别 + 音频事件检测），并支持英文视频识别剪辑。
🎬 典型使用场景
- 自媒体长视频提取金句：把一场发布会、一次访谈原片丢进去，复制想保留的台词，FunClip 自动精准裁出对应时段并生成字幕，做短视频切片效率翻倍。
- 会议 / 演讲按说话人剪辑：开启说话人分离后，直接剪出某位嘉宾的全部发言，用于整理观点、制作人物集锦，无需手动对照音轨。
- 视频自动加字幕：识别后一键生成全片 SRT，并可内嵌硬字幕导出，省去逐句听写的繁琐，特别适合教程、纪录片类内容。
💡 推荐理由

我自己的使用感受是：FunClip 把“语音识别 → 文本选择 → 视频裁剪”这条链路做到了极简。它不像一些云端剪辑工具那样把数据传上去，而是完全本地运行，隐私可控；Gradio 界面几乎零学习成本，命令行模式又能轻松写进自动化流水线。对做内容创作、知识整理的人来说，它是那种“装好就天天想用”的效率利器。尤其 LLM 智能剪辑的加入，让“我要这段关于乡村振兴的发言”变成一句自然语言指令就能完成。

🔗 下载地址
- GitHub：github.com/modelscope/FunClip
- ModelScope 在线体验：modelscope.cn FunClip Space
- HuggingFace 在线体验：huggingface.co FunClip Space
- 所属生态：FunAudioLLM 家族（FunASR / Fun-ASR-Nano / SenseVoice / CosyVoice）
许可协议：MIT（可自由商用与修改）
2026年7月8日
video-use：用 Claude Code 一句话剪辑视频，browser-use 团队出品，15.9K Stars 让 AI 成为你的剪辑师
把原始素材丢进文件夹，跟 Claude Code 聊两句，拿回成片 final.mp4 —— 这就是 video-use（15.9K+ Stars，MIT 许可，100% 开源）。它由爆火的 browser-use 团队打造，把”对话式 AI 编程”的思路搬进了视频剪辑：不再和轨道、关键帧死磕，而是用自然语言描述你要的成片。

🚀 项目简介

video-use 是一个对话式视频编辑「技能（skill）」，让 LLM 通过阅读而非观看视频来完成剪辑。它把任意原始素材（口播、混剪、教程、旅行、采访）交给 Claude Code / Codex / Hermes 等任意带 shell 的 AI 编程智能体，自动产出可直接发布的成片，全程无需预设模板或复杂菜单。核心思想和 browser-use 一脉相承：给 LLM 一份结构化的「视频说明书」，而不是一堆看不懂的逐帧截图。

⚙️ 安装要求和过程
环境要求
- Python 3.12+（依赖 requests / librosa / matplotlib / pillow / numpy）
- uv（推荐）或 pip 管理依赖
- ffmpeg（必需，渲染引擎）
- yt-dlp（可选，用于下载在线素材）
- ElevenLabs API Key（用于 Scribe 转写，按量计费）
方式一：对话式安装（推荐）

把官方 setup prompt 粘贴给 Claude Code / Codex / Hermes 等任意智能体，它会自动完成 clone、依赖安装、skill 注册，并在需要时提示你粘贴 ElevenLabs Key——你只需说”准备好了”等它通知。

方式二：手动安装
```
git clone https://github.com/browser-use/video-use ~/Developer/video-use
ln -sfn ~/Developer/video-use ~/.claude/skills/video-use   # Claude Code
# ln -sfn ~/Developer/video-use ~/.codex/skills/video-use  # Codex

cd ~/Developer/video-use
uv sync                       # 或 pip install -e .
brew install ffmpeg           # 必需
brew install yt-dlp           # 可选

cp .env.example .env          # 填入 ELEVENLABS_API_KEY=...
```
安装完成后，进入任意素材文件夹运行智能体，说一句”edit these into a launch video”，它就会盘点素材、给出剪辑策略、等你确认，再把 edit/final.mp4 生成在素材目录旁。
💡 核心功能
- 🧹 剔除填充词与死寂：自动删掉 umm / uh、假开场和片段间的空白，节奏立刻紧凑。
- 🎨 自动调色：每段独立调色——暖色电影感 / 中性 punch / 任意自定义 ffmpeg 链，风格统一可控。
- 🔇 无爆音剪辑：每个切点做 30ms 音频淡入淡出，彻底告别”咔哒”爆音。
- 📝 烧录字幕：默认 2 词大写块样式，颜色、字体、排版完全可定制。
- ✨ 动画叠层：通过 HyperFrames / Remotion / Manim / PIL 生成动画，每个动画派发并行子代理，互不阻塞。
- 📖 「阅读」而非「观看」：LLM 只读转写文本 + 按需时间轴视图（约 12KB 文本 + 少量 PNG），而非逐帧分析 4500 万 token 噪声——这正是它又快又准的关键。
- 🔁 自评估闭环：渲染后在每个切点自检画面跳变 / 音频爆音 / 字幕遮挡，最多自动重渲染 3 次，全部通过后你才看到预览。
📦 典型使用场景

🎤 场景一：口播 / 教程视频快速成片

录完一镜到底的口播，丢给 video-use：它会自动剔除 umm、加好字幕、统一调色、消除爆音，几分钟产出可直接上传的成片，省掉 PR 里最枯燥的”听音修剪”。

🎬 场景二：旅行 / 采访混剪

多段原始素材自动编排成叙事线，配合 Remotion / Manim 生成的动画叠层，做出有质感的混剪，适合 Vlog、产品发布片、活动回顾。

🤖 场景三：常驻远程剪辑

通过 Browser Use Box 跑在自有 VPS 或 Telegram 上，随时丢素材、随时收成片，把剪辑变成一条常驻的消息流水线。

⭐ 推荐理由

我特别欣赏它”给 LLM 一份视频说明书”的设计哲学——和 browser-use 把网页 DOM 喂给模型如出一辙，但对象换成了视频。传统”AI 剪辑”要么逐帧灌噪声、要么套预设模板；video-use 选择让模型读转写、按需看图，既省 token 又保精度，自评估闭环还兜住了质量下限。

100% 开源、MIT 许可，能挂在任何 AI 编程智能体上，本地文件零上传（只有转写调用 ElevenLabs）。如果你已经用 Claude Code 写代码，顺手把它变成分身剪辑师，几乎零学习成本。唯一门槛是 ElevenLabs 转写按量计费，但换来的是真正”对话即剪辑”的体验。

📧 下载地址
- 🏠 GitHub：github.com/browser-use/video-use
- 🌐 Browser Use Cloud（在线体验）：cloud.browser-use.com
- 🤖 Browser Use Box（常驻剪辑）：browser-use.com/bux
2026年7月8日
Zed：用 Rust 重写的高性能 AI 代码编辑器，86.6K Stars 让 VS Code 也坐不住了
项目简介：Zed 是由 Atom 与 Tree-sitter 创始人 Nathan Sobo 团队打造的高性能、多人协作代码编辑器，用 Rust + GPU 加速实现极致流畅的编码体验，并原生集成了 AI 助手与智能体能力。

📦 安装要求与过程

环境要求
- 操作系统：macOS 10.15+ / Linux（glibc 2.28+）/ Windows 10+
- 架构：x86_64 与 arm64 均支持
- 零额外依赖：自带 GPUI 渲染引擎，无需预装 Node 或 Electron
快速安装
- macOS：brew install --cask zed
- Windows：Microsoft Store 或 winget install Zed.Zed
- Linux：官网提供 .deb / .rpm / AppImage，或参考 Linux 安装文档
- 通用：访问 zed.dev/download 直接下载安装包
如需从源码构建，克隆仓库后执行 cargo run 即可（需 Rust 工具链）。详见各平台开发文档。

⚡ 核心功能
1. 极速编辑体验：Rust 编写 + GPU 渲染，多光标编辑、百万行大文件秒开，输入延迟低至亚毫秒级，彻底告别卡顿。
2. 原生多人协作：实时共同编辑、跟随模式（follow）、内置语音频道，无需安装插件即可远程结对编程。
3. AI 深度集成：内置 Agent 面板、内联补全（Inline Assistant）与命令面板 AI，支持 OpenAI / Anthropic / Ollama 等自定义模型。
4. Agent Panel 智能体：让 AI 在编辑器内直接读写文件、运行命令、多步迭代修改代码，把编码助理变成真正的协作者。
5. 基于 GPUI 框架：自研 UI 框架，扩展能力强；配合 Tree-sitter 实现精准的语法高亮与增量解析。
🎯 典型使用场景
- 团队结对编程：多人实时共编 + 内置语音，分布在不同城市的同事协作如坐同一间办公室。
- AI 辅助开发：用 Agent Panel 让 AI 完成函数重构、生成单元测试、解释复杂模块，效率翻倍。
- 大型项目快速导航：在海量代码库中秒级全局搜索与跳转，老旧大型工程也能流畅编辑。
💡 推荐理由

我实际体验过 Zed，最深的感受就是两个字——「丝滑」。打开几十 MB 的日志文件、全局搜索几乎零等待；它的 AI 能力不是外挂插件，而是编辑器原生的一部分，Agent Panel 真能在编辑器里完成多步任务、自己改文件跑命令。对于受够编辑器卡顿、又想要「AI 就在手边」的开发者，Zed 非常值得一试。2026 年 4 月它已发布 1.0 正式版，稳定性和生态都在快速成熟。

🔗 下载地址
- 🌐 官方网站：https://zed.dev
- 🐙 GitHub 仓库：https://github.com/zed-industries/zed（⭐ 86.6K+）
- 📥 下载安装：https://zed.dev/download
本文由自动化工作流整理发布 · 许可证：GPL-3.0-or-later（含 Apache-2.0 组件）
2026年7月7日

标签： 开源

📌 项目简介

💻 安装要求和过程

环境要求

快速安装

✨ 核心功能

🚀 典型使用场景

💡 推荐理由

🔗 下载地址

一、项目简介

二、安装要求和过程

三、核心功能

四、典型使用场景

五、推荐理由

六、下载地址

📌 项目简介

⚙️ 安装要求和过程

环境要求

快速安装（Python）

一分钟上手示例

📦 其他语言 SDK

🔥 核心功能

💡 典型使用场景

场景一：RAG 检索增强生成系统

场景二：AI Agent 长期记忆

场景三：边缘设备 / 本地优先语义搜索

✨ 推荐理由

🔗 下载地址

📌 项目简介

🛠 安装要求和过程

⚡ 核心功能

🎯 典型使用场景

💡 推荐理由（个人使用心得）

🔗 下载地址

安装要求和过程

环境要求

快速安装（OpenClaw，最常用）

Hermes Docker 部署

核心功能

典型使用场景

推荐理由

架构一览

下载地址

📌 项目简介

🛠 安装要求与过程

⚡ 核心功能

🎯 典型使用场景

💡 推荐理由

📥 下载地址

📌 项目简介

⚙️ 安装要求和过程

环境要求

快速安装

30 秒上手

✨ 核心功能

🎯 典型使用场景

💡 推荐理由

🔗 下载地址

📌 项目简介

⚙️ 安装要求与过程

✨ 核心功能

🎬 典型使用场景

💡 推荐理由

🔗 下载地址

🚀 项目简介

⚙️ 安装要求和过程

💡 核心功能

📦 典型使用场景

⭐ 推荐理由

📧 下载地址

📦 安装要求与过程

⚡ 核心功能

🎯 典型使用场景

💡 推荐理由

🔗 下载地址

标签：开源