标签: 开源

  • 不记录你任何对话的 AI,估值冲上了 10 亿美元

    隐私优先的 AI 聊天界面概念图
    当主流大模型忙着加护栏,Venice AI 反其道而行(图:TechCrunch)

    这两年,主流 AI 公司为了应对心理健康、人身安全、虚假信息这些指责,纷纷给模型套上越来越厚的护栏,严格控制它能说什么、能做什么。但担心归担心,需求并没有被吓退。AI 的潜力摆在那儿,没人愿意被某家科技公司限制住自己探索的权利。要是顺手还能保住隐私,那就更香了。

    Venice AI 恰恰踩中了这个点。它提供 200 多个 AI 模型的访问,同时承诺不留存你的隐私,靠这股需求一路涨。成立才两年,网站独立访客已经突破 85 万,月活超过 300 万,日均 API 调用 170 万次。

    两周前,它拿下了 10 亿估值

    Venice AI 上周宣布完成 6500 万美元 A 轮融资,估值站上 10 亿美元,这也是公司成立以来第一次拿外部钱。领投方是专注 crypto 的风投 Dragonfly,Coinbase Ventures、North Island Ventures 等跟投。CEO Erik Voorhees 在独家采访里告诉 TechCrunch,公司年化运行收入已经超 7000 万美元,而且已经盈利。

    Voorhees 把 Venice 定位成”中立的工具或平台”。他的原话是:这和比特币一样,作为一个中立协议,对所有人一视同仁。在他看来,进入 AI 新时代后如果所有人都被持续监视,那比任何人问出争议问题要危险得多。

    它到底怎么保护你

    Venice 在自己机房托管”无审查”的开源模型,同时把发往 OpenAI、Anthropic 等闭源模型的查询也走一层外部代理。用户输入在端侧加密,不经 Venice 自己的服务器留存;部分模型还提供端到端加密,不过要订阅才用得上。

    这种立场和创始人背景分不开。Voorhees 是比特币早期布道者,早年做过 Satoshi Dice、加密货币交易所 ShapeShift,长期替用户隐私站台。当《华尔街日报》曾指控 ShapeShift 经手可疑资金时,他的回应是:我不认为人们该为了抓个别罪犯,就被迫留下身份记录。面对”AI 引发心理伤害”的质疑,他这次也延续了同一套逻辑。


    争议和未解的问号

    • 少一层过滤,意味着被滥用的空间也更大。公司说自己也保留了防滥用、防违法的护栏,但”中立平台”的边界到底画在哪,监管迟早要问。
    • 公司顺手发了 VVV 和 DIEM 两个代币,用户质押 VVV 能换 AI 额度。不过 Voorhees 说,真正用 crypto 付费的只有约 8% 的用户。
    • 增长的真正引擎,是能力终于追上了 ChatGPT。早年大家因为它私密才来,如今它又好用又私密,替代的说服力就出来了。

    下一步,Venice 想把这笔钱用来买 GPU、建自己的数据中心,不再租算力,把毛利提上去。它的哲学其实很干脆:大多数公司承诺”小心保管”你不愿被收集的数据,而 Venice 从设计上就什么都不收集——对话存在你自己的设备上,不进它的服务器。这不是保管得更好,而是没什么可保管。

    当看病、问法、谈薪、说心事这些最私密的时刻都交给了聊天机器人,你的数据就只和那家公司的安全政策一样可靠。Venice 用 10 亿估值证明了一件事:总有人愿意为”不被盯着”付钱。

  • 🔥 Firecrawl:为 AI 智能体而生的网页抓取与搜索 API(152.7K Stars)

    🔥 Firecrawl:为 AI 智能体而生的网页抓取与搜索 API(152.7K Stars)

    Firecrawl

    Firecrawl 是一个面向 AI 的开源网页数据 API——把”搜索、抓取、与网页交互”封装成一套可靠的服务,自动把任意网页转换成干净的 Markdown 或结构化 JSON,让大模型和智能体直接可用。

    一、项目简介

    一句话:Firecrawl 是”为 AI 而生的 Web 数据 API”。它覆盖 96% 的网页(含 JS 重度页面),P95 延迟仅 3.4s,把你从反爬、代理轮换、JS 渲染等脏活中彻底解放出来,专注业务本身。

    二、安装要求和过程

    环境要求

    • 一门开发语言运行时:Python 3.8+Node.js 18+
    • 一个 Firecrawl API Key(在 firecrawl.dev 免费注册即可获取,含免费额度)
    • 自托管可选:Docker + Docker Compose、Redis、用于渲染的 Playwright Key

    快速安装

    Python:

    pip install firecrawl-py

    Node.js:

    npm install firecrawl

    CLI(一行给 Agent 装好 Skill + 浏览器能力):

    npx -y firecrawl-cli@latest init --all --browser

    配置密钥后,三行代码即可抓取:

    from firecrawl import Firecrawl
    
    app = Firecrawl(api_key="fc-YOUR_API_KEY")
    doc = app.scrape("https://firecrawl.dev", formats=["markdown"])
    print(doc.markdown)

    自托管(数据完全自控):

    git clone https://github.com/firecrawl/firecrawl
    cd firecrawl && cp .env.example .env   # 填入 REDIS_URL、PLAYWRIGHT_KEY 等
    docker compose up -d

    三、核心功能

    • 一体化 Web API:Search / Scrape / Crawl / Map / Batch Scrape / Agent / Interact 七大端点,覆盖”找源 → 取内容 → 结构化”全链路。
    • LLM 就绪输出:自动输出干净 Markdown、带 Schema 的结构化 JSON、截图,省 token、少噪音。
    • 工业级可靠性:覆盖 96% 网页(含 JS 重度页面),P95 延迟 3.4s,自动处理反爬、代理轮换、限速与 JS 拦截。
    • Interact 交互式抓取:抓下页面后用 AI 提示词或代码”点击 / 滚动 / 输入 / 等待”,轻松拿下动态页面。
    • Agent 自治 + MCP/Skill 一行接入:用自然语言描述需求即可自动收集数据;一条命令接入 Claude Code、Cursor 等任意 MCP 客户端。

    四、典型使用场景

    • RAG 知识库构建:批量 Crawl 文档站转 Markdown,直接灌入向量库,告别手写爬虫。
    • AI 智能体联网:通过 MCP 让 Claude Code / Cursor 等 Agent 实时检索并读取网页,回答才有”活水”。
    • 竞品与市场研究:用 Agent 端点一句话拿到结构化竞品定价、功能对比,无需提前知道 URL。

    五、推荐理由

    做过 RAG 或 AI Agent 的人都懂:自己写爬虫要处理反爬、JS 渲染、代理池、限速……Firecrawl 把这些脏活全包了,输出直接是干净 Markdown,省下大量 token 和调试时间。免费额度对个人项目足够,MCP 接入极简,AGPL-3.0 协议还能自托管把数据攥在自己手里。如果你的应用”需要联网”,它几乎是第一选择。

    六、下载地址

  • Ponytail:让 AI 编码智能体像最懒的高级开发一样思考,代码量直降 54%

    Ponytail:让 AI 编码智能体像最懒的高级开发一样思考,代码量直降 54%

    Ponytail logo

    你肯定见过那种人:长马尾、圆框眼镜、在公司待得比版本控制系统还久。你给他看五十行代码,他看都不看,沉默两秒,用一行把它换掉——而且一次跑通。Ponytail 就是把这位”最懒的高级开发”塞进了你的 AI 编码智能体。

    它不是一个新模型,也不是一个新 IDE,而是一套规则集 / Skill:在动手写代码前,先逼 Agent 在”懒惰阶梯”上逐级确认——这东西真的需要存在吗?代码库里已经有了吗?标准库能解决吗?浏览器原生支持吗?……直到最后一步才允许写出”最小可用”的代码。结果是在真实 FastAPI + React 仓库上实测:代码量少 54%、成本降 20%、速度快 27%,安全性 100% 不打折

    一、项目简介

    Ponytail 是一个跨 20+ AI 编码智能体(Claude Code、Codex、Cursor、Windsurf、Cline、Gemini CLI、Copilot CLI、Aider、Kiro、Zed、Hermes Agent、OpenCode、Qoder 等)的”极简工程规则集”,教 Agent 像最懒的高级开发一样思考——能不写就不写,能复用就复用,用最小必要代码解决问题,同时永不削减安全、校验与可访问性护栏。

    二、安装要求与过程

    环境要求

    • Node.js:Claude Code / Codex 插件会运行两个轻量 Node.js 生命周期 hook,需要 node 在 PATH 上(nix/nvm 用户注意非交互 shell 的 PATH)。没有也没关系——Skill 照常工作,只是常驻激活会保持静默。
    • 任一支持的 AI 编码助手:覆盖 20+ 平台,无需统一环境。
    • 零配置:不需要任何配置文件;可选 ~/.config/ponytail/config.jsonPONYTAIL_DEFAULT_MODE 环境变量设置默认强度(lite/full/ultra/off,默认 full)。

    快速安装(以 Claude Code 为例)

    /plugin marketplace add DietrichGebert/ponytail
    /plugin install ponytail@ponytail

    ⚠️ 两条 /plugin 命令需分两次发送才能生效。

    其他平台的极简安装:

    • Codexcodex plugin install ponytail@ponytail
    • Cursor / Windsurf / Cline:复制仓库里的 .cursor/rules/ponytail.mdc(或对应 rules 文件)到项目
    • Gemini CLIgemini extensions install https://github.com/DietrichGebert/ponytail
    • OpenCode:在 opencode.json{"plugin":["@dietrichgebert/ponytail"]}
    • Hermes Agenthermes plugins install DietrichGebert/ponytail --enable
    • 更多(Kiro、Zed、Qoder、Pi、Devin、OpenClaw、Amp、Jules、Swival、CodeWhale…)见仓库 docs/agent-portability.md

    三、核心功能

    1. 七阶”懒惰阶梯”(Ladder of Laziness)

    在写代码前,Agent 会停在第一个成立的台阶上:

    1. 这东西需要存在吗?      → 不需要:跳过(YAGNI)
    2. 代码库里已经有了?      → 复用,别重写
    3. 标准库能搞定?          → 用它
    4. 平台原生能力?          → 用它(比如 <input type="date">)
    5. 已安装的依赖里有?      → 用它
    6. 一行能解决?            → 一行
    7. 只有到这步才:写最小可用

    关键是它在”理解问题之后”才跑这把梯子:先读被改动触碰的代码、追真实的调用流,再选台阶。对”怎么解”偷懒,但对”读懂”绝不懈怠。

    2. 四档强度 + 子代理注入

    /ponytail [lite|full|ultra|off] 切换力度,ultra 留给”这个代码库个人得罪了你”的时刻;规则集会自动注入通过 Agent 工具派生的每一个子代理(可用 PONYTAIL_SUBAGENT_MATCHER 正则按 agent 类型做白名单)。

    3. 六个专门命令(Skills)

    • /ponytail-review:审查当前 diff 的过度设计,直接给你一份”删除清单”
    • /ponytail-audit:不止看 diff,全仓审计过度工程
    • /ponytail-debt:把延后的 ponytail: 捷径汇总成账本,防止”以后再说”变”永远不做”
    • /ponytail-gain:展示 benchmark 实测的收益记分牌
    • /ponytail-help:命令速查

    4. 懒而不怠(Lazy, not negligent)

    信任边界校验、数据丢失处理、安全、可访问性,永远不在削减之列。这也是它和裸”写一行代码”提示最根本的区别——后者在基准测试里安全性从 100% 掉到了 95%。

    5. 极致的可移植性

    同一套规则用 20+ 平台的原生格式分发:Claude Code 插件、Codex 插件、Cursor rules、Windsurf rules、.clinerulesAGENTS.md.kiro/steering.qoder/rules、Gemini extension、OpenCode 插件、Hermes 插件、OpenClaw skills、Copilot instructions……你在不同工具间切换,规则无缝复用。

    四、典型使用场景

    场景 1:过度膨胀的日期选择器

    你只想要个日期选择。普通 Agent 会装 flatpickr、写 wrapper 组件、加样式表、顺带开一场关于时区的讨论。Ponytail 下:

    <!-- ponytail: 浏览器原生就有 -->
    <input type="date">

    实测:日期选择器从 404 行降到 23 行,颜色选择器 287 → 23——因为它伸手去够原生的 <input>,而不是搬一个组件库进来。

    场景 2:真实仓库的 feature 开发

    作者用无头 Claude Code 编辑真实 FastAPI + React 仓库(tiangolo 的全栈模板),跑 12 个真实工单,同一 Agent 开/关 Ponytail 各 n=4(Haiku 4.5)对比:

    对比项 代码量 Token 成本 耗时 安全
    Ponytail -54% -22% -20% -27% 100%
    裸”YAGNI+一行”提示 -33% -14% -21% -30% 95%

    Ponytail 是唯一一个每项指标都下降、且全程 100% 安全的方案。省下的成本和延迟只是”顺手”的副作用。

    场景 3:代码审查与技术债治理

    提 PR 前跑 /ponytail-review,让它帮你揪出过度工程化的代码并给出删除清单;/ponytail-audit 做整仓体检;/ponytail-debt 防止”以后再说”变成”永远不做”。这比人工 code review 更狠,也更不近人情——但代码更健康。

    五、推荐理由(个人心得)

    • 哲学站得住脚:它从没把”最少 token”当目标,目标是”只写任务真正需要的”。代码小是因为必要,不是因为炫技压缩。这点戳中了我——太多”极简”提示是以砍掉边界校验为代价的。
    • 数据诚实得罕见:作者主动承认早期单轮 benchmark 有基线水分,老老实实用 agentic 基线重测,给出均值 -54% 而不是挑最好看的数字。这种克制在开源圈不多见。
    • 跨平台分发太香:我同时在 Claude Code 和 Cursor 之间横跳,同一套规则零摩擦复用,不用维护两份 prompt。
    • 该狠的地方真狠:review / audit / debt 三个命令简直是”代码洁癖患者”的福音。

    当然也有边界:对已经极简的代码它收益趋近于零;在会”深思熟虑每一步”的 terse 推理模型(如 GPT-5.5)上,反而可能因思考 token 增加而变慢——所以它最擅长的是那些”爱过度构建”的 Agent。一句话:把 Ponytail 交给爱加戏的 Agent,把自由留给真正需要创造力的你。

    六、下载地址

    许可证:MIT | 语言:JavaScript | 当前 Star:85K+

  • Hermes Agent:会自己进化的 AI 智能体,越用越懂你(216K★ · Nous Research 开源)

    Hermes Agent:会自己进化的 AI 智能体,越用越懂你(216K★ · Nous Research 开源)

    Hermes Agent

    Hermes AgentNous Research 开源的「自进化 AI 智能体」——它内置学习回路,能从经验中沉淀技能、在对话中持续自我改进,并跨会话建立对你的深度认知。它可以跑在 5 美元的 VPS、GPU 集群,或是近乎零成本的 Serverless 上,彻底不依赖你的笔记本电脑:你甚至能在手机 Telegram 上给它派活,它却在云端 VM 里默默干活。

    📦 安装要求和过程

    环境要求

    • 支持 Linux / macOS / WSL2 / Termux / 原生 Windows(PowerShell);
    • 官方一键安装脚本会自动打包好运行所需环境:uv(Python 3.11)、Node.js、ripgrep、ffmpeg,以及隔离的 MinGit(Windows 原生无需管理员权限);
    • 至少准备一个 LLM Provider 的 API Key,或直接使用 Nous Portal 一站式订阅(300+ 模型 + 工具网关)。

    快速安装

    Linux / macOS / WSL2:

    curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
    source ~/.bashrc      # 重载 shell
    hermes               # 开始对话

    Windows(原生 PowerShell):

    iex (irm https://hermes-agent.nousresearch.com/install.ps1)

    装好后用向导一步到位:hermes setup 配置全部,hermes model 选模型,hermes gateway 启动消息网关(Telegram / Discord 等)。

    ✨ 核心功能

    1. 闭环学习回路(Closed Learning Loop)
    Agent 自主策展记忆并周期性自我提醒;完成复杂任务后自动创建技能,并在后续使用中不断自我改进。配合 FTS5 会话检索 + LLM 摘要实现跨会话回忆,兼容 agentskills.io 开放标准,并引入 Honcho 辩证式用户建模——它会越来越懂你。

    2. 真实终端体验 & 随处可达
    完整 TUI:多行编辑、斜杠命令自动补全、流式工具输出、可随时打断重定向。单个网关进程同时接入 Telegram / Discord / Slack / WhatsApp / Signal / 邮件,支持语音转写与跨平台对话连续。

    3. 40+ 工具 & MCP & 子智能体并行
    内置终端、文件、Web 搜索、图像生成等 40+ 工具,提供 6 种终端后端(local / Docker / SSH / Singularity / Modal / Daytona);可派生隔离子智能体并行工作流,并通过 RPC 把多步流水线压成「零上下文成本」的回合。

    4. 定时自动化 & 模型自由
    内置 cron 调度器,用自然语言描述即可跑日报、夜备、周审并投递到任意平台;hermes model 一行切换 Nous Portal / OpenRouter / OpenAI / 自有端点等 300+ 模型,零锁定

    5. 安全 & 自托管
    命令审批、DM 配对、容器隔离一应俱全;可部署在 5 美元 VPS 或 GPU 集群,Daytona / Modal 提供 Serverless 持久化——空闲时近乎零成本。

    🎯 典型使用场景

    场景一:个人随身助理
    在手机 Telegram 给云端 VM 里的 Hermes 派活,它后台跑长任务,完工把日报推回 Telegram——你的笔记本全程不用开机。

    场景二:研发自动化工作台
    接入 MCP 服务器 + 派生子智能体并行做代码库理解、批量改文件、跑测试;用 cron 每晚自动备份、每周自动审计,全程无人值守。

    场景三:研究 / 数据流水线
    批量生成并压缩 trajectory 用于训练下一代 tool-calling 模型;跨会话记忆让科研助理越用越贴合你的研究偏好。

    💡 推荐理由

    我用过不少 AI Agent,Hermes 最打动我的是它真的「会成长」:多数 Agent 是一次性工具,而 Hermes 把经验固化成可复用技能,用得越久越顺手,这对长期个人助理场景价值巨大。其次是模型与平台都不锁定——想省事用 Nous Portal 一站式,想自由就自带 Key,迁移成本极低。最后是它真正「住在云端」的设计(Telegram 触达 + Serverless 休眠),特别适合不想一直开着电脑的人。

    🔗 下载地址

  • Grok Build:xAI 开源的终端 AI 编码智能体(16.4K+ Stars)

    Grok Build:xAI 开源的终端 AI 编码智能体(16.4K+ Stars)

    Grok Build 终端 AI 编码智能体 TUI 界面

    项目简介

    Grok BuildxAI(SpaceXAI) 本周开源的一款终端型 AI 编码智能体(Coding Agent)。它以一个全屏 TUI 为载体,把代码库理解、文件编辑、Shell 执行、网络搜索、长任务管理整合在一个可扩展的 harness 里,并支持交互式、headless 脚本/CI 以及通过 ACP 嵌入编辑器三种运行模式。

    安装要求和过程

    环境要求

    • 使用预编译二进制:macOS / Linux / Windows 均可一键安装。
    • 从源码构建:需要 Rust 工具链(仓库中的 rust-toolchain.toml 会自动锁定版本)和 DotSlash(用于拉取 bin/protoc 等 hermetic 工具)。

    快速安装(推荐)

    macOS / Linux / Git Bash:

    curl -fsSL https://x.ai/cli/install.sh | bash
    grok --version

    Windows PowerShell:

    irm https://x.ai/cli/install.ps1 | iex

    从源码构建

    cargo install dotslash
    cargo build -p xai-grok-pager-bin --release

    构建产物为 target/release/xai-grok-pager,官方安装包会把它命名为 grok。首次启动会引导浏览器完成认证。

    核心功能

    • 全屏终端 TUI:类似编辑器体验的沉浸式界面,支持鼠标、快捷键、滚动历史与模态操作。
    • 代码库感知:自动索引项目文件,支持跨文件编辑、执行 Shell 命令、网络搜索与上下文召回。
    • 长任务管理:检查点、重试、会话保持,适合复杂重构、多步骤自动化与失败恢复。
    • ACP 协议支持:通过 Agent Client Protocol 把 grok 嵌入 VS Code、Cursor 或其他编辑器,保留现有工作流。
    • MCP 与 Skills:可接入 MCP 服务器、加载 Skills、插件与 hooks,扩展 Agent 的工具集。
    • 三模运行:交互式 TUI、headless 脚本/CI、嵌入式编辑器,覆盖从日常开发到自动化的全场景。

    Grok Build 核心功能

    典型使用场景

    场景一:大型代码重构

    在 TUI 中描述“把同步数据库调用改为异步”,Grok Build 会自动跨文件改代码、跑 cargo test、处理失败重试,并生成可审查的 diff;用户只需确认或拒绝,不会丢失当前会话。

    场景二:CI 自动修复流水线

    在 headless 模式下接入 GitHub Actions/GitLab CI,当测试失败时自动拉取日志、定位根因、提交补丁,让 Agent 在 CI 中承担“修复工程师”角色。

    场景三:编辑器增强

    通过 ACP 在 VS Code 或 Cursor 中直接调用 grok,既保留现有 IDE 的快捷键和文件树,又能随时让 Agent 接管复杂任务。

    推荐理由

    • xAI 官方出品:仓库与 SpaceXAI 内部 monorepo 周期性同步,代码质量和更新频率有保障。
    • 终端原住民的体验:全屏 TUI 比聊天框更贴近开发者终端习惯,鼠标交互也降低了学习成本。
    • 架构清晰、可扩展:Rust 实现,crate 拆分明确(TUI / shell / tools / workspace / MCP 等),便于二次开发。
    • 热度极高:开源 4 天内斩获 16,428+ Stars、3,000+ Forks,是近期 GitHub Trending 上增长最快的 AI 编码项目之一。

    下载地址

    如果你已经习惯 Claude Code、Codex CLI 或 Cursor Agent,Grok Build 提供了一个更“终端原生”且可扩展的替代方案,值得一试。

  • 马斯克连夜开源Grok Build,但代码里还留着上传用户整个仓库的痕迹

    事情经过是这样的:7月13号左右,一位叫 Cereblab 的安全研究人员在测试 xAI(现在叫 SpaceXAI)的终端编程工具 Grok Build 时,发现了一个让人后背发凉的问题——这个号称”本地优先”的 AI 编程助手,会在你毫不知情的情况下,把你的整个 Git 代码仓库打包上传到 Google Cloud Storage。

    Grok Build代码上传隐私问题示意图
    AI编程工具的隐私边界正在成为开发者最关心的问题

    在一个12GB的测试仓库里,模型实际只用了192KB的数据来完成任务,但上传通道却往Google云存储桶里塞了5.1GB——差了将近28000倍。

    不是Bug,是设计

    Cereblab 用 mitmproxy 抓了所有网络请求。他让 Grok Build 做一件再简单不过的事:回复一个”OK”,不打开任何文件。按理说这不该触发任何数据外传,但结果呢?工具照样把整个项目目录、commit 历史、甚至他故意放进去做测试用的 never_read_canary.txt(一个明确标注”别读我”的文件)全部打包上传了。

    更离谱的是,用户界面里的那个”改进模型”开关根本没用。关掉它,服务器端依然返回 trace_upload_enabled: true,照传不误。

    密码和密钥也一起飞了

    当 Grok Build 读到 .env 文件里的 API Key 和数据库密码时,这些敏感信息也被原封不动地塞进 session 归档包,没有任何脱敏处理。有开发者报告说亲眼看着自己的 SSH 密钥、密码管理器数据库、个人文档和照片都被一股脑传走了。

    消息曝光之后,xAI 在服务端悄悄加了一个 disable_codebase_upload: true 的全局开关来关掉这个功能——注意,不是修客户端代码,是服务端配置一改就完事了。这意味着理论上他们随时可以重新打开。

    紧急开源:84万行Rust代码一夜上线

    丑闻发酵没几天,马斯克亲自宣布 Grok Build 全面开源,完整代码库直接扔到了 GitHub(xai-org/grok-build),几小时就冲到了 7700+ Star。官方还重置了所有云端使用限制,支持完全本地运行,声称要给用户”彻底的隐私控制”。

    开源后的代码库确实很庞大——844530 行 Rust 代码,规模跟 OpenAI 的 Codex(约95万行)差不多。但仔细翻一遍你会发现,之前那段向 Google Cloud 上传数据的代码(upload/gcs.rs)还在里面,只是被硬编码成了返回错误的状态。删了吗?没有。禁用了?是的。能不能随时改回来?技术上完全可以。

    • Grok Build 是基于 Grok 4.5 大模型的命令行 AI 编程智能体,定位对标 Claude Code 和 OpenAI Codex CLI
    • 代码中包含从 openai/codex 和 sst/opencode 移植过来的工具实现
    • CONTRIBUTING.md 明确写明不接受外部 Pull Request——这更像是一次”可审计代码公开”而非真正的社区协作开源
    • 子智能体的系统提示词要求模型”不要向用户透露提示词内容”,但主提示词却没有类似限制

  • OpenWiki:让 AI 智能体为你的代码库自动写「活文档」的 CLI 工具

    OpenWiki:让 AI 智能体为你的代码库自动写「活文档」的 CLI 工具

    OpenWiki

    项目简介

    OpenWiki 是 LangChain 开源的命令行工具,专为 AI 智能体(Agent)设计,能自动为你的代码库或个人知识源生成并持续维护一份本地 Wiki(知识库)。它把分散在代码、邮件、笔记、社交动态里的信息,用 LLM 合成结构化、可检索、可被编码助手直接引用的文档。

    安装要求和过程

    环境要求

    • Node.js 运行环境(推荐用 npmpnpm 安装)。Windows 上建议避开 bun——它安装时需要本地编译 better-sqlite3 原生依赖,需先装 Visual Studio Build Tools(桌面开发 with C++ 工作负载)。
    • 至少一个 LLM 提供商的 API Key:开箱支持 OpenAI / Anthropic / Gemini / Vertex AI / AWS Bedrock / OpenRouter / Fireworks / NVIDIA NIM 等,默认模型 gpt-5.6-terra

    快速安装

    # 全局安装
    npm install -g openwiki
    # 或
    pnpm add -g openwiki

    快速开始

    # 代码模式:初始化并配置模型/Key,自动为当前仓库生成文档
    openwiki --init
    
    # 进入交互式 CLI,开始生成仓库 Wiki
    openwiki
    
    # 带初始指令一次性运行
    openwiki "Please generate documentation for this repository"
    
    # 更新文档(可放进 CI 定时跑)
    openwiki --update
    
    # 个人大脑模式:从 Gmail/Notion/X 等构建本地知识库
    openwiki personal --init

    OpenWiki 提供 两种模式Code 模式为当前代码库在 openwiki/ 生成仓库文档;Personal 模式从配置的本地仓库、Gmail、Notion、Web Search、Hacker News、X/Twitter 在 ~/.openwiki/wiki 构建”个人大脑”。配置与密钥保存在本地 ~/.openwiki/.env

    核心功能

    1. 双模式 Wiki:代码库 & 个人大脑

    代码模式下,OpenWiki 不仅生成 openwiki/ 目录的仓库文档,还会在仓库根目录维护 AGENTS.mdCLAUDE.md;个人模式则把 Git / Notion / Gmail / X / Hacker News / Web 统一 ingested 成一份本地可问答的知识库。

    2. 为 Agent 而生:把 Wiki 焊进编码助手

    OpenWiki 用 <!-- OPENWIKI:START -->…<!-- OPENWIKI:END --> 注释块向 AGENTS.md / CLAUDE.md 注入指引,且只改写自己的区块、不动你写的内容。结果是 Claude Code、Codex、Cursor 等编码智能体在检索上下文时会直接引用这份 Wiki,而不用把整页代码塞进上下文窗口,显著节省 token。

    3. 多连接器 Ingestion

    内置 git-repo / gmail / notion / x(Twitter) / web-search(Tavily) / hackernews 连接器,同一连接器可配置多个实例(如 web-search-1web-search-2),用 openwiki auth <provider> 完成 OAuth 登录。

    4. 全模型供应商兼容

    开箱支持 OpenAI(含 ChatGPT 订阅登录,免 API 计费)、Anthropic、Gemini(AI Studio)、Gemini Enterprise(Vertex AI)、AWS Bedrock(IAM 凭证)、OpenRouter、Fireworks、Baseten、NVIDIA NIM、以及任意 OpenAI 兼容端点;甚至支持自托管/代理网关的 ANTHROPIC_BASE_URLOPENAI_COMPATIBLE_BASE_URL

    5. CI 自动化 + 隐私友好

    提供 GitHub Actions / GitLab CI / Bitbucket 流水线模板,定时自动开 PR 更新文档;数据全部存于本地(本地优先),匿名遥测可一键关闭(OPENWIKI_TELEMETRY_DISABLED=1DO_NOT_TRACK=1)。

    典型使用场景

    场景一:团队代码库”活文档”

    openwiki-update.yml 放进 GitHub Actions,每次定时运行自动生成/更新仓库 Wiki 并开 PR。新成员和 AI 编码助手都能秒懂项目结构、模块职责与历史决策,告别”文档写完就过期”。

    场景二:个人知识大脑

    连接 Gmail、Notion、X、Hacker News 与本地 Git 仓库,OpenWiki 把它们合成一份可问答的本地 Wiki。想回顾某段技术讨论或某封邮件结论时,直接对话即可,知识不再散落各处。

    场景三:给编码 Agent 减负

    OpenWiki 把 Wiki 注入 AGENTS.md / CLAUDE.md 后,Claude Code 等智能体在动手改代码前会先读 Wiki,避免重复探索、显著降低上下文 token 消耗——这正是”代码库语义化”落地的关键一环。

    推荐理由(个人使用心得)

    “代码库语义化”是 2026 年 Agent 基础设施里最实在的刚需之一。OpenWiki 的巧思在于:它不只是一个文档生成器,而是把生成的 Wiki 直接焊进 AGENTS.md / CLAUDE.md——这是 Claude Code、Codex、Cursor 都会主动读取的文件。换句话说,它让 AI 编码助手在每次开工前自动带上项目上下文,而不是靠把整页源码塞进上下文窗口。

    TypeScript 写的单 CLI、MIT 协议、本地优先、数据不出机器,对个人开发者和注重隐私的团队都很友好;LangChain 出品也意味着模型兼容性与工程质量有保障。唯一的小门槛是需要自备 LLM Key,以及 Windows 上用 bun 装要额外编译原生依赖——用 npm/pnpm 则毫无障碍。如果你已经被”AI 改代码却不懂项目全貌”折磨过,值得一试。

    下载地址

  • Hallmark:一个”拒绝 AI 味”的设计技能,让 Claude Code / Cursor / Codex 产出不像模板套出来的页面

    Hallmark:一个”拒绝 AI 味”的设计技能,让 Claude Code / Cursor / Codex 产出不像模板套出来的页面

    Bubble 酸面团 App 首页,由 Hallmark 生成

    一、项目简介

    Hallmark 是由 Together AI 开源的一个「设计技能(Skill)」,专门给 Claude Code、Cursor、Codex 这类 AI 编程助手注入一套反”AI 味”(Anti-AI-slop)的设计规则:它会为目标自主挑选宏观结构、从 20 套主题中”着装”、跑 57 道”烂大街”检测闸门加一遍自检,让产出的页面彼此像不同的网站,而不是同一套模板换色。

    二、安装要求和过程

    环境要求:Node.js(用于 npx)、并安装 Claude Code / Cursor / Codex 中的任一 AI 编码助手;也可以纯拷贝文件手动安装,无需额外依赖。

    快速安装(推荐):

    npx skills add nutlope/hallmark

    随时重新运行即可更新到最新版本。若不想走 npx,也可手动把仓库里的 SKILL.md + references/ 拷贝到对应目录:

    • Claude Code~/.claude/skills/hallmark/
    • Cursor.cursor/rules/hallmark.mdc(取 SKILL.md 正文,无需 frontmatter)
    • Codex~/.codex/skills/hallmark/(个人)或 .codex/skills/hallmark/(项目级)

    三、核心功能

    1. 四大”动词”工作流:默认直接构建新 UI;audit 给现有代码打分挑刺(只列清单不改代码);redesign 推倒结构、保留文案/信息架构/品牌后重塑;study 从你欣赏的设计里提取”DNA”(宏观结构、字体配对、色彩锚点),并明确拒绝像素级抄袭与付费模板,可输出可移植的 design.md
    2. 57 道反 AI-slop 检测闸门 + 发布前自检:拒绝每个 LLM 都被训练进的”分布内默认项”——渐变紫、玻璃拟态、千篇一律的圆角卡片网格。
    3. 20 套主题 + 宏观结构引擎:针对每个 brief 自主挑选主题、结构与工艺,不同需求产出截然不同的页面形态,而非同一模板的换色。
    4. Custom 自定主题(新增):当创意意图超出目录主题时,切换为 Custom 从零设计——量身配色、字体与排版,同样受 57 道闸门约束,底层无模板。
    5. 自包含产物 + 可移植:每个页面都是独立的 HTML + CSS,并在 CSS 注释中盖戳宏观结构;study 还能导出 design.md 交给其他 AI 工具接力。

    Distil 内容抽取 API 首页Cold Snap 唱片厂牌 EP 首页

    左:Distil 内容抽取 API | 右:Cold Snap 唱片厂牌 —— 不同 brief,完全不同的气质

    四、典型使用场景

    1. 给新产品做落地页 / 官网原型:输入一句 brief(如”一个酸面团 App 的首页”),Hallmark 直接产出有独特气质的 hero 页,而不是 ChatGPT 默认那种蓝色渐变卡片。
    2. 给”AI 味”过重的现有页面做体检与改造:audit 给老页面打分列出顽疾清单,再用 redesign 保留文案与品牌、推翻结构重做,得到截然不同的”指纹”。
    3. 向优秀设计”借 DNA”而不抄袭:把竞品或灵感图的截图 / URL 喂给 study,提取其结构、字体与配色锚点用于自己的项目,且明确拒绝像素克隆与付费模板。

    五、推荐理由(个人使用心得)

    做 AI 辅助前端最破防的就是”一眼 AI 生成”——紫渐变、玻璃卡片、无限圆角。Hallmark 把资深设计师的”反套路直觉”固化成可复用的规则集,等于给编码助手配了个审美总监。它最妙的地方是”同样的指令、不同的 brief,产出像不同站点”,这对想快速产出有辨识度原型的独立开发者 / 小团队太香了。MIT 许可、一键 npx 安装、可移植 design.md,几乎零门槛。

    注意:它是”设计技能”而非独立 App,需要搭配 Claude Code / Cursor / Codex 使用;审美风格偏编辑 / 杂志 / 独立品牌感,若你要的是中规中矩的企业后台风,它可能”太有性格”。

    Cinder AI 推理工具首页

    六、下载地址

  • herdr:17.3K Stars 的终端 Agent 复用器,在命令行里同时”放养”一群 AI 编程智能体

    herdr:17.3K Stars 的终端 Agent 复用器,在命令行里同时”放养”一群 AI 编程智能体

    herdr logo

    herdr 是一款用 Rust 写成、直接跑在你现有终端里的「Agent 复用器(agent multiplexer)」——把 Claude Code、Codex、Cursor、Copilot 等一众 AI 编程智能体并排塞进真实的终端面板,统一监视、分屏、脱离与重连,让你在命令行里就能”放养”一整群 Agent。

    一、项目简介

    herdr = terminal agent multiplexer。它不是一个封装 AI 的 Web 界面,而是一个单文件 Rust 二进制(无 Electron),把多个 AI 编程智能体的真实终端会话聚合到同一个 TUI 里:每个 Agent 的工作状态(阻塞 / 进行中 / 已完成)一目了然,你可以像用 tmux 一样分屏、点击、脱离,而 Agent 们还在后台继续干活。

    二、安装要求和过程

    环境要求

    • 任意现代终端(macOS / Linux / Windows 终端均可),无需图形界面;
    • 单个 Rust 静态二进制,无 Electron、无运行时依赖
    • 支持通过 ssh 远程接入,会话在重启后依然存活;
    • 可选:本地有 Claude Code / Codex / Cursor 等任一 AI 编程助手即可配合工作。

    快速安装

    # macOS / Homebrew
    brew install herdr
    
    # 一键安装脚本(Linux / macOS)
    curl -fsSL https://herdr.dev/install.sh | sh
    
    # 版本管理器
    mise use -g herdr
    
    # Windows(测试版)
    powershell -ExecutionPolicy Bypass -c "irm https://herdr.dev/install.ps1 | iex"
    
    # 或直接从 GitHub Releases 下载对应平台的预编译二进制
    # https://github.com/ogulcancelik/herdr/releases
    

    启动与使用

    # 在代码目录直接启动
    herdr
    
    # Ctrl+B Q 脱离(Agent 继续跑)
    # 之后任意终端再输入 herdr 即可重连
    

    源码构建:git clone https://github.com/ogulcancelik/herdr && cd herdr && cargo build --release

    三、核心功能

    • 一眼掌控所有 Agent:阻塞 / 工作中 / 已完成,展示的是真实终端视图,而非被封装过的”解释版”界面。
    • 脱离不中断:Agent 在后台继续运行,可随时从任意终端或 ssh 重连,会话在系统重启后依然存活。
    • Agent 也能用 herdr:提供纯 Socket API,Agent 可以自己起面板、读输出、彼此等待,官方还配了 agent skill。
    • 键鼠并重:tmux 风格前缀键 鼠标点击 / 拖拽 / 分屏同时是一等公民,按当下场景随时切换。
    • 插件生态:可扩展面板与工作流,官方维护插件市场(herdr.dev/plugins)。

    四、典型使用场景

    • 多 Agent 并行开发:在同一个项目目录里同时跑 Claude Code、Codex、Cursor,分屏对照、统一监管进度,谁卡住一眼看清。
    • 远程 / 后台长跑任务:ssh 登录服务器起 herdr,下班时脱离,第二天从任意终端重连查看结果,会话不丢、无需 nohup 折腾。
    • Agent 自组织协作:主 Agent 通过 Socket API 派生子 Agent 到不同面板,让它们互相等待产出,搭出多智能体流水线。

    五、推荐理由

    我自己用下来最打动的三点:

    • 够轻、够原生:一个 Rust 二进制、无 Electron,和你现有的终端 / ssh 工作流无缝融合,不像某些”AI 终端”还要起一套 Web 服务。
    • 真实终端视图:Agent 的报错、进度、交互提示都是原样可见的,而不是被二次渲染成温和的摘要——排错时这点太重要了。
    • 脱离 / 重连体验极佳:长任务的”离开—回来”几乎零成本;而 Socket API 让 Agent 反过来调度 herdr,是迈向真正 agent runtime 的一步,想象空间很大。

    六、下载地址

    许可证:AGPL-3.0(双许可,商业用途需购买商业许可)。当前约 17.3K Stars,Rust 实现,2026 年 GitHub Trending 常驻热门。

  • DeepTutor:把 AI 变成陪伴你终身的专属私教(HKUDS 开源)

    DeepTutor:把 AI 变成陪伴你终身的专属私教(HKUDS 开源)

    在 AI 辅导工具层出不穷的今天,大多数产品要么只做”问答”,要么只做”出题”,上下文在每次对话后便归零。香港大学数据科学团队 HKUDS(LightRAG、Vibe-Trading、nanobot 同门)开源的 DeepTutor,想解决的是更本质的问题——如何让 AI 真正”认识”你,并陪你长期、系统地学习。

    一、项目简介

    DeepTutor 是一个智能体原生(agent-native)的终身学习工作台:它将辅导对话、解题、出题测验、文献研究、可视化与掌握度训练整合进同一个可扩展系统,并用一套三层可审计记忆把”个性化”变得可见、可编辑、可追溯。

    DeepTutor Chat 工作台
    Chat 是默认入口:单条对话即可调用工具、挂载知识库、生成图片、咨询子智能体,并在多轮间保持同一上下文。

    二、安装要求与过程

    环境要求:Python 3.11+、Node.js 20+(PyPI 安装方式),或 Node.js 22 LTS(源码方式);Docker 方式无需本地 Python/Node。需要自备一个 LLM 提供商的 API Key,也支持 Ollama / LM Studio / vLLM / llama.cpp 等本地模型。

    官方提供 4 种安装路径,最推荐的是 PyPI 一键安装(完整本地 Web 应用 + CLI,无需克隆仓库):

    mkdir -p my-deeptutor && cd my-deeptutor
    pip install -U deeptutor
    deeptutor init     # 交互式设置端口、LLM 提供商与可选 embedding
    deeptutor start    # 启动后端+前端,默认访问 http://127.0.0.1:3782

    想要一条命令跑起来,也可以用官方 Docker 镜像(仅需暴露 3782 端口):

    docker run --rm --name deeptutor \
      -p 127.0.0.1:3782:3782 \
      -v deeptutor-data:/app/data \
      ghcr.io/hkuds/deeptutor:latest

    此外还有”源码安装(便于二次开发)”与”仅 CLI(无界面)”两种路径,且均可从同一工作区平滑升级到完整 Web 应用。配置全部以 JSON/YAML 形式存放在 data/user/settings/ 下,浏览器里的 Settings 页面即推荐编辑器。

    三、核心功能

    • 一个运行时,覆盖所有学习模式:Chat、Quiz、Research、Visualize、Solve、Mastery Path 共用同一个 Agent Loop,切换的是目标而非引擎,学习上下文始终跟随你。
    • 可连接的学习上下文:知识库、书籍、Co-Writer 草稿、笔记本、题库、人格(Persona)与记忆在各类工作流间共享,不再散落在彼此孤立的工具里。
    • 子智能体与 Partner 伙伴:可在任意对话中实时调用本地 Claude Code / Codex,或导入它们过往的对话记录;也能运行常驻 IM 伙伴(飞书、Telegram、Slack、Discord、钉钉、QQ、企业微信、WhatsApp、Matrix 等)。
    • 多引擎知识库(RAG):可选 LlamaIndex、PageIndex、GraphRAG、LightRAG,或直接挂载 Obsidian vault;文档解析引擎可切换(MinerU / Docling / markitdown 等),并支持版本化、可回滚的索引。
    • 可检视的三层记忆:L1 原始轨迹、L2 表层摘要、L3 跨面综合,层层引用溯源;配套的”记忆图谱”让任何一条个性化结论都能追溯到背后的原始依据。
    DeepTutor 知识中心
    知识中心支持多种检索引擎,每个知识库可独立选择引擎并版本化管理。
    DeepTutor 活书 Book
    Book 把资料一键编译成带测验卡、时间线、交互模块乃至 Manim 动画的”活书”。
    DeepTutor 伙伴 Partner
    Partner 是”有性格、有联系方式”的常驻伙伴,共享同一套大脑与记忆工具。

    四、典型使用场景

    1. 学生个性化辅导:把教材 PDF 建为知识库,让 DeepTutor 按”同伴 / 助教 / 老师”不同人格讲解难点,自动出测验题并给出带解析的参考答案;错题与偏好会沉淀进三层记忆,越用越懂你。

    2. 研究者 / 工程师的文献与写作助手:用 Research 生成带引用的综述,用 Co-Writer 做”选择即改写”的精准编辑(每次改动都是可接受的 diff),用 Book 把资料编译成带交互模块与动画的”活书”。

    3. 团队 / 班级的共享知识中枢:开启多用户鉴权后,一个 data 目录即可托管管理员工作区、彼此隔离的每用户工作区与伙伴工作区;管理员统一分配模型、知识库与技能,普通用户只看到被授权的只读选项,不暴露原始 API Key。

    五、推荐理由(个人使用心得)

    我最看重 DeepTutor 的,是它把”个性化”从一句营销话术变成了可看见、可审计、可编辑的东西。大多数 AI tutor 的记忆是个黑盒,而 DeepTutor 的三层记忆 + 记忆图谱让你能清楚看到”它为什么这么认为你”。对自学者来说,知识库多引擎可选 + 本地模型支持意味着敏感资料不必出网;对开发者来说,MCP、子智能体、CLI 与 EduHub 技能社区又留下了充足的二次创作空间。它不是一个”开箱即用的玩具”,而是一套能陪你长期生长的”学习操作系统”。

    六、下载地址