标签：自动化

PentAGI：完全自主的 AI 渗透测试智能体系统（20.7K Stars，Go 构建）
项目简介

PentAGI（Penetration testing Artificial General Intelligence）是一个面向信息安全专业人士、研究人员与爱好者的自动化安全测试平台。它用前沿 AI 技术把渗透测试流程完全自主化——从信息收集、漏洞利用到生成可执行的攻防报告，全部由多智能体团队在隔离的 Docker 沙箱中自动完成。项目由 vxcontrol 团队维护，采用 MIT 许可证，目前在 GitHub 上已收获 20.7K+ Stars。

安装要求和过程

环境要求
- Docker 与 Docker Compose（或 Podman）
- 最低 2 vCPU、4GB 内存、20GB 可用磁盘空间
- 可访问外网（用于拉取镜像与更新）
- 支持 10+ LLM 供应商：OpenAI / Anthropic / Google Gemini / AWS Bedrock / DeepSeek / Ollama / GLM / Kimi / Qwen 等
快速安装
```
# 1. 下载官方 docker-compose 编排文件
curl -O https://raw.githubusercontent.com/vxcontrol/pentagi/master/docker-compose.yml

# 2. 一条命令启动（默认拉起 Web UI、Agent 运行时、PostgreSQL+pgvector 等）
docker compose up -d
```
启动后访问 Web UI 完成登录与 LLM 供应商配置，即可用自然语言下发渗透测试任务。还可叠加 docker-compose-langfuse.yml（可观测）、docker-compose-graphiti.yml（知识图谱）、docker-compose-observability.yml（Grafana/Prometheus）等可选编排文件扩展能力。

核心功能
- 安全隔离 + 完全自主：所有操作在沙箱化的 Docker 环境中执行，AI 智能体自动规划并执行测试步骤，可选执行监控与智能任务规划提升可靠性。
- 20+ 专业安全工具内置：开箱即用地集成了 nmap、metasploit、sqlmap 等一整套渗透利器。
- 专家智能体团队：研究 / 开发 / 基础设施等专职 Agent 分工协作，配合任务规划让小模型也能高效运转。
- 智能记忆 + 知识图谱：长期沉淀研究结果与成功路径，基于 Graphiti + Neo4j 构建语义关系图谱，增强上下文理解。
- 详尽报告与可观测性：自动产出带利用指南的漏洞报告，并集成 Grafana/Prometheus 实现实时监控。
典型使用场景
- 授权环境下的自动化攻防演练：安全团队在自有靶场或获得书面授权的资产上，让 PentAGI 跑完整渗透流程，快速发现暴露面。
- 红队作业与报告交付：红队队员把重复性信息收集、初步利用交给智能体，专注高价值的人工研判，并直接生成可交付的漏洞报告。
- 安全研究与教学：结合 Graphiti 知识图谱复盘历次测试路径，沉淀方法论，用于教学与能力培养。
推荐理由

一句话——它把”渗透测试”这件高度依赖经验的手艺，变成了一条可由自然语言驱动、且全程可审计的流水线。对我个人而言最打动的有三点：① 彻底沙箱化，跑再多危险操作也不怕污染宿主机；② 多智能体分工比单一大模型稳得多，任务规划 + 执行监控让小模型也能干活；③ 知识图谱 + 长期记忆让它会”越用越聪明”。当然，它定位是合规授权场景下的安全研究利器，务必在合法授权范围内使用。

下载地址
- GitHub 仓库：https://github.com/vxcontrol/pentagi
- 社区：Discord（discord.gg/2xrMh7qX6m）与 Telegram（t.me/+Ka9i6CNwe71hMWQy）
- 部署方式：Docker / Docker Compose 自托管，数据完全自控
本文仅作技术介绍，请在法律法规与授权范围内合理使用。
2026年7月15日
Orca：把一整支 AI 编程舰队装进一个 IDE（并行 Agent 开发环境 ADE）
如果你已经离不开 Claude Code、Codex 这类编码智能体，却苦于在一堆终端窗口里来回切换、分支互相打架，Orca 就是为这种痛而生的。它自称 “The AI Orchestrator for 100x builders”，是一个开源（MIT）的 ADE（Agent Development Environment，智能体开发环境）——和传统 IDE 不同，Orca 不是给你一个人用的，而是给你和你的”一舰队”智能体一起用的。

项目简介

Orca 是一款跨桌面（macOS / Windows / Linux）与移动端（iOS / Android）的 Agent IDE，让你把 Claude Code、Codex、OpenCode、Cursor、Copilot、Gemini 等任意 CLI 智能体并排运行在各自独立的 git worktree 中，统一编排、跟踪与合并，还配了一个能在手机上远程监控和发指令的伴侣 App。

安装要求和过程

环境要求：
- 桌面端：macOS 11+ / Windows 10+ / 主流 Linux 发行版；
- 需自行准备至少一个编码智能体的订阅（Claude Code、Codex、OpenCode 等任一即可）；
- 移动伴侣：iOS 16+ 或 Android 8+；
- 无头服务器场景可选：Linux 服务器 + orca serve。
快速安装：
1. 桌面端直接下载安装包（或用包管理器）：
```
# macOS (Homebrew)
brew install --cask stablyai/orca/orca

# Arch Linux (AUR)
yay -S stably-orca-bin

# 或前往 https://onorca.dev/download 下载 dmg / exe / AppImage
```
1. 打开 Orca，登录你的智能体订阅账号，新建 Workspace；
2. （可选）手机安装 Orca 伴侣 App，扫码与桌面端配对；
3. （可选）无头服务器：orca serve 启动远程 worktree 服务。
核心功能
- 并行 Worktrees：一条提示可扇出到 5 个智能体，各自在隔离的 git worktree 中独立干活，互不干扰，你只需对比结果、合并最优解——告别 stash 与分支打架。
- 终端分屏：内置 Ghostty 级终端，WebGL 渲染、无限分屏、重启后滚动历史不丢，还支持全文搜索。
- 设计模式（Design Mode）：每个 worktree 附带真实 Chromium 窗口，点击任意 UI 元素即可把它的 HTML、CSS 和裁剪截图直接送进智能体提示，做前端迭代超顺手。
- GitHub & Linear 原生集成：应用内浏览 PR、issue 和项目看板，从任务直接开 worktree 审查、合并，无需切上下文。
- 移动伴侣：手机端实时看智能体状态、查用量、切换账号，智能体跑完推送通知，离开工位也能续命。
典型使用场景
- 同一需求多智能体赛马：把”修复登录竞态”同时丢给 Claude Code 和 Codex，各自在独立 worktree 实现，再挑实现更干净的合并，质量与速度双增。
- 远程算力 + 本地轻量：在强劲的云服务器上跑 orca serve，本地笔记本只做轻量操作，SSH worktree 自动重连、端口转发，CI 跑挂了也能随时续。
- 通勤中远程续命：智能体在桌面端跑长任务，你在地铁上用手机伴侣看进度、发现走偏了直接发一句纠正指令，到家正好收工。
推荐理由

我自己的体感是：当你的工作流里同时养了 2 个以上编码智能体，纯终端 + tmux 的管理成本会指数上升——分支冲突、上下文丢失、账号切换最磨人。Orca 把”并行隔离 + 统一编排 + 移动可观测”这三件事打包成一个干净的应用，而且开源 MIT、自带 Ghostty 级终端和真实浏览器，比那些只包一层终端的 wrapper 完整太多。它不绑定任何一家模型厂商， bring-your-own-subscription 的思路也让成本可控。唯一门槛是它更偏”重环境”，轻度用户用终端就够了；但只要你开始”以舰队为单位”写代码，Orca 几乎是必装。

下载地址
- 官网：https://onOrca.dev
- GitHub：https://github.com/stablyai/orca（⭐ 18.5K+，MIT License）
- 桌面端下载：Releases（macOS dmg / Windows exe / Linux AppImage）
- iOS：App Store / TestFlight
- Android：APK
2026年7月14日
herdr：住在终端里的 AI 智能体复用器，像 tmux 一样并行调度多个编程 Agent
herdr 是一个「住在你终端里的智能体复用器（agent multiplexer）」——它让你像 tmux 管理多窗口那样，在同一个终端里同时监督、调度和并行运行 Claude Code、Codex、Copilot、Gemini CLI 等多个 AI 编程智能体，全部以真实终端视图呈现，随时脱离（detach）与重新接入（reattach）。

项目简介

herdr 是用 Rust 写的单文件二进制工具，定位是「AI 编程智能体的终端调度台」。当你的工作流里同时跑着好几个编码 Agent，herdr 帮你把它们收进一个分屏会话里统一管理：谁在干活、谁卡住了、谁完成了，一眼看清；你离开后智能体继续跑，回来在任意终端（甚至 ssh）重新接入就能接着看。

安装要求和过程

环境要求
- 任意现代终端（macOS / Linux 已稳定，Windows 为 beta 版）；
- 无需运行时依赖，单个 Rust 二进制，无 Electron，不占内存；
- 可选：Homebrew、mise 等包管理器；源码编译需 Rust 工具链（cargo）。
快速安装

一行安装脚本（推荐）：
```
curl -fsSL https://herdr.dev/install.sh | sh
```
其他安装方式：
```
# Homebrew
brew install herdr

# mise
mise use -g herdr

# Windows (beta)
powershell -ExecutionPolicy Bypass -c "irm https://herdr.dev/install.ps1 | iex"

# 源码编译
git clone https://github.com/ogulcancelik/herdr
cd herdr
cargo build --release
```
在代码目录直接启动：
```
herdr          # 启动，在代码所在目录运行
ctrl+b q       # 脱离会话（agents 继续跑）
herdr          # 任意终端重新接入
```
核心功能
1. 一眼掌控所有智能体：每个 Agent 的状态（blocked / working / done）一目了然，呈现的是真实终端视图，而不是被二次包装过的「解读」。
2. 脱离后智能体继续跑：会话 detach 后进程不中断，可在任意终端或 ssh 上重新接入，甚至终端/机器重启后会话依然存活。
3. 智能体也能用 herdr：提供纯 socket API，Agent 可以自己创建 pane、读取输出、互相等待，官方还给了 agent skill，让多智能体流水线成为可能。
4. 键鼠都是一等公民：既支持 tmux 式前缀键（ctrl+b），也支持鼠标点击、拖拽、分屏，按当下场景自由切换，不被工具绑架。
5. 插件可扩展：通过插件扩展 pane 与工作流，官方有插件市场，可按需装配能力。
6. 单 Rust 二进制、无 Electron：跑在你已有的终端里，启动飞快、资源占用极低。
典型使用场景

1. 并行跑多个编程智能体
同时开 Claude Code、Codex、Gemini CLI，分屏对照各自进度，省去在多个窗口之间反复切换、对不上上下文的麻烦。

2. 远程 / 无人值守跑长任务
在本地 detach，ssh 到服务器后执行 herdr 重新接入看结果，CI 长任务、 overnight 构建不占用本地终端，进程也不怕断线。

3. 智能体互相编排
让一个 Agent 通过 socket API 拉起子 Agent、等它产出再继续，把多智能体协作沉淀成可复用的流水线，而不是手动粘贴上下文。

推荐理由

现在工程师同时用两三个 AI 编程助手已是常态，但窗口一多就乱、上下文对不上、离开后任务状态无从追踪。herdr 把「多智能体并行调度」做成了一个趁手的终端工具——不像套壳 IDE 那样笨重，Rust 单二进制启动飞快，detach/reattach + ssh 重新接入这个能力对经常远程看进度的人尤其实用。项目 AGPL-3.0 开源、文档齐全（quick start / concepts / agents / plugins / socket api 一应俱全），如果你已经在 tmux 和多个编码 Agent 之间反复横跳，值得一试。

下载地址
- 官网：https://herdr.dev
- GitHub 仓库：https://github.com/ogulcancelik/herdr
- 官方文档：https://herdr.dev/docs
- 安装脚本：https://herdr.dev/install.sh
- 发布下载页：GitHub Releases
2026年7月14日
Strix：让 AI 当黑客，自动找出并修复你应用的真实漏洞（40.8K Stars）
一句话先说清楚：Strix 是一个开源的自主 AI 渗透测试智能体（Autonomous AI Pentesting Agents）。它不像传统扫描器那样丢给你一堆“可能存在风险”的噪音告警，而是真的会动态跑起你的代码、模拟攻击者思维去打、再用可验证的 PoC 证明漏洞确实存在——最后还顺手把补丁和报告给你写了。

项目简介

usestrix/strix，Apache-2.0 协议，纯 Python 写就，目前在 GitHub 上已经 4 万+ Stars，连续多周霸榜 Trending。它的定位很直白：把“请安全公司做一次渗透测试”这件事，从“几万块、等几周”，变成“一条命令、几分钟”。它支持本地代码库、GitHub 仓库、线上应用三种目标模式，也能多目标并行扫描。

安装要求和过程

Strix 的依赖极其克制，你只需要两样东西：
- 一个正在运行的 Docker（首次运行自动拉取沙箱镜像，把攻击行为关在隔离环境里）；
- 一个任意主流 LLM 的 API Key（OpenAI / Anthropic / Google 都行，底层走 LiteLLM）。
安装就一行：
```
curl -sSL https://strix.ai/install | bash
```
配置好供应商和目标，开跑：
```
export STRIX_LLM="openai/gpt-5.4"
export LLM_API_KEY="your-api-key"
strix --target ./app-directory
```
首次运行会自动拉取沙箱 Docker 镜像，结果全部落进 strix_runs/<run-name>。如果你是 Windows，注意它本质是个 Python 包 + Docker，建议走 WSL2，别在原生 CMD 里硬刚。

核心功能

1. 真实漏洞验证，拒绝误报——这是它和传统扫描器最大的区别。Strix 会实际构造攻击载荷、命中、再生成可复现的 PoC 代码，只报“已被验证”的漏洞。传统工具 60-80% 的误报率，在这里被砍掉了。

2. 多智能体协同的“红队”——侦察 Agent 画攻击面地图，注入测试 Agent 专攻 SQL/命令注入，权限提升 Agent 测越权与认证绕过，前端 Agent 查 XSS/CSRF。它们并行工作、互相共享线索，像一支真实的安全团队。

3. 覆盖 OWASP Top 10 全栈——越权、注入、服务端/客户端攻击、业务逻辑缺陷、认证与会话、基础设施/云、API 安全，一锅端。

4. 自动修复 + 合规报告——不光告诉你哪儿漏了，还生成补丁和合规报告。开发者优先的 CLI，每条发现都带修复指导。

5. 代理式工具箱——内置 HTTP 拦截代理（Caido）、浏览器利用、Shell 执行、自定义利用运行时、侦察/OSINT、静态/动态分析、漏洞知识库。

典型使用场景

场景一：开发流程里的“安全卡点”
把 Strix 接进 CI/CD。每次 PR 合并前跑一遍 strix -n --target ./ --scan-mode quick，上线前自动兜底。这是它最实用的姿势——让安全从“上线后救火”变成“开发时拦截”，修复成本直接降一个数量级。

场景二：Bug Bounty 自动化
独立安全研究员用它批量扫目标、自动出 PoC。配合 --target-list ./targets.txt 多目标并行，把重复劳动交给 AI，自己专注高价值的逻辑漏洞挖掘。

场景三：黑盒 Web 应用快速体检
strix --target https://your-app.com，通过 --instruction 给自然语言指令（比如“用 user:pass 做认证测试”），AI 会像红队一样从外往里打，几分钟出一份带证据的安全评估。

推荐理由

我挺吃 Strix 这套“用 AI 模拟真实黑客”的思路。过去做安全，要么花钱请人、要么自己扛一堆误报告警大海捞针。Strix 把“验证”这件事做在了前面——它不拿签名库糊弄你，而是真跑、真打、真证明。多智能体架构也比单 Agent 更像人，侦察-利用-后利用的链条能自动衔接。

当然，也得泼盆冷水：它目前还很“Alpha”，社区里有资深安全研究员指出它的提示模板还偏基础，跟顶级商业工具比仍有差距；AI 的扫描结果必须人工复核，且绝对不能拿去打未授权目标。但作为开发自测、CI 卡点和学习红队思维的开源玩具，它已经足够香，而且免费、可商用（Apache-2.0）。

⚠️ 安全声明：Strix 仅可用于你拥有授权的目标。运行前务必隔离环境，防止模型抽风导致密钥或数据泄露。

下载地址
- 官网 & 文档：https://strix.ai
- GitHub：https://github.com/usestrix/strix
2026年7月13日
OpenMontage：把 AI 编程助手变成「全自动视频制片厂」的开源智能体系统（37.4K★）
OpenMontage 是全球首个开源的「智能体驱动（agentic）视频生产系统」，用 12 条生产流水线、52 个工具和 500+ 智能体技能，把 Claude Code / Cursor / Copilot 等 AI 编程助手直接变成一间完整的视频制片厂。

项目简介

一句话：把你的 AI 编程助手变成一间全自动视频制片厂。你只需用自然语言描述想法，OpenMontage 的流水线就会自动完成联网调研、脚本撰写、素材检索/生成、剪辑合成与质量自检，端到端产出成片。零付费 API Key 也能跑通完整链路。

安装要求和过程

环境要求
- Python 3.10+（python.org 下载）
- Node.js 18+（nodejs.org 下载）
- 系统安装 FFmpeg（brew install ffmpeg / sudo apt install ffmpeg）
- 一个能读取文件并运行代码的 AI 编程助手：Claude Code、Cursor、Copilot、Windsurf 或 Codex 任一即可
- 可选 GPU：用于本地免费视频生成（make install-gpu，支持 wan2.1-1.3b 等模型）
- API Key 全部可选：不付费也能出片，付费图像/视频商仅用于更高画质
快速安装

标准流程（需 make）：
```
git clone https://github.com/calesthio/OpenMontage.git
cd OpenMontage
make setup
```
随后在 AI 编程助手中打开项目，输入需求即可，例如：
```
"Make a 60-second animated explainer about how neural networks learn"
```
无 make 环境可手动建虚拟环境（README 提供 macOS/Linux 与 Windows PowerShell 两套命令）：
```
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
cd remotion-composer && npm install && cd ..
pip install piper-tts
cp .env.example .env
```
make setup 后已自带 Piper 本地 TTS、Archive.org / NASA / Wikimedia 开放素材、Pexels / Unsplash / Pixabay、Remotion、HyperFrames、FFmpeg 与内置字幕。

核心功能
1. 端到端生产流水线：12 条预置流水线（科普解说、口播、纪录片混剪等），统一走 research → proposal → script → scene_plan → assets → edit → compose 七个阶段。
2. 真实素材纪录片制作：无需付费视频模型，从 Archive.org / NASA / Wikimedia 等开放素材库语义检索并剪辑成片，而非仅仅把静态图做成动画。
3. 参考驱动创作：贴一个你喜欢的视频，智能体会分析其节奏与钩子，生成差异化的制作方案（保留手法、替换主题）。
4. 内置实时联网调研：写脚本前自动跑 15–25+ 次跨 YouTube / Reddit / 新闻 / 学术源的搜索，用真实数据支撑内容。
5. 生产级质量门禁与预算治理：人工审批门、预合成验证、渲染后自检（ffprobe 抽帧 + 音频分析）、7 维打分选商、成本预估与上限（默认总预算 $10）。
Backlot 制作工作台

OpenMontage 内置 Backlot 可视化工作台，覆盖实时看板、故事板与素材库，让自然语言需求落到可逐帧审阅的制作流程：

Backlot 实时制作看板（board-live）

Backlot 故事板（storyboard）

Backlot 素材库（library）

典型使用场景
- 零 Key 科普 / 教学短片：一句 "Make a 45-second animated explainer about why the sky is blue" 即可生成带解说与字幕的动画片。
- 免费真实素材纪录片：如 "Make a 90-second documentary montage about what a city feels like at 4am. Use real footage only"，直接调用开放素材库剪辑，零成本成片。
- 商业预告片（配置图像/视频商后约 $1–$3）：科幻概念预告片、产品发布 Teaser 等；已展示案例成本最低 $0.02、最高数美元（如 Kling v3 成片 $1.33）。
推荐理由

OpenMontage 最打动我的是它把「做视频」从专业软件的高门槛，解放成一句自然语言需求。三点尤其值得一试：
- 零 Key 也能跑通全链路：本地 Piper TTS + 开放素材 + Remotion 合成，对想低成本试水 AI 视频的人极友好。
- 架构清爽、可扩展：tools/ + pipeline_defs/ + skills/ 三层知识架构，可以自己加技能 / 工具；AGPL-3.0 开源、可自托管。
- 内容有真实出处：「参考驱动 + 联网调研」让脚本不像纯生成那样空洞，预算门禁也让人敢放心把任务交给智能体跑。
个人体会：第一次用 "Make a 60-second animated explainer about how neural networks learn" 跑通时，最惊艳的是它真的会先去查资料再写脚本——出来的东西有依据、有节奏，而不是随机拼接的炫技片段。

下载地址
- GitHub：https://github.com/calesthio/OpenMontage
- 官方频道：YouTube @OpenMontage · X @calesthioailabs
- 开源协议：AGPL-3.0
- 当前热度：⭐ 37.4K+ Stars · 🍴 4.5K+ Forks（2026-07 月 GitHub Trending 热门项目）
2026年7月13日
AI Job Search：跑在你机器上的 AI 求职申请框架，让 Claude 帮你写简历、求职信、备战面试（21.2K⭐）
AI Job Search 是一个完全跑在你自己机器上的 AI 求职申请框架，基于 Claude Code 构建。Fork 仓库、填好个人资料，Claude 就能帮你评估职位匹配度、定制简历、撰写求职信、准备面试——把最耗时的求职苦差事彻底工程化。

📌 项目简介

「The job search that runs on your machine.」作者 Mads Lorentzen 把 Claude Code 变成了一位全栈求职助理：核心工作流（自我画像 → 适配度评估 → 起草-评审申请管道）与语言、国家无关；内置的招聘门户搜索技能默认面向丹麦市场（Jobindex / Jobnet / Akademikernes Jobbank 等），但模式可被替换成你本地的招聘网站。项目没有任何加密货币、代币或付费赞助，仅通过 Ko-fi 捐赠支持，隐私与安全取向明确。

💻 安装要求与过程

环境要求
- Claude Code CLI（需订阅 Anthropic）
- Python 3.10+（薪资基准等脚本）
- Bun（用于职位搜索 CLI 工具，bun.sh）
- LaTeX 发行版，需含 lualatex 与 xelatex：TeX Live / MacTeX / TinyTeX / MiKTeX（简历用 lualatex 编译，求职信用 xelatex 编译）
- 可选：pdftotext（来自 poppler）——用于 /apply 的 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
```
gh repo fork MadsLorentzen/ai-job-search --clone
cd ai-job-search
```
② 安装职位搜索 CLI 工具（Bash / zsh / Git Bash）
```
for tool in jobbank-search jobdanmark-search jobindex-search jobnet-search linkedin-search freehire-search; do
  cd .agents/skills/$tool/cli && bun install && cd ../../../..
done
```
③ 进入 Claude Code 填写个人资料
```
claude
# 在 Claude Code 内执行：
/setup
```
④ 搜索职位
```
/scrape
```
⑤ 申请职位
```
/apply https://jobindex.dk/job/1234567
# 或粘贴完整 JD：
/apply <粘贴完整职位描述>
```
⚡ 核心功能
- 本地运行、可分叉自有：框架在你的机器上跑，Fork 后填入资料即可，无外部服务绑定，求职数据完全私有。
- Drafter-Reviewer 双代理申请流：起草者用 LaTeX 写草稿，再由一个带全新上下文的独立 reviewer 代理调研公司、批判草稿，最后修订——避免单遍生成留下的套话与遗漏。
- PDF 编译与视觉校验循环：自动把简历编译成精确的 2 页、求职信 1 页，并读取渲染页迭代修复版式错误（孤行标题、字体回退、溢页等），每次申请自动执行。
- ATS 文本层校验：用 pdftotext 抽取简历文本层，按 ATS 解析器视角验证联系方式、阅读顺序与关键词覆盖；诚实规则——简历不支持的关键词绝不硬塞。
- 相关性加权裁切 + 丰富命令生态：超页时按「与目标职位的相关度 / 文档内独特性 / 求职信依赖度」打分裁线，而非机械删旧；提供 /setup /scrape /apply /rank /interview /outcome /expand /upskill /add-template /add-portal /reset 等 10+ 命令。
🎯 典型使用场景
- 主动靶向申请：/scrape 抓取丹麦/跨国职位板 → /rank 批量打分排序 → 选定目标 /apply <url> 一键产出定制简历与求职信。
- 面试准备：某个申请进入面试后，对其归档记录跑 /interview，基于「面试官实际读到的简历/求职信 + 往轮反馈」生成阶段化准备包与模拟面试。
- 职业差距规划：两次投递之间用 /upskill <URL> 或 /upskill 分析个人画像与职位的差距，输出优先学习热图与带时间估计的学习计划。
💡 推荐理由（个人心得）

市面上「AI 帮你写简历」的工具不少，但大多只做一次性文本生成，排版一塌糊涂。AI Job Search 最打动我的是它把求职这件事当成一个严肃的软件工程问题：双代理互相挑刺、强制 PDF 编译校验、ATS 文本层检查，几乎杜绝了「.tex 看起来没问题、渲染出来全崩」的经典翻车。而且它真正跑在本地、Fork 即拥有，可深度定制（自定义 LaTeX 模板、自定义招聘门户 /add-portal），隐私与可控性拉满。

当然也有门槛：依赖 LaTeX 环境 + Claude Code 订阅，初次搭建略繁琐；默认招聘门户偏丹麦市场（但 linkedin-search / freehire-search 是跨国、零依赖的，开箱即用）。如果你正在换工作、且本就有 Claude Code，这个项目能实打实省下大量写简历、改求职信的周日。

📥 下载地址
- GitHub：github.com/MadsLorentzen/ai-job-search（⭐ 21.2K · MIT）
- Claude Code：claude.com/claude-code（框架运行依赖）
- Bun：bun.sh（职位搜索 CLI 运行时）
- Trendshift：trendshift.io/repositories/43622
标签：AI · 开源 · AI Agent · Claude Code · 求职助手 · 简历优化 · 职业规划｜许可证：MIT｜语言：TypeScript / Python / LaTeX
2026年7月12日
Page Agent：阿里巴巴开源的“住在网页里的”GUI 智能体，一行脚本让网页自己动起来
项目简介

Page Agent 是阿里巴巴开源的一个运行在网页内部的 JavaScript GUI 智能体。只需一行脚本，就能让任意网页拥有自己的 AI 代理，用自然语言直接控制 Web 界面——点击按钮、填写表单、跳转页面，全部交给 AI 完成。项目当前已收获约 2.6 万 Star，采用 MIT 协议，主要使用 TypeScript 编写，运行时以纯前端 JavaScript 注入。

“The GUI Agent Living in Your Webpage. One script gives any web page its own AI agent.”

安装要求和过程

环境要求
- 任意支持 <script> 标签或 npm 的网页环境即可；
- 无需浏览器扩展、Python 或无头浏览器，纯前端运行；
- 如需自托管大模型，需一个可访问的模型 API（如通义千问 Qwen、本地模型等）；
- 使用 npm 安装 / 二次构建时需要 Node.js 环境。
快速安装（三种方式）

方式一：CDN 一行接入
```
<script
    src="https://cdn.jsdelivr.net/npm/page-agent@1.12.1/dist/iife/page-agent.demo.js"
    crossorigin="anonymous"
></script>
```
国内镜像：https://registry.npmmirror.com/page-agent/1.12.1/files/dist/iife/page-agent.demo.js

方式二：NPM 安装
```
npm install page-agent
```
```
import { PageAgent } from 'page-agent'

const agent = new PageAgent({
    model: 'qwen3.5-plus',
    baseURL: 'https://dashscope.aliyuncs.com/compatible-mode/v1',
    apiKey: 'YOUR_API_KEY',
    language: 'en-US',
})

await agent.execute('Click the login button')
```
方式三：Chrome 扩展 —— 从 Chrome 网上应用店安装 Page Agent 扩展，用于跨多标签页的多页面任务。

核心功能
- 🎯 极简集成：纯页面内 JavaScript，不需要浏览器扩展、Python 或无头浏览器，几行代码即可嵌入。
- 📖 基于文本的 DOM 操作：无需截图、不依赖多模态大模型或特殊权限，通过结构化 DOM 文本理解页面并执行操作。
- 🧠 自带 LLM（BYO）：支持绝大多数主流模型（含本地部署），模型选择完全自由。
- 🐙 可选 Chrome 扩展：支持跨标签页的多页面任务编排。
- 🔌 MCP Server（Beta）：允许外部 Agent 客户端（如 Claude Code / Cursor）从外部控制你的浏览器。
典型使用场景
- SaaS AI Copilot：几行代码为自家产品嵌入 AI 助手，无需重写后端，立刻获得“对话式操作界面”能力。
- 智能表单填充：把原本需要 20 步点击的流程压缩成一句话，特别适合 ERP / CRM / 后台管理系统等高频重复操作。
- 无障碍访问：通过自然语言让任何 Web 应用变得可操作，配合语音 / 读屏为行动不便的用户打开大门。
- 多页面自动化 / MCP 控制：借助 Chrome 扩展或 MCP Server，让 AI 跨页面完成复杂工作流（如比价、数据搬运）。
推荐理由

我第一次看到 Page Agent 时最直接的感受是：它把“浏览器自动化”这件事做得太轻了。传统方案（如 Playwright / Puppeteer 脚本、或无头浏览器方案）要么要写一堆选择器、要么要吃截图走多模态，门槛和成本都不低。Page Agent 反其道而行——它就活在页面里，用文本化的 DOM 理解来“读懂”界面，再用自然语言驱动操作，心智负担几乎为零。

对前端 / 产品同学尤其友好：你想给后台加个“AI 帮我导这份报表”的入口，挂一段脚本就行，不用动架构。再加上它支持 BYO 模型、可接本地大模型，数据不出内网也能玩。如果你正琢磨怎么给产品接一个“会自己点页面”的 AI，Page Agent 是目前最省心、最贴近生产的选择之一。

下载地址
- GitHub 仓库：github.com/alibaba/page-agent
- npm 包：npmjs.com/package/page-agent
- 在线 Demo：alibaba.github.io/page-agent
- 官方文档：alibaba.github.io/page-agent/docs
- Chrome 扩展：Chrome 网上应用店
2026年7月12日
chrome-devtools-mcp：Chrome 官方出品，让 AI 编程助手直接操控与调试浏览器
chrome-devtools-mcp 是 Chrome DevTools 官方团队推出的一个 MCP（Model Context Protocol）服务器，它把整个 Chrome 开发者工具的能力开放给 AI 编程助手——让 Claude、Cursor、Copilot、Gemini CLI 等智能体能够直接控制并检视一个真实运行的 Chrome 浏览器，实现可靠的自动化、深度调试和性能分析。截至目前该项目在 GitHub 已收获约 46,700+ Stars。

项目简介

一句话说明：chrome-devtools-mcp 让你的 AI 编程助手拥有一双”眼睛”和一双”手”，可以打开网页、点击操作、查看网络请求与控制台报错、录制性能 trace，从而真正”看见”自己写的代码在浏览器里跑成什么样。它基于 Puppeteer 驱动 Chrome，并会自动等待操作结果，让智能体的浏览器操作变得稳定可靠。

安装要求和过程

环境要求
- Node.js —— LTS 版本
- Chrome —— 当前稳定版或更新版本
- npm
快速安装

无需手动安装，直接在 MCP 客户端配置中通过 npx 拉起即可。以标准配置为例，在客户端的 MCP 配置文件中加入：
```
{
  "mcpServers": {
    "chrome-devtools": {
      "command": "npx",
      "args": ["-y", "chrome-devtools-mcp@latest"]
    }
  }
}
```
使用 Claude Code CLI 的用户可以一行命令完成添加：
```
claude mcp add chrome-devtools --scope user npx chrome-devtools-mcp@latest
```
如果只需要基础的导航、执行脚本与截图，可以用精简 + 无头模式降低开销：
```
"args": ["-y", "chrome-devtools-mcp@latest", "--slim", "--headless"]
```
核心功能
- 性能洞察：调用 Chrome DevTools 录制性能 trace，并提取可执行的优化建议（如”检查 https://developers.chrome.com 的性能”）。
- 高级浏览器调试：分析网络请求、抓取截图、读取控制台消息，并附带经过 source map 还原的堆栈信息。
- 可靠自动化：底层由 Puppeteer 驱动，自动等待动作完成，避免因时序问题导致的操作失败。
- 丰富的工具集：涵盖输入自动化、页面导航、设备模拟、性能、网络、调试、内存、扩展等 10 大类共 50 余个工具。
- 灵活的连接方式：支持无头/有头、隔离实例、指定 Chrome 通道，还能通过 --autoConnect / --browser-url 连接已经在运行的 Chrome，与人工共享登录状态。
典型使用场景
- 前端性能诊断：让 AI 助手打开你的站点自动录制性能 trace，指出 LCP、长任务、渲染阻塞等瓶颈并给出改进方案，把”性能优化”从玄学变成可量化的闭环。
- 自动化调 Bug：当页面报错或接口异常时，智能体可直接查看控制台报错和网络请求详情（含还原后的堆栈），定位问题后再改代码，减少来回复制粘贴。
- 沙箱内安全调试：在沙箱里运行 MCP，连接沙箱外带远程调试端口的 Chrome，既保证隔离又能复用真实浏览器环境，适合 Agent 产品集成浏览器能力。
推荐理由

用下来最大的感受是：它补齐了 AI 编程助手最缺的一环——“看得见运行结果”。过去让 AI 改前端，它只能凭代码想象效果；接入之后，它能真正打开页面、看到报错、量到性能数据，再回头改代码，闭环体验明显更靠谱。作为 Chrome DevTools 官方出品的项目，工具设计规范、更新及时，且用 npx 零安装接入、Apache-2.0 开源，几乎没有上手门槛。如果你已经在用 Claude Code、Cursor 或 Copilot 做前端开发，非常值得加上这一个 MCP。

下载地址
- GitHub 仓库：https://github.com/ChromeDevTools/chrome-devtools-mcp
- npm 包主页：https://www.npmjs.com/package/chrome-devtools-mcp
项目信息：ChromeDevTools 官方出品 · TypeScript 开发 · Apache-2.0 许可 · 约 46,700+ GitHub Stars。
2026年7月11日
addyosmani/agent-skills：给 AI 编程助手装上 24 套「资深工程师技能」的开源技能库（76.9K⭐）
agent-skills 是 Google Chrome 团队工程师 Addy Osmani 维护的一套「生产级工程技能库」——把资深工程师在定义、规划、构建、验证、评审、发布软件时遵循的工作流、质量门禁与最佳实践，封装成 AI 编程 Agent 可以直接调用的结构化技能（Skills）。目前 76.9K Stars、MIT 许可，是当下 GitHub 上最热门的 AI 工程实践项目之一。

一、安装要求和过程

环境要求：
- 任意支持 Skills / 系统提示 / 指令文件的 AI 编程客户端（Claude Code、Cursor、Codex、Copilot、Cline、Gemini CLI、Windsurf、Kiro、OpenCode 等 70+ 款）；
- 一键安装需 Node.js（提供 npx skills 命令）；
- 本地克隆方式需 Git。
快速安装：

方式一：skills CLI 一行装全部（推荐，覆盖 70+ Agent）
```
npx skills add addyosmani/agent-skills            # 安装全部 24 套技能
npx skills add addyosmani/agent-skills --list     # 安装前先浏览
npx skills add addyosmani/agent-skills --skill test-driven-development  # 只装单个技能
```
方式二：Claude Code 原生插件市场
```
/plugin marketplace add addyosmani/agent-skills
/plugin install agent-skills@addy-agent-skills
```
方式三：本地克隆后挂载
```
git clone https://github.com/addyosmani/agent-skills.git
claude --plugin-dir /path/to/agent-skills
```
二、核心功能
- 8 条贯穿开发生命周期的斜杠命令：/spec（定规格）、/plan（拆任务）、/build（增量实现）、/test（验证）、/review（评审）、/webperf（性能）、/code-simplify（简化）、/ship（发布），每条命令自动激活对应技能。
- 24 套覆盖全流程的工程技能：从 interview-me（需求澄清）、spec-driven-development（写 PRD），到 test-driven-development、code-review-and-quality（五轴评审）、security-and-hardening（OWASP 防护）、shipping-and-launch（上线清单）。
- 技能即结构化工作流：每个 Skill 都带步骤、验证门禁（verification gates）和「反合理化」对照表，让 Agent 跨任务稳定遵守同一套标准，而不是凭心情发挥。
- 上下文自动触发：设计 API 自动触发 api-and-interface-design，写 UI 自动触发 frontend-ui-engineering，无需手动指定。
- /build auto 半自治模式：审批一次计划后，Agent 自动逐任务实现、测试驱动、单独提交，遇出错或高风险步骤自动暂停。
三、典型使用场景
1. 新功能从 0 到上线：用 /spec 先写规格、/plan 拆任务、/build 增量实现、/test 验证、/review 评审、/ship 发布——把「想到哪写到哪」变成可重复的流水线。
2. 代码评审质量门禁：合并前调用 code-review-and-quality 做五轴评审（可读性 / 正确性 / 复杂度 / 测试 / 安全），以「Staff Engineer 会不会 merge」为标准，避免 AI 生成的 PR 带病合并。
3. 安全敏感改动：涉及用户输入、鉴权、外部集成时触发 security-and-hardening，按 OWASP Top 10 检查、管理密钥、审计依赖，降低生产事故概率。
四、推荐理由

我自己的使用感受：这套技能库最打动人的地方，是它把「资深工程师的肌肉记忆」显式化了。平时让 AI 写代码，最容易翻车的是「需求没问清就开干」「改完不写测试」「PR 质量没把关」。agent-skills 用 /spec → /test → /review 把这些容易偷懒的环节变成默认流程，相当于给 Agent 配了个不会疲倦的 Tech Lead。它是纯 Markdown、零运行时依赖，装到任何 Agent 里都不增加包袱，值得每个用 AI 写代码的人试一试。

五、下载地址
- GitHub 仓库：https://github.com/addyosmani/agent-skills
- 作者博客 / 封面图出处：https://addyosmani.com
- skills CLI（一键安装器）：https://github.com/vercel-labs/skills
2026年7月11日
Desktop Commander MCP：让 AI 直接掌控你的终端与文件系统
一、项目简介

Desktop Commander MCP 是一个为 Claude、Cursor、VS Code、Claude Code 等 AI 编程客户端提供「终端控制 + 文件系统搜索 + 差异文件编辑」能力的 MCP（Model Context Protocol）服务器。它让你的 AI 助手不再只会「动嘴」，而是能在你的本地电脑上真正「动手」——开终端、搜文件、改代码、跑命令、看结果，一条龙闭环。

项目由 wonderwhy-er 维护，目前 GitHub 收获 6,700+ Stars、882 Forks，采用 MIT 协议开源，底层用 TypeScript 实现，跨 Windows / macOS / Linux 全平台可用。

二、安装要求与过程

环境要求
- Node.js（推荐 18+；或改用 Docker 方式，无需安装 Node）；
- 一个支持 MCP 的客户端：Claude Desktop / Cursor / VS Code / Claude Code / Codex / Gemini CLI / Windsurf 等；
- 操作系统：Windows、macOS、Linux 均可。
快速安装（以 Claude Desktop 为例，npx 自动更新）
```
npx @wonderwhy-er/desktop-commander@latest setup
```
或手动在 claude_desktop_config.json 中添加：
```
{
  "mcpServers": {
    "desktop-commander": {
      "command": "npx",
      "args": ["-y", "@wonderwhy-er/desktop-commander@latest"]
    }
  }
}
```
其他客户端一句话安装
```
# Claude Code
claude mcp add --scope user desktop-commander -- npx -y @wonderwhy-er/desktop-commander@latest

# Codex
codex mcp add desktop-commander -- npx -y @wonderwhy-er/desktop-commander@latest

# Qwen Code
qwen mcp add desktop-commander -- npx -y @wonderwhy-er/desktop-commander@latest
```
不想装 Node？直接用 Docker 一键脚本（install-docker.sh / install-docker.ps1）启动；也可以通过 Smithery、Cursor 的 MCP 安装链接等图形化方式添加。

三、核心功能
1. 增强型终端控制：运行长时间命令、管理交互式进程（start_process / interact_with_process / read_process_output / force_terminate）、会话管理，并支持指定 bash / zsh 等 shell。
2. 完整文件系统操作：读 / 写 / 移动 / 递归列目录、按文件名与内容搜索（基于 vscode-ripgrep 的递归搜索）、读取文件元数据、负偏移 tail 读取超大日志。
3. 差异文件编辑（edit_block）：精准 SEARCH/REPLACE 替换、模糊回退、字符级 diff、多文件与正则模式替换，像资深工程师一样做「外科手术式」修改，而不是整文件重写。
4. 即时数据分析与办公文档：在内存中直接跑 Python / Node / R 代码；原生读写 Excel（.xlsx/.xls/.xlsm）、PDF、DOCX；直接分析 CSV / JSON，数据不出本机。
5. 企业级安全与可观测：符号链接遍历防护、命令黑名单、Docker 隔离、全面审计日志（10MB 轮转）、动态配置无需重启。
四、典型使用场景
- 大型代码库重构：让 Claude 用 ripgrep 递归搜出所有调用某函数的地方，逐文件用 edit_block 做差异修改。社区里有用户用它一次性修完 23 个文件、76 个错误的 Svelte 5 项目，速度远超传统 AI 编码体验。
- 本地数据分析：把 Downloads 里的 CSV 丢给 Agent，它直接在内存里跑 Python 做清洗、统计、画图，全程不离开本机，隐私可控。
- 自动化日常办公：自动按文件类型整理 Downloads、找出重复照片、把 Excel 报表转成图表或 Markdown，把重复的体力活交给 AI。
五、推荐理由

一句话总结：这是目前我用过「最像把 AI 变成真同事」的 MCP 工具。它不只是一个文件服务器，而是把「读代码 → 改代码 → 跑命令 → 看结果」的闭环搬进了对话框。

最香的是差异编辑（edit_block）——AI 不再整文件重写，而是精准打补丁，token 消耗更低、上下文更稳，长时间对话也不容易「翻车」。配合 Claude Code / Cursor，几乎可以取代一部分 IDE 操作，Vibe Coding 体验拉满。

唯一要留意的是权限边界：它默认能跑任意终端命令，建议在配置里用 allowedDirectories 限定工作目录，并保持审计日志开启。整体来说，开源 MIT、跨平台、一行命令装好，强烈推荐给所有做 AI 编程的人。

六、下载地址
- 官方网站：https://desktopcommander.app/
- GitHub 仓库：https://github.com/wonderwhy-er/DesktopCommanderMCP
- MCP 配置文档：https://desktopcommander.app/mcp/
- Smithery 安装：smithery.ai/server/@wonderwhy-er/desktop-commander
2026年7月10日