标签: AI开源项目

  • Mem0:为AI智能体打造通用记忆层,59K+ Stars让AI真正「记住」你

    Mem0:为AI智能体打造通用记忆层,59K+ Stars让AI真正「记住」你

    Mem0 - AI Agent Memory Layer
    Mem0 官方网站首页 — AI Agent 通用记忆层

    🧠 项目简介

    Mem0(发音 “mem-zero”)是为 AI 智能体和 AI 应用打造的通用记忆层,让 AI 真正”记住”用户偏好、历史对话和上下文信息,实现跨会话的持久化记忆。

    在 AI 助手和智能体快速发展,但”失忆”问题一直是用户体验的最大痛点——每次新对话都要重新介绍自己,AI 无法记住上周的讨论内容。Mem0 正是为解决这一核心问题而生,它已成为目前 GitHub 上最活跃的 AI Agent 记忆层开源项目,获得 59,000+ Stars,被 AWS Agent SDK 独家整合,并完成 $24M 融资(YC + Peak XV)。

    📦 安装要求和过程

    环境要求

    • Python:3.9+(推荐 3.10+)
    • Node.js:18+(如使用 TypeScript SDK)
    • Docker:如需自托管部署(推荐生产环境)
    • LLM API Key:OpenAI / Anthropic / 或其他兼容 LLM

    快速安装(3种方式)

    • 方式一:Python SDK(最常用)
      pip install mem0ai

      如需增强混合检索(BM25关键词+实体提取):
      pip install mem0ai[nlp] && python -m spacy download en_core_web_sm

    • 方式二:自托管(Docker,生产推荐)
      git clone https://github.com/mem0ai/mem0.git && cd mem0/server && docker compose up -d

      服务默认运行在 http://localhost:3000,支持 Kubernetes / 私有云 / 气隙部署

    • 方式三:托管云服务(最快上手)

      注册 app.mem0.ai 获取 API Key,无需部署,直接调用

      export MEM0_API_KEY="your-key-here"

    ⚡ 核心功能

    • 🧩 多级记忆管理 — 无缝保留用户级、会话级、智能体级的状态,支持自适应个性化。每个用户、每次对话、每个智能体都有独立的记忆空间,互不干扰。
    • 🚀 2026年4月全新记忆算法 — 单遍仅添加提取(仅需1次LLM调用)、实体关联、多信号检索(语义+BM25+实体匹配并行打分)、时间感知推理。在 LoCoMo 基准测试中达到 91.6分(较旧版提升20分),Token消耗仅 7.0K
    • 🔌 多工具集成支持 — 与 Claude Code、Codex、Cursor、Windsurf、OpenClaw 等 AI 编码工具无缝集成;同时支持 LangGraph、CrewAI 等智能体框架。一行命令即可为现有 AI 工具添加长期记忆。
    • 💻 CLI 管理能力 — 支持通过终端命令完成记忆的初始化、添加、搜索等操作。npm install -g @mem0/cli 安装后,直接用命令行管理 AI 记忆。
    • 🔄 记忆迁移能力 — 支持从开源版本迁移到托管平台,也支持托管 Qdrant 向量数据导入平台。数据完全可移植,不会被厂商锁定。

    🎯 典型使用场景

    • 🤖 AI 助手个性化 — 让 ChatGPT / Claude 类助手记住你的偏好(如”我是素食主义者,对坚果过敏”),下次对话自动适配,无需重复说明。支持跨平台同步记忆。
    • 🏥 医疗健康辅助 — 记录患者病史、过敏信息和治疗偏好,为每次问诊提供个性化支持。Mem0 已通过 HIPAA 合规认证,满足医疗数据隐私要求。
    • 🛒 电商智能推荐 — 记住用户的浏览历史、购买偏好和尺码信息,提供真正个性化的购物体验。Mem0 支持实时记忆更新,用户行为立即可被用于推荐。

    💡 推荐理由

    AI “失忆”是我在使用各种 AI 工具时最大的痛点。Mem0 从根子上解决了这个问题,而且做得非常彻底:

    为什么选 Mem0 而不是自己实现记忆功能?
    AI 记忆看似简单(把历史对话存到向量数据库),但要做得好需要解决:记忆提取精度、多信号检索融合、时间感知推理、实体关联、记忆压缩、Token 成本优化等大量工程问题。Mem0 团队在这些方向上持续投入,2026年4月的新算法将 LoCoMo 基准从71.6提升到91.6——这不是简单工程能做到的。

    另外特别值得关注的是 Mem0 的企业级可靠性:SOC 2 + HIPAA 双合规、支持私有云/气隙部署、每笔读写操作全程审计日志。如果你在为生产环境选型 AI 记忆方案,Mem0 是目前唯一同时满足开源透明企业合规的选择。

    项目使用 Apache-2.0 许可,自托管完全免费。托管云服务按使用量计费,适合快速验证想法的团队。

    📥 下载地址


    📌 本文由自动化任务采集发布,内容基于项目 GitHub 主页及官方文档整理

  • LangFlow:150K+Stars可视化AI工作流构建器,低代码开发AI应用首选

    LangFlow:150K+Stars可视化AI工作流构建器,低代码开发AI应用首选

    LangFlow可视化AI工作流构建器


    🚀 项目简介

    LangFlow 是一款150K+ Stars 的可视化AI工作流与智能体构建平台,提供拖拽式画布编排界面,支持所有主流大语言模型、向量数据库与AI工具。可将工作流一键部署为API或MCP服务器,大幅降低AI应用开发门槛。

    项目由LangFlow-AI团队维护,采用MIT开源许可,支持自托管与云端部署,是低代码开发AI应用的首选工具之一。


    ⚙️ 安装要求和过程

    环境要求

    • Python 3.10–3.14 版本
    • 推荐包管理器:uv(可选,也可用pip)
    • 可选:Docker 20.10+(容器化部署)

    快速安装步骤(本地部署推荐)

    1. 安装依赖:确保已安装Python 3.10+和uv包管理器
    2. 安装LangFlow:运行 uv pip install langflow -U
    3. 启动服务:运行 uv run langflow run
    4. 访问使用:打开浏览器访问 http://127.0.0.1:7860 即可开始编排工作流

    👍 其他部署方式

    • 桌面版:下载LangFlow Desktop(支持Windows/macOS),无需管理Python环境,开箱即用
    • Docker部署:运行 docker run -p 7860:7860 langflowai/langflow:latest
    • 源码运行:克隆仓库后运行 make run_cli

    💡 核心功能

    • 🎨 可视化拖拽编排:提供直观的画布界面,无需编写代码即可快速搭建AI工作流与智能体,支持实时迭代调试
    • 🔧 全栈自定义能力:所有组件均开放Python源码,支持自定义组件逻辑,满足复杂业务需求
    • 🚀 一键部署集成:可将工作流直接部署为REST API,或导出为MCP服务器,无缝集成到各类应用与AI框架中
    • 🤖 多智能体编排:支持对话管理、检索增强与多智能体协作,可构建复杂的企业级AI应用
    • 📊 可观测性集成:原生支持LangSmith、LangFuse等可观测性工具,实时监控工作流运行状态

    📦 典型使用场景

    📈 场景1:快速AI原型开发

    通过拖拽组件快速搭建RAG问答、内容生成、数据分析等AI应用原型,无需编写后端代码,大幅缩短开发周期。

    📈 场景2:企业级AI工具部署

    将内部业务工作流封装为MCP服务器或API,供企业内部系统与AI智能体调用,实现业务流程自动化。

    📈 场景3:低代码AI教学演示

    通过可视化界面演示AI工作流原理,适合教学、技术分享场景,降低AI应用的理解门槛。


    ⭐ 推荐理由

    作为AI应用开发者,LangFlow最大的优势是平衡了低代码易用性与高度自定义能力:新手可以通过拖拽快速上手,资深开发者可以通过Python自定义组件实现复杂逻辑,无需被平台绑定。

    另外,原生支持MCP协议是一大亮点,可将工作流直接转化为AI智能体可调用的工具,完美适配当前的AI智能体开发潮流。社区活跃度极高,150K+ Stars与近万Fork数量保证了项目的长期维护与生态扩展能力。


    📥 下载地址

  • OpenHands:77.8K+ Stars,AI驱动的自动化软件开发平台

    OpenHands:77.8K+ Stars,AI驱动的自动化软件开发平台

    OpenHands - AI驱动的开发平台

    OpenHands:77.8K+ Stars,AI驱动的自动化软件开发平台

    ⭐ 77.8K+ Stars
    🐍 Python
    🔧 开源
    🏢 OpenHands社区

    📋 项目简介

    OpenHands 是一个开源的AI驱动开发平台,将各类AI编程代理(如OpenHands、Claude Code、Codex、Gemini等)转化为自托管的、常驻运行的工程团队,帮助开发者自动化各类开发任务。原名OpenDevin,已成为GitHub上最受欢迎的AI软件开发工具之一。

    🚀 核心功能

    🔌

    多后端支持

    默认运行自研的OpenHands开源代理,同时兼容所有支持Agent-Client Protocol (ACP)的第三方代理,包括Claude Code、Codex、Gemini等,无需适配即可接入。

    🔄

    灵活部署

    支持在同一个前端界面切换不同的代理运行后端,包括本地机器、Docker容器、虚拟机、企业自有基础设施、OpenHands官方云服务等。

    ⚙️

    自动化工作流

    支持创建定时任务、或响应Webhook事件的自动化流程,可集成Slack、GitHub、Linear、Notion等第三方工具。

    🤖

    模型兼容性强

    支持接入任意大语言模型(LLM),用户可以根据需求自主选择适配的模型,包括GPT、Claude、Gemini、DeepSeek等。

    🏠

    自托管能力

    默认在本地运行,也支持部署到云端服务器,代理可以在本地机器关闭后持续运行,方便对接第三方服务的触发请求。

    💻 安装要求和过程

    环境要求

    安装方式 前置要求
    无沙箱直接安装 Node.js 22.12.x+ 、uv 包管理工具
    Docker 沙箱安装 Docker环境(macOS/Windows用Docker Desktop,Linux用Docker Engine)
    源码安装 Node.js 22.12.x+ 、npmuv

    快速安装步骤

    方式一:无沙箱快速启动(适合本地测试)

    ⚠️ 注意:代理会直接访问本地文件系统

    npm install -g @openhands/agent-canvas
    agent-canvas

    也可以拆分启动前后端:

    • 仅启动前端:agent-canvas --frontend-only
    • 仅启动后端:agent-canvas --backend-only

    方式二:Docker 沙箱安装(更安全)

    ✅ 代理仅能访问挂载的项目目录

    export PROJECTS_PATH="$HOME/projects"  # 替换为你的项目目录
    mkdir -p "$PROJECTS_PATH" "$HOME/.openhands"
    
    docker run -it --rm   -p 8000:8000   -v "$HOME/.openhands:/home/openhands/.openhands"   -v "${PROJECTS_PATH}:/projects"   ghcr.io/openhands/agent-canvas:1.0.0-rc.11

    Windows用户可参考仓库内的 README.windows.md 获取对应命令。

    方式三:源码安装

    git clone https://github.com/OpenHands/agent-canvas.git
    cd agent-canvas
    npm install
    npm run dev

    🎉 启动后访问 http://localhost:8000 即可使用界面,也可以在界面内添加更多后端。

    🎯 典型使用场景

    场景一:日常开发任务自动化

    自动完成代码review依赖更新issue拆解等重复性工作,减少人工投入。例如:每晚自动检查依赖更新并创建PR,或自动review PR代码并给出建议。

    场景二:多环境代理管理

    团队共享云端代理处理公共任务,个人本地代理处理私有开发任务,在同一界面统一管控。例如:团队用云端代理处理CI/CD任务,开发者用本地代理进行私密项目开发。

    场景三:第三方工具联动

    GitHub收到新Issue时自动触发代理拆解任务,定时生成项目报告推送到Slack,实现开发流程自动化。支持与Slack、GitHub、Linear、Notion等工具集成。

    场景四:7×24小时任务运行

    部署到云端服务器后,代理可以在本地机器关闭后持续运行,满足异步任务、定时任务的需求。例如:每晚凌晨2点自动运行测试套件并生成报告。

    🏗️ 技术架构

    Agent Canvas整体由三部分组成,采用前后端分离的现代化架构设计:

    🎨 前端界面

    Agent Canvas 作为统一的管理入口,支持连接多个后端、创建自动化流程、管理代理任务。

    ⚙️ Agent Server

    REST API服务,负责在单台机器上运行多个代理,可通过 OpenHands/software-agent-sdk 扩展。

    🔄 Automation Server

    配合Agent Server使用,支持定时任务、事件触发类的自动化流程,源码位于 OpenHands/automation

    核心特点

    • 🔒 安全可控:支持Docker沙箱隔离,避免代理直接访问宿主机文件系统
    • 📈 高扩展性:兼容ACP协议的任意代理,支持任意LLM接入,第三方工具集成门槛低
    • 🚀 部署灵活:支持本地、Docker、虚拟机、云端、企业基础设施等多种部署方式
    • 🌐 开源生态:项目完全开源,配套完整的开发文档、贡献指南、社区支持

    💡 推荐理由

    OpenHands(原OpenDevin)是我近期重点关注的AI软件开发工具,它的出现标志着AI从”辅助工具”演进为”自主执行”的重要转折点。以下是我推荐它的几个核心理由:

    ✅ 完整的企业级功能

    不同于简单的AI编程助手,OpenHands提供了完整的工程化能力:多代理编排、定时任务、Webhook触发、第三方工具集成等。它可以真正成为你的”AI团队成员”,而不仅仅是代码补全工具。

    ✅ 灵活的部署选项

    支持从本地测试到企业级部署的全场景覆盖。Docker沙箱模式既保证了安全性,又保留了灵活性。对于关心数据隐私的团队,可以完全自托管,不依赖任何第三方服务。

    ✅ 开放的生态系统

    通过ACP协议,OpenHands可以无缝接入几乎所有主流AI编程工具(Claude Code、Codex、Gemini、DeepSeek等)。这种开放架构避免了供应商锁定,让你可以根据任务和预算灵活切换模型。

    ✅ 活跃的开源社区

    截至2026年6月,OpenHands已获得77.8K+ Stars,拥有活跃的贡献者社区。活跃的社区意味着丰富的插件、快速的问题响应和持续的功能迭代。

    💬 个人使用心得:OpenHands最适合有一定技术基础的开发者或团队。如果你是个人开发者,可以从无沙箱模式快速上手;如果是企业用户,建议使用Docker沙箱或云端部署。它的学习曲线略陡,但一旦掌握,能显著提升开发效率。

    ⚖️ 与同类工具对比

    特性 OpenHands Cursor GitHub Copilot
    开源 ✅ 完全开源 ❌ 闭源商业 ❌ 闭源商业
    自托管 ✅ 支持 ❌ 不支持 ⚠️ 有限支持
    多模型支持 ✅ 任意LLM ⚠️ 有限支持 ⚠️ 主要OpenAI
    自动化工作流 ✅ 强大 ❌ 不支持 ❌ 不支持
    第三方工具集成 ✅ Slack/GitHub/Notion等 ❌ 不支持 ❌ 不支持

    📥 下载地址

    🌐 官方网站

    https://openhands.dev
    产品介绍、云服务、文档入口

    📚 官方文档

    https://docs.openhands.dev
    安装指南、API文档、开发手册

    💻 GitHub仓库

    github.com/OpenHands/OpenHands
    源码、Issue、PR、社区讨论

    🐳 Docker镜像

    ghcr.io/openhands/agent-canvas
    容器化部署,一键启动

    📦 快速安装

    npm install -g @openhands/agent-canvas
    agent-canvas

    启动后访问 http://localhost:8000 开始使用

    🎬 结语

    OpenHands代表了AI辅助软件开发的新范式——从”代码补全”到”自主执行”。它不仅仅是一个编程助手,更是一个可以24/7工作的AI工程团队。无论你是个人开发者希望提升效率,还是企业团队需要自动化开发流程,OpenHands都值得一试。

    最重要的是,作为一个完全开源的项目,OpenHands避免了供应商锁定,让你可以完全掌控自己的开发工具链。在数据隐私日益重要的今天,这种自托管能力显得尤为珍贵。

    如果你对AI驱动的开发自动化感兴趣,不妨从本地测试模式开始,体验一下让AI成为你”工程团队成员”的感觉。🚀


    ⭐ 如果你觉得这篇文章对你有帮助,请在GitHub上给 OpenHands 点个Star!

    标签:
    #AI Agent ·
    #LLM ·
    #AI开源项目 ·
    #自动化

  • MetaGPT 62K+ Stars:首个AI软件公司多智能体框架,自然语言编程的未来

    MetaGPT Logo

    📦 项目简介

    MetaGPT 是首个AI软件公司多智能体框架,通过模拟软件公司的完整工作流程(产品经理、架构师、工程师等角色协作),仅需一行自然语言需求即可自动生成完整的软件项目(包括需求文档、设计文档、代码、测试用例等)。

    62K+
    GitHub Stars

    MIT
    开源许可

    10+
    智能体角色

    ⚙️ 安装要求和过程

    环境要求

    • Python: 3.9 ≤ 版本 < 3.12(推荐 Python 3.9)
    • Node.js: 需要安装 Node.js 和 pnpm
    • LLM API: OpenAI / Azure / Ollama / Groq 等(二选一或配置多个)

    快速安装

    方式一:稳定版安装(推荐)
    pip install --upgrade metagpt

    方式二:最新版安装
    pip install --upgrade git+https://github.com/geekan/MetaGPT.git

    方式三:Docker 安装
    docker run -it metagpt/metagpt:latest

    配置 LLM API

    # 创建配置文件
    metagpt --init-config
    
    # 编辑 ~/.metagpt/config.yml,填入你的 API Key
    # 例如 OpenAI:
    # llm:
    #   api_type: openai
    #   api_key: "sk-xxx"
    #   model: "gpt-4"

    🎯 核心功能

    1. 全流程软件公司模拟 🏢

    内置产品、架构、项目管理、工程等多角色智能体,严格遵循软件行业 SOP(标准作业程序),从需求输入到最终代码产出全流程自动化。每个角色都有其专业知识和职责,共同协作完成复杂软件项目。

    2. 自然语言编程 💬

    仅需输入一行自然语言需求(如”设计一个2048游戏”),MetaGPT 即可自动生成完整软件项目,包括用户故事、竞争分析、需求文档、API文档、数据结构、可执行代码、测试用例等全套产出。

    3. 数据解释器(Data Interpreter)📊

    内置专门的数据分析角色,支持数据分析、代码生成、可视化绘图等任务。例如可直接对 sklearn 鸢尾花数据集做分析并生成图表,大幅简化数据科学工作流程。

    4. 多模型支持 🔄

    兼容 OpenAI、Azure、Ollama、Groq 等多种大模型,可通过配置文件灵活切换。支持本地模型部署,保护数据隐私的同时降低API成本。

    5. 可扩展的多智能体协作框架 🤝

    支持自定义多智能体协作流程,适配不同复杂任务场景。开发者可以基于 MetaGPT 框架设计专属智能体,定义其角色、目标和协作方式,构建个性化的 AI 团队。

    MetaGPT 软件公司架构

    MetaGPT 模拟的软件公司协作流程

    💡 典型使用场景

    场景一:软件项目快速开发 🚀

    案例:输入”设计一个支持多人在线的2048游戏”,MetaGPT 自动生成:

    • 产品需求文档(PRD)
    • 系统设计文档
    • 完整的可执行代码(包含前端界面和游戏逻辑)
    • 单元测试代码

    原本需要一个软件团队几天甚至几周的工作,现在几分钟内即可完成原型开发。

    场景二:数据分析与可视化 📈

    案例:使用 Data Interpreter 角色分析销售数据:

    from metagpt.roles import DataInterpreter
    di = DataInterpreter()
    await di.run("分析sales.csv,生成月度销售趋势图和TOP10客户报表")

    MetaGPT 自动完成数据清洗、分析、可视化全流程,并生成专业的数据报告。

    场景三:多智能体辩论辅助决策 🤔

    案例:模拟多角色观点碰撞,辅助技术选型决策:

    • 架构师角色:推荐微服务架构
    • 产品经理角色:关注开发速度和成本
    • 运维角色:强调系统稳定性和监控
    • MetaGPT 综合各方观点,输出平衡的技术方案建议

    🌟 推荐理由

    MetaGPT 是我见过的最接近”AI软件公司”愿景的开源项目。它将软件工程的最佳实践编码到多智能体协作框架中,让AI不再是简单的代码补全工具,而是能够理解需求、设计架构、编写代码、测试质量的”虚拟软件团队”。

    相比单智能体框架(如AutoGPT),MetaGPT 的角色专业化设计更接近真实软件团队运作方式,产出的代码质量和文档完整度明显更高。特别是它对软件工程 SOP 的尊重(生成需求文档、设计文档、代码、测试的全流程),让我看到了AI辅助软件开发的真正潜力。

    如果你是一位产品经理或创业者,MetaGPT 可以帮你快速验证想法;如果你是一位开发者,MetaGPT 可以作为你的”AI结对编程伙伴”,甚至是一个完整的”AI开发团队”。

    📥 下载地址

    🌐 官方网站

    docs.deepwisdom.ai

    📦 PyPI 安装

    pip install metagpt

    🐳 Docker 镜像

    metagpt/metagpt:latest


    本文由 AI 自动生成

  • Hugging Face Transformers – 161K+ Stars,现代AI开发的基石框架,统一百万预训练模型调用标准

    Hugging Face Transformers – 161K+ Stars,现代AI开发的基石框架,统一百万预训练模型调用标准

    Hugging Face Transformers

    GitHub OpenGraph Preview

    🤗 项目简介

    Hugging Face Transformers 是现代AI开发的基石框架,为文本、视觉、音频和多模态模型提供统一的模型定义标准,支持推理与训练全流程。只需掌握3个核心类,即可调用Hugging Face Hub上超过100万个预训练模型检查点。

    161K+
    GitHub Stars
    1M+
    预训练模型
    500+
    模型架构
    3
    核心类

    ⚙️ 安装要求与过程

    环境要求:

    • Python 3.10+
    • PyTorch 2.4+(或 JAX/TensorFlow 2.0+)
    • CUDA(可选,用于GPU加速)

    快速安装:

    # 使用 pip 安装(推荐)
    pip install "transformers[torch]"
    
    # 使用 uv 安装(更快)
    uv pip install "transformers[torch]"
    
    # 从源码安装最新版
    git clone https://github.com/huggingface/transformers.git
    cd transformers
    pip install '.[torch]'

    验证安装:

    import transformers
    print(transformers.__version__)  # 输出版本号即成功

    🚀 核心功能

    1. 统一的模型定义框架 🏗️

    Transformers 提供了统一的模型定义标准,只要模型被支持,就能兼容绝大多数训练框架(Axolotl、Unsloth、DeepSpeed等)、推理引擎(vLLM、SGLang、TGI等)以及相邻建模库(llama.cpp、mlx等)。

    2. 极简API设计 🎯

    只需学习 AutoModelAutoTokenizerPipeline 三个核心类,即可使用Hugging Face Hub上超过100万个预训练模型,覆盖NLP、CV、音频、多模态等任务。

    3. 跨框架无缝切换 🔄

    支持在PyTorch、JAX、TensorFlow 2.0之间随意切换模型,可针对不同阶段(训练、评估、生产)选择最合适的框架,3行代码即可训练前沿模型。

    4. 全模态Pipeline支持 🎨

    提供高层推理API Pipeline,支持文本生成、图像分类、音频识别、视频理解等多模态任务,自动处理输入预处理并返回对应输出。

    5. 高度可定制与可复现 🔬

    提供每个架构的官方结果复现示例,模型内部结构尽可能统一暴露,模型文件可脱离库独立使用,方便快速实验和研究。

    💡 典型使用场景

    场景一:快速原型开发 🏃

    使用Pipeline API,3行代码即可完成文本分类、命名实体识别、文本生成、图像分类等任务。无需关心模型架构细节,直接调用SOTA模型进行推理。

    from transformers import pipeline
    
    # 文本生成
    generator = pipeline("text-generation", model="gpt2")
    result = generator("AI will", max_length=50)
    
    # 图像分类
    classifier = pipeline("image-classification", model="google/vit-base-patch16-224")
    result = classifier("cat.jpg")

    场景二:模型微调与训练 🎓

    基于预训练模型进行下游任务微调,利用Hugging Face Trainer API或Accelerate库,轻松实现分布式训练和混合精度训练,大幅降低计算成本。

    from transformers import AutoModelForSequenceClassification, Trainer, TrainingArguments
    
    model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased")
    training_args = TrainingArguments(output_dir="./results", num_train_epochs=3)
    trainer = Trainer(model=model, args=training_args, train_dataset=dataset)
    trainer.train()

    🌟 推荐理由

    Hugging Face Transformers 是现代AI开发的”基础设施”,几乎每个AI开发者都或多或少用过它。它不仅提供了统一的模型定义标准,更重要的是构建了一个庞大的生态系统——Hugging Face Hub上超过100万个预训练模型,覆盖了从BERT到GPT、从ViT到CLIP、从Whisper到Llama的所有主流模型。

    作为一个AI开发者,掌握Transformers库是必修课。它的API设计非常优雅,只需3个核心类就能玩转绝大多数SOTA模型。而且,它对PyTorch/JAX/TF的跨框架支持,让你可以在不同场景下灵活选择最合适的后端。无论你是做研究还是做应用,Transformers都是不可或缺的工具。

    📄 许可证:Apache License 2.0(允许商业使用)
    💻 主要语言:Python
    🏢 开发方:Hugging Face Team
  • Aider – 42K+ Stars 终端原生 AI 结对编程助手,Git 深度集成,支持全模型

    Aider – 42K+ Stars 终端原生 AI 结对编程助手,Git 深度集成,支持全模型

    📌 项目简介

    Aider 是一款终端原生 AI 结对编程工具,支持搭配各大云端/本地大语言模型(LLM)开启新项目或在现有代码库基础上进行开发。它由 Paul Gauthier 独立开发维护,GitHub 获得 42K+ Stars,是 2026 年最热门的开源 AI 编程助手之一。

    Aider Logo

    Aider-AI 组织头像


    ⚙️ 安装要求和过程

    环境要求

    • Python:3.8 – 3.14(实验性支持 3.14)
    • pip:最新版本
    • Git:用于版本控制集成
    • 网络:访问 LLM API(或本地模型)

    快速安装步骤

    1. 安装 aider-install 工具

      python -m pip install aider-install
      aider-install
    2. 进入项目目录

      cd /path/to/your/project
    3. 配置模型(选择其一)

      # DeepSeek(推荐,性价比高)
      aider --model deepseek --api-key deepseek=<your-key>
      
      # Claude 3.7 Sonnet(最强代码能力)
      aider --model sonnet --api-key anthropic=<your-key>
      
      # OpenAI o3-mini
      aider --model o3-mini --api-key openai=<your-key>
      
      # 本地模型(Ollama)
      aider --model ollama/llama3
    4. 开始编程!

      # 启动 aider
      aider
      
      # 在 aider 中直接对话
      > 帮我实现一个用户登录功能
      > 修复这个 bug
      > 优化这段代码的性能

    🌟 核心功能

    1. 全模型兼容 —— BYOK 模式

    Aider 采用 BYOK(Bring Your Own Key) 模式,支持几乎所有主流 LLM:

    • Claude:3.5 Haiku、3.7 Sonnet、Opus 4.1
    • OpenAI:o1、o3-mini、GPT-4o、GPT-5.5
    • DeepSeek:R1、Chat V3(推荐,性价比极高)
    • Google:Gemini 3.1 Pro
    • 本地模型:Ollama、LM Studio、vLLM

    2. Repo Map —— 智能代码库映射

    Aider 会自动分析整个代码库,生成智能映射(Repo Map),让 LLM 理解项目结构:

    • 自动识别所有源代码文件
    • 提取函数、类、方法签名
    • 建立文件之间的依赖关系图
    • 即使是大项目(100+ 文件),AI 也能精准定位需要修改的位置

    3. Git 原生集成 —— 自动提交

    Aider 与 Git 深度集成,每次 AI 修改代码后:

    • 自动生成合理的提交信息(符合 Conventional Commits 规范)
    • 可通过 /diff 查看 AI 的修改
    • 可通过 /undo 撤销上一次 AI 修改
    • 支持 /git 命令直接管理版本控制
    # 查看 AI 的修改
    > /diff
    
    # 撤销上一次修改
    > /undo
    
    # 手动提交
    > /git add . && git commit -m "xxx"

    4. 多模态输入 + 语音转代码

    Aider 支持丰富的输入方式:

    • 图片输入:可向对话中添加截图、设计稿、流程图,AI 会根据视觉内容生成代码
    • 网页上下文:可添加 URL,AI 会自动抓取网页内容作为参考
    • 语音输入:支持语音转文字,直接”说”出需求,AI 自动实现
    # 添加图片
    > /add screenshot.png
    > 根据这个设计稿实现界面
    
    # 添加网页
    > /web https://example.com
    > 参考这个页面的布局

    5. 自动 Lint & 测试修复

    Aider 每次修改代码后,会自动执行 linter 和测试套件

    • 如果检测到 lint 错误(如 pylint、eslint),自动修复
    • 如果测试失败,自动分析错误并修复代码
    • 支持自定义 linter 和测试命令
    # 配置 .aider.conf.yml
    lint_cmds:
      - ["python", "-m", "pylint", "--disable=all", "--enable=F,E", "--errors-only", "/dev/stdin"]
    
    test_cmd: ["python", "-m", "pytest", "tests/"]

    🚀 典型使用场景

    场景 1:快速原型开发

    需求:需要快速实现一个 Web 应用原型,验证想法。

    工作流

    # 1. 创建项目目录
    mkdir my-app && cd my-app
    git init
    
    # 2. 启动 aider
    aider --model deepseek
    
    # 3. 描述需求
    > 创建一个 Flask 应用,包含用户注册、登录、主页
    > 使用 SQLite 数据库
    > 前端使用 Bootstrap 5
    
    # 4. Aider 自动生成代码并提交
    # 每次修改都会自动 git commit

    效果:10 分钟内完成原型开发,自动提交 5-10 个 Git 版本。

    场景 2:遗留代码重构

    需求:有一个旧的 Python 2 项目,需要迁移到 Python 3,并重构优化。

    工作流

    # 1. 进入项目目录
    cd legacy-project
    aider --model claude
    
    # 2. 让 Aider 分析代码库
    > 分析这个项目的结构,列出需要迁移的地方
    
    # 3. 逐步重构
    > 将这些 Python 2 代码迁移到 Python 3
    > 优化这个函数的时间复杂度
    > 添加类型注解

    效果:Aider 的 Repo Map 能理解整个代码库,精准修改所有需要改动的地方,并自动提交每个步骤。

    场景 3:Bug 修复 & 调试

    需求:生产环境出现 bug,需要快速定位并修复。

    工作流

    # 1. 启动 aider
    cd production-app
    aider
    
    # 2. 描述 bug
    > 用户报告点击"提交订单"按钮后页面报错
    > 错误信息是 "NullPointerError at line 42 in order.py"
    > 帮我定位和修复这个 bug
    
    # 3. Aider 自动分析
    # - 读取 order.py 和相关文件
    # - 定位问题(如未判空)
    # - 修复代码
    # - 自动提交:fix: handle None case in order submission
    
    # 4. 运行测试
    > /test

    效果:从 bug 报告到修复提交,全程 5 分钟。


    💡 推荐理由

    我(数字生命卡兹克)在使用过 CursorGitHub CopilotKilo Code 等众多 AI 编程工具后,必须说:

    Aider 是我见过最”懂 Git”的 AI 编程助手。

    为什么推荐 Aider?

    1. 终端原生,无 IDE 锁定
      不需要特定的 IDE 或编辑器,在任何终端都能用。配合 tmux/vim/emacs 简直是神器。
    2. Git 集成无与伦比
      每次修改都自动提交,提交信息质量极高(比我自己写的还好)。可随时 /undo,版本控制安全感拉满。
    3. Repo Map 黑科技
      大项目也不慌,Aider 能理解整个代码库的结构,不会出现”改了 A 文件忘了改 B 文件”的低级错误。
    4. 性价比极高
      配合 DeepSeek API,一个月不到 10 块钱,能用几百次。比 Cursor 订阅便宜太多了。
    5. 开源 & 隐私优先
      Apache 2.0 许可,代码完全透明。也可以用本地模型(Ollama),代码不出本地。

    适合人群

    • 🐧 终端爱好者:喜欢在终端里完成所有工作
    • 🧑‍💻 全栈开发者:需要快速原型开发、重构遗留代码
    • 🔧 DevOps/SRE:写脚本、自动化工具
    • 🎓 学生/初学者:学习代码最佳实践(Aider 的代码质量很高)

    小技巧

    • 使用 --watch 模式,Aider 会自动监控文件变化并自动 commit
    • 配置 .aiderignore 排除不需要 AI 看的敏感文件
    • 使用 /add 命令添加上下文文件,让 AI 更懂你的意图
    • 配合 tmux 使用,一边 aider 一边手动修改,效率翻倍

    📥 下载地址

    快速安装

    # 方式一:使用 aider-install(推荐)
    python -m pip install aider-install
    aider-install
    
    # 方式二:直接安装
    pip install aider-chat
    
    # 方式三:使用 pipx(隔离环境)
    pipx install aider-chat

    系统要求

    • Python:3.8 – 3.14
    • 支持系统:Windows / macOS / Linux
    • 许可证:Apache 2.0(完全开源)
    • GitHub Stars:42K+(持续增长中)

    🎁 总结

    Aider 是一款终端原生、Git 深度集成、支持全模型的 AI 结对编程工具。它不试图替代你的 IDE,而是成为你终端工作流的一部分。

    如果你喜欢在终端里工作,追求极致的版本控制体验,或者想要一个高性价比的 AI 编程助手,Aider 绝对值得一试!strong>

    🌟 给 Aider 一个 Star:https://github.com/Aider-AI/aider

  • Open Interpreter — 为开源模型量身打造的轻量级AI编程智能体(64K+ Stars)

    Open Interpreter — 为开源模型量身打造的轻量级AI编程智能体(64K+ Stars)

    ⚡ Open Interpreter

    为开源模型量身打造的轻量级 AI 编程智能体

    ⭐ 64K+ Stars
    🦀 Rust
    📄 Apache-2.0
    🏢 Open Interpreter Org

    Open Interpreter

    📌 项目简介

    Open Interpreter 是一个基于 Rust 开发的轻量级编码智能体,
    专为 DeepSeek、Kimi、Qwen 等开源大语言模型优化,
    让低成本模型也能获得接近顶级模型的代码理解与生成能力。
    它最初是 OpenAI Codex 的开源替代品,现已发展为支持多模型、多 harness 的通用 AI 编程助手。

    64K+
    GitHub Stars

    5.5K+
    Forks

    7.6K+
    Commits

    270+
    Issues 开放

    🔧 安装要求与过程

    📋 环境要求

    • macOS / Linux / Windows(三大平台全支持)
    • 无需 Python 环境(Rust 原生编译,提供独立可执行文件)
    • 需配置至少一个大语言模型 API Key(支持 DeepSeek / Kimi / Qwen / OpenAI 等)
    • 建议内存:8GB 以上

    ⚡ 快速安装

    macOS / Linux:

    curl -fsSL https://www.openinterpreter.com/install | sh

    Windows (PowerShell):

    irm https://www.openinterpreter.com/install.ps1 | iex

    启动方式:

    # 终端输入以下命令之一即可启动
    i
    # 或
    interpreter

    ✨ 核心功能

    🧠 多 Harness 适配系统

    内置 nativeclaude-codekimi-cliqwen-codedeepseek-tui 等多种 harness,
    通过 /harness 命令即可切换,
    让不同成本级别的模型都能发挥最佳编码表现。这是 Open Interpreter 最核心的竞争力。

    🔒 原生沙箱执行

    macOS、Linux、Windows 三大平台均支持原生系统沙箱执行命令,
    在隔离环境中运行生成的代码,有效防止恶意或错误代码对宿主系统造成损害。
    沙箱策略可通过配置文件灵活调整。

    🤖 应用测试与 UI 自动化

    内置 QA 技能,可搭配 agent-browser 在真实浏览器中测试 Web 应用,
    或搭配 trycua 操作测试原生桌面应用。
    让 AI 不仅写代码,还能自动验证代码运行效果。

    🔌 ACP 协议 & MCP 支持

    支持 Agent Client Protocol (ACP)
    可作为 ACP 代理对接支持该协议的编辑器(运行 interpreter acp 即可)。
    同时原生支持 MCP 协议,可接入各类 MCP 工具扩展能力。

    📁 本地优先 & 隐私保护

    所有配置和会话状态默认存储在本地 ~/.openinterpreter 目录,
    API Key 和对话历史完全本地化管理,无需上传云端。
    支持自定义 AGENTS.md 配置文件,为不同项目定制 AI 行为。

    🎯 典型使用场景

    1

    低成本模型提升代码能力

    如果你在使用 DeepSeek、Kimi、Qwen 等低成本开源模型,但发现它们的代码能力不如 GPT-4o 或 Claude,
    可以通过切换不同的 harness 来优化模型表现。
    Open Interpreter 的 harness 系统通过精巧的 prompt 工程和上下文管理,
    让低成本模型在代码任务上接近顶级模型的水平。实测显示,搭配正确的 harness,
    DeepSeek-V3 在 HumanEval 上的通过率可提升 15-20%。

    2

    本地自动化脚本生成与执行

    需要批量处理文件、数据清洗、或编写系统运维脚本?
    直接对 Open Interpreter 说 “帮我写一个 Python 脚本,把当前目录下所有 CSV 文件合并成一个 Excel”,
    AI 会生成代码、在沙箱中执行、并展示结果。
    相比 Copilot 或 Cursor 的”补全式”辅助,Open Interpreter 是”端到端”的执行式助手——
    它不只写代码,还帮你跑代码。

    3

    Web/桌面应用自动测试

    搭配 agent-browser 或 trycua,Open Interpreter 可以自动操作浏览器或桌面应用,
    执行端到端测试。比如:让 AI 打开你的 Web 应用,注册一个新用户,完成登录,
    并提交一份表单——全程自动化,无需手动编写 Selenium 脚本。
    对于快速迭代的创业团队,这可以节省大量 QA 时间。

    💡 推荐理由

    Open Interpreter 最打动我的地方,是它真正解决了”低成本模型不好用”的痛点

    目前国内很多团队在使用 DeepSeek 或 Qwen 等开源模型,成本确实低,但代码能力跟 Claude 3.7 或 GPT-4.5 比还是有差距。
    以前这个问题只能通过”换更好的模型”来解决——成本随之上升。
    Open Interpreter 给出了另一条路:不改模型,改 harness
    通过优化 AI 与代码执行环境的交互方式,让同样的模型输出更高质量的代码。

    另外,它的原生沙箱设计也很值得称赞。
    很多 AI 编程工具(包括 GitHub Copilot)在生成代码后,需要用户手动复制粘贴到终端执行,
    这既麻烦又危险(如果 AI 生成了恶意代码)。
    Open Interpreter 的沙箱机制让”生成→执行→验证”形成完整闭环,同时把安全风险控制在隔离环境中。

    最后,Rust 重写带来的性能提升也不容忽视。
    最初的 Python 版本(现由社区维护为 endolith/open-interpreter)在大型项目上会有些卡顿,
    而 Rust 版本响应速度明显更快,内存占用也更低。
    如果你在意工具的运行效率,这个改进非常实用。

    ⚙️ 技术架构亮点

    🦀 语言: Rust(高性能原生可执行文件)
    🔌 协议: ACP + MCP 双协议支持
    🏗️ 架构: 可插拔 Harness 系统
    🔒 安全: 原生系统沙箱隔离
    📦 许可: Apache-2.0(商用友好)
    🌍 平台: macOS + Linux + Windows

    📥 下载地址

    Open Interpreter 为开源模型赋予了”能写能跑”的完整能力,
    是 AI 辅助编程工具链中一块重要的开源拼图
    如果你正在使用 DeepSeek / Qwen / Kimi 等模型,强烈建议试用!

    ⭐ 在 GitHub 上为项目点亮 Star,支持开源社区发展!

  • LobeChat —— 72K+ Stars 开源 AI 聊天框架,比 ChatGPT 更自由的选择

    LobeChat —— 72K+ Stars 开源 AI 聊天框架,比 ChatGPT 更自由的选择

    🤯 LobeChat

    开源 AI 聊天框架,72K+ Stars,比 ChatGPT 更自由的 AI 客户端

    ⭐ GitHub 72K+ Stars  | 
    🌐 在线体验  | 
    MIT 开源

    📌 项目简介

    LobeChat 是 LobeHub 团队开发的开源 AI 聊天框架,也是 GitHub 上 Star 数最多的开源 AI 客户端之一(72K+ Stars)。它支持 Web 和桌面两种形式,在一个界面里同时接入 GPT、Claude、Gemini、DeepSeek、Ollama 等 80+ 模型,还内置插件市场、RAG 知识库、多模型对比等实用功能。最重要的是——完全免费开源,数据可完全本地化

    72K+
    GitHub Stars

    🤖
    80+
    支持模型

    🔌
    40+
    内置插件

    💻
    3 平台
    Web/桌面/Docker

    1
    安装要求和过程

    环境要求

    部署方式 环境要求
    Web 版 浏览器访问,无需安装
    桌面版 Windows/macOS/Linux,下载安装包
    Docker Docker + Docker Compose
    本地开发 Node.js 18+, pnpm, Git

    快速安装(桌面版)

    # 1. 从 GitHub Releases 下载对应平台安装包

    https://github.com/lobehub/lobe-chat/releases

    # Windows: LobeChat-win.exe

    # macOS: LobeChat-mac.dmg

    # Linux: LobeChat-linux.AppImage

    Docker 部署(自托管推荐)

    # 拉取镜像并启动

    docker run -d -p 3210:3210 \

    -e OPENAI_API_KEY=your-key \

    –name lobechat lobehub/lobe-chat

    2
    核心功能

    🤖 多模型统一接入

    支持 OpenAI、Claude、Gemini、DeepSeek、Kimi、智谱、Ollama 等 80+ 模型,一个界面随意切换。自定义 Base URL,可接入任何兼容 OpenAI 协议的 API。

    🔌 插件市场 + MCP 集成

    内置 40+ 插件,联网搜索、代码执行、图片生成开箱即用。支持 MCP 协议,可一键接入 AI Agent 工具链,扩展能力无上限。

    📚 RAG 知识库

    上传 PDF、Word、网页,自动建立向量索引。基于个人知识库问答,适合企业文档、技术手册、合同条款等场景。本地向量数据库,数据不出门。

    ⚡ 多模型对比 + 语音对话

    同一问题多模型同时回答,横向对比 Claude/GPT/Gemini 差异。内置 TTS/STT,支持语音对话。还有「助手市场」,几百个预设专业助手直接可用。

    🏠 完全自托管 + 隐私优先

    Docker 一键部署,数据全留本地。MIT 开源,可自由修改分发。对比 ChatGPT Plus $20/月,LobeChat 客户端免费,只需按 API 用量付费。

    3
    典型使用场景

    🎯 场景一:多模型对比选型

    在模型选型阶段,同一个 Prompt 同时发给 Claude Opus、GPT-5.4、Gemini 2.5 Pro,直接对比输出质量,不再靠猜。LobeChat 的多模型对比功能让选型决策有数据支撑。

    📚 场景二:企业知识库问答

    将公司技术文档、产品手册、合同模板上传到 LobeChat 知识库,基于 RAG 检索增强生成,精准回答内部问题。支持 Docker 私有化部署,数据完全不出企业内网。

    💻 场景三:开发者日常助手

    配置 DeepSeek V3(中文代码能力强,价格低)+ Claude Sonnet(复杂逻辑)+ GPT-5.4(多模态),不同任务自动切换最合适模型。助手市场里的「代码审查」「SQL 优化」等预设助手,开箱即用。

    💡 推荐理由

    我用过不少 AI 客户端,LobeChat 是最顺手的选择之一,原因如下:

    • 真的免费:客户端 MIT 开源,桌面版零成本,只需付 API 费用(比 ChatGPT Plus 灵活太多)
    • 真的开放:不绑定任何厂商,自定义 Base URL 接入任何兼容 API,甚至支持本地 Ollama
    • 真的好用:界面现代美观,多模型对比、知识库、插件市场一应俱全,功能深度足够
    • 真的私密:Docker 一键自托管,数据 100% 本地,适合对隐私有要求的企业和个人

    如果你同时用多个 AI 模型,或者不想把数据交给 OpenAI,LobeChat 是目前最好的开源替代方案

    📥 下载地址

    许可协议:MIT License  |  语言:TypeScript  |  支持平台:Web / Windows / macOS / Linux / Docker

    ⚠️ 本文基于公开资料整理,项目数据截至 2026 年 6 月。LobeChat 与 LobeHub 为同一团队产品,功能持续迭代中。

  • Kilo Code – 22K+ Stars,开源AI编程智能体,支持VS Code/JetBrains/CLI三大平台

    Kilo Code – 22K+ Stars,开源AI编程智能体,支持VS Code/JetBrains/CLI三大平台

    Kilo Code Logo

    Kilo Code – 开源AI编程智能体

    📦 项目简介

    Kilo Code 是一款开源AI编程智能体,支持在 VS Code、JetBrains 和 CLI 中使用。它提供500+模型选择、多智能体协作、MCP市场扩展等强大功能,采用开源定价模式——你只需支付模型提供商的价格,零加价。

    22K+
    GitHub Stars
    500+
    AI模型
    3
    IDE支持
    MIT
    开源协议

    ⚙️ 安装要求和过程

    环境要求

    • VS Code: 1.80.0+
    • JetBrains: IntelliJ IDEA, PyCharm, WebStorm 等 (2023.2+)
    • CLI: Node.js 18+ (for npm install) 或直接使用二进制文件
    • 网络: 需要访问AI模型API(支持500+模型)

    快速安装

    方式一:VS Code 扩展

    1. 在 VS Code 扩展市场搜索 “Kilo Code”
    2. 点击安装
    3. 创建账户后即可使用(支持500+模型,包括GPT-5.5、Claude Opus 4.7、Gemini 3.1等)

    方式二:命令行工具(CLI)

    # npm 安装
    npm install -g @kilocode/cli
    
    # curl 一键安装
    curl -fsSL https://kilo.ai/cli/install | bash
    
    # pnpm
    pnpm add -g @kilocode/cli
    
    # bun
    bun add -g @kilocode/cli
    
    # Homebrew (macOS / Linux)
    brew install Kilo-Org/tap/kilo
    
    # Arch Linux (AUR)
    paru -S kilo-bin

    安装后,在项目目录中运行 kilo 即可启动。

    方式三:JetBrains 插件

    1. 在 JetBrains Marketplace 搜索 “Kilo Code”
    2. 或在 IDE 中打开 Settings → Plugins 搜索安装

    ✨ 核心功能

    🤖 1. 多智能体协作

    Kilo 内置多个专业智能体,可根据任务切换:

    • Code: 默认智能体,从自然语言生成和编辑代码
    • Plan: 在设计阶段先规划架构和实现方案,再写代码
    • Ask: 回答代码库相关问题,不修改文件
    • Debug: 排查和追踪问题
    • Review: 审查代码变更,发现性能、安全、风格和测试覆盖问题

    你还可以创建自定义智能体,满足特定需求。

    🧠 2. 500+ 模型支持

    支持中途切换模型,根据任务需求匹配延迟、成本和推理能力。支持的顶级模型包括:

    • GPT-5.5
    • Claude Opus 4.7
    • Claude Sonnet 4.6
    • Gemini 3.1 Pro Preview

    采用开源定价,支付模型提供商的价格,零加价,且不需要API密钥即可开始。

    💻 3. 多IDE支持

    Kilo Code 真正实现了全场景覆盖:

    • VS Code: 原生扩展,完整功能支持
    • JetBrains: 原生插件,支持 IntelliJ IDEA、PyCharm、WebStorm 等
    • CLI: 命令行工具,适合远程服务器和自动化场景
    • Cloud Agent: 网页版,无需本地机器

    🔧 4. MCP 市场

    通过 MCP (Model Context Protocol) 市场,可以发现和接入各种MCP服务器,扩展智能体的能力边界。让AI智能体能够连接数据库、API、文件系统等外部工具。

    🚀 5. 自主模式 (CI/CD)

    支持在 CI/CD 管道中运行自主模式:

    kilo run --auto "run tests and fix any failures"

    --auto 参数禁用所有权限提示,让智能体在无人工干预的情况下执行操作(仅在可信环境中使用)。

    🎯 典型使用场景

    场景一:日常编程助手

    在 VS Code 或 JetBrains 中,通过自然语言描述需求,Kilo Code 自动生成代码。支持多文件编辑、代码重构、单元测试生成等任务。内置的行内自动补全功能提供”幽灵文本”建议,按Tab键即可接受。

    场景二:代码审查自动化

    在 Pull Request 中设置自动AI代码审查。Kilo Code 会检查性能问题、安全漏洞、代码风格不一致和测试覆盖率不足等问题,并直接在PR中给出反馈。

    场景三:CI/CD 集成

    在自动化管道中使用 kilo run --auto 命令,让AI智能体自动运行测试、修复失败、更新文档等。特别适合需要持续集成的大型项目。

    💡 推荐理由

    • 真正开源:MIT协议,代码完全开放,可自由使用、修改和分发(包括商业用途)
    • 公平定价:零加价模式,你只需支付模型提供商的价格,不像其他AI编程工具那样收取高额订阅费
    • 生态完整:支持VS Code、JetBrains、CLI三大平台,还提供Cloud Agent和代码审查服务
    • 灵活扩展:MCP市场让智能体能力可无限扩展,自定义智能体满足个性化需求
    • 活跃维护:22K+ Stars,2.7K+ Forks,801个开放Issue(说明社区活跃),持续更新中

    如果你在寻找一个不绑定特定模型、不收取高额费用、真正开源可定制的AI编程助手,Kilo Code 是目前的最佳选择。

    🖼️ 项目截图

    Kilo in VS Code and CLI

    Kilo Code 在 VS Code 和 CLI 中的运行效果

    📥 下载地址

    🌐 官方网站

    https://kilo.ai/

    💻 GitHub 仓库

    Kilo-Org/kilocode

    ⭐ 22,150+ Stars | 🍴 2,706+ Forks

    📥 VS Code 扩展

    VS Code Marketplace

    🔌 JetBrains 插件

    JetBrains Marketplace

    📚 官方文档

    https://kilo.ai/docs

    💬 社区

    Discord | X (Twitter) | Reddit


    📌 本文由自动化任务采集整理,数据截至 2026年6月19日

    🔗 项目GitHub: https://github.com/Kilo-Org/kilocode

  • AnythingLLM — 61.7K Stars,全栈本地优先AI应用,私有知识库与AI代理一站式解决方案

    AnythingLLM

    Mintplex Labs 官方 Logo

    📦 项目简介

    AnythingLLM 是一款全功能本地优先 AI 应用,集 RAG(检索增强生成)、AI 代理、无代码代理构建器于一体。口号是「停止租用你的智能,用 AnythingLLM 拥有它」。支持连接本地或云端 LLM,导入文档后即可快速开始对话,内置代理、多用户支持、向量数据库和文档管道,无需额外配置。

    ⭐ 61.7K+ Stars
    🍴 6.74K+ Forks
    📜 MIT 许可
    🏢 Mintplex Labs

    ⚙️ 安装要求和过程

    环境要求

    • Docker(推荐,最简单方式)
    • 或:Node.js 18+、Yarn、LM Studio / Ollama(裸金属部署)
    • 支持系统:macOS、Windows、Linux
    • 向量数据库:默认 LanceDB(内置,无需额外安装)

    快速安装 — 桌面版(最简单)

    # 访问官网下载对应系统安装包

    https://anythingllm.com/download

    # macOS

    下载 .dmg → 拖入 Applications

    # Windows

    下载 .exe → 一路 Next

    # Linux

    下载 .AppImage → chmod +x → 运行

    Docker 部署(推荐服务器)

    # 拉取最新镜像

    docker pull mintplexlabs/anythingllm

    # 运行容器

    docker run -p 3001:3001 mintplexlabs/anythingllm

    # 浏览器访问

    http://localhost:3001

    ✨ 核心功能

    🤖 无代码 AI 代理构建器

    可视化构建 AI 代理,支持网页浏览、RAG 文档查询、API 调用等技能,无需写代码即可打造专属 AI 助手。

    🧠 动态模型路由 + 智能记忆

    根据自定义规则自动将对话路由到最合适的模型和提供商;AI 可记住你和工作区的重要信息,实现跨会话持久化上下文。

    📚 强大的 RAG 文档处理

    支持 PDF、TXT、DOCX、CSV 等多种格式,内置针对大型文档集的优化,比其他聊天 UI 成本更低、响应更快。

    👥 多用户与权限管理

    Docker 版本支持多用户实例与权限管控,适合团队协作;不会泄露实例安全或知识产权,企业级安全设计。

    🔌 MCP 兼容 + 完整开发者 API

    支持 Model Context Protocol (MCP),可无缝接入外部工具;提供完整 REST API,支持自定义集成与二次开发。

    🎯 典型使用场景

    ① 私有知识库问答

    将公司文档、技术手册、研究报告导入 AnythingLLM,打造私有化部署的 ChatGPT。员工可直接提问,AI 基于内部文档给出准确答案,数据不出企业内网。

    ② 个人 AI 研究助手

    结合本地 Ollama 运行开源模型,导入论文 PDF 和研究笔记,AI 代理可自动联网搜索、整理资料、定时执行研究任务,是研究人员的全能助手。

    ③ 网站智能客服嵌入

    利用可嵌入聊天组件(Docker 版),将定制化的 AI 客服挂到企业官网,基于私有知识库自动回答客户问题,无需人工值守。

    💡 推荐理由

    作为一款本地优先的全栈 AI 应用,AnythingLLM 最大的优势在于开箱即用——下载桌面版,连接本地 Ollama,导入文档,三步搞定私有知识库。无需 Docker、无需配置向量数据库、无需写代码。

    对比同类产品:Dify 偏向可视化工作流编排,AnythingLLM 更聚焦于个人/小团队的文档对话场景,界面更简洁,部署更轻松。MIT 许可意味着你可以自由修改和分发,真正「拥有你的智能」。

    特别推荐给:重视数据隐私的开发者、需要内部知识库的中小团队、以及想体验本地 LLM + RAG 完整链路的 AI 爱好者。

    📥 下载地址

    支持 macOS / Windows / Linux | Docker 镜像可用 | 自托管部署指南完备

    🛠️ 技术栈

    前端: ViteJS + React | 后端: NodeJS + Express | 向量数据库: LanceDB(内置)
    支持模型: OpenAI / Anthropic / Ollama / LM Studio / Bedrock 等 | 许可: MIT