标签： AI开源项目

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
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。
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：用 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”。

六、下载地址
- 官网 / 在线 Demo：https://www.usehallmark.com
- GitHub 仓库：https://github.com/Nutlope/hallmark（⭐ 11.6K · MIT）
- 安装命令：npx skills add nutlope/hallmark
2026年7月17日
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 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 风格前缀键和鼠标点击 / 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
- 官网：https://herdr.dev
- GitHub：https://github.com/ogulcancelik/herdr
- 文档：https://herdr.dev/docs
- 一键安装脚本：https://herdr.dev/install.sh
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。
2026年7月17日
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。

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。
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。

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”。

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
- 官网文档：https://deeptutor.info
- GitHub 仓库：https://github.com/HKUDS/DeepTutor（⭐ 26.8K+，Apache-2.0 许可）
- PyPI 安装：pip install -U deeptutor
- Docker 镜像：ghcr.io/hkuds/deeptutor:latest
2026年7月17日
LobeHub 开源推荐：你的「首席 Agent 运营官」，让 AI 智能体团队 7×24 为你打工
📌 项目简介

LobeHub 是 LobeChat 原班团队推出的开源 AI Agent 协作平台，定位为「首席 Agent 运营官（Chief Agent Operator）」——把散落在各处的 AI 智能体整编成一支 7×24 在线、能自主招聘 / 排班 / 汇报的 AI 团队，让你不必一直在线也能运筹全局。

🛠 安装要求和过程

环境要求
- 运行时：Node.js 18+（推荐 LTS），包管理器 pnpm 或 bun；
- 自托管：需要 Docker / Docker Compose；
- 云部署：支持 Vercel、Zeabur、Sealos、阿里云一键部署；
- 模型：至少一个 LLM 提供商的 API Key（如 OpenAI），可通过 OPENAI_PROXY_URL 配置代理与自定义模型列表。
快速安装

方式 A · 云端一键部署：在 Vercel / Zeabur / Sealos 点击 Deploy 按钮，用 GitHub 登录并填入 OPENAI_API_KEY 即可立即使用。

方式 B · Docker 自托管：
```
mkdir lobehub-db && cd lobehub-db
bash <(curl -fsSL https://lobe.li/setup.sh)
docker compose up -d
```
方式 C · 本地开发：
```
git clone https://github.com/lobehub/lobehub.git
cd lobehub
pnpm install
pnpm dev          # 全栈 (Next.js + Vite SPA)
bun run dev:spa   # 仅前端 SPA (端口 9876)
```
✨ 核心功能

1. Operator（运营官）：像管理真人团队一样「招聘、排班、汇报」你的全部 AI Agent；内置 IM Gateway，让智能体直接在你常用的聊天软件里工作，少开工具、多出生产力。

2. Create（Agent 构建器）：用一句话描述需求即可自动生成并配置好专属 Agent，开箱即用；统一接入任意模型与多模态，并连接 10,000+ 技能与 MCP 兼容插件。

3. Collaborate（Agent 群组）：引入 Agent Groups 多智能体协作——Pages 多 Agent 同上下文写作、Schedule 定时自动执行、Project 按项目归档、Workspace 团队共享空间，让协作可追踪、有归属。

4. Evolve（共同进化）：个人记忆（Personal Memory）让 Agent 持续学习你的工作习惯，且采用白盒、可编辑的结构化记忆，你完全掌控它记住了什么。

🎯 典型使用场景

① 个人 AI 工作台：把写作、翻译、代码、数据分析等 Agent 收编到一个空间，用 IM Gateway 在微信 / 飞书 / Discord 里随时调度，告别在十几个窗口间手动复制结果。

② 团队自动化流水线：用 Agent Groups 组建「调研 + 写作 + 审校」多 Agent 流水线，设定 Schedule 在夜间自动跑周报，Workspace 让全员可见进度与归属。

③ 企业私有化部署：通过 Docker 或 Vercel 一键把整套 Agent 中台部署到内网 / 自有云，配合 OPENAI_PROXY_URL 与自定义模型列表，数据不出域。

💡 推荐理由

我试用后的真实感受——它把「Agent 作为工作单元」这件事做得相当彻底。过去我们用 AI 工具是「开一个聊天窗口、丢一个任务、复制结果」，LobeHub 则把 Agent 变成可以招聘、排班、持续记忆的长期同事：白盒记忆让我能直接看到并修正它记住的偏好，多 Agent 群组把原本串行的人工协作变成并行的智能体流水线。对想搭建自己「AI 员工团队」的个人或小团队来说，这是目前少有的、开箱即用又完全可自托管的开源选择。

⚠️ 许可证提示：LobeHub 采用基于 Apache 2.0 的 LobeHub 社区许可证（LobeHub Community License），含商业使用限制，商用前请务必阅读其许可证条款。

🔗 下载地址
- 官网：https://lobehub.com
- GitHub：https://github.com/lobehub/lobehub
- 官方文档：https://lobehub.com/docs
- Docker 镜像：lobehub/lobehub
2026年7月17日
Spec Kit：GitHub 官方出品的「规格驱动开发」工具包，让 AI 编码助手先写规格、再写代码
项目简介

Spec Kit 是 GitHub 官方开源的规格驱动开发（Spec-Driven Development, SDD）工具包。它给 GitHub Copilot、Claude Code、Gemini CLI、Codex 等 30+ 款 AI 编码助手注入一套「宪法 → 规格 → 计划 → 任务 → 实现」的结构化工作流，让你在动手写代码之前，先把「要做什么、为什么做」想清楚、写明白——告别想到哪写到哪的「vibe coding」。

安装要求和过程

环境要求
- 操作系统：Linux / macOS / Windows
- Python 3.11 及以上
- 包管理器：uv（推荐）或 pipx
- Git
- 一个受支持的 AI 编码助手（Copilot / Claude Code / Gemini / Codex 等 30+）
快速安装步骤

① 安装 uv（详见 astral.sh/uv）：
```
# 参见 https://docs.astral.sh/uv/getting-started/installation/
curl -LsSf https://astral.sh/uv/install.sh | sh
```
② 安装 Specify CLI（已发布到 PyPI）：
```
uv tool install specify-cli
# 或从源码锁定版本：
# uv tool install specify-cli --from git+https://github.com/github/spec-kit.git@v0.12.16
```
③ 初始化项目并选择你的编码助手：
```
specify init my-project --integration copilot
cd my-project
```
④ 在项目目录里启动 AI 编码助手，即可使用 /speckit.* 系列命令（Codex 等 skills 模式用 $speckit-*）。

核心功能
- 结构化 SDD 工作流：constitution（项目宪法）→ specify（需求规格）→ plan（技术方案）→ tasks（任务拆解）→ implement（实现），把「先写规格、再写代码」固化成可复用的标准流程。
- 兼容 30+ AI 编码助手：Copilot、Claude Code、Gemini、Codex、Cursor 等，通过 slash 命令或 skills 模式无缝集成，一个工具链覆盖全团队。
- 项目宪法（Constitution）：用 /speckit.constitution 定义代码质量、测试标准、性能与体验等治理原则，在规格、计划、实现的每一环约束 AI 的决策。
- 可扩展的扩展 / 预设 / 打包体系：extensions 增加新命令与能力，presets 改写模板与术语（如合规、安全门禁），bundles 一键部署「产品经理 / 安全研究员 / 开发者」等角色化工作流。
- 离线可用 & 自管理升级：所有 consume/author 命令可针对本地或锁定源离线运行；specify self upgrade 一键升级到稳定版本，且安装幂等、仅作用于项目根目录。
典型使用场景
- 从零搭建应用（Greenfield）：用一句话需求生成功能规格，再让 AI 按计划与任务清单逐步实现，避免「vibe coding」式的方向跑偏与大量返工。
- 团队标准化研发流程：通过 presets 强制合规 / 安全的规格格式，用 bundles 给不同角色一键装配统一工具链，保证多人协作的产出口径一致、可追溯。
- 遗留系统现代化（Brownfield）：在已有项目中迭代加功能、做现代化改造；Spec Kit 工具更新与功能规格演进分离，支持平滑演进的 brownfield 循环。
推荐理由

用过 AI 编码助手的人大多有过这种体验：让它「帮我做个照片相册应用」，它啪一下甩出几百行代码，跑起来才发现需求理解错了、结构一团糟、改起来比自己写还累。Spec Kit 解决的正是这个痛点——它不替你思考，而是逼你把需求先写成规格。

我最看重三点：一是 Constitution 把团队的工程质量标准沉淀成可复用的「宪法」，AI 全程受它约束，产出更稳；二是 tasks 把大需求拆成可勾选的任务清单，每一步都有据可查、可回退；三是它足够轻——本质上只是个 CLI + 一组 slash 命令，没有重运行时，和 Claude Code / Copilot 配合几乎零摩擦。当然，它是一套「流程纪律」而非魔法：规格写得好不好，直接决定最终质量。把它当成一个让 AI「先审题再答题」的脚手架，体验会非常顺。

下载地址
- 官网 / 文档：https://github.github.io/spec-kit/
- GitHub 仓库：https://github.com/github/spec-kit（⭐ 121.7K · MIT）
- PyPI 包：specify-cli
- 最新发布：v0.12.16（2026-07-15）
* 本文数据来自 GitHub API，截至 2026-07-16；Spec Kit 由 GitHub 团队开源，采用 MIT 许可。
2026年7月16日
nanobot：可完全自托管的轻量级个人 AI 智能体运行时
nanobot 是一个开源、超轻量的个人 AI 智能体运行时（agent runtime），把 WebUI、聊天渠道、工具、记忆、MCP、模型路由、自动化与部署打包在一个可读的小内核里，让你真正”拥有”自己的智能体，而不是被某个大平台锁定。

⭐ Stars 45,688+ 🍴 Forks 8,059

💻 语言 Python 📜 协议 MIT

🏢 团队 HKUDS（香港大学数据科学团队，LightRAG / Vibe-Trading 同门）

📦 安装要求和过程

环境要求
- Python 3.11 及以上（必须）
- Git：仅源码安装时需要
- bun 或 npm：从源码构建 WebUI 时需要（PyPI/uv 安装包已内置 WebUI，无需额外构建）
- 支持 macOS / Linux / Windows；零技术背景用户可走官方”无技术背景起步”向导
快速安装（任选其一）

① 一键安装（macOS / Linux）
```
curl -fsSL https://raw.githubusercontent.com/HKUDS/nanobot/main/scripts/install.sh | sh
```
② Windows PowerShell
```
irm https://raw.githubusercontent.com/HKUDS/nanobot/main/scripts/install.ps1 | iex
```
③ 使用 uv（推荐，干净隔离）
```
uv tool install nanobot-ai
```
④ pip 安装
```
python -m pip install nanobot-ai
```
⑤ 从源码安装
```
git clone https://github.com/HKUDS/nanobot.git
cd nanobot
python -m pip install .
```
快速开始
```
nanobot onboard        # 交互式初始化（生成 ~/.nanobot/config.json 与 workspace）
nanobot gateway        # 启动网关，浏览器访问 http://127.0.0.1:8765
nanobot agent -m "Hello!"   # 或直接在终端发一条消息测试
```
配置只需在 ~/.nanobot/config.json 里填好 providers（API Key / 端点）与 modelPresets（模型预设）两块即可，支持 OpenAI 兼容接口、本地 LLM 与 fallback 模型路由。

✨ 核心功能
- 轻量可读的小内核：核心只是一个 agent loop——消息进来，LLM 决定何时调用工具，记忆/Skill 仅作为上下文按需注入，不做臃肿的编排层，源码小而好改。
- 聊天原生触达：内置 WebUI + OpenAI 兼容 API，并可接入 Telegram、Discord、Slack、微信、飞书、邮件、Mattermost、Teams 等渠道，把智能体开到你常用的聊天里。
- 模型自由：兼容 OpenAI 兼容 API、本地 LLM（Ollama / vLLM）、图像生成与 Web 搜索，支持多模型预设与 fallback 路由，不被单一厂商绑定。
- 工具与自动化：内置文件、Shell、Web 搜索、网页抓取、MCP、cron、图像生成、子智能体等工具；配合长期记忆（Dream）与定时自动化，可跑长周期任务。
- 可拥有、可扩展：提供 Python SDK 与 OpenAI 兼容 API，可作为长期运行的本地 / 服务端 Agent 网关自托管， inspect、定制、扩展全部在自己手里。
🌐 WebUI 与架构

nanobot 内置 WebUI：聊天、工作区、Apps、Skills、Automations 与设置的统一工作台

围绕一个小 agent loop 的轻量架构：渠道进消息 → LLM 调度工具 → 按需拉入记忆/Skill

🎯 典型使用场景
- 24/7 实时市场 / 趋势分析：连接数据源与 Web 搜索，让智能体持续追踪行情与热点，自动产出洞察与简报。
- 全栈软件工程助手：借助文件 / Shell / 代码工具，完成开发、部署与迭代；也可作为 Coding Agent 嵌入工作流。
- 个人知识助理 + 日程自动化：用长期记忆（Dream）沉淀上下文，做随身知识库；用 cron 自动化管理日常例行任务。
💡 推荐理由

我用过不少 Agent 框架，nanobot 最打动我的是”轻“和”归你所有“这两点。它没有把整个系统做成一个庞大的编排黑盒，而是把核心收敛到一个可读的 agent loop，工具、记忆、Skill 都是按需挂上去的——这意味着你看得懂、改得动，也更容易排查问题。

对隐私敏感、想自托管的人来说，它几乎是把”个人 AI 助手”这件事做对了的范本：本地优先、模型自由（连本地 Ollama/vLLM 都能用）、聊天渠道随便接，还能用 Python SDK / 兼容 API 嵌进自己的系统。相比被某个云端大平台锁死，nanobot 让你真正拥有自己的智能体。MIT 协议、来自 HKUDS（LightRAG 同门）团队，活跃度与文档完整度都很高，值得一试。

🔗 下载地址
- 官网 / 文档：https://nanobot.wiki
- GitHub：https://github.com/HKUDS/nanobot
- PyPI：https://pypi.org/project/nanobot-ai/
⚠️ 本文仅作技术介绍，使用本项目请遵循其 MIT 许可与当地法律法规。
2026年7月16日
AIRI：自托管 AI 数字伴侣，能实时语音聊天、陪你打 Minecraft（42K+ Stars）
项目简介

AIRI 是由 moeru-ai 团队开源的「自托管、你专属拥有」的 AI 数字生命（AI Companion）项目。它把大语言模型、实时语音交互与 VRM / Live2D 虚拟形象结合在一起，让你在 Web、桌面与移动端拥有一位能说话、能陪玩、有「身体」的赛博伴侣，目标是达到 AI 虚拟主播 Neuro-sama 那样的水平。整个项目基于 WebGPU / WebAudio / WebAssembly 等现代 Web 技术构建，强调本地优先与隐私保护。

安装要求和过程

环境要求
- 运行时：Node.js 24+（项目已提升到 24.13.0），包管理使用 pnpm（monorepo 结构）。
- 桌面端：默认可调用原生 NVIDIA CUDA / Apple Metal（通过 candle 项目），无需复杂依赖。
- 移动端：使用 Capacitor（需 iOS 设备 / 模拟器）。
- 浏览器：任意现代浏览器即可体验（PWA，已支持移动设备）。
快速安装（普通用户）
```
# Windows (winget)
winget install MoeruAI.AIRI

# 或 Scoop
scoop bucket add airi https://github.com/moeru-ai/airi
scoop install airi/airi

# macOS (Homebrew)
brew install --cask airi

# Linux (Nix，需启用 flakes)
nix run github:moeru-ai/airi

# 不想安装？直接浏览器打开在线版
# https://airi.moeru.ai
```
开发者从源码运行
```
git clone https://github.com/moeru-ai/airi
cd airi && pnpm i
pnpm dev             # Web 版
pnpm dev:tamagotchi # 桌面版
```
核心功能
- 实时语音交互（耳朵 + 嘴巴）：客户端语音识别 + 说话人检测（VAD），配合 ElevenLabs / Azure Speech / OpenAI TTS / 阿里云 / 本地 Kokoro 等多供应商语音合成，对话延迟低、可离线运行。
- 虚拟形象驱动（身体）：支持 VRM 3D 模型与 Live2D 模型，自动眨眼、视线追踪、空闲眼动等动画，让 AI「活」在屏幕上。
- 本地优先推理：基于 WebGPU 的浏览器内本地 LLM 推理，无需把数据发往外部服务器，隐私更有保障。
- 游戏与记忆能力：可操控 Minecraft 游玩，Factorio 支持开发中（已有 PoC）；内置 DuckDB WASM / pglite 浏览器内数据库与记忆系统（Alaya，开发中），让伴侣「记得你」。
- 跨平台与集成：Web / 桌面（Win / macOS / Linux，桌面端走原生 CUDA / Metal 加速）/ 移动 PWA 全覆盖；支持 Telegram、Discord 聊天接入。
典型使用场景
1. 虚拟主播（VTuber）：实时语音聊天、玩游戏、与观众互动，灵感直接来自 Neuro-sama，可作为直播 / 互动娱乐的数字人。
2. 随身赛博伴侣：在手机、桌面、浏览器上随时拥有一个有形象、能聊天的专属电子宠物 / AI 朋友。
3. 本地隐私 AI 助手：借助 WebGPU 本地推理在完全离线环境下运行 LLM，适合对数据隐私敏感的用户。
推荐理由

AIRI 是目前开源领域把「LLM + 实时语音 + 虚拟形象 + 游戏能力」整合得最完整、也最「有生命力」的项目之一。它完全自托管、可本地运行，技术栈现代（WebGPU / VRM / Live2D），跨平台覆盖到位，社区活跃（42K+ Stars、4.2K+ Forks，MIT 许可）。如果你一直好奇 Neuro-sama 是怎么「炼成」的，或者想拥有一个真正属于自己的、能聊天能陪玩的数字人，AIRI 值得一试。

下载地址
- 官方网站 / 在线体验：https://airi.moeru.ai
- GitHub 仓库：https://github.com/moeru-ai/airi
- 文档（含中文）：https://airi.moeru.ai/docs/en/
- Discord 社区：https://discord.gg/TgQ3Cu2F7A
2026年7月16日
OpenCut —— 开源版剪映，免费且隐私优先的跨平台视频编辑器
项目简介

OpenCut 是一个免费、开源的跨平台视频编辑器（Web / 桌面 / 移动端），被社区称为「开源版 CapCut（剪映）」。它采用 Rust 核心 + TypeScript 构建，主打隐私优先、永久免费、简单易用三大特性，目标是把剪映里越来越多被塞进付费墙的基础剪辑功能，重新免费、开放地还给创作者。

安装要求和过程

环境要求
- 普通用户：无需安装，直接用浏览器打开官网 opencut.app 即可在线剪辑。
- 本地开发 / 自托管：需要 Bun 运行时，以及 Docker + Docker Compose（用于本地数据库与 Redis）。
- 核心贡献者（可选）：需要 Rust 工具链与 wasm-pack，用于本地构建 GPU 合成器 / 特效 / 遮罩的 WASM 核心。
快速开始（在线使用，零安装）
```
# 直接打开官网，浏览器内即可剪辑导出
https://opencut.app
```
本地开发（贡献者）
```
# 1. 安装工具链管理器 proto
bash <(curl -fsSL https://moonrepo.dev/install/proto.sh)
# 2. 进入仓库，安装锁定版本工具
proto use
# 3. 启动各端开发服务器
moon run web:dev       # Web 端  → http://localhost:5173
moon run api:dev       # API 端  → http://localhost:8787
moon run desktop:dev   # 桌面端（见 apps/desktop/README.md）
```
私有化自托管（Docker 全家桶）
```
# 一条命令跑起完整生产环境（含应用构建）
docker compose up -d
# 访问 http://localhost:3100
```
⚠️ 状态说明：主仓库 OpenCut-app/OpenCut 正在用 Rust 核心「从零重写」，官网现网 opencut.app 当前跑的是稳定可用的经典版（opencut-app/opencut-classic）。日常剪辑直接上官网即可；想私有化部署可参考经典版 README 的 Bun + Docker 流程。

核心功能
1. 隐私优先，视频不上云：所有素材与工程默认保存在本地设备，不强制上传云端，从源头规避隐私泄露焦虑。
2. 免费开放，剪映付费功能免费用：时间线剪辑、字幕、转场、特效等基础能力全部免费，没有弹窗付费墙。
3. 跨平台一致体验：一套 Rust 核心代码同时驱动 Web、桌面（GPUI）与移动端，渲染 / 特效 / 遮罩由 GPU 合成器处理，性能更优。
4. 面向 AI 时代：内置 MCP Server 供 AI 智能体直接调用，支持 无头（Headless）模式做批量渲染与自动化，并集成 fal.ai 的生成式图像 / 视频 / 音频模型。
5. 插件优先 + 脚本面板：重写版提供 Editor API、一等公民的第三方插件，以及编辑器内脚本标签，可玩性与扩展性强。
典型使用场景
- 短视频创作者：被剪映付费墙劝退的 Vlog / 抖音 / YouTube 创作者，可直接在浏览器里完成剪辑与导出，零成本起步。
- 隐私敏感团队 / 个人：医疗、法务、企业内部视频等素材不出本地设备的场景，OpenCut 的本地优先架构天然契合。
- 开发者与 AI 工作流：通过 MCP Server 让编程助手自动生成 / 批量渲染视频，或用脚本标签把重复剪辑流程自动化。
推荐理由

作为一个常年和视频打交道的人，剪映把「关键帧」「智能抠图」等越来越多基础功能塞进付费墙的操作，确实越来越劝退。OpenCut 把「免费 + 开源 + 隐私」三件事做得很扎实，GitHub 上 7 万+ Star 也证明这不是噱头，而是真实需求。它当前处于 Rust 核心重写期，主仓库在快速演进，而现网经典版已经能稳定剪辑。如果你想把剪辑工具私有化部署到自家服务器、或者希望素材 100% 留在本地，docker compose up -d 一条命令就能拥有属于自己的剪辑平台。对于期待 AI 自动剪辑的玩家，它的 MCP Server + 无头渲染路线也相当值得持续关注。

下载地址
- 🌐 官网：https://opencut.app
- 💻 GitHub 主仓库：github.com/OpenCut-app/OpenCut
- 🚧 重写预览版：https://new.opencut.app
- 📦 当前可用经典版：github.com/opencut-app/opencut-classic
- 📄 开源协议：MIT
2026年7月16日
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
Vibe-Trading：一句话驱动你的专属 AI 交易智能体（23K+ Stars）
今天要介绍的项目是 Vibe-Trading —— 来自香港大学数据科学团队 HKUDS（LightRAG 同门）开源的「个人交易智能体」。它把一个完整的 AI 投研工作流塞进了一条命令行：你用大白话下指令，它自己去拉数据、写策略、跑回测、出报告，甚至拉起一整个多智能体投研团队帮你做多空辩论。

一、项目简介

Vibe-Trading 是一个用自然语言驱动的「个人交易智能体」：一句话即可完成市场研究、策略回测、交易行为复盘与多智能体投研协作。后端 FastAPI、前端 React 19，单条命令安装，免费行情源默认开箱即用。

二、安装要求和过程

环境要求
- Python 3.11+（本地安装路径），或 Docker（零配置路径）；
- 一个 LLM API Key（OpenRouter / DeepSeek / Gemini / Groq / Ollama 本地等任选其一），也可完全免 Key 使用内置免费行情源；
- 支持 A股 / 港股 / 美股 / 加密 / 期货 / 外汇等多市场。
快速安装（PyPI 一行装）
```
pip install vibe-trading-ai

vibe-trading init
vibe-trading run -p "Backtest a BTC-USDT 20/50 moving-average strategy for 2024 and summarize return and drawdown"
```
Docker 零配置（约 2 分钟）
```
git clone https://github.com/HKUDS/Vibe-Trading.git
cd Vibe-Trading
cp agent/.env.example agent/.env   # 取消注释并填入你的 LLM provider
docker compose up --build
# 浏览器打开 http://localhost:8899
```
装好后会得到三个命令：vibe-trading（交互式 CLI/TUI）、vibe-trading serve（启动 Web UI）、vibe-trading-mcp（供 Claude / Cursor 等接入的 MCP 服务）。

三、核心功能
1. 自我进化的交易智能体：持久化记忆 + 可编辑技能，把有用的研究套路沉淀成可复用工作流，越用越顺手。
2. 多智能体交易团队：内置 30 个预设投研团队（投资委员会、crypto 交易台、宏观利率外汇台、量化策略台等），让多个 Agent 像真实投研部一样辩论、风控、拍板。
3. 跨市场数据 + 智能回退：一次 get_market_data 调用打通 19 个免费数据源（腾讯/东方财富/AKShare/OKX/yfinance 等），按 IP 封禁风险自动回退，零配置、零 Key、无单点故障。
1. 影子账户（Shadow Account）：上传券商交割单（同花顺 / 东方财富 / 富途 / 通用 CSV），Agent 还原你的交易行为画像、提取「影子策略」，再与实际成交对比，揪出提前离场、过度交易、处置效应等纪律漏洞。
2. 预置 Alpha 动物园：一行命令对 461 个量化因子（Qlib158 + Alpha101 + GTJA191 + 学术 + 基本面）做 IC/IR 与「存活 / 失效 / 反向」分类，随时给自己的股票池打分。
四、典型使用场景
1. 自然语言回测：让 Agent 用一句话写出策略代码、跑回测，输出含收益 / 回撤 / 基准对比的报告，还能直接导出 TradingView Pine Script、通达信、MetaTrader 5 代码。
2. 个人交易复盘：上传交割单，自动生成 PDF / HTML 行为诊断报告，看清自己的交易习惯与纪律缺口——比手动复盘高效太多。
3. 多 Agent 投研协作：用「投资委员会」团队对某个标的做多空辩论 + 风险评审，结论可直接推送到 Telegram / 飞书 / 企业微信 / Discord / Slack / QQ 等 IM 渠道。
五、推荐理由

我特别欣赏它「开箱即用」的设计：免费行情源默认就能跑，不用先配一堆 Key 才能动手；而多智能体 + 影子账户的组合，真正戳中了真实交易者的痛点——它不是一个只会在历史数据上回测的玩具，而是能帮你认识「自己怎么交易」的教练。香港大学团队出品，文档与因子库相当扎实。

⚠️ 风险提示：金融科技永远有风险，Vibe-Trading 的所有输出均仅供参考、不构成投资建议，切勿直接据此实盘。

六、下载地址
- 🌐 官网 / 文档：https://vibetrading.wiki/
- 🐙 GitHub 仓库：https://github.com/HKUDS/Vibe-Trading（⭐ 23K+，MIT 许可）
- 📦 PyPI 安装：pip install vibe-trading-ai
2026年7月15日

⭐ Stars	45,688+	🍴 Forks	8,059
💻 语言	Python	📜 协议	MIT
🏢 团队	HKUDS（香港大学数据科学团队，LightRAG / Vibe-Trading 同门）

标签： AI开源项目

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（个人使用心得）

六、下载地址

一、项目简介

二、安装要求和过程

环境要求

快速安装

启动与使用

三、核心功能

四、典型使用场景

五、推荐理由

六、下载地址

一、项目简介

二、安装要求与过程

三、核心功能

四、典型使用场景

五、推荐理由（个人使用心得）

六、下载地址

📌 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

项目简介

安装要求和过程

环境要求

快速安装步骤

核心功能

典型使用场景

推荐理由

下载地址

📦 安装要求和过程

环境要求

快速安装（任选其一）

快速开始

✨ 核心功能

🌐 WebUI 与架构

🎯 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（普通用户）

开发者从源码运行

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

快速开始（在线使用，零安装）

本地开发（贡献者）

私有化自托管（Docker 全家桶）

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

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

环境要求

快速安装（PyPI 一行装）

Docker 零配置（约 2 分钟）

三、核心功能