标签： AI开源

Supabase 8个月估值翻倍至100亿美元，vibe-coding 浪潮里跑出一只十角兽

做AI应用开发的人，最近大概率都跟Supabase打过交道。它是那个把Postgres包了一层、让开发者不用自己折腾数据库的开源项目，也是这波vibe-coding浪潮里最受益的基础设施之一。

8个月，估值从50亿涨到100亿

6月5日，Supabase宣布完成5亿美元F轮融资，投前估值100亿美元，融资后估值约105亿美元。这个数字是8个月前的两倍——去年10月，他们刚以50亿美元估值融了1亿美元。

Supabase联合创始人兼CEO Paul Copplestone（图片来源：TechCrunch）

再往前推几个月，Supabase的估值才20亿美元。也就是说，不到一年时间，这家公司的估值翻了5倍。

增长来自哪里？CEO Paul Copplestone说，过去一年Supabase上的数据库启动量增长了600%以上，其中超过60%是通过某种AI工具启动的。目前Supabase拥有近1000万开发者用户，8个月内翻了一番。

Copplestone特别提到，增长要归功于Claude Code和Codex，因为这两个AI模型”扩大了能够开发的人群范围”。

Multigres：给Postgres做一个”操作系统”

Supabase这周还发布了一个叫Multigres的工具，定位是Postgres的”操作系统”。简单说，它就是帮开发者把运行Postgres时的那些麻烦事——只读副本、故障转移、连接限制、备份——集中管理起来。

这件事背后的逻辑是：vibe-coding降低了写代码的门槛，更多人能做出产品原型了，但数据库运维这关还是很难跨过去。Supabase想做的，就是把这个坑也填平。

不迎合大客户，反而跑得更快

Copplestone去年11月在TechCrunch的《Equity》播客里说过一段话，挺有意思。他说自己拒绝参与开发者工具的”劣质化”竞赛——不会为了拿到大企业客户的上百万美元合同，就按他们的要求改产品方向。他坚持自己的产品愿景。

这跟大多数初创公司的策略是反着的。但通常情况下，走自己的路反而能跑出意外的结果。Supabase这波增长，某种程度上验证了这条路。

本轮由新加坡GIC领投，Stripe等原有投资者继续跟投，Georgian和Salesforce Ventures也新加入了。Supabase现在是Bolt、Figma、Lovable、Replit等平台的优选数据库。

📎 原文来源：TechCrunch · Supabase doubles valuation to $10B in 8 months

2026年6月13日
【开源推荐】Agent-Reach：24.8K Stars！为AI Agent一键装上互联网访问能力
🚀 Agent-Reach：24.8K Stars！为AI Agent一键装上互联网访问能力

📝 项目简介

Agent-Reach 是一个为AI Agent提供全互联网访问能力的开源脚手架工具。只需一个CLI命令，即可让Claude Code、Cursor、OpenClaw等AI编程助手免费读取和搜索Twitter、Reddit、YouTube、GitHub、B站、小红书等16个主流平台内容，无需支付任何API费用。

⚙️ 安装要求和过程

环境要求
- 运行环境：支持本地电脑、服务器，兼容所有可运行Shell命令的AI Agent
- Python版本：Python 3.8+
- 兼容Agent：Claude Code、OpenClaw、Cursor、Windsurf、Cline等
快速安装步骤

只需将以下指令发送给你的AI Agent，即可自动完成安装：
```
帮我安装 Agent Reach：https://raw.githubusercontent.com/Panniantong/agent-reach/main/docs/install.md
```
安装过程会自动检测并安装所需依赖（Node.js、gh CLI、mcporter、twitter-cli、rdt-cli等）。

可选安装模式：
- 安全模式：添加 --safe 参数，不会自动修改系统
- 预览模式：添加 --dry-run 参数，仅展示安装步骤
✨ 核心功能
1. 完全免费：所有依赖工具均为开源项目，无需付费API Key，零成本使用互联网能力
2. 多平台支持：覆盖Twitter/X、Reddit、YouTube、GitHub、B站、小红书、抖音、LinkedIn、微信公众号、微博、V2EX、雪球、小宇宙等16个平台
3. 即开即用：基础能力（网页读取、YouTube字幕提取、GitHub公开仓库读取）无需任何配置
4. 隐私安全：所有Cookie、Token仅存储在本地 ~/.agent-reach/config.yaml，文件权限设为仅所有者可读写
5. 可插拔架构：每个平台对应独立的渠道文件，不满意当前选型可直接替换，不影响其他功能
🎯 典型使用场景

场景一：AI辅助技术研究

让AI Agent自动搜索GitHub上的开源项目、读取技术文档、提取YouTube教程字幕，帮你快速了解新技术。
```
用户："帮我看看这个GitHub仓库是做什么的"
Agent：自动调用 gh CLI 查询仓库信息
```
场景二：社交媒体内容分析

让AI Agent读取Twitter热门推文、Reddit讨论、B站视频字幕，进行舆情分析或内容总结。
```
用户："搜一下Twitter上关于LLM的讨论"
Agent：自动调用 twitter-cli 搜索推文（配置后可用）
```
场景三：自动化研究工作流

结合多个平台能力，让AI Agent自动完成”搜索→阅读→总结→报告”的全流程。

💡 推荐理由

作为一个深度使用AI Agent的开发者，我认为Agent-Reach解决了AI Agent最大的痛点之一：信息获取能力不足。

大多数AI Agent只能在”封闭环境”中工作，无法访问互联网实时信息。Agent-Reach通过集成优秀的开源工具（Jina Reader、yt-dlp、gh CLI等），让AI Agent具备了”全网视野”。

最打动我的点：
- 真正免费：不依赖任何付费API，所有功能都是基于开源工具实现
- 隐私优先：所有认证信息本地存储，不会上传第三方
- 持续维护：项目会持续追踪各平台规则变化，用户无需自行维护
如果你正在使用Claude Code、Cursor等AI编程助手，强烈建议安装Agent-Reach，让您的AI Agent真正”连接互联网”。

📥 下载地址
- GitHub仓库：https://github.com/Panniantong/Agent-Reach
- 官方文档：查看仓库README获取详细使用指南
- 安装脚本：https://raw.githubusercontent.com/Panniantong/agent-reach/main/docs/install.md
- Stars：24.8K+ （持续上涨中）
- 开源协议：MIT License
本文由WorkBuddy自动生成 · 每日9:00自动更新GitHub热门AI开源项目
2026年6月9日
n8n：191.5k Stars！工作流自动化平台，让AI与代码无缝融合
📌 项目简介

n8n 是一个面向技术团队的 workflow 自动化平台，兼具代码的灵活性和无代码的速度。它提供400+集成、原生AI能力，采用fair-code许可证，让你在保持对数据和部署的完全控制的同时，构建强大的自动化流程。

n8n – 可视化工作流自动化平台

💻 安装要求和过程

环境要求
- Node.js：版本 18 或更高
- npm：随 Node.js 安装
- Docker：可选，用于容器化部署
快速安装 – 方法1：使用 npx（推荐体验）
```
npx n8n
```
运行后访问 http://localhost:5678 即可开始使用。

快速安装 – 方法2：使用 Docker（推荐生产）
```
docker volume create n8n_data
docker run -it --rm --name n8n -p 5678:5678   -v n8n_data:/home/node/.n8n   docker.n8n.io/n8nio/n8n
```
快速安装 – 方法3：使用 npm 全局安装
```
npm install -g n8n
n8n
```
✨ 核心功能
1. 代码与无代码自由切换：可以编写 JavaScript/Python、添加 npm 包，或使用可视化界面，灵活应对各种复杂场景。
2. 原生AI平台：基于 LangChain 构建 AI Agent 工作流，支持自定义数据和模型，让 AI 真正为业务服务。
3. 400+ 集成：支持几乎所有主流工具和服务（Slack、Google Workspace、GitHub、MySQL、PostgreSQL 等），900+ 即用工作流模板。
4. 完全控制：采用 fair-code 许可证，可自托管，也可使用官方云服务，数据主权完全掌握在自己手中。
5. 企业级能力：高级权限管理、SSO 单点登录、气隙部署（air-gapped），满足企业安全合规需求。
🎯 典型使用场景

场景1：AI 驱动的客服自动化

将 n8n 与 OpenAI API、Slack、CRM 系统连接，构建一个智能客服工作流：
- 客户在 Slack 发起咨询 → n8n 触发工作流
- 调用 AI 模型分析客户问题 → 检索知识库
- 自动生成回复草稿 → 发送给人工客服审核
- 客服确认后自动回复客户 → 同时更新 CRM 记录
整个过程从人工需要10分钟缩短到30秒，效率提升20倍。

场景2：社交媒体内容自动发布

内容创作者可以使用 n8n 构建多平台自动发布流程：
- 在 Notion/Airtable 中规划内容日历
- n8n 定时读取待发布内容
- 自动生成适配各平台的文案（Twitter 精简版、LinkedIn 专业版、微博口语版）
- 依次发布到 Twitter、LinkedIn、微博、微信公众号
- 收集各平台互动数据 → 汇总到 Google Sheets
🌟 推荐理由

为什么选择 n8n？
- 技术团队的理想选择：不像 Zapier 那样只适合简单场景，n8n 允许你写代码，真正应对复杂业务逻辑。
- AI 原生设计：在 AI 浪潮中，n8n 是最早将 LangChain 集成到工作流平台的产品之一，AI Agent 构建能力领先。
- 数据主权：fair-code 许可证意味着你可以自建，敏感数据不用经过第三方云服务，对企业尤其重要。
- 活跃的社区：GitHub 191k+ Stars，社区论坛活跃，900+ 工作流模板可以直接复用。
- 成本优势：自托管免费，只有企业版高级功能需要付费，相比 Zapier 每月几百美元，成本可以忽略不计。
个人使用心得：我用 n8n 搭建了每日自动抓取 Hacker News 热门文章 → AI 总结 → 发送到 Discord 频道的工作流，整个过程只花了半小时，从此每天早上有高质量技术资讯自动推送，彻底告别信息焦虑。

📥 下载地址
- 官方网站：https://n8n.io
- GitHub 仓库：https://github.com/n8n-io/n8n （⭐ 191.5k+ Stars）
- 文档中心：https://docs.n8n.io
- 工作流模板：https://n8n.io/workflows
- 社区论坛：https://community.n8n.io
📌 本文由 WorkBuddy AI 自动整理发布 | 数据来源：GitHub
2026年6月8日
screenshot-to-code：72.8K Stars！截图秒变代码，设计师和前端开发者必备神器
🖼️ 配图

screenshot-to-code – 截图秒变可用代码

📝 项目简介

screenshot-to-code 是一款 AI 驱动的 UI 转代码神器，上传网页截图、线框图、Figma 设计稿甚至屏幕录制，AI 即可将其转化为干净可用的前端代码。项目在 GitHub 上已获得 72.8K+ Stars，是设计师和前端开发者必备的效率工具。

⚙️ 安装要求和过程

环境要求
- Node.js 18+（前端运行依赖）
- Python 3.10+（后端运行依赖，推荐用 Poetry 管理）
- AI 模型 API Key：OpenAI / Anthropic / Google Gemini 至少其一
- Yarn（前端包管理）
快速安装（3种方式）

方式一：直接使用官方托管服务（推荐试用）
```
# 无需安装，直接访问官网使用
https://screenshot-to-code.com
```
方式二：本地源码运行（推荐开发使用）
```
# 克隆仓库
git clone https://github.com/abi/screenshot-to-code.git
cd screenshot-to-code

# 启动后端
cd backend
echo "OPENAI_API_KEY=sk-your-key" > .env
poetry install && poetry run uvicorn main:app --reload --port 7001

# 新终端，启动前端
cd frontend
yarn && yarn dev
```
启动后访问 http://localhost:5173 即可使用。

方式三：Docker 一键部署
```
echo "OPENAI_API_KEY=sk-your-key" > .env
docker-compose up -d --build
```
启动后访问 http://localhost:5173。

API Key 配置
```
# backend/.env 配置示例
OPENAI_API_KEY=sk-your-openai-key
ANTHROPIC_API_KEY=your-anthropic-key
GEMINI_API_KEY=your-gemini-key

# 国内用户可配置代理
OPENAI_BASE_URL=https://your-proxy-url/v1
```
✨ 核心功能

1. 多模态输入支持
- 支持上传网页截图，一键转换为对应代码
- 支持Figma 设计稿直接导入转代码
- 支持线框图/手绘草图转可用 UI
- 支持屏幕录制转可交互原型（最新功能！）
2. 多技术栈输出
- HTML + Tailwind CSS（默认，最快）
- React + Tailwind（最流行）
- Vue + Tailwind
- Bootstrap
- Ionic + Tailwind（移动端）
3. 多 AI 模型对比
- 支持同时配置 OpenAI、Claude、Gemini 多个厂商 API
- 可在界面上切换模型，对比不同模型的生成效果
- 默认支持：GPT-5.5、Claude Opus 4.8、Gemini 3 Flash
4. 实用辅助功能
- 支持代理配置，国内用户可通过 OPENAI_BASE_URL 配置代理
- 支持自定义后端地址，可对接自己部署的后端服务
- 支持图像生成模型 z-image-turbo（基于 Replicate）
🚀 典型使用场景

场景一：设计师交付前端代码

设计师完成 Figma 设计稿后，导入 screenshot-to-code，选择 React + Tailwind 技术栈，10 秒内获得可用前端代码，直接交付给开发团队，减少沟通成本。
```
# 使用流程
1. 访问 https://screenshot-to-code.com
2. 上传 Figma 设计稿截图或输入 Figma 链接
3. 选择技术栈：React + Tailwind
4. 点击生成，等待 10-30 秒
5. 复制生成的代码，直接用到项目中
```
场景二：快速克隆竞品页面

看到竞争对手的漂亮落地页，截图后上传，选择 HTML + Tailwind，AI 快速生成还原度 90%+ 的代码，二次修改即可自用。
```
# 进阶技巧：截图 + 文字描述双保险
1. 截取目标网页全屏截图
2. 上传截图
3. 在提示词框补充：这是一款 SaaS 产品落地页，需要保留原设计的渐变背景和动画效果
4. 生成后下载代码，本地微调
```
场景三：屏幕录制转交互原型

录制 App 操作流程的屏幕视频，上传后 AI 生成可交互的 HTML 原型，用于产品演示或用户测试。

💡 推荐理由

作为一款”截图即代码”的 AI 工具，screenshot-to-code 是我用过的最实用的前端辅助工具之一：
1. 还原度惊人：使用 Claude Opus 或 GPT-5.5 生成，还原度可达 90%+，Tailwind 类名使用准确。
2. 学习神器：新手前端可以截图优秀网站，看 AI 如何实现的，学习高级 CSS 技巧和组件设计。
3. 免费开始：官方托管服务 https://screenshot-to-code.com 提供免费额度，无需配置 API Key 即可试用。
4. 多模型对比：同时配置多个厂商 Key，同样截图用不同模型生成，选最优结果。
5. 开源可自建：MIT 协议，可内网部署，不用担心设计稿泄露。
注意事项：不推荐使用 Ollama 本地模型运行，生成质量较差；国内用户需要配置 OpenAI 代理或使用 Gemini API（无需代理）。

总体而言，screenshot-to-code 是设计师、前端开发者、产品经理必备的效率工具。免费试用 + 开源自建 + 多模型支持，性价比极高。

📥 下载地址
- GitHub 仓库：https://github.com/abi/screenshot-to-code（72.8K+ ⭐）
- 官方在线版：https://screenshot-to-code.com（免费试用）
- 本地部署文档：GitHub README
- 支持的技术栈：HTML+Tailwind / React+Tailwind / Vue+Tailwind / Bootstrap / Ionic
本文由 WorkBuddy 自动发布，选题自 GitHub 热门 AI 开源项目。如有问题，欢迎在评论区留言讨论。
2026年6月8日
ComfyUI：109K Stars！最强节点式AI绘画工具，工作流可视化让创作更自由
ComfyUI 节点式工作流界面

📘 项目简介

ComfyUI 是一款功能最强大的开源生成式AI节点式应用程序，也是用于生成式AI的节点式界面和推理引擎。由 comfyanonymous 及众多贡献者开发，完全开源，支持在本地Windows、Linux、macOS设备上运行。用户可以通过节点组合各类AI模型和操作，实现高度可定制、可控的内容生成。

核心特点：
- GitHub Stars：109K+
- 开发语言：Python + JavaScript
- 开源协议：GPL-3.0
- 官网：https://www.comfy.org/
- GitHub：https://github.com/Comfy-Org/ComfyUI
💻 安装要求和过程

环境要求
硬件要求

显卡：NVIDIA GPU (推荐) 或 AMD GPU，至少 4GB 显存

内存：建议 16GB 以上

存储：至少 10GB 可用空间（用于模型文件）
软件要求

Python：3.9 – 3.12

Git：用于克隆仓库

CUDA：12.4+ (NVIDIA GPU)
快速安装步骤

# 方法一：使用官方桌面应用（推荐）
# 访问 https://comfy.org/download 下载安装

# 方法二：从源码安装
# 1. 克隆仓库
git clone https://github.com/Comfy-Org/ComfyUI.git
cd ComfyUI

# 2. 创建虚拟环境（推荐）
python -m venv venv
# Windows:
venv\Scriptsctivate
# Linux/Mac:
source venv/bin/activate

# 3. 安装依赖
pip install -r requirements.txt

# 4. 启动 ComfyUI
python main.py

# 5. 访问浏览器
# 打开 http://127.0.0.1:8188

便携版（Windows）：

如果不想配置环境，可以下载官方提供的独立便携包，解压即可使用，无需安装Python和依赖。

⚙️ 核心功能

1. 节点式工作流搭建

通过可视化节点连接的方式组合AI模型、业务逻辑，灵活定制生成流程。每个节点代表一个功能模块（加载模型、输入提示词、采样、保存图像等），通过连线定义数据流。

2. 多模态内容生成

支持图像、视频、音频、3D等多种类型的内容生成，覆盖生成式AI主流应用场景。原生支持最新的开源SOTA模型。

3. 自定义扩展能力

支持自定义节点开发和发布，可对接第三方模型、工具，拓展功能边界。拥有丰富的社区插件生态，可以通过 ComfyUI Manager 一键安装扩展。

4. 工作流管理与复用

支持工作流模板复用、子图拆分、部分执行等特性。完成的工作流可以保存为JSON文件，方便分享和复用。内置 Comfy Hub 功能，可探索全球顶尖创作者的公开工作流。

5. API 与自动化对接

支持通过 MCP 协议连接AI智能体，实现生成任务的自动化调用。提供完整的 REST API，可以无缝集成到现有工作流中。

🎯 典型使用场景

场景一：AI 艺术创作者

需求：创作者需要精细控制AI绘画的每一个环节，尝试不同的模型组合和参数调整。

方案：使用 ComfyUI 搭建个性化的图像生成工作流，通过节点连接 ControlNet、LoRA、Embedding 等模型，实现高度可控的图像生成。可以保存多个工作流模板（如写实风格、动漫风格、概念设计等），一键切换。

优势：相比 WebUI，ComfyUI 的工作流方式让创作者能更清晰地理解生成过程，便于调试和优化。

场景二：AI 应用开发者

需求：开发者需要将AI图像生成功能集成到自己的应用或服务中，要求高并发、低延迟。

方案：利用 ComfyUI 的 API 模式，将工作流保存为JSON，通过 API 调用实现自动化图像生成。可以部署在服务器上，提供 HTTP 接口供其他应用调用。

优势：工作流可视化编辑，调试完成后一键部署，大幅降低开发门槛。

场景三：AI 研究与学习

需求：研究人员和学生需要深入理解扩散模型的各个组件和工作原理。

方案：ComfyUI 的节点式设计天然适合教学和研究。每个节点对应一个操作（如CLIP编码、VAE解码、KSampler采样等），可以清晰地看到数据流动和处理的全过程。

优势：模块化设计让实验和对比变得简单，方便快速验证新想法。

🌟 推荐理由

为什么推荐 ComfyUI？

1. 更专业的工作方式
相比 Stable Diffusion WebUI 的参数调整方式，ComfyUI 的节点式工作流更符合专业创作者的需求。它可以保存完整的工作流，方便复现和分享。

2. 更高的资源效率
ComfyUI 支持智能缓存，相同节点的计算结果会被复用，大幅减少重复计算。对显存的要求也相对更低。

3. 强大的社区生态
拥有超过 1000+ 自定义节点插件，覆盖各种功能需求。ComfyUI Manager 让插件安装变得极其简单。

4. 活跃的开发团队
由 comfyanonymous 主导开发，社区活跃度极高，Issues 和 PR 响应迅速，版本更新频繁。

5. 面向未来的设计
不仅支持图像生成，还在积极扩展视频、3D、音频等多模态生成能力，是真正的”生成式AI操作系统”。

使用心得：

我第一次使用 ComfyUI 时确实被满满的节点吓到了，感觉比 WebUI 复杂很多。但坚持使用后，我发现节点式工作流其实是更直观的方式——它让你看清AI绘画的每一个步骤。现在我已经积累了几十个工作流模板，从简单文生图到复杂的 ControlNet 组合，切换起来非常方便。如果你是想深入理解Stable Diffusion原理，或者需要高度定制化的生成流程，ComfyUI 绝对值得投入时间学习。

📥 下载地址
官方资源：

GitHub 仓库
 官方官网
 官方文档
 ComfyUI Manager

相关资源：

官方桌面应用：https://comfy.org/download (推荐新手使用)

Comfy Hub：https://www.comfy.org/hub (工作流分享社区)

模型下载：Hugging Face 或 Civitai

中文教程：B站搜索 “ComfyUI教程”
🎬 结语

ComfyUI 代表了AI创作工具的一个新方向——从”黑盒”转向”白盒”，从”简单参数调整”转向”可视化编程”。虽然学习曲线比 WebUI 陡峭，但一旦掌握，它将赋予你前所未有的控制力和创造力。

如果你满足以下条件，强烈建议尝试 ComfyUI：
- 对AI绘画的工作原理感兴趣，想深入理解每个环节
- 需要高度定制化的生成流程，WebUI 无法满足需求
- 希望通过工作流的方式管理和复用你的创作流程
- 准备将AI图像生成集成到自己的应用或服务中
温馨提示：ComfyUI 的节点式界面可能一开始会让人不知所措，但不用担心，社区有大量的教程和工作流可以参考。从简单的文生图工作流开始，逐步添加功能，你会发现这种方式的强大之处。

本文由 AI 辅助创作，开源项目信息来自 GitHub 官方仓库及社区贡献。
如果你觉得这个项目不错，欢迎到 GitHub 上给它一个 Star！
2026年6月8日
Ollama：170k Stars！本地LLM运行工具，让AI模型在本地飞速运行
配图

Ollama – 本地LLM运行工具

项目简介

Ollama 是一个轻量级的本地大语言模型（LLM）运行工具，让你能够在自己的设备上轻松部署和运行各种开源大语言模型，无需将数据发送到外部服务器，完全保护隐私。

截至2026年，Ollama 已在 GitHub 获得 17万+ Stars，成为最广泛使用的本地LLM运行时，Docker Hub下载量超过1亿次。

安装要求和过程

环境要求
- 操作系统：Linux（Ubuntu 20.04+）、macOS 11+、Windows 10（需WSL2）
- 内存：8GB以上（运行7B模型），16GB以上（运行13B模型），32GB以上（运行33B+模型）
- 存储：至少10GB可用空间（用于存放模型文件）
- GPU：可选，NVIDIA GPU（CUDA）、AMD GPU（ROCm）或苹果M系列芯片可加速推理
快速安装步骤

macOS/Linux 一键安装：
```
# Linux/macOS
curl -fsSL https://ollama.com/install.sh | sh

# macOS 也可用 Homebrew
brew install ollama
```
Windows 安装：
1. 访问 https://ollama.com/download 下载 Windows 安装包
2. 运行 OllamaSetup.exe，按照提示完成安装
3. 打开命令提示符或PowerShell，输入 ollama --version 验证安装
Docker 安装（推荐服务器环境）：
```
docker run -d -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama
```
核心功能
1. 一键运行本地模型：支持一键拉取和运行100+开源大语言模型，包括 Llama 3.3、Mistral、Qwen、Phi、DeepSeek R1 等热门模型。
2. OpenAI API 兼容：原生提供兼容 OpenAI API 格式的 REST API（默认端口11434），可直接对接现有基于 OpenAI 生态开发的应用和工具。
3. 智能硬件加速：自动适配 NVIDIA（CUDA）、AMD（ROCm）、苹果 M 系列芯片（Metal）的 GPU 加速，大幅提升推理速度。
4. 模型自定义配置：支持通过 Modelfile 自定义模型参数（温度、上下文长度、系统提示词等），轻松创建专属模型。
5. 多模态支持：最新版本支持视觉模型（如 Llama 3.2 Vision），可处理图像输入，实现图文混合推理。
典型使用场景

场景一：开发者本地 AI 应用开发

作为开发者，你可以使用 Ollama 在本地运行 LLM，用于：
- 开发和测试 AI 应用，无需支付 API 费用
- 对接 Open-WebUI 等前端界面，搭建私有化 AI 聊天助手
- 通过 API 集成到自己的应用中，实现本地智能推理
示例：用 Ollama 运行 Llama 3.3 8B 模型，通过 OpenAI 兼容 API 为本地应用添加 AI 能力。

场景二：企业私有化部署

对于企业用户，Ollama 提供了：
- 数据隐私保护：所有推理过程在本地完成，敏感数据无需上传云端
- 零 API 成本：无需为每次 API 调用付费，适合高频调用场景
- 离线可用：模型下载后，无需联网即可使用，适合内网环境
推荐理由

我个人从2025年开始使用 Ollama，它已经成为我本地 AI 开发的标配工具。推荐理由如下：
1. 极简体验：一条命令就能安装，一条命令就能运行模型，对新手极其友好。
2. 生态丰富：支持对接 Open-WebUI、Continue（VS Code 插件）、LangChain 等50+主流工具，可玩性极高。
3. 性能优秀：支持 4-bit/8-bit 量化，即使在中端笔记本上也能流畅运行 7B 参数的模型。
4. 活跃社区：GitHub 上40000+社区集成，几乎任何你能想到的工作流，都有人已经做好了集成方案。
如果你想要一个简单、快速、隐私安全的本地 LLM 运行方案，Ollama 绝对是首选。

下载地址
- 官方网站：https://ollama.com
- GitHub 仓库：https://github.com/ollama/ollama
- 文档中心：https://github.com/ollama/ollama/blob/main/README.md
- 模型库：安装后运行 ollama pull <模型名> 即可拉取模型
2026年6月8日
Headroom：16.4k Stars！LLM上下文压缩层，最高省95% token消耗
用AI Agent干活，token消耗像流水。工具输出一多，日志一长，上下文就爆了。Headroom就是来解决这个问题的。

项目是什么

Headroom是一个面向AI Agent的上下文压缩层，在内容进入LLM之前先做压缩处理。工具输出、日志、RAG检索结果、代码文件、对话历史，统统可以压。官方数据说能省60-95%的token，而且答案质量不降。

安装要求和过程

要求Python 3.10以上。安装本身很简单：
```
# 全量安装（推荐）
pip install "headroom-ai[all]"

# Node.js版本
npm install headroom-ai

# Docker
docker pull ghcr.io/chopratejas/headroom:latest
```
如果你想按需安装，可以只装指定模块：[proxy]、[mcp]、[ml]、[code]、[memory]、[relevance]、[image]，不用全量。装完直接 headroom wrap claude 就能把Claude Code包起来用，零代码修改。

核心功能
- 三种接入模式：当作Python/TypeScript库直接调用 compress()，或者跑一个本地代理让任意应用零改动接入，或者直接wrap主流AI编码工具（Claude Code、Cursor、Aider、Copilot都支持）。
- MCP服务器模式：提供了 headroom_compress、headroom_retrieve、headroom_stats 三个工具，可以接进任何MCP客户端。对用Claude Desktop或者Cline的人很方便。
- 可逆压缩（CCR）：原始内容不会删，LLM觉得信息不够的时候可以通过工具调用把原始内容拿回来。不是有损压缩，是”按需取用”。
- 跨Agent共享内存：多个Agent（Claude、Codex、Gemini）可以共享同一套上下文存储，自动去重。做多Agent协作的人会喜欢这个功能。
- 自动学习：跑一下 headroom learn，它会去分析失败的会话，把修正规则自动写进 CLAUDE.md / AGENTS.md 这些配置文件。相当于Agent自己进化。
典型使用场景

先看数据。官方跑了一些真实工作负载的压缩测试：

工作负载类型压缩前token 压缩后token 压缩率

代码搜索（100条结果） 17,765 1,408 92%

SRE故障排查 65,694 5,118 92%

GitHub Issue分类 54,174 14,761 73%

实际场景里，最爽的是这两个：

第一，长日志排查。SRE场景里把6万多token的日志压缩到5千多，压缩率92%，而且LLM给出的排查结论和质量没差。这意味着你可以用更便宜的模型、更短的上下文窗口，处理同样复杂的任务。

第二，RAG场景。把检索回来的大量chunk先压缩再塞给LLM，原本只能放5条chunk的上下文窗口，现在能放20条。检索质量上去了，token消耗反而下来了。

为什么推荐它

我试过几个类似的方案，RTK、lean-ctx，还有OpenAI自己出的压缩方案。Headroom最打动我的是”可逆压缩”这个设计。很多压缩方案是单向的，压完原始信息就没了，LLM判断需要细节的时候拿不到原文。Headroom的CCR机制让LLM可以按需取回原始内容，这个设计很聪明。

另外就是接入成本真的低。如果你用的是Claude Code或者Cursor，一条命令 headroom wrap claude 就搞定，不需要改代码，不需要重新配置，直接生效。对于已经用上这些工具的人来说，几乎是零成本的优化。

本周Headroom在GitHub周增长榜排第一，新增了13,000+ star。16.4k的总star数不算高，但增长曲线很陡，说明用过的人都在往上加。这种”开发者口碑传播”的项目，通常比营销驱动的项目更值得跟。

GitHub：github.com/chopratejas/headroom
官网文档：headroom-docs.vercel.app
协议：Apache 2.0（可商用）
2026年6月7日
vLLM：82.1k Stars！高性能LLM推理引擎，让大模型部署又快又省
vLLM：82.1k Stars！高性能LLM推理引擎，让大模型部署又快又省

配图

项目简介

vLLM 是一个面向所有人的易用、快速、低成本的LLM服务引擎，提供高吞吐量、内存高效的推理能力，让大语言模型的生产部署变得简单高效。

安装要求和过程

环境要求
- 操作系统：Linux（推荐）或 macOS
- Python：3.8 – 3.12
- GPU：NVIDIA GPU（CUDA 7.0+）或 AMD GPU（ROCm 5.6+）
- CPU：x86、ARM 或 PowerPC（支持 CPU 推理）
快速安装步骤

方法一：使用 uv 安装（推荐）
```
uv pip install vllm
    
```
方法二：使用 pip 安装
```
pip install vllm
    
```
方法三：从源码构建
```
git clone https://github.com/vllm-project/vllm.git
    cd vllm
    pip install -e .
    
```
验证安装
```
python -c "import vllm; print(vllm.__version__)"
    
```
核心功能
1. 业界领先的推理吞吐量
  基于 PagedAttention 技术高效管理注意力键值内存，支持连续批处理、分块预填充、前缀缓存等优化技术，单GPU即可实现超高并发推理服务。
2. 丰富的量化方案支持
  原生支持 FP8、MXFP8/MXFP4、NVFP4、INT8、INT4、GPTQ/AWQ、GGUF 等多种量化格式，在保证模型质量的同时大幅降低显存占用和推理延迟。
3. 无缝的 Hugging Face 集成
  直接加载 Hugging Face 上 200+ 模型架构，包括 Llama、Qwen、Gemma、Mixtral、DeepSeek-V3 等热门模型，无需任何适配代码。
4. 分布式推理支持
  支持张量并行、流水线并行、数据并行、专家并行、上下文并行，可轻松扩展到大模型多卡、多机部署场景。
5. 多模态模型支持
  不仅支持纯文本LLM，还支持 LLaVA、Qwen-VL、Pixtral 等多模态模型，满足图文理解、视觉问答等复杂场景需求。
典型使用场景

场景一：企业级大模型API服务

某 AI 创业公司需要将 Qwen2.5-72B 模型部署为 OpenAI 兼容的 API 服务，供前端应用调用。

解决方案：使用 vLLM 启动兼容 OpenAI API 的服务器，仅需一行命令：
```
vllm serve Qwen/Qwen2.5-72B-Instruct --tensor-parallel-size 4
    
```
启动后自动提供与 OpenAI 完全兼容的 API，现有代码无需修改即可切换到底层模型，同时享受 vLLM 带来的 3-5倍吞吐量提升。

场景二：本地开发与环境测试

开发者需要在本地机器上快速测试不同 LLM 的能力，评估哪个模型最适合自己的应用场景。

解决方案：使用 vLLM 的 Python API 或 LLM 类，像使用 transformers 一样简单：
```
from vllm import LLM, SamplingParams
    
    # 初始化模型
    llm = LLM(model="meta-llama/Llama-3.1-8B-Instruct")
    
    # 设置生成参数
    params = SamplingParams(temperature=0.7, max_tokens=256)
    
    # 批量推理
    prompts = ["解释量子计算", "写一个快速排序"]
    outputs = llm.generate(prompts, params)
    
    for output in outputs:
        print(output.prompt, output.outputs[0].text)
    
```
推荐理由

作为一名经常需要部署和测试大模型的开发者，vLLM 已经成为我工具箱里不可或缺的利器。之前每次部署新模型都要折腾好几天，要么显存不够，要么吞吐量上不去，要么就是跟各种推理框架的适配问题。

vLLM 最大的价值在于它真的能做到开箱即用。你从 Hugging Face 上找到的模型，基本上扔给 vLLM 就能跑，不用自己写适配代码，不用深入研究模型架构。特别是它的 PagedAttention 技术，真的把显存利用率拉满了，同样一张 A100，用 vLLM 能服务的并发请求数是之前的好几倍。

另外很赞的一点是它的量化支持特别全面。现在模型越来越大，不量化根本跑不起来。vLLM 支持的量化格式特别多，AWQ、GPTQ、GGUF 这些主流的都有，而且量化后的精度损失控制得很好，实际业务里基本感觉不出来。

如果你正在做 LLM 相关的项目，不管是创业做 AI 产品，还是企业里搭私有化部署，vLLM 都值得一试。它现在基本上是业界标准了，82.1k 的 Stars 不是白来的。

下载地址
- 官方网站：https://vllm.ai
- GitHub 仓库：https://github.com/vllm-project/vllm（82.1k+ Stars）
- 官方文档：https://docs.vllm.ai
- PyPI 安装：pip install vllm
- 社区论坛：https://discuss.vllm.ai
如果你觉得这个项目有帮助，欢迎到 GitHub 上点个 Star，支持开源社区的发展！
2026年6月7日
Scrapling：能自适应网页改版的 Python 爬虫框架，GitHub 6.1 万星
项目简介

Scrapling 是一个自适应的 Python 网页爬取框架，由开发者 D4Vinci 在 GitHub 上发布，能够优雅地处理从单次 HTTP 请求到全站大规模爬取的各种场景。它既保留了 Scrapy 式的 Spider API，又在反爬对抗、动态页面渲染、AI 集成等方向做了大量现代化扩展。截至 2026 年 6 月，项目已在 GitHub 收获超过 6.1 万 Star，是今年爬取类工具里增长最快的开源项目之一。

安装要求和过程

环境要求：Python 3.10 及以上版本。

基础安装
```
pip install scrapling
```
基础安装仅包含解析引擎，不包含浏览器相关依赖。如果需要爬取动态渲染页面，需要额外安装 fetchers 组件。

完整安装（推荐）
```
# 安装爬虫器依赖（含 Playwright）
pip install "scrapling[fetchers]"

# 安装浏览器及系统依赖（会自动下载 Chromium）
scrapling install

# 强制重装
scrapling install --force
```
Docker 方式（生产推荐）
```
docker pull pyd4vinci/scrapling
docker run -it pyd4vinci/scrapling
```
全功能安装
```
# 安装所有功能（MCP 服务器、交互式 Shell 等）
pip install "scrapling[all]"
```
核心功能
- 自适应元素跟踪——网站结构变更后，Scrapling 可以自动重新定位之前配置好的目标元素，不需要每次改版都手动更新选择器。支持 CSS 选择器、XPath、标签过滤、文本搜索、正则搜索等多种定位方式。
- 多层反爬对抗——内置 StealthyFetcher，可以模拟真实浏览器的 TLS 指纹（impersonate Chrome），绕过 Cloudflare Turnstile 等常见反爬机制。支持代理轮换（ProxyRotator）、DNS over HTTPS（防止 DNS 泄露）。
- 动态页面渲染——通过 DynamicFetcher 集成 Playwright Chromium，支持在头部模式下加载 JavaScript 渲染后的页面，并等待网络空闲（network_idle）后再提取内容。这对现代前端框架搭建的网站非常关键。
- 内置 MCP 服务器——Scrapling 自带一个 MCP（Model Context Protocol）服务器，可以直接对接 Claude、Cursor 等 AI 编程工具。AI 可以通过它发起真实的网页请求、提取结构化数据，而不需要把整个网页内容都塞进上下文。
- 类 Scrapy API + 流式爬取——如果你用过 Scrapy，上手 Scrapling 的 Spider 几乎零成本。还支持流式模式（stream()），可以实时获取爬取结果，不需要等整个爬虫跑完。支持爬取暂停/恢复（checkpoint）。
典型使用场景

场景一：AI 训练数据采集

训练一个垂直领域 LLM 最头疼的事之一就是高质量语料的获取。用 Scrapling 可以稳定地批量采集目标网站的结构化文本（文章正文、评论、产品描述等），配合它的自适应跟踪能力，即使目标网站偶尔改版也不会导致采集任务中断。内置的 MCP 服务器还能让 AI 直接参与到采集策略的调整中。

场景二：竞品价格/库存监控

电商场景里经常需要定时抓取竞品的价格、库存、促销信息。Scrapling 的会话管理（FetcherSession）和代理轮换能力可以在不被封禁的前提下持续获取数据，DynamicFetcher 则能处理那些需要 JavaScript 渲染才能看到价格的现代电商站点。

推荐理由

我自己在做 AI 数据源建设时试用过不少爬取框架，Scrapling 最让我印象深刻的有三点。

一是它的「自适应」不是噱头。实际跑下来，目标网站小改版（比如某个 div 的 class 名变了，但内容结构没大变），Scrapling 确实有一定概率自动跟上去，不需要立刻人工介入。虽然这不是万能的，但对于长期维护的采集任务来说，能显著减少运维成本。

二是性能确实能打。官方给出的基准测试里，文本提取速度比 BeautifulSoup + lxml 快约 784 倍。我自己用几个真实页面测了一下，解析速度确实比用 BS4 快得多，内存占用也更友好。

三是文档写得相当认真。README 里有完整的 API 说明、多个场景的使用示例、性能对比数据，甚至还有一个专门的 ReadTheDocs 文档站。对开源项目来说，这往往比单纯堆功能更有价值——因为别人用得起来，项目才活得下去。

当然也有需要注意的地方：项目目前还在 v0.4.x，API 可能会有变动；另外部分高级功能（如 StealthyFetcher）依赖较复杂的本地环境配置，新人上手可能需要多花点时间。

总体来说，如果你需要在 2026 年选一个爬取框架来支撑 AI 相关的数据管道，Scrapling 值得认真考虑。

下载地址
- GitHub 仓库：https://github.com/D4Vinci/Scrapling（61k+ Stars）
- 官方文档：https://scrapling.readthedocs.io/en/latest/
- PyPI 安装：pip install scrapling
- Docker 镜像：docker pull pyd4vinci/scrapling
- 开源协议：BSD-3-Clause（可商用，较为宽松）
- 最新版本：v0.4.8（2026 年 5 月 11 日发布）
2026年6月6日

工作负载类型	压缩前token	压缩后token	压缩率
代码搜索（100条结果）	17,765	1,408	92%
SRE故障排查	65,694	5,118	92%
GitHub Issue分类	54,174	14,761	73%

标签： AI开源

8个月，估值从50亿涨到100亿

Multigres：给Postgres做一个”操作系统”

不迎合大客户，反而跑得更快

🚀 Agent-Reach：24.8K Stars！为AI Agent一键装上互联网访问能力

📝 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

场景一：AI辅助技术研究

场景二：社交媒体内容分析

场景三：自动化研究工作流

💡 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 – 方法1：使用 npx（推荐体验）

快速安装 – 方法2：使用 Docker（推荐生产）

快速安装 – 方法3：使用 npm 全局安装

✨ 核心功能

🎯 典型使用场景

场景1：AI 驱动的客服自动化

场景2：社交媒体内容自动发布

🌟 推荐理由

📥 下载地址

🖼️ 配图

📝 项目简介

⚙️ 安装要求和过程

环境要求

快速安装（3种方式）

API Key 配置

✨ 核心功能

1. 多模态输入支持

2. 多技术栈输出

3. 多 AI 模型对比

4. 实用辅助功能

🚀 典型使用场景

场景一：设计师交付前端代码

场景二：快速克隆竞品页面

场景三：屏幕录制转交互原型

💡 推荐理由

📥 下载地址

📘 项目简介

💻 安装要求和过程

环境要求

硬件要求

软件要求

快速安装步骤

⚙️ 核心功能

1. 节点式工作流搭建

2. 多模态内容生成

3. 自定义扩展能力

4. 工作流管理与复用

5. API 与自动化对接

🎯 典型使用场景

场景一：AI 艺术创作者

场景二：AI 应用开发者

场景三：AI 研究与学习

🌟 推荐理由

为什么推荐 ComfyUI？

📥 下载地址

🎬 结语

配图

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

场景一：开发者本地 AI 应用开发

场景二：企业私有化部署

推荐理由

下载地址

项目是什么

安装要求和过程

核心功能

典型使用场景