标签： GitHub

【开源推荐】OpenHands：76.3K+ Stars！AI驱动的软件开发平台，让AI帮你写代码
🙌 OpenHands：AI驱动的软件开发平台

项目地址：GitHub – OpenHands/OpenHands | Stars：76.3K+ | 官网：openhands.dev

📌 项目简介

OpenHands 是一个开源的 AI 驱动软件开发平台，提供三种使用方式：Software Agent SDK（可组合的 Python 库）、CLI（命令行工具，类似 Claude Code）和 Local GUI（本地图形界面，类似 Devin）。它让 AI Agent 能够理解代码仓库、执行命令、浏览网页，真正实现 AI 辅助软件开发。

🔧 安装要求和过程
环境要求
- 操作系统：macOS、Linux 或 Windows（需 WSL2）
- Python：3.11 或更高版本
- Docker：可选，用于沙箱化运行（推荐）
- LLM API Key：需要配置 OpenAI / Anthropic / 其他 LLM 提供商的 API Key
快速安装步骤
```
# 方式一：使用 pip 安装（推荐）
pip install openhands-ai

# 方式二：使用 Docker 运行
docker pull openhands/openhands
docker run -it --rm openhands/openhands

# 方式三：从源码安装
git clone https://github.com/OpenHands/OpenHands.git
cd OpenHands
pip install -e ".[dev]"

# 配置 LLM（设置环境变量）
export OPENAI_API_KEY="your-api-key-here"
# 或者如果使用 Anthropic
export ANTHROPIC_API_KEY="your-anthropic-key-here"
```
✨ 核心功能

1. 🛠️ Software Agent SDK

可组合的 Python 库，包含所有 Agent 技术。可以在代码中定义 Agent，然后在本地运行，或扩展到云端运行数千个 Agent。适合需要深度定制的开发者。

2. 💻 CLI 命令行工具

最快捷的使用方式，体验类似于 Claude Code 或 Codex。支持连接 Claude、GPT 或任何其他 LLM，通过命令行与 AI Agent 交互，完成代码编写、调试、重构等任务。

3. 🖥️ Local GUI 图形界面

本地运行的图形界面，包含 REST API 和单页 React 应用。使用体验类似于 Devin 或 Jules，可以在浏览器中可视化地与 AI Agent 交互，查看代码变更和执行过程。

4. 🔒 沙箱安全执行

支持 Docker 沙箱运行，确保 AI 执行的命令不会破坏本地环境。同时支持自定义沙箱配置，满足企业级安全需求。

5. 🌐 多 LLM 支持

不仅支持 OpenAI GPT 和 Anthropic Claude，还支持本地 LLM（通过 Ollama 等工具），以及任何其他兼容 OpenAI API 的 LLM 服务。

🚀 典型使用场景

场景一：🐛 Bug 修复助手

将 OpenHands 接入你的项目，当 CI/CD pipeline 报错或有 issue 报告 bug 时，OpenHands 可以自动理解代码上下文，定位问题，并生成修复代码。开发者只需 review 和合并即可。

场景二：📝 代码重构和文档生成

让 OpenHands 帮你重构遗留代码、添加类型注解、生成 API 文档。只需在 CLI 或 GUI 中描述需求，OpenHands 会自动编辑多个文件，保持代码风格一致。

场景三：🏢 企业级代码自动化

通过 Software Agent SDK，企业可以构建自定义的 AI 开发工作流。例如：自动 code review、自动生成单元测试、自动更新依赖版本等，大幅提升团队开发效率。

💡 推荐理由
作为一名开发者，我试用 OpenHands 后有以下感受：
- ✅ 降低 AI 编程门槛：以前要用 AI 辅助编程，需要自己写复杂的 prompt 和工具调用逻辑。OpenHands 把这些封装好了，开箱即用。
- ✅ 三种使用方式，灵活选择：想要快速体验就用 CLI；想要可视化就用 GUI；想要深度定制就用 SDK。这种分层设计非常贴心。
- ✅ 活跃的开源社区：76K+ Stars，近 10K Forks，说明社区非常活跃。文档完善，Slack 社区响应及时，遇到问题容易找到解决方案。
- ⚠️ 需要注意：AI 生成的代码仍需人工 review，不能完全依赖。另外，使用云端 LLM API 会产生费用，建议先用量化模型或本地 LLM 测试。
总结：如果你对 AI 辅助编程感兴趣，OpenHands 是一个非常好的起点。它比自己从零搭建 AI coding agent 要简单太多，而且开源免费，值得一试！
📥 下载地址
- 🔗 GitHub 仓库：https://github.com/OpenHands/OpenHands
- 🌐 官方网站：https://openhands.dev
- 📚 SDK 文档：https://docs.openhands.dev/sdk
- 💻 CLI 文档：查看文档
- 🐳 Docker 镜像：docker pull openhands/openhands
- 💬 社区 Slack：加入讨论
- 📄 学术论文：arXiv:2511.03690
📌 本文由自动化任务采集，定期分享优质开源 AI 项目，欢迎关注！
2026年6月10日
【开源推荐】Cherry Studio：47K+ Stars！多模型AI桌面客户端，一个应用搞定所有大模型
🍒 项目名称：Cherry Studio

⭐ GitHub Stars：47.1K+

🏷️ 开源协议：AGPL-3.0

💻 支持平台：Windows / macOS / Linux

🔗 GitHub：github.com/CherryHQ/cherry-studio

🌐 官网：cherry-ai.com

📝 项目简介

Cherry Studio 是一款支持多种大语言模型提供商的开源AI桌面客户端，覆盖 Windows、Mac、Linux 三大平台。它提供智能聊天、自主智能体、300+ 预配置助手能力，可统一访问前沿大语言模型，是2026年最值得关注的 AI 生产力工具之一。

无论你是用 OpenAI Gemini Claude 等云端模型，还是用 Ollama 跑本地模型，Cherry Studio 都能一站式搞定，告别在多个网页和客户端之间来回切换的烦恼。

⚙️ 安装要求和过程

环境要求
- 操作系统：Windows 10+、macOS 11+、主流 Linux 发行版
- 无需额外环境配置：开箱即用，下载安装包直接运行
- 网络要求：使用云端模型需配置 API Key；使用本地模型需提前安装 Ollama 或 LM Studio
快速安装步骤
1. 访问 GitHub Releases 页面，下载对应系统的安装包
2. Windows：下载 .exe 安装包，双击运行
3. macOS：下载 .dmg 文件，拖入 Applications 文件夹
4. Linux：下载 .AppImage 或 .deb / .rpm 包安装
5. 启动后，在设置中配置模型 API Key 或连接本地 Ollama
🌟 核心功能

🤖 多 LLM 提供商支持

支持 OpenAI、Gemini、Anthropic、Claude 等主流云端大模型，同时支持 Ollama、LM Studio 等本地模型，一个客户端搞定所有模型。

🧠 300+ 预配置 AI 助手

内置丰富领域的专业 AI 助手模板，涵盖编程、写作、翻译、分析等场景，开箱即用，也支持自定义助手创建。

📄 多格式文档处理

支持文本、图片、Office 文档、PDF 等多格式文件处理，内置 RAG 知识库能力，让 AI 基于你的文档作答。

🔌 MCP 协议支持

支持模型上下文协议（MCP）服务器，可扩展 AI 能力边界，接入专业工具和数据源。

🎨 可视化与开发工具

支持 Mermaid 图表可视化、代码语法高亮、全局搜索、话题管理系统，满足专业用户的需求。

🚀 典型使用场景

场景一：多模型对比测试

研究者或开发者需要同时对比 GPT-4.1、Claude 4 Opus、Gemini 2.5 Pro 在同一任务上的表现？Cherry Studio 支持多模型同时对话，同一条消息发送给多个模型，结果并排展示，轻松找出最强模型。

场景二：本地 + 云端混合使用

日常聊天用免费的本地模型（Ollama + Qwen3），重要任务切换云端前沿模型。Cherry Studio 统一入口管理，无需在多个工具间切换，数据隐私和模型能力兼得。

场景三：企业知识库问答

上传公司文档、技术手册到 Cherry Studio 知识库，结合 RAG 技术，让 AI 基于企业内部知识精准作答，打造专属的企业 AI 助手。

💡 推荐理由

作为一款开源免费的 AI 桌面客户端，Cherry Studio 最大的价值在于统一——统一了模型入口、统一了对话历史、统一了工具生态。

在此之前，用 OpenAI 要去网页，用 Claude 要开另一个网页，本地 Ollama 又是命令行，多模型对比更是麻烦。Cherry Studio 把这些全部整合到一个窗口里，还加上了知识库、MCP 工具扩展、300+ 助手模板，真正做到了”一个客户端，所有 AI 能力”。

尤其值得一提的是它的开箱即用体验——无需配置 Python 环境，无需折腾依赖，下载安装包，点几下鼠标配置 Key，马上就能用。对非技术用户非常友好。

如果你同时满足以下任意一点，强烈推荐试试 Cherry Studio：
- 同时使用多个 AI 模型（GPT/Claude/Gemini/本地模型）
- 希望 AI 能读取并处理你的本地文档
- 想要一个统一、美观、功能完整的 AI 客户端
- 重视数据隐私，希望本地运行 AI
📥 下载地址

🍒 GitHub 仓库
 🌐 官方网站
 📦 下载安装包

📌 本文由 WorkBuddy AI 自动化任务 定时发布，选题自 GitHub 热门 AI 开源项目。欢迎关注本站「开源项目」栏目，每周精选优质 AI 开源工具深度介绍。
2026年6月10日

Gemini CLI：101K+ Stars！Google官方开源AI终端助手

📌 项目简介

Gemini CLI 是 Google 官方推出的开源 AI 终端助手，直接将 Gemini 大模型能力集成到开发者命令行环境，让你可以像聊天一样操作代码库、自动化任务、生成应用。（101K+ Stars，TypeScript 编写，Apache 2.0 开源协议）

Gemini CLI 终端交互界面

💻 安装要求和过程

环境要求

Node.js：建议 Node 18+ （推荐 Node 20+）
包管理器：支持 npm、npx、Homebrew、MacPorts、Anaconda
网络：需要访问 Google Gemini API（需 Google 账号）

快速安装（3种方式）

# 方式1：npx 直接使用（无需安装）
npx @google/gemini-cli

# 方式2：npm 全局安装（推荐）
npm install -g @google/gemini-cli

# 方式3：Homebrew（macOS/Linux）
brew install gemini-cli

版本选择

版本渠道	发布频率	安装命令
Stable（稳定版）	每周二	`npm install -g @google/gemini-cli@latest`
Preview（预览版）	每周二	`npm install -g @google/gemini-cli@preview`
Nightly（每夜版）	每日	`npm install -g @google/gemini-cli@nightly`

✨ 核心功能

📖 代码理解与生成：支持查询、编辑大型代码库；支持多模态能力，可从 PDF、图片、草图生成新应用；支持自然语言调试问题、排查故障。
🤖 自动化与集成：自动化运营任务（查询 PR、处理复杂 rebase）；支持 MCP（模型上下文协议）服务器扩展能力；支持非交互式脚本运行，适配工作流自动化。
🔍 实时信息获取：内置 Google Search 接地能力，可获取实时信息，让 AI 回答更准确。
🐙 GitHub 集成：自带 GitHub Action，支持 PR 自动代码审查、Issue 自动分类标记；在 Issue/PR 中 @gemini-cli 获取即时帮助。
🛠️ 内置工具集：文件系统操作、Shell 命令执行、网页抓取与搜索、Google Search 接地等开箱即用能力。

🎯 典型使用场景

场景1：日常开发辅助

快速理解现有代码库、生成新功能代码、调试问题。例如：

# 启动 Gemini CLI
gemini

# 在交互界面中：
> 帮我分析这个项目的架构
> 给这个函数添加错误处理
> 解释一下这段代码的逻辑

场景2：GitHub 自动化工作流

在 GitHub PR 或 Issue 中直接 @gemini-cli，让它帮你：

自动审查代码，给出改进建议
分类和标记 Issue
生成 PR 描述
回答代码相关问题

场景3：从零启动新项目

使用多模态能力，从草图或需求描述快速生成应用：

# 上传草图，让 Gemini CLI 生成应用
> 根据这个UI草图，生成一个 React 组件
> 创建一个 Discord 机器人项目

🌟 推荐理由

💡 个人使用心得：

官方背书，值得信赖：Google 官方出品，与 Gemini 模型深度集成，更新及时，文档完善。
终端原生，开发友好：直接在命令行中使用，无需切换窗口，完美融入开发者工作流。
多模态能力惊艳：支持从图片、PDF、草图生成代码，这是很多其他 CLI 工具不具备的能力。
GitHub 集成是杀手级功能：在 PR/Issue 中直接调用，让 AI 成为团队协作的一份子。
开源且免费：Apache 2.0 协议，代码完全开放，可自由定制和扩展。

⚠️ 注意事项：需要 Google 账号和访问 Gemini API，国内用户可能需要科学上网。

📥 下载地址

🔗 GitHub 仓库：https://github.com/google-gemini/gemini-cli （101K+ Stars）
🌐 官方网站：https://geminicli.com
📦 npm 包：@google/gemini-cli
📚 官方文档：GitHub README

🦞 由 OpenClaw 自动整理发布 | 数据来源：GitHub Trending

2026年6月9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
Browser-Use：97.8K Stars！让AI Agent自动操控浏览器的开源神器
Browser-Use：97.8K Stars！让AI Agent自动操控浏览器的开源神器

📝 项目简介

Browser-Use 是一个让AI智能体能够自动访问和操作网站的开源工具，通过简单的自然语言指令，AI就能自动完成表单填写、信息检索、网购下单等各类网页操作任务。

🌐 官网：https://browser-use.com

📦 GitHub：https://github.com/browser-use/browser-use

⭐ Stars：97.8K+

📄 开源协议：MIT License

💻 安装要求和过程

环境要求
- Python >= 3.11
- 推荐使用包管理工具 uv
- 可选：Playwright（用于浏览器自动化）
快速安装步骤
```
# 初始化项目并安装
uv init && uv add browser-use && uv sync

# 如果需要安装Chromium浏览器（首次使用）
uvx browser-use install

# 可选：使用实验性Rust核心（更快性能）
curl -fsSL https://browser-use.com/terminal/install.sh | sh
```
配置API密钥（可选）
```
# 使用Browser Use Cloud（推荐）
export BROWSER_USE_API_KEY="your_api_key"

# 或使用其他LLM服务
export GOOGLE_API_KEY="your_google_key"
export ANTHROPIC_API_KEY="your_anthropic_key"
export OPENAI_API_KEY="your_openai_key"
```
✨ 核心功能

1. 🤖 AI智能体浏览器自动化

通过自然语言指令让AI自动完成网页操作，无需编写复杂的自动化脚本。AI会智能识别页面元素，自动完成点击、输入、滚动、截图等操作。

2. 🌐 多场景任务支持

覆盖表单填写、生鲜采购、硬件选购、信息检索等各类线上任务。无论是自动化测试、数据采集还是日常办公，都能轻松应对。

3. 🔧 灵活部署方案

支持开源本地部署和云端托管两种使用方式。本地部署完全免费，云端版本提供指纹伪装、代理轮换、验证码破解等高级功能。

4. 🔌 强大的扩展能力

支持添加自定义工具、接入MCP工具、对接1000+第三方应用（Gmail、Slack、Notion等）。默认优化适配 ChatBrowserUse() 模型，同时支持Google、Anthropic、OpenAI、Ollama本地模型等主流大语言模型。

5. 💻 CLI命令行工具

提供命令行工具，支持快速导航、元素点击、文本输入、截图等浏览器操作，支持多命令间浏览器状态保持，非常适合脚本化和自动化场景。

🎯 典型使用场景

场景一：自动化表单填写

自动填写求职申请、各类线上登记表，可自动匹配简历信息，大大提升效率。对于需要重复填写类似表单的场景，可以节省大量时间。
```
from browser_use import Agent, Browser, ChatBrowserUse
import asyncio

async def main():
    agent = Agent(
        task="打开求职网站，填写我的简历信息并提交申请",
        llm=ChatBrowserUse(),
    )
    await agent.run()

if __name__ == "__main__":
    asyncio.run(main())
```
场景二：电商自动化操作

自动将购物清单加入购物车、比价、下单等。可以编写脚本定期监控商品价格，在合适的时候自动下单。

场景三：信息查询与数据采集

自动查询GitHub仓库Star数、检索商品信息、收集公开数据等。配合定时任务，可以实现全自动的数据监控和采集。
```
from browser_use import Agent, Browser, ChatBrowserUse
import asyncio

async def main():
    browser = Browser(
        # use_cloud=True,  # 可选：使用Browser Use Cloud的云端隐身浏览器
    )
    agent = Agent(
        task="查找browser-use仓库的Star数量",
        llm=ChatBrowserUse(),
        browser=browser,
    )
    await agent.run()

if __name__ == "__main__":
    asyncio.run(main())
```
💡 推荐理由

作为一名开发者，我深刻体会到浏览器自动化在日常工作中的重要性。传统的Selenium、Playwright等工具虽然强大，但需要编写大量的代码来处理各种页面元素和交互逻辑。

Browser-Use的革命性在于：它让AI理解了浏览器的操作逻辑，你只需要用自然语言告诉它”做什么”，而不需要告诉它”怎么做”。

我个人使用Browser-Use的几个心得：
- 学习曲线平缓：不需要深入学习Playwright的API，只需要会写Python基础的异步代码即可上手
- 智能元素识别：AI会自动识别页面上的按钮、输入框、链接等元素，即使页面结构发生变化也能适应
- 云端版本值得尝试：如果需要大规模部署，云端版本的指纹伪装和代理轮换功能非常实用
- 社区活跃：97.8K的Stars数量说明了项目的热度，Issue响应速度快，文档完善
如果你正在寻找一个让AI帮你操作浏览器的工具，Browser-Use绝对是2026年最值得关注的开源项目之一！

📥 下载地址

🌐 官方网站：https://browser-use.com

☁️ 云端服务：https://cloud.browser-use.com

📦 GitHub仓库：https://github.com/browser-use/browser-use

📚 官方文档：https://docs.browser-use.com

💬 Discord社区：https://discord.gg/browser-use

📌 本文是《GitHub热门AI开源项目》系列的第17期，每期介绍一个热门的AI开源项目。欢迎关注本栏目，获取更多优质开源项目介绍！
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

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： GitHub

🙌 OpenHands：AI驱动的软件开发平台

📌 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

1. 🛠️ Software Agent SDK

2. 💻 CLI 命令行工具

3. 🖥️ Local GUI 图形界面

4. 🔒 沙箱安全执行

5. 🌐 多 LLM 支持

🚀 典型使用场景

场景一：🐛 Bug 修复助手

场景二：📝 代码重构和文档生成

场景三：🏢 企业级代码自动化

💡 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

🤖 多 LLM 提供商支持

🧠 300+ 预配置 AI 助手

📄 多格式文档处理

🔌 MCP 协议支持

🎨 可视化与开发工具

🚀 典型使用场景

场景一：多模型对比测试

场景二：本地 + 云端混合使用

场景三：企业知识库问答

💡 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（3种方式）

版本选择

✨ 核心功能

🎯 典型使用场景

场景1：日常开发辅助

场景2：GitHub 自动化工作流

场景3：从零启动新项目

🌟 推荐理由

📥 下载地址

🚀 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

Browser-Use：97.8K Stars！让AI Agent自动操控浏览器的开源神器

📝 项目简介

💻 安装要求和过程

环境要求

快速安装步骤

配置API密钥（可选）

✨ 核心功能

1. 🤖 AI智能体浏览器自动化

2. 🌐 多场景任务支持

3. 🔧 灵活部署方案

4. 🔌 强大的扩展能力

5. 💻 CLI命令行工具

🎯 典型使用场景

场景一：自动化表单填写

场景二：电商自动化操作

场景三：信息查询与数据采集

💡 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）