标签： LLM

124K Star 的「AI 应用宝库」：awesome-llm-apps，100+ 个拿来即跑的 LLM / RAG 项目
一、项目简介

awesome-llm-apps 是一个收录了 100+ 个端到端测试过、Apache-2.0 协议的开源 AI Agent、Agent Skills 与 RAG 应用的精选仓库——clone、定制、上线，全部免费。它兼容 Claude、Gemini、GPT、DeepSeek、Llama、Qwen 以及各类本地开源模型，是当下 GitHub 上星标增长最快的 LLM 应用模板库之一（124K+ Star）。

二、安装要求和过程

环境要求
- Python 3.8+（多数模板基于 Streamlit / 各厂商官方 SDK）
- 一个 LLM API Key（Claude / Gemini / GPT / DeepSeek / Llama / Qwen 均可，部分模板支持本地模型）
- Git 与可联网环境
快速开始（跑一个 Agent，约 30 秒）
```
git clone https://github.com/Shubhamsaboo/awesome-llm-apps.git
cd awesome-llm-apps/starter_ai_agents/ai_travel_agent
pip install -r requirements.txt
streamlit run travel_agent.py
```
或者，给编码助手装一个 Skill（约 10 秒）
```
npx skills add https://github.com/Shubhamsaboo/awesome-llm-apps/tree/main/agent_skills/project-graveyard
```
模板每周持续更新；项目模型无关，支持 Ollama 等本地推理，方便对比与替换。

三、核心功能
1. 100+ 端到端验证的开源应用：不是 demo 片段，而是每个都能 pip install && run 的完整项目，统一 Apache-2.0，可商用可修改。
2. 15 大场景全覆盖：从单文件 Starter Agent，到多智能体团队、语音 Agent、MCP 工具调用、RAG 检索、记忆、微调、生成式 UI，再到 Autonomous 游戏 Agent。
3. Agent Skills 一键安装：把可复用能力直接装进 Claude Code / Codex / Cursor，每条 Skill 都带真实代码并通过「安全 + 评测」CI 门禁。
4. 模型无关：Claude、Gemini、GPT、DeepSeek、Llama、Qwen 乃至本地模型通吃，方便横向对比。
5. 自带框架速成课：Google ADK、OpenAI Agents SDK 的 Crash Course，边抄边学编排范式。
Project Graveyard —— 帮你复盘每个弃坑副业、并找出最值得捡回来的那个的 Agent Skill

四、典型使用场景
- 30 分钟搭一个 AI 应用：想做旅行助手、数据分析 Agent、博客转播客？直接 clone 对应 starter 模板、改个 API Key 即可运行。
- 给编码助手加能力：团队要一个「Scope Creep Detector（范围蔓延检测）」或「Commit Archaeologist（提交考古）」？npx skills add 一行搞定，立刻在 Claude Code / Cursor 里可用。
- 系统学习 RAG / 多智能体：仓库内含 20+ 个 RAG 教程与多智能体团队模板，即开即用，省去从零搭脚手架。
Always-on HN Briefing Agent —— 按日程巡逻、把每天值得看的 Hacker News 推送到 Slack / 邮箱的后台 Agent

Insurance Claim Live Agent Team —— 基于 Gemini Live 的实时语音理赔 Agent 团队

五、推荐理由

对一个想动手做 AI 应用、又不想从零啃文档的人，这是目前质量最高、最「能跑」的 LLM 应用模板库之一。每个模板都是真实可运行代码，省去脚手架与踩坑成本；模型无关意味着你可以拿自己的 Key 直接试；Agent Skills 的设计尤其实用——把沉淀下来的工程能力变成可复用 Skill，正好契合当下 coding agent 的工作流。

Self-Improving Agent Skills —— 用 Gemini + ADK 让 Skill 针对评测自我重写的进阶玩法

唯一要注意的是：部分模板依赖特定商业模型的 API，跑之前看一眼 requirements.txt 与 README 里的模型说明即可。

六、下载地址
- GitHub：https://github.com/Shubhamsaboo/awesome-llm-apps
- 官网 / 配套教程：https://www.theunwindai.com
- 许可证：Apache-2.0（可商用、可修改）
2026年7月19日
code-review-graph：让 AI 编码助手只读「该读的代码」，省下 82 倍 Token
code-review-graph（简称 CRG）是一款本地优先（local-first）的代码智能图谱工具：它用 Tree-sitter 把整个代码库解析成结构化的函数 / 类 / 调用关系图谱，再通过 MCP 协议喂给 Claude Code、Cursor、Codex 等 AI 编码助手——让它们在做代码评审、改 Bug、理解大型仓库时，只读取真正相关的文件，而不是把整个仓库灌进上下文里烧 Token。

一、安装要求和过程

环境要求：
- Python 3.10+；
- 推荐安装 uv（可选，MCP 配置会自动优先用 uvx 调用）；
- 支持 Git / SVN 仓库；Windows / macOS / Linux 全平台可用。
三步极速安装：
```
pip install code-review-graph          # 或：pipx install code-review-graph
code-review-graph install             # 自动检测并配置所有已安装的 AI 编码平台
code-review-graph build               # 解析代码库，构建结构图谱
```
一行命令搞定：install 会自动识别你装了哪些 AI 编码工具（Codex、Claude Code、Cursor、Windsurf、Zed、Continue、CodeBuddy Code、Gemini CLI、Qwen、Kiro、GitHub Copilot 等 14+ 平台），为它们写入正确的 MCP 配置，并注入”图谱感知”的指令。重启编辑器即可生效。也可以只针对单个平台：code-review-graph install --platform cursor。

二、核心功能

1. 增量更新 < 2 秒
文件保存或提交时通过 hook / watch 模式触发增量解析，2900 文件的项目重新索引不到 2 秒，几乎无感。

2. 爆炸半径（Blast-radius）分析
当某个文件被改动，图谱会追踪所有”调用方、依赖方、相关测试”，算出这次改动的影响半径。AI 只读这些”受影响”的文件，而不是全仓扫描。

3. 本地优先 + 零遥测
图谱以 SQLite 存在本地 .code-review-graph/ 目录，核心存储不依赖任何外部数据库或云服务；可选的向量嵌入（sentence-transformers / Gemini / OpenAI 兼容端点）也完全本地可控，默认不开云。

4. 30 个 MCP 工具 + 5 套工作流模板
涵盖最小上下文、影响半径、架构总览、知识缺口、重构建议等，图谱构建完成后 AI 助手自动调用；内置 review_changes / architecture_map / debug_issue / onboard_developer / pre_merge_check 五套提示词模板。

5. CI 风险评分 PR 审查
可作为 GitHub Action 在每次 PR 贴出带风险评分的审查评论（原地更新），并支持 fail-on-risk 合并门禁，全程在 CI runner 本地完成，源码不出域。

三、典型使用场景

① 日常代码评审
在 Claude Code / Cursor 里问”评审这次改动”，AI 先查图谱拿到最小必要文件集合。实测 fastapi 仓库从 95 万 token 降到 2169 token（约 528 倍），评审又快又准。

② 啃大型单体仓库（monorepo）
CRG 自身仓库 20 万+ 源码 token 经图谱漏斗后只回传约 2495 token（约 93 倍），在巨型仓库里把噪音一刀切断——这正是 Token 浪费最痛的地方。

③ PR 自动化审查 + 新人 onboarding
GitHub Action 在每次 push 原地更新带风险评分的 sticky 评论；onboard_developer MCP 工作流利用社区结构帮新人快速摸清架构边界与热点模块。

四、推荐理由

我（以及不少 AI 编码重度用户）最大的痛点就是：让 Agent 去”看一眼这个改动影响哪些地方”，它往往会把大半个仓库重新读一遍——Token 烧得飞起，还容易跑偏。CRG 的思路很妙：它不跟 LSP / RAG 抢饭碗，而是补上”结构化的多跳关系”这一层——调用方、依赖方、测试、影响半径，全用 AST 静态分析算出来，确定性、可复现、零云端依赖。

官方在 6 个真实仓库上的基准测试显示，每问一次的中位数约 82 倍 token 缩减（最大 528 倍），增量更新几乎无感。对于一个”想让 AI 编码助手更省、更准、更本地”的团队来说，这是目前最省心的一站式接入方案——pip install + install 两条命令，所有平台一次配齐。

五、下载地址
- 官网：https://code-review-graph.com
- GitHub：https://github.com/tirth8205/code-review-graph（20.1K ★，MIT 许可）
- PyPI：pip install code-review-graph
- 文档：GitHub /docs
2026年7月19日
🔥 Firecrawl：为 AI 智能体而生的网页抓取与搜索 API（152.7K Stars）
Firecrawl 是一个面向 AI 的开源网页数据 API——把”搜索、抓取、与网页交互”封装成一套可靠的服务，自动把任意网页转换成干净的 Markdown 或结构化 JSON，让大模型和智能体直接可用。

一、项目简介

一句话：Firecrawl 是”为 AI 而生的 Web 数据 API”。它覆盖 96% 的网页（含 JS 重度页面），P95 延迟仅 3.4s，把你从反爬、代理轮换、JS 渲染等脏活中彻底解放出来，专注业务本身。

二、安装要求和过程

环境要求
- 一门开发语言运行时：Python 3.8+ 或 Node.js 18+
- 一个 Firecrawl API Key（在 firecrawl.dev 免费注册即可获取，含免费额度）
- 自托管可选：Docker + Docker Compose、Redis、用于渲染的 Playwright Key
快速安装

Python：
```
pip install firecrawl-py
```
Node.js：
```
npm install firecrawl
```
CLI（一行给 Agent 装好 Skill + 浏览器能力）：
```
npx -y firecrawl-cli@latest init --all --browser
```
配置密钥后，三行代码即可抓取：
```
from firecrawl import Firecrawl

app = Firecrawl(api_key="fc-YOUR_API_KEY")
doc = app.scrape("https://firecrawl.dev", formats=["markdown"])
print(doc.markdown)
```
自托管（数据完全自控）：
```
git clone https://github.com/firecrawl/firecrawl
cd firecrawl && cp .env.example .env   # 填入 REDIS_URL、PLAYWRIGHT_KEY 等
docker compose up -d
```
三、核心功能
- 一体化 Web API：Search / Scrape / Crawl / Map / Batch Scrape / Agent / Interact 七大端点，覆盖”找源 → 取内容 → 结构化”全链路。
- LLM 就绪输出：自动输出干净 Markdown、带 Schema 的结构化 JSON、截图，省 token、少噪音。
- 工业级可靠性：覆盖 96% 网页（含 JS 重度页面），P95 延迟 3.4s，自动处理反爬、代理轮换、限速与 JS 拦截。
- Interact 交互式抓取：抓下页面后用 AI 提示词或代码”点击 / 滚动 / 输入 / 等待”，轻松拿下动态页面。
- Agent 自治 + MCP/Skill 一行接入：用自然语言描述需求即可自动收集数据；一条命令接入 Claude Code、Cursor 等任意 MCP 客户端。
四、典型使用场景
- RAG 知识库构建：批量 Crawl 文档站转 Markdown，直接灌入向量库，告别手写爬虫。
- AI 智能体联网：通过 MCP 让 Claude Code / Cursor 等 Agent 实时检索并读取网页，回答才有”活水”。
- 竞品与市场研究：用 Agent 端点一句话拿到结构化竞品定价、功能对比，无需提前知道 URL。
五、推荐理由

做过 RAG 或 AI Agent 的人都懂：自己写爬虫要处理反爬、JS 渲染、代理池、限速……Firecrawl 把这些脏活全包了，输出直接是干净 Markdown，省下大量 token 和调试时间。免费额度对个人项目足够，MCP 接入极简，AGPL-3.0 协议还能自托管把数据攥在自己手里。如果你的应用”需要联网”，它几乎是第一选择。

六、下载地址
- 🌐 官网 / 注册 API Key：https://firecrawl.dev
- 📦 GitHub 仓库：https://github.com/firecrawl/firecrawl
- 📚 官方文档：https://docs.firecrawl.dev
- 🐍 Python SDK：pip install firecrawl-py
- 📦 Node SDK：npm install firecrawl
2026年7月19日
Ponytail：让 AI 编码智能体像最懒的高级开发一样思考，代码量直降 54%
你肯定见过那种人：长马尾、圆框眼镜、在公司待得比版本控制系统还久。你给他看五十行代码，他看都不看，沉默两秒，用一行把它换掉——而且一次跑通。Ponytail 就是把这位”最懒的高级开发”塞进了你的 AI 编码智能体。

它不是一个新模型，也不是一个新 IDE，而是一套规则集 / Skill：在动手写代码前，先逼 Agent 在”懒惰阶梯”上逐级确认——这东西真的需要存在吗？代码库里已经有了吗？标准库能解决吗？浏览器原生支持吗？……直到最后一步才允许写出”最小可用”的代码。结果是在真实 FastAPI + React 仓库上实测：代码量少 54%、成本降 20%、速度快 27%，安全性 100% 不打折。

一、项目简介

Ponytail 是一个跨 20+ AI 编码智能体（Claude Code、Codex、Cursor、Windsurf、Cline、Gemini CLI、Copilot CLI、Aider、Kiro、Zed、Hermes Agent、OpenCode、Qoder 等）的”极简工程规则集”，教 Agent 像最懒的高级开发一样思考——能不写就不写，能复用就复用，用最小必要代码解决问题，同时永不削减安全、校验与可访问性护栏。

二、安装要求与过程

环境要求
- Node.js：Claude Code / Codex 插件会运行两个轻量 Node.js 生命周期 hook，需要 node 在 PATH 上（nix/nvm 用户注意非交互 shell 的 PATH）。没有也没关系——Skill 照常工作，只是常驻激活会保持静默。
- 任一支持的 AI 编码助手：覆盖 20+ 平台，无需统一环境。
- 零配置：不需要任何配置文件；可选 ~/.config/ponytail/config.json 或 PONYTAIL_DEFAULT_MODE 环境变量设置默认强度（lite/full/ultra/off，默认 full）。
快速安装（以 Claude Code 为例）
```
/plugin marketplace add DietrichGebert/ponytail
/plugin install ponytail@ponytail
```
⚠️ 两条 /plugin 命令需分两次发送才能生效。

其他平台的极简安装：
- Codex：codex plugin install ponytail@ponytail
- Cursor / Windsurf / Cline：复制仓库里的 .cursor/rules/ponytail.mdc（或对应 rules 文件）到项目
- Gemini CLI：gemini extensions install https://github.com/DietrichGebert/ponytail
- OpenCode：在 opencode.json 加 {"plugin":["@dietrichgebert/ponytail"]}
- Hermes Agent：hermes plugins install DietrichGebert/ponytail --enable
- 更多（Kiro、Zed、Qoder、Pi、Devin、OpenClaw、Amp、Jules、Swival、CodeWhale…）见仓库 docs/agent-portability.md
三、核心功能

1. 七阶”懒惰阶梯”（Ladder of Laziness）

在写代码前，Agent 会停在第一个成立的台阶上：
```
1. 这东西需要存在吗？      → 不需要：跳过（YAGNI）
2. 代码库里已经有了？      → 复用，别重写
3. 标准库能搞定？          → 用它
4. 平台原生能力？          → 用它（比如 <input type="date">）
5. 已安装的依赖里有？      → 用它
6. 一行能解决？            → 一行
7. 只有到这步才：写最小可用
```
关键是它在”理解问题之后”才跑这把梯子：先读被改动触碰的代码、追真实的调用流，再选台阶。对”怎么解”偷懒，但对”读懂”绝不懈怠。

2. 四档强度 + 子代理注入

/ponytail [lite|full|ultra|off] 切换力度，ultra 留给”这个代码库个人得罪了你”的时刻；规则集会自动注入通过 Agent 工具派生的每一个子代理（可用 PONYTAIL_SUBAGENT_MATCHER 正则按 agent 类型做白名单）。

3. 六个专门命令（Skills）
- /ponytail-review：审查当前 diff 的过度设计，直接给你一份”删除清单”
- /ponytail-audit：不止看 diff，全仓审计过度工程
- /ponytail-debt：把延后的 ponytail: 捷径汇总成账本，防止”以后再说”变”永远不做”
- /ponytail-gain：展示 benchmark 实测的收益记分牌
- /ponytail-help：命令速查
4. 懒而不怠（Lazy, not negligent）

信任边界校验、数据丢失处理、安全、可访问性，永远不在削减之列。这也是它和裸”写一行代码”提示最根本的区别——后者在基准测试里安全性从 100% 掉到了 95%。

5. 极致的可移植性

同一套规则用 20+ 平台的原生格式分发：Claude Code 插件、Codex 插件、Cursor rules、Windsurf rules、.clinerules、AGENTS.md、.kiro/steering、.qoder/rules、Gemini extension、OpenCode 插件、Hermes 插件、OpenClaw skills、Copilot instructions……你在不同工具间切换，规则无缝复用。

四、典型使用场景

场景 1：过度膨胀的日期选择器

你只想要个日期选择。普通 Agent 会装 flatpickr、写 wrapper 组件、加样式表、顺带开一场关于时区的讨论。Ponytail 下：
```

<input type="date">
```
实测：日期选择器从 404 行降到 23 行，颜色选择器 287 → 23——因为它伸手去够原生的 <input>，而不是搬一个组件库进来。

场景 2：真实仓库的 feature 开发

作者用无头 Claude Code 编辑真实 FastAPI + React 仓库（tiangolo 的全栈模板），跑 12 个真实工单，同一 Agent 开/关 Ponytail 各 n=4（Haiku 4.5）对比：

对比项代码量 Token 成本耗时安全

Ponytail -54% -22% -20% -27% 100%

裸”YAGNI+一行”提示 -33% -14% -21% -30% 95%

Ponytail 是唯一一个每项指标都下降、且全程 100% 安全的方案。省下的成本和延迟只是”顺手”的副作用。

场景 3：代码审查与技术债治理

提 PR 前跑 /ponytail-review，让它帮你揪出过度工程化的代码并给出删除清单；/ponytail-audit 做整仓体检；/ponytail-debt 防止”以后再说”变成”永远不做”。这比人工 code review 更狠，也更不近人情——但代码更健康。

五、推荐理由（个人心得）
- 哲学站得住脚：它从没把”最少 token”当目标，目标是”只写任务真正需要的”。代码小是因为必要，不是因为炫技压缩。这点戳中了我——太多”极简”提示是以砍掉边界校验为代价的。
- 数据诚实得罕见：作者主动承认早期单轮 benchmark 有基线水分，老老实实用 agentic 基线重测，给出均值 -54% 而不是挑最好看的数字。这种克制在开源圈不多见。
- 跨平台分发太香：我同时在 Claude Code 和 Cursor 之间横跳，同一套规则零摩擦复用，不用维护两份 prompt。
- 该狠的地方真狠：review / audit / debt 三个命令简直是”代码洁癖患者”的福音。
当然也有边界：对已经极简的代码它收益趋近于零；在会”深思熟虑每一步”的 terse 推理模型（如 GPT-5.5）上，反而可能因思考 token 增加而变慢——所以它最擅长的是那些”爱过度构建”的 Agent。一句话：把 Ponytail 交给爱加戏的 Agent，把自由留给真正需要创造力的你。

六、下载地址
- 🌐 官网：https://ponytail.dev
- 🐙 GitHub：github.com/DietrichGebert/ponytail
- 📦 npm：@dietrichgebert/ponytail
- 📊 基准与复现：仓库 benchmarks/ 目录
许可证：MIT ｜语言：JavaScript ｜当前 Star：85K+
2026年7月18日
Hermes Agent：会自己进化的 AI 智能体，越用越懂你（216K★ · Nous Research 开源）
Hermes Agent 是 Nous Research 开源的「自进化 AI 智能体」——它内置学习回路，能从经验中沉淀技能、在对话中持续自我改进，并跨会话建立对你的深度认知。它可以跑在 5 美元的 VPS、GPU 集群，或是近乎零成本的 Serverless 上，彻底不依赖你的笔记本电脑：你甚至能在手机 Telegram 上给它派活，它却在云端 VM 里默默干活。

📦 安装要求和过程

环境要求
- 支持 Linux / macOS / WSL2 / Termux / 原生 Windows（PowerShell）；
- 官方一键安装脚本会自动打包好运行所需环境：uv（Python 3.11）、Node.js、ripgrep、ffmpeg，以及隔离的 MinGit（Windows 原生无需管理员权限）；
- 至少准备一个 LLM Provider 的 API Key，或直接使用 Nous Portal 一站式订阅（300+ 模型 + 工具网关）。
快速安装

Linux / macOS / WSL2：
```
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
source ~/.bashrc      # 重载 shell
hermes               # 开始对话
```
Windows（原生 PowerShell）：
```
iex (irm https://hermes-agent.nousresearch.com/install.ps1)
```
装好后用向导一步到位：hermes setup 配置全部，hermes model 选模型，hermes gateway 启动消息网关（Telegram / Discord 等）。

✨ 核心功能

1. 闭环学习回路（Closed Learning Loop）
Agent 自主策展记忆并周期性自我提醒；完成复杂任务后自动创建技能，并在后续使用中不断自我改进。配合 FTS5 会话检索 + LLM 摘要实现跨会话回忆，兼容 agentskills.io 开放标准，并引入 Honcho 辩证式用户建模——它会越来越懂你。

2. 真实终端体验 & 随处可达
完整 TUI：多行编辑、斜杠命令自动补全、流式工具输出、可随时打断重定向。单个网关进程同时接入 Telegram / Discord / Slack / WhatsApp / Signal / 邮件，支持语音转写与跨平台对话连续。

3. 40+ 工具 & MCP & 子智能体并行
内置终端、文件、Web 搜索、图像生成等 40+ 工具，提供 6 种终端后端（local / Docker / SSH / Singularity / Modal / Daytona）；可派生隔离子智能体并行工作流，并通过 RPC 把多步流水线压成「零上下文成本」的回合。

4. 定时自动化 & 模型自由
内置 cron 调度器，用自然语言描述即可跑日报、夜备、周审并投递到任意平台；hermes model 一行切换 Nous Portal / OpenRouter / OpenAI / 自有端点等 300+ 模型，零锁定。

5. 安全 & 自托管
命令审批、DM 配对、容器隔离一应俱全；可部署在 5 美元 VPS 或 GPU 集群，Daytona / Modal 提供 Serverless 持久化——空闲时近乎零成本。

🎯 典型使用场景

场景一：个人随身助理
在手机 Telegram 给云端 VM 里的 Hermes 派活，它后台跑长任务，完工把日报推回 Telegram——你的笔记本全程不用开机。

场景二：研发自动化工作台
接入 MCP 服务器 + 派生子智能体并行做代码库理解、批量改文件、跑测试；用 cron 每晚自动备份、每周自动审计，全程无人值守。

场景三：研究 / 数据流水线
批量生成并压缩 trajectory 用于训练下一代 tool-calling 模型；跨会话记忆让科研助理越用越贴合你的研究偏好。

💡 推荐理由

我用过不少 AI Agent，Hermes 最打动我的是它真的「会成长」：多数 Agent 是一次性工具，而 Hermes 把经验固化成可复用技能，用得越久越顺手，这对长期个人助理场景价值巨大。其次是模型与平台都不锁定——想省事用 Nous Portal 一站式，想自由就自带 Key，迁移成本极低。最后是它真正「住在云端」的设计（Telegram 触达 + Serverless 休眠），特别适合不想一直开着电脑的人。

🔗 下载地址
- 官网 / 文档：hermes-agent.nousresearch.com ｜官方文档
- GitHub 仓库：github.com/NousResearch/hermes-agent（216K+ Stars · MIT）
- 社区：Nous Research Discord
2026年7月18日
Grok Build：xAI 开源的终端 AI 编码智能体（16.4K+ Stars）
项目简介

Grok Build 是 xAI（SpaceXAI）本周开源的一款终端型 AI 编码智能体（Coding Agent）。它以一个全屏 TUI 为载体，把代码库理解、文件编辑、Shell 执行、网络搜索、长任务管理整合在一个可扩展的 harness 里，并支持交互式、headless 脚本/CI 以及通过 ACP 嵌入编辑器三种运行模式。

安装要求和过程

环境要求
- 使用预编译二进制：macOS / Linux / Windows 均可一键安装。
- 从源码构建：需要 Rust 工具链（仓库中的 rust-toolchain.toml 会自动锁定版本）和 DotSlash（用于拉取 bin/protoc 等 hermetic 工具）。
快速安装（推荐）

macOS / Linux / Git Bash：
```
curl -fsSL https://x.ai/cli/install.sh | bash
grok --version
```
Windows PowerShell：
```
irm https://x.ai/cli/install.ps1 | iex
```
从源码构建
```
cargo install dotslash
cargo build -p xai-grok-pager-bin --release
```
构建产物为 target/release/xai-grok-pager，官方安装包会把它命名为 grok。首次启动会引导浏览器完成认证。

核心功能
- 全屏终端 TUI：类似编辑器体验的沉浸式界面，支持鼠标、快捷键、滚动历史与模态操作。
- 代码库感知：自动索引项目文件，支持跨文件编辑、执行 Shell 命令、网络搜索与上下文召回。
- 长任务管理：检查点、重试、会话保持，适合复杂重构、多步骤自动化与失败恢复。
- ACP 协议支持：通过 Agent Client Protocol 把 grok 嵌入 VS Code、Cursor 或其他编辑器，保留现有工作流。
- MCP 与 Skills：可接入 MCP 服务器、加载 Skills、插件与 hooks，扩展 Agent 的工具集。
- 三模运行：交互式 TUI、headless 脚本/CI、嵌入式编辑器，覆盖从日常开发到自动化的全场景。
典型使用场景

场景一：大型代码重构

在 TUI 中描述“把同步数据库调用改为异步”，Grok Build 会自动跨文件改代码、跑 cargo test、处理失败重试，并生成可审查的 diff；用户只需确认或拒绝，不会丢失当前会话。

场景二：CI 自动修复流水线

在 headless 模式下接入 GitHub Actions/GitLab CI，当测试失败时自动拉取日志、定位根因、提交补丁，让 Agent 在 CI 中承担“修复工程师”角色。

场景三：编辑器增强

通过 ACP 在 VS Code 或 Cursor 中直接调用 grok，既保留现有 IDE 的快捷键和文件树，又能随时让 Agent 接管复杂任务。

推荐理由
- xAI 官方出品：仓库与 SpaceXAI 内部 monorepo 周期性同步，代码质量和更新频率有保障。
- 终端原住民的体验：全屏 TUI 比聊天框更贴近开发者终端习惯，鼠标交互也降低了学习成本。
- 架构清晰、可扩展：Rust 实现，crate 拆分明确（TUI / shell / tools / workspace / MCP 等），便于二次开发。
- 热度极高：开源 4 天内斩获 16,428+ Stars、3,000+ Forks，是近期 GitHub Trending 上增长最快的 AI 编码项目之一。
下载地址
- GitHub 仓库：https://github.com/xai-org/grok-build
- 官网 / 下载：https://x.ai/cli
- 官方文档：https://docs.x.ai/build/overview
如果你已经习惯 Claude Code、Codex CLI 或 Cursor Agent，Grok Build 提供了一个更“终端原生”且可扩展的替代方案，值得一试。
2026年7月18日
OpenWiki：让 AI 智能体为你的代码库自动写「活文档」的 CLI 工具
项目简介

OpenWiki 是 LangChain 开源的命令行工具，专为 AI 智能体（Agent）设计，能自动为你的代码库或个人知识源生成并持续维护一份本地 Wiki（知识库）。它把分散在代码、邮件、笔记、社交动态里的信息，用 LLM 合成结构化、可检索、可被编码助手直接引用的文档。

安装要求和过程

环境要求
- Node.js 运行环境（推荐用 npm 或 pnpm 安装）。Windows 上建议避开 bun——它安装时需要本地编译 better-sqlite3 原生依赖，需先装 Visual Studio Build Tools（桌面开发 with C++ 工作负载）。
- 至少一个 LLM 提供商的 API Key：开箱支持 OpenAI / Anthropic / Gemini / Vertex AI / AWS Bedrock / OpenRouter / Fireworks / NVIDIA NIM 等，默认模型 gpt-5.6-terra。
快速安装
```
# 全局安装
npm install -g openwiki
# 或
pnpm add -g openwiki
```
快速开始
```
# 代码模式：初始化并配置模型/Key，自动为当前仓库生成文档
openwiki --init

# 进入交互式 CLI，开始生成仓库 Wiki
openwiki

# 带初始指令一次性运行
openwiki "Please generate documentation for this repository"

# 更新文档（可放进 CI 定时跑）
openwiki --update

# 个人大脑模式：从 Gmail/Notion/X 等构建本地知识库
openwiki personal --init
```
OpenWiki 提供 两种模式：Code 模式为当前代码库在 openwiki/ 生成仓库文档；Personal 模式从配置的本地仓库、Gmail、Notion、Web Search、Hacker News、X/Twitter 在 ~/.openwiki/wiki 构建”个人大脑”。配置与密钥保存在本地 ~/.openwiki/.env。

核心功能

1. 双模式 Wiki：代码库 & 个人大脑

代码模式下，OpenWiki 不仅生成 openwiki/ 目录的仓库文档，还会在仓库根目录维护 AGENTS.md 与 CLAUDE.md；个人模式则把 Git / Notion / Gmail / X / Hacker News / Web 统一 ingested 成一份本地可问答的知识库。

2. 为 Agent 而生：把 Wiki 焊进编码助手

OpenWiki 用 … 注释块向 AGENTS.md / CLAUDE.md 注入指引，且只改写自己的区块、不动你写的内容。结果是 Claude Code、Codex、Cursor 等编码智能体在检索上下文时会直接引用这份 Wiki，而不用把整页代码塞进上下文窗口，显著节省 token。

3. 多连接器 Ingestion

内置 git-repo / gmail / notion / x(Twitter) / web-search(Tavily) / hackernews 连接器，同一连接器可配置多个实例（如 web-search-1、web-search-2），用 openwiki auth <provider> 完成 OAuth 登录。

4. 全模型供应商兼容

开箱支持 OpenAI（含 ChatGPT 订阅登录，免 API 计费）、Anthropic、Gemini（AI Studio）、Gemini Enterprise（Vertex AI）、AWS Bedrock（IAM 凭证）、OpenRouter、Fireworks、Baseten、NVIDIA NIM、以及任意 OpenAI 兼容端点；甚至支持自托管/代理网关的 ANTHROPIC_BASE_URL 与 OPENAI_COMPATIBLE_BASE_URL。

5. CI 自动化 + 隐私友好

提供 GitHub Actions / GitLab CI / Bitbucket 流水线模板，定时自动开 PR 更新文档；数据全部存于本地（本地优先），匿名遥测可一键关闭（OPENWIKI_TELEMETRY_DISABLED=1 或 DO_NOT_TRACK=1）。

典型使用场景

场景一：团队代码库”活文档”

把 openwiki-update.yml 放进 GitHub Actions，每次定时运行自动生成/更新仓库 Wiki 并开 PR。新成员和 AI 编码助手都能秒懂项目结构、模块职责与历史决策，告别”文档写完就过期”。

场景二：个人知识大脑

连接 Gmail、Notion、X、Hacker News 与本地 Git 仓库，OpenWiki 把它们合成一份可问答的本地 Wiki。想回顾某段技术讨论或某封邮件结论时，直接对话即可，知识不再散落各处。

场景三：给编码 Agent 减负

OpenWiki 把 Wiki 注入 AGENTS.md / CLAUDE.md 后，Claude Code 等智能体在动手改代码前会先读 Wiki，避免重复探索、显著降低上下文 token 消耗——这正是”代码库语义化”落地的关键一环。

推荐理由（个人使用心得）

“代码库语义化”是 2026 年 Agent 基础设施里最实在的刚需之一。OpenWiki 的巧思在于：它不只是一个文档生成器，而是把生成的 Wiki 直接焊进 AGENTS.md / CLAUDE.md——这是 Claude Code、Codex、Cursor 都会主动读取的文件。换句话说，它让 AI 编码助手在每次开工前自动带上项目上下文，而不是靠把整页源码塞进上下文窗口。

TypeScript 写的单 CLI、MIT 协议、本地优先、数据不出机器，对个人开发者和注重隐私的团队都很友好；LangChain 出品也意味着模型兼容性与工程质量有保障。唯一的小门槛是需要自备 LLM Key，以及 Windows 上用 bun 装要额外编译原生依赖——用 npm/pnpm 则毫无障碍。如果你已经被”AI 改代码却不懂项目全貌”折磨过，值得一试。

下载地址
- GitHub：github.com/langchain-ai/openwiki
- npm 安装：npm install -g openwiki
- Trendshift：trendshift.io/repositories/70339
- 开源协议：MIT
- 当前数据：12.1K Stars · 831 Forks · 语言 TypeScript（数据来自 GitHub API，统计于 2026-07-18）
2026年7月18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
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

对比项	代码量	Token	成本	耗时	安全
Ponytail	-54%	-22%	-20%	-27%	100%
裸”YAGNI+一行”提示	-33%	-14%	-21%	-30%	95%

⭐ 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： LLM

一、项目简介

二、安装要求和过程

环境要求

快速开始（跑一个 Agent，约 30 秒）

或者，给编码助手装一个 Skill（约 10 秒）

三、核心功能

四、典型使用场景

五、推荐理由

六、下载地址

一、安装要求和过程

二、核心功能

三、典型使用场景

四、推荐理由

五、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

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

环境要求

快速安装（以 Claude Code 为例）

三、核心功能

1. 七阶”懒惰阶梯”（Ladder of Laziness）

2. 四档强度 + 子代理注入

3. 六个专门命令（Skills）

4. 懒而不怠（Lazy, not negligent）

5. 极致的可移植性

四、典型使用场景

场景 1：过度膨胀的日期选择器

场景 2：真实仓库的 feature 开发

场景 3：代码审查与技术债治理

五、推荐理由（个人心得）

六、下载地址

📦 安装要求和过程

✨ 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（推荐）

从源码构建

核心功能

典型使用场景

场景一：大型代码重构

场景二：CI 自动修复流水线

场景三：编辑器增强

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

快速开始

核心功能

1. 双模式 Wiki：代码库 & 个人大脑

2. 为 Agent 而生：把 Wiki 焊进编码助手

3. 多连接器 Ingestion

4. 全模型供应商兼容

5. CI 自动化 + 隐私友好

典型使用场景

场景一：团队代码库”活文档”

场景二：个人知识大脑

场景三：给编码 Agent 减负

推荐理由（个人使用心得）

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