标签： LLM

video-use：用 Claude Code 一句话剪辑视频，browser-use 团队出品，15.9K Stars 让 AI 成为你的剪辑师
把原始素材丢进文件夹，跟 Claude Code 聊两句，拿回成片 final.mp4 —— 这就是 video-use（15.9K+ Stars，MIT 许可，100% 开源）。它由爆火的 browser-use 团队打造，把”对话式 AI 编程”的思路搬进了视频剪辑：不再和轨道、关键帧死磕，而是用自然语言描述你要的成片。

🚀 项目简介

video-use 是一个对话式视频编辑「技能（skill）」，让 LLM 通过阅读而非观看视频来完成剪辑。它把任意原始素材（口播、混剪、教程、旅行、采访）交给 Claude Code / Codex / Hermes 等任意带 shell 的 AI 编程智能体，自动产出可直接发布的成片，全程无需预设模板或复杂菜单。核心思想和 browser-use 一脉相承：给 LLM 一份结构化的「视频说明书」，而不是一堆看不懂的逐帧截图。

⚙️ 安装要求和过程
环境要求
- Python 3.12+（依赖 requests / librosa / matplotlib / pillow / numpy）
- uv（推荐）或 pip 管理依赖
- ffmpeg（必需，渲染引擎）
- yt-dlp（可选，用于下载在线素材）
- ElevenLabs API Key（用于 Scribe 转写，按量计费）
方式一：对话式安装（推荐）

把官方 setup prompt 粘贴给 Claude Code / Codex / Hermes 等任意智能体，它会自动完成 clone、依赖安装、skill 注册，并在需要时提示你粘贴 ElevenLabs Key——你只需说”准备好了”等它通知。

方式二：手动安装
```
git clone https://github.com/browser-use/video-use ~/Developer/video-use
ln -sfn ~/Developer/video-use ~/.claude/skills/video-use   # Claude Code
# ln -sfn ~/Developer/video-use ~/.codex/skills/video-use  # Codex

cd ~/Developer/video-use
uv sync                       # 或 pip install -e .
brew install ffmpeg           # 必需
brew install yt-dlp           # 可选

cp .env.example .env          # 填入 ELEVENLABS_API_KEY=...
```
安装完成后，进入任意素材文件夹运行智能体，说一句”edit these into a launch video”，它就会盘点素材、给出剪辑策略、等你确认，再把 edit/final.mp4 生成在素材目录旁。
💡 核心功能
- 🧹 剔除填充词与死寂：自动删掉 umm / uh、假开场和片段间的空白，节奏立刻紧凑。
- 🎨 自动调色：每段独立调色——暖色电影感 / 中性 punch / 任意自定义 ffmpeg 链，风格统一可控。
- 🔇 无爆音剪辑：每个切点做 30ms 音频淡入淡出，彻底告别”咔哒”爆音。
- 📝 烧录字幕：默认 2 词大写块样式，颜色、字体、排版完全可定制。
- ✨ 动画叠层：通过 HyperFrames / Remotion / Manim / PIL 生成动画，每个动画派发并行子代理，互不阻塞。
- 📖 「阅读」而非「观看」：LLM 只读转写文本 + 按需时间轴视图（约 12KB 文本 + 少量 PNG），而非逐帧分析 4500 万 token 噪声——这正是它又快又准的关键。
- 🔁 自评估闭环：渲染后在每个切点自检画面跳变 / 音频爆音 / 字幕遮挡，最多自动重渲染 3 次，全部通过后你才看到预览。
📦 典型使用场景

🎤 场景一：口播 / 教程视频快速成片

录完一镜到底的口播，丢给 video-use：它会自动剔除 umm、加好字幕、统一调色、消除爆音，几分钟产出可直接上传的成片，省掉 PR 里最枯燥的”听音修剪”。

🎬 场景二：旅行 / 采访混剪

多段原始素材自动编排成叙事线，配合 Remotion / Manim 生成的动画叠层，做出有质感的混剪，适合 Vlog、产品发布片、活动回顾。

🤖 场景三：常驻远程剪辑

通过 Browser Use Box 跑在自有 VPS 或 Telegram 上，随时丢素材、随时收成片，把剪辑变成一条常驻的消息流水线。

⭐ 推荐理由

我特别欣赏它”给 LLM 一份视频说明书”的设计哲学——和 browser-use 把网页 DOM 喂给模型如出一辙，但对象换成了视频。传统”AI 剪辑”要么逐帧灌噪声、要么套预设模板；video-use 选择让模型读转写、按需看图，既省 token 又保精度，自评估闭环还兜住了质量下限。

100% 开源、MIT 许可，能挂在任何 AI 编程智能体上，本地文件零上传（只有转写调用 ElevenLabs）。如果你已经用 Claude Code 写代码，顺手把它变成分身剪辑师，几乎零学习成本。唯一门槛是 ElevenLabs 转写按量计费，但换来的是真正”对话即剪辑”的体验。

📧 下载地址
- 🏠 GitHub：github.com/browser-use/video-use
- 🌐 Browser Use Cloud（在线体验）：cloud.browser-use.com
- 🤖 Browser Use Box（常驻剪辑）：browser-use.com/bux
2026年7月8日
Zed：用 Rust 重写的高性能 AI 代码编辑器，86.6K Stars 让 VS Code 也坐不住了
项目简介：Zed 是由 Atom 与 Tree-sitter 创始人 Nathan Sobo 团队打造的高性能、多人协作代码编辑器，用 Rust + GPU 加速实现极致流畅的编码体验，并原生集成了 AI 助手与智能体能力。

📦 安装要求与过程

环境要求
- 操作系统：macOS 10.15+ / Linux（glibc 2.28+）/ Windows 10+
- 架构：x86_64 与 arm64 均支持
- 零额外依赖：自带 GPUI 渲染引擎，无需预装 Node 或 Electron
快速安装
- macOS：brew install --cask zed
- Windows：Microsoft Store 或 winget install Zed.Zed
- Linux：官网提供 .deb / .rpm / AppImage，或参考 Linux 安装文档
- 通用：访问 zed.dev/download 直接下载安装包
如需从源码构建，克隆仓库后执行 cargo run 即可（需 Rust 工具链）。详见各平台开发文档。

⚡ 核心功能
1. 极速编辑体验：Rust 编写 + GPU 渲染，多光标编辑、百万行大文件秒开，输入延迟低至亚毫秒级，彻底告别卡顿。
2. 原生多人协作：实时共同编辑、跟随模式（follow）、内置语音频道，无需安装插件即可远程结对编程。
3. AI 深度集成：内置 Agent 面板、内联补全（Inline Assistant）与命令面板 AI，支持 OpenAI / Anthropic / Ollama 等自定义模型。
4. Agent Panel 智能体：让 AI 在编辑器内直接读写文件、运行命令、多步迭代修改代码，把编码助理变成真正的协作者。
5. 基于 GPUI 框架：自研 UI 框架，扩展能力强；配合 Tree-sitter 实现精准的语法高亮与增量解析。
🎯 典型使用场景
- 团队结对编程：多人实时共编 + 内置语音，分布在不同城市的同事协作如坐同一间办公室。
- AI 辅助开发：用 Agent Panel 让 AI 完成函数重构、生成单元测试、解释复杂模块，效率翻倍。
- 大型项目快速导航：在海量代码库中秒级全局搜索与跳转，老旧大型工程也能流畅编辑。
💡 推荐理由

我实际体验过 Zed，最深的感受就是两个字——「丝滑」。打开几十 MB 的日志文件、全局搜索几乎零等待；它的 AI 能力不是外挂插件，而是编辑器原生的一部分，Agent Panel 真能在编辑器里完成多步任务、自己改文件跑命令。对于受够编辑器卡顿、又想要「AI 就在手边」的开发者，Zed 非常值得一试。2026 年 4 月它已发布 1.0 正式版，稳定性和生态都在快速成熟。

🔗 下载地址
- 🌐 官方网站：https://zed.dev
- 🐙 GitHub 仓库：https://github.com/zed-industries/zed（⭐ 86.6K+）
- 📥 下载安装：https://zed.dev/download
本文由自动化工作流整理发布 · 许可证：GPL-3.0-or-later（含 Apache-2.0 组件）
2026年7月7日
llama.cpp：119.5K Stars！纯 C/C++ 打造的大模型本地推理引擎
llama.cpp：119.5K Stars！纯 C/C++ 打造的大模型本地推理引擎

📝 项目简介

llama.cpp 是一个用纯 C/C++ 实现、零外部依赖的大语言模型（LLM）推理引擎。它让你无需 Python 环境、无需昂贵显卡，就能在笔记本、树莓派甚至手机上高性能地运行 LLaMA、Qwen、Gemma、Mistral 等主流开源模型——可以说，它是当下几乎所有「本地跑大模型」工具的底层基石。

🌐 官网：https://llama.app

📦 GitHub：https://github.com/ggml-org/llama.cpp

⭐ Stars：119.5K+

📄 开源协议：MIT License

💻 主要语言：C / C++

💻 安装要求和过程

环境要求
- C/C++ 编译器：GCC / Clang / MSVC，支持 C++11 及以上
- CMake 3.8+：从源码构建时需要
- 可选 GPU 后端：CUDA（NVIDIA）、ROCm（AMD）、Metal（Apple Silicon）、Vulkan、SYCL 等，用于硬件加速
- 可选 Python 3：仅用于模型格式转换脚本 convert_*.py
- 支持平台：macOS / Linux / Windows，以及 iOS、Android、浏览器（WASM）等
快速安装步骤

方式一：包管理器一键安装（推荐新手）
```
# macOS
brew install llama.cpp

# Windows
winget install llama.cpp

# Conda
conda install -c conda-forge llama-cpp
```
方式二：Docker 运行（自带 API 服务）
```
docker run -p 8080:8080 -v ./models:/models \
  ghcr.io/ggml-org/llama.cpp:server -m /models/your_model.gguf
```
方式三：从源码构建
```
git clone https://github.com/ggml-org/llama.cpp
cd llama.cpp
cmake -B build
cmake --build build --config Release
```
快速开始：下载并运行一个模型
```
# 命令行对话（自动从 Hugging Face 拉取 GGUF 模型）
llama-cli -hf ggml-org/gemma-3-1b-it-GGUF

# 启动 OpenAI 兼容的 API 服务（含简易 WebUI）
llama-server -hf ggml-org/gemma-3-1b-it-GGUF --port 8080
```
✨ 核心功能

1. 🪶 纯 C/C++ 零依赖，极致轻量

不依赖 PyTorch、不依赖 Python 运行时，编译出一个二进制文件即可运行。极小的体积和无依赖特性，让它可以被移植到几乎所有计算设备——这正是它能跑在树莓派和手机上的根本原因。

2. ⚡ 全平台硬件加速与混合推理

针对 Apple Silicon（Metal / ARM NEON）、x86（AVX2 / AVX-512 / AMX）、RISC-V 等架构做了深度优化；支持 NVIDIA（CUDA）、AMD（ROCm）、摩尔线程（MUSA）、Vulkan、SYCL、OpenCL 等多种后端。CPU+GPU 混合推理甚至能运行超过显存容量的超大模型。

3. 🗜️ GGUF 格式与 1.5~8 bit 量化

模型统一封装为 GGUF 格式，并支持从 1.5-bit 到 8-bit 的整数量化。量化后显存与内存占用大幅下降，让消费级显卡甚至纯 CPU 也能流畅运行 70B 级别的大模型。

4. 🔌 OpenAI 兼容 API 服务

llama-server 提供与 OpenAI 完全兼容的 /v1 接口，并自带简易 WebUI。你现有的基于 OpenAI SDK 的应用几乎零改动就能切换到本地模型，彻底摆脱对云服务的依赖。

5. 🧰 丰富的推理工具链

内置 llama-bench（性能基准测试）、llama-perplexity（困惑度评估）、llama-quantize（模型量化）以及基于 GBNF 语法的约束解码（强制输出 JSON / 特定格式），覆盖从评测到生产的完整链路。

🎯 典型使用场景

场景一：在笔记本 / 手机上本地聊天，隐私数据不出端

下载一个量化后的 Qwen 或 Gemma 模型，用 llama-cli 即可在断网环境下与 AI 对话。所有数据都在本地处理，特别适合处理合同、代码、笔记等敏感内容。

场景二：自建私有 OpenAI 兼容推理服务

在内网或离线环境中启动 llama-server，把本地模型包装成标准 API。前端应用、RAG 系统、Agent 框架（如 LangChain、Dify）都能直接对接，既保证数据合规，又省下云推理费用。
```
llama-server -m models/qwen2.5-7b-instruct-q4_k_m.gguf --port 8080
```
场景三：边缘设备与嵌入式部署

在树莓派、工控机、车载设备上编译运行 llama.cpp，为 IoT 场景提供离线语音助手、本地知识问答等能力。配合量化技术，几百 MB 内存即可驱动一个可用的小模型。

💡 推荐理由

作为一名经常折腾本地大模型的开发者，我对 llama.cpp 的感情可以用「基石」二字形容。在它出现之前，想本地跑一个开源模型意味着安装几十 GB 的 PyTorch 环境，且基本只能在高端显卡上跑；llama.cpp 用纯 C/C++ 把这件事拉到了「人人可玩」的门槛。

我的几点使用心得：
- 它是整个生态的地基：Ollama、LM Studio、Jan、Open WebUI 乃至无数上层应用，底层推理几乎都调用了 llama.cpp。理解它，就理解了「本地 AI」的半壁江山。
- 量化是性价比之王：7B 模型用 Q4_K_M 量化后体积不到 5GB，在普通笔记本上就能达到可用速度，是入门本地模型的最佳起点。
- OpenAI 兼容接口太省心：一条 llama-server 命令就把本地模型变成标准 API，让我能把线上项目无痛切换到离线环境做.demo或内网部署。
- 更新极快、社区极活跃：几乎每周都有新后端、新量化方法的合并，119K+ 的 Stars 背后是庞大而健康的贡献者群体。
如果你想真正搞懂「大模型是怎么在本地跑起来的」，llama.cpp 是 2026 年依旧最值得 clone 一份源码、逐行读一读的开源项目。

📥 下载地址

🌐 官方网站：https://llama.app

📦 GitHub 仓库：https://github.com/ggml-org/llama.cpp

📚 官方文档：github.com/ggml-org/llama.cpp/docs

🤗 GGUF 模型库：huggingface.co/ggml-org

🐳 Docker 镜像：ghcr.io/ggml-org/llama.cpp

📌 本文是《GitHub 热门 AI 开源项目》系列的第 95 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7月7日
腾讯混元3正式版来了：姚顺雨操刀，把“幻觉”砍掉一大半

混元3正式版发布，腾讯AI全家桶迎来核心引擎

千呼万唤，腾讯混元3（Hy3）正式版终于在7月6日公布了。这个模型背后站着一个人——姚顺雨，清华姚班出身，去年底被请来当腾讯首席AI科学家。为了这款产品，腾讯前后准备了大半年，光是研发架构就动了一次大手术。

2025年12月，腾讯把企业内部的AI研发体系重新切分，新设了AI Infra部、AI Data部和数据计算平台部，姚顺雨双线向刘炽平和卢山汇报。他到任后的第一件事很硬核：推翻原来的训练框架，一个月内把整套预训练和强化学习的基础设施重搭了一遍，还定下三条规矩——不偏科、不刷榜、不烧钱。

重建后的第一个产物是4月23日上线的Hy3 preview，从启动训练到发布只用了三个月。但预览版毕竟只是预览，能力只能说“尚可”。正式版这次，是真的支棱起来了。

架构没大改，改的是“喂什么”

混元3正式版沿用了preview的底层架构：总参数量295B，每次推理只激活21B，另外还有3.8B参数用在MTP层。模型一共80层，GQA分组注意力，192个专家每次激活top-8，上下文窗口拉到256K。换句话说，有效参数量大约是GLM 5.2的一半。

架构在preview阶段就定型了，正式版没动结构。那它到底改了什么？官方说法是“提升了后训练数据的质量和多样性，扩大了RL算力规模”。说白了，模型骨架没换，但喂给它的数据更好、更多样了，强化学习也给到了更多算力。

搜索能力追平GPT-5.5

从官方放出的基准成绩看，混元3在搜索智能体方向表现最强：BrowseComp拿到84.2分，在所有对比模型里排第一，直接追平了GPT-5.5。代码方向，SWE-Bench Verified是78.0分，和开源模型不相上下，但跟顶级闭源（GPT-5.5的84.4）还有点距离。

评分终归是评分，腾讯自己也承认，公开榜单并不能完全反映模型的“真实战斗力”。

更值得说的是幻觉率。相比preview版本，正式版的幻觉率从12.5%降到了5.4%，降幅超过一半；常识错误率从25.4%降到12.7%；多轮对话问题率从17.4%降到7.9%；长对话理解基准MRCR从42.9%升到75.1%。腾讯还搞了个“土办法”验证：拉来270位不同学科的专家，用真实工作场景做盲测，收集了312份对比，Hy3均分2.67/4，在前端开发、数据/存储、CI/CD这些类别上优势明显。

便宜，而且开源

价格延续了preview的性价比路线：API输入1元/百万tokens，输出4元/百万tokens，命中缓存只要0.25元。模型权重以Apache 2.0协议在GitHub、HuggingFace、ModelScope等平台开源，全球开发者能免费商用。

市场反应挺实在。preview上线两周，token调用量就达到上一代Hy2的十倍，在OpenRouter上周调用3.66万亿token，拿了总榜和市占率“双第一”。到正式版发布时，日均token消耗又涨了20倍，其中代码和Agent类场景增长最猛。

已经渗进腾讯全家桶

模型跑分再高，最终要落在产品里。Hy3正式版已经接进了WorkBuddy/CodeBuddy、元宝、ima、QQ浏览器、腾讯新闻、微信读书、腾讯文档等核心业务。以WorkBuddy为例，任务解决率从preview的72%跳到90%，平均耗时缩短34%，文档处理token消耗比GLM5.2省了47%以上。

有意思的是微信小程序开发。Hy3 preview时就演示过用自然语言生成完整小程序，正式版更进一步——你让它做个快递小程序，它能连前端带后端、外加API、数据结构和项目方案一起吐出来。而微信自己的原生AI助手“小微”用的是WeLM加DeepSeek，普通用户和开发者各取所需，这大概就是腾讯想要的分工。

📎 原文来源：混元3正式版拿了高分，腾讯全家桶可以放心用了 | 36氪

2026年7月7日
ai-website-cloner-template：AI 一键克隆任意网站，26K+ Stars 让网站逆向工程变得全自动
ai-website-cloner-template：用 AI 编程助手一键克隆任意网站

📌 项目简介

ai-website-cloner-template 是一个可复用的开源模板，让你用一条命令、借助任意 AI 编程助手，将任何网站逆向工程为干净、现代的 Next.js 代码库——相当于给 AI 下了个「克隆这个网站」的指令，它就能把设计令牌、组件结构、交互逻辑全部还原出来。

⭐ GitHub Stars：26,229+
🏷️ 开源许可：MIT（免费商用）
💻 主要语言：TypeScript（Next.js 16 + React 19）
🤖 支持 AI 助手：13 款（Claude Code / Codex / Cursor / Windsurf 等）

⚙️ 安装要求和过程

环境要求
- Node.js 24+（必需，项目使用 Next.js 16 App Router）
- 一个 AI 编程助手（推荐 Claude Code，也支持 Codex CLI / Cursor / Windsurf 等 13 款）
- Git（用于多 worktree 并行开发）
快速安装步骤
1. 从模板创建自己的仓库
  在 GitHub 页面点击 Use this template → Create a new repository
2. 克隆到本地
  git clone https://github.com/YOUR-USERNAME/YOUR-NEW-REPOSITORY.git cd YOUR-NEW-REPOSITORY
3. 安装依赖
  npm install
4. 启动 AI 助手（推荐 Claude Code）
  claude --chrome
5. 开始克隆网站！
  /clone-website https://example.com
Docker 方式（可选）：
```
docker compose up app --build   # 构建并运行应用
docker compose up dev --build    # 开发模式，端口 3001
```
🌟 核心功能

① 13 款 AI 编程助手全覆盖

无论你用的是哪款 AI 编程工具，都能直接上手。支持 Claude Code、Codex CLI、OpenCode、GitHub Copilot、Cursor、Windsurf、Gemini CLI、Cline、Roo Code、Continue、Amazon Q、Augment Code、Aider 共 13 款，真正做到了「一次配置，到处运行」。

② 五阶段智能流水线

克隆过程被精心设计为五个阶段，模拟专业前端工程师的工作流：
- 侦察阶段：自动截图、提取设计令牌（颜色/字体/间距）、扫描交互行为（滚动/点击/悬停/响应式）
- 基础构建：更新字体、颜色、全局样式，下载所有静态资源
- 组件规格：为每个组件编写详细规格文件（含精确 CSS 计算值、状态、行为、内容）
- 并行构建：在独立 git worktree 中分派多个构建代理，每个代理负责一个 section/component，极大加速生成
- 组装与 QA：合并 worktree，连接页面，与原始网站进行视觉差异对比
③ 多 URL 并行处理

传入多个 URL，系统自动并行处理，每个站点输出隔离，互不干扰。非常适合克隆拥有多个子页面的完整网站。
```
/clone-website https://example.com https://example.com/about https://example.com/pricing
```
④ 单一真相来源架构

采用 AGENTS.md 和 .claude/skills/clone-website/SKILL.md 作为源文件，通过同步脚本自动生成各平台（Claude Code / Cursor / Windsurf 等）的配置文件，避免多平台维护的噩梦。
```
bash scripts/sync-agent-rules.sh   # 重新生成代理指令文件
node scripts/sync-skills.mjs       # 重新生成所有平台的 /clone-website 技能
```
⑤ 生产级技术栈

生成的代码库本身就是高质量成品：
- Next.js 16（App Router）+ React 19 + TypeScript strict
- shadcn/ui（Radix primitives）+ Tailwind CSS v4
- Lucide React 图标（克隆时自动替换为提取的 SVG）
- 内置 npm run check（lint + typecheck + build）完整质量检查链
🚀 典型使用场景

场景一：平台迁移

你的网站跑在 WordPress / Webflow / Squarespace 上，想迁移到现代化的 Next.js 技术栈，但舍不得原有的设计和交互细节。ai-website-cloner-template 可以完整克隆原站的外观和交互，生成一个干净的 Next.js 项目，你可以在此基础上继续开发，告别笨重的旧平台。

场景二：丢失源码的网站恢复

网站还在运行，但代码库早已丢失（或者前开发者跑路了）。只要网站还能访问，就能用它逆向生成完整的 Next.js 源码。虽然不能保证 100% 还原（特别是复杂的后端交互），但前端部分可以还原到惊人的精度。

场景三：学习生产级前端实现

看到一个网站的布局、动画或响应式实现特别惊艳，想研究它是怎么做的？与其对着 DevTools 一行行扒代码，不如直接让 AI 克隆一份，然后在生成的代码库里慢慢研究。相当于有了一个「可运行的解构说明书」。

💡 推荐理由

作为前端开发者，我曾经多次遇到「这个网站的某个交互效果真好，我想知道它是怎么实现的」的情况。传统做法是在浏览器 DevTools 里对着压缩过的 CSS 和 JS 猜谜，效率低得令人发指。

ai-website-cloner-template 最让我惊艳的地方在于它把「克隆网站」这个复杂任务分解成了 AI 助手真正擅长的子任务：侦察、提取设计令牌、编写组件规格、并行构建。整个流程设计得非常专业，不是简单的「让 AI 写代码」，而是模拟了一个资深前端工程师的工作流程。

特别值得一提的是 并行构建 阶段——它利用 git worktree 让多个 AI 代理同时工作，每个代理负责不同的组件，最后再合并。这个设计既聪明又实用，大大缩短了等待时间。

当然，这个项目也有局限性：它主要处理前端部分，动态后端逻辑无法完整还原；对于高度依赖状态的复杂 SPA，还原精度会有所下降。但作为「前端快速原型 + 设计逆向学习」工具，它已经远超我的预期。

如果你正在考虑从旧平台迁移、需要快速做网站原型、或者单纯想学习优秀网站的前端实现，这个项目绝对值得一试。

⚠️ 使用提醒：请遵守法律法规和网站服务条款。不要将克隆的网站用于钓鱼、冒充或侵犯他人知识产权。项目作者也明确列出了不允许的用途。

📥 下载地址
- 🌐 在线体验：https://ai-website-cloner-template.vercel.app/
- 🐙 GitHub 仓库：https://github.com/JCodesMore/ai-website-cloner-template（26,229+ ⭐）
- 📖 使用文档：仓库 README 包含完整的使用说明和技巧
- 💬 社区支持：GitHub Issues / Discussions
本文由 AI 自动生成 · 数据来源 GitHub Trending · 如有错误或遗漏欢迎指正
2026年7月7日

Hermes Agent：会自我进化的开源 AI 智能体，Nous Research 出品，60000+ Stars 让 AI 真正成为你的数字分身

Hermes Agent —— 会自我进化的开源 AI 智能体

项目简介

Hermes Agent 是由 Nous Research 开发的开源自主 AI 智能体框架，采用 MIT 协议完全免费。它的核心定位是：一个部署在你自己服务器上、能随你一起成长的持久化个人 AI 智能体。

与传统 AI 聊天机器人不同，Hermes Agent 是一个独立运行的后台守护进程，具备三大核心特性：自托管（数据完全本地化）、持久化（跨会话记忆）、自我进化（从经验中自动创建和改进技能）。

GitHub：NousResearch/hermes-agent
官网：hermes-agent.nousresearch.com
License：MIT（可商用）
Stars：60,000+（截至 2026 年 4 月，增速最快的 AI Agent 项目之一）

安装要求和过程

环境要求

依赖	说明
Python 3.11+	主运行环境（安装器自动处理）
Node.js	部分功能依赖（安装器自动处理）
ripgrep	代码搜索（安装器自动处理）
ffmpeg	语音备忘录转录（安装器自动处理）
Git Bash	Windows 上安装器会捆绑便携版 MinGit（约 45MB）

支持平台：Linux ✅ / macOS ✅ / WSL2 ✅ / Windows (PowerShell) ✅ / Termux (Android) ✅

一键安装

Linux / macOS / WSL2：

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

source ~/.bashrc

hermes

Windows（PowerShell）：

iex (irm https://hermes-agent.nousresearch.com/install.ps1)

hermes

安装后配置

hermes setup          # 运行完整配置向导

hermes model          # 选择 LLM 提供商和模型

hermes tools          # 配置启用的工具

hermes gateway        # 启动消息网关

核心功能

1. 真正的终端 TUI 界面

Hermes Agent 提供完整的终端 UI（TUI），支持多行编辑、斜杠命令自动补全、对话历史浏览、中断重定向、流式工具输出。不是简单的命令行包装，而是专为 AI 交互设计的终端体验。

2. 多平台消息集成

通过一个网关进程统一管理，支持 14+ 消息平台：Telegram、Discord、Slack、WhatsApp、Signal、CLI 等。支持语音备忘录转录、跨平台对话连续性——你在 Telegram 上的对话，可以在 Discord 上继续。

3. 闭环学习系统（核心竞争力）

这是 Hermes Agent 最独特的功能：

自主技能创建：完成复杂任务（通常涉及 5 次以上工具调用）后，自动将成功的工作流程提炼为可复用的”技能”（Skill）
技能自我改进：技能在使用过程中会自动优化
FTS5 会话搜索 + LLM 摘要：实现跨会话回忆
Honcho 辩证用户建模：持续构建对用户的深度理解模型
兼容 agentskills.io 开放标准

4. 定时自动化

内建 cron 调度器，可向任意平台投递消息。用自然语言配置每日报告、夜间备份、每周审计等定时任务，无需编写代码。

5. 多环境运行 + 子代理并行化

支持六种终端后端：local、Docker、SSH、Singularity、Modal、Daytona。Daytona/Modal 提供无服务器持久化，空闲时休眠几乎零成本。

可生成隔离子代理处理并行工作流；编写 Python 脚本通过 RPC 调用工具，将多步流水线压缩为零上下文成本轮次。

典型使用场景

场景一：个人 AI 助手（消息平台接入）

通过 Telegram/Discord/Slack 等平台，随时随地与你的 AI 智能体对话。它记住你上周告诉它的项目偏好，能回忆起你三个月前让它执行的任务细节。用得越久，它就越了解你。

场景二：开发辅助 + 定时自动化

在终端中使用 TUI 进行交互式编程辅助，运行 shell 命令、管理项目。同时配置定时任务：每日自动生成工作日报、夜间备份代码仓库、每周审计服务器安全状态——全部无人值守自动执行。

场景三：从 OpenClaw 迁移

Hermes Agent 自动导入设置、记忆、技能和 API 密钥，迁移成本极低。相比 OpenClaw，Hermes Agent 的自我进化能力和技能系统是核心差异化优势。

下载地址

来源	链接
GitHub 仓库	github.com/NousResearch/hermes-agent
官方网站	hermes-agent.nousresearch.com
Nous Research	nousresearch.com
agentskills.io	agentskills.io

最低运行配置：2 核 CPU + 4GB RAM（推荐 4GB+ 以流畅运行 LLM）

本文为 GitHub 热门 AI 开源项目系列第 93 篇。系列文章持续介绍最值得关注的开源 AI 项目，欢迎关注。

2026年7月7日

全球首例AI Agent自主勒索攻击：JADEPUFFER来了，人类不再需要动手

勒索软件攻击这件事，人类黑客忙活了这么多年，现在AI Agent说：你让开，我来。

安全厂商Sysdig的研究人员最近记录到了一例完全由AI Agent自主完成整个攻击流程的勒索软件攻击，攻击者被命名为JADEPUFFER。这不是AI辅助人类黑客，而是AI Agent从头到尾——从利用漏洞、侦察、窃取凭证、横向移动到最终加密数据库——全是自己干的。

全球首例完全由AI Agent自主执行的勒索软件攻击

它是怎么做到的

JADEPUFFER利用的是CVE-2025-3248，一个Langflow服务器的关键漏洞，允许攻击者在面向互联网的Langflow服务器上执行任意代码。一旦打进去，这个AI Agent就开始自主运行了：它会自适应地寻找有价值的数据，窃取并复用凭证，然后直接对生产数据库执行加密勒索。

最让人不安的是它的”自我叙事“能力。研究人員观察到，JADEPUFFER在某次登录尝试失败后，自己调整了方法，31秒后就成功登录了。传统自动化攻击依赖预编写脚本，一旦出错就停下来；但JADEPUFFER能自己推理失败原因、实时调整策略、修复错误，然后继续前进。

“JADEPUFFER是一个警告信号。它标志着勒索技术正在走向何方。一个自主Agent推理它的目标，收割并复用凭证，横向移动，建立持久化，摧毁数据库——而且全程都在自述意图。”——Sysdig威胁研究团队

攻击成本将降到接近零

这个变化最实际的影响，是攻击成本。Sysdig指出，如果Agent运行在被盗用的凭证上（通过LLMjacking），那么一次攻击的成本就从”雇佣一个黑客团队”降到了”运行一个AI Agent的费用”——几乎为零。

JADEPUFFER还会主动搜索各类敏感信息：LLM API密钥、云凭证（包括阿里云、腾讯云、华为云等中国厂商，当然也有AWS、GCP、Azure）、加密货币钱包、数据库凭证、配置文件。它基本上把自己变成了一个全自动的数据收割机。

有个细节让人哭笑不得

勒索信里留了一个比特币地址。但研究人员发现，这个地址看起来像是AI从训练数据里幻觉出来的——它要么是Agent自己编的，要么配置它的人偷懒直接用了比特币开发者文档里的示例地址。如果是前者，这意味着就算受害者付了赎金，钱也打到一个不存在的钱包里。

更要命的是，加密密钥被打印到了标准输出，但没有持久化存储，也没有传给任何人。也就是说，就算你付了赎金，也恢复不了数据。这个”勒索软件”某种程度上比人类写的还要绝——人类至少还想拿钱。

这只是一个开始

Sysdig此前还研究过另一个AI Agent利用Marimo笔记本漏洞发起攻击的案例。那个Agent同样能在被入侵的系统里自主搜索凭证、云访问密钥和数据库凭证。

JADEPUFFER的出现，标志着网络安全进入了一个新阶段。AI Agent不再是理论威胁，而是已经能够独立完成从侦察到加密的全流程闭环。对企业安全团队来说，这意味着传统的”检测已知攻击模式”的防御思路需要更新了——你现在要防的，是一个会学习、会适应、会自己修bug的对手。

📎 原文来源：Cybernews – AI-powered ransomware has officially arrived

2026年7月6日
Meta正式下线Llama API，14个月匆匆收场

7月6日，Meta悄无声息地把Llama API拔了网线。这个2025年5月才上线的服务，前后只活了14个月，连一岁都不到。

说关就关，开发者怎么办

Llama API下线后，所有API请求会收到停用提示，同时附上一个迁移指引链接。Meta的官方建议是：转向支持Llama模型的第三方服务平台。当然，Llama模型本身不受影响，想继续用的开发者可以自己去下载模型文件，本地部署或者离线使用。

至于Meta说的”正在筹备新的开发者支持方案，未来将推出基于Meta AI模型的全新开发工具链”——这话听着耳熟，但具体细节和上线时间一概没说。开发者现在能做的，要么是赶紧迁移，要么是继续等。

Meta战略转向：从开放API到闭源Muse Spark

背后的战略大转向

这件事之所以值得说，是因为它折射出Meta在AI路线上的一次重要调整。Llama API当初上线，是Meta想亲自下场卖API、跟OpenAI和谷歌抢开发者市场。但14个月下来，这条路显然没走通。

Meta正在从”亲自下场卖API”向”退居幕后建云、走开源闭源双轨制”转变。Llama API的退出，可能是为集中精力打造更具竞争力的开发者生态铺路。

同步推出的Muse Spark是Meta超级智能实验室（MSL）成立9个月来的首款核心产品，而且是一款闭源模型。这就很有意思了——Meta一边继续开源Llama，一边推闭源的Muse Spark，形成了”开源Llama＋闭源Muse”的双轨制。这个打法，跟谷歌的Gemini（闭源）+ 开源Gemma，以及Anthropic只做闭源Claude，都不太一样。

为什么是现在

时机也值得玩味。Llama 4的表现不及预期，而行业竞争已经从”谁的模型强”转向”谁能把AI真正用起来”。Meta选择在这个时候把API服务关掉，把精力集中到模型本身和闭源的Muse Spark上，倒也不难理解。

对开发者来说，如果你之前依赖Llama API，现在是该认真考虑迁移方案了。第三方平台里，Groq、Together AI、Replicate都支持Llama模型部署，短期内不至于没地方去。但长期来看，Meta的重心显然已经不在”提供API服务”这件事上了。

📎 原文来源：ITBEAR – Meta宣布2026年7月6日正式下线Llama API

2026年7月6日
Continue：开源 AI 编程助手，让 VS Code 和 JetBrains 拥有最强大脑（34K+ Stars）
Continue：开源 AI 编程助手，让 VS Code 和 JetBrains 拥有最强大脑

发布于 2026 年 7 月 | 分类：开源项目

⭐ 34K+ Stars
TypeScript
Apache-2.0
持续维护中

📌 项目简介

Continue 是为 VS Code 和 JetBrains IDE 打造的开源 AI 编程助手，让开发者在熟悉的编辑器里直接获得代码补全、交互式聊天、代码编辑等 AI 能力。官网 slogan：“The easiest way to code with any LLM” —— 支持几乎所有主流大模型，本地、云端随意切换。

🌐 官网continue.dev

🐙 GitHubgithub.com/continuedev/continue

📦 安装VS Code / JetBrains Marketplace 搜索 “Continue”

🔑 许可Apache-2.0

🔧 安装要求和过程

环境要求
- VS Code 1.70+ 或 JetBrains IDE（IntelliJ / PyCharm / WebStorm 等）
- 支持 Windows / macOS / Linux 三平台
- 网络连通（用于下载模型或连接云端 API）
- 本地运行需要 Ollama 等本地 LLM 工具（可选）
快速安装（3 步搞定）
1. 安装插件：在 VS Code 扩展市场或 JetBrains Plugin 市场搜索 Continue，一键安装
2. 选择模型：打开 Continue 侧边栏，选择你想用的模型（云端 API 或本地 Ollama）
3. 开始编码：在编辑器中选中代码，按快捷键唤醒 AI，或直接聊天提问
💡 快速体验：不想配置 API Key？先装个 Ollama，在 Continue 里选一个本地模型，零成本跑起来！

🎯 核心功能

1. 智能代码补全（Autocomplete）

基于上下文的多行代码补全，比传统补全更懂你的意图。支持主流编程语言，响应速度经过专门优化，打字如飞不卡顿。

2. 交互式聊天（Chat）

在侧边栏和 AI 对话，支持引用当前文件、选中代码、整个项目上下文。可以问 “这段代码什么意思？”、”帮我优化这个函数”、”写一个单测” 等，AI 直接给出代码建议。

3. 编辑与重构（Edit）

选中代码后，用自然语言描述你想做的修改，Continue 直接在编辑器里帮你改好。支持多文件编辑、批量重构，是日常开发最高频使用的功能。

4. 模型自由切换

支持 100+ LLM 提供商：Anthropic Claude、OpenAI GPT、Google Gemini、本地 Ollama、自托管 vLLM……一套界面，随意切换。企业可以用自己的模型，个人开发者可以零成本用本地模型。

5. 上下文理解（Context Awareness）

Continue 不只是 “聊天框里的 AI”，它能理解你的项目结构、当前文件、选中的代码，甚至整个代码库。支持 @files、@folders、@code 等快捷引用，让 AI 精准理解你的意图。

🚀 典型使用场景

场景一：快速理解遗留代码

接手一个陌生项目，面对几千行没注释的代码一头雾水？选中整个文件，问 Continue：”这个文件的核心逻辑是什么？有哪些潜在问题？” 几秒钟就能获得清晰的解读，比自己啃代码效率高 10 倍。

场景二：本地零成本 AI 编程

不想把代码上传到云端？装个 Ollama，在 Continue 里选一个本地跑的开源模型（DeepSeek Coder、CodeLlama 等），所有代码处理都在本地完成，隐私 100% 可控，还不用花一分钱 API 费用。

场景三：团队协作统一 AI 工作流

Continue 支持配置文件（config.json）提交到代码库，团队所有人用同一套提示词、同一个模型，AI 辅助编码的效果可复现、可迭代，从 “个人玩具” 升级为 “团队生产力工具”。

💎 推荐理由

作为每天和代码打交道的开发者，我对 Continue 的评价就三个字：真的香。

最打动我的是它的 模型无关设计。不像有些 AI 编程工具绑定特定厂商，Continue 把选择权完全交给你——想用 Claude 写复杂逻辑、用本地模型做快速补全、用 GPT 做代码 review，全在一个插件里搞定，不用在不同的工具之间反复横跳。

另一个亮点是 开源透明。Apache-2.0 许可，代码完全公开，不用担心 “哪天服务商涨价或者跑路”。而且开源社区非常活跃，几乎每周都有新功能发布，Issue 响应速度也很快。

当然也有不足：模型切换的配置界面对新手不太友好，第一次用的时候需要花点时间搞清楚怎么添加自定义模型。但一旦配置好，日常使用体验非常流畅，已经成了我写代码时离不开的工具。

如果你在用 VS Code 或 JetBrains，还没试过 Continue，强烈建议花 5 分钟装一下 —— 它可能会改变你写代码的方式。

📦 下载地址
- 🌐 官网：continue.dev —— 文档、安装指南、模型配置教程
- 🐙 GitHub：github.com/continuedev/continue —— 源码、Issue、PR
- 📥 VS Code 安装：VS Code Marketplace
- 📥 JetBrains 安装：JetBrains Marketplace
- 💬 Discord 社区：discord.gg/continue
📌 本文由 AI 自动整理，信息来自 GitHub 公开数据，如有偏差以官方文档为准。欢迎在评论区分享你的使用体验！
2026年7月6日
Orca：AI智能体并行编排IDE，让100x开发者同时驾驭5个AI编程助手（12,485 Stars）
🐳 Orca：AI智能体并行编排IDE，让100x开发者同时驾驭5个AI编程助手

⭐ 12,485 Stars

The AI Orchestrator for 100x Builders

📌 项目简介

一句话介绍

Orca 是一款专为 AI 编程时代打造的智能体编排 IDE，让你在同一个界面中并排运行 Codex、Claude Code、OpenCode、Pi 等任意终端 AI 编码代理，每个代理在独立的 git worktree 中隔离运行，所有任务统一跟踪管理。它还提供 iOS/Android 移动端配套应用，让你随时随地监控和引导代理运行。

项目背景：在 AI 编程助手爆发的今天，开发者往往需要在多个 AI 工具之间来回切换——Claude Code 写代码、Codex 做代码审查、OpenCode 处理重构……每个工具都有各自的优势，但切换成本极高。Orca 的诞生就是为了解决这个问题：把多个 AI 代理统一到一个界面中并行调度，真正实现「1+1>2」的协同效应。

核心定位：不是要替代现有的 AI 编程助手，而是做一个「智能体编排层」，让你可以同时使用所有最好的工具，并在它们之间灵活分配任务。

🌐 官网：onorca.dev | 📦 GitHub：stablyai/orca | 📄 许可：MIT

⚙️ 安装要求和过程

环境要求
- 桌面端：macOS（Apple Silicon / Intel）、Windows 10+、Linux（AppImage / AUR）
- 移动端：iOS 16+ / Android 10+
- 依赖：需要已安装并配置好至少一款 AI 编程助手（Claude Code / Codex / OpenCode 等）
- 远程开发：支持 SSH 连接到高性能服务器运行代理
快速安装

方式一：官网下载（推荐）

# macOS Apple Silicon
open https://github.com/stablyai/orca/releases/latest/download/orca-macos-arm64.dmg

# macOS Intel
open https://github.com/stablyai/orca/releases/latest/download/orca-macos-x64.dmg

# Windows
# 下载并运行: https://github.com/stablyai/orca/releases/latest/download/orca-windows-setup.exe

# Linux AppImage
wget https://github.com/stablyai/orca/releases/latest/download/orca-linux.AppImage
chmod +x orca-linux.AppImage && ./orca-linux.AppImage

方式二：Homebrew（macOS）

brew install –cask stablyai/orca/orca

方式三：Arch Linux（AUR）

yay -S stably-orca-bin # 预编译版本
# 或
yay -S stably-orca-git # 从源码构建

移动端安装
- iOS：App Store 搜索「Orca IDE」或访问 App Store 链接
- Android：下载 APK：app-release.apk
- TestFlight（iOS 测试版）：加入测试
无头 Linux 服务器

# 在远程 Linux 服务器上运行 Orca 服务
orca serve
# 然后通过桌面端或移动端远程连接

🌟 核心功能

1. 并行 Worktree —— 5个代理同时干活

把一个需求同时派发给 5 个 AI 代理，每个代理在独立的 git worktree 中运行，互相不干扰。你可以对比各个代理的输出结果，然后合并最优方案。这就像同时雇佣了 5 个初级工程师，而你是架构师，负责审查和决策。

2. 移动端伴侣 —— 手机上监控 AI 干活

Orca 提供 iOS 和 Android 原生应用，你可以在手机上实时查看代理的运行状态，代理完成时自动推送通知，还可以随时发送后续指令。早上躺在床上就能查看昨晚跑的代理结果，通勤路上就能给代理安排新任务。

3. 设计模式 —— 点击 UI 就能生成提示词

在真实的 Chromium 窗口中点击任意 UI 元素，Orca 会自动提取该元素的 HTML、CSS 和裁剪后的截图，直接作为上下文发送给 AI 代理。再也不用手动复制粘贴代码片段了，点击即提示。

4. 原生 GitHub & Linear 集成 —— 不离开 IDE 就能完成 Code Review

Orca 内置 GitHub 和 Linear 支持，你可以在应用内直接浏览 PR、issue、项目看板，从任意任务直接打开对应的 worktree，无需切换浏览器上下文。AI Diff 标注功能让你在代码 diff 上直接添加评论并反馈给代理，审查-编辑-提交一气呵成。

5. SSH Worktree —— 在远程服务器上跑代理

支持在远程高性能服务器上运行 AI 代理，包含完整的文件编辑、git 操作、终端能力，自带自动重连和端口转发功能。你的笔记本可以保持凉快，而代理在远程服务器的 GPU 上飞奔。

6. 终端分屏 + 内置编辑器 —— Ghostty 级别的终端体验

Orca 内置了类 Ghostty 的高性能终端，基于 WebGL 渲染，支持无限分屏，滚动历史记录重启后保留。同时内置 VS Code 级别的编辑器，支持全局自动保存、文件拖拽到代理输入框等效率功能。

7. Orca CLI —— 脚本化所有工作流

Orca 提供完整的 CLI 工具，支持通过命令行脚本化所有操作：orca worktree create、orca snapshot、orca click、orca fill 等，可以无缝集成到 CI/CD 流程中。

Orca 主界面：并行运行多个 AI 代理

💡 典型使用场景

场景一：多模型对比选型

需求：你需要实现一个复杂的认证模块，不确定用 JWT 还是 Session，也不确定哪个 AI 助手能给出最好的实现方案。

方案：在 Orca 中创建 3 个并行 worktree，分别派给 Claude Code、Codex 和 OpenCode，让它们各自给出实现方案和代码。30 分钟后，你在 Orca 界面中对比三份代码的质量、可读性和完整性，选择最优方案合并到主分支。

价值：原本需要轮流试用 3 个工具、花费 2 小时的工作，现在 30 分钟就能完成，而且还能直观对比各工具的输出质量。

场景二：移动办公 + AI 辅助

需求：你经常在通勤路上突然想到代码改进点，但拿出笔记本又不方便，等到了办公室又忘了。

方案：在手机上打开 Orca 移动端应用，查看正在运行的代理状态，发送一条新的指令：「在用户登录模块添加记住我功能，参考现有的 session 管理代码」。代理在远程服务器上开始工作，完成后推送通知到你的手机。到达办公室时，代码已经在等待你审查了。

价值：碎片化时间也能推进开发工作， idea 不会丢失，效率显著提升。

场景三：Code Review 加速

需求：团队 PR 数量多，Code Review 成为瓶颈，人工 Review 容易遗漏边界情况。

方案：在 Orca 中打开 GitHub PR，使用 AI Diff 标注功能，让 AI 代理自动分析代码变更、发现潜在 bug、检查代码风格。你可以在 AI 分析结果的基础上做最终决策，Review 效率提升 5 倍以上。

🎯 推荐理由
💡 个人使用心得

Orca 解决了一个被很多人忽略但非常痛点的问题：

🤝 多工具协同：现在 AI 编程助手太多了，每个都有自己的强项。Claude Code 擅长架构设计，Codex 代码质量高，OpenCode 在特定语言上表现出色。Orca 让你可以同时「雇佣」它们，而不是「选择」其中一个。

📱 移动端创新：大多数开发者工具都忽略移动端，但 Orca 把移动端作为一等公民对待。在手机上监控 AI 代理这个功能，对于经常需要「让 AI 在晚上跑任务」的开发者来说，简直是救命稻草。

🔒 隐私友好：支持 SSH 远程 worktree，你的代码不需要离开自己的服务器，AI 代理通过 SSH 连接执行操作，符合企业安全规范。

🚀 真正提效：并行 worktree 不只是「同时开多个终端窗口」这么简单，它的核心价值在于任务编排和结果对比。你可以把一个大任务拆成多个子任务分给不同代理，然后汇总最优结果。

注意事项：Orca 本身不包含 AI 模型，你需要自己配置 Claude Code / Codex 等工具。另外，移动端需要和桌面端配对使用，初次配置需要一些学习成本。
总的来说，Orca 是目前市面上第一个真正把「多 AI 代理并行编排」做到可用级别的 IDE。如果你已经在用 AI 编程助手，Orca 绝对值得一试。

📥 下载地址

立即下载 Orca

🌐 官网下载
 📦 GitHub Releases
📱 iOS App Store

快速安装命令：

# macOS / Homebrew
brew install –cask stablyai/orca/orca

# 或下载 DMG 直接安装
open https://github.com/stablyai/orca/releases/latest/download/orca-macos-arm64.dmg

📖 官方文档 | 🐛 报告 Issue | 💬 加入社区

📌 本文由 WorkBuddy AI 自动整理发布 | 数据来源：GitHub – stablyai/orca
2026年7月6日

标签： LLM

🚀 项目简介

⚙️ 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

📦 安装要求与过程

⚡ 核心功能

🎯 典型使用场景

💡 推荐理由

🔗 下载地址

llama.cpp：119.5K Stars！纯 C/C++ 打造的大模型本地推理引擎

📝 项目简介

💻 安装要求和过程

环境要求

快速安装步骤

快速开始：下载并运行一个模型

✨ 核心功能

1. 🪶 纯 C/C++ 零依赖，极致轻量

2. ⚡ 全平台硬件加速与混合推理

3. 🗜️ GGUF 格式与 1.5~8 bit 量化

4. 🔌 OpenAI 兼容 API 服务

5. 🧰 丰富的推理工具链

🎯 典型使用场景

场景一：在笔记本 / 手机上本地聊天，隐私数据不出端

场景二：自建私有 OpenAI 兼容推理服务

场景三：边缘设备与嵌入式部署

💡 推荐理由

📥 下载地址

架构没大改，改的是“喂什么”

搜索能力追平GPT-5.5

便宜，而且开源

已经渗进腾讯全家桶

📌 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 13 款 AI 编程助手全覆盖

② 五阶段智能流水线

③ 多 URL 并行处理

④ 单一真相来源架构

⑤ 生产级技术栈

🚀 典型使用场景

场景一：平台迁移

场景二：丢失源码的网站恢复

场景三：学习生产级前端实现

💡 推荐理由

📥 下载地址

项目简介

安装要求和过程

环境要求

一键安装

安装后配置

核心功能

1. 真正的终端 TUI 界面

2. 多平台消息集成

3. 闭环学习系统（核心竞争力）

4. 定时自动化

5. 多环境运行 + 子代理并行化

典型使用场景

场景一：个人 AI 助手（消息平台接入）

场景二：开发辅助 + 定时自动化

场景三：从 OpenClaw 迁移

推荐理由

下载地址

它是怎么做到的

攻击成本将降到接近零

有个细节让人哭笑不得

这只是一个开始

说关就关，开发者怎么办

背后的战略大转向

为什么是现在

Continue：开源 AI 编程助手，让 VS Code 和 JetBrains 拥有最强大脑

📌 项目简介

🔧 安装要求和过程

环境要求

快速安装（3 步搞定）

🎯 核心功能