标签： MCP

Kimi Code CLI：终端里的下一代 AI 编程智能体（4.3K★，月之暗面开源）
Kimi Code CLI 是月之暗面（MoonshotAI）开源的终端 AI 编程智能体——它能在命令行里读改代码、执行 shell 命令、搜索文件、抓取网页，并依据反馈自主决定下一步；开箱即用 Kimi 大模型，也可配置接入其它兼容模型。

一、项目简介

一个跑在终端里的”AI 同事”。Kimi Code CLI 把代码读写、命令执行、文件检索、网页抓取与多步自主规划统一进一个轻量 TUI，口号是 “The Starting Point for Next-Gen Agents”（下一代智能体的起点）。它脱胎于此前广受关注的 Kimi CLI，把运行时收敛为单文件二进制，启动几乎无感，对 Kimi 大模型用户尤其友好。

二、安装要求和过程

环境要求
- 普通用户无需 Node.js：官方脚本一条命令装好单文件二进制，无 PATH 烦恼、无全局模块冲突；
- Windows 需先装 Git for Windows：Kimi Code CLI 用内置 Git Bash 作为 shell 环境；若 Git 装在自定义路径，设置环境变量 KIMI_SHELL_PATH 指向 bash.exe 绝对路径；
- 账号：首次使用需 Kimi 账号（OAuth）或 Moonshot AI 开放平台 API Key；
- 从源码开发需 Node.js ≥ 24.15.0 + pnpm 10.33.0。
快速安装

macOS / Linux：
```
curl -fsSL https://code.kimi.com/kimi-code/install.sh | bash
```
Windows（PowerShell）：
```
irm https://code.kimi.com/kimi-code/install.ps1 | iex
```
快速开始
```
cd your-project
kimi            # 启动交互式 TUI
kimi --version  # 验证安装
```
首次在会话里执行 /login，选择 Kimi Code OAuth 或 API Key 登录，然后试着让它”看看这个项目，解释下主要目录“。

三、核心功能
1. 单文件分发：一条命令安装，无 Node.js、无 PATH 困扰、无全局模块冲突。
2. 毫秒级启动：TUI 毫秒就绪，开启会话毫无负担，长时间 Agent 会话也不卡。
3. 视频输入：把录屏 / 演示片段直接丢进聊天，Agent 逐帧”看懂”画面——把参考片转成 LUT、长视频剪成短片、屏幕录屏变成可运行代码。
4. AI 原生 MCP：用 /mcp-config 对话式增删与鉴权 Model Context Protocol 服务器，免手改 JSON。
5. 子智能体并行：内置 coder / explore / plan 子智能体在隔离上下文并行干活，主线对话保持清爽。
6. ACP 编辑器集成：kimi acp 接入 Zed、JetBrains 等任意 Agent Client Protocol 客户端，IDE 里直接驱动。
四、典型使用场景
- 日常终端编程搭子：在任意项目目录敲 kimi，让它读代码、跑命令、搜文件、抓网页并自规划下一步，省去来回切窗口。
- IDE 里的 Agent：在 Zed / JetBrains 配置 kimi acp，用熟悉的编辑器驱动 Agent，一次登录处处可用，开发流不断档。
- 视频驱动开发：把产品录屏或参考片段丢给 Agent，让它”看懂”后落地为可运行代码或素材（例如把一段参考片转成调色 LUT）。
五、推荐理由

Kimi Code CLI 给我最大的惊喜是”轻“。作为 Kimi CLI 的演进版，它把运行时收敛成单文件二进制，启动几乎无感，TUI 也比不少同类更耐看；视频输入和 /mcp-config 对话式配置是真正能提升日常效率的巧思，而不是噱头。如果你已经在用 Kimi 大模型、又想要一个不折腾环境、能直接塞进终端和 IDE 的编码 Agent，它非常值得一试。MIT 协议、社区活跃（4.3K+ Stars、当日仍在高频更新），长期主义玩家可以放心上车。

六、下载地址
- GitHub 仓库：https://github.com/MoonshotAI/kimi-code
- 官方文档：https://moonshotai.github.io/kimi-code/
- 一键安装脚本：https://code.kimi.com/kimi-code/install.sh
- 开源协议：MIT
2026年7月21日
Browser Use：让 AI 像人一样操作浏览器的开源智能体（10.5万+ Star）
Browser Use 是一个让 AI 像人一样操作浏览器的开源智能体框架——你用自然语言描述任务，它便自动打开网页、点击按钮、输入文字、填写表单，一站式完成多步骤的网页操作。

一、项目简介

🌐 Make websites accessible for AI agents. Automate tasks online with ease.

Browser Use 把”浏览器”变成 AI Agent 可直接操控的环境。它目前拥有 10.5 万+ Star（Python 编写，MIT 许可），并在 Odyssey 长程网页任务榜上以 87.4% 的平均成功率排名第一，超越了 OpenAI、Anthropic、Google、Microsoft 各自的 computer-use 方案。它既是给现有编码 Agent（Claude Code / Codex / Cursor 等）即插即用的”浏览器技能”，也是可规模化调用的 Python 库。

二、安装要求与过程

环境要求：
- Python ≥ 3.11（官方推荐 3.12，可用 uv 管理）
- 本地无需额外安装 Chromium，Browser Use 会按需驱动 Playwright 浏览器
- 一个 LLM API Key（Browser Use 云、OpenAI、Anthropic、Google，或本地 Ollama 模型均可）
快速安装：
1. 安装库：
  pip install browser-use （或 uv add browser-use）
2. 在 .env 中配置 Key：
  BROWSER_USE_API_KEY=your-key 或 ANTHROPIC_API_KEY=... / GOOGLE_API_KEY=...
3. 运行你的第一个 Agent：
```
import asyncio
from browser_use import Agent, ChatBrowserUse

async def main():
    agent = Agent(
        task="Find the number of stars of the browser-use repo",
        llm=ChatBrowserUse(model="openai/gpt-5.5"),
    )
    history = await agent.run()

asyncio.run(main())
```
若你已在使用 Claude Code / Codex / Cursor 等编码 Agent，只需让 Agent 执行一次 browser-use skill install，即可把浏览器能力挂载到现有工作流中，无需自己写代码。

三、核心功能
- 自然语言驱动浏览器：自动打开页面、点击、输入、填表、翻页，把”多步骤网页操作”压缩成一句话指令。
- 双形态接入：CLI 模式配合已有 Agent 即装即用；Python 库模式支持定时、并行、嵌入自有产品，细粒度控制浏览器。
- 多模型统一接入：ChatBrowserUse 用 provider/model 前缀即可切换 OpenAI / Anthropic / Google，或走本地 Ollama 模型，一个 Key 通吃。
- 强扩展能力：支持自定义 Tools、MCP 协议，云端版更提供 1000+ 集成（Gmail、Slack、Notion 等）与持久化记忆。
- SOTA 级表现：Odyssey 200 项长程网页任务榜第一（87.4%），官方基准在 100 个真实任务上开源可复现。
四、典型使用场景

1. 自动填表与办事
让 Agent 带着你的简历信息自动填写并投递职位申请、注册账号、提交各类在线表单。

2. 网页数据采集
从任意网站抽取结构化数据并导出为 CSV，例如”抓取我关注者的资料并整理成表格”。

3. 网站 QA 自动化
对本地站点做可用性、视觉一致性与 Bug 巡检，自动产出测试报告，替代部分人工回归测试。

五、推荐理由

作为重度网页操作用户，我对 Browser Use 最大的感受是”把重复劳动还给机器“——订票比价、表单填报、定点抓取这类机械活，原来要人守着点半小时，现在一句话交代清楚就能后台跑。

它开源免费、本地可控，隐私敏感的任务完全可以在本机跑；遇到强反爬、验证码场景再切到云端（代理轮换 + 隐身指纹 + 验证码破解）。对开发者而言，Python 库 + 自定义 Tools + MCP 的扩展性，让它不只是玩具，而是能真正嵌进产品的浏览器自动化底座。如果你已经在用 Cursor / Claude Code，强烈建议装一下它的 skill 体验。

六、下载地址
- GitHub 仓库：https://github.com/browser-use/browser-use
- 官方文档：https://docs.browser-use.com
- 云端托管版：https://cloud.browser-use.com
- 开源许可：MIT
（本文配图来自项目官方 README，版权归 Browser Use 团队所有。）
2026年7月21日
Kimi CLI：月之暗面开源的终端 AI 编程智能体（10K+ Stars）
Kimi CLI 是月之暗面（MoonshotAI）开源的终端 AI 编程智能体——直接在命令行里读改代码、执行命令、联网检索，并自主规划与调整动作，把 Kimi 大模型搬进了你的 shell 与编辑器。

一、项目简介

Kimi CLI 是一个运行在终端里的 AI Agent，主打软件工程与命令行操作两大类任务。它不只是聊天机器人，而是能真正读取/编辑代码、执行 shell 命令、检索与抓取网页，并在执行过程中自主规划、动态修正路线。项目由 MoonshotAI 维护，采用 Apache-2.0 协议，当前已在 GitHub 收获 10K+ Stars。值得留意的是，官方已宣布 Kimi CLI 正演进为下一代 Kimi Code CLI，安装新版本会自动迁移配置与会话，但现有文档与安装方式依旧可用。

二、安装要求与过程

环境要求：
- Python ≥ 3.12（PyPI 包已发布，最新版 1.49.0）
- 一个 Kimi 账号（登录后使用）或有效的 API Key
- 可选：Node.js（用于运行 npx 类 MCP 服务，如 chrome-devtools-mcp）；Zsh（如需 shell 插件）
快速安装：
```
# 方式一：pip 安装（推荐）
pip install kimi-cli

# 方式二：pipx 隔离安装
pipx install kimi-cli

# 启动并登录
kimi          # 进入交互界面后输入 /login 完成登录
```
登录后即可在终端直接与 Kimi 对话、让它改代码、跑命令；配置与历史会话会保存在本地，跨项目复用。

三、核心功能
- 终端即 Shell（Ctrl-X 切换）：Kimi CLI 本身就是一个 shell，按 Ctrl-X 即可在不退出智能体的情况下直接运行 shell 命令，把对话与执行无缝融合。
- VS Code 扩展：通过官方 Kimi Code 扩展在编辑器侧边栏开启 Agent 面板，直接基于当前工程上下文协作（见上方截图）。
- ACP 协议接入主流 IDE：原生支持 Agent Client Protocol，可作为 ACP Agent Server 接入 Zed、JetBrains 等任意兼容编辑器，命令为 kimi acp。
- 原生 MCP 支持：内置 kimi mcp 子命令组，支持 HTTP / stdio / OAuth 多种传输方式，一行即可增删与授权 MCP Server（如 Context7、Linear、chrome-devtools）。
- Zsh 深度集成：配合 zsh-kimi-cli 插件，把 AI Agent 能力直接带进你的 shell，Ctrl-X 一键切到智能体模式。
四、典型使用场景
- 终端里的全栈开发：在服务器或本地终端直接让 Kimi 读懂整个代码库、定位 Bug、生成补丁并执行测试，无需切换到图形界面 IDE。
- IDE 内结对编程：在 VS Code / Zed / JetBrains 中以 Agent 面板形式调用 Kimi，基于当前文件与工程上下文做重构、加功能、写测试，改动实时落盘。
- 可扩展的自动化工作流：通过 MCP 接入 Linear、Context7、Chrome DevTools 等工具，让 Kimi CLI 自动查需求、查文档、跑端到端浏览器验证，组成稳定的开发自动化流水线。
五、推荐理由

作为一款国产大模型厂商出品的命令行智能体，Kimi CLI 最大的亮点是「终端原生」——它不强迫你离开 shell，Ctrl-X 即可在「智能体」与「命令模式」间无缝切换，对远程服务器、无界面环境极其友好。同时它对 ACP / MCP 双协议的原生支持，意味着你既能把它嵌入 VS Code、Zed、JetBrains，也能通过 MCP 无限扩展工具边界，灵活度很高。Apache-2.0 协议可商用、配置本地化，隐私与可玩性兼顾。虽项目正平滑演进为 Kimi Code CLI，但当前版本已足够稳定，是体验「Kimi 版 Claude Code」最轻量直接的入口。

六、下载地址
- 官方网站：https://www.kimi.com/code/
- GitHub 仓库：https://github.com/MoonshotAI/kimi-cli
- 官方文档（中文）：https://moonshotai.github.io/kimi-cli/zh/
- PyPI 安装包：https://pypi.org/project/kimi-cli/
（注：Kimi CLI 正演进为 Kimi Code CLI，新版本会自动迁移配置与会话，建议关注官方仓库获取最新动态。）
2026年7月20日
Cua：开源 Computer-Use 2.0 框架，让 AI 智能体像人一样操作电脑
项目简介

Cua 是 trycua 出品的一套开源「Computer-Use 2.0」基础设施，围绕「让 AI 智能体像人一样看屏幕、点按钮、敲键盘完成任务」这一目标，提供了四大模块——后台驱动（Cua Drivers）、智能体沙箱（Cua Sandboxes）、评测基准（Cua-Bench）与 macOS 虚拟化（Lume），覆盖从训练、评测到数据生成的全流程。它把「驱动—沙箱—评测—虚拟化」四件事拆成可独立使用又互相咬合的开源组件，MIT 协议、跨平台，并支持通过 MCP 接入 Claude Code、Cursor、Codex 等主流编码智能体。

安装要求和过程

环境要求：
- Cua Drivers（后台驱动）：macOS 12+ / Windows 10+ / Linux（X11 或 Wayland）；需搭配 Claude Code、Cursor、Codex 等编码智能体。
- Cua Sandboxes（沙箱）：Python 3.11+，pip install cua。
- Cua-Bench（评测）：需 uv；Linux / macOS。
- Lume（虚拟化）：Apple Silicon（M1+）macOS，依赖 Apple Virtualization.Framework。
快速安装：
```
# 1) Cua Drivers — 后台驱动原生桌面应用（macOS / Linux）
/bin/bash -c "$(curl -fsSL https://cua.ai/driver/install.sh)"
#  Windows (PowerShell)
irm https://cua.ai/driver/install.ps1 | iex

# 2) Cua Sandboxes — 任意系统的智能体沙箱
pip install cua

# 3) Lume — macOS 虚拟化
/bin/bash -c "$(curl -fsSL https://cua.ai/lume/install.sh)"

# 4) Cua-Bench — 评测与 RL 环境
git clone https://github.com/trycua/cua && cd cua/cua-bench
uv tool install -e . && cb image create linux-docker
```
核心功能
1. 后台 Computer-Use 驱动：在 macOS / Windows / Linux 上后台驱动原生应用，智能体点击、键入、校验，全程不抢走你的光标与窗口焦点；同一套 CLI + MCP 服务器可接入 Claude Code、Cursor、Codex、OpenClaw 等。
2. 跨 OS 智能体沙箱：一个统一 API 调度任意系统的 VM/容器（Linux / macOS / Windows / Android 及 BYOI），看屏、点击、执行代码，云端或本地（QEMU）皆可。
3. 评测与 RL 基准（Cua-Bench）：在 OSWorld、ScreenSpot、Windows Arena 上评测 computer-use 智能体，并导出轨迹用于训练与强化学习。
4. macOS 原生虚拟化（Lume）：基于 Apple Virtualization.Framework，在 Apple Silicon 上以近原生性能创建、管理 macOS / Linux 虚拟机，支持 unattended 无人值守安装。
5. 开放可组合生态：cua-driver / cua-agent / cua-sandbox / cua-computer-server / cua-bench / lume / lumier 七大包，lumier 还提供 Docker 兼容接口，便于把 Lume 虚拟机接入现有编排。
典型使用场景
- 给编码智能体一台「电脑」：把 Cua Sandbox 接进 Claude Code，让它在隔离的 macOS / Windows 虚拟机里自行打开浏览器、跑脚本、截图验证，完成端到端任务而不污染本机。
- 后台自动化办公流：用 Cua Drivers 在后台驱动 Slack、Excel、浏览器等原生应用，自动填表、导出报表、跨软件搬运数据，你依旧能正常用电脑。
- 评测与训练自己的 CUA 模型：用 Cua-Bench 在标准化环境里跑基准、收集轨迹，进而做监督微调或 RL，持续改进自家 computer-use 模型。
推荐理由

一句话：如果你在折腾「让 AI 操作电脑」，Cua 是目前最完整、最务实的开源底座。它把「驱动—沙箱—评测—虚拟化」四件事拆成了可独立使用又互相咬合的模块——想给 Agent 加双手，用 Drivers；想搞评测训练，用 Bench；想在 Mac 上批量起虚拟机，用 Lume。MIT 协议、跨平台、支持 MCP 接入主流编码助手，落地门槛低。相比闭源的 Operator / Manus 类服务，Cua 把控制权和数据都留在你手里——这正是本地优先时代最该有的样子。

下载地址
- 官网 / 文档：https://cua.ai · https://cua.ai/docs
- GitHub 仓库：https://github.com/trycua/cua
- Cua-Bench 榜单：https://cuabench.ai/
- 社区 Discord：https://discord.gg/mVnXXpdE85
2026年7月20日
Voicebox：本地优先的开源 AI 语音工作室，克隆声音 + 让智能体开口说话
Voicebox —— 本地优先的开源 AI 语音工作室

📌 项目简介

Voicebox 是由 Jamie Pine 打造的开源 AI 语音工作室，一句话概括：克隆任意声音、生成语音、随时听写、还能让你的 AI 智能体用你拥有的声音开口说话。它是 ElevenLabs（语音输出）与 WisprFlow（语音输入）的本地优先、免费开源二合一替代品，整套语音 I/O 栈都跑在你自己的机器上。

⭐ GitHub 43,196 stars ｜ 🍴 5,280 forks ｜ 📅 创建于 2026-01-25，更新于 2026-07-19（当日 GitHub Trending 热门）｜ 📜 MIT 许可｜ 💻 TypeScript / Tauri(Rust) / FastAPI(Python)

🛠 安装要求和过程

环境要求
- 普通用户：直接下载桌面应用，无需配置开发环境；支持 macOS（Apple Silicon / Intel）、Windows、Linux（需源码构建）、Docker。
- GPU 加速：macOS 走 MLX/Metal（神经引擎快 4-5×），Windows/Linux NVIDIA 走 CUDA，AMD 走 ROCm，Intel Arc 走 IPEX/XPU，Windows 任意显卡走 DirectML，无显卡则回退 CPU。
- 开发者构建：需 Bun、Rust、Python 3.11+、Tauri 前置依赖（macOS 还需 Xcode）。
快速安装（三种方式）

方式一 · 下载安装包（推荐）
- macOS（Apple Silicon）：下载 DMG
- macOS（Intel）：下载 DMG
- Windows：下载 MSI
- Docker：docker compose up
- Linux：暂无预编译包，参见源码构建指南
方式二 · 开发者一键启动
```
git clone https://github.com/jamiepine/voicebox.git
cd voicebox
just setup    # 创建 Python venv 并安装全部依赖
just dev      # 启动后端 + 桌面应用
```
（先安装 just 命令运行器：brew install just 或 cargo install just）

方式三 · 接入 AI 智能体（MCP）
```
claude mcp add voicebox \
  --transport http \
  --url http://127.0.0.1:17493/mcp \
  --header "X-Voicebox-Client-Id: claude-code"
```
✨ 核心功能
1. 7 大 TTS 引擎，自由切换：Qwen3-TTS、Qwen CustomVoice、LuxTTS、Chatterbox Multilingual、Chatterbox Turbo、HumeAI TADA、Kokoro，覆盖 23 种语言（英/阿/日/印地/斯瓦希里等），并支持零样本声音克隆与 50+ 预设音色。
2. 声音克隆 + 语音性格：几秒参考音频即可克隆任意声音；可为每个声纹绑定自由格式的”性格”，通过本地 Qwen3 LLM 实现 Compose（即兴台词）与 Speak-in-character（拟人改写）。
3. 全局听写 / 语音输入：系统级热键按住说话、松手即停（push-to-talk），macOS 下自动粘贴到当前输入框；底层基于 OpenAI Whisper 的 STT，支持 Base/Small/Medium/Large/Turbo。
4. 后期音效处理：基于 Spotify pedalboard 的 8 种效果——变调、混响、延迟、合唱、压缩、增益、高/低通滤波，可实时预览并存为预设。
5. Agent 语音输出（MCP）：一句 voicebox.speak() 调用，任何支持 MCP 的智能体（Claude Code / Cursor / Cline / Windsurf）都能用你克隆的声音向你播报任务进展。
🎯 典型使用场景
- 播客 / 有声内容创作：用内置 Stories 多轨时间线编辑器，零样本克隆嘉宾声音，一键生成多角色对话、播客与叙事音频，长文本自动分块 + 交叉淡入淡出。
- AI 编码智能体开发循环：把 Claude Code 绑定到某个克隆声纹，构建完成、测试通过时它能”开口”告诉你——用耳朵接收进度，而不是一直盯着终端。
- 无障碍与语音辅助：为无法用原声说话的人提供克隆声音；全局热键听写 + macOS 自动粘贴，大幅提升文字录入效率。
- 游戏 / 叙事交互：为游戏角色或互动叙事工具接入带”性格”的语音，实现有情绪、带语气词的拟人对话。
💡 推荐理由

我用过多家云端语音服务，Voicebox 最打动我的是三点：
- 真正的本地优先 + 隐私优先。模型、声音数据、录音全部留在本机，不上传任何云，对注重数据主权的用户极其友好。
- 输入 + 输出一站式。ElevenLabs 只管”说”，WisprFlow 只管”听”，Voicebox 把两者打通，还用一个本地 LLM 串联性格改写，一 GPU 显存占用搞定全套。
- 给 AI Agent 配声音这个设计非常新颖。当你的编码助手能用你熟悉的声音播报”部署完成”，人机交互的体验立刻不一样，这也是它和同类工具最大的差异化。
⚠️ 一点不足：Linux 目前没有预编译二进制，需要源码构建；同时 7 个引擎质量参差，部分小模型音色一般，建议按场景挑选。但瑕不掩瑜，作为开源语音 I/O 基础设施，它已经非常能打。

📥 下载地址
- 🌐 官网 / 下载：https://voicebox.sh
- 📚 文档：https://docs.voicebox.sh
- 💻 GitHub 仓库：https://github.com/jamiepine/voicebox
- ⬇️ 各平台安装包：https://voicebox.sh/download
本文由自动化脚本基于 GitHub 公开仓库信息整理，项目数据截至 2026-07-19。
2026年7月20日
Open Design：开源版 Claude Design，把你的编码智能体变成设计引擎
⭐ 79.6K Stars · Apache-2.0 · TypeScript · 本地优先桌面应用

项目简介

Open Design 是 Anthropic Claude Design 的开源替代方案——一个本地优先（local-first）的桌面应用，让你的 Claude Code / Codex / Cursor / Gemini 等编码智能体直接化身”设计引擎”，生成网页、桌面、移动端原型、实时仪表盘、演示文稿、图片与视频，并导出为 HTML / PDF / PPTX / MP4 真实文件。

安装要求与过程

环境要求
- 桌面应用：macOS（Apple Silicon / Intel x64）、Windows（x64）、Linux（AppImage）——无需 Node / pnpm / 克隆仓库。
- 自托管：Docker + Docker Compose；源码运行需 Node 24、pnpm 10.33.x。
- 编码智能体：Claude Code、Codex、Cursor、Copilot、OpenClaw、Gemini、Hermes、Kimi、Trae、OpenCode 等 25+ 本地 CLI，或任意 OpenAI 兼容端点（BYOK）。
快速安装
1. 下载桌面应用（推荐，零配置）：前往官网或 GitHub Releases 下载对应平台安装包；安装后自动检测 PATH 上的编码智能体，加载 100+ 功能技能、渲染模板目录与 151 套设计系统。
2. 装进编码智能体（无界面）：od mcp install <agent>（<agent> = claude | codex | cursor | copilot | gemini | hermes | kimi | trae | opencode …）；或用托管脚本 curl -fsSL https://open-design.ai/install.sh | sh -s <agent>。
3. Docker 自托管：
```
git clone https://github.com/nexu-io/open-design.git
cd open-design/deploy
cp .env.example .env
echo "OD_API_TOKEN=$(openssl rand -hex 32)" >> .env
docker compose up -d
# 打开 http://localhost:7456
```
4. 源码运行：
```
git clone https://github.com/nexu-io/open-design.git
cd open-design
corepack enable && pnpm install
pnpm tools-dev run web
```
核心功能
1. 智能体原生、模型无关：不绑定任何厂商 Agent，你 PATH 上已有的 claude / codex / cursor / copilot / hermes / kimi 就是设计引擎，一键切换；一条 od mcp install <agent> 把 MCP 服务器接入 25+ 编码智能体。
2. 品牌级 DESIGN.md 设计系统：每一帧渲染都读取当前包的 DESIGN.md 作为品牌契约；仓库内置 151 套品牌级设计系统（Claude、Stripe、Figma、Apple、NVIDIA…），丢进文件夹即被识别。
3. 多形态产物，单一项目：Studio 支持原型（web / desktop / mobile 单页）、实时仪表盘 / artifact、演示文稿（deck）、图片、视频与 HyperFrames 动态图形，统一导出 HTML / PDF / PPTX / MP4。
4. 四层可组合：插件（可运行工作流）+ 功能技能（Agent 行为）+ 设计模板（渲染蓝图）+ 设计系统（品牌），全部用可移植、可版本化的目录，任何人都能创作与发布；官方 277 个插件 + 183 个可复用示例。
5. 本地优先 + BYOK 隐私：原生桌面应用（macOS / Windows）+ Docker + Vercel；所有数据在你本机、团队服务器或部署项目里运行，BYOK 代理具备 SSRF 防护，沙箱 iframe 预览。
典型使用场景
- 一句话生成落地页：在入口视图输入 brief，智能体结合 saas-landing 模板与 Linear 设计系统，流式生成带 hero / 特性 / 定价 / CTA 的可运行着陆页，直接导出 HTML 部署。
- 实时数据仪表盘：用 dashboard 模板生成带侧边栏的管理 / 分析看板，作为 live artifact 实时刷新，而非静态截图。
- 品牌统一的演示文稿：用 guizang-ppt / html-ppt 模板生成杂志风 Web PPT；或把现有 git 仓库 + DESIGN.md 交给智能体，自动把真实组件重构到品牌规范（含 Figma / Pencil → React / Next / Vue 迁移插件）。
推荐理由

作为天天和编码智能体打交道的人，最打动我的是它把”设计”从闭源付费的云端玩具，变成了你笔记本上的文件系统——你的 CLI 是引擎，笔记本是工作室，团队的 DESIGN.md 是品牌契约。相比 Claude Design 的封闭锁定，Open Design 的 agent-native + 模型无关 + Apache-2.0，让我可以随意换模型、自托管、调用 151 套现成设计系统，还能用 277 个插件把 Figma 工作流迁到 React。对想把”vibe coding”从代码延伸到 UI / 海报 / 演示的人来说，这是目前最完整、最开放的一个选择。

下载地址
- 官网：https://open-design.ai
- GitHub 仓库：https://github.com/nexu-io/open-design
- 下载 / Releases：https://github.com/nexu-io/open-design/releases
- Open Design Cloud：https://open-design.ai/cloud/
- Discord 社区：https://discord.gg/mHAjSMV6gz
2026年7月19日
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
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