标签： MCP

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
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
Vibe-Trading：一句话驱动你的专属 AI 交易智能体（23K+ Stars）
今天要介绍的项目是 Vibe-Trading —— 来自香港大学数据科学团队 HKUDS（LightRAG 同门）开源的「个人交易智能体」。它把一个完整的 AI 投研工作流塞进了一条命令行：你用大白话下指令，它自己去拉数据、写策略、跑回测、出报告，甚至拉起一整个多智能体投研团队帮你做多空辩论。

一、项目简介

Vibe-Trading 是一个用自然语言驱动的「个人交易智能体」：一句话即可完成市场研究、策略回测、交易行为复盘与多智能体投研协作。后端 FastAPI、前端 React 19，单条命令安装，免费行情源默认开箱即用。

二、安装要求和过程

环境要求
- Python 3.11+（本地安装路径），或 Docker（零配置路径）；
- 一个 LLM API Key（OpenRouter / DeepSeek / Gemini / Groq / Ollama 本地等任选其一），也可完全免 Key 使用内置免费行情源；
- 支持 A股 / 港股 / 美股 / 加密 / 期货 / 外汇等多市场。
快速安装（PyPI 一行装）
```
pip install vibe-trading-ai

vibe-trading init
vibe-trading run -p "Backtest a BTC-USDT 20/50 moving-average strategy for 2024 and summarize return and drawdown"
```
Docker 零配置（约 2 分钟）
```
git clone https://github.com/HKUDS/Vibe-Trading.git
cd Vibe-Trading
cp agent/.env.example agent/.env   # 取消注释并填入你的 LLM provider
docker compose up --build
# 浏览器打开 http://localhost:8899
```
装好后会得到三个命令：vibe-trading（交互式 CLI/TUI）、vibe-trading serve（启动 Web UI）、vibe-trading-mcp（供 Claude / Cursor 等接入的 MCP 服务）。

三、核心功能
1. 自我进化的交易智能体：持久化记忆 + 可编辑技能，把有用的研究套路沉淀成可复用工作流，越用越顺手。
2. 多智能体交易团队：内置 30 个预设投研团队（投资委员会、crypto 交易台、宏观利率外汇台、量化策略台等），让多个 Agent 像真实投研部一样辩论、风控、拍板。
3. 跨市场数据 + 智能回退：一次 get_market_data 调用打通 19 个免费数据源（腾讯/东方财富/AKShare/OKX/yfinance 等），按 IP 封禁风险自动回退，零配置、零 Key、无单点故障。
1. 影子账户（Shadow Account）：上传券商交割单（同花顺 / 东方财富 / 富途 / 通用 CSV），Agent 还原你的交易行为画像、提取「影子策略」，再与实际成交对比，揪出提前离场、过度交易、处置效应等纪律漏洞。
2. 预置 Alpha 动物园：一行命令对 461 个量化因子（Qlib158 + Alpha101 + GTJA191 + 学术 + 基本面）做 IC/IR 与「存活 / 失效 / 反向」分类，随时给自己的股票池打分。
四、典型使用场景
1. 自然语言回测：让 Agent 用一句话写出策略代码、跑回测，输出含收益 / 回撤 / 基准对比的报告，还能直接导出 TradingView Pine Script、通达信、MetaTrader 5 代码。
2. 个人交易复盘：上传交割单，自动生成 PDF / HTML 行为诊断报告，看清自己的交易习惯与纪律缺口——比手动复盘高效太多。
3. 多 Agent 投研协作：用「投资委员会」团队对某个标的做多空辩论 + 风险评审，结论可直接推送到 Telegram / 飞书 / 企业微信 / Discord / Slack / QQ 等 IM 渠道。
五、推荐理由

我特别欣赏它「开箱即用」的设计：免费行情源默认就能跑，不用先配一堆 Key 才能动手；而多智能体 + 影子账户的组合，真正戳中了真实交易者的痛点——它不是一个只会在历史数据上回测的玩具，而是能帮你认识「自己怎么交易」的教练。香港大学团队出品，文档与因子库相当扎实。

⚠️ 风险提示：金融科技永远有风险，Vibe-Trading 的所有输出均仅供参考、不构成投资建议，切勿直接据此实盘。

六、下载地址
- 🌐 官网 / 文档：https://vibetrading.wiki/
- 🐙 GitHub 仓库：https://github.com/HKUDS/Vibe-Trading（⭐ 23K+，MIT 许可）
- 📦 PyPI 安装：pip install vibe-trading-ai
2026年7月15日
Graphify：把整个代码库变成 AI 可推理的知识图谱
📌 项目简介

Graphify 是一个开源的 AI 编程助手技能（Skill），用一条命令把你手头的代码库、SQL schema、论文 PDF、文档、截图甚至白板照片，全部解析成一张可查询的知识图谱。你的 AI 助手（Claude Code / Cursor / Codex / Gemini CLI / Aider 等 17 种）不再靠 grep 或模糊检索”猜”答案，而是沿着图谱里的真实路径推理——而且每条关系都可溯源、可审计。

💻 安装要求和过程

环境要求
- Python 3.10+（解析与存储完全本地运行，无需任何服务器）
- 任意一个支持的 AI 编程助手：Claude Code、Cursor、GitHub Copilot、OpenAI Codex、Gemini CLI、Aider 等（共 17 种），或任意 MCP 客户端
- 联网（仅用于把文件送给你自己配置的模型，如 Claude / Ollama；代码本身不出本机）
快速安装

PyPI 上的包名暂时叫 graphifyy（两个 y），但命令与技能名仍然是 graphify：
```
pip install graphifyy
graphify install        # 把技能注入你的 AI 助手
```
然后在任意目录下打开你的 AI 助手，输入：
```
/graphify .            # 对当前目录建图，代码 / 笔记 / 论文通吃
```
Windows 若提示找不到命令，把 %APPDATA%\Python\Python3xx\Scripts 加入 PATH，或直接用 pipx install graphifyy；macOS 若报 externally-managed 错误同样改用 pipx 即可。

✨ 核心功能

1. 全模态建图：万物皆可成节点

支持代码（Python / TS / Go / Rust / Java / C++ 等 36 种 tree-sitter 语法）、文档（md / txt / rst）、论文 PDF，以及截图 / 流程图 / 白板照片 / 多语言文字图片（借助 Claude 视觉能力）。App 代码、数据库 schema、基础设施被统一进同一张图。

2. 本地优先、零云端、零遥测

解析在本地跑，图谱就是磁盘上的一个文件（graph.json），没有任何服务器在环、没有任何遥测上报。代码永远不会离开你的机器——对重视隐私和合规的团队尤其关键。

3. 可审计的溯源：每条边都标明”怎么知道的”

图谱里每一条关系都被打上 EXTRACTED（源码里实锤）、INFERRED（由结构与命名推理，通常靠谱但值得复核）、AMBIGUOUS（证据指向多于一方）三种标签。AI 回答时引用的是它走过的真实路径，而不是”凭感觉”。

4. 17 个 AI 助手 + 自带 MCP Server

一个技能可装进 17 种助手，并额外提供 MCP server：既可 stdio 单机服务，也能 HTTP 给整个团队共享。还附带 graphify prs 终端 PR 看板（CI 状态 / AI 分诊 / 合并冲突风险）。

5. 自动同步：图谱跟着代码长

--watch 后台实时重建（代码保存即时、文档 / 图片变化提醒你跑 --update）；graphify hook install 还能装一个 git post-commit 钩子，每次提交后自动重建图谱，多 Agent 并行写码时图谱始终保持最新。

Graphify 将代码库映射为可交互知识图谱：节点=符号，颜色=自动识别的模块社区，大节点=God Node

🎯 典型使用场景

场景一：接手一个陌生代码库

不用硬读 100 个文件——直接查 “god nodes”（连接度最高的符号，改动影响面最大），几分钟摸清架构与模块边界，新成员上手速度拉满。

场景二：团队共享”谁负责什么”

把 graph.json 提交进仓库，或用 graphify.serve 走 HTTP。新人问 “谁负责 billing？”，得到的是穿过真实代码的两条跳路径，而不是一周前的 Slack 聊天记录。

场景三：给 AI 编程助手装”记忆”，省下海量 token

官方基准：在 Karpathy 仓库 + 论文 + 图片的混合语料上，相比逐文件读取原始文件，每次查询 token 减少 71.5 倍；社区实测在 49.6 万 token 的代码库上省 79 倍，且零向量数据库。NOTE / WHY / HACK 注释还会变成可追查的图谱节点。

💡 推荐理由

我最早是被”用图谱替代 grep”这个点打动的。实际用下来，最戳我的是可审计——现在太多 RAG / 向量库方案给的是个不透明的相似度分数，你根本不知道 AI 为什么这么答；Graphify 把每条边都标了出处，你能直接点开源码第几行去验证。再加上纯本地、MIT、零账号零卡片，安全感拉满。它不算”重”的工具，装一个 skill、跑一条命令，就能让手头的 AI 编程助手从”猜”变成”走查”。如果你也受够了助手读不全代码、答非所问，值得一试。

🔗 下载地址
- 🌐 官网：https://www.graphify.com
- ⭐ GitHub：https://github.com/Graphify-Labs/graphify（86.3K ★ · MIT · Python）
- 📦 安装：pip install graphifyy && graphify install
2026年7月15日
Next AI Draw.io：用自然语言一句话生成 draw.io 架构图的 AI 绘图神器
还在为画架构图、流程图熬夜对峙 draw.io？Next AI Draw.io 让你用一句话描述需求，AI 就直接生成、修改并渲染出标准的 draw.io 图表——支持 RAG 架构、云架构（AWS/Azure/GCP）、认证流程、甚至”会动的” Transformer 连接线。

📌 项目简介

Next AI Draw.io 是一个基于 Next.js 的开源 Web 应用，把大语言模型（LLM）与 draw.io 深度结合，让你通过自然语言命令创建、修改和增强专业图表——”Chat, Draw, Visualize” 三者合一。

🖼️ 效果一览（原项目示例）

下面是项目 README 中的真实生成效果，输入只是几句提示词：

提示词：为聊天应用生成 RAG 架构图，数据入采用连通图

提示词：用 React + AWS（Serverless）生成认证流程

提示词：用动画连线展示 Transformer 架构

⚙️ 安装要求与过程

环境要求
- Node.js 18+（项目基于 Next.js 16.x / React 19.x）
- 包管理器：npm（或 pnpm/yarn）
- 大模型 API Key：默认走 AWS Bedrock，也支持 OpenAI / Anthropic / Google / DeepSeek / Ollama 等 15+ .provider；可自带 Key，也可由管理员配置服务端模型
- 推荐模型：Claude Sonnet 4.5、GPT-5.1、Gemini 3 Pro、DeepSeek V3.2/R1（需强长文本+严格格式能力来生成 draw.io XML）
快速安装（本地开发）
```
# 1. 克隆仓库
git clone https://github.com/DayuanJiang/next-ai-draw-io
cd next-ai-draw-io

# 2. 安装依赖并配置环境变量
npm install
cp env.example .env.local

# 3. 启动开发服务器
npm run dev

# 4. 浏览器打开 http://localhost:6002
```
不想装？直接访问官方在线 Demo next-ai-drawio.jiang.jp，或下载 Windows / macOS / Linux 桌面端（Releases 页），也能一键部署到 EdgeOne Pages / Vercel / Cloudflare Workers。

✨ 核心功能
- 自然语言生成与编辑：用中文/英文命令直接创建、修改 draw.io 图表，AI 输出标准 XML 并实时渲染。
- 图片 / PDF / 文本复用：上传已有草图、截图、PDF 或文档，AI 自动”仿绘+增强”成规范图表。
- 云架构图专精：内置 AWS、Azure、GCP 等云厂商图标，生成云原生/Serverless 架构图尤其拿手（Claude 系列对云图标训练充分）。
- AI 推理过程可见 + 版本历史：可查看模型思考链路，并对每次编辑前的版本做版本控制、随时回滚。
- 动画连线 & MCP 服务：支持”会动”的连接线提升表达力；并提供 MCP Server，让 Claude Desktop / Cursor / VS Code 等 Agent 也能调用它画图。
🎯 典型使用场景
1. 技术方案评审 & 架构设计：架构师口述”用 React + AWS 做认证流程”，秒出 Serverless 架构图，评审会直接拿去讨论，省去手拖元件的半天。
2. 知识沉淀与教学：把 Henry Chesbrough 开放式创新模型、RAG 数据流等抽象概念，用一句提示词变成可读可视化的示意图，写文档、做 PPT 事半功倍。
3. AI Agent 自动化出图：在 Claude Code / Cursor 里装好 MCP，让编码 Agent 边写代码边自动产出”用户登录 + MFA + 会话管理”流程图，图直接实时出现在浏览器。
💡 推荐理由

我自己最吃它的”零摩擦”：打开网页、打一句话，图就出来了——对不擅长画图、或只想快点把脑子里的结构固定下来的人太友好了。它不像某些”AI 画图”只给不可编辑的图片，Next AI Draw.io 产出的是标准 draw.io XML，可继续在 draw.io 里精修，这点对工程场景很重要。多 Provider 支持 + 可自带 Key + 服务端模型配置，部署灵活；搭配 MCP 还能塞进 Agent 工作流。缺点是要出高质量云架构图对模型有要求（建议 Claude/GPT-5/Gemini 档位），弱模型偶尔 XML 会错位。总体 33K+ Star、Apache-2.0 协议，值得一试。

📥 下载地址
- 官方网站 / 在线 Demo：https://next-ai-drawio.jiang.jp/
- GitHub 仓库：https://github.com/DayuanJiang/next-ai-draw-io（⭐ 33.5K+，Apache-2.0，TypeScript）
- 桌面端 / 一键部署：Releases 页下载，或一键部署到 EdgeOne Pages / Vercel / Cloudflare Workers
2026年7月14日
codebase-memory-mcp：给 AI 编程助手装上「代码记忆」的知识图谱引擎（30.7K Star）
项目简介

codebase-memory-mcp 是 DeusData 开源的高性能「代码智能」MCP 服务器。它把整个代码库预先解析成一张持久化的知识图谱，让 Claude Code、Cursor、Codex 等 AI 编程智能体通过结构化查询（而非逐文件读取）来理解代码——平均仓库毫秒级建图、查询亚毫秒返回，官方论文实测可节省约 99% 的 token 消耗。纯 C 实现、单静态二进制、零运行时依赖、100% 本地运行。

安装要求和过程

环境要求
- 操作系统：macOS（Apple Silicon / Intel）、Linux（x86_64 / ARM64）、Windows（x86_64）
- 无需 Docker、无需运行时、无需 API Key
- 零依赖：单静态二进制，运行时无任何外部依赖，下载即可运行
- 可选的 3D 可视化 UI 需浏览器访问 localhost:9749
快速安装

macOS / Linux 一行安装（默认无 UI）：
```
curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash
```
带 3D 可视化界面：
```
curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash -s -- --ui
```
Windows（PowerShell）：下载 install.ps1 后执行 Unblock-File .\install.ps1 再运行 .\install.ps1。

也可通过 npm / PyPI / Homebrew / Scoop / Winget / Chocolatey / AUR 安装。安装脚本会自动探测并写入 11 种 AI Agent 的 MCP 配置（Claude Code、Codex、Gemini CLI、Zed、Cursor、VS Code、Aider、Kiro 等），重启 Agent 即生效。

核心功能

1. 毫秒级代码建图

采用 RAM 优先管道（LZ4 压缩 + 内存 SQLite），平均仓库毫秒级全量索引，Linux 内核（2800 万行 / 7.5 万文件）仅需 3 分钟，索引完成后释放内存，不长期占用资源。

2. 158 种语言 + Hybrid LSP 语义解析

内置 tree-sitter 语法覆盖 158 种语言，并对 Python / TypeScript / Go / Rust / C# / Java 等 11 种语言叠加 Hybrid LSP 语义类型解析，生成函数、类、调用链、HTTP 路由、跨服务链接等实体与关系组成的知识图谱。

3. 14 个 MCP 工具

涵盖索引类（index_repository / list_projects / delete_project / index_status）与查询分析类（search_graph / trace_path / query_graph / get_architecture / detect_changes / search_code / manage_adr 等），覆盖搜索、调用链追踪、架构概览、改动影响面分析、死代码检测。

4. 节省约 99% token

5 次结构化查询约 3,400 token，而逐文件搜索约 412,000 token，省下约 120 倍；一次图查询即可替代数十次 grep / read 循环，大幅缓解大仓库的上下文窗口焦虑。

5. 11 种 Agent 一键接入 + 3D 图可视化

install 自动探测配置 Claude Code / Codex / Gemini CLI / Zed / Cursor / VS Code / Aider / Kiro 等 11 种 Agent；可选 UI 变体在 localhost:9749 提供交互式 3D 知识图谱浏览，直观查看调用关系与代码结构。

典型使用场景

1. 大型代码库”秒懂”

在 5 万行以上的项目上，让 Claude Code 通过 get_architecture 一次拿到语言 / 包 / 路由 / 热点概览；问”谁调用了 ProcessOrder?”，由 trace_path 直接返回完整调用链，无需反复读取文件。

2. 改动影响面分析

提交前运行 detect_changes，把 git diff 映射到具体符号并做风险分级，提前知道”改这个函数会波及哪些模块”，避免误删、误改导致线上故障。

3. 团队共享代码记忆

将 .codebase-memory/graph.db.zst 压缩快照提交到 git，团队成员 clone 后免重复索引；新人也能立刻获得全局结构认知，降低上手成本。

推荐理由

作为重度使用 Claude Code 的开发者，这个项目最打动我的是“把上下文探索从每次重新读文件，变成查询持久化图谱”的思路。在 2800 万行的 Linux 内核上 3 分钟建完索引、查询亚毫秒返回，意味着 AI 助手不再因为上下文窗口焦虑而反复 grep、read，token 成本直接砍掉 99%。纯 C 单二进制、零依赖、100% 本地运行（代码不出机器）也是加分项，对个人隐私和多语言大型仓库非常友好。

一点小提醒：目前纯 C 实现对新语言的语义解析仍有分级（函数式语言如 OCaml / Haskell 解析度 <75%），且安装后需要重启 Agent 才能生效配置；但它已经是 AI 编程工作流里”装上就不想卸”的基础设施级工具。

下载地址
- GitHub：github.com/DeusData/codebase-memory-mcp（⭐ 30.7K · MIT 许可）
- 官方文档：deusdata.github.io/codebase-memory-mcp
- 研究论文：arXiv:2603.27277
2026年7月13日
Strix：让 AI 当黑客，自动找出并修复你应用的真实漏洞（40.8K Stars）
一句话先说清楚：Strix 是一个开源的自主 AI 渗透测试智能体（Autonomous AI Pentesting Agents）。它不像传统扫描器那样丢给你一堆“可能存在风险”的噪音告警，而是真的会动态跑起你的代码、模拟攻击者思维去打、再用可验证的 PoC 证明漏洞确实存在——最后还顺手把补丁和报告给你写了。

项目简介

usestrix/strix，Apache-2.0 协议，纯 Python 写就，目前在 GitHub 上已经 4 万+ Stars，连续多周霸榜 Trending。它的定位很直白：把“请安全公司做一次渗透测试”这件事，从“几万块、等几周”，变成“一条命令、几分钟”。它支持本地代码库、GitHub 仓库、线上应用三种目标模式，也能多目标并行扫描。

安装要求和过程

Strix 的依赖极其克制，你只需要两样东西：
- 一个正在运行的 Docker（首次运行自动拉取沙箱镜像，把攻击行为关在隔离环境里）；
- 一个任意主流 LLM 的 API Key（OpenAI / Anthropic / Google 都行，底层走 LiteLLM）。
安装就一行：
```
curl -sSL https://strix.ai/install | bash
```
配置好供应商和目标，开跑：
```
export STRIX_LLM="openai/gpt-5.4"
export LLM_API_KEY="your-api-key"
strix --target ./app-directory
```
首次运行会自动拉取沙箱 Docker 镜像，结果全部落进 strix_runs/<run-name>。如果你是 Windows，注意它本质是个 Python 包 + Docker，建议走 WSL2，别在原生 CMD 里硬刚。

核心功能

1. 真实漏洞验证，拒绝误报——这是它和传统扫描器最大的区别。Strix 会实际构造攻击载荷、命中、再生成可复现的 PoC 代码，只报“已被验证”的漏洞。传统工具 60-80% 的误报率，在这里被砍掉了。

2. 多智能体协同的“红队”——侦察 Agent 画攻击面地图，注入测试 Agent 专攻 SQL/命令注入，权限提升 Agent 测越权与认证绕过，前端 Agent 查 XSS/CSRF。它们并行工作、互相共享线索，像一支真实的安全团队。

3. 覆盖 OWASP Top 10 全栈——越权、注入、服务端/客户端攻击、业务逻辑缺陷、认证与会话、基础设施/云、API 安全，一锅端。

4. 自动修复 + 合规报告——不光告诉你哪儿漏了，还生成补丁和合规报告。开发者优先的 CLI，每条发现都带修复指导。

5. 代理式工具箱——内置 HTTP 拦截代理（Caido）、浏览器利用、Shell 执行、自定义利用运行时、侦察/OSINT、静态/动态分析、漏洞知识库。

典型使用场景

场景一：开发流程里的“安全卡点”
把 Strix 接进 CI/CD。每次 PR 合并前跑一遍 strix -n --target ./ --scan-mode quick，上线前自动兜底。这是它最实用的姿势——让安全从“上线后救火”变成“开发时拦截”，修复成本直接降一个数量级。

场景二：Bug Bounty 自动化
独立安全研究员用它批量扫目标、自动出 PoC。配合 --target-list ./targets.txt 多目标并行，把重复劳动交给 AI，自己专注高价值的逻辑漏洞挖掘。

场景三：黑盒 Web 应用快速体检
strix --target https://your-app.com，通过 --instruction 给自然语言指令（比如“用 user:pass 做认证测试”），AI 会像红队一样从外往里打，几分钟出一份带证据的安全评估。

推荐理由

我挺吃 Strix 这套“用 AI 模拟真实黑客”的思路。过去做安全，要么花钱请人、要么自己扛一堆误报告警大海捞针。Strix 把“验证”这件事做在了前面——它不拿签名库糊弄你，而是真跑、真打、真证明。多智能体架构也比单 Agent 更像人，侦察-利用-后利用的链条能自动衔接。

当然，也得泼盆冷水：它目前还很“Alpha”，社区里有资深安全研究员指出它的提示模板还偏基础，跟顶级商业工具比仍有差距；AI 的扫描结果必须人工复核，且绝对不能拿去打未授权目标。但作为开发自测、CI 卡点和学习红队思维的开源玩具，它已经足够香，而且免费、可商用（Apache-2.0）。

⚠️ 安全声明：Strix 仅可用于你拥有授权的目标。运行前务必隔离环境，防止模型抽风导致密钥或数据泄露。

下载地址
- 官网 & 文档：https://strix.ai
- GitHub：https://github.com/usestrix/strix
2026年7月13日
Page Agent：阿里巴巴开源的“住在网页里的”GUI 智能体，一行脚本让网页自己动起来
项目简介

Page Agent 是阿里巴巴开源的一个运行在网页内部的 JavaScript GUI 智能体。只需一行脚本，就能让任意网页拥有自己的 AI 代理，用自然语言直接控制 Web 界面——点击按钮、填写表单、跳转页面，全部交给 AI 完成。项目当前已收获约 2.6 万 Star，采用 MIT 协议，主要使用 TypeScript 编写，运行时以纯前端 JavaScript 注入。

“The GUI Agent Living in Your Webpage. One script gives any web page its own AI agent.”

安装要求和过程

环境要求
- 任意支持 <script> 标签或 npm 的网页环境即可；
- 无需浏览器扩展、Python 或无头浏览器，纯前端运行；
- 如需自托管大模型，需一个可访问的模型 API（如通义千问 Qwen、本地模型等）；
- 使用 npm 安装 / 二次构建时需要 Node.js 环境。
快速安装（三种方式）

方式一：CDN 一行接入
```
<script
    src="https://cdn.jsdelivr.net/npm/page-agent@1.12.1/dist/iife/page-agent.demo.js"
    crossorigin="anonymous"
></script>
```
国内镜像：https://registry.npmmirror.com/page-agent/1.12.1/files/dist/iife/page-agent.demo.js

方式二：NPM 安装
```
npm install page-agent
```
```
import { PageAgent } from 'page-agent'

const agent = new PageAgent({
    model: 'qwen3.5-plus',
    baseURL: 'https://dashscope.aliyuncs.com/compatible-mode/v1',
    apiKey: 'YOUR_API_KEY',
    language: 'en-US',
})

await agent.execute('Click the login button')
```
方式三：Chrome 扩展 —— 从 Chrome 网上应用店安装 Page Agent 扩展，用于跨多标签页的多页面任务。

核心功能
- 🎯 极简集成：纯页面内 JavaScript，不需要浏览器扩展、Python 或无头浏览器，几行代码即可嵌入。
- 📖 基于文本的 DOM 操作：无需截图、不依赖多模态大模型或特殊权限，通过结构化 DOM 文本理解页面并执行操作。
- 🧠 自带 LLM（BYO）：支持绝大多数主流模型（含本地部署），模型选择完全自由。
- 🐙 可选 Chrome 扩展：支持跨标签页的多页面任务编排。
- 🔌 MCP Server（Beta）：允许外部 Agent 客户端（如 Claude Code / Cursor）从外部控制你的浏览器。
典型使用场景
- SaaS AI Copilot：几行代码为自家产品嵌入 AI 助手，无需重写后端，立刻获得“对话式操作界面”能力。
- 智能表单填充：把原本需要 20 步点击的流程压缩成一句话，特别适合 ERP / CRM / 后台管理系统等高频重复操作。
- 无障碍访问：通过自然语言让任何 Web 应用变得可操作，配合语音 / 读屏为行动不便的用户打开大门。
- 多页面自动化 / MCP 控制：借助 Chrome 扩展或 MCP Server，让 AI 跨页面完成复杂工作流（如比价、数据搬运）。
推荐理由

我第一次看到 Page Agent 时最直接的感受是：它把“浏览器自动化”这件事做得太轻了。传统方案（如 Playwright / Puppeteer 脚本、或无头浏览器方案）要么要写一堆选择器、要么要吃截图走多模态，门槛和成本都不低。Page Agent 反其道而行——它就活在页面里，用文本化的 DOM 理解来“读懂”界面，再用自然语言驱动操作，心智负担几乎为零。

对前端 / 产品同学尤其友好：你想给后台加个“AI 帮我导这份报表”的入口，挂一段脚本就行，不用动架构。再加上它支持 BYO 模型、可接本地大模型，数据不出内网也能玩。如果你正琢磨怎么给产品接一个“会自己点页面”的 AI，Page Agent 是目前最省心、最贴近生产的选择之一。

下载地址
- GitHub 仓库：github.com/alibaba/page-agent
- npm 包：npmjs.com/package/page-agent
- 在线 Demo：alibaba.github.io/page-agent
- 官方文档：alibaba.github.io/page-agent/docs
- Chrome 扩展：Chrome 网上应用店
2026年7月12日

⭐ 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： MCP

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

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

🛠 安装要求和过程

环境要求

快速安装

✨ 核心功能

🎯 典型使用场景

💡 推荐理由

🔗 下载地址

📦 安装要求和过程

环境要求

快速安装（任选其一）

快速开始

✨ 核心功能

🌐 WebUI 与架构

🎯 典型使用场景

💡 推荐理由

🔗 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（PyPI 一行装）

Docker 零配置（约 2 分钟）

三、核心功能

四、典型使用场景

五、推荐理由

六、下载地址

📌 项目简介

💻 安装要求和过程

环境要求

快速安装

✨ 核心功能

1. 全模态建图：万物皆可成节点

2. 本地优先、零云端、零遥测

3. 可审计的溯源：每条边都标明”怎么知道的”

4. 17 个 AI 助手 + 自带 MCP Server

5. 自动同步：图谱跟着代码长

🎯 典型使用场景

场景一：接手一个陌生代码库

场景二：团队共享”谁负责什么”

场景三：给 AI 编程助手装”记忆”，省下海量 token

💡 推荐理由

🔗 下载地址

📌 项目简介

🖼️ 效果一览（原项目示例）

⚙️ 安装要求与过程

环境要求

快速安装（本地开发）

✨ 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

核心功能

1. 毫秒级代码建图

2. 158 种语言 + Hybrid LSP 语义解析

3. 14 个 MCP 工具

4. 节省约 99% token

5. 11 种 Agent 一键接入 + 3D 图可视化