标签： MIT许可

AI Job Search：跑在你机器上的 AI 求职申请框架，让 Claude 帮你写简历、求职信、备战面试（21.2K⭐）
AI Job Search 是一个完全跑在你自己机器上的 AI 求职申请框架，基于 Claude Code 构建。Fork 仓库、填好个人资料，Claude 就能帮你评估职位匹配度、定制简历、撰写求职信、准备面试——把最耗时的求职苦差事彻底工程化。

📌 项目简介

「The job search that runs on your machine.」作者 Mads Lorentzen 把 Claude Code 变成了一位全栈求职助理：核心工作流（自我画像 → 适配度评估 → 起草-评审申请管道）与语言、国家无关；内置的招聘门户搜索技能默认面向丹麦市场（Jobindex / Jobnet / Akademikernes Jobbank 等），但模式可被替换成你本地的招聘网站。项目没有任何加密货币、代币或付费赞助，仅通过 Ko-fi 捐赠支持，隐私与安全取向明确。

💻 安装要求与过程

环境要求
- Claude Code CLI（需订阅 Anthropic）
- Python 3.10+（薪资基准等脚本）
- Bun（用于职位搜索 CLI 工具，bun.sh）
- LaTeX 发行版，需含 lualatex 与 xelatex：TeX Live / MacTeX / TinyTeX / MiKTeX（简历用 lualatex 编译，求职信用 xelatex 编译）
- 可选：pdftotext（来自 poppler）——用于 /apply 的 ATS 文本层校验；缺失时自动降级为视觉检查
快速安装

① Fork 并克隆
```
gh repo fork MadsLorentzen/ai-job-search --clone
cd ai-job-search
```
② 安装职位搜索 CLI 工具（Bash / zsh / Git Bash）
```
for tool in jobbank-search jobdanmark-search jobindex-search jobnet-search linkedin-search freehire-search; do
  cd .agents/skills/$tool/cli && bun install && cd ../../../..
done
```
③ 进入 Claude Code 填写个人资料
```
claude
# 在 Claude Code 内执行：
/setup
```
④ 搜索职位
```
/scrape
```
⑤ 申请职位
```
/apply https://jobindex.dk/job/1234567
# 或粘贴完整 JD：
/apply <粘贴完整职位描述>
```
⚡ 核心功能
- 本地运行、可分叉自有：框架在你的机器上跑，Fork 后填入资料即可，无外部服务绑定，求职数据完全私有。
- Drafter-Reviewer 双代理申请流：起草者用 LaTeX 写草稿，再由一个带全新上下文的独立 reviewer 代理调研公司、批判草稿，最后修订——避免单遍生成留下的套话与遗漏。
- PDF 编译与视觉校验循环：自动把简历编译成精确的 2 页、求职信 1 页，并读取渲染页迭代修复版式错误（孤行标题、字体回退、溢页等），每次申请自动执行。
- ATS 文本层校验：用 pdftotext 抽取简历文本层，按 ATS 解析器视角验证联系方式、阅读顺序与关键词覆盖；诚实规则——简历不支持的关键词绝不硬塞。
- 相关性加权裁切 + 丰富命令生态：超页时按「与目标职位的相关度 / 文档内独特性 / 求职信依赖度」打分裁线，而非机械删旧；提供 /setup /scrape /apply /rank /interview /outcome /expand /upskill /add-template /add-portal /reset 等 10+ 命令。
🎯 典型使用场景
- 主动靶向申请：/scrape 抓取丹麦/跨国职位板 → /rank 批量打分排序 → 选定目标 /apply <url> 一键产出定制简历与求职信。
- 面试准备：某个申请进入面试后，对其归档记录跑 /interview，基于「面试官实际读到的简历/求职信 + 往轮反馈」生成阶段化准备包与模拟面试。
- 职业差距规划：两次投递之间用 /upskill <URL> 或 /upskill 分析个人画像与职位的差距，输出优先学习热图与带时间估计的学习计划。
💡 推荐理由（个人心得）

市面上「AI 帮你写简历」的工具不少，但大多只做一次性文本生成，排版一塌糊涂。AI Job Search 最打动我的是它把求职这件事当成一个严肃的软件工程问题：双代理互相挑刺、强制 PDF 编译校验、ATS 文本层检查，几乎杜绝了「.tex 看起来没问题、渲染出来全崩」的经典翻车。而且它真正跑在本地、Fork 即拥有，可深度定制（自定义 LaTeX 模板、自定义招聘门户 /add-portal），隐私与可控性拉满。

当然也有门槛：依赖 LaTeX 环境 + Claude Code 订阅，初次搭建略繁琐；默认招聘门户偏丹麦市场（但 linkedin-search / freehire-search 是跨国、零依赖的，开箱即用）。如果你正在换工作、且本就有 Claude Code，这个项目能实打实省下大量写简历、改求职信的周日。

📥 下载地址
- GitHub：github.com/MadsLorentzen/ai-job-search（⭐ 21.2K · MIT）
- Claude Code：claude.com/claude-code（框架运行依赖）
- Bun：bun.sh（职位搜索 CLI 运行时）
- Trendshift：trendshift.io/repositories/43622
标签：AI · 开源 · AI Agent · Claude Code · 求职助手 · 简历优化 · 职业规划｜许可证：MIT｜语言：TypeScript / Python / LaTeX
2026年7月12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
Superpowers：让 AI 编程智能体「先想清楚再做」的开源方法论
Superpowers 是一套面向 AI 编程智能体（Claude Code、Cursor、Codex、Copilot CLI 等）的开源「方法论 + 技能框架」。它不写业务代码，而是把资深工程师的开发纪律——先脑暴、出设计、写计划，再以测试驱动与代码评审推进——固化成一组「强制触发」的技能（skills），让 Agent 不跳过任何关键步骤。一句话：它给 AI 编程助手外挂了一套工程纪律。

安装要求和过程

环境要求
- 任意支持「插件市场」的 AI 编程客户端：Claude Code、Cursor、Codex App/CLI、GitHub Copilot CLI、Kimi Code、OpenCode 等；
- 无需额外运行时依赖——技能本身是纯 Markdown，零代码、零安装负担；
- 最新版本 v6.1.1（2026-07-03），MIT 协议，可商用。
快速安装

以最常用的 Claude Code 为例，一条命令装好：
```
plugin install superpowers@claude-plugins-official
```
其他宿主的安装入口：
- Cursor：在 Agent 聊天里执行 /add-plugin superpowers；
- Codex CLI：/plugins 搜索 superpowers 安装；
- Copilot CLI：注册市场后 copilot plugin install superpowers@superpowers-marketplace；
- OpenCode：读取并执行 https://raw.githubusercontent.com/obra/superpowers/refs/heads/main/.opencode/INSTALL.md。
装好后，正常对话提需求即可——智能体会自动激活内置技能链，无需你手动调用。

核心功能
- 自动触发的技能库：20+ 技能覆盖测试（TDD 红-绿-重构）、调试（系统化排查、完成前验证）、协作（脑暴、写计划、派发并行 Agent、请求/接收代码评审）等，全部「强制工作流」而非可选建议。
- 「先想后做」工作流：脑暴出规格 → Git worktree 隔离 → 设计文档 → 细粒度实施计划 → 子智能体并行开发 → TDD → 代码评审 → 收尾分支，每一步都有验证门禁。
- 跨宿主通用：一套技能同时兼容 Claude Code、Cursor、Codex、Copilot CLI、Kimi Code、OpenCode 等，换工具不丢方法论。
- 子智能体驱动开发（Subagent-driven Development）：把任务拆给并行子 Agent，主 Agent 只做编排与评审，效率和质量双升。
- 可扩展元技能：writing-skills 让你把自己的工作流封装成新技能，using-superpowers 教 Agent 怎么用这套框架——团队规范可沉淀复用。
典型使用场景
- 从一句话需求到可运行功能：让 Agent 先脑暴出规格文档、确认后再生成计划，最后自主开发并自测，避免「上来就写代码」导致的返工灾难。
- 大型功能并行开发：用 worktree 隔离 + 派发多个子 Agent 同时推进不同模块，主 Agent 汇总与评审，单人也能扛起一个小组的吞吐。
- 团队统一研发规范：把团队最佳实践写成技能，所有人（和人）用同一套流程，新人也能稳定产出老手质量的代码。
推荐理由

用过一堆「vibe coding」工具后，我的结论很朴素：最大的问题不是模型不够聪明，而是 Agent 没有纪律——直接上手写、不写测试、不评审。Superpowers 把「工程纪律」外挂给 Agent，强制它先脑暴、再计划、再 TDD，质量肉眼可见地提升。它不替你做判断，只是不让 Agent 跳过关键步骤。25 万+ star、今天还挂在 GitHub 热榜第一，MIT 协议，值得每个用 AI 写代码的人装一下。

下载地址
- GitHub：https://github.com/obra/superpowers
- 官方市场 / 安装说明：见仓库 README（含各宿主插件市场入口）
2026年7月12日
Claude Cookbooks：Anthropic 官方出品的 Claude 使用范例集，47.8K stars 让 AI 开发少走弯路
Claude Cookbooks 是 Anthropic 官方维护的一组 Claude 使用范例/配方集（Jupyter Notebooks），用可直接复制、可运行的代码片段教会开发者如何用好 Claude API。它覆盖了文本分类、RAG、摘要、工具调用、多模态视觉、子代理、自动评估、JSON 模式、提示缓存等核心场景。截至 2026 年 7 月，仓库已收获 47.8K+ Stars、5.6K+ Forks，是学习和参考 Claude 官方最佳实践的必读项目。

一、项目简介

Claude Cookbooks 的定位非常清晰：它不是框架，也不是 SDK，而是一本「官方菜谱」。每个 Notebook 都围绕一个真实开发问题展开，例如「怎么用 Claude 做 RAG」「怎么让 Claude 调用外部工具」「怎么处理 PDF 与图片」「怎么自动评估生成结果」。你可以直接复制代码到自己的项目里，也可以把它当成学习 Claude API 的教程。

二、安装要求和过程

环境要求：
- Python 3.10+（示例代码以 Python 为主）；
- 一个 Claude API Key（可在 Anthropic 官网免费注册）；
- 仓库使用 uv 管理依赖，建议安装 uv（pip install uv 或 curl -LsSf https://astral.sh/uv/install.sh | sh）；
- 运行 Jupyter Notebook 需要浏览器或 VS Code Jupyter 插件。
快速安装：
```
# 1. 克隆仓库
git clone https://github.com/anthropics/claude-cookbooks.git
cd claude-cookbooks

# 2. 用 uv 安装依赖
uv sync

# 3. 设置环境变量
export ANTHROPIC_API_KEY="sk-ant-api03-..."

# 4. 启动 Jupyter 浏览示例
jupyter notebook
```
如果你不想安装 uv，也可以直接用 pip：pip install anthropic jupyter，然后逐本运行 Notebook。

三、核心功能
- 覆盖 Claude 全能力的实战 Notebook：从基础的文本分类、摘要、RAG，到高级的工具调用（Tool Use）、JSON 模式、子代理（Sub-agents）、自动评估（Evals）和提示缓存，几乎囊括了 Claude 的所有核心能力。
- 官方出品、持续更新：Anthropic 工程团队直接维护，Notebook 会跟随 Claude 3.5 / 3.7 / 4 系列模型和新 API 特性同步更新，避免你学到过时的写法。
- 可复制、可扩展的代码片段：每个配方都提供最小可运行示例，代码结构清晰，方便你替换成自己的数据、提示词或业务逻辑。
- 多模态与文档理解：包含视觉理解、图表解析、PDF 内容提取、表单识别等示例，适合需要处理非结构化数据的项目。
- 评估与可观测性：提供自动评估 Cookbook 和 Agent 搜索基准复现（DeepSearchQA / BrowseComp），帮助你建立「改提示 → 跑评估 → 看指标」的迭代闭环。
四、典型使用场景
1. 快速上手 Claude API：如果你是第一次用 Claude API，直接打开 getting_started 或基础能力 Notebook，五分钟就能把第一条请求跑起来。
2. 构建 RAG 与文档问答应用：参考 RAG 配方，把自有文档切分、嵌入、检索后交给 Claude 生成答案；也可以看多模态示例，直接让 Claude 读取 PDF 或图片并回答。
3. 开发工具型 Agent：学习如何让 Claude 调用计算器、数据库、搜索引擎等外部工具，并进一步组合成多 Agent 协作系统（Coordinator + Sub-agents）。
五、推荐理由

Claude Cookbooks 给我的最大价值是「少走弯路」。网上关于 Claude 的教程很多，但官方示例在 Prompt 写法、参数选择、错误处理和成本控制上往往最贴近生产实践。特别是工具调用、JSON 模式和提示缓存这几个容易踩坑的场景，官方代码把最佳实践写得非常清楚。而且它完全开源（MIT），Notebook 形式读起来没有框架源码那么重，适合一边看一边改。

六、下载地址
- GitHub 仓库：https://github.com/anthropics/claude-cookbooks
- Anthropic 官方文档：https://docs.anthropic.com
- Anthropic API 注册：https://www.anthropic.com
2026年7月12日
Desktop Commander MCP：让 AI 直接掌控你的终端与文件系统
一、项目简介

Desktop Commander MCP 是一个为 Claude、Cursor、VS Code、Claude Code 等 AI 编程客户端提供「终端控制 + 文件系统搜索 + 差异文件编辑」能力的 MCP（Model Context Protocol）服务器。它让你的 AI 助手不再只会「动嘴」，而是能在你的本地电脑上真正「动手」——开终端、搜文件、改代码、跑命令、看结果，一条龙闭环。

项目由 wonderwhy-er 维护，目前 GitHub 收获 6,700+ Stars、882 Forks，采用 MIT 协议开源，底层用 TypeScript 实现，跨 Windows / macOS / Linux 全平台可用。

二、安装要求与过程

环境要求
- Node.js（推荐 18+；或改用 Docker 方式，无需安装 Node）；
- 一个支持 MCP 的客户端：Claude Desktop / Cursor / VS Code / Claude Code / Codex / Gemini CLI / Windsurf 等；
- 操作系统：Windows、macOS、Linux 均可。
快速安装（以 Claude Desktop 为例，npx 自动更新）
```
npx @wonderwhy-er/desktop-commander@latest setup
```
或手动在 claude_desktop_config.json 中添加：
```
{
  "mcpServers": {
    "desktop-commander": {
      "command": "npx",
      "args": ["-y", "@wonderwhy-er/desktop-commander@latest"]
    }
  }
}
```
其他客户端一句话安装
```
# Claude Code
claude mcp add --scope user desktop-commander -- npx -y @wonderwhy-er/desktop-commander@latest

# Codex
codex mcp add desktop-commander -- npx -y @wonderwhy-er/desktop-commander@latest

# Qwen Code
qwen mcp add desktop-commander -- npx -y @wonderwhy-er/desktop-commander@latest
```
不想装 Node？直接用 Docker 一键脚本（install-docker.sh / install-docker.ps1）启动；也可以通过 Smithery、Cursor 的 MCP 安装链接等图形化方式添加。

三、核心功能
1. 增强型终端控制：运行长时间命令、管理交互式进程（start_process / interact_with_process / read_process_output / force_terminate）、会话管理，并支持指定 bash / zsh 等 shell。
2. 完整文件系统操作：读 / 写 / 移动 / 递归列目录、按文件名与内容搜索（基于 vscode-ripgrep 的递归搜索）、读取文件元数据、负偏移 tail 读取超大日志。
3. 差异文件编辑（edit_block）：精准 SEARCH/REPLACE 替换、模糊回退、字符级 diff、多文件与正则模式替换，像资深工程师一样做「外科手术式」修改，而不是整文件重写。
4. 即时数据分析与办公文档：在内存中直接跑 Python / Node / R 代码；原生读写 Excel（.xlsx/.xls/.xlsm）、PDF、DOCX；直接分析 CSV / JSON，数据不出本机。
5. 企业级安全与可观测：符号链接遍历防护、命令黑名单、Docker 隔离、全面审计日志（10MB 轮转）、动态配置无需重启。
四、典型使用场景
- 大型代码库重构：让 Claude 用 ripgrep 递归搜出所有调用某函数的地方，逐文件用 edit_block 做差异修改。社区里有用户用它一次性修完 23 个文件、76 个错误的 Svelte 5 项目，速度远超传统 AI 编码体验。
- 本地数据分析：把 Downloads 里的 CSV 丢给 Agent，它直接在内存里跑 Python 做清洗、统计、画图，全程不离开本机，隐私可控。
- 自动化日常办公：自动按文件类型整理 Downloads、找出重复照片、把 Excel 报表转成图表或 Markdown，把重复的体力活交给 AI。
五、推荐理由

一句话总结：这是目前我用过「最像把 AI 变成真同事」的 MCP 工具。它不只是一个文件服务器，而是把「读代码 → 改代码 → 跑命令 → 看结果」的闭环搬进了对话框。

最香的是差异编辑（edit_block）——AI 不再整文件重写，而是精准打补丁，token 消耗更低、上下文更稳，长时间对话也不容易「翻车」。配合 Claude Code / Cursor，几乎可以取代一部分 IDE 操作，Vibe Coding 体验拉满。

唯一要留意的是权限边界：它默认能跑任意终端命令，建议在配置里用 allowedDirectories 限定工作目录，并保持审计日志开启。整体来说，开源 MIT、跨平台、一行命令装好，强烈推荐给所有做 AI 编程的人。

六、下载地址
- 官方网站：https://desktopcommander.app/
- GitHub 仓库：https://github.com/wonderwhy-er/DesktopCommanderMCP
- MCP 配置文档：https://desktopcommander.app/mcp/
- Smithery 安装：smithery.ai/server/@wonderwhy-er/desktop-commander
2026年7月10日
AI-Job-Search：基于 Claude Code 的 AI 求职框架，让 Agent 帮你改简历、写求职信、备战面试
今天要介绍的项目是 ai-job-search——一个在 GitHub 今日趋势榜上以 +3,700 stars/天 的势头冲到 AI 类目前列的求职神器。它把当下最火的 AI Agent 能力，用到了每个人迟早都要面对的真实场景里：找工作。

📌 项目简介

ai-job-search 是一个构建在 Claude Code 之上的 AI 驱动求职申请框架。你只需要 Fork 仓库、填写个人档案，剩下的「评估岗位匹配度 → 定制简历 → 撰写求职信 → 模拟面试」全部交给 Claude 自动完成。它不是 Anthropic 官方项目，但是把 Claude Code 的 Skill / Agent 能力落进高频真实场景的范本作品。

▲ ai-job-search 工作流演示（Fork → /setup → /scrape → /apply）

💻 安装要求和过程

环境要求
- Claude Code CLI（Anthropic 官方命令行工具）
- Python 3.10+
- Bun（用于运行职位搜索 CLI）
- LaTeX 发行版：需含 lualatex 与 xelatex，推荐 TeX Live / MacTeX / TinyTeX / MiKTeX（CV 用 lualatex，求职信用 xelatex）
- 可选：pdftotext（poppler），用于 ATS 文本层校验；缺失时自动降级为视觉检查
快速安装
```
# 1. Fork 并克隆仓库
gh repo fork MadsLorentzen/ai-job-search --clone
cd ai-job-search

# 2. 安装职位搜索工具（需要 Bun）
bun install

# 3. 启动 Claude Code 并初始化个人档案
claude
# 在交互中执行 /setup（三种方式：导入 documents/ 文件夹、粘贴简历、AI 访谈引导）
```
初始化完成后，即可用 /scrape 搜索职位、/apply <岗位URL> 或粘贴 JD 文本来发起申请。

✨ 核心功能
- 🎯 草稿-评审申请工作流（/apply）：强制 PDF 编译 + 可视化检查，内含 PDF 验证循环（防排版破碎）、ATS 文本层校验（用 pdftotext 抽取关键词与联系人）、按匹配度加权删减、起草与评审双 Agent 分离——直接解决 AI 写简历最易翻车的「排版崩了、关键词被吃」问题。
- 🔍 多门户职位搜索与排序（/scrape、/rank）：跨多个招聘板抓取、去重、按适配度排序，并支持批量打分，把精力留给最匹配的岗位。
- 🎤 面试备战（/interview）：基于历史归档生成分阶段准备包与模拟面试，提前演练高频问题与回答要点。
- 📈 档案增强与技能差距分析（/expand、/upskill）：从公开来源丰富个人档案，分析技能差距并生成针对性学习计划。
- 🧰 可扩展模板与门户（/add-template、/add-portal）：注册自定义 LaTeX 模板，或生成本地招聘板搜索技能，轻松适配不同国家 / 地区市场（默认职位搜索面向丹麦，可替换）。
🚀 典型使用场景
- 海投变精准投递：把一份通用简历交给框架，针对每个岗位自动生成匹配度最高的定制版简历与求职信，告别「千人一面」。
- 面试前冲刺：让 Agent 根据目标岗位和你的档案，生成模拟面试问题与回答要点，提前查漏补缺。
- 求职数据闭环：用 /outcome 记录每个岗位的投递阶段、offer 与拒信，逐步沉淀属于自己的求职知识库。
💡 推荐理由

作为常年和 Agent 打交道的人，我第一眼就被它的「草稿-评审」双 Agent 设计打动——它没有一上来就让你无脑海投，而是把求职拆成「评估 → 定制 → 评审 → 面试」几个严肃环节。尤其是 PDF 验证循环 + ATS 文本层检查，精准命中了 AI 写简历最容易翻车的点。整套流程语言与国家无关，模板基于 moderncv 与自定义 cover 类，产出物专业度高。如果你正在找工作、或经常帮人改简历，这个项目值得立刻试一试。

🔗 下载地址
- GitHub 仓库：https://github.com/MadsLorentzen/ai-job-search
- 安装文档（SETUP.md）：仓库内 SETUP.md
- 许可证：MIT License（可自由 Fork、修改、商用）
本文由自动化任务整理发布，数据截至 2026-07-10，stars 持续增长中。
2026年7月10日
claude-video：让 Claude 真正“看懂”视频的 /watch 技能，6.4K Stars 把视频变成 AI 能读的输入
📌 项目简介

claude-video 是一个让 Claude（以及 Codex、Cursor、Gemini CLI 等 50+ AI 编程工具）真正”看懂”视频的开源 Agent Skill。它的核心理念只有一句话：Claude 能读网页、能读 PDF、能读代码仓库，但默认它看不了视频——而 claude-video 把”看视频”这件事补上了。你丢给它一个 YouTube 链接或本地视频，它自动下载、抽帧、转写音频，再把画面帧 + 时间戳字幕一起喂给大模型，让 AI 基于真实视听觉内容来回答，而不是靠标题瞎猜。

🛠 安装要求和过程

环境要求：
- Python 3.10+（核心脚本 watch.py / download.py / frames.py / transcribe.py 均为 Python 实现）
- yt-dlp：负责从 YouTube、Loom、TikTok、X、Instagram 等站点下载视频（首次运行 macOS 上自动 brew 安装，Linux/Windows 会打印安装命令）
- ffmpeg：负责抽帧、音频提取（同上，首次运行自动引导安装）
- 带字幕的视频完全免费；无字幕时才需要 Whisper API Key（Groq whisper-large-v3 或 OpenAI whisper-1）
快速安装（三选一）：

方式一 · Claude Code（推荐）：
```
/plugin marketplace add bradautomates/claude-video
/plugin install watch@claude-video
```
方式二 · 任意 Agent Skills 宿主（Codex / Cursor / Copilot / Gemini CLI 等 50+ 工具）：
```
npx skills add bradautomates/claude-video -g
```
方式三 · 手动 / 开发：
```
git clone https://github.com/bradautomates/claude-video.git
ln -s "$(pwd)/claude-video/skills/watch" ~/.claude/skills/watch
# 或 ~/.codex/skills/watch
```
首次运行会调用 scripts/setup.py --check 引导安装依赖，并在 ~/.config/watch/.env 中生成 GROQ_API_KEY / OPENAI_API_KEY 占位配置。

⚡ 核心功能
1. 多源视频获取：支持 URL（yt-dlp 兼容的几乎所有视频站点）或本地路径（.mp4/.mov/.mkv/.webm），一条命令即可接入。
2. 智能帧提取：用 ffmpeg 按细节模式抽帧——efficient（关键帧，约 0.5s）到 token-burner（场景切换检测）；内置帧去重（默认开启，丢弃近重复帧）与自动 fps / token 预算控制。
3. 双通道转写：优先用 yt-dlp 提取原生字幕（免费）；无字幕时回退 Whisper API，并支持 >25MB 自动分块，确保长视频也能完整转写。
4. 多模态交给大模型：脚本输出带 t=MM:SS 标记的帧路径 + 时间戳转写，Claude 并行 Read 图像，基于真实画面与声音作答。
5. 细节模式可调节：--detail transcript|efficient|balanced|token-burner 权衡速度与 token 成本；支持 --start/--end 聚焦片段、--timestamps 指定时刻、--no-whisper 等精细控制。
🎯 典型使用场景
- 拆解爆款内容：把竞品发布会、广告片、干货视频丢给它，让它分析钩子结构、叙事节奏、真正的新功能，远快于 2x 倍速硬看。
- 看录屏诊断 Bug：前端同学把屏幕录制喂给它，它能定位”出错的那一帧”，描述现象与可能原因，把视频变成可调试的输入。
- 视频转结构化笔记：把一整个播放列表逐条摘要，自动构建可搜索的知识库；或剥离更新视频里的 hype，只提取”真正变了什么”。
💡 推荐理由（个人使用心得）

这是个”小而准”的工具，解决的痛点非常真实——我们天天让 AI 读文档读代码，但遇到一个视频链接就瞬间退化成”靠标题猜”。claude-video 最漂亮的设计是零配置起步：有字幕就白嫖字幕，没字幕才花一点点 Whisper 钱；帧去重 + 预算控制又避免了”把整个视频塞进上下文”的 token 爆炸。它本质上是在给 LLM 补上一双眼睛，而且是以”可复用技能包”的形式存在，Claude Code / Cursor / Codex 通吃。如果你经常需要让 AI 处理视频内容，这个 6.4K Star、MIT 协议、纯 Python 的小项目，值得一键装进你的工具箱。

🔗 下载地址
- GitHub：github.com/bradautomates/claude-video
- 安装（Claude Code）：/plugin marketplace add bradautomates/claude-video → /plugin install watch@claude-video
- 许可证：MIT（可自由商用、修改、分发）
2026年7月9日
TencentDB Agent Memory：腾讯开源的 AI Agent 本地长期记忆引擎（7.8K+ Stars）
TencentDB Agent Memory 是腾讯云开源的、为 AI Agent 提供完全本地化长期记忆的方案，通过四层渐进式记忆流水线让 Agent「记得住、说得清」，且零外部 API 依赖。它把散落的对话逐步蒸馏成结构化、可追溯的长期记忆，是当下少见的、能直接落地的 Agent 记忆引擎。

安装要求和过程

环境要求
- Node.js ≥ 22.16（官方徽章要求）
- 需配合 OpenClaw 或 Hermes Agent 使用
- 默认本地后端：SQLite + sqlite-vec（无需额外数据库服务）
- 短上下文压缩需插件版本 ≥ 0.3.4；Hermes 的 Docker 部署需 Docker，Gateway 监听 :8420
快速安装（OpenClaw，最常用）
```
openclaw plugins install @tencentdb-agent-memory/memory-tencentdb
openclaw gateway restart
```
零配置启用，写入 ~/.openclaw/openclaw.json：
```
{
  "memory-tencentdb": { "enabled": true }
}
```
可选开启短上下文压缩（版本 ≥ 0.3.4）：
```
{
  "memory-tencentdb": { "config": { "offload": { "enabled": true } } }
}
```
Hermes Docker 部署
```
cd docker/opensource
docker build -f Dockerfile.hermes -t hermes-memory .
docker run -d --name hermes-memory --restart unless-stopped -p 8420:8420 \
  -e MODEL_API_KEY="your-api-key" \
  -e MODEL_BASE_URL="https://api.lkeap.cloud.tencent.com/v1" \
  -e MODEL_NAME="deepseek-v3.2" \
  -e MODEL_PROVIDER="custom" \
  -v hermes_data:/opt/data hermes-memory
curl http://localhost:8420/health
```
核心功能
1. 四层记忆架构（L0→L1→L2→L3）：原始对话（L0）逐步蒸馏为原子事实（L1）、场景块（L2）、人物画像（L3），从宏观抽象一路保留到可追溯的真相证据。
2. 符号化短期记忆（Symbolic Short-term Memory）：把冗长的工具日志压缩成 Mermaid 符号图，并卸载历史，大幅降低 token 消耗。
3. 白盒可调试（White-Box Debuggability）：每一层都是可读文件——L2 场景是纯 Markdown、L3 画像在 persona.md、短任务画布是 Mermaid，原始负载通过 result_ref / node_id 可回溯，记忆不再是黑盒。
4. 生产级工程（Production-Ready）：OpenClaw 插件自动捕获/提取/召回 + Hermes Gateway 适配器（TdaiCore + HostAdapter）+ 本地 SQLite 后端 + BM25/向量/RRF 混合检索 + tdai_memory_search / tdai_conversation_search Agent 工具。
5. 完全本地、零外部依赖：记忆全部存本地，隐私可控，不依赖任何外部 API 或云服务即可运行。
典型使用场景
- 长程连续任务：如 SWE-bench 单会话连续 50 个任务，Agent 跨会话记住项目背景与 SOP，无需反复解释。集成 OpenClaw 后 token 用量最高降 61.38%，成功率相对提升 51.52%，PersonaMem 长期记忆准确率从 48% 提升到 76%。
- 个性化 AI 助手：跨会话持续沉淀用户画像（L3）、场景块（L2）、原子事实（L1），让 Agent「越用越懂你」，而非每次都从零开始。
- 长任务上下文压缩：搜索结果、代码片段、错误栈等冗长日志通过 Mermaid 符号图卸载，显著降低 token 成本——基准上 WideSearch 成功率 33%→50%，SWE-bench 58.4%→64.2%，AA-LCR 44.0%→47.5%。
推荐理由

这是目前少数把「Agent 记忆」做成可落地工程、而非论文玩具的项目。四层金字塔设计既保留了宏观人物画像，又保留了可追溯的证据链（result_ref / node_id），白盒可调试对排查「它为什么记错了」极其友好。本地优先 + MIT 许可意味着可以放心用在私有数据场景，接入 OpenClaw / Hermes 几分钟就能跑起来。对做 AI 产品的团队来说，几乎是「给 Agent 装上长期记忆」的最低成本方案。

架构一览

下载地址
- GitHub 仓库：https://github.com/TencentCloud/TencentDB-Agent-Memory
- OpenClaw 插件（npm）：@tencentdb-agent-memory/memory-tencentdb
- 官方文档与示例：仓库 README 内含 OpenClaw / Hermes 接入 Demo 视频
- 许可证：MIT
2026年7月9日
FunClip：阿里出品的 AI 视频剪辑神器，语音识别 + LLM 智能裁剪，5.9K Stars 让视频剪辑自动化
做自媒体的朋友一定有过这样的痛苦：一段两小时的直播回放，只想剪出几句高光金句，却要在时间轴上反复拖拽、听写、对齐字幕。阿里通义语音实验室开源的 FunClip，用语音识别 + 大语言模型把这件事彻底自动化了——上传视频，复制你想保留的文字，点一下，片段就出来了。

📌 项目简介

FunClip 是一个完全开源、可本地部署的自动化视频剪辑工具，基于阿里巴巴通义语音实验室开源的 FunASR Paraformer 系列模型对视频做语音识别，用户自由选择识别文本片段或说话人，一键生成对应视频片段，并提供本地 Gradio Web 界面，支持 LLM 辅助智能剪辑。

⚙️ 安装要求与过程

环境要求：仅需 Python 环境（推荐 Python 3.8+）；如需内嵌字幕剪辑，需额外安装 ffmpeg 与 imagemagick 及中文字体文件。

快速安装：
```
# 克隆仓库
git clone https://github.com/modelscope/FunClip.git
cd FunClip
# 安装依赖
pip install -r ./requirements.txt

# 启动本地 Gradio 服务（默认中文 Paraformer）
python funclip/launch.py
# 可选：-m fun-asr-nano (31语种) | -m sensevoice (情绪+事件) | -l en (英文)
#       -p 端口号 | -s True (公网访问)
```
启动后访问 localhost:7860 即可使用 Web 界面：上传视频 → 复制需剪辑文本到 “Text to Clip” → 调整字幕 → 点击 “Clip” 或 “Clip and Generate Subtitles”。

✨ 核心功能
- 工业级中文 ASR（Paraformer-Large）：阿里开源的顶尖中文语音识别模型，Modelscope 下载超 1300 万次，可精准预测时间戳，自动返回全视频与目标段 SRT 字幕。
- 热词定制（SeACo-Paraformer）：在识别过程中指定实体词、人名等热词，显著提升专有名词识别准确率。
- 说话人分离（CAM++）：集成说话人识别模型，可自动识别 speaker ID，一键剪出特定人物的全部发言片段。
- LLM 智能剪辑：支持 qwen、GPT 等大模型，结合视频字幕自动推理出高光片段的时间戳；还可选 TwelveLabs Pegasus 视频理解模型，直接“看懂”画面而非仅依赖字幕。
- 多模型与多语言：2026 年新增 Fun-ASR-Nano（31 种语言高精度）、SenseVoice（情绪识别 + 音频事件检测），并支持英文视频识别剪辑。
🎬 典型使用场景
- 自媒体长视频提取金句：把一场发布会、一次访谈原片丢进去，复制想保留的台词，FunClip 自动精准裁出对应时段并生成字幕，做短视频切片效率翻倍。
- 会议 / 演讲按说话人剪辑：开启说话人分离后，直接剪出某位嘉宾的全部发言，用于整理观点、制作人物集锦，无需手动对照音轨。
- 视频自动加字幕：识别后一键生成全片 SRT，并可内嵌硬字幕导出，省去逐句听写的繁琐，特别适合教程、纪录片类内容。
💡 推荐理由

我自己的使用感受是：FunClip 把“语音识别 → 文本选择 → 视频裁剪”这条链路做到了极简。它不像一些云端剪辑工具那样把数据传上去，而是完全本地运行，隐私可控；Gradio 界面几乎零学习成本，命令行模式又能轻松写进自动化流水线。对做内容创作、知识整理的人来说，它是那种“装好就天天想用”的效率利器。尤其 LLM 智能剪辑的加入，让“我要这段关于乡村振兴的发言”变成一句自然语言指令就能完成。

🔗 下载地址
- GitHub：github.com/modelscope/FunClip
- ModelScope 在线体验：modelscope.cn FunClip Space
- HuggingFace 在线体验：huggingface.co FunClip Space
- 所属生态：FunAudioLLM 家族（FunASR / Fun-ASR-Nano / SenseVoice / CosyVoice）
许可协议：MIT（可自由商用与修改）
2026年7月8日
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

标签： MIT许可

📌 项目简介

💻 安装要求与过程

环境要求

快速安装

⚡ 核心功能

🎯 典型使用场景

💡 推荐理由（个人心得）

📥 下载地址

项目简介

安装要求和过程

环境要求

快速安装（三种方式）

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

核心功能

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

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 Desktop 为例，npx 自动更新）

其他客户端一句话安装

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

🚀 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

⚡ 核心功能

🎯 典型使用场景

💡 推荐理由（个人使用心得）

🔗 下载地址

安装要求和过程

环境要求

快速安装（OpenClaw，最常用）

Hermes Docker 部署

核心功能

典型使用场景

推荐理由

架构一览

下载地址

📌 项目简介

⚙️ 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

🚀 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