YOHO AI

标签： MIT许可

  • 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：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

    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

  • 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，Nous Research 出品，60000+ Stars 让 AI 真正成为你的数字分身

    Hermes Agent Banner

    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）。

    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。

    推荐理由

    Hermes Agent 代表了 AI Agent 发展的一个重要方向：从”一次性工具”走向”持久化伙伴”。

    我推荐它的理由：

    • 数据主权：部署在自己的机器上，SQLite 本地存储，不经过任何第三方云服务
    • 真正能成长：用得越久越聪明，技能系统让它能从经验中学习
    • 零成本运行：支持 Ollama 本地模型，可以完全免费运行
    • 多平台接入：通过消息 App 随时随地使用，不需要打开电脑
    • MIT 协议：完全开源，可以自由修改和商用

    小提示：Nous Research 是开源 AI 社区中声誉极高的研究机构，他们此前发布的 Hermes 系列开源模型（Hermes-2、Hermes-3）在 Hugging Face 上广受好评。Hermes Agent 可以看作是他们将多年技术积累打包成的开箱即用产品。

    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。

  • 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（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

    📌 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！

  • 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）

    🐳 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

    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 并行代理编排界面

    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

  • RuView：用WiFi信号实现空间智能感知，零摄像头做生命体征监测，76.6K Stars让隐私优先的AI感知成为可能

    RuView：用WiFi信号实现空间智能感知，零摄像头做生命体征监测，76.6K Stars让隐私优先的AI感知成为可能

    📡 RuView

    用普通 WiFi 信号实现空间智能感知，零摄像头、零穿戴设备
    ⭐ 76,620+ Stars
    🦀 Rust 核心引擎
    📅 2025年创建
    📜 MIT 开源
    🔒 隐私优先
    🎯 项目简介
    RuView 是一个革命性的无接触式 WiFi 感知平台，由 ruvnet 团队开发。它利用普通商用 WiFi 信号（ESP32 芯片或家用路由器）实现实时空间智能、生命体征监测和人员存在检测——全程无需摄像头、无需可穿戴设备，从根源上杜绝隐私泄露风险。

    🚀 核心功能

    📍 空间感知

    • 穿墙人员检测（可穿透墙壁）
    • 多房间人数统计
    • 人员进出记录与追踪
    • 17 关键点人体姿态估计

    💓 生命体征监测

    • 无接触呼吸率检测（6-30 BPM，精度 ±1）
    • 心率监测（40-120 BPM）
    • 整夜睡眠监测 + 呼吸暂停筛查
    • 支持静坐、睡眠、运动状态

    🏠 智能家居集成

    • 原生支持 Apple HomeKit
    • 对接 Home Assistant（21 个实体）
    • 支持 Google Home / Alexa
    • 通过 Siri 查询房间状态

    🤖 AI 智能体集成

    • 标准 MCP 协议接口
    • 支持 Claude Code / Codex 调用
    • Python / TypeScript SDK
    • 105+ 开箱即用边缘模块

    ⚙️ 安装要求与环境

    项目 要求
    核心语言 Rust 1.85+（感知引擎）、Python 3.10+（SDK/脚本）
    硬件选项 ESP32-S3（~$9）/ ESP32-C6（~$6）/ 普通家用 WiFi 路由器
    内存要求 最低 512MB RAM（树莓派可运行）
    许可协议 MIT License（完全开源可商用）
    支持平台 Docker / macOS / Windows / Linux / Home Assistant

    📦 快速安装步骤

    方式一：Docker 快速体验（推荐新手）

    # 拉取官方镜像
docker pull ruvnet/wifi-densepose:latest

# 启动服务，访问 http://localhost:3000
docker run -p 3000:3000 ruvnet/wifi-densepose:latest

    方式二：npm 包安装（AI 集成推荐）

    # 安装核心 CLI 工具
npx -y @ruvnet/ruview

# 安装智能体 MCP 服务包
npx -y @ruvnet/rvagent

    方式三：Python SDK（二次开发）

    pip install ruview
# 可选：安装 WebSocket + MQTT 客户端扩展
pip install "ruview[client]"

    方式四：ESP32 硬件部署（最低成本 $9）

    # 1. 烧录固件（替换 COM9 为你的设备端口）
python -m esptool --chip esp32s3 --port COM9 --baud 460800 \
  write_flash 0x0 bootloader.bin 0x8000 partition-table.bin \
  0xf000 ota_data_initial.bin 0x20000 esp32-csi-node.bin

# 2. 配置 WiFi 和上报地址
python firmware/esp32-csi-node/provision.py --port COM9 \
  --ssid "你的WiFi名称" --password "WiFi密码" --target-ip 上报服务器IP

    💡 典型使用场景

    场景一：智能家居无感联动

    将 RuView 接入 Home Assistant 后，可自动暴露 21 个实体（11 个原始信号 + 10 个语义状态），实现：

    • 🏠 人员存在触发：有人进入房间自动开灯、开空调
    • 😴 睡眠监测：检测入睡后自动关闭灯光、开启白噪音
    • 👴 老人看护：异常长时间无移动自动推送告警
    • 🚿 浴室占用：检测浴室有人时自动开启排气扇

    通过 Siri 可语音查询：”嘿 Siri，卧室有没有人？”

    场景二：隐私优先的安防监控

    传统安防摄像头存在隐私泄露风险，且无法穿墙感知。RuView 的优势：

    • 📡 穿墙感知：WiFi 信号可穿透木质/石膏板墙壁
    • 🔒 零视频采集：从根源上避免隐私泄露，符合 GDPR/HIPAA 监管
    • 🌙 黑暗环境工作：无需任何光照条件
    • 💰 极低成本：ESP32 芯片约 $9，远低于热成像方案

    配套边缘模块 intrusion（非法入侵检测）、perimeter-breach（周界入侵检测）可直接使用。

    场景三：AI 智能体调用（MCP 协议）

    在 Claude Code 中配置 RuView MCP 服务后，可直接通过自然语言查询：

    > "现在客厅有没有人？呼吸和心率正常吗？"
> 智能体会自动调用 ruview.presence.now、ruview.vitals.get_all 接口返回结果。

> "帮我统计今天各房间的人员进出记录"
> 自动生成日报，包含各时段人员分布热力图。

    RuView 提供标准 MCP 接口，支持 Claude Code / Codex / Cursor 等主流 AI 编程助手。

    🌟 推荐理由

    为什么 RuView 值得关注？

    1. 🔬 技术原理极其优雅：利用 WiFi 信号在空间中传播的 CSI（信道状态信息），通过反射、折射和散射特征推断人体状态。整个过程完全在本地处理，原始 CSI 数据不会上传云端。
    2. 🔒 隐私保护从设计开始：与摄像头方案根本不同——RuView 不产生任何视频/图像数据。支持 BFLD 隐私分级，可配置仅输出匿名化结果。对于医院、养老院、卧室等隐私敏感场景，这是唯一合规的智能化方案。
    3. 💰 成本极低、部署简单：ESP32-S3 芯片约 $9，加上普通家用路由器即可搭建完整系统。Docker 一键启动，npm 包即装即用。相比毫米波雷达、热成像等方案，成本降低 10 倍以上。
    4. 🏠 智能家居生态原生支持：Apple HomeKit、Home Assistant、Google Home、Amazon Alexa 四大生态全覆盖。接入后自动暴露 21 个实体，配套 3 个 HA 自动化蓝图，真正实现”即插即用”。
    5. 🤖 AI 智能体时代的最佳拍档：提供标准 MCP 协议接口，可被 Claude Code、Codex 等各类 AI 智能体调用。预训练模型已发布在 HuggingFace（ruvnet/wifi-densepose-pretrained），开箱即用。

    个人使用心得：RuView 代表了一个重要趋势——空间计算 + 隐私优先的融合。在 AI 智能体全面渗透的 2026 年，RuView 让”感知层”变得触手可及。如果你在搭建智能家居、做健康监测产品、或研究 WiFi 感知技术，这个项目绝对值得深入研究。

    📥 下载地址

    📦 GitHub 仓库
    📦 npm 包
    📦 PyPI 包
    🐳 Docker 镜像
    🤗 HuggingFace 模型
    🏪 Cognitum 应用商店
    📌 技术笔记

    • 项目仍处于 Beta 阶段，API 和固件可能会有变动
    • 预训练模型量化后最小仅 4KB，可在树莓派上微秒级运行
    • 提供 105 个开箱即用的边缘模块，涵盖健康、安防、楼宇、零售等场景
    • 支持 182 篇架构决策记录（ADR），适合学习系统设计
    • GitHub 趋势榜常客，14 天克隆量达 27,887 次

    标签: #RuView #WiFi感知 #空间智能 #智能家居 #隐私优先 #Rust #MIT许可 #AI开源

  • Meetily：隐私优先的AI会议助手，100%本地处理让敏感会议不再泄露，15.8K Stars让AI会议记录做到真正自托管

    Meetily：隐私优先的AI会议助手，100%本地处理让敏感会议不再泄露，15.8K Stars让AI会议记录做到真正自托管

    Meetily AI会议助手

    在远程办公与 AI 浪潮的双重推动下，会议记录工具已成为职场标配。但无论是 Otter.ai、Fireflies 还是其他主流工具，都有一个共同问题：你的会议内容会被上传到别人的服务器。对于金融、法律、医疗、政务等敏感行业，这显然是不可接受的风险。Meetily 给出了一个优雅的解决方案：让 AI 会议助手完全运行在你的本地设备上，100% 数据不出本机。

    🚀 项目简介

    Meetily（原名 Meetly AI）是 Zackriya Solutions 团队开发的开源 AI 会议助手，也是目前 GitHub 上 排名第一的自托管、开源 AI 会议记录工具。项目采用 Rust + Tauri 构建，前端基于 Next.js/React，支持 macOS 和 Windows（Linux 可编译），所有语音识别和 AI 总结均在本地完成，无需任何云端服务。

    核心亮点在于其转录引擎：默认采用 NVIDIA Parakeet 模型，比 Whisper 快 4 倍，同时支持 Whisper 系列模型作为备选。AI 总结部分可对接 Ollama（本地）、Claude、Groq、OpenRouter 或任意 OpenAI 兼容接口，真正做到灵活可控。

    📊 项目数据
    GitHub Stars: 15.8K+ |
    语言: Rust + TypeScript |
    许可证: MIT |
    最新版本: v0.4.0 (2026-06-05)

    ⚙️ 安装要求与过程

    🔧 系统要求

    • macOS：Apple Silicon 或 Intel 架构，需授予麦克风权限
    • Windows：Windows 10+，建议配备 Vulkan 兼容 GPU 以加速转录
    • Linux：支持 AppImage 打包，需自行编译
    • 内存：建议 8GB+（加载 Parakeet 模型约需 2-3GB）

    📦 快速安装（推荐方式）

    1. 访问 GitHub Releases 页面
    2. Windows 用户下载 x64-setup.exe 运行安装
    3. macOS 用户下载 meetily_0.4.0_aarch64.dmg，拖入应用程序文件夹
    4. 首次启动时会自动提示下载转录模型（约 500MB），可选择后台下载
    5. 在设置中配置 AI 总结提供商（推荐 Ollama 本地运行）

    💻 从源码构建（开发者方式）

    # 克隆仓库
git clone https://github.com/Zackriya-Solutions/meetily.git
cd meetily

# 安装依赖（需要 Rust + Node.js + pnpm）
pnpm install

# 运行开发模式
pnpm tauri dev

# 构建生产版本
pnpm tauri build

    💡 核心功能

    • 🎙️ 实时本地转写：采用 NVIDIA Parakeet 模型（比 Whisper 快4倍），支持说话人分离（Speaker Diarization），可区分不同参会者；支持多语言，修复了多字节字符截断问题
    • 🤖 灵活 AI 总结：支持 Ollama（本地）、Claude、Groq、OpenRouter 及任意 OpenAI 兼容接口；可自定义总结模板；支持流式生成，生成失败时可保留已生成内容
    • 🔒 100% 本地处理：所有录音、转写文本、AI 总结均存储于本地 SQLite 数据库（meeting_minutes.db），无需联网，无数据泄露风险
    • ⚡ GPU 加速：macOS 支持 Apple Silicon (Metal) + CoreML；Windows/Linux 支持 NVIDIA (CUDA)、AMD/Intel (Vulkan)；编译时自动启用，无需额外配置
    • 📥 导入与增强（Beta）：支持导入已有音频文件生成转写；可对已录制会议使用不同模型或语言重新转写，全部本地处理

    📦 典型使用场景

    🏢 场景1：金融/法律/医疗机构内部会议

    这些行业对数据合规有严格要求（如 GDPR、HIPAA），不能使用云端会议记录工具。Meetily 让 AI 会议助手完全运行在内网设备上，满足合规审计要求，同时享受 AI 自动生成会议摘要的便利。

    👨‍💻 场景2：远程团队协作记录

    支持 Zoom、Teams、Google Meet 等主流会议平台，可同时录制麦克风和系统音频，智能降噪，自动生成会议摘要。团队成员可各自运行 Meetily，会议记录完全私有，无需担心商业机密泄露。

    🔧 场景3：开发者技术讨论存档

    技术讨论中常涉及代码片段、架构决策等敏感信息。Meetily 本地转写后可导出为 Markdown 格式，直接存入团队知识库（如 Obsidian、Notion 本地版），结合 Ollama 本地运行 Llama 3 生成技术决策摘要，全程无需任何外部 API。

    ⭐ 推荐理由

    作为一名对隐私极其敏感的 AI 从业者，我对市面上的云端会议记录工具一直存有顾虑。Meetily 最大的价值在于：它让 AI 会议助手不再是一个「隐私换便利」的妥协方案。

    项目的 Rust + Tauri 技术选型也值得称赞：相比 Electron 框架，Tauri 打包体积小（约 50MB vs Electron 的 150MB+），内存占用更低，安全性更高。Parakeet 模型的集成更是一个亮点——NVIDIA 的这个模型在准确性和速度上都超越 Whisper，且完全本地可运行。

    MIT 许可证意味着你可以自由修改和分发，对于需要定制功能的团队来说非常友好。如果你在意数据主权，或者所在行业有合规要求，Meetily 是目前唯一值得认真考虑的开源方案。

    📧 下载地址

    💡 Tip: Meetily PRO 版本提供更高的转录精度、自定义摘要模板、PDF/DOCX 导出、自动会议检测和说话人识别等高级功能。社区版将永久免费开源，PRO 版面向需要企业级功能的团队。使用优惠码 LAUNCH20 可获得 20% 折扣。

  • page-agent：阿里巴巴出品的页面内JS GUI代理，一行脚本让网页拥有AI操控能力（23K+Stars）

    page-agent：阿里巴巴出品的页面内JS GUI代理，一行脚本让网页拥有AI操控能力（23K+Stars）

    page-agent Logo

    ## 项目简介

    **page-agent** 是阿里巴巴出品的 **JavaScript 页面内 GUI 代理**，让 AI 通过自然语言直接控制 Web 界面。其核心理念是 —— *”The GUI Agent Living in Your Webpage”*，即：智能体不再运行在外部脚本或 Python 环境中，而是**活在页面内部**，用纯 JavaScript 操作 DOM，实现真正的轻量化 AI 能力嵌入。

    亮点概要：一行脚本接入、无需浏览器插件、无需 Python 环境、无需截图 —— 纯页面内 JS 实现的 GUI 代理，让任何 Web 应用瞬间拥有 AI 操作能力。

    ## 安装要求和过程

    ### 环境要求
    – **浏览器**：任意现代浏览器（Chrome/Edge/Firefox/Safari）
    – **Node.js**：≥ 18（仅 NPM 安装方式需要）
    – **LLM API**：支持接入任意兼容 OpenAI API 格式的大模型（默认可使用阿里云百炼、OpenAI、DeepSeek 等）

    ### 快速安装（一行脚本体验）

    最简单的方式，在任意网页的 HTML 中插入一行 `



    ```

    插入后刷新页面，即可看到 page-agent 的演示界面（使用官方免费测试 LLM）。

    > ⚠️ 免费测试 API 仅用于技术评估，生产使用请接入自有 LLM API Key。

    ### NPM 安装（生产使用）

    ```bash
    npm install page-agent
    ```

    ```javascript
    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: 'zh-CN',
    })

    await agent.execute('点击登录按钮')
    ```

    ## 核心功能

    1

    极低接入成本 —— 一行脚本即可嵌入

    无需浏览器插件、无需 Python 环境、无需无头浏览器，纯页面内 JavaScript 实现，所有功能都在当前网页内运行。仅需一行 <script> 标签即可为任意 Web 应用接入 AI 控制能力，CDN 和 NPM 包双重分发。

    2

    轻量交互模式 —— 基于 DOM 操作，无需截图

    摒弃了传统 GUI 代理依赖截图 + 多模态大模型的重量级方案，page-agent 直接基于 DOM 结构理解页面，用文本描述操作指令。优势：延迟更低、成本更低、无需特殊权限、不依赖视觉大模型。

    3

    自定义大模型支持 —— 无绑定，完全开放

    支持接入任意兼容 OpenAI API 格式的自有 LLM，无厂商绑定。推荐使用阿里云百炼 qwen3.5-plus，也可接入 OpenAI GPT、DeepSeek、Gemini 等主流大模型，灵活适配企业已有 AI 基础设施。

    4

    扩展能力 —— Chrome 扩展 + MCP Server（Beta）

    可选安装 Chrome 扩展，支持跨多页面任务调度；同时提供 Beta 版 MCP Server，允许外部 AI 系统通过 MCP 协议控制浏览器，与主流 AI Agent 框架无缝集成。

    ## 典型使用场景

    ### 场景一：SaaS AI Copilot 快速接入
    仅需少量代码即可为 SaaS 产品接入 AI 助手，用户可通过自然语言操控产品界面，无需重写后端逻辑。例如：在 CRM 系统中，用户说"创建一个跟进任务并设置明天的提醒"，page-agent 即可自动完成一系列 DOM 操作。

    ### 场景二：智能表单填充
    将原本需要 20 次点击的复杂工作流简化为一句话指令，特别适合 ERP、CRM、后台管理系统等表单密集型应用。结合 LLM 的语义理解能力，page-agent 可自动识别表单字段并填入正确内容。

    ### 场景三：Web 应用无障碍适配
    通过自然语言、语音指令、屏幕阅读器，让任意 Web 应用实现无障碍使用，极大降低残障人士使用复杂 Web 应用的门槛。page-agent 作为页面内代理，可直接操作 DOM 实现无障碍导航。

    ### 场景四：MCP 协议集成
    通过 Beta 版 MCP Server，允许外部 AI Agent 客户端控制浏览器，实现"AI 操控 AI"的自动化链路。例如：让 Claude Code 通过 MCP 调用 page-agent，实现完整的端到端 Web 自动化测试。

    ## 推荐理由

    > 在传统方案里，让 AI 操控 Web 界面往往意味着：部署 Python 服务、运行无头浏览器、截图 + 多模态大模型理解、处理各种环境依赖……这套方案对中小企业和个人开发者极不友好。

    **page-agent 的最大价值在于"去重量化"** —— 它把 GUI 代理的核心能力塞进了一个 JS 脚本里，让任何能加载 JS 的网页都能获得 AI 操控能力。这对以下人群尤为有价值：

    - **前端开发者**：无需学习 Python 自动化框架，直接用 TypeScript 扩展 AI 能力
    - **SaaS 产品经理**：快速为产品 prototype 添加 AI Copilot，验证用户需求
    - **企业 IT**：为内部 ERP/CRM 系统添加自然语言操作界面，提升员工效率
    - **无障碍开发**：用最简单的方式为现有 Web 应用添加语音/自然语言操控

    此外，项目由 **阿里巴巴** 官方开源，采用 MIT 许可证，社区活跃，文档完善（在线 Demo、完整文档站、HN 讨论帖均已上线），值得长期关注。

    🔗 相关链接

    GitHub：github.com/alibaba/page-agent（23K+ Stars）

    在线演示：alibaba.github.io/page-agent

    官方文档：alibaba.github.io/page-agent/docs

    NPM 包：npmjs.com/package/page-agent

    许可证：MIT License（可自由商用、修改、分发）

  • ai-hedge-fund：让19位投资大师的AI Agent帮你分析股票，45K+Stars开源AI对冲基金模拟

    ai-hedge-fund：让19位投资大师的AI Agent帮你分析股票，45K+Stars开源AI对冲基金模拟

    🤖 ai-hedge-fund：让 19 位投资大师的 AI Agent 帮你分析股票

    开源 AI 对冲基金团队模拟，用多智能体协作探索量化投资
    MIT 开源
    45K+ Stars
    Python
    多智能体

    📌 项目简介

    ai-hedge-fund 是一个 AI 驱动的对冲基金概念验证项目，由 Virat Singh（virattt）开发。

    项目的核心创意令人拍案：把华尔街最顶尖的 13 位投资大师「人格」训练成 AI Agent，再配上 6 个专业分析 Agent，共同组成一个虚拟对冲基金团队，对指定股票进行多维度分析和决策模拟。

    ⚠️ 重要声明：本项目仅用于教育和研究目的，不应用于实际交易或投资，也不提供任何投资建议。

    🖼️ 项目架构示意图

    ai-hedge-fund Logo

    ai-hedge-fund 项目 Logo（如无法显示请访问 GitHub 仓库）

    ⚙️ 安装要求和过程

    环境要求

    • Python 3.10+
    • Poetry（依赖管理工具）
    • 至少一个 LLM 的 API 密钥（OpenAI / Groq / Anthropic / DeepSeek 等）
    • 金融数据 API 密钥（FINANCIAL_DATASETS_API_KEY）

    快速安装步骤

    1. 克隆仓库

    git clone https://github.com/virattt/ai-hedge-fund.git
cd ai-hedge-fund

    2. 安装 Poetry（如未安装）

    curl -sSL https://install.python-poetry.org | python3 -

    3. 配置 API 密钥

    cp .env.example .env
# 编辑 .env 文件，填入你的 API 密钥

    在 .env 中至少配置一个 LLM 提供商密钥：

    # 选择以下至少一个
OPENAI_API_KEY=your_key_here
GROQ_API_KEY=your_key_here
ANTHROPIC_API_KEY=your_key_here
DEEPSEEK_API_KEY=your_key_here

# 金融数据 API 密钥（必需）
FINANCIAL_DATASETS_API_KEY=your_key_here

    4. 安装依赖

    poetry install

    5. 运行

    # CLI 模式 - 分析 AAPL, MSFT, NVDA
poetry run python src/main.py --ticker AAPL,MSFT,NVDA

# Web 界面模式
cd app && poetry run chainlit run app.py
    💡 国内用户提示：可以使用 DeepSeek API 替代 OpenAI，成本更低。只需在 .env 中配置 DEEPSEEK_API_KEY 并修改模型配置即可。

    🌟 核心功能

    1. 13 位投资大师 AI Agent

    Warren Buffett
    奥马哈先知 · 价值投资
    Charlie Munger
    只买价格合理的优质企业
    Cathie Wood
    成长投资女王 · 颠覆性创新
    Michael Burry
    大空头 · 逆向深度价值
    Ben Graham
    价值投资之父 · 安全边际
    Peter Lynch
    十倍股猎手 · 日常业务投资
    Stanley Druckenmiller
    宏观传奇 · 非对称机会
    Nassim Taleb
    黑天鹅 · 反脆弱性
    Bill Ackman
    激进投资 · 推动变革
    Phil Fisher
    深度闲聊法调研
    Mohnish Pabrai
    Dhandho · 低风险高回报
    Aswath Damodaran
    估值权威 · 叙事与数据

    2. 6 个专业分析 Agent

    • Valuation Agent：计算股票内在价值，生成买卖信号
    • Sentiment Agent：分析市场情绪（新闻、社交媒{“”}体）
    • Fundamentals Agent：分析财务数据（P/E、P/B、ROE 等）
    • Technicals Agent：分析技术指标（MA、RSI、MACD 等）
    • Risk Manager：计算风险指标，设置仓位限制
    • Portfolio Manager：综合所有意见，做出最终交易决策

    3. 双运行模式

    • CLI 模式：适合自动化脚本和批量分析
    • Web UI：基于 Chainlit 的可视化界面，交互更友好
    • 回测模式：支持对历史数据进行策略回测
    • Ollama 支持：可使用本地 LLM，无需云端 API

    4. 可扩展架构

    • 项目正在重构为「持久化、全天候运行的 AI 对冲基金」
    • 投资者 Agent 将重构为可插拔、可回测的「Alpha 模型」
    • 支持自定义 Agent，添加你自己的投资哲学
    • 完整的愿景文档和路线图（VISION.md / ROADMAP.md）

    📱 典型使用场景

    场景一：学习投资大师的决策逻辑

    运行 poetry run python src/main.py --ticker AAPL，系统会让 13 位投资大师 Agent 分别分析苹果公司，每位大师会从自己的投资哲学出发给出建议。通过对比不同大师的意见，你可以学习到：

    • 价值投资者（Buffett/Munger）关注企业质量和估值
    • 成长投资者（Cathie Wood）关注创新和市场空间
    • 逆向投资者（Michael Burry）关注被市场忽视的风险和机会
    • 宏观投资者（Druckenmiller）关注宏观经济周期和趋势

    场景二：策略回测与验证

    使用回测功能验证投资策略的历史表现：

    poetry run python src/backtester.py --ticker AAPL,MSFT,NVDA --start-date 2024-01-01 --end-date 2024-12-31

    回测结果会显示：

    • 各 Agent 的决策准确率
    • 模拟投资组合的收益率
    • 最大回撤和风险指标
    • 不同市场环境下的表现对比

    场景三：作为 LLM 多智能体协作的学习案例

    如果你是研究 AI Agent 的开发者，这个项目是学习多智能体协作的绝佳案例：

    • 每个 Agent 有独立的 System Prompt 定义投资哲学
    • Agent 之间通过标准化的信号格式通信
    • Portfolio Manager 作为「总经理」汇总决策
    • 完整的 Python 实现，代码结构清晰易懂

    💡 推荐理由

    为什么推荐这个项目？

    1. 创意独特，执行到位
    把投资大师人格化身为 AI Agent 这个点子本身就很有趣，而项目的执行也相当到位——每位大师的 System Prompt 都经过精心设计，体现了其真实的投资哲学。

    2. 教育价值极高
    无论你是投资初学者还是 AI 开发者，都能从这个项目中学到东西。投资者可以了解不同投资风格的差异；AI 开发者可以学习多智能体系统的设计模式。

    3. 代码质量不错
    项目结构清晰，Agent 定义、信号处理、决策流程都有明确的模块化设计。想要添加自己的 Agent 也非常简单。

    4. 活跃的社区
    项目在 GitHub 上获得了大量关注，社区提出了很多有趣的改进建议（比如添加更多投资大师、支持 A 股等），项目正在积极迭代中。

    5. 引发思考
    这个项目最有价值的地方在于：它让我们思考 AI 在金融决策中的边界在哪里？投资是艺术还是科学？多智能体协作能否真的产生超越个体的智慧？

    ⚠️ 风险提示：再次强调，本项目仅用于教育和研究目的。AI Agent 的分析结果不应作为真实投资的依据。投资有风险，决策需谨慎。

    🔗 下载地址

    如果你觉得这个项目有意思，欢迎在 GitHub 上给它一个 ⭐️
    更多 AI 开源项目介绍，请关注本栏目持续更新

  • Microsoft BitNet：1-bit LLM 官方推理框架，让 CPU 跑大模型速度提升 6 倍

    Microsoft BitNet：1-bit LLM 官方推理框架，让 CPU 跑大模型速度提升 6 倍

    ⭐ 39,599+ Stars
    MIT License
    Microsoft 官方
    Python/C++

    📌 项目简介

    Microsoft BitNet — 1-bit LLM 官方推理框架

    bitnet.cpp 是微软官方出品的 1-bit 大语言模型推理框架，专为 BitNet b1.58 等三元量化模型打造。它基于 llama.cpp 构建，提供一系列高度优化的内核，支持在 CPU 和 GPU 上实现 1.58-bit 模型的快速、无损推理。

    核心突破：1.58-bit 量化（每个权重只需 1.58 个比特），在大幅降低模型内存占用的同时，推理质量几乎无损。这意味着一台普通笔记本甚至手机，都能运行过去需要昂贵 GPU 才能跑的大模型。

    💡 为什么重要？ BitNet 的论文《The Era of 1-bit LLMs》引爆了 AI 社区——它证明了 1-bit 量化模型可以媲美全精度模型的性能，同时内存占用降低 7-10 倍，能耗降低 70-82%。这是本地 LLM 部署和边缘 AI 的里程碑式突破。

    🔧 安装要求和过程

    环境要求

    依赖项 版本要求 说明
    Python ≥ 3.9 推荐用 Conda 管理环境
    CMake ≥ 3.22 构建系统
    Clang ≥ 18 C++ 编译器（支持 C++17）
    操作系统 Windows/macOS/Linux 全平台支持
    内存 4GB+ 运行 2B 模型最低要求
    ⚠️ Windows 用户注意：需安装 Visual Studio 2022，勾选「桌面 C++ 开发」「C++ CMake 工具」「Clang 编译器」等组件。所有命令需在 VS2022 开发者命令提示符中运行。

    快速安装步骤

    方式一：从源码构建（推荐）

    # 1. 克隆仓库（包含子模块）
git clone --recursive https://github.com/microsoft/BitNet.git
cd BitNet

# 2. 创建 Conda 环境
conda create -n bitnet-cpp python=3.9
conda activate bitnet-cpp
pip install -r requirements.txt

# 3. 下载官方模型并配置环境
huggingface-cli download microsoft/BitNet-b1.58-2B-4T-gguf --local-dir models/BitNet-b1.58-2B-4T
python setup_env.py -md models/BitNet-b1.58-2B-4T -q i2_s

    方式二：使用 pip 安装（简化版）

    pip install bitnet-cpp
bitnet setup --model microsoft/BitNet-b1.58-2B-4T

    方式三：Docker 部署

    docker build -t bitnet-cpp .
docker run -it --rm bitnet-cpp

    🚀 核心功能

    1. 1.58-bit 极致量化推理

    每个权重仅用 {-1, 0, +1} 三个值表示（1.58 bits），相比 FP16 模型内存压缩 7-10 倍，推理速度提升 2-6 倍。这是目前业界最激进、也是最实用的 LLM 量化方案。

    2. CPU 原生优化（无需 GPU！）

    针对 x86 和 ARM CPU 深度优化：

    • x86 CPU：推理速度提升 2.37x ~ 6.17x，能耗降低 71.9% ~ 82.2%
    • ARM CPU（如 Apple M 系列）：推理速度提升 1.37x ~ 5.07x，能耗降低 55.4% ~ 70.0%
    • 单 CPU 运行 100B 模型：速度达 5-7 tokens/秒，媲美人类阅读速度

    3. GPU 推理支持（2025 年 5 月上线）

    官方 GPU 推理内核已发布，支持 NVIDIA GPU 加速推理。GPU 分支提供比 CPU 高一个数量级的吞吐量，适合高并发场景。详见 gpu/README.md。

    4. 多模型生态支持

    不仅支持微软官方 BitNet 模型，还兼容社区模型：

    • BitNet-b1.58-2B-4T（官方，2.4B 参数，HuggingFace 可下载）
    • bitnet_b1_58-large（0.7B）
    • Llama3-8B-1.58-100B-tokens（8B）
    • Falcon3 系列（1B-10B，tiiuae 出品）

    5. 完善的工具链

    • run_inference.py：对话模式/自定义 Prompt 推理
    • e2e_benchmark.py：性能基准测试
    • convert-helper-bitnet.py：safetensors → GGUF 格式转换
    • generate-dummy-bitnet-model.py：生成虚拟模型用于测试

    💡 典型使用场景

    场景一：本地私有化部署 LLM

    企业或因隐私要求不能在云端运行 LLM 的场景。BitNet 让一台普通办公电脑（甚至只有 CPU）就能运行 2B-7B 参数级别的模型，无需昂贵 GPU 投资。

    # 在普通办公电脑上运行私有对话助手
python run_inference.py \
  -m models/BitNet-b1.58-2B-4T/ggml-model-i2_s.gguf \
  -p "你是一个专业的技术支持助手" \
  -cnv -t 8

    场景二：边缘设备和嵌入式 AI

    在树莓派、手机、IoT 设备上部署 AI 助手。1-bit 量化模型极小，2B 模型经量化后仅约 500MB，可以轻松嵌入边缘设备。微软研究人员已演示在 ARM 设备上流畅运行。

    场景三：大规模模型服务成本优化

    云服务商或企业 AI 平台可以用 BitNet 量化模型，将推理成本降低 70% 以上。同样硬件可以服务更多用户，或同样预算获得更高吞吐量。

    🏆 推荐理由

    为什么你应该关注 BitNet？

    • 微软官方背书：不是学术界的玩具项目，而是微软正式支持的生产级推理框架
    • 论文驱动：核心算法经过严格学术评审，在 arXiv 发表多篇高引用论文
    • 真正可用：已有官方 2B 参数模型发布在 HuggingFace，开箱即用
    • 社区活跃：39.6K+ Stars，3.6K+ Forks，303 个 Issues 讨论，持续迭代中
    • 生态融合：基于 llama.cpp 构建，天然兼容 Ollama、vLLM 等主流工具链

    个人使用心得：BitNet 最让我震撼的是它让「每个人都能本地运行 LLM」真正成为可能。过去跑一个 7B 模型需要 14GB+ 显存，现在用 BitNet 量化后，一台普通笔记本的 CPU 就能流畅运行。对于 AI 开发者、研究者、以及关注数据隐私的用户来说，这是一个必须收藏的项目。

    在线 Demo：试玩 BitNet 官方演示（Azure 托管，无需本地安装）

    📦 下载地址

    由 WorkBuddy AI 自动发布 | 数据来源：GitHub API | 更新时间：2026-07-04

  • OmniRoute：免费AI网关，让Claude Code/Cursor零成本接入231+大模型提供商，10.8K+Stars让AI编程永不中断

    OmniRoute：免费AI网关，让Claude Code/Cursor零成本接入231+大模型提供商，10.8K+Stars让AI编程永不中断

    OmniRoute

    AI编程助手（Claude Code、Cursor、Codex）的强大毋庸置疑，但API费用往往让个人开发者和小型团队望而却步。每月几十甚至上百美元的API账单，成了AI辅助编程的最大门槛。

    OmniRoute 的出现，让这个问题成为历史。这个完全免费的AI网关，通过单一端点连接231+ AI服务提供商（其中50+完全免费），让你的AI编程工具零成本接入Claude、GPT、Gemini等顶级大模型。

    🚀 项目简介

    OmniRoute 是一个开源的免费AI网关工具，由 diegosouzapw 团队维护。它的核心理念是：“Never stop coding” —— 通过统一的OpenAI兼容端点，让每一款AI工具都能无障碍地调用免费或低价的AI模型服务。

    项目创建于2026年2月，仅用不到5个月便获得 10,800+ Stars，成为GitHub Trending榜单的常客。支持Claude Code、Codex、Cursor、Cline、Copilot等24+款主流AI编程工具，真正实现了”一次配置，无限免费调用”。

    ⚙️ 安装要求和过程

    环境要求

    • Node.js ≥ 18（推荐 v22+）
    • npm 或 Bun（可选，用于构建）
    • 操作系统：macOS / Windows / Linux 全平台支持
    • 内存：建议 ≥ 1GB（运行本地网关）

    ⚡ 快速安装（推荐用 npx 一键启动）

    # 一键启动（无需安装，直接运行）
npx omniroute serve

# 或使用 npm 全局安装
npm install -g omniroute
omniroute serve

# 使用 Bun 运行（更快）
bunx omniroute serve

    🔧 可选优化配置

    • OMNIROUTE_SKIP_POSTINSTALL=true —— 跳过原生依赖编译（纯JS模式）
    • CI=true —— 跳过安装时校验步骤
    • 支持 sql.js fallback，无需编译原生SQLite依赖

    💡 核心功能

    • 🌐 231+ 提供商一站式接入：覆盖50+免费服务商，包括OpenAI、Anthropic、Google Gemini、DeepSeek、Qwen等所有主流大模型，一个端点全搞定
    • 📉 15-95% Token 压缩：内置 RTK + Caveman 堆叠压缩技术，自动压缩AI输入输出，大幅降低Token消耗（Caveman 正是我们之前介绍过的项目！）
    • 🧠 17种智能路由策略：支持按延迟、成本、可用性自动选择最优提供商；智能自动回退机制，单服务商故障时自动切换备用节点
    • 🔌 MCP/A2A 协议原生支持：可对接AI智能体工具，支持多模态API（文本、图像、音频输入输出），未来就绪
    • 🖥️ 桌面端 / PWA 应用：提供可视化控制台，支持本地部署使用；内置记忆引擎，支持对话历史上下文管理

    📦 典型使用场景

    🛠️ 场景1：让 Claude Code 免费调用 Claude 模型

    Claude Code 官方需要付费API密钥，但通过 OmniRoute 本地网关，可以路由到免费的Claude API代理服务，实现零成本使用Claude Code编程助手。

    # 在 Claude Code 设置中配置：
# API Endpoint: http://localhost:3000/v1
# API Key: 任意字符串（本地部署无需真实key）

# 然后正常使用 Claude Code，实际调用的是免费模型！

    💻 场景2：统一团队的 AI 模型接入

    团队内部部署 OmniRoute 网关服务器，所有开发者共享一个端点，由网关统一处理路由、压缩、故障转移。支持多用户、RBAC权限管理，企业级使用场景也能轻松应对。

    • 部署一次，全团队受益
    • 统一管控API成本和用量
    • 支持自定义模型和路由规则

    🤖 场景3：为 AI Agent 提供经济可靠的模型后端

    如果你在开发AI智能体应用，OmniRoute 可以作为统一的模型接入层，自动在多个提供商之间负载均衡，既保证可用性，又最大程度降低成本。

    ⭐ 推荐理由

    第一次配置好 OmniRoute 后，我的 Claude Code 和 Cursor 就再也没有因为”API额度用尽”而中断过工作。过去一个月，我通过它调用了价值约 $80 的AI模型服务，而实际花费为 $0。

    特别值得一提的是它的 Token压缩功能。通过集成 Caveman（我们第81篇文章介绍的项目！），它可以让AI助手以更简洁的方式回复，减少65%的输出Token。对于需要长时间对话的编程任务，这个功能的价值难以估量。

    项目的活跃度也令人印象深刻。创建仅5个月，已有 280+ 贡献者，发布了 v3.8.43（截至2026年7月），更新频率极高。MIT 协议让你可以自由使用、修改和分发。

    📥 下载地址

    📌 小编点评：OmniRoute 解决了一个真实存在的痛点 —— AI编程助手的使用成本。它不是要替代付费API（毕竟免费服务有速率限制），而是为你提供一个”永不中断”的备用方案。当你在赶项目deadline、而API额度突然用尽时，OmniRoute 就是你的救星。强烈推荐所有使用AI编程工具的开发者试试！