标签： Python

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
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
Spec Kit：GitHub 官方出品的「规格驱动开发」工具包，让 AI 编码助手先写规格、再写代码
项目简介

Spec Kit 是 GitHub 官方开源的规格驱动开发（Spec-Driven Development, SDD）工具包。它给 GitHub Copilot、Claude Code、Gemini CLI、Codex 等 30+ 款 AI 编码助手注入一套「宪法 → 规格 → 计划 → 任务 → 实现」的结构化工作流，让你在动手写代码之前，先把「要做什么、为什么做」想清楚、写明白——告别想到哪写到哪的「vibe coding」。

安装要求和过程

环境要求
- 操作系统：Linux / macOS / Windows
- Python 3.11 及以上
- 包管理器：uv（推荐）或 pipx
- Git
- 一个受支持的 AI 编码助手（Copilot / Claude Code / Gemini / Codex 等 30+）
快速安装步骤

① 安装 uv（详见 astral.sh/uv）：
```
# 参见 https://docs.astral.sh/uv/getting-started/installation/
curl -LsSf https://astral.sh/uv/install.sh | sh
```
② 安装 Specify CLI（已发布到 PyPI）：
```
uv tool install specify-cli
# 或从源码锁定版本：
# uv tool install specify-cli --from git+https://github.com/github/spec-kit.git@v0.12.16
```
③ 初始化项目并选择你的编码助手：
```
specify init my-project --integration copilot
cd my-project
```
④ 在项目目录里启动 AI 编码助手，即可使用 /speckit.* 系列命令（Codex 等 skills 模式用 $speckit-*）。

核心功能
- 结构化 SDD 工作流：constitution（项目宪法）→ specify（需求规格）→ plan（技术方案）→ tasks（任务拆解）→ implement（实现），把「先写规格、再写代码」固化成可复用的标准流程。
- 兼容 30+ AI 编码助手：Copilot、Claude Code、Gemini、Codex、Cursor 等，通过 slash 命令或 skills 模式无缝集成，一个工具链覆盖全团队。
- 项目宪法（Constitution）：用 /speckit.constitution 定义代码质量、测试标准、性能与体验等治理原则，在规格、计划、实现的每一环约束 AI 的决策。
- 可扩展的扩展 / 预设 / 打包体系：extensions 增加新命令与能力，presets 改写模板与术语（如合规、安全门禁），bundles 一键部署「产品经理 / 安全研究员 / 开发者」等角色化工作流。
- 离线可用 & 自管理升级：所有 consume/author 命令可针对本地或锁定源离线运行；specify self upgrade 一键升级到稳定版本，且安装幂等、仅作用于项目根目录。
典型使用场景
- 从零搭建应用（Greenfield）：用一句话需求生成功能规格，再让 AI 按计划与任务清单逐步实现，避免「vibe coding」式的方向跑偏与大量返工。
- 团队标准化研发流程：通过 presets 强制合规 / 安全的规格格式，用 bundles 给不同角色一键装配统一工具链，保证多人协作的产出口径一致、可追溯。
- 遗留系统现代化（Brownfield）：在已有项目中迭代加功能、做现代化改造；Spec Kit 工具更新与功能规格演进分离，支持平滑演进的 brownfield 循环。
推荐理由

用过 AI 编码助手的人大多有过这种体验：让它「帮我做个照片相册应用」，它啪一下甩出几百行代码，跑起来才发现需求理解错了、结构一团糟、改起来比自己写还累。Spec Kit 解决的正是这个痛点——它不替你思考，而是逼你把需求先写成规格。

我最看重三点：一是 Constitution 把团队的工程质量标准沉淀成可复用的「宪法」，AI 全程受它约束，产出更稳；二是 tasks 把大需求拆成可勾选的任务清单，每一步都有据可查、可回退；三是它足够轻——本质上只是个 CLI + 一组 slash 命令，没有重运行时，和 Claude Code / Copilot 配合几乎零摩擦。当然，它是一套「流程纪律」而非魔法：规格写得好不好，直接决定最终质量。把它当成一个让 AI「先审题再答题」的脚手架，体验会非常顺。

下载地址
- 官网 / 文档：https://github.github.io/spec-kit/
- GitHub 仓库：https://github.com/github/spec-kit（⭐ 121.7K · MIT）
- PyPI 包：specify-cli
- 最新发布：v0.12.16（2026-07-15）
* 本文数据来自 GitHub API，截至 2026-07-16；Spec Kit 由 GitHub 团队开源，采用 MIT 许可。
2026年7月16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
Open WebUI：自托管、可离线运行的 AI 聊天与智能体平台
项目简介

Open WebUI 是一个功能丰富、可完全离线运行的自托管 AI 平台，支持 Ollama 本地模型与 OpenAI 兼容 API，内置 RAG 检索增强、多模型对话、语音/视频通话、智能体与插件生态，是把任意大模型变成”私有 ChatGPT”的一站式前端。（GitHub ⭐ 145K+，Python，Open WebUI License）

安装要求和过程

环境要求：Python 3.11（pip 方式）；或 Docker 20.10+（容器方式）；可搭配 Ollama 本地推理，或任意 OpenAI 兼容 API Key。

方式一 · pip 安装（最简）：
```
pip install open-webui
open-webui serve   # 访问 http://localhost:8080
```
方式二 · Docker 一条命令（自带 Ollama，CPU）：
```
docker run -d -p 3000:8080   -v ollama:/root/.ollama -v open-webui:/app/backend/data   --name open-webui --restart always   ghcr.io/open-webui/open-webui:ollama
```
方式三 · 仅用 OpenAI API：
```
docker run -d -p 3000:8080   -e OPENAI_API_KEY=your_secret_key   -v open-webui:/app/backend/data   --name open-webui --restart always   ghcr.io/open-webui/open-webui:main
```
部署后访问 http://localhost:3000 即可使用；也支持 Docker Compose、Kubernetes（Helm/Kustomize）与 uv 安装。

核心功能
- 广泛的模型与 API 接入：本地 Ollama + 任意 OpenAI 兼容后端（LM Studio、Groq、OpenRouter、vLLM、Mistral 等），支持多模型并行对话、各取所长。
- 本地 RAG 知识库：支持 9 种向量数据库与多种文档解析引擎（Tika、Docling、Mistral OCR 等），混合检索（BM25+向量）+ 重排，用 # 命令把文档/网页直接拉进对话。
- 智能体与插件生态：Filters / Actions / Pipes / Tools / Skills 插件机制，可接 MCP、OpenAPI 工具服务器，把任意基础模型包装成专属 Agent。
- 语音/视频通话与多模态：本地 Whisper 等 STT + 多种 TTS 引擎，内置 DALL·E / Gemini / ComfyUI 图像生成与编辑，支持网页浏览与联网搜索。
- 企业级管理与安全：细粒度 RBAC 与用户组、LDAP / SSO / SCIM 自动配置、PostgreSQL 持久化、横向扩展与 OpenTelemetry 可观测性。
典型使用场景
- 个人本地 AI 助手：用 Ollama 在笔记本上跑 Llama / Mistral，全程离线、数据不出本机，配合 RAG 问答私人文档。
- 团队自托管 AI 中台：公司内部署，接入 OpenAI 或自建 vLLM，统一账号、权限与用量审计，替代公网 SaaS，守住数据隐私。
- 知识库问答与自动化：把 Confluence / Notion / 本地文件建索引，用智能体 + 定时自动化做日报生成、资料检索与多模型 A/B 评估。
推荐理由

我把 Open WebUI 当作”私有 ChatGPT 的标杆”。它最打动我的是真正的离线优先与自托管能力——所有聊天与文档数据都留在自己的机器或服务器，不依赖任何云。RAG 开箱即用，多模型对比、语音通话、插件生态一应俱全，Docker 一条命令就能跑起来，对不想把对话记录交给第三方的用户极其友好。社区极其活跃、更新频繁，是个人和中小团队落地 AI 的最低门槛选择。

下载地址
- 官网 / 文档：openwebui.com ｜ docs.openwebui.com
- GitHub 仓库：github.com/open-webui/open-webui（⭐ 145K+）
- 在线 Demo：demo.openwebui.com
2026年7月15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

⭐ 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： Python

一、安装要求和过程

二、核心功能

三、典型使用场景

四、推荐理由

五、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

三、核心功能

四、典型使用场景

五、推荐理由

六、下载地址

📦 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

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

快速安装步骤

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

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

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