YOHO AI

标签： Python

  • 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

  • Supervision：Roboflow 开源计算机视觉工具库，46.3K+ Stars 让 CV 开发不再重复造轮子

    Supervision：Roboflow 开源计算机视觉工具库，46.3K+ Stars 让 CV 开发不再重复造轮子

    🔍 Supervision

    Roboflow 开源计算机视觉工具库

    ⭐ 46.3K+ Stars
    🍴 4.1K+ Forks
    🐍 Python
    📜 MIT 许可

    📌 项目简介

    Supervision 是 Roboflow 团队开发的开源 Python 计算机视觉工具库，提供模型无关的检测、跟踪、标注和数据集处理能力。它让你专注于业务场景，而不是重复编写基础 CV 工具函数。

    ✨ 核心特色

    🔗 模型无关设计

    内置 Ultralytics (YOLO)、Transformers、MMDetection、RF-DETR 等主流库的连接器，统一输出 sv.Detections 格式，换模型不改代码。

    🎨 丰富可视化标注

    提供 BoxAnnotator、MaskAnnotator、EllipseAnnotator、LabelAnnotator 等多种标注器，高度可定制，一行代码完成结果可视化。

    📦 数据集处理

    支持 COCO、YOLO、Pascal VOC、YOLOv8 Oriented Bounding Box 等格式的加载、拆分、合并、格式转换，一站式数据集管理。

    📹 视频分析工具

    内置目标跟踪（ByteTrack/Norfair）、区域计数、速度估计、驻留时间分析等常见 CV 任务的配套工具，开箱即用。

    ⚙️ 安装要求和过程

    环境要求

    • Python ≥ 3.10
    • 操作系统：Windows / macOS / Linux 全平台支持
    • 可选依赖：根据使用的模型后端选择安装（ultralytics / transformers / mmdet 等）

    快速安装

    # 使用 pip 安装（推荐）
pip install supervision

# 使用 conda 安装
conda install -c conda-forge supervision

# 从源码安装最新版
pip install git+https://github.com/roboflow/supervision.git

    💡 安装后可在 Google Colab 中在线体验，或访问 HuggingFace Spaces 体验标注器效果。

    🚀 典型使用场景

    场景一：目标检测 + 可视化标注

    使用 YOLO 或 RF-DETR 模型进行目标检测，并用 Supervision 的标注器一键可视化结果：

    import cv2
import supervision as sv
from rfdetr import RFDETRSmall

# 加载模型
model = RFDETRSmall()
image = cv2.imread("image.jpg")

# 推理
detections = model.predict(image, threshold=0.5)

# 可视化
box_annotator = sv.BoxAnnotator()
label_annotator = sv.LabelAnnotator()

annotated = box_annotator.annotate(
    scene=image.copy(), detections=detections
)
annotated = label_annotator.annotate(
    scene=annotated, detections=detections
)

cv2.imwrite("result.jpg", annotated)

    场景二：视频目标跟踪与区域计数

    对视频中的目标进行跨帧跟踪，并统计穿越特定区域的目标数量：

    import supervision as sv

# 定义感兴趣区域（多边形）
ZONE = sv.PolygonZone(
    polygon=sv.Polygon.from_file("zone.json")
)

tracker = sv.ByteTrack()

for frame in sv.get_video_frames_generator("video.mp4"):
    detections = model.predict(frame)
    detections = tracker.update(detections)
    
    # 统计区域内的目标
    zone_count = ZONE.trigger(detections)
    print(f"区域内目标数: {zone_count}")

    场景三：数据集格式转换

    在不同标注格式之间自由转换，方便切换训练框架：

    import supervision as sv

# 从 COCO 格式加载
dataset = sv.DetectionDataset.from_coco(
    images_directory_path="data/train/images",
    annotations_path="data/train/_annotations.coco.json",
)

# 拆分为训练集和验证集
train_ds, val_ds = dataset.split(split_ratio=0.8)

# 保存为 YOLO 格式
train_ds.as_yolo(
    images_directory_path="data/yolo/images/train",
    annotations_directory_path="data/yolo/labels/train",
)

    💡 推荐理由

    计算机视觉开发者最头疼的事情之一，就是每次用新的检测模型都要重新写一遍数据预处理、结果解析、可视化标注、数据集转换的代码。Supervision 把这个痛点彻底解决了。

    它的 模型无关设计 是一大亮点——不管你用 YOLOv8、YOLO11、RT-DETR、SAM 还是 Grounding DINO，Supervision 都能以统一的 sv.Detections 格式输出结果，让你的下游代码完全不用改。

    另一个让人惊喜的地方是数据集处理工具。以前 COCO 转 YOLO 要写几十行脚本，现在几行代码就搞定。格式拆分、合并、统计类别分布，全都内置了。

    Roboflow 作为计算机视觉领域的头部公司，维护质量和文档完善度都非常高。PyPI 月下载量超百万，社区活跃，Discord 里提问基本当天就有回复。不管是做学术研究还是工业落地，这都是必备工具库。

    📊 项目信息

    GitHub Stars ⭐ 46,329+
    Forks 🍴 4,106+
    语言 🐍 Python
    许可 📜 MIT License
    最新版本 v0.29.0（要求 Python ≥ 3.10）
    创建时间 2022-11-28
    维护方 Roboflow 团队

    🤖 本文由 AI 自动生成 · 数据来源：GitHub – roboflow/supervision

  • CodeGeeX4：清华大学出品的9B全能代码模型，性能超越70B级大模型

    CodeGeeX4：清华大学出品的9B全能代码模型，性能超越70B级大模型

    CodeGeeX4
    清华大学 KEG 实验室 × 智谱 AI 联合出品
    ALL-9B 全能模型 · 代码生成 · Function Call · 仓库级理解
    ⭐ 最新一代
    🚀 9B 超越 70B
    🏆 BigCodeBench SOTA

    📝 项目简介

    CodeGeeX4 是清华大学 KEG 实验室与智谱 AI 联合推出的第四代多语言代码生成模型，基于 GLM-4-9B 持续训练，在代码生成、代码解释、Web 搜索、Function Call、仓库级 Q&A 等全场景软件开发生命周期中均提供卓越表现。仅 9B 参数即超越 Llama3-70B、DeepSeekCoder-33B 等超大模型，是当前 10B 以下参数规模中综合性能最强的代码模型。

    9B
    模型参数

    82.3%
    HumanEval Pass@1

    128K
    上下文长度

    ⭐ 30K+
    GitHub Stars

    ⚙️ 安装要求和过程

    💻 环境要求

    • Python 3.10+（推荐 3.11）
    • CUDA 12.1+（GPU 推理）
    • PyTorch 2.0+ 或 vLLM 0.5.1+
    • 内存：FP16 推理约 18GB，INT4 量化约 6GB
    • 操作系统：Windows / macOS / Linux 全平台支持

    🚀 快速安装（Ollama — 最简单）

    # 安装 Ollama（需 0.2+ 版本）
# macOS/Linux:
curl -fsSL https://ollama.com/install.sh | sh

# Windows: 从 https://ollama.com/download 下载安装

# 一键运行 CodeGeeX4
ollama run codegeex4

    🐍 使用 transformers 推理

    pip install transformers==4.40.0 torch

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model = AutoModelForCausalLM.from_pretrained(
    "THUDM/codegeex4-all-9b",
    torch_dtype=torch.bfloat16,
    trust_remote_code=True
).cuda().eval()
tokenizer = AutoTokenizer.from_pretrained(
    "THUDM/codegeex4-all-9b",
    trust_remote_code=True
)

# 对话格式
prompt = [{"role":"user","content":"写一个快速排序"}]
inputs = tokenizer.apply_chat_template(prompt, add_generation_prompt=True, return_tensors="pt").cuda()
outputs = model.generate(inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

    ⚡ vLLM 高性能部署

    pip install vllm==0.5.1

# 启动 OpenAI 兼容 API 服务
python -m vllm.entrypoints.openai.api_server     --model THUDM/codegeex4-all-9b     --trust-remote-code     --tensor-parallel-size 1

# 然后即可用 OpenAI SDK 调用
# pip install openai
# client = OpenAI(base_url="http://localhost:8000/v1", api_key="dummy")

    ✨ 核心功能

    💬 全场景代码助手
    支持代码补全、代码生成、代码解释、代码翻译、文档生成、Bug 修复等全场景，基于 ChatGLM2/GLM-4 架构，中英文理解能力优异。

    🔧 Function Call 原生支持
    唯一原生支持 Function Call 的代码模型，Function Call 执行成功率甚至超越 GPT-4。可无缝接入 AI Agent 工具调用链路。

    📦 仓库级代码理解
    支持 128K 超长上下文，可理解整个代码仓库。支持仓库级 Q&A、跨文件代码补全、自动 commit 等高级功能。

    🌐 多平台部署
    支持 Ollama / vLLM / transformers / Rust-candle 多种推理后端；支持 VS Code、JetBrains 全系列 IDE 插件；支持本地 / 云端双模式。

    🏆 性能全面领先（10B 以下模型）
    HumanEval 82.3% · MBPP 75.7% · NaturalCodeBench 40.4% · BigCodeBench 48.9%（complete）/ 40.4%（instruct）· CRUXEval-O 47.1%。在代码推理、代码理解、代码执行等全方位评测中均取得 10B 以下模型最佳成绩。

    🎯 典型使用场景

    场景一：IDE 智能编程助手（最适合日常使用）

    在 VS Code 或 JetBrains IDE 中安装 CodeGeeX 插件，即可体验：

    • 代码补全：根据上下文自动补全下一行 / 下一个函数
    • 上下文补全：基于仓库内其他文件提供跨文件补全建议
    • Ask CodeGeeX：中英文对话解决编程问题，支持代码解释、翻译、纠错
    • 本地模式：连接本地 Ollama 运行的 CodeGeeX4，数据完全不出本地

    💡 支持超过 100 种编程语言！

    场景二：AI Agent Function Call 工具

    CodeGeeX4 原生支持 Function Call，可以：

    • 作为 AI Agent 的代码生成工具，解析自然语言需求生成代码
    • 接入 OpenAI 兼容 API，与 LangChain / AutoGen 等 Agent 框架无缝集成
    • 支持仓库级代码操作（增删改文件），实现 AI 自动 commit
    • 结合 vLLM 部署，支持多并发、高吞吐的生产环境调用

    场景三：本地私有化部署（数据安全敏感场景）

    对于数据隐私有严格要求的企业 / 个人，CodeGeeX4 提供完善的本地部署方案：

    • 通过 Ollama 一行命令启动，INT4 量化仅需 6GB 显存
    • 支持连接 VS Code / JetBrains 插件，体验与云端一致
    • 支持昇腾 / NVIDIA 全系列硬件，包括国产 AI 芯片
    • 代码和数据完全不离开本地，满足企业合规要求

    💡 推荐理由

    作为 AI 编程工具的深度用户，我试用过 GitHub Copilot、Claude Code、Cursor 等各类产品，CodeGeeX4 给我留下了极其深刻的印象：

    ① 性价比无敌：9B 参数的小模型，性能直接干翻 70B 的 Llama3 和 33B 的 DeepSeekCoder。这意味着你用消费级显卡（甚至 6GB 显存的 RTX 3060）就能跑一个世界级代码模型。

    ② Function Call 是杀手锏：在 AI Agent 时代，代码模型不能只做补全，还要能调用工具。CodeGeeX4 是唯一原生支持 Function Call 的开源代码模型，而且执行成功率比 GPT-4 还高。这对构建 AI 编程 Agent 来说是个游戏规则改变者。

    ③ 清华大学 + 智谱 AI 双背书：KEG 实验室（唐杰教授团队）在 NLP 和代码生成领域深耕多年，CodeGeeX 系列从 2022 年做到 2026 年，四代演进，成熟度远超同类竞品。智谱 AI 的 GLM 架构也在持续迭代优化。

    ④ 真正可用的 IDE 插件：很多开源模型只提供权重，没有好的用户体验。CodeGeeX 的 VS Code / JetBrains 插件做得相当完善，上下文补全、跨文件理解、Ask CodeGeeX 对话，体验不输商业产品。

    如果你在找一个能本地部署、性能好、中文友好的 AI 编程助手，CodeGeeX4 是目前唯一的最优解。

    📊 性能对比（10B 以下模型）

    模型 参数 HumanEval MBPP NCB Function Call
    CodeGeeX4-ALL-9B 9B 82.3% 75.7% 40.4% ✅ 超越GPT-4
    Llama3-70B-Instruct 70B 77.4% 82.3% 37.0% —
    DeepSeekCoder-33B 33B 81.1% 80.4% 39.3% —
    Codestral-22B 22B 81.1% 78.2% 46.0% —

    数据来源：CodeGeeX4 官方 README，NCB = NaturalCodeBench

    📚 CodeGeeX 系列演进

    CodeGeeX（第一代，2022）
    13B 参数，基于华为昇腾芯片训练，在 20+ 编程语言上预训练。配套开源 HumanEval-X 多语言评测基准。Apache-2.0 开源。

    CodeGeeX2（第二代，2023）
    基于 ChatGLM2-6B，6B 参数即超越 15B 的 StarCoder。支持 8192 序列长度，量化后仅需 6GB 显存。HumanEval-X 全面提升（+57%~+321%）。

    CodeGeeX4（第四代，2024）
    基于 GLM-4-9B，9B 参数全能模型。支持 Function Call、仓库级 Q&A、128K 上下文。BigCodeBench / NaturalCodeBench / CRUXEval 全基准 SOTA。Apache-2.0 开源。

    由自动化任务发布 · GitHub 热门 AI 开源项目系列 · 清华大学 KEG 实验室 × 智谱 AI
  • Strix：开源AI渗透测试工具，让AI智能体像真实黑客一样发现漏洞（31.6K Stars）

    Strix：开源AI渗透测试工具，让AI智能体像真实黑客一样发现漏洞（31.6K Stars）

    🛡️ Strix：开源AI渗透测试工具，让AI智能体像真实黑客一样发现漏洞

    Strix
    Autonomous AI Penetration Testing
    ⭐ 31.6K Stars
    🐍 Python
    📄 Apache-2.0
    🏢 useStrix

    📌 项目简介

    Strix 是一款开源的 AI 驱动的渗透测试工具，由 useStrix 团队维护（YC W25 孵化项目）。它用自主AI智能体模拟真实黑客的攻击行为——动态执行代码、发现漏洞、验证PoC（概念验证），覆盖从侦察、利用到验证的完整渗透测试流程。与传统静态分析工具的高误报率不同，Strix 通过实际利用来验证漏洞，输出可工作的PoC，让开发者和安全团队在几小时内完成传统需要数周的渗透测试。

    ⚙️ 安装要求与过程

    环境要求

    • ✅ Docker 必须已启动（用于沙箱隔离执行）
    • ✅ 任意支持的 LLM 提供商 API 密钥（OpenAI / Anthropic / Google / 本地模型等）
    • ✅ Python 3.10+（仅使用 PyPI 包时）

    快速安装（3步搞定）

    # 1. 一键安装 Strix
curl -sSL https://strix.ai/install | bash

# 2. 配置 AI 提供商（支持 OpenAI / Claude / Gemini 等）
export STRIX_LLM="openai/gpt-5.4"
export LLM_API_KEY="your-api-key"

# 3. 运行首次安全评估
strix --target ./app-directory

    📦 首次运行会自动拉取沙箱 Docker 镜像，结果保存到 strix_runs/<run-name> 目录。

    ✨ 核心功能

    🤖
    多智能体渗透测试
    多个AI渗透测试智能体协作——分工负责侦察、利用、后渗透阶段，像红队一样动态协调、共享发现、链式利用漏洞，并行执行提升覆盖效率。

    🔍
    真实漏洞验证（非误报）
    与传统静态分析工具的高误报率不同，Strix 通过实际执行利用代码来验证漏洞，输出可工作的PoC（概念验证），确保每一个报告的问题都是真实可利用的。

    🧰
    完整渗透测试工具链
    内置 HTTP 拦截代理（Caido）、浏览器漏洞利用（Playwright）、命令执行环境、自定义漏洞运行时（Python 沙箱）、侦察与OSINT、动静态代码分析（SAST+DAST）、结构化漏洞知识库（CVSS + OWASP 分类）。

    🔧
    自动修复与合规报告
    不仅发现问题，还能生成安全补丁（AI 自动修复）和符合 SOC 2 / ISO 27001 / PCI DSS 标准的渗透测试报告，一键即可生成可直接提交的漏洞报告。

    🚀
    CI/CD 原生集成
    无交互模式（-n/--non-interactive）完美适配自动化场景，GitHub Actions 工作流仅需 10 行配置，即可在每次 Pull Request 时自动扫描漏洞，在代码合并前阻断安全风险。

    🚀 典型使用场景

    场景一：PR 合并前的自动安全门禁
    在 GitHub Actions 中配置 Strix，每次 PR 提交时自动触发安全扫描。Strix 会自动将扫描范围限定在变更文件（diff-scope），快速完成审查。发现漏洞时以非0退出码阻断合并，并自动生成包含PoC和修复建议的安全报告。传统渗透测试需要数周，Strix 在 CI 流水线中仅需分钟级完成。
    场景二：Bug Bounty 自动化辅助
    安全研究员使用 Strix 对目标应用进行自动化漏洞挖掘。Strix 的智能体协作机制可同时覆盖 OWASP Top 10 的八大类漏洞（访问控制、注入攻击、服务端漏洞、客户端攻击、业务逻辑缺陷、认证与会话、基础设施与云安全、API 安全），并自动生成可用于漏洞报告提交的 PoC 脚本，大幅提升 Bug Bounty 研究的效率与覆盖深度。
    场景三：本地代码仓库的白盒安全审计
    开发者运行 strix --target ./app-directory，Strix 在 Docker 沙箱内动态执行应用代码，结合 SAST（静态应用安全测试）和 DAST（动态应用安全测试）双重分析，精准发现硬编码密钥、SQL 注入、SSRF 等传统工具难以触达的深层漏洞。支持通过 --instruction 参数指定重点关注的业务逻辑缺陷类型。

    💡 推荐理由

    在 AI 辅助开发日益普及的今天，安全责任正在向左迁移——开发者需要在代码提交前就能发现安全问题。传统 SAST 工具（如 Bandit、Semgrep）误报率高，而专业渗透测试周期长、成本高。Strix 用 AI 智能体填补了这个空白：

    • 🎯 真实可利用性验证：不只报告潜在问题，而是实际执行利用代码，输出可工作的 PoC，将误报率降至最低。
    • 🤝 多智能体协作：像真实红队一样分工协作，侦察智能体发现攻击面 → 利用智能体验证漏洞 → 后渗透智能体评估影响范围，链式利用让漏洞发现更系统。
    • 🔗 DevSecOps 无缝集成：GitHub Actions / GitLab CI 仅需 10 行配置，PR 差异范围自动扫描，安全门禁无感嵌入开发流程。
    • 🌐 支持广泛 LLM 提供商：通过 LiteLLM 支持 OpenAI / Anthropic / Google / Azure / AWS Bedrock / 本地模型（Ollama），可灵活选择兼顾成本与效果的最佳模型。

    作为 YC W25 孵化的开源项目，Strix 在短短数月内获得 3.1 万+ stars，已成为 AI 安全测试领域最受关注的开源工具之一。无论你是开发者、安全工程师还是 DevSecOps 团队，Strix 都值得加入你的安全工具链。

    📥 下载地址

    📌 本文由 AI 助手自动生成，数据来源：GitHub + 项目官方 README。Strix 采用 Apache-2.0 开源许可，由 useStrix 团队维护（YC W25）。
  • MediaCrawler：多平台自媒体数据采集工具，54.9K+ Stars 让 Playwright 爬虫变得简单

    MediaCrawler：多平台自媒体数据采集工具，54.9K+ Stars 让 Playwright 爬虫变得简单

    🕷️ MediaCrawler

    多平台自媒体数据采集工具 —— 为 AI 时代提供高质量训练数据

    ⭐ 54,991+ Stars  |  🐍 Python  |  🎭 Playwright  |  📜 MIT License

    📌 项目简介

    MediaCrawler 是一个多平台自媒体数据采集工具，支持小红书、抖音、快手、B站、微博、百度贴吧、知乎共 7 个主流内容平台的公开信息抓取。项目基于 Playwright 浏览器自动化框架实现，无需 JS 逆向，直接利用保存的登录态浏览器上下文通过 JS 表达式获取签名参数，大幅降低了爬虫技术门槛。

    该项目定位为学习爬虫技术、研究浏览器自动化方案的开源教学项目，同时也为 LLM 训练数据收集、内容分析等场景提供了实用工具链。

    Python 3.11+
    Playwright
    7 大平台支持
    WebUI 可视化
    多存储格式
    MIT 许可

    ⚙️ 安装要求与过程

    环境要求

    • Python：推荐 3.11 及以上版本（已支持 Python 3.13）
    • Node.js：≥ 16.0.0（WebUI 前端需要）
    • Chrome 浏览器：推荐 ≥ 144 版本（开启远程调试后可复用登录态）
    • 包管理工具：推荐 uv（速度快、依赖解析准确）

    快速安装（5 分钟上手）

    # 1. 克隆项目
git clone https://github.com/NanmiCoder/MediaCrawler.git
cd MediaCrawler

# 2. 安装 Python 依赖（使用 uv）
uv sync

# 3.（可选）安装 Playwright 浏览器驱动（标准模式需要）
uv run playwright install

# 4.（推荐）配置 Chrome 远程调试
# 在 Chrome 地址栏输入 chrome://inspect/#remote-debugging
# 勾选允许远程调试，确认 Server 运行在 127.0.0.1:9222

    WebUI 可视化界面部署

    # 开发调试模式
# 终端 1：启动后端 API 服务（默认端口 8080）
uv run uvicorn api.main:app --port 8080 --reload

# 终端 2：启动前端开发服务
cd webui
npm install
npm run dev
# 访问 http://localhost:5173/ 即可使用

# 生产部署模式
cd webui
npm install
npm run build
uv run uvicorn api.main:app --port 8080 --reload
# 直接访问 http://localhost:8080

    ✨ 核心功能

    • 7 大平台全覆盖：小红书、抖音、快手、B站、微博、百度贴吧、知乎，功能覆盖度一致
    • 多种爬取模式：支持关键词搜索爬取、指定 ID 爬取帖子/视频、二级评论爬取、指定创作者主页爬取
    • 登录态缓存：基于 Playwright 保存登录态，支持 CDP 模式连接本地 Chrome，复用已有登录态、Cookie 和扩展，降低平台风控风险
    • WebUI 可视化界面：无需命令行，直接在网页配置爬虫参数、查看运行状态、导出数据，大幅降低使用门槛
    • 多存储格式支持：CSV、JSON、JSONL、Excel、SQLite、MySQL 等多种数据存储格式，满足不同 downstream 需求
    • IP 代理池：内置代理池支持，可配置多账号+IP 轮换，降低被封禁风险
    • 评论词云图：自动生成评论词云图，直观展示用户情感倾向和热点话题

    🖼️ 支持平台一览

    📕 小红书

    搜索笔记、指定帖子详情、创作者主页、二级评论

    🎵 抖音

    搜索视频、视频详情、用户信息、评论数据

    🎬 快手

    视频搜索、详情页、用户主页、评论爬取

    📺 B站

    视频搜索、视频详情、UP 主信息、弹幕与评论

    💬 微博

    关键词搜索、博文详情、评论、用户主页

    📝 知乎

    问答搜索、问题详情、回答内容、评论数据

    🙋 百度贴吧

    贴子搜索、贴子详情、回复内容、吧内信息

    🚀 典型使用场景

    场景一：LLM 训练数据收集

    MediaCrawler 可以批量采集各平台公开的文本、图片、评论数据，经过清洗后作为 LLM 的微调或预训练数据。相比手动采集，效率提升 100 倍以上，且支持断点续爬，适合大规模数据采集任务。

    # 爬取小红书关键词搜索结果（用于训练数据分析类 LLM）
uv run main.py --platform xhs --lt qrcode --type search
# 数据自动保存为 JSON/CSV，可直接接入训练 pipeline

    场景二：社交媒体舆情监测

    企业或研究机构可以使用 MediaCrawler 定期采集特定关键词的社交媒体内容，结合 LLM 进行情感分析、热点话题发现和舆情预警。WebUI 界面使得非技术团队也能轻松配置和运行爬取任务。

    # 爬取指定关键词的微博内容
uv run main.py --platform weibo --lt cookie --type search --keywords "AI大模型"

    场景三：内容创作者竞品分析

    自媒体运营者可以用 MediaCrawler 采集同类创作者的高赞内容、评论热词、发布时间规律等，为内容策略优化提供数据支撑。结合评论词云图功能，可以快速把握受众偏好。

    💡 推荐理由

    🌟 个人使用心得：
    MediaCrawler 是我见过的最易上手的社交媒体数据采集项目之一。它巧妙避开了最难的 JS 逆向问题 —— 通过保存登录态浏览器上下文直接执行 JS 获取签名，让爬虫开发从”黑魔法”变成”标准流程”。

    三大亮点：
    ① 零 JS 逆向：基于 Playwright 的登录态复用机制，不需要分析各平台的签名算法
    ② WebUI 降低门槛：可视化界面让非程序员也能使用，是真正”可用”的开源工具
    ③ CDP 模式创新：连接本地 Chrome，复用真实用户的登录态和扩展，大幅降低风控概率

    需要注意的是，项目明确声明仅可用于学习研究，禁止用于商业用途和非法爬虫行为。建议在遵守平台 ToS 和相关法律法规的前提下使用。

    📦 下载地址

    📦 GitHub 仓库
    📖 中文文档


    ⚠️ 注意事项

    🚨 法律与合规提醒：
    ① 本项目仅供学习研究使用，禁止用于商业用途和非法爬虫行为
    ② 因违规使用产生的法律责任由使用者自行承担
    ③ 请遵守各平台的 robots.txt 和服务条款（ToS）
    ④ 建议合理控制爬取频率，避免对目标平台造成过大压力
    ⑤ 不要爬取明确标注”禁止爬取”的私密或付费内容

    📅 数据更新至 2026 年 7 月  |  ⭐ GitHub: NanmiCoder/MediaCrawler

  • WrenAI：开源 GenBI 引擎，让 AI 智能体生成可信的 Text-to-SQL 和仪表盘，15.7K Stars 让数据分析变得简单

    WrenAI：开源 GenBI 引擎，让 AI 智能体生成可信的 Text-to-SQL 和仪表盘，15.7K Stars 让数据分析变得简单

    15.7K+GitHub Stars
    22+数据源支持
    Apache-2.0开源许可

    📊 项目简介

    WrenAI 是一个面向 AI 智能体的开源生成式商业智能（GenBI）引擎，通过开放上下文层实现受管制的 Text-to-SQL，让自然语言问题转化为可信的仪表盘、图表和 SQL，支持 BigQuery、Snowflake、PostgreSQL、ClickHouse、Databricks 等 20+ 数据源。

    传统的 BI 工具需要专业的数据分析技能，而直接使用 LLM 生成 SQL 又常常不可靠——AI 不了解业务逻辑，容易生成错误的结果。WrenAI 的革新之处在于引入了开放上下文层（Open Context Layer）：通过将业务语义、已验证定义、示例、记忆和治理规则以可版本化、可溯源的文件存储，让 AI 智能体能够生成可信的 SQL 和分析结果。

    该项目由 Canner 团队开发维护，采用 Apache-2.0 开源许可，累计 2523+ 次提交，是 GenBI 领域的开创性项目。2026 年，随着 AI Agent 的爆发，WrenAI 已成为 AI 驱动数据分析的首选开源方案。

    ⚙️ 安装要求和过程

    环境要求

    • Python：3.9+（推荐使用 3.10 或更高版本）
    • Node.js：18+（用于 AI 客户端适配脚本安装）
    • 数据源：已部署的 PostgreSQL / BigQuery / Snowflake / ClickHouse 等（或本地 DuckDB）
    • 可选：Vercel 或 Cloudflare Pages 账号（用于仪表盘部署）

    快速安装步骤

    方式一：Python CLI 安装（推荐）

    # 核心版本，内置 DuckDB 引擎
pip install wrenai

# 按需添加数据源扩展和记忆功能
pip install "wrenai[postgres,memory]"

# 国内用户可使用清华 PyPI 镜像加速
pip install wrenai -i https://pypi.tuna.tsinghua.edu.cn/simple

# 若 HuggingFace 模型下载超时，设置镜像
export HF_ENDPOINT=https://hf-mirror.com

    方式二：AI 客户端适配（让 AI 智能体使用 WrenAI）

    # 自动检测当前环境的 AI 客户端（Claude Code、Cursor 等）
npx skills add Canner/WrenAI

    方式三：Docker 部署（完整平台）

    git clone https://github.com/Canner/WrenAI.git
cd WrenAI
docker-compose up -d

    初始化配置

    安装完成后，向 AI 智能体发送指令：

    Use Wren to set up my Postgres database

    智能体会自动执行引导流程，完成数据源连接、项目初始化和首次查询。你还可以发送：

    Enrich my Wren project with the business context in raw/

    让智能体自动提取业务知识，丰富上下文层。

    🌟 核心功能

    🎯 开放上下文层（Open Context Layer）

    这是 WrenAI 的核心创新。业务逻辑（指标定义、枚举值、单位、已验证关联规则等）以可版本化、可溯源的文件存储：语义模型（MDL）、企业定义文件（instructions.md）、历史查询记录。支持 Git 管理，不依赖封闭 UI，可被所有 AI 智能体和团队成员复用。

    🔍 可信 Text-to-SQL

    结合开放上下文层，WrenAI 通过语法感知检索、MDL 规划、预执行验证、结构化错误提示、值分析、评估工具链，大幅提升 SQL 生成的正确性。支持 20+ 数据源，包括云数仓（BigQuery、Snowflake、Databricks）、传统关系型数据库（PostgreSQL、MySQL、SQL Server）和本地文件。

    📊 生成式仪表盘

    可将分析结果一键转换为可交互、支持筛选的浏览器端仪表盘，基于 wren-core-wasm 实现。支持一键部署到用户自己的 Vercel 或 Cloudflare Pages 账号，生成可分享的公开链接。从自然语言提问到团队可访问的仪表盘，全程自动化。

    🤖 AI 智能体原生集成

    提供 Agent SDK（wren-langchain 兼容 LangChain/LangGraph，wren-pydantic 支持其他 Python 技术栈）。支持 MCP 协议，可对接 Claude Code、Cursor、Cline、Codex 等各类 AI 客户端。安装适配脚本后，AI 智能体可调用 WrenAI 的工作流指南和查询能力。

    🔐 受管制执行能力

    支持行级/列级访问控制（RLAC/CLAC）、查询行数限制、审计日志、审批工作流等治理能力。企业可以安全地让 AI 访问敏感数据，确保合规性和可审计性。混合检索的本地 LanceDB 记忆索引可召回历史相似查询，持续提升准确性。

    💡 典型使用场景

    场景一：数据分析师的 AI 助手

    数据分析师小李每天需要处理大量业务方的临时数据查询需求。以前他需要手写 SQL、等待查询、制作图表，耗时耗力。使用 WrenAI 后，业务方可以直接用自然语言提问：“上个月各区域的销售额同比增长了多少？” WrenAI 基于上下文层生成可信的 SQL，自动生成图表，并部署为可分享的仪表盘。小李只需要审核结果，大大提升了工作效率。

    价值：减少 80% 的重复查询工作，业务方自助获取数据洞察，数据分析师专注于高价值分析。

    场景二：企业级 AI Agent 的数据分析能力

    某公司正在构建企业级 AI Agent，需要让 Agent 能够查询公司内部的数据仓库。直接使用 LLM 生成 SQL 的准确率低，且无法复用业务逻辑。通过集成 WrenAI 的 Agent SDK 和 MCP 协议，Agent 可以访问开放上下文层，生成可信的 SQL，并通过受管制执行能力确保数据安全。所有业务逻辑以文件形式存储，支持 Git 版本管理，团队可以持续迭代优化。

    价值：AI Agent 的数据分析能力从”不可靠”变为”可信”，业务逻辑可复用、可版本化、可审计。

    🚀 推荐理由

    为什么推荐 WrenAI？

    1. 解决了 AI + BI 的核心痛点
    LLM 生成 SQL 的最大问题是”不可信”——AI 不了解业务逻辑，容易生成错误的结果。WrenAI 的开放上下文层方案非常优雅：将业务逻辑以文件形式存储，可被所有 AI 智能体和团队成员复用，支持 Git 管理。这比封闭的商业产品更具可持续性。

    2. GenBI 是 AI Agent 应用的新范式
    2026 年，AI Agent 从”聊天”走向”执行”，数据分析是最高频的企业场景之一。WrenAI 不仅是 Text-to-SQL 工具，更是完整的 GenBI 引擎——从自然语言提问到可信 SQL，从分析结果到可分享仪表盘，全流程自动化。这是 BI 工具的范式转变。

    3. 开源 + 企业级能力
    采用 Apache-2.0 许可，可自由修改和部署。同时内置了行级/列级访问控制、审计日志、审批工作流等企业级能力，满足数据安全合规要求。支持 20+ 数据源，无需替换现有数据栈。

    4. AI 智能体原生设计
    不是”给人的工具”，而是”给 AI 的工具”。提供 Agent SDK、MCP 协议支持，可无缝集成到 Claude Code、Cursor、LangChain 等 AI 开发框架。开放上下文层的设计让 AI 智能体能够持续学习和改进。

    小缺点
    目前文档主要用英文，中文社区还在建设中。部分高级功能（如仪表盘部署）需要 Vercel/Cloudflare 账号，对纯本地部署场景略有不便。但核心功能完全可以本地使用，不影响基本使用。

    📥 下载地址

    GitHub 仓库：
    github.com/Canner/WrenAI ⭐ 15.7K+ Stars

    官方网站：
    getwren.ai — 在线体验、文档和社区

    官方文档：
    docs.getwren.ai — 完整使用指南和 API 文档

    快速安装：
    pip install wrenai 或 npx skills add Canner/WrenAI

    Discord 社区：
    discord.gg/5DvshJqG8Z — 与开发团队和社区交流

    WrenAI · GenBI for AI Agents · 让数据分析变得简单、可信、可追溯
    数据与 AI 的桥梁 · Text-to-SQL 的新范式 · 2026 年值得关注的开源项目

  • Semantic Kernel：微软企业级 AI 编排 SDK，28K+ Stars 让多语言 AI 应用开发变得简单

    Semantic Kernel：微软企业级 AI 编排 SDK，28K+ Stars 让多语言 AI 应用开发变得简单

    Semantic Kernel
    Microsoft 企业级 AI 编排 SDK
    Python · C# · Java · RAG · Multi-Agent · MCP

    📌 项目简介
    模型无关的企业级 AI 编排 SDK，让开发者快速将前沿 LLM 技术集成到应用中

    Semantic Kernel（简称 SK）是微软推出的模型无关企业级 AI 编排 SDK，支持 Python、C#、Java 三大主流语言。
    它帮助开发者快速构建、编排和部署 AI 智能体及多智能体系统，可兼容任意主流大模型，兼顾企业级可靠性与灵活性。

    ⚠️ 重要提示：项目已升级为微软官方企业级智能体框架 Microsoft Agent Framework（MAF），
    MAF 是 SK 的继任者，已发布 1.0 生产级稳定版本。新项目建议使用 MAF，SK 后续仅提供最低限度的安全更新和 bug 修复。

    ⚙️ 安装要求和过程
    💻 环境要求
    • Python：3.10 及以上
    • .NET：.NET 8.0 及以上（推荐 .NET 10.0）
    • Java：JDK 17 及以上
    • 支持系统：Windows / macOS / Linux
    🔑 前置配置

    需先设置 AI 服务环境变量：

    # Azure OpenAI
export AZURE_OPENAI_API_KEY=你的密钥
export AZURE_OPENAI_ENDPOINT=你的端点

# OpenAI
export OPENAI_API_KEY=你的密钥

    📦 快速安装
    Python（推荐）
    pip install semantic-kernel

    .NET（C#）
    dotnet add package Microsoft.SemanticKernel
dotnet add package Microsoft.SemanticKernel.Agents.Core

    Java
    <dependency>
  <groupId>com.microsoft.semantickernel</groupId>
  <artifactId>semantickernel-core</artifactId>
  <version>1.0.0</version>
</dependency>

    ✨ 核心功能
    🔗 模型无关设计
    原生支持 OpenAI、Azure OpenAI、Hugging Face、NVIDIA NIM 等主流大模型，也可接入 Ollama、LM Studio、ONNX 等本地部署模型，无需绑定特定厂商

    🤖 智能体全能力
    支持构建单智能体、多智能体协作系统，智能体可集成工具/插件、记忆能力、规划能力，满足从简单对话到复杂业务流程编排的需求

    🔌 丰富插件生态
    支持原生代码函数、提示词模板、OpenAPI 规范、Model Context Protocol（MCP）等多种插件形式，可快速扩展智能体能力

    🗄️ 向量数据库集成
    无缝对接 Azure AI Search、Elasticsearch、Chroma 等主流向量数据库，快速实现 RAG（检索增强生成）场景

    🏢 企业级能力
    内置可观测性、安全机制，提供稳定的 API 接口，满足企业级生产环境要求。支持 Azure Monitor、OpenTelemetry 等监控方案

    🔄 流程编排框架
    提供结构化工作流引擎，可建模复杂业务流程，实现 AI 能力的可控编排。支持顺序、并行、条件分支等多种执行模式

    🚀 典型使用场景
    场景一：企业客服多智能体系统
    构建「工单分流智能体 + 账单处理智能体 + 退款处理智能体」的协作系统。
    当用户发送复杂需求时，主智能体自动规划并委派给专业子智能体处理，完成后汇总回复用户。
    Semantic Kernel 的 Agent Framework 原生支持多智能体协作，每个智能体拥有独立上下文和工具集。

    场景二：RAG 企业知识库问答
    结合向量数据库（如 Azure AI Search 或 Chroma），为企业内部文档构建知识库问答系统。
    通过 Semantic Kernel 的 Vector Store 抽象层，仅需修改配置即可切换不同向量数据库，无需重写代码。
    支持文本分块、向量化、混合检索（向量 + 关键词）等完整 RAG 管线。

    场景三：跨平台 AI 应用（Python + C# + Java 三语通用）
    企业技术栈多样，Semantic Kernel 提供 Python、C#、Java 三大语言 SDK，API 设计高度一致。
    无论是 Python 数据科学团队、.NET 企业应用团队，还是 Java 后端团队，都可以用相同的概念（Kernel、Plugin、Agent）开发 AI 功能。
    Microsoft 官方提供 100+ 示例代码，覆盖所有主流场景。

    💡 推荐理由

    作为一名 AI 开发者，Semantic Kernel 是我用过的最”企业友好”的 AI 编排框架。它的模型无关设计让我可以随时切换底层 LLM，而不用改业务代码——这在企业采购谈判中非常有优势。

    三语言 SDK（Python/C#/Java）的设计一致性是一大亮点。我们团队后端用 Java、AI 服务用 Python、桌面端用 C#，Semantic Kernel 让三者共享相同的 AI 编排逻辑，大幅降低了跨团队沟通成本。

    插件系统非常灵活。除了写代码函数，还支持 OpenAPI 规范直接导入（自动生成插件），这让集成第三方 API 变得极其简单。MCP 协议的支持也让智能体能力扩展变得更加标准化。

    需要注意的是，微软已宣布将 SK 升级为 Microsoft Agent Framework（MAF），MAF 是SK的正式继任者并已发布 1.0 稳定版。如果是全新项目，建议直接评估 MAF；但 SK 的现有用户不必担心，API 高度兼容，迁移成本很低。

    ⭐ 如果你在用 .NET 技术栈，Semantic Kernel 是目前唯一有微软官方长期支持的企业级 AI 框架，强烈推荐！

    28.2K+
    GitHub Stars

    4.6K+
    Forks

    3
    语言 SDK

    100+
    官方示例

    📥 下载地址 & 相关链接
    许可协议：MIT License（商业友好，可自由修改和分发）


      由 AI 自动整理，数据来源 GitHub  
  • E2B：开源 AI Agent 云沙箱，为智能体提供安全隔离的代码执行环境，12.8K+ Stars 让 AI 真正动手

    E2B：开源 AI Agent 云沙箱，为智能体提供安全隔离的代码执行环境，12.8K+ Stars 让 AI 真正动手

    📦 E2B：开源 AI Agent 云沙箱

    为企业级 AI 智能体提供安全隔离的代码执行环境

    ⭐ 12.8K+ Stars
    🚀 Apache-2.0
    🐍 Python/TypeScript
    ☁️ 云原生

    📝 项目简介

    E2B（Etienne de Bruijn）是一款开源的企业级 AI 智能体安全运行环境，为智能体提供可访问真实世界工具的安全隔离沙箱，支持在云端运行 AI 生成的代码。E2B 让 AI Agent 能够安全地执行代码、操作文件、访问网络，同时保持宿主环境的完全隔离。

    随着 AI Agent 的爆发式增长，如何让智能体安全地执行代码成为一个核心挑战。E2B 提供了基于 Firecracker 微虚拟机（microVM）的轻量级沙箱环境，启动仅需约 150ms，支持最长 24 小时运行，已成为 AI Agent 沙箱领域的基础设施级开源项目。

    🚀 核心功能

    🔒 安全隔离沙箱

    基于 Firecracker microVM 构建，每个沙箱完全隔离，支持 Linux x86_64 环境。AI 生成的代码在沙箱内执行，无法访问宿主环境，从根本上保障安全性。

    ⚡ 极速启动

    沙箱环境启动仅需约 150ms，几乎无感知延迟。支持长时间运行（最长 24 小时），满足复杂任务的执行需求。

    🛠️ 真实世界工具

    沙箱内预装常用开发工具，支持文件系统操作、网络访问、代码执行等真实世界能力，让 AI Agent 真正”动手”完成任务。

    🌐 多语言 SDK

    官方提供 Python 和 TypeScript/JavaScript 双语言 SDK，支持同步/异步调用，5 行代码即可启动沙箱并执行代码。

    📦 模板系统

    支持自定义模板（Template），可预装依赖、预置文件，一键创建包含完整环境的沙箱。支持从 AWS ECR、Docker Hub、GCP GCR 拉取自定义镜像。

    🏢 企业级自托管

    提供 Terraform 脚本，可在 AWS/GCP 等云上自建 E2B 基础设施，满足数据合规和私有化部署需求。

    ⚙️ 安装要求与过程

    环境要求：

    • Python ≥ 3.10（不支持 3.9 及更早版本）
    • Node.js ≥ 18（使用 npm 或 pnpm 安装）
    • 需要注册 E2B 账号并获取 API 密钥

    SDK 安装：

    # Python 安装
    pip install e2b
    pip install e2b-code-interpreter # 代码解释器扩展

    # JavaScript/TypeScript 安装
    npm install e2b
    npm install @e2b/code-interpreter # 代码解释器扩展

    快速开始：

    import os
    from e2b import Sandbox

    # 配置 API 密钥
    os.environ[“E2B_API_KEY”] = “e2b_***”

    # 启动沙箱并执行命令
    with Sandbox() as s:
    result = s.commands.run(“pip install pandas && python -c ‘import pandas; print(pandas.__version__)’”)
    print(result.stdout)

    💡 典型使用场景

    🤖

    AI Agent 代码执行

    为 LLM 应用、AI Agent 提供安全的代码运行环境，避免恶意代码影响宿主环境。无论是数据分析、图表生成还是自动化任务，都可以在隔离沙箱中安全执行。

    📊

    代码解释器（Code Interpreter）

    通过 @e2b/code-interpreter（JS）或 e2b-code-interpreter（Python）包，可直接执行代码片段并返回结果，打造类似 ChatGPT Code Interpreter 的交互体验。

    🏢

    企业私有化部署

    通过官方提供的 Terraform 脚本，在 AWS/GCP 等云上自建 E2B 基础设施，满足金融、医疗等行业的严格数据合规要求。

    🏗️ 技术架构

    E2B 的架构设计充分考虑了安全性和性能：

    • Firecracker microVM：使用 AWS 开源的 Firecracker 虚拟化技术，兼具虚拟机的隔离性和容器的轻量性
    • 快照/恢复：支持文件系统快照，沙箱可暂停/恢复，节省资源开销
    • 元数据过滤：支持根据元数据过滤查询沙箱列表，方便大规模管理
    • 生命周期控制：支持超时自动暂停，可配置是否保存内存状态
    • CLI 工具：新增 E2B CLI，可通过命令行构建、发布模板

    💝 推荐理由

    E2B 解决了 AI Agent 开发中的一个核心痛点：如何安全地执行 AI 生成的代码。

    在 AI Agent 爆发增长的 2026 年，E2B 已经成为这一领域的开源基础设施。无论是个人开发者还是企业团队，都可以通过 E2B 快速为 AI Agent 添加强大的代码执行能力。

    我个人特别欣赏 E2B 的几个设计决策：

    • 开源优先：Apache-2.0 许可，完全开源，可自由自托管
    • 开发者友好：5 行代码即可启动沙箱，SDK 设计简洁直观
    • 性能出色：150ms 启动时间，几乎不影响用户体验
    • 生态完善：支持主流 LLM 框架集成，提供详细文档和 Cookbook

    如果你正在开发 AI Agent 或需要安全的代码执行环境，E2B 绝对值得一试！

    📥 下载地址

    GitHub 仓库
    官方文档
    Cookbook 示例
    自托管指南

    PyPI 安装： pip install e2b
    npm 安装： npm install e2b

    AI
    开源
    AI Agent
    云沙箱
    代码解释器
    Python
    TypeScript
    Docker
    Firecracker

    GitHub：e2b-dev/E2B
    Stars： 12.8K+
    开源许可： Apache-2.0
    官网：e2b.dev
    文档：e2b.dev/docs
    更新时间： 2026年7月
  • openpilot：开源机器人操作系统，让300+款车型升级智能驾驶辅助，62.9K+ Stars让自动驾驶触手可及

    openpilot：开源机器人操作系统，让300+款车型升级智能驾驶辅助，62.9K+ Stars让自动驾驶触手可及

    openpilot

    COMMA.AI 开源 · MIT许可 · 62.9K+ STARS

    🚗 项目简介

    openpilot 是由 comma.ai 开发的开源机器人操作系统，目前主要功能是升级 300+ 款支持车型的驾驶辅助系统。作为目前最成熟的开源自动驾驶辅助系统，openpilot 让用户能够以极低的成本将普通车辆升级为具备 Lane Keep Assist（车道保持）、Adaptive Cruise Control（自适应巡航）等高级辅助驾驶功能的智能汽车。

    ⚠️ 注意 openpilot 是 Alpha 级别的研究软件，仅供研究用途，并非商业产品。使用需遵守当地法律法规。

    62.9K+
    GitHub Stars
    300+
    支持车型
    11K+
    Fork 数量
    2016
    创立年份

    安装要求和过程

    📦 硬件要求

    • 支持的设备：comma four（官方推荐），也可在其他硬件上运行
    • 车辆兼容性：确认你的车型在 300+ 支持车型列表 中
    • 车辆线束：需要购买 comma 车辆线束 连接 comma four 和车辆

    ⚡ 快速安装

    1. 购买设备：在 comma.ai/shop 购买 comma four
    2. 安装线束：按照 官方安装指南 安装车辆线束和设备
    3. 安装软件：在 comma four 设置中输入自定义软件 URL：openpilot.comma.ai 即可安装稳定版
    4. 快速启动（开发环境）：bash <(curl -fsSL openpilot.comma.ai)

    🔀 分支选择

    设备分支 URL 说明
    release-mici openpilot.comma.ai 稳定发布分支（推荐）
    release-mici-staging openpilot-test.comma.ai 预发布版本，提前体验新功能
    nightly openpilot-nightly.comma.ai 开发前沿分支，稳定性不保证

    ✨ 核心功能

    🚙
    广泛的车型支持
    覆盖 300+ 款主流车型，可直接升级原厂驾驶辅助系统，让更多车主享受智能驾驶体验。
    🛡️
    安全合规
    遵循 ISO 26262 功能安全标准，安全模型代码由 C 语言编写，经过多轮严格测试验证。
    🧪
    完善的测试体系
    每次提交运行软件在环测试；panda 模块包含 SIL/Safety 测试；10 台设备持续复现行驶路线测试。
    🤖
    机器人操作系统
    openpilot 定位为机器人操作系统，不仅限于汽车，未来可扩展至更多机器人应用场景。
    📊
    灵活的数据管理
    默认上传驾驶数据用于模型训练，用户可自主关闭数据收集；仅驾驶员摄像头和麦克风需主动开启才会记录。
    🌐
    活跃的开源社区
    MIT 协议开源，11K+ Forks；Discord 社区活跃；comma 提供 赏金计划 激励外部贡献者。

    🎯 典型使用场景

    场景一：升级现有车辆的驾驶辅助系统
    如果你拥有一辆支持的车（如本田、丰田、现代等主流品牌），购买 comma four 和设备线束后，即可将车辆升级为具备 Lane Keep Assist（车道保持）和 Adaptive Cruise Control（自适应巡航）功能的半自动驾驶汽车，体验媲美原厂高级辅助驾驶系统的能力。
    场景二：AI 与自动驾驶研发学习
    openpilot 是学习 自动驾驶技术 的绝佳开源项目。代码架构清晰，包含完整的感知、规划、控制链路；遵循 ISO 26262 安全标准；提供丰富的 开发工具；研究者可以在真实车辆数据上验证自己的算法。
    场景三：机器人操作系统研究
    openpilot 的定位是 机器人操作系统，其架构设计具有通用性。研究者可以基于 openpilot 的感知-决策-控制框架，扩展到其他机器人应用场景，如无人配送车、农业机器人等，探索通用机器人 OS 的可能性。

    💡 推荐理由

    我推荐 openpilot 的原因有以下几点：

    • 真实可用的自动驾驶开源系统：不同于许多停留在论文或仿真层面的项目，openpilot 是真正能在真实车辆上运行的自动驾驶辅助系统，已有数万用户日常使用。
    • 门槛极低：只需要购买 comma four（约 $400）和车辆线束，即可让你的车具备高级辅助驾驶能力，成本远低于更换新车。
    • MIT 协议完全开源：代码完全透明，社区活跃，11K+ Forks 意味着丰富的二次开发生态。
    • 持续迭代：comma.ai 全职团队持续维护，每天都有新的提交，Github 最近更新是今天（2026-07-01），项目非常活跃。
    • 数据驱动：默认收集匿名驾驶数据用于模型训练，这意味着 openpilot 的模型会随着使用人数增加而越来越好，形成正向循环。

    个人建议：如果你对自动驾驶技术感兴趣，或者希望以极低成本体验高级辅助驾驶功能，openpilot 是目前唯一成熟的开源选择。不过请记住，这只是 Alpha 级别的研究软件，使用时务必保持注意力，随时准备接管车辆。

    🔬 技术架构亮点

    🧠 感知模块
    基于神经网络的车道线检测、前车识别、交通标志识别等感知任务，运行在 comma four 的骁龙处理器上。
    📡 CAN 总线接口
    通过 panda 板（CAN 转 USB）与车辆 CAN 总线通信，读取车辆状态并发送控制指令，代码经 ISO 26262 安全认证。
    🎯 规划与控制
    基于模型预测控制（MPC）的路径规划和车辆控制算法，在保证安全的前提下实现平滑的横向和纵向控制。
    📱 comma connect
    用户可通过 comma connect 平台查看驾驶数据、管理设备、下载行车记录，形成完整的数据闭环。

    📥 下载地址

    comma.ai 官方商店：https://comma.ai/shop

    快速安装命令：bash <(curl -fsSL openpilot.comma.ai)

    📌 本文由 AI 自动整理，信息来自 GitHub 开源仓库，最新动态请关注官方仓库。

    MIT许可
    Python
    自动驾驶
    机器人