输入关键词即可自动生成短视频，零门槛做自媒体（GitHub Trending）

今日 GitHub 热门项目 Top 10，已为你深度翻译整理。

1. harry0703/MoneyPrinterTurbo

作者： harry0703
语言： Python
⭐ 星标： 105,969（今日 +1,189）　｜　🍴 Fork： 16,106
许可证：MIT
标签： ai-video-generator, content-creation, ffmpeg, instagram-reels, llm, python, short-video, subtitles, text-to-speech, tiktok, video-automation, video-workflow, workflow-automation, youtube-shorts

项目定位： 一站式 AI 短视频生成工具，只需提供主题或关键词，即可自动生成脚本、匹配素材、配音字幕并合成高清短视频。

为你而选： 适合自媒体创作者和开发者。普通人可零门槛一键生成短视频，开发者可通过 API 或 CLI 集成到自动化工作流中。

MoneyPrinterTurbo 把短视频制作中最耗时的环节——写脚本、找素材、配音、加字幕——压缩成了输入一个关键词。你告诉它想拍什么，它就调用大模型生成文案，去 Pexels、Pixabay 等平台匹配免费高清素材，再配上 TTS 语音和背景音乐，最终合成一条竖屏或横屏的高清短片。

这个项目的亮点在于极高的集成度。它支持接入 Kimi、OpenAI、DeepSeek 等主流大模型，也兼容 Edge TTS、Azure Speech 等多种语音合成方案。生成后还能一键自动发布到 TikTok、Instagram 和 YouTube Shorts。在交互上，它提供了 WebUI、API、CLI 甚至 AI Agent 四种方式，代码按控制器、服务、模型分层，对开发者很友好。

上手方面，Windows 用户可以直接用一键启动包体验；macOS 和 Linux 用户推荐用 uv 或 Docker 部署。如果你嫌本地配置麻烦，甚至可以直接让支持读取 Skill 文档的 AI Agent 帮你完成安装和生成。需要注意的是，本地部署需要 Python 3.11+，如果主要依赖云端 LLM 和素材源，CPU 和内存比 GPU 更关键，GPU 只在本地转录或批量生成时才有明显加速效果。

2. usestrix/strix

作者： usestrix
语言： Python
⭐ 星标： 54,134（今日 +598）　｜　🍴 Fork： 5,793
许可证：Apache-2.0　｜　主页：https://strix.ai
标签： agents, ai-hacking, ai-penetration-testing, ai-pentesting, ai-security, artificial-intelligence, bug-bounty, code-quality, ctf-tools, cybersecurity, cybersecurity-tools, ethical-hacking, hacking, llm-security, offensive-security, penetration-testing, pentesting-tools, red-teaming, security, security-automation

项目定位： Strix 是一款开源的 AI 渗透测试工具，通过自主 AI 智能体动态运行代码、发现并验证应用漏洞，提供可操作的修复建议。

为你而选： 适合开发者和安全团队。可用于自动化安全测试、快速生成合规报告、在 CI/CD 中拦截不安全代码，甚至自动化 Bug Bounty 研究。

传统渗透测试耗时且昂贵，静态扫描工具又容易误报。Strix 用 AI 改变这一现状：它通过自主智能体模拟真实黑客攻击路径，动态运行代码并验证漏洞，提供可复现的概念验证（PoC）和修复补丁。

核心亮点在于多智能体编排——负责侦察、利用和后渗透的 AI 智能体协同工作，像红队一样串联漏洞。它内置了完整的渗透工具包，包括 HTTP 拦截代理、浏览器自动化、Shell 执行和 Python 沙箱，覆盖 OWASP Top 10 等攻击面。

上手很简单，前提是本地运行 Docker 并准备好 LLM API 密钥。安装只需一行命令 curl -sSL https://strix.ai/install | bash，配置环境变量后运行 strix --target ./app-directory 即可开始。它甚至支持直接使用 ChatGPT 订阅驱动，无需单独 API 计费。

此外，Strix 提供本地 Web 查看器，可实时查看智能体图谱并中途调整策略。它也原生支持 GitHub Actions，能在 PR 提交时自动扫描变更代码，将漏洞拦截在生产环境之前。对于需要快速、准确安全测试的团队，这是一个值得尝试的提效工具。

3. nautechsystems/nautilus_trader

作者： nautechsystems
语言： Rust
⭐ 星标： 25,902（今日 +120）　｜　🍴 Fork： 3,372
许可证：LGPL-3.0　｜　主页：https://nautilustrader.io
标签： algorithmic-trading-engine, artificial-intelligence, crypto-trading, equity-trading, forex, futures-trading, machine-learning, options-trading, python, rust, sports-betting, trading, trading-platform

项目定位： NautilusTrader 是一个开源、生产级的 Rust 原生交易引擎，采用确定性事件驱动架构，将策略研究、模拟回测与实盘执行统一在同一套代码中。

为你而选： 适合量化交易员和开发者。能让你用 Python 写策略、用 Rust 核心跑实盘，实现从回测到实盘的零代码改动部署，还能用于训练 AI 交易代理。

做量化交易常有个痛点：研究时用 Python 写向量化回测，上实盘又得用编译语言重写一套事件驱动系统，两者之间的差异往往带来部署风险。NautilusTrader 的核心思路就是消除这种割裂。

它用 Rust 写底层核心，保证性能和线程安全，再通过 PyO3 绑定 Python 作为控制平面。你在 Python 里写策略、做配置，底层跑的是同一套确定性事件驱动架构和时间模型。这意味着策略从回测到实盘无需改代码，真正做到了“研究即生产”。

技术上，它用 mimalloc 分配器和 tokio 异步网络，支持纳秒级回测，涵盖加密货币、外汇、股票、期货甚至体育博彩等多资产类别，已集成 Binance、Bybit、Interactive Brokers 等主流交易所。引擎速度甚至快到可以用来训练 AI 交易代理。

上手很友好，安装预编译包不需要 Rust 工具链，支持 Linux/macOS/Windows。不过要注意，开源版聚焦单节点回测和实盘，适合个人或小团队量化交易者，UI 仪表盘和分布式编排不在当前范围内。如果你正受困于回测与实盘的不一致，这个项目值得一看。

4. akitaonrails/ai-memory

作者： akitaonrails
语言： Rust
⭐ 星标： 2,028（今日 +207）　｜　🍴 Fork： 192
许可证：MIT

项目定位： 为 AI 编程代理提供长期记忆的开源工具，支持在不同代理 CLI 间无缝交接上下文，无需重复解释项目架构。

为你而选： 适合开发者和多代理工作流用户。能在切换不同 AI 编程工具时保留项目记忆，提升跨工具协作效率。

ai-memory 解决了一个让 AI 编程代理用户头疼的问题：上下文丢失。当你中途退出 Claude Code，转而使用 OpenAI Codex 继续在同一个目录下工作时，通常需要重新向 AI 解释项目架构、失败的尝试和未解决的问题。ai-memory 通过捕获代理的生命周期观察数据，将其编译成一个持久化、可共享的 Markdown wiki，从而实现跨代理的无缝交接。

核心特性与实现思路
– 零摩擦生命周期捕获：通过钩子自动捕获提示词、工具调用和会话边界等事件，生成有界的、经过净化的观察记录。
– 纯 Markdown 知识库：摒弃了繁琐的向量数据库，将记忆存储为 Git 仓库中的纯 Markdown 文件。你可以直接用 grep 搜索，用 Obsidian 打开，甚至用 rsync 备份。
– 跨代理交接：会话结束时，相关观察会转化为连贯的摘要。下一个代理在首次提示前会收到一个“上次进度”的交接块。
– 项目隔离与全局偏好：通过稳定的 UUID 为每个项目实现隔离，同时支持全局偏好范围，让团队规范和个人习惯跨项目生效。
– 实体辅助与权威感知召回：结合 FTS5 全文搜索、实体匹配和可选的向量检索（支持 Ollama、LM Studio 等本地模型），优先返回规则、决策等高权威性页面。

快速上手
项目基于 Rust 构建，支持 Linux、macOS 和 Windows (WSL2)。你可以通过 Docker 镜像、Arch/AUR 包或直接下载对应平台的二进制文件安装。
运行时，使用 ai-memory run claude 启动 Claude Code，随后可以用 ai-memory run codex --yolo 切换到 Codex，系统会透明地恢复同一个逻辑工作流。对于没有自动会话结束钩子的代理（如 Codex），需手动运行 ai-memory finalize-session 来生成最终摘要和交接信息。

适用边界
虽然支持众多主流代理（Claude Code、Codex、Cursor、Gemini CLI 等），但部分工具（如 Claude Desktop、VS Code Copilot）仅支持 MCP 配置，无法使用生命周期钩子。此外，原生 Windows 支持目前仍处于实验阶段，建议在 WSL2 环境下使用以获得最佳体验。

5. mukul975/Anthropic-Cybersecurity-Skills

作者： mukul975
语言： Python
⭐ 星标： 28,406（今日 +198）　｜　🍴 Fork： 3,446
许可证：Apache-2.0　｜　主页：https://mahipal.engineer/Anthropic-Cybersecurity-Skills/
标签： ai-agents, claude-code, cloud-security, cybersecurity, devsecops, ethical-hacking, incident-response, infosec, llm, malware-analysis, mcp, mitre-attack, nist-csf, osint, penetration-testing, red-team, security, security-automation, threat-hunting, threat-intelligence

项目定位： 目前最大的开源 AI Agent 网络安全技能库，包含 817 个结构化技能，覆盖 29 个安全领域，映射 MITRE ATT&CK、NIST CSF 2.0 等 6 大框架，让 AI 拥有资深安全分析师的能力。

为你而选： 适合安全工程师、红蓝队、SOC 分析师和 AI 开发者。把通用 LLM 变成能做威胁狩猎、取证、渗透测试的专业安全助手，直接在 Claude Code、Copilot、Cursor 等 26+ 平台使用。

为什么值得看

全球网络安全人才缺口在 2024 年达到 480 万（ISC2 数据）。AI Agent 理论上能帮忙补这个缺口，但前提是它得有结构化的领域知识——光会写代码、搜网页是不够的。这个项目要解决的就是：把资深安全分析师的决策工作流变成 AI 能直接执行的技能。

它不是一堆脚本或 payload 集合，而是一个面向 agentskills.io 标准构建的 AI 原生知识库。每个技能用 YAML frontmatter 做元数据（扫描成本约 30 tokens），用结构化 Markdown 描述分步执行流程，再附参考文件提供深度上下文。Agent 可以一次性扫描全部 817 个技能而不撑爆上下文窗口，再按需加载完整工作流（500–2000 tokens）。

核心亮点

817 个技能，29 个领域：从云安全、威胁狩猎、数字取证到红队 C2、AI 安全、勒索软件防御，覆盖面非常广。
6 大框架映射：MITRE ATT&CK（805 个技能）、NIST CSF 2.0（804）、D3FEND（139）、AI RMF（97）、F3（94）、ATLAS（93）。每个技能只映射与它相关的框架，不是一刀切。
MITRE F3 支持：包含 94 个与金融欺诈相关的技能，覆盖 Positioning 和 Monetization 两个 ATT&CK 未枚举的战术。
ATT&CK v19.1 验证：所有 mitre_attack ID 用官方 mitreattack-python 库校验，零 revoked/deprecated ID。

快速上手

# 推荐：npx 一键安装
npx skills add mukul975/Anthropic-Cybersecurity-Skills

# 或 Git clone
git clone https://github.com/mukul975/Anthropic-Cybersecurity-Skills.git
cd Anthropic-Cybersecurity-Skills

装好后可直接在 Claude Code、GitHub Copilot、OpenAI Codex CLI、Cursor、Gemini CLI 等平台使用。

注意事项

项目明确声明这是社区项目，与 Anthropic 官方无隶属关系。库中包含进攻性和双用途技术（红队 C2、钓鱼模拟、漏洞利用），仅限授权渗透测试、安全研究、防御和教育使用。只能对你拥有或获得书面许可的系统进行测试，使用者自行承担法律责任。详见 SECURITY.md 和 CODE_OF_CONDUCT.md。

6. AlexsJones/llmfit

作者： AlexsJones
语言： Rust
⭐ 星标： 32,245（今日 +198）　｜　🍴 Fork： 1,999
许可证：MIT
标签： gguf, llm, localai, mlx, skill, unsloth

项目定位： 一个终端工具，通过检测硬件配置，对数百个大语言模型进行适配度、速度和质量评分，帮你找出能在本机流畅运行的模型。

为你而选： 适合本地部署LLM的开发者；无需手动试错，一条命令即可找到最适合你机器的模型，并支持直接进行基准测试。

面对数百个大语言模型，普通开发者常常困惑：到底哪个能在我的电脑上跑得动？llmfit 就是为了解决这个选型难题而生的终端工具。它会自动检测你的 RAM、CPU 和 GPU 配置，然后从内存适配度、估算速度、质量和上下文四个维度对模型进行评分，直接告诉你哪些模型能在你的机器上跑得好。

它的亮点在于不仅提供交互式 TUI 界面，还支持多 GPU、MoE 架构和动态量化选择，并集成了 Ollama、llama.cpp 等本地运行时。技术实现上，它基于 Rust 编写，利用内存带宽模型结合社区真实测量数据来估算速度，且每个估算值都公开了计算依据，透明且可验证。新版本还加入了基准测试功能，你可以测量真实的 tok/s 并将结果作为 PR 贡献回社区。

快速上手非常简单。macOS/Linux 用户可通过 Homebrew 安装：brew install AlexsJones/llmfit/llmfit；Windows 用户可用 scoop install llmfit。安装后直接运行 llmfit 即可启动交互式 TUI 查看排名，或使用 llmfit recommend --json 输出 JSON 格式的推荐结果供脚本调用。

需要注意的是，默认速度数据基于估算，但你可以通过 llmfit bench 进行实测。此外，项目注重隐私，除非你主动使用下载或排行榜功能，否则不会向外部传输任何信息。

7. santifer/career-ops

作者： santifer
语言： JavaScript
⭐ 星标： 64,613（今日 +218）　｜　🍴 Fork： 12,650
许可证：MIT　｜　主页：https://career-ops.org
标签： ai, ai-agent, anthropic, ats, automation, beginner-friendly, career, careerops, claude, claude-code, cli, first-timers-only, golang, good-first-issue, interview-prep, job-application, job-hunting, job-search, open-source, resume

项目定位： 开源AI求职系统，将AI编码CLI转化为本地运行的求职指挥中心，自动扫描招聘网站、结构化评估职位并定制简历。

为你而选： 适合正在找工作的开发者或求职者。它能帮你从海量职位中筛选出高匹配度机会，并生成定制化简历与面试准备材料。

找工作时，面对海量的职位信息，手动筛选和投递既耗时又容易遗漏。career-ops 把你的 AI 编码 CLI（如 Claude Code、Codex 等）变成一个本地运行的求职指挥中心，帮你把求职这件事系统化。

它的核心亮点在于结构化的 A-G 评估体系：A-F 维度对职位进行 1.0-5.0 的打分，而 Block G 则专门检查职位合法性，帮你识别诈骗和“幽灵职位”。系统会自动扫描 Greenhouse、Ashby 等招聘门户，批量评估职位，并基于你的简历生成 ATS 优化的定制 PDF。此外，它还提供面试故事库、薪资谈判脚本、公司深度调研和联系人发现等功能，帮你从“排队等通知”转向“主动开启对话”。

技术实现上，它结合了 Node.js、Go 和 Playwright，通过无头浏览器抓取页面，并利用 AI CLI 的推理能力分析匹配度，而非简单的关键词匹配。它支持多种主流 AI CLI，具备插件系统（如 Gmail、Notion 集成）和终端 UI 仪表盘。

快速上手非常简单，只需运行 npx @santifer/career-ops init，然后进入目录启动你的 AI CLI 即可。首次运行时，它会通过对话引导你完成简历和目标职位的配置。

需要注意的是，这不是一个鼓励海投的工具，作者强烈建议不要申请评分低于 4.0 的职位。同时，系统遵循“人类在环”原则，只负责评估和起草邮件，绝不自动发送或提交申请。另外，初次使用时需要给它足够的上下文（如你的简历和偏好），就像培训一位新猎头一样，喂给它的信息越丰富，它的表现就越好。

8. jundot/omlx

作者： jundot
语言： Python
⭐ 星标： 18,979（今日 +78）　｜　🍴 Fork： 1,644
许可证：Apache-2.0　｜　主页：https://omlx.ai
标签： apple-silicon, inference-server, llm, macos, mlx, openai-api

项目定位： 专为 Apple Silicon 优化的本地 LLM 推理服务器，支持连续批处理与内存/SSD 两级 KV 缓存，可通过 macOS 菜单栏轻松管理。

为你而选： 适合 Mac 开发者和 AI 用户。无需折腾命令行即可在本地高效运行大模型，并作为 OpenAI/Anthropic API 的平替接入各类编程工具。

oMLX 是一个专为 Apple Silicon 打造的本地大模型推理服务器。它最打动人的地方在于把“便利”和“控制力”结合在了一起——你既可以通过原生 macOS 菜单栏应用一键启停服务，又能深入控制多模型调度、上下文缓存等高级特性。

它的核心亮点是两级 KV 缓存（热层在内存，冷层在 SSD）。当内存中的热缓存满了，数据会卸载到 SSD；下次遇到匹配的上下文前缀，直接从磁盘恢复，无需重新计算，甚至服务器重启后依然有效。这让长上下文的本地编程工具（如 Claude Code）变得真正实用。此外，它支持连续批处理、多模型同服（带 LRU 驱逐和模型固定）、以及视觉语言模型和 OCR 模型。

技术栈上，它基于 mlx-lm，菜单栏应用采用原生 Swift/SwiftUI 编写（非 Electron），且完全兼容 OpenAI 和 Anthropic API，可以直接作为各类 AI 编程助手的本地后端。

快速上手：最简单的方式是直接从 GitHub Releases 下载 .dmg 安装。如果偏好命令行，也可以用 Homebrew：

brew install jundot/omlx/omlx
omlx start

启动后，任何 OpenAI 兼容的客户端都能连接到 http://localhost:8000/v1，同时内置了管理面板和聊天界面。

注意事项：系统要求 macOS 15.0+ 及 Apple Silicon 芯片。如果需要运行 GLM-5.2 等特定模型并获得最佳性能，建议安装预编译内核的官方 DMG，或通过源码编译自定义内核（需完整 Xcode）。

9. immich-app/immich

作者： immich-app
语言： TypeScript
⭐ 星标： 111,142（今日 +175）　｜　🍴 Fork： 6,574
许可证：AGPL-3.0　｜　主页：https://immich.app
标签： backup-tool, flutter, google-photos, google-photos-alternative, javascript, mobile-app, nestjs, nodejs, photo-gallery, photos, photos-management, self-hosted, svelte, sveltekit, typescript, videos

项目定位： 高性能的自托管照片和视频管理解决方案，让用户完全掌控自己的数据，是商业云相册的优秀私有替代品。

为你而选： 适合注重隐私的普通用户和自托管爱好者。可搭建私有云相册，实现手机照片自动备份、人脸识别和智能搜索，摆脱商业云盘限制。

Immich 是一个主打高性能的自托管照片与视频管理方案，简单来说，它就是属于你自己的“私有云相册”。如果你受够了商业云相册的容量限制、隐私担忧或是订阅费用，Immich 给了你一个把数据完全留在自己手里的机会。

它的功能非常全面，几乎涵盖了你能在主流云相册上用到的一切：移动端打开应用即可自动备份、防止重复上传、支持 RAW 格式和 LivePhoto/MotionPhoto。更亮眼的是它的智能搜索能力——不仅支持按元数据、物体和面孔搜索，还集成了 CLIP 模型，让你能用更自然的方式在海量照片中找到想要的那一张。此外，全局地图、人脸识别与聚类、“X年前的回忆”等功能也一应俱全。

在体验上，Immich 做得很细致。它支持虚拟滚动让相册浏览丝滑流畅，移动端还提供离线支持和后台备份。多用户体系、共享相册、伴侣共享和公开分享功能，让它不仅适合个人，也能作为家庭相册使用。

想快速体验的话，官方提供了在线 Demo（地址为 demo.immich.app，账号密码均为 demo），你可以直接在网页或移动端登录感受一下。正式部署则需要参考官方文档（immich.app）。

需要注意的是，官方在 README 中特别提醒：务必遵循 3-2-1 备份策略来保护你珍贵的照片和视频。毕竟数据在自己手里，备份的责任也在自己手里。项目采用 AGPLv3 开源协议，适合有一定动手能力的用户或开发者折腾。

10. agalwood/Motrix

作者： agalwood
语言： TypeScript
⭐ 星标： 53,058（今日 +344）　｜　🍴 Fork： 4,927
主页：https://motrix.app
标签： aria2, bittorrent, bt, download, download-manager, electron, linux, mac, macos, magnet, motrix, torrent, windows

项目定位： Motrix 是一款开源的全功能下载管理器，支持 HTTP、FTP、BitTorrent 及磁力链接，提供桌面端与无头服务器两种运行模式。

为你而选： 适合需要高效管理多类型下载任务的普通用户与开发者；支持浏览器接管、CLI 操作及 Docker 部署，轻松实现跨设备下载管理。

Motrix 是一款界面简洁但功能齐全的下载管理器，它把 HTTP、FTP、BitTorrent 和磁力链接的下载任务统一到了一个干净的界面里。对于受够了浏览器自带下载器或各种广告满天飞的下载软件的人来说，它是一个相当舒服的替代品。

目前项目正在测试的 Motrix Turbo (v2) 版本是一次彻底的重写。技术栈非常现代，使用了 Electron 43、React 19 和 TypeScript，底层下载引擎依然是 aria2 的维护分支。一个值得关注的架构设计是：下载核心与 UI 完全解耦，它们通过基于 JSON-RPC 2.0 的 MDXP 协议通信。这意味着同一个核心既能驱动桌面应用，也能在无桌面的服务器环境（如 NAS 或 Docker）中运行，并提供 Web UI。

它的扩展性也很强。插件系统运行在 QuickJS 沙箱中，没有直接的文件和网络访问权限，安全性有保障。配合官方的浏览器扩展，可以一键接管 Chrome 和 Firefox 的下载任务；同时提供了 @motrix/cli 命令行工具，方便开发者在终端甚至 AI Agent 中调用。

上手与注意事项
– 桌面端：直接从官网下载对应系统的安装包（支持 macOS、Windows、Linux）。
– 命令行：运行 npm install -g @motrix/cli 即可安装（需 Node.js 22+）。
– Docker 部署：官方提供多架构镜像，可通过 docker compose up -d 快速启动无头服务器。

需要注意的是，v2 目前仍处于 Beta 阶段，暂不支持从 v1 数据平滑迁移。测试前务必备份好现有的下载数据，最好在独立环境中体验。