GitHub Trending 日报 · 2026-07-31

今日 GitHub 热门项目 Top 14，已为你深度翻译整理。

1. huggingface/speech-to-speech

作者： huggingface
语言： Python
⭐ 星标： 8,758（今日 +628）　｜　🍴 Fork： 1,086
许可证：Apache-2.0
标签： ai, assistant, language-model, machine-learning, python, speech, speech-synthesis, speech-to-text, speech-translation

项目定位： 一个低延迟、全模块化的语音代理管道（VAD→STT→LLM→TTS），提供兼容 OpenAI Realtime 的 WebSocket API，所有组件可替换，支持完全本地化的开源栈。

核心特性：
– 全模块化管道：VAD、STT、LLM、TTS 每阶段多后端可热插拔
– 兼容 OpenAI Realtime 协议的 WebSocket API，零改造接入现有客户端
– 支持完全本地化部署：可对接 vLLM、llama.cpp 等自托管 LLM
– 多种 STT/TTS 后端：Parakeet、Whisper、Qwen3-TTS、Kokoro、Pocket 等
– 四种运行模式：realtime、local、websocket、socket 适配不同场景
– 内置 LLM 代理功能，并发处理语音对话与文本任务

适用场景：
– 构建本地语音助手/机器人（如 Reachy Mini）
– 需要低延迟实时语音交互的应用开发
– 离线/隐私敏感场景的全栈语音代理
– 现有 OpenAI Realtime 客户端迁移至开源栈

技术亮点：
– Python 3.10+，基于 Transformers、Hugging Face Hub 生态
– 多线程流水线架构，队列连接各阶段实现低延迟流式处理
– 支持 CUDA/CPU/Apple Silicon (MPS/MLX) 多平台硬件加速

快速上手：
– pip install speech-to-speech && export OPENAI_API_KEY=… && speech-to-speech
– python scripts/listen_and_play_realtime.py –host 127.0.0.1 –port 8765 进行本地测试
– 使用 llama.cpp 本地 LLM：llama-server -hf ggml-org/gemma-4-E4B-it-GGUF … 并指定 –responses_api_base_url

注意事项：
– DeepFilterNet 要求 numpy<2 与 Pocket TTS (numpy>=2) 冲突，需手动安装且不可共存
– TCP socket 模式功能最小，不支持打断处理、实时转录事件、工具调用事件
– 服务器无自带认证和限流，需部署在受信网络或网关后

2. microsoft/AI-For-Beginners

作者： microsoft
语言： Jupyter Notebook
⭐ 星标： 53,871（今日 +155）　｜　🍴 Fork： 10,946
许可证：MIT
标签： ai, artificial-intelligence, cnn, computer-vision, deep-learning, gan, machine-learning, microsoft-for-beginners, nlp, rnn

项目定位： 微软推出的12周24课AI入门课程，涵盖符号AI、神经网络、深度学习及伦理，提供PyTorch/TensorFlow实战代码与多语言支持。

核心特性：
– 系统化课程体系：12周24课循序渐进，含课程、测验、实验，零基础可学。
– 双框架实战教学：同步提供PyTorch与TensorFlow/Keras代码，对比学习主流深度学习工具。
– 全面覆盖AI范式：除主流深度学习外，还讲授符号AI、遗传算法、多智能体系统等经典方法。
– 50+语言自动化翻译：GitHub Actions持续同步更新，降低非英语母语者学习门槛。
– 社区与云端支持：配套Discord/Gitter社区，提供Binder云端运行环境，免配置即学即练。
– 明确边界与延伸：明确不涵盖内容并指向微软Learn等进阶资源，避免学习迷路。

适用场景：
– AI零基础自学者系统入门
– 高校教师作为教学大纲参考
– 开发者快速上手PyTorch/TensorFlow
– 非英语母语者按母语学习AI

技术亮点：
– 课程架构：Jupyter Notebook交互式教学，配套实验与测验
– 核心框架：PyTorch、TensorFlow/Keras、OpenCV
– 工程化：GitHub Actions自动化多语言翻译，稀疏检出优化克隆体积

快速上手：
– 完整克隆：git clone https://github.com/microsoft/AI-For-Beginners.git
– 极速克隆（跳过翻译）：git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git && cd AI-For-Beginners && git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
– 云端免配置运行：点击README中的Binder徽章直接在浏览器打开Notebook

注意事项：
– 不涵盖经典机器学习、AI商业应用、认知服务、云框架、对话式AI及深度数学推导
– 计算机视觉与NLP部分可能未覆盖最新SOTA模型（README提及”may be a bit lacking in the state-of-the-art”）

3. paperswithbacktest/awesome-systematic-trading

作者： paperswithbacktest
语言： Python
⭐ 星标： 11,018（今日 +621）　｜　🍴 Fork： 1,412
主页：https://paperswithbacktest.com
标签： algorithmic-trading, algotrading, alpha, arbitrage-bot, awesome, awesome-list, book, finance, futures, futures-historical-data, futures-market, futuresmarkets, paper, quant, quantitative-finance, quantitative-trading, trading-algorithms, trading-bot, trading-strategies

项目定位： 系统化交易资源精选集，汇聚 97+ 库、40+ 策略、55 本书及视频博客课程，助力量化研究与实盘开发。

核心特性：
– 按语言分类、按星数排序的 97 个回测/实盘/分析库，快速选型
– 涵盖事件驱动、向量化、高频、加密货币等多种回测框架
– 40+ 机构/学术策略按资产类别归类，便于研习与复现
– 55 本书分级标注（入门/进阶/高频/ML/加密），构建知识体系
– 聚合视频、博客、课程等多媒体资源，降低学习门槛
– 社区驱动持续更新，提供中文版 README 便于国内用户

适用场景：
– 量化研究员寻找回测框架与数据源
– 策略开发者参考成熟策略与最佳实践
– 初学者系统学习系统化交易知识体系
– 工程师选型高性能交易基础设施

技术亮点：
– 多语言生态：Python、C++、Rust、Go 等主流量化语言覆盖
– 架构分类：事件驱动 vs 向量化回测，支持高频与加密货币场景
– 关键依赖：Numba、pandas、NumPy 等数据科学栈加速向量化计算

快速上手：
– 访问 GitHub 仓库浏览分类目录，按需点击库链接查看详情
– 阅读中文版 README：https://github.com/paperswithbacktest/awesome-systematic-trading/blob/main/README_zh.md
– 访问 paperswithbacktest.com 获取独家策略实现与进阶内容

4. different-ai/openwork

作者： different-ai
语言： TypeScript
⭐ 星标： 18,706（今日 +915）　｜　🍴 Fork： 1,904
主页：https://openworklabs.com

项目定位： OpenWork 是开源桌面应用，让 AI 工作流在团队与工具间复用，支持 Codex、Claude Code 等多客户端通过 MCP 共享技能、插件与服务连接。

核心特性：
– 跨平台桌面应用（macOS/Windows/Linux），也可无桌面直接通过现有 AI 客户端使用
– 统一 MCP 接口接入 Codex、Claude Code、Cursor、OpenCode 等主流 Agent
– 一键共享技能、插件、远程 MCP、Google Workspace 与 Microsoft 365 能力
– OpenWork Den 提供组织级控制面：模型供给、权限、桌面策略、技能市场发布
– 可导入 Anthropic 兼容插件，自动暴露其技能与远程 MCP
– 开发体验友好：pnpm + Vite + Electron，支持 worktree 多实例隔离开发

适用场景：
– 团队统一管理并分发 AI 技能与工具链
– 企业大规模供给推理模型并管控访问权限
– 开发者在多 AI 客户端间复用同一组能力
– 将现有 Anthropic 插件迁移至统一 MCP 生态

技术亮点：
– Electron + Vite + pnpm 构建跨平台桌面端
– 基于 MCP（Model Context Protocol）实现能力发现与执行
– OAuth 认证 + 远程 MCP 服务器（api.openworklabs.com）

快速上手：
– 在任意兼容 Agent 粘贴提示词：”Install OpenWork on my computer…” 按引导完成安装
– Codex: codex mcp add openwork --url https://api.openworklabs.com/mcp/agent
– Claude Code: claude mcp add --transport http openwork https://api.openworklabs.com/mcp/agent

注意事项：
– macOS 真实钥匙串在开发时可能阻塞主进程，需用环境变量启用模拟钥匙串
– 同一配置文件仅允许单实例运行，二次启动会直接退出

5. WhiskeySockets/Baileys

作者： WhiskeySockets
语言： JavaScript
⭐ 星标： 10,429（今日 +19）　｜　🍴 Fork： 3,251
许可证：MIT　｜　主页：https://baileys.wiki/
标签： bun, deno, nodejs, reverse-engineering, typescript, websockets, whatsapp-web, ws

项目定位： Baileys 是一个基于 WebSocket 的 TypeScript/JavaScript 库，用于与 WhatsApp Web API 交互，让开发者能构建 WhatsApp 机器人及自动化工具。

核心特性：
– 基于 WebSocket 实现与 WhatsApp Web 实时通信，无需官方 API
– 使用 TypeScript 编写，提供完整类型定义，增强代码可维护性
– 开源 MIT 许可，允许免费商用和二次开发
– 提供在线指南文档（baileys.wiki）和 Discord 社区支持
– v7.0.0 引入破坏性变更，提供迁移指南助力升级

适用场景：
– 开发 WhatsApp 机器人、自动回复或客服系统
– 构建 WhatsApp 消息自动化集成工具
– 企业级 WhatsApp 业务集成开发

技术亮点：
– WebSocket 通信协议
– TypeScript/JavaScript 语言
– WhatsApp Web API 逆向协议实现

快速上手：
– 查看官方指南：https://baileys.wiki
– 加入 Discord 社区获取支持：https://whiskey.so/discord

注意事项：
– 非官方库，与 WhatsApp 无关联，使用需遵守 WhatsApp 服务条款
– 不得用于垃圾信息、跟踪软件、批量或自动化消息滥用
– v7.0.0 引入破坏性变更，升级需参考迁移指南

6. pascalorg/editor

作者： pascalorg
语言： TypeScript
⭐ 星标： 20,100（今日 +625）　｜　🍴 Fork： 2,620
许可证：MIT　｜　主页：https://editor.pascal.app

项目定位： 基于 React Three Fiber 和 WebGPU 的 3D 建筑编辑器，采用单体仓库架构提供核心、查看器、编辑器、节点等包，支持节点化场景管理、脏节点增量更新与插件扩展，用于创建和分享 3D 建筑项目。

核心特性：
– 节点化场景图：扁平字典存储，通过 parentId 维护层级，支持站点/建筑/楼层/墙体/楼板/屋顶/区域等节点类型
– 脏节点增量更新：状态变更自动标记脏节点，系统在渲染循环中仅重算几何，实现高性能实时编辑
– 几何生成系统：内置墙体（倒角/CSG 开洞）、楼板、天花板、屋顶、物品定位等系统，自动生成三维几何
– 多模式楼层显示：支持堆叠/爆炸/单层三种垂直布局模式，便于多层建筑查看与编辑
– 插件化架构：通过统一 Plugin 清单扩展节点类型、渲染器、工具与面板，无内部 API 依赖
– 空间网格碰撞检测：提供地面/墙面放置校验与楼板高程查询，辅助家具灯具精准布局

适用场景：
– 建筑师快速创建 3D 建筑方案模型
– 开发者构建自定义建筑节点插件
– 团队协作分享可交互的建筑场景
– 教学演示建筑空间层级关系

技术亮点：
– React 19 + Next.js 16 + Three.js WebGPU + React Three Fiber
– Zustand + Zundo 实现带撤销/重做的 IndexedDB 持久化状态
– Turborepo 单体仓库 + Bun 包管理器 + three-bvh-csg 布尔几何运算

快速上手：
– 克隆仓库后在根目录运行 bun install 安装依赖
– 执行 bun dev 启动开发服务器（含包监听热重载），访问 http://localhost:3002
– 或直接使用发布包：npm install @pascal-app/core @pascal-app/viewer @pascal-app/editor @pascal-app/nodes 并按文档引入

7. mvanhorn/last30days-skill

作者： mvanhorn
语言： Python
⭐ 星标： 55,529（今日 +378）　｜　🍴 Fork： 4,786
许可证：MIT
标签： ai-prompts, ai-skill, bluesky, claude, claude-code, clawhub, deep-research, hackernews, instagram, openclaw, polymarket, recency, reddit, research, social-media, tiktok, trends, twitter, web-search, youtube

项目定位： 基于真实用户互动数据（点赞、投票、资金投注）的 AI 代理搜索引擎，并行检索 18+ 平台并生成有据可查的综合简报。

核心特性：
– 并行搜索 Reddit、X、YouTube、Hacker News、Polymarket 等 18 个来源，按真实互动权重评分
– 零配置即用 Reddit/HN/Polymarket/GitHub；向导 30 秒解锁 X、YouTube、TikTok 等需认证源
– 原生支持 Claude Code、Codex、Cursor、Copilot、Gemini CLI 等 50+ Agent Skills 宿主
– 发现模式自动扫描热门话题并给出动能排名、跨源数据及后续深挖命令
– 内置健康检查命令，自动诊断缺失密钥、CLI 未装、Cookie 过期等问题
– 社区驱动安全加固：OpenSSF 记分卡、Semgrep/OSV 扫描、测试覆盖率 84%

适用场景：
– 会前 30 秒背调人物：近期推文、播客、代码提交、社区评价
– 招聘信号分析：从职位页推断企业战略重心
– 捕捉 AI 等领域爆发前夜的新话题并生成内容切入角度
– 实时追踪突发事件（地缘冲突、明星动态）的多源全景

技术亮点：
– Agent Skills 规范（skills/last30days/SKILL.md）为运行时真理来源
– 多源并行管道：arctic-shift(Reddit)、yt-dlp/ScrapeCreators(YouTube)、浏览器自动化(X/LinkedIn)
– 跨平台兼容（Win/Mac/Linux）、CJK 分词、供应链强化 CI

快速上手：
– Claude Code: /plugin marketplace add mvanhorn/last30days-skill 然后 /plugin install last30days
– 通用宿主: npx skills add mvanhorn/last30days-skill -g
– 使用: /last30days <主题或人名> 如 /last30days Peter Steinberger

注意事项：
– X/YouTube/TikTok/LinkedIn 等源需自备 API Key 或浏览器登录态
– 小红书需本地运行登录态的 x-mcp 插件或 xiaohongshu-mcp 服务

8. dotnet/aspnetcore

作者： dotnet
语言： C#
⭐ 星标： 38,287（今日 +7）　｜　🍴 Fork： 10,859
许可证：MIT　｜　主页：https://asp.net
标签： aspnetcore, dotnet, hacktoberfest, help-wanted

项目定位： ASP.NET Core 是开源跨平台框架，用于构建现代云原生 Web 应用、IoT 应用和移动后端，运行在 .NET 运行时上，模块化设计、开销极小。

核心特性：
– 开源跨平台：支持 Windows、macOS、Linux 统一开发部署
– 模块化组件：按需引用，最小化运行时开销
– 云原生就绪：内置依赖注入、配置、日志等现代模式
– 高性能：基于 Kestrel 服务器，吞吐量领先
– 统一编程模型：MVC、Razor Pages、Blazor、gRPC 共享基础设施
– 生态丰富：与 EF Core、SignalR、Identity 无缝集成

适用场景：
– 构建高性能 Web API 与微服务
– 开发实时应用（SignalR）与全栈 Web（Blazor）
– 云原生应用部署至容器/Kubernetes
– 跨平台 IoT 后端与移动应用后端

技术亮点：
– 基于 .NET 运行时，使用 C# 语言
– 模块化中间件管道，内置依赖注入
– Kestrel 高性能 Web 服务器，支持 HTTP/2、gRPC

快速上手：
– 遵循官方入门指南快速创建项目：https://learn.microsoft.com/aspnet/core/getting-started
– 下载每日构建版本体验最新特性：参考 docs/DailyBuilds.md
– 从源码构建：参考 docs/BuildFromSource.md

9. microsoft/PowerToys

作者： microsoft
语言： C
⭐ 星标： 137,105（今日 +70）　｜　🍴 Fork： 8,364
许可证：MIT
标签： advanced-paste, color-picker, command-palette, desktop, fancyzones, keyboard-manager, microsoft-powertoys, powerrename, powertoys, windows, windows-10, windows-11

项目定位： Microsoft PowerToys 是一套 Windows 实用工具集，提供 30+ 实用程序以自定义系统并提升日常任务效率。

核心特性：
– FancyZones：自定义窗口布局，实现高效多任务分区管理
– PowerToys Run：快速启动器，支持应用、文件、计算等即时搜索
– PowerRename：批量重命名文件，支持正则表达式与预览
– Keyboard Manager：键位重映射与快捷键自定义，适配个性化操作
– Image Resizer：右键菜单快速调整图片尺寸，支持多格式批量处理
– Color Picker：系统级拾色器，提供颜色代码复制与历史记录

适用场景：
– Windows 进阶用户提升操作效率与个性化定制
– 开发者快速启动工具与管理环境变量
– 设计师拾色、测量与图片批量处理
– 多显示器或多任务窗口管理需求者

快速上手：
– 从 GitHub Releases 下载 .exe 安装（推荐 x64 per-user）
– Microsoft Store 搜索 “PowerToys” 安装
– WinGet 用户级安装：winget install Microsoft.PowerToys -s winget

注意事项：
– 仅支持 Windows 系统
– 会收集基本诊断遥测数据（可在设置中关闭）

10. ansible/ansible

作者： ansible
语言： Python
⭐ 星标： 69,874（今日 +29）　｜　🍴 Fork： 24,248
许可证：GPL-3.0　｜　主页：https://www.ansible.com/
标签： ansible, python

项目定位： Ansible 是一个极简的 IT 自动化平台，通过 SSH 无代理方式实现配置管理、应用部署、云供给和多节点编排，使用接近自然语言的 Playbook 描述基础设施。

核心特性：
– 无代理架构，利用现有 SSH 守护进程，无需在远程机器安装额外软件
– 使用 YAML 编写 Playbook，既机器可读又人类友好，学习曲线极低
– 支持并行管理多台机器，快速执行复杂任务如零停机滚动更新
– 模块可用任何动态语言开发，不仅限于 Python，扩展性强
– 可非 root 运行，注重安全性和易审计性
– 即时管理新远程机器，无需引导安装任何软件

适用场景：
– 服务器配置管理和应用自动化部署
– 云资源供给和基础设施即代码
– 网络设备自动化配置和编排
– 临时任务执行和多节点协调

技术亮点：
– 基于 Python 实现，核心引擎使用 SSH 传输，无代理设计
– 使用 YAML 定义 Playbook，支持 Jinja2 模板和模块化插件架构
– 采用推送模式，通过 SSH 并行执行模块，幂等性设计

快速上手：
– 使用 pip 安装稳定版：pip install ansible（或 pip install ansible-core）
– 或通过系统包管理器安装（如 apt、dnf、brew）
– 详细安装指南见官方文档：https://docs.ansible.com/ansible/latest/installation_guide/

11. ChromeDevTools/chrome-devtools-mcp

作者： ChromeDevTools
语言： TypeScript
⭐ 星标： 48,031（今日 +80）　｜　🍴 Fork： 3,258
许可证：Apache-2.0　｜　主页：https://npmjs.org/package/chrome-devtools-mcp
标签： browser, chrome, chrome-devtools, debugging, devtools, mcp, mcp-server, puppeteer

项目定位： Chrome DevTools MCP 是一个模型上下文协议（MCP）服务器，让 AI 编程助手（如 Claude、Cursor、Copilot）能控制并审查实时 Chrome 浏览器，提供可靠的自动化、深度调试与性能分析能力。

核心特性：
– 性能洞察：基于 Chrome DevTools 录制追踪并提取可落地的性能优化建议
– 高级浏览器调试：分析网络请求、截图、查看控制台消息（含源映射堆栈）
– 可靠自动化：基于 Puppeteer 驱动 Chrome 并自动等待动作结果
– MCP 标准接入：作为 MCP Server 无缝集成到主流 AI 编码客户端
– 精简模式：提供 –slim –headless 仅保留基础浏览器任务能力
– 同时提供 CLI 供无 MCP 环境直接使用

适用场景：
– AI 编程助手进行 Web 端到端自动化测试与调试
– 前端开发者借助 AI 快速定位性能瓶颈与控制台报错
– 在 IDE/Copilot/Cursor 等环境中直接操作真实浏览器实例
– 需要无头或有头 Chrome 自动化的 CI/CD 与本地开发流程

技术亮点：
– MCP (Model Context Protocol) 服务器架构
– Puppeteer 驱动 Chrome DevTools Protocol
– Node.js LTS + npm 发布，依赖 Chrome/Chrome for Testing 稳定版

快速上手：
– 在 MCP 客户端配置中添加：command: “npx”, args: [“-y”, “chrome-devtools-mcp@latest”
– 精简模式启动：在 args 追加 “–slim” “–headless”
– 通过 CLI 直接安装：npx -y chrome-devtools-mcp@latest

注意事项：
– 仅官方支持 Google Chrome 与 Chrome for Testing，其他 Chromium 内核浏览器不保证兼容
– 默认收集使用统计并上报 CrUX 性能数据，可通过 –no-usage-statistics 与 –no-performance-crux 关闭
– 会将浏览器实例完整内容暴露给 MCP 客户端，避免在敏感页面使用

12. jenkinsci/jenkins

作者： jenkinsci
语言： Java
⭐ 星标： 26,289（今日 +25）　｜　🍴 Fork： 9,718
许可证：MIT　｜　主页：https://www.jenkins.io
标签： cicd, continuous-delivery, continuous-deployment, continuous-integration, devops, groovy, hacktoberfest, java, jenkins, pipelines-as-code

项目定位： Jenkins 是领先的开源自动化服务器，基于 Java 构建，提供 2000+ 插件支持几乎任意任务自动化，让人类专注于机器无法完成的工作。

核心特性：
– 拥有 2000+ 插件生态，覆盖构建、测试、静态分析、部署等全流程自动化
– 提供 Weekly 与 LTS 双发布线，平衡新特性快速迭代与长期稳定维护
– 支持 WAR、Docker 镜像、原生安装包等多种分发方式，跨平台部署灵活
– 全球数百万用户与数千企业采用，社区活跃且治理透明
– 基于 Java 插件化架构，核心功能可无限扩展
– 遵循 MIT 开源协议，支持可复现构建

适用场景：
– CI/CD 流水线自动化构建与部署
– 自动化运行测试、静态代码分析等重复任务
– 企业级软件交付流程标准化与自动化
– 开源项目核心开发与插件扩展贡献

技术亮点：
– 核心采用 Java 开发，插件化架构实现高扩展性
– 提供 WAR、Docker、原生包等多形态部署支持
– 遵循可复现构建标准，配套完善开发者文档

快速上手：
– 访问官网下载页面（https://www.jenkins.io/download）获取 WAR、Docker 镜像或原生安装包
– 参考 CONTRIBUTING.md 与开发者文档搭建开发环境并贡献代码

13. agavra/tuicr

作者： agavra
语言： Rust
⭐ 星标： 1,848（今日 +190）　｜　🍴 Fork： 159
许可证：MIT　｜　主页：https://tuicr.dev/
标签： ai-tools, code-review, rust, tui

项目定位： tuicr 是一款终端代码审查工具，提供 Vim 风格键绑定，支持 GitHub/GitLab PR 审查、未提交变更及提交范围审查，可导出至 GitHub、GitLab、剪贴板或标准输出。

核心特性：
– 终端中呈现 GitHub 风格连续差异，单流浏览所有变更文件
– 支持行级、范围、文件、审查级评论，审查进度按文件/块跟踪并持久化
– 三种导出目标：推送至 GitHub/GitLab、复制结构化 Markdown 到剪贴板、管道输出到 stdout
– 兼容 git、jj、Mercurial，支持未提交变更、提交范围、GitHub PR、GitLab MR
– 完整 Vim 键绑定（j/k、Ctrl-d/u、可视模式、搜索、数字前缀等）
– 提供会话 CLI 与 Rust 库 API，便于脚本集成与二次开发

适用场景：
– 终端偏好者进行本地代码审查
– 审查 GitHub PR 与 GitLab MR 并直接提交评论
– 将结构化审查结果导出给编码代理（Claude、Cursor 等）
– 在脚本或 CI 中复用持久化审查会话

技术亮点：
– Rust 编写，单二进制分发，提供库 API (ReviewStore)
– 集成 gh/glab CLI 实现审查提交，支持 git/jj/hg 多 VCS
– TOML 配置主题、差异视图、注释类型，支持 tmTheme 语法高亮

快速上手：
– 安装: curl -fsSL tuicr.dev/install.sh | sh 或 brew install agavra/tap/tuicr 或 cargo install tuicr
– 启动: tuicr 进入提交选择器，或 tuicr -w 审查未提交变更，tuicr pr 125 审查 GitHub PR
– 导出: 交互中按 y 复制 Markdown，:submit 推送至 GitHub/GitLab，或 tuicr --stdout 管道输出

注意事项：
– 提交至 GitHub 需认证的 gh CLI，至 GitLab 需认证的 glab CLI 且 Request changes 需为指派审查者
– 自托管 GitLab 实例需额外配置，Draft 审查仅 GitHub 支持

14. affaan-m/ECC

作者： affaan-m
语言： JavaScript
⭐ 星标： 236,202（今日 +804）　｜　🍴 Fork： 35,926
许可证：MIT　｜　主页：https://ecc.tools
标签： ai-agents, anthropic, claude, claude-code, developer-tools, llm, mcp, productivity

项目定位： ECC 是智能体工具链操作系统，为 Claude Code、Codex、Cursor 等 AI 编程助手提供规划、测试、实现、审查、记忆等完整工程化工作流，内含 67 个专用智能体、281 项技能与安全扫描。

核心特性：
– 67 个专用智能体覆盖规划、审查、构建修复、安全、架构等领域
– 281 项可复用技能支持 TDD、研究、安全、文档、前端、数据、ML、运维等
– 内置钩子、记忆、持续学习机制，实现会话总结、本能行为和上下文控制
– AgentShield 安全扫描检测提示词、钩子、MCP 配置、权限、密钥和智能体文件
– 支持 Claude Code、Codex、Cursor、OpenCode、Gemini、Zed、Copilot 等 10+ 编程助手
– 遵循 plan→test→implement→review→verify→remember→improve 标准化工程流程

适用场景：
– 需要标准化工程流程的 AI 辅助编程团队
– 追求代码质量、安全性和可维护性的开发者
– 多 AI 编程助手并行使用的复杂项目
– 需要持续学习和知识沉淀的长期项目

技术亮点：
– 多语言实现：Shell、TypeScript、Python、Go、Java、Perl
– 插件化架构：Claude Code 插件市场、Codex 同步流、通用适配器
– npm 包分发：ecc-universal、ecc-agentshield

快速上手：
– Claude Code: 在 Claude Code 中运行 /plugin marketplace add https://github.com/affaan-m/ECC 然后 /plugin install ecc@ecc
– Codex: git clone https://github.com/affaan-m/ECC.git && cd ECC && npm install && bash scripts/sync-ecc-to-codex.sh
– 通用: 克隆仓库后根据目标编程助手选择对应安装方式（插件、同步或手动配置）

注意事项：
– 不要在同一编程助手中叠加多种安装方式，会导致技能、命令、钩子或配置重复
– Codex 插件市场方式仍在实验阶段，共享仓库内容可能未复制到安装缓存，建议使用同步流