GitHub Trending 日报 · 2026-07-30

今日 GitHub 热门项目 Top 17，已为你深度翻译整理。

1. opengeos/GeoLibre

作者： opengeos
语言： TypeScript
⭐ 星标： 4,013（今日 +671）　｜　🍴 Fork： 430
许可证：MIT　｜　主页：https://geolibre.app
标签： data-science, duckdb, geospatial, maplibre, maplibre-gl-js, tauri-app

项目定位： GeoLibre 是一个轻量级、云原生的 GIS 平台，支持在浏览器、桌面、移动端和 Jupyter 中可视化、探索和分析地理空间数据，数据保持本地私有。

核心特性：
– 跨平台运行：同一代码库支持 Web、桌面、Android 和 Jupyter Notebook
– 基于 MapLibre GL JS 和 deck.gl 的高性能 2D/3D 地图渲染，支持 3D Tiles
– 内置 DuckDB-WASM Spatial 实现浏览器端空间 SQL 查询和地理处理
– 行星级底图支持：地球、月球、火星等多天体，自动适配椭球体测量
– 时间滑块动画可视化时空数据演变（如建筑建造年代）
– 插件系统扩展功能（如大气效果、星空背景），700+ 免费地理处理工具

适用场景：
– 地理数据可视化与探索（浏览器即开即用）
– 空间 SQL 分析与地理处理（无需安装数据库）
– 多平台 GIS 应用开发（桌面、移动、Web 统一代码库）
– 行星科学制图与教学演示

技术亮点：
– Tauri v2 + React + TypeScript 构建原生跨平台应用
– MapLibre GL JS + deck.gl 驱动高性能地图渲染
– DuckDB-WASM Spatial 实现浏览器端空间 SQL 引擎

快速上手：
– 访问 https://web.geolibre.app/ 直接在浏览器运行，无需安装
– 桌面端：下载安装包 https://geolibre.app/downloads/ 或使用包管理器（如 pip install geolibre、conda install -c conda-forge geolibre）
– Jupyter 环境：pip install geolibre 后在 Notebook 中导入使用

2. moeru-ai/airi

作者： moeru-ai
语言： TypeScript
⭐ 星标： 45,366（今日 +682）　｜　🍴 Fork： 4,487
许可证：MIT　｜　主页：https://airi.moeru.ai/docs/
标签： ai-companion, ai-vtuber, airi, digital-life, grok-companion, live2d, neuro-sama, neurosama, openclaw, vrm, vtuber

项目定位： 自托管的AI虚拟伴侣项目，旨在复刻Neuro-sama，支持实时语音聊天、游戏互动（Minecraft、Factorio），跨平台运行。

核心特性：
– 支持实时语音对话，实现自然交互
– 能玩Minecraft和Factorio等游戏，具备游戏代理能力
– 基于Web技术栈构建，可在浏览器、桌面端、移动端运行
– 桌面版原生支持CUDA和Metal，推理性能强
– 提供PWA支持，移动端可离线使用
– 插件系统设计，便于扩展Discord语音等功能

适用场景：
– 想要拥有专属AI虚拟主播/陪伴者的用户
– 希望AI能陪同游戏、语音互动的玩家
– 对自托管、数据隐私敏感的开发者/爱好者
– 跨平台（Web/桌面/移动）运行AI角色的场景

技术亮点：
– WebGPU/WebAudio/WebAssembly/WebSocket等Web原生技术
– 桌面端集成HuggingFace Candle，利用CUDA/Metal加速推理
– 基于Vue.js/TypeScript构建，采用Electron打包桌面应用

快速上手：
– Windows: winget install MoeruAI.AIRI 或下载安装包运行
– macOS: brew install --cask airi 安装桌面版
– 直接访问 https://airi.moeru.ai 体验网页版

注意事项：
– 项目处于早期开发阶段，功能可能不稳定或不完整
– 无官方代币，谨防虚假代币诈骗

3. affaan-m/ECC

作者： affaan-m
语言： JavaScript
⭐ 星标： 235,541（今日 +857）　｜　🍴 Fork： 35,868
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 是一个智能体工具链操作系统，为 Claude Code、Codex 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，内置 67 个专用智能体、281 项技能与 AgentShield 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 项技能支持 TDD、研究、安全、文档、前端、数据、ML、运维等
– 完整工程化工作流：plan→test→implement→review→verify→remember→improve
– AgentShield 安全扫描检测提示词、钩子、MCP 配置、权限、密钥等
– 跨平台支持：Claude Code、Codex、Cursor、OpenCode、Gemini、Zed 等
– 持续学习与记忆系统：钩子、规则、会话总结、本能、上下文控制

适用场景：
– AI 编程助手需要标准化工程化工作流的团队
– 多智能体协作开发场景
– 需要安全扫描和合规检查的项目
– 跨多种 AI 编程工具统一配置的开发者

技术亮点：
– 多语言实现：Shell、TypeScript、Python、Go、Java、Perl
– 插件化架构支持多种 AI 编程工具适配
– 基于技能优先的模块化设计，配合钩子和记忆运行时

快速上手：
– Claude Code: /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
– 通用检查: 克隆仓库后运行 node scripts/ecc.js doctor 验证安装状态

注意事项：
– 不要在同一工具中叠加多种安装方式（如 Claude Code 插件 + 手动安装），会导致技能、命令、钩子重复
– 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 Codex 安装缓存，建议使用同步流程

4. huggingface/speech-to-speech

作者： huggingface
语言： Python
⭐ 星标： 7,844（今日 +827）　｜　🍴 Fork： 999
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： 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，所有组件可热插拔，支持完全本地化部署。

核心特性：
– 全模块化管道：VAD、STT、LLM、TTS 每阶段多后端可替换，满足不同硬件与延迟需求
– OpenAI Realtime 兼容 WebSocket API，零改造接入现有客户端
– 支持本地/云端 LLM 无缝切换：OpenAI 兼容、vLLM、llama.cpp、Transformers、MLX
– 丰富 STT/TTS 后端：Parakeet、Whisper 系列、Qwen3-TTS、Kokoro、Pocket TTS 等
– 四种运行模式：realtime、local、websocket、socket，覆盖从设备到服务端场景
– 生产级验证：已在数千台 Reachy Mini 机器人上作为对话后端运行

适用场景：
– 构建完全本地化的语音助手或机器人
– 需要 OpenAI Realtime API 兼容的语音应用
– 自托管 LLM 与语音管道一体化部署
– 多语言、低延迟语音交互原型开发

技术亮点：
– Python 3.10+，Silero VAD v5，多线程队列级联架构
– STT: Parakeet TDT/Whisper/Faster-Whisper/Paraformer；TTS: Qwen3-TTS/Kokoro/Pocket TTS
– LLM 后端统一 OpenAI 兼容协议，支持 vLLM/llama.cpp/Transformers/MLX 本地推理

快速上手：
– pip install speech-to-speech && export OPENAI_API_KEY=… && speech-to-speech
– 客户端测试：python scripts/listen_and_play_realtime.py –host 127.0.0.1 –port 8765
– 本地 LLM 示例：llama-server -hf ggml-org/gemma-4-E4B-it-GGUF -np 2 -c 65536 -fa on –swa-full 后配合 –responses_api_base_url

注意事项：
– DeepFilterNet 需 numpy<2 与 Pocket TTS (numpy>=2) 冲突，不可共存
– TCP socket 模式缺乏中断处理、实时转录、工具调用等完整 Realtime API 功能

5. 1jehuang/jcode

作者： 1jehuang
语言： Rust
⭐ 星标： 13,437（今日 +640）　｜　🍴 Fork： 1,476
许可证：MIT　｜　主页：https://jcode.sh
标签： ai, ai-agent, ai-coding-agent, claude, cli, coding-agent, llm, mcp, openai, rust, terminal, tui

项目定位： jcode 是一款极致内存高效的 AI 编程代理工具，基准内存仅 27.8 MB，启动延迟低至 14 ms，支持多会话协作与语义记忆系统。

核心特性：
– 基线内存仅 27.8 MB，10 会话仅增 117 MB，远低于同类工具 7-27 倍内存占用
– 首帧渲染 14 ms、首次输入 48 ms，启动速度比竞品快 7-245 倍
– 语义向量记忆系统：自动提取、检索、巩固上下文，无需显式调用工具即可长期记忆
– 侧边栏实时渲染 Mermaid 图表，自研渲染库快 1800 倍，支持差异查看与代理直接写入
– Swarm 多代理协作：同仓库多会话自动冲突感知、消息广播与定向通信
– 自定义终端 handterm 提供原生滚动 API，配合 1000+ FPS 无闪烁渲染

适用场景：
– 需要长时间运行大量并发 AI 编程会话的开发者/团队
– 追求极致启动速度与低资源占用的终端原生 AI 助手场景
– 需要跨会话长期语义记忆与自动知识沉淀的复杂项目
– 多代理协作编辑同一代码库的协同开发工作流

技术亮点：
– Rust 编写，核心依赖自研 mermaid-rs-renderer 与 handterm 终端
– 基于 PTY 的交互式会话管理，语义向量嵌入实现被动记忆图谱
– 服务端协调多代理会话，文件变更自动通知与冲突解决机制

快速上手：
– macOS/Linux: curl -fsSL https://jcode.sh/install | bash
– Windows 11 PowerShell: irm https://jcode.sh/install.ps1 | iex
– 安装后直接运行 jcode 启动交互式会话

注意事项：
– 自定义滚动回退在原生终端无法实现平滑逐行滚动，handterm 仍在开发中
– 部分高级功能（如本地嵌入、Swarm 协作）为实验性特性，可能不稳定

6. grokability/snipe-it

作者： grokability
语言： PHP
⭐ 星标： 14,431（今日 +164）　｜　🍴 Fork： 3,903
许可证：AGPL-3.0　｜　主页：https://snipeitapp.com
标签： asset-management, asset-manager, assets-management, itam, license-management

项目定位： Snipe-IT 是免费开源的 IT 资产/许可证管理系统，基于 Laravel 12 构建，提供 Web 界面跟踪硬件分配、采购折旧及软件许可。

核心特性：
– IT 资产全生命周期管理（分配、采购、折旧）
– 软件许可证跟踪与合规管理
– 基于 Laravel 12 的 RESTful JSON API
– 丰富的第三方集成生态（模块、移动应用、同步脚本）
– 多语言翻译支持与活跃社区
– Docker 镜像与跨平台部署（Mac/Linux/Windows）

适用场景：
– IT 运维团队管理硬件资产分配与折旧
– 企业软件许可证合规审计
– 通过 API 集成现有工具链（Jamf、Kandji、UniFi 等）
– 中小型组织寻求免费开源资产管理方案

技术亮点：
– Laravel 12 框架
– MySQL 数据库（测试工作流验证）
– Docker 容器化部署支持

快速上手：
– 查看官方安装手册：https://snipe-it.readme.io/docs
– 检查系统要求：https://snipe-it.readme.io/docs/requirements
– 使用 Docker 镜像快速部署（详见文档 Docker 章节）

注意事项：
– 仅支持 Web 部署，需自备 Web 服务器环境
– 第三方集成库由社区维护，官方不提供支持

7. deepfakes/faceswap

作者： deepfakes
语言： Python
⭐ 星标： 56,243（今日 +166）　｜　🍴 Fork： 13,428
许可证：GPL-3.0　｜　主页：https://www.faceswap.dev
标签： deep-face-swap, deep-learning, deep-neural-networks, deepface, deepfakes, deeplearning, face-swap, faceswap, fakeapp, machine-learning, myfakeapp, neural-nets, neural-networks, openfaceswap

项目定位： FaceSwap 是一个基于深度学习的开源换脸工具，支持图片和视频中的人脸识别与替换，旨在提供伦理使用的 AI 实验平台。

核心特性：
– 提取人脸：从照片/视频中自动检测并提取人脸到独立文件夹
– 训练模型：使用双人脸数据集训练换脸模型，支持多种模型架构
– 转换应用：将训练模型应用于源素材生成换脸结果，支持批量处理
– 图形界面：提供 GUI 降低使用门槛，适合非技术用户操作
– 视频处理工具链：内置 ffmpeg 封装支持视频转帧、处理、合成全流程
– 模型复用加速：支持加载预训练模型微调，数据不足时可迁移学习

适用场景：
– AI 深度学习实验与入门学习
– 影视后期特效与人脸替换制作
– 社交媒体创意内容生成
– 计算机视觉算法研究与开发

技术亮点：
– Python 跨平台实现，支持 Windows/Linux/macOS
– 依赖 CUDA/ROCm 的 GPU 加速深度学习训练
– 模块化流水线架构：提取、训练、转换独立可复用

快速上手：
– 阅读 INSTALL.md 配置环境（需现代 GPU，NVIDIA 需 CUDA，AMD 仅 Linux 下通过 ROCm 支持）
– 运行 python faceswap.py extract 提取人脸，python faceswap.py train 训练模型，python faceswap.py convert 执行换脸
– 或启动 GUI：python faceswap.py gui；视频处理可用 python tools.py effmpeg -h

注意事项：
– 仅在 Linux 下通过 ROCm 支持 AMD GPU，Windows 需 NVIDIA CUDA
– 项目强调伦理使用，禁止用于非法、非自愿或不当内容生成

8. microsoft/VibeVoice

作者： microsoft
语言： Python
⭐ 星标： 51,251（今日 +336）　｜　🍴 Fork： 5,707
许可证：MIT　｜　主页：https://microsoft.github.io/VibeVoice/

项目定位： VibeVoice 是微软开源的前沿语音 AI 模型家族，包含 TTS 与 ASR 两大系列，核心创新在于 7.5 Hz 超低帧率连续语音分词器与 next-token diffusion 架构，实现长序列高效建模。

核心特性：
– 7.5 Hz 超低帧率声学/语义分词器，显著提升长序列计算效率并保真音频质量
– Next-token diffusion 框架：LLM 理解文本上下文与对话流，扩散头生成高保真声学细节
– VibeVoice-ASR 支持 60 分钟单次通过长音频识别，输出结构化转录（说话人、时间戳、内容）
– VibeVoice-TTS 支持 90 分钟单次生成、最多 4 人多说话人对话，保持说话人一致性与语义连贯
– VibeVoice-Realtime-0.5B 实现 ~300ms 首包延迟的流式 TTS，支持流式文本输入与 ~10 分钟长生成
– VibeVoice-ASR-BitNet 异构量化 (I8_S+I2_S) 将模型从 4.62GB 压缩至 1.58GB，CPU 多线程实时推理无需 GPU

适用场景：
– 长时长会议、播客、讲座的语音转写与说话人分离
– 多说话人播客、有声书、对话式内容的长文本语音合成
– 实时语音助手、流式字幕生成等低延迟 TTS 场景
– 边缘设备/纯 CPU 环境下的离线语音识别部署

技术亮点：
– Next-token diffusion 架构：LLM backbone (Qwen2.5 1.5B) + 扩散头建模声学细节
– 连续语音分词器 (Acoustic/Semantic) 在 7.5 Hz 帧率下保持高保真与长序列效率
– BitNet 异构量化 (I8_S + I2_S) 与 vLLM 推理加速，支持 CPU 实时与 GPU 高吞吐

快速上手：
– 在 Colab 体验 VibeVoice-Realtime 流式 TTS: https://colab.research.google.com/github/microsoft/VibeVoice/blob/main/demo/vibevoice_realtime_colab.ipynb
– 在 Playground 试用 VibeVoice-ASR: https://aka.ms/vibevoice-asr
– 从 Hugging Face 下载模型权重: ASR-7B / Realtime-0.5B / ASR-BitNet 等

注意事项：
– 不建议在未充分测试前用于商业或生产环境，仅面向研发用途
– VibeVoice-TTS 代码已从仓库移除，仅保留模型权重与文档
– 继承基座模型 (Qwen2.5 1.5B) 的偏见与错误，可能产生意外、有偏见或不准确输出
– 高质量合成语音存在被滥用制作深度伪造、虚假信息的风险，需负责任使用并披露 AI 生成

9. different-ai/openwork

作者： different-ai
语言： TypeScript
⭐ 星标： 17,881（今日 +97）　｜　🍴 Fork： 1,854
主页：https://openworklabs.com

项目定位： OpenWork 是一个免费开源的桌面应用，用于共享 AI 工作流，作为 Claude Cowork 和 Codex 的开源替代品，支持跨平台并通过 MCP 协议让技能、插件和服务在多工具、团队和机器间复用。

核心特性：
– 免费开源桌面应用，支持 macOS/Windows/Linux，提供专用工作区但非强制。
– 通过单一 MCP 接入 Codex、Claude Code、Cursor 等代理，复用技能、MCP 连接及 Google/Microsoft 服务。
– OpenWork Den 管理控制台：大规模推理供给、模型访问控制、团队权限、桌面策略、技能插件发布与分配。
– 支持导入 Anthropic 兼容插件，将其技能和远程 MCP 通过 OpenWork MCP 暴露。
– 提供 search_capabilities 和 execute_capability 两个工具，浏览器登录后即可选择组织使用。
– 本地开发支持 pnpm dev 和 worktree 多实例隔离，自动分配端口和模拟钥匙串。

适用场景：
– 团队跨工具共享 AI 工作流与技能
– 企业统一管理模型访问、策略与权限
– 个人在多 AI 代理间复用配置与服务
– 开发者集成 MCP 扩展代理能力

技术亮点：
– Electron + Vite 构建跨平台桌面应用
– 基于 MCP 协议的远程服务器 (api.openworklabs.com/mcp/agent)
– pnpm 单体仓库，支持 worktree 隔离开发环境

快速上手：
– 下载安装：访问 https://openworklabs.com/download 或在 AI 代理中粘贴提示词自动安装。
– Codex 接入：codex mcp add openwork --url https://api.openworklabs.com/mcp/agent
– Claude Code 接入：claude mcp add --transport http openwork https://api.openworklabs.com/mcp/agent
– 本地开发：pnpm dev 或 pnpm dev:worktree 启动多实例隔离环境。

10. obra/superpowers

作者： obra
语言： Shell
⭐ 星标： 263,264（今日 +616）　｜　🍴 Fork： 23,510
许可证：MIT
标签： ai, brainstorming, coding, obra, sdlc, skills, subagent-driven-development, superpowers

项目定位： Superpowers 为编码智能体提供一套可组合的技能框架与开发方法论，强制执行脑暴→设计→计划→子代理驱动开发→TDD→代码审查→分支收尾的完整流程，让 AI 像资深工程师一样自主交付高质量代码。

核心特性：
– 脑暴技能：苏格拉底式提问细化需求，分段输出设计文档供人工确认
– Git Worktree 隔离：自动创建独立分支工作区，验证测试基线后再开工
– 计划驱动拆解：将工作拆为 2-5 分钟的原子任务，含文件路径、完整代码、验证步骤
– 子代理双阶段审查：每任务派发新子代理，先查规格合规再查代码质量，关键问题阻断流程
– 强制红绿重构 TDD：先写失败测试再写最小实现，删除无测试代码，提交前必须绿灯
– 系统化调试四阶段：根因追踪、纵深防御、条件等待、验证后完成，杜绝盲目试错

适用场景：
– 使用 Claude Code/Cursor/Codex 等编码智能体的个人开发者
– 需要规范化 AI 辅助开发流程的工程团队
– 追求测试驱动、自主迭代、可审计交付的项目
– 希望跨多平台复用同一套技能体系的组织

技术亮点：
– 基于 Markdown 技能定义的跨平台插件架构，支持 11 种主流编码智能体
– 技能自动触发机制：智能体在任务前检查并加载相关技能，强制执行而非建议
– 配套 superpowers-evals 评测框架，使用 drill harness 进行技能行为回归测试

快速上手：
– Claude Code: /plugin install superpowers@claude-plugins-official
– Gemini CLI: gemini extensions install https://github.com/obra/superpowers
– Cursor: 在 Agent 聊天中输入 /add-plugin superpowers

注意事项：
– 默认启用可视化伴侣遥测（可通过 SUPERPOWERS_DISABLE_TELEMETRY 关闭）
– 不接受新技能贡献，现有技能修改需兼容所有支持的编码智能体

11. MoonshotAI/FlashKDA

作者： MoonshotAI
语言： Cuda
⭐ 星标： 981（今日 +91）　｜　🍴 Fork： 95
许可证：MIT

项目定位： FlashKDA 是基于 CUTLASS 构建的高性能 Kimi Delta Attention (KDA) 核，为 flash-linear-attention 提供高效后端加速。

核心特性：
– 基于 CUTLASS 实现的高性能 KDA 前向内核，针对 Hopper (SM90+) 架构优化。
– 无缝集成 flash-linear-attention 的 chunk_kda，自动调度替代 Triton 实现。
– 支持变长序列批处理 (cu_seqlens) 与有状态/无状态循环推理。
– 内核融合 Gate、Beta sigmoid、QK L2Norm 等激活操作，减少内存往返。
– 提供 Python 绑定 flash_kda.fwd，支持 bf16/fp32 状态张量灵活传递。
– 开箱即用的基准测试与正确性测试脚本，便于性能验证。

适用场景：
– 训练/推理阶段加速 Kimi Delta Attention 线性注意力模型。
– 需要高吞吐、低延迟的长序列建模任务（如语言建模、时间序列）。
– 适配 flash-linear-attention 生态的现有项目无缝迁移。

技术亮点：
– 基于 CUTLASS 3.x 编写 CUDA 核，利用 Hopper Tensor Core 与 TMA 异步拷贝。
– 内核融合门控、Beta sigmoid、QK L2Norm 等逐元素操作，减少全局内存访问。
– 支持 bf16 计算与 fp32 累加，兼容 PyTorch 2.4+ 与 CUDA 12.9+。

快速上手：
– 克隆仓库并初始化子模块：git clone https://github.com/MoonshotAI/FlashKDA.git flash-kda && cd flash-kda && git submodule update --init --recursive
– 安装编译：pip install -v --no-build-isolation .（可选 FLASH_KDA_CUDA_ARCHS=all 指定架构）
– 安装 flash-linear-attention >=0.5.0 后，在 torch.inference_mode() 下调用 fla.ops.kda.chunk_kda 即可自动使用 FlashKDA 后端。

注意事项：
– 当前内核强制要求 K = V = 128，不支持其他头维度。
– 仅支持 SM90 (Hopper) 及以上架构，需 CUDA 12.9+ 与 PyTorch 2.4+。

12. NanmiCoder/MediaCrawler

作者： NanmiCoder
语言： Python
⭐ 星标： 59,055（今日 +154）　｜　🍴 Fork： 11,673
主页：https://nanmicoder.github.io/MediaCrawler/

项目定位： 基于 Playwright 的多平台自媒体数据采集工具，支持小红书、抖音等 7 大平台公开内容与评论抓取，无需 JS 逆向即可获取签名参数。

核心特性：
– 支持小红书、抖音、快手、B站、微博、贴吧、知乎 7 大平台关键词搜索与指定帖子爬取
– 提供二级评论、创作者主页、评论词云图等完整数据采集能力
– 基于 Playwright 登录态缓存与 CDP 模式，无需逆向 JS 加密算法即可获取签名
– 内置 IP 代理池支持，降低风控检测风险
– 多数据格式导出：CSV、JSON、Excel、SQLite、MySQL 等
– 提供 WebUI 可视化界面，支持实时日志与数据预览

适用场景：
– 自媒体运营者分析竞品内容与用户评论
– 研究人员采集公开社交数据用于学术研究
– 开发者学习浏览器自动化与反爬对抗技术

技术亮点：
– 核心框架：Playwright (Python) + Node.js 签名生成
– CDP 模式复用 Chrome 登录态，规避风控
– uv 管理依赖，支持 WebUI (FastAPI + Vite)

快速上手：
– 安装 uv 与 Node.js>=16，执行 uv sync 安装 Python 依赖
– 启动 Chrome 远程调试 (chrome://inspect/#remote-debugging)，运行 uv run main.py --platform xhs --lt qrcode --type search
– 或启动 WebUI：uv run uvicorn api.main:app --port 8080 并 cd webui && npm install && npm run dev

注意事项：
– 仅供学习研究，禁止商业用途及大规模爬取，用户需自行承担法律风险
– 依赖平台前端结构，接口变更可能导致失效，需自行维护

13. alibaba/open-code-review

作者： alibaba
语言： Go
⭐ 星标： 15,977（今日 +359）　｜　🍴 Fork： 1,078
许可证：Apache-2.0　｜　主页：https://open-codereview.ai
标签： agent, agent-skills, code-review, code-review-assistant, harness, repository-level-context

项目定位： 阿里巴巴开源的AI代码审查CLI工具，融合确定性工程与LLM Agent，提供精准行级评审，内置细粒度规则集，经大规模生产验证。

核心特性：
– 混合架构：确定性流水线+LLM Agent，保证评审覆盖完整性与位置精准度
– 精准行级评论：Agent可读取全文、搜索代码库、跨文件上下文，生成深度评审
– 内置细粒度规则集：覆盖空指针、线程安全、XSS、SQL注入等常见缺陷
– 智能文件打包：关联文件分组并行评审，支持大规模变更集稳定处理
– 低Token消耗：同模型下仅消耗通用Agent约1/9 Token，评审更快更省成本
– 多模式支持：diff评审、全量扫描、委托模式，适配不同场景

适用场景：
– 企业级代码评审自动化，替代人工初审
– CI/CD流水线集成，PR自动质量把关
– 陌生代码库全量审计与安全扫描
– AI编程助手协作评审（Claude Code/Codex/Cursor集成）

技术亮点：
– 确定性工程×Agent混合架构：工程逻辑硬约束+Agent动态决策
– 基于Git diff的上下文感知评审，支持工具调用（读文件、搜索、跨文件）
– 内置模板引擎规则匹配，兼容OpenAI/Anthropic API

快速上手：
– 全局安装：npm install -g @alibaba-group/open-code-review
– 配置LLM：ocr config provider 选择提供商，ocr config model 选模型
– 运行评审：ocr review（工作区模式）或 ocr scan（全量扫描）

注意事项：
– 召回率低于通用Agent，为精准度主动妥协，可能漏报部分缺陷
– 依赖Git >=2.41，需配置LLM API Key（除委托模式外）

14. paperswithbacktest/awesome-systematic-trading

作者： paperswithbacktest
语言： Python
⭐ 星标： 10,379（今日 +945）　｜　🍴 Fork： 1,345
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： 一个面向系统化/量化交易的精选资源清单，汇聚 97 个库/包、40+ 策略、55 本书籍及视频、博客、课程等，按语言与热度分类，助力策略研发与实盘。

核心特性：
– 收录 97 个回测/实盘框架、交易机器人、分析工具等库，按编程语言与 Star 数排序，便于技术选型
– 涵盖事件驱动与向量化两大回测范式，支持加密货币、股票、期货、债券等多资产类别
– 整理 40+ 机构/学术策略、55 本分级书籍、23 个视频及博客课程，形成从入门到进阶的知识体系
– 提供中文版 README 与配套网站 paperswithbacktest.com，持续更新并接受社区贡献
– 包含 Broker API、数据源、数据库、机器学习、时序分析、可视化等全链路工具生态

适用场景：
– 量化研究员快速筛选回测框架与数据源
– 策略开发者参考跨资产类别的经典策略实现
– 初学者按阶段阅读书籍、视频构建知识树
– 工程师对比多语言（Python/C++/Go/Rust）交易基础设施

技术亮点：
– 纯静态 Markdown 维护，通过 GitHub Pages 或直接阅读呈现，无运行时依赖
– 收录项目覆盖 Python、C++、Go、Rust 等主流量化开发语言生态
– 采用 Awesome List 规范分类，配合 Shields.io 徽章实时展示 Star 数

快速上手：
– 直接阅读 README.md 或 README_zh.md 浏览分类目录
– 访问 https://paperswithbacktest.com 获取独家策略实现与更新内容
– 通过提交 Issue 或 PR 贡献新资源、纠正链接

注意事项：
– 列表为静态快照，库版本、维护状态需自行核实，可能存在过期链接
– 不提供可直接运行的代码或回测环境，仅作为资源导航入口

15. maderix/ANE

作者： maderix
语言： Objective-C
⭐ 星标： 7,140（今日 +22）　｜　🍴 Fork： 958
许可证：MIT

项目定位： 通过逆向工程私有 API 在 Apple Neural Engine 上实现神经网络训练的研究项目，证明 ANE 硬件具备训练能力。

核心特性：
– 利用 _ANEClient/_ANECompiler 私有 API 直接在 ANE 上运行前向与反向传播
– 动态流水线无需重编译即可更新权重，支持 MHA 与 GQA 注意力机制
– INT8 W8A8 量化实现 1.88 倍吞吐提升，减少 L2 SRAM 带宽压力
– CPU 与 ANE 异步重叠执行，dW 梯度用 cblas 并行计算并延迟等待
– 前向抽头暴露中间值避免 CPU 重算，exec() 重启绕过编译次数限制
– GPU↔ANE 零拷贝 IOSurface 管线，支持预填充解码分离推理

适用场景：
– 研究 Apple Neural Engine 训练潜力的开发者
– 探索边缘 AI 编译器优化的研究人员
– 需要在 Apple Silicon 上低功耗训练小模型的场景
– 学习私有 API 逆向工程与 MIL 编程的工程师

技术亮点：
– Objective-C 运行时生成 MIL 程序，_ANEInMemoryModelDescriptor 内存编译
– IOSurface 共享内存传递张量，通道优先布局消除转置开销
– vDSP 向量化 RMSNorm、GCD 异步 cblas 重叠、INT8 量化融合

快速上手：
– macOS 15+ Apple Silicon，cd training/training_dynamic && make MODEL=stories110m
– ./train –scratch 从头训练，./train –resume 恢复检查点
– INT8 基准测试：xcrun clang -O2 -fobjc-arc -framework Foundation -framework IOSurface -ldl -o ane_int8_bench ane_int8_bench.m && ./ane_int8_bench

注意事项：
– ANE 硬件忽略 SDPA 因果掩码，需 CPU 处理掩码和 softmax
– 单进程约 119 次编译限制，通过 exec() 重启绕过

16. pascalorg/editor

作者： pascalorg
语言： TypeScript
⭐ 星标： 19,554（今日 +1,022）　｜　🍴 Fork： 2,591
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，提供节点化场景管理、实时几何生成与可扩展插件系统。

核心特性：
– 节点化场景模型：扁平字典存储，支持撤销/重做与 IndexedDB 持久化
– 增量脏节点机制：仅重新计算变更几何，实现高性能实时渲染
– 系统化几何生成：墙体倒角、楼板多边形、屋顶等自动化构建
– 空间网格管理器：碰撞检测与放置验证，辅助精准建模
– 分层工具体系：选择、绘墙、分区、家具放置等交互工具
– 插件化扩展架构：统一 Plugin 清单接入自定义节点、渲染器与面板

适用场景：
– 建筑师快速创建 3D 概念模型
– 室内设计师进行空间布局与家具摆放
– 开发者构建自定义 3D 编辑器插件
– 团队协作共享建筑项目数据

技术亮点：
– React 19 + Next.js 16 + Three.js WebGPU 渲染器
– Zustand + Zundo 实现状态管理与时序撤销
– Turborepo 单体仓库 + Bun 包管理器

快速上手：
– 根目录运行 bun install 安装依赖
– 执行 bun dev 启动开发服务器（含包热重载）
– 访问 http://localhost:3002 打开编辑器

17. virgiliojr94/book-to-skill

作者： virgiliojr94
语言： Python
⭐ 星标： 12,710（今日 +1,421）　｜　🍴 Fork： 1,415
许可证：MIT

项目定位： 将技术书籍、文档文件夹或多源内容转换为统一的 Agent 技能，供 GitHub Copilot CLI、Amp、Claude Code 按需加载，实现零幻觉、低 Token 消耗的上下文检索。

核心特性：
– 支持 PDF/EPUB/DOCX/Markdown/HTML/RTF/MOBI 等 10+ 格式，自动选择最优提取工具（如技术类用 Docling 保留表格代码，文本类用 pdftotext 极速提取）
– 生成结构化技能目录：SKILL.md 核心心智模型 + 按章节拆分的按需加载文件 + 术语表/模式/速查表，章节文件仅在被引用时计入 Token 预算
– 兼容开放 Agent Skills 标准，一次生成即可在 Copilot CLI、Amp、Claude Code 间通用，技能安装至对应 ~/.copilot/skills、~/.agents/skills、~/.claude/skills 目录
– 支持增量更新：将新文档折叠进现有技能，保持知识库持续同步
– 实测单次问答 Token 消耗仅为全量上下文注入的 1/24~1/51，且随章节规模优势扩大，避免了发现循环的重复压缩损耗
– 提供 python3 scripts/extract.py --check 一键环境自检，明确缺失依赖及安装命令，零配置上手

适用场景：
– 技术书籍二次检索：编码时通过 /book-slug replication 直接调取真实章节内容，替代 PDF 搜索与模型幻觉
– 内部文档技能化：将架构决策记录、运维手册、入职指南等 docs/ 目录折叠为单一技能，随时在开发流中查询
– 品牌/设计系统落地：把 60 页品牌手册转为团队可对话查询的技能，统一声调与组件原则
– 论文/笔记聚合研究：多篇论文与个人笔记合并为统一技能，新材料到来时增量折叠更新

技术亮点：
– Python 编写的提取管线（scripts/extract.py），按格式链式调用 pdftotext/pypdf/pdfminer.six/Docling/ebooklib/beautifulsoup4/python-docx/striprtf/Calibre 等工具
– Claude 进行结构分析（标题/作者/章节/目录）、逐章摘要生成（800-1200 tokens）、术语/模式/速查表合成，最终输出 SKILL.md 及章节文件
– 遵循 Agent Skills 开放标准，技能产物为纯 Markdown 目录，跨宿主（Copilot CLI/Amp/Claude Code）免适配加载

快速上手：
– 运行 python3 scripts/extract.py --check 验证并安装缺失提取依赖
– 执行 /book-to-skill <文件/文件夹/glob路径>... [技能slug] 生成技能，例如 /book-to-skill ~/books/*.epub my-library
– 生成后在 Agent 中直接调用：/skill-slug 加载核心模型，/skill-slug replication 检索主题，/skill-slug ch05 读取第 5 章；Copilot CLI 需先 /skills reload

注意事项：
– 章节自动切分需显式 Chapter N / Capítulo N 标题，仅含标题或罗马数字的书籍（如 Pro Git、Moby-Dick）无法自动分段，需手动指定区段
– 未安装 ebooklib 时 EPUB 提取回退至标准库 zipfile，分段质量下降；发现循环税测算为一次性模型成本，实际 Agent 调优可能更优，但全量上下文注入成本每轮复发