DEV TRENDS / DAILY DISCOVERIES

2026年8月9日大家都在做什么

每天发现开发者社区的新项目、新产品与开源趋势。

分类

SeqLog

macOS 原生大纲笔记，每条笔记就是磁盘上的一个 Markdown 文件，没有数据库也没有专有格式，ripgrep 和 git 读到的和你看到的是同一份字节；内置 Git 可展开逐行 diff、按单个文件回滚，也能直接打开已有的 Logseq 。界面为英文

DT数据与运维DT软件开发DTmacOS

中文独立开发者

—

FeedbackHi

可嵌入任意网站的用户反馈工具，两行代码即可收集功能建议、Bug 报告和投票，并提供公开反馈看板、状态管理与官方回复

DT软件开发DTWeb 应用DTWeb

中文独立开发者

—

LeePanel

开源桌面端 Linux 服务器管理面板，所有操作通过本地 SSH 完成，服务器端零安装零残留，从根本上消除传统网页面板的安全风险 -

DTWeb 应用DT桌面应用DTWeb

中文独立开发者

—

推荐一个面向 AI Coding 前需求交付的开源 Skill：ai-delivery-spec

做产品需求和 AI Coding 时，我反复碰到一个问题：一句话就能让大模型开始写 PRD、画原型甚至改代码，但需求里的边界、权限、状态、数据口径和异常还没有说清。产物看起来很完整，产品、前端、后端和测试却可能各自理解一套，最后还是要靠评审会反复补口径。所以我把真实需求工作中反复使用的方法整理成了开源 Skill AI Delivery Spec。它不是单纯的 PRD 生成器，而是需求进入编码前的交付层：可以从一个 Idea、业务问题或用户痛点开始，也可以直接读取会议纪要、竞品、旧 PRD、原型、存量系统、变更或缺陷；根据当前阶段补齐真正会影响实现和验收的事实，产出最小但完整的需求基线。 Delivery Spec 需求全生命周期几个主要特点：任意阶段进入：从问题定义、方案探索、需求澄清，到 PRD、工程原型、变更影响和验收，都可以从现有位置开始，不要求先补齐整套流程。按任务控制重量：一个字段或页面小改只做必要约束；跨角色、跨模块或高风险需求才补流程、状态、数据流和追溯，不把每个小功能都写成厚文档。人和 Coding Agent 共用一套事实：业务目标、角色权限、页面动作、字段口径、状态守卫、异常、副作用与验收可以相互追溯；不清楚的内容标为 GAP，不让模型自行编造一个“看起来合理”的实现。评审态按需生成：客户确认默认使用可操作的产品态；只有明确要给前后端、测试评审时，才增加编号、核心流程和角色必需说明。中英文均可使用：支持 Codex、Claude Code、Cursor、Trae、OpenClaw 等 Agent Skills 环境。一分钟安装： bash Codex / Claude Code / Cursor / Trae 等 npx skills add franklinxkk/aideliveryspec OpenClaw openclaw skills install @franklinxkk/aideliveryspec 安装后可以直接说： text 使用 $aideliveryspec。我现在有一段模糊需求，本次只需要收敛到可评审、可实施的需求基线。先复用已确认事实，只问会改变范围或结果的问题；不要自行猜测业务规则。它与 Spec Kit、OpenSpec 这类工具不是替代关系：AI Delivery Spec 主要解决“需求还不完整、业务规则还不稳定”时如何收敛为可实施输入；下游工具再继续完成技术规格、任务拆分和代码实现。当前版本为 v5.4.4，采用 Apache2.0 协议。截至 20260808，ClawHub 已有 1.6k+ 下载，SkillHub AI 评分为 4.8/5.0。欢迎试用、提出问题或贡献真实但脱敏的使用反馈。

DT软件开发DTAgent 能力扩展DTAgent 可观测性

科技爱好者周刊投稿

—

Ouroboros：先把需求问清楚再让 AI 写代码的 Agent OS，顺便不让它「刷分」

一句话（供周刊直接采用）：开源的 AI 编程前置工具，先把模糊需求问清楚、生成规约再让 agent 动手，支持 Claude Code 等 13 个运行时。 Ouroboros 是一个开源的本地优先 Agent OS，核心主张是两件事：意图没想清楚之前，不让 AI 开始写代码；验收标准的判分断言不进交给执行 agent 的成功契约（success contract），让它没法看着答案刷分。它坐在 Claude Code、Codex CLI 等 13 个编码运行时前面，把「写一句话就让 AI 开干」换成可复现的五段循环：苏格拉底式访谈 → 不可变规约 → 执行 → 自动验收 → 演化。为什么做这个项目 AI 写不好代码，很多时候不是模型不够聪明，而是需求本身就是模糊的。你说「做个任务管理 CLI」，它就自己猜数据模型、存储方式、优先级规则和 ID 生成策略。每一项都「不算错」，但都不是你想要的。等你 review 到第三个文件才发现方向不对，只能返工：写 prompt、被猜、返工，循环往复。所以这个项目动的是输入侧：在意图足够清楚之前，不让它开始写代码。和同类项目相比，最不一样的地方现在「AI 编程工作流」类的项目不少。Ouroboros 把「什么时候可以开始写」和「什么时候可以停」都变成了数字，而不是感觉，并且认真处理了一个很少有人处理的问题：怎么防止 agent 学会刷分。 1. 访谈不靠「差不多了」结束，靠一个阈值模糊度被量化成加权清晰度的反值： Ambiguity = 1 Σ(clarityi × weighti) 模糊度高于 0.2 会挡住规约生成——是挡住，不是锁死；绕过它的办法是显式传入强制（force），屏幕上一直摆着这个选项。演化循环那头，最近两代的本体相似度 ≥ 0.95 会判定收敛，但那不是唯一的出口——停滞、反复出现的同类反馈、以及 30 代预算耗尽同样会让循环停下来。两道数学关卡，README 里把背后的想法写成一句话：没想清楚之前不要写，没稳定之前不要停。 2. 评估三阶段递进，先便宜后贵 Mechanical（免费、确定性检查）→ Semantic → MultiModel Consensus。能在第一层否掉的，绝不送去烧 LLM 判分的钱。 3. 不让 agent 看见判分标准大多数框架会把验证命令和断言原样贴进 worker 的 prompt，动机很朴素：让它知道会被怎么检查。但 agent 一旦看得见断言，糊弄断言就永远比真正实现需求更省力。你以为在测能力，其实在测抄答案。 Ouroboros 的处理有两点：两条泄露路径一起堵。正向路径不再渲染 verifycommand / outputassertion。反向路径（失败原因里的断言 repr() 顺着重试 prompt 流回去）也用一个断言安全的提示构造器过滤掉，连命令输出那 2000 字符的尾巴都要过滤。堵住主路径、忘了日志尾巴，泄露口还是开着的。不提供开关。「披露级别」的配置项被明确否决了。信息屏障一旦可以关掉，就会在某个赶进度的下午被关掉，而且没人会发现，因为分数看起来更好了。那 agent 卡住了怎么办？给提示，不给答案。下一轮的指令是从这次会话实际做了什么重建的（工具调用轨迹、证据清单、验证器结论），而不是从断言里抄的。 4. 失败不是终点，但循环必须能停被评估拒绝的结果会自动进入有预算上限的演化循环，下一代的力气集中在没通过的验收标准上（代码里把标准切成 active 和 frozen 两组）。但冻结是集中力气，不是保证已通过的不会再挂——另有回归检测器专门盯上一代通过、这一代却挂掉的标准。不冻结的循环会反复把做对的东西改坏，表现为分数在两代之间来回跳。循环自带震荡检测和等级回退检测，专门识破这种假收敛；预算耗尽才报 BLOCKED。这部分的完整设计（含取舍和被否决的方案）写在 RFC 1917 里。其他支持 13 个运行时家族：Claude Code、Codex CLI、OpenCode、Gemini CLI、GitHub Copilot CLI、Kiro、Hermes、Pi、Zcode、Goose、GJC、Antigravity CLI、Grok Build CLI 本地优先，MIT 协议中文 README：README.zhCN.md 一行安装： bash curl fsSL | OUROBOROSINSTALLREF=ruanyf bash 装完后在你的 AI 编码 agent 里按顺序跑两条命令（ooo setup 只需一次）： ooo setup ooo interview "I want to build a task management CLI" 它不会立刻写代码，而是先反问：数据存在哪里、命令边界到哪、任务 ID 怎么指定……这些答完了，才会生成规约并进入执行。中文逐章指南安装、访谈、规约、执行、评估、演化、现有项目、故障排查、术语表、架构，一共 13 页，和英文版章节齐平。里面的每个数字都注了出处文件，你可以直接对着源码核。其中「故障排查」那章有 32000 启动失败的处理，英文版目前还没有。

DT软件开发DTAgent 管理与编排DTAgent 可观测性

科技爱好者周刊投稿

—

ArchVizr —— 上传 SketchUp/Revit/CAD 导出图,20 秒内生成写实建筑效果图

ArchVizr —— 面向建筑师的 AI 建筑效果图工具是什么 ArchVizr 能把你手头已有的线稿图——SketchUp 隐线导出图、Revit 立面图、Rhino 截图,甚至一张手绘草图——在最快 20 秒内转换成写实建筑效果图。不需要插件,不需要 CAD 授权,也不需要额外买渲染器订阅。网站入口:ArchVizr 为什么做这个市面上大多数 AI 渲染工具追求的是生成一张惊艳的单图。但实际工作中,无论是客户汇报还是规划报建,需要的是一整套互相一致的效果图——同样的体量、同样的机位、同样的材质——而不是六张各自"自由发挥"了建筑结构的独立生成图。现有工具还有一个更明显的问题:不少工具会在渲染时悄悄挪动一扇窗户,或者改变屋顶线条,而这类改动很容易被忽略,一旦在客户面前被发现就很尴尬。能做什么草图转效果图:上传隐线导出图、CAD 立面图或手绘草图,生成的效果图会保留原图的体量、层数、屋顶线和机位构图参考图风格迁移:上传一张照片或情绪板(清水混凝土、红砖、雪松挂板、耐候钢、玻璃、石材),渲染结果会采用该图的材质配色光照控制:黄金时刻、阴天、蓝调时刻、夜景——同一个几何结构,不同的时间氛围,无需重新渲染建筑本体景观渲染:为建筑加上真实场地环境(绿化、铺装、周边关系),而不是漂浮在纯白背景上室内渲染:把外立面的材质配色延续到室内,使大堂、室内空间与外观效果图风格统一一张图出全套:所有后续渲染(昼夜切换、砖石/混凝土切换、室内外切换)都基于同一份源图生成,确保整套提案视觉统一有什么不同大多数 AI 建筑渲染工具把你的图纸当作"灵感参考"来自由发挥重绘。ArchVizr 把图纸当作结构约束来处理:只添加材质和光照,不会移动窗户、改变房间尺寸或调整屋顶形状。同一张源图纸可以用不同材质、季节、时段反复出图,而所有结果之间始终保持对齐一致。适合谁中小型独立事务所(110 人):无法为每个项目单独承担效果图外包预算建筑系学生:需要写实效果图参加评图或竞赛,又不想付费请人渲染地产开发商:在立面尚未最终定稿前就需要预售效果图自由职业渲染师:需要快速出一版材质/光照基础图,再自己做后期调色室内设计师:偶尔需要一张与室内风格匹配的外观效果图营销代理公司:同时服务多个小型开发商客户,等不起每张图几周的外包周期定价免费版包含一定数量的生成额度可直接试用(无需绑卡) 欢迎试用交流,尤其是之前用过其他 AI 渲染工具、踩过"它偷偷挪了我的窗户"这个坑的朋友 🙏

DT商业与增长DT软件开发DTWeb 应用

科技爱好者周刊投稿

—

Silence Remover：浏览器本地运行的音频去静音工具

Silence Remover 是一个免费的在线音频去静音工具。音频解码、静音检测、裁剪和 MP3 编码都在浏览器本地完成，不上传文件，也不需要注册。它可以自动识别录音开头、结尾和中间的长静音，同时保留自然短停顿；支持调整静音阈值、最短静音时长和切口余量，并可对比试听处理前后的音频。适合播客、课程、访谈、会议和语音备忘录。工具地址：

DT研究与学习DT内容 / 资源

科技爱好者周刊投稿

—

AVA：把多个 Steam 账户的令牌放进同一个列表，手机和桌面通用

AVA（AnotherVaporAuth）是一个开源的 Steam 令牌验证器，Flutter 写的，一套代码出 Android / Windows / Linux / macOS 四个平台。起因是官方 Steam App 一台手机只能装一个令牌。有小号、有区域账户、或者跑几个 ArchiSteamFarm 机器人的人，最后手里都是一堆 .maFile 备份加一个必须走到电脑前才能用的桌面工具。AVA 把这些账户放进同一个列表：验证码、交易确认、登录批准、交易报价、库存上架、远程注销其他设备，每个账户各自一份。它直接读写老工具 SDA（Steam Desktop Authenticator）的 .maFile 格式，也能导入 Steam++ / Watt Toolkit 的导出文件，随时可以把 maFile 导出带走。另外它能把令牌从官方 App 迁移过来——走的是官方 App 用的同一个接口，所以不会触发 15 天交易冷却，而从网页移除令牌会。密钥由 6 位 PIN 保护，存在设备硬件 Keystore 里，本地 AES256GCM 加密，验证码完全离线生成。MIT 协议。官网 / 桌面版下载： Google Play：（利益相关：我是作者。Play 版有可选订阅解锁两套皮肤并去广告，免费版有横幅广告；验证码、交易确认、maFile 导入导出这些在所有版本里都免费，也可以自己编译一个完全不含广告与计费代码的版本。）

DT桌面效率DT软件开发DTWeb 应用

科技爱好者周刊投稿

—

ClipLumi — 用自然语言提示词编辑图片的 AI 图片工具

我做的 AI 图片编辑工具，主要面向内容创作者和不熟悉 Photoshop 的用户：可以直接用自然语言提示词修改图片，例如换背景、调整主体、改风格或重做局部内容最多可同时使用 3 张参考图，方便控制人物、商品或视觉方向支持多种图片生成/编辑模型，并在生成前显示对应积分成本提供中英文界面，可直接在线使用欢迎试用和反馈。

DT内容创作

科技爱好者周刊投稿

—

SeqLog — macOS 原生大纲笔记，每条笔记就是磁盘上的一个 Markdown 文件

我做的 macOS 原生大纲笔记，写给「不想让笔记被锁进数据库」的人：每条笔记就是磁盘上的一个 Markdown 文件，没有数据库也没有专有格式。ripgrep、git，或者一个指向该文件夹的 coding agent，读到的和你在界面里看到的是同一份字节全文搜索每次直接 grep 文件夹（Rust 调 ripgrep），不建索引。所以没有索引要重建，也不会出现索引和文件对不上的情况内置 Git，用 libgit2 而不是调用 git 命令行：后台自动提交，历史面板里每条 commit 可以展开成逐行 diff，也能只回滚其中一个文件能直接打开已有的 Logseq 仓库——同样的 journals/ 和 pages/ 目录结构，不导入也不转换，两个应用可以指向同一个文件夹 Swift + AppKit 写的，不是 Electron macOS 上永久免费。界面目前只有英文。

DT数据与运维DT软件开发DT命令行工具

科技爱好者周刊投稿

—

perception-xalpha-lite

Python 一个专门用来证伪自己回测结果的量化研究框架多数量化工具帮你找因子，这个反过来：它默认你找到的因子是假的，然后用 CSCV 过拟合概率、Deflated Sharpe、White's Reality Check 逐一去证伪。fork 之后把自己回测的日收益放进 audit 目录推上去，GitHub Actions 会在你自己的仓库里跑出结论，数据不经过任何第三方。它同时每天收盘后公开次日选股，时间戳先于开盘，事后不可修改。亮点自带的示例是 24 组纯随机数，其中最好的一组年化 Sharpe 是 1.11——这个数字大多数人会直接拿去实盘，而工具判定它是选择偏差，因为 24 次试验下纯噪声的期望最高值本来就是 1.18。同类项目通常展示自己找到了什么，它展示的是自己否掉了什么：456 个已发表因子里，只有 1 个扛住了 30bp 的交易成本。四种常见回测偏差都在真实 A 股面板上量化过，其中最大的一项是「挑因子」这个动作本身值 3bps/天，比多数已发表的股票因子结果还大——意味着一条无法审计自己挑选步骤的管线，根本分不清「发现」和「挑选的副产品」。代码里不存在任何下单路径，CI 每次提交都会机械地断言这一点。 markdown python tools/auditreturns.py bestvariant: variant24 bestsharpeannualised: 1.11 24 组纯随机数里最好的一组 expectedbestfromnoise: 1.18 同样试验次数下噪声的期望最高值 pbo: 0.643 样本内赢家在样本外多半低于中位数 deflatedsharpeprobability: 0.459 verdict: SELECTION IS DOING THE WORK 截图或演示视频

DT安全与测试DT研究与学习DT库 / SDK

HelloGitHub 投稿

—

WeRead Notes｜微信读书笔记工作台

连接微信读书官方 API，整理、回顾和导出你的划线与想法。

VibeCafé

—

知更鸟

持续跟踪 AI 时代下教育行业动态

DT研究与学习

VibeCafé

—

影笺 | Quick flomo

AI 助力深度阅读，一键结构化同步至 flomo。

VibeCafé

—

影匣 | Shadow Card

一款精美的在线社交名片生成工具，支持多种模板和主题色，可导出高清PNG图片。A beautiful online social business card generator.

DT生活与娱乐

VibeCafé

—

vitali87 / code-graph-rag

The ultimate RAG for your monorepo. Query, understand, and edit multi-language codebases with the power of AI and knowledge graphs

原文

语言Python

GitHub Trending

2800

msitarzewski / agency-agents

A complete AI agency at your fingertips - From frontend wizards to Reddit community ninjas, from whimsy injectors to reality checkers. Each agent is a specialized expert with personality, processes, and proven deliverables.

原文

语言Shell

GitHub Trending

14万