DevTrends开发者趋势
主题色

DEV TRENDS / CATEGORY

编程语言 · Python

2026年10月21日 – 2026年10月27日 内首次发现的 52 个新项目，已跨 8 个来源去重。

收录范围

2026年8月5日 – 2026年10月27日 内首次发现 346 个项目

DTDevTrends 归类原始项目或来源原始标签
52 个新项目8 个来源

Extensión Chrome para Traducir Videos de YouTube, Coursera, Udemy, Bilibili y TikTok: Subtítulos Bilingües, Doblaje con IA, Transcripción de Voz y Videos sin Subtítulos

Contenido:LingTube es una extensión para traducir videos de YouTube, convertir voz a texto y generar doblaje con IA. Al abrir un video y activarla con un clic, traduce los subtítulos o la voz de videos en otros idiomas (incluso los que no tienen subtítulos), y los lee en voz alta con una voz natural. Así puedes entender videos de YouTube sin estar pendiente de los subtítulos.Empieza al instante a usar el doblaje con IA y la traducción de subtítulos en YouTube, Coursera, Udemy, Bilibili y TikTok: solo reproduce cualquier video y comienza de inmediato.Ideal para aprender idiomas, cursos online, tutoriales técnicos, noticias, pódcast, anime, fragmentos de películas y ver contenido mientras viajas o haces otras cosas.Funciones principales Traducción de videos de YouTube: traduce subtítulos, voz y contenido de videos sin subtítulos. Subtítulos bilingües: muestra traducción + original al mismo tiempo, o solo la traducción o solo el original. Doblaje con IA / lectura de subtítulos: usa Edge TTS o la voz del navegador para leer la traducción en voz alta. Videos sin subtítulos: cuando el video no tiene subtítulos, transcribe automáticamente la voz, la traduce y la lee. Traducción con contexto: compatible con Google Translate e interfaces OpenAI para entender mejor frases largas y contenido técnico o especializado. Aprendizaje con IA: genera vocabulario, gramática, ejercicios, evaluaciones y material de repaso. Control de audio: puedes escuchar el audio original y la voz de la traducción al mismo tiempo, y ajustar el volumen de cada uno por separado. Activación rápida: un clic o el atajo de teclado Alt+Shift+V. Resumen de videos con IA: una vez iniciada, puede conversar con los subtítulos traducidos completos para resumir el video, extraer las ideas principales, explicar términos técnicos y localizar momentos clave. Perfecto para videos largos, cursos, tutoriales técnicos, noticias y pódcast. Privacidad Solo funciona en páginas de YouTube, Coursera, Udemy, Bilibili.tv y TikTok. La configuración se guarda localmente en el navegador. Los subtítulos, traducciones y solicitudes de voz solo se envían a los servicios que tú habilites. Extensión / plugin de ChromeChrome Web Store: oficial: 亮点 Contenido:LingTube es una extensión para traducir videos de YouTube, convertir voz a texto y generar doblaje con IA. Al abrir un video y activarla con un clic, traduce los subtítulos o la voz de videos en otros idiomas

语言PythonDTSkill / 插件DT内容 / 资源DTWeb
HelloGitHub 投稿
5

OpenMontage Drama Studio：可自部署的 AI 短剧工坊，一句话灵感到成片

OpenMontage Drama Studio 是一个用 AI 做短剧和短视频的 Web 工坊。输入一句话灵感，按剧本、角色、场景、道具、分镜、配音、剪辑七个环节推进，每个环节的结果都能单独修改或重做。除短剧外，也内置热门短视频套路和电商带货广告模板，适合个人创作者和小团队自部署使用。 亮点 七个环节可逐步推进也可一键跑完：角色、场景、道具图会作为参考传给分镜出片，改一个角色或一个镜头不用从头来 爆款内容广场：抖音、小红书、TikTok、Reels、Shorts、B 站的结构化套路，可直接带入项目 广告片：内置电商带货转化模板（痛点 → 产品特写 → 卖点字幕 → 行动号召） 无限画布把项目流程显示为节点图；Skill 市场可安装分集剧本、分镜提示词等技能 文本模型自选 OpenAI 兼容接口（DeepSeek、OpenAI、Claude、Gemini、通义、豆包等）；出图 Seedream（也可接自己的 ComfyUI）、出视频 Seedance，二者均为需自备 key 的付费第三方 API React + FastAPI + PostgreSQL + Redis，Docker Compose 部署，AGPL-3.0 说明：项目最初基于 AGPL-3.0 的 calesthio/OpenMontage 代码起步，现已重构为独立产品，与原项目无隶属关系

语言PythonDT内容创作DT数据与运维原始ad-video
HelloGitHub 投稿
4

rederive：把代码库的设计决策变成问题，让你自己推导一遍

rederive 是一个面向 Claude Code、Codex、Cursor 等 25 种编程智能体的技能。它不直接讲解代码，而是读取代码库，找出塑造代码的设计决策（比如中间件为什么是一条链、状态为什么放在那里），把每个决策变成一个问题。你先自己推导设计，它再对照真实实现，指出你的答案和代码的不同，然后进入下一个决策。 适合学习 Express、Redis 等开源项目，或在面试前弄懂自己用 AI 写的项目。 免费开源（MIT），一行安装：npx skills add EricJujianZou/rederive 上线 8 天， 263 个 GitHub 星。

语言PythonDT研究与学习DT软件开发原始agent-skills
科技爱好者周刊投稿
306

NVIDIA / SkillSpector

Security scanner for AI agent skills. Detect vulnerabilities, malicious patterns, security risks, prompt injection, data exfiltration, and supply-chain risks in Claude Code, Codex, and MCP skills before you install them.

原文
语言PythonDT安全与测试DTAgent 能力扩展DTAgent 评测与安全
GitHub Trending
2.2万

输入一篇论文，生成带引用的商业化初筛报告

一个开源的多智能体 LLM 工具：输入论文 PDF 或研究主题，先由代码检索并验证论文、专利和市场来源，再让 6 个 agent 只在这批冻结的来源里分析，输出技术成熟度、制造成熟度、专利、市场等评分，以及每条论断都标出处的报告。适合高校技术转移、科研人员和早期投资人做初筛；想看多智能体项目如何做测试、断点恢复和成本控制的开发者也可以参考。 亮点 1. 不用注册、不用 API key 就能先看效果：在线示例页有 5 份完整报告（其中 1 份中文），打开时不调用任何模型。 2. 先证据、后模型：检索、URL/DOI 验证和去重都由普通代码完成，模型只能引用登记过的来源；加权总分由代码重算，不让模型自己算。 3. 实验连失败一起公开：我预注册了 1 个、4 个、6 个 agent 的对照实验（各 30 次），隔两个月换模型重跑。「4 个比 6 个省一半」两次都成立，「4 个比 1 个质量更好」没能复现；还发现审稿 agent 因为提示词少写一句限制，30 次里 27 次第一次输出就不合格，补上一句后，因这条限制失败的次数从 21 降到 3。方案、原始数据和局限都在仓库里。 4. 工程细节可以直接参考：每次运行独立子进程、中断后从 Checkpoint 恢复、付费请求有回执（回包丢失 24 小时内可找回结果） OpenTelemetry Trace。 5. 方便参与：带 good first issue 标签的任务不需要任何 API key，测试和浏览器 smoke 测试都不发付费请求，已有外部贡献者的 PR 合并。 我是项目作者，本次为自荐。介绍由 AI 辅助撰写，数字均来自仓库里公开的结果文档。

语言PythonDT研究与学习DT软件开发原始academic-research
HelloGitHub 投稿
774

基于 python opencv 的《冒险岛》自动打怪脚本

前言 适用于市面上的 079/083 版本冒险岛（国服怀旧服,MapleStory Classic World..., 只要是冒险岛差不多类型的，按道理都可以） 仅记录和分享 完成功能 [x] 角色识别 [x] 怪物识别 [x] 地图圈选 + 地图绘制（路线录制） [x] hpmp自动识别回复 [x] 自动打怪（走路、攻击、技能） [x] 告警（测谎报警） [ ] 客户端化 演示视频

语言PythonDT安全与测试
HelloGitHub 投稿
57

ECHO：让大模型用自身最后一层做多 token 预测的论文开源实现

论文 ECHO（arXiv:2610.24766）的官方仓库，研究大模型的多 token 预测（MTP）。ECHO 不再给主干外挂 MTP 模块，而是复用主干最后一层预测每个未来位置，并按随深度衰减的概率抽样训练深度。仓库公开了评测打分代码与逐题记录、HF/PyTorch 模型实现、草稿模型训练配置和推理接受长度的原始记录，适合想了解 MTP 与投机解码的读者。 亮点 成本对齐的对比：同为一层深度，ECHO-1 在 14 个基准上的平均分为 35.73，MTP-1 为 35.22；ECHO-1.5 只用 MTP-3 一半的训练开销，平均分 36.34，高于 MTP-3 的 35.38；SFT 后 ECHO-1.5-Instruct 为 37.88，MTP-Instruct 为 36.27 预训练出的模型本身就能当草稿模型，推理时可以超出训练深度继续起草，在开放式、高熵生成上仍保持草稿与目标模型的对齐 结果可核查：benchmarktable/score.py 只读逐题记录、不读汇总表，直接重算论文表格里的每个单元格，并与论文数值并列输出 HF/PyTorch 实现与 Paddle 原版逐条对齐验证，同一批 prompt 两边都能跑 说明：仓库不含模型权重、训练语料和 tokenizer

语言PythonDT研究与学习DT软件开发
HelloGitHub 投稿
10

usage-float：Windows 无边框 AI 订阅额度悬浮窗与副屏仪表盘（支持官方重置券探测与 mpv 动态壁纸）

一个 Windows 无边框、无任务栏图标的 AI 订阅额度 HUD 悬浮窗与副屏仪表盘，同屏实时监控 Claude Code、ChatGPT Codex、Grok、Google Antigravity、LiteLLM 等多账号的 5 小时与 7 天限额窗口；支持一键探测并兑换官方隐藏的限额重置券；双击 Ctrl 秒切 mpv 动态壁纸。 解决了什么痛点？ 1. 多账号与多平台额度盲盒：做严肃编码任务时，多开 Claude Code / Codex / Grok / agy 经常突然撞上 5 小时限额墙或周上限。以往要在各个网页或 CLI 里繁琐查询，usage-float 直接以极低资源占用在副屏或桌面角常驻展示全部账号的动态进度条与剩余重置时间。 2. 官方隐藏福利一键兑换： Anthropic 为 Claude Code CLI 用户提供了周重置券（cedarember）与 5 小时碰墙重置券（junipertide）； OpenAI 官方对部分 ChatGPT / Codex 订阅也发放了限额重置券（/backend-api/wham/rate-limit-reset-credits）； usage-float 模拟官方 CLI 原生协议安全嗅探重置券资格，有券时直接在界面提示，点击即可一键兑换回满血，绝不浪费。 3. 无感常驻与桌面摸鱼/护眼切换：副屏平时是干净专业的黑金/暗黑仪表盘，双击 Ctrl（或自定义热键）无缝切换为你本地收藏的 mpv 4K/60fps 动态壁纸或画廊，兼顾生产力与视觉愉悦。 4. Agent 本地查询友好：除了图形界面，提供 python usagefloat.py once（或读取本地原子写入的 ~/.usage-float/usage-cache.json），方便本地 Agent 路由器无网络请求开销直接获取账号剩余额度。 配套开源工具自荐（同一开发者生态） 为了让多订阅 AI 编码体验更完整，我们在同一生态下还开源了另外两个轻量实用的工具，供感兴趣的同学参考： 1. AgentCompass

语言PythonDT数据与运维DT软件开发原始anthropic
科技爱好者周刊投稿
2

Symbix，一个陪伴型的全能Agent

正文 简言之：一个陪伴型的全能Agent 遇到一个痛处:AI 助手要么只会给一段话让你自己排版,要么不打招呼就把你文件改了。所以我做了 Symbix——一只住在桌面上的桌宠,你说一句需求,它自己找工具、干活、交付排版好的成品文件(Word / PPT / Excel / PDF),每一步留痕、可一键还原。 但它不想只当效率工具。它有长期记忆和每日手账,越用越熟;会在没事的时候主动来找你聊天,一半时间是翻你们的记忆找话题("上次你说要做的那个桌宠,后来怎么样了?");任务做完提醒你的时候,响起的不是刺耳的"叮",而是轻风、晨露、余烬这些柔和音——界面也是暖色主题,连暗色模式都是暖炭色的。它是个工具,更是个有温度的桌面伙伴。 该有的边界感也有:多步任务先报计划等你点头,文件修改和命令执行都会弹审批卡——或者打开 auto-pilot,放它自己跑。全部数据本地:对话、记忆、附件,删会话连附件一起清。 亮点一览: 📦 以md为媒介，多种文件可解析，支持模型视觉和ocr 💛 会主动来找你:翻记忆找话题、弹幕先开口,是个有温度的桌面伙伴 🌸 温柔感做进细节:十几种柔和提示音(轻风/晨露/余烬…)+ 全套暖色主题,暗色也是暖炭色 🤖 一句话跑完整条流水线:检索 → 下载 → 精读 → 总结 → 交付,全程无人值守 🎭 复杂任务自动分身多智能体并行,每个分身可以用不同的模型 🗂️ 每步操作有可读 diff,任何一步一键回溯,新建的文件也能撤 💾 长期记忆 + 每日手账,重启后不用重新自我介绍 🎨 会自己画皮肤:描述想要的样子,它画形象、做动作、打包成能导入的桌宠 🔊 本地语音识别(数据不出机器)+ 流式逐句 TTS 🧩 自研pythonSDK包，工具丰富，且Skill 包和 MCP 工具即插即用,权限和审批与内置工具同一套 下载 / 了解更多: 🐙 GitHub 开源:

语言PythonDT桌面效率DTAgent 能力扩展DTAgent 管理与编排
科技爱好者周刊投稿
0

在 Windows 上一键部署原生 OpenClaw 的桌面外壳 — rheia

在 Windows 上装 OpenClaw 要过 WSL2、Ubuntu、Node、网关四道门，一步走错就得从头再来。Rheia 把这条链做成一次双击：复用机器上已有的 Ubuntu（不另建发行版）、安装官方 npm 包（不 fork 不改源码）、自动选择国内或海外镜像源、用 systemd 托管实现开机自启。装完即预装 8 项技能与插件，配置好模型就能干活。 亮点 复用机器上已有的 WSL2 + Ubuntu，不另建专属发行版，磁盘不重复占一份 始终安装官方 openclaw@latest，官方每出一版立即跟进，文档、插件、issue 区全都对得上 开箱即用：预装 Tavily 搜索、mem9 记忆、office-toolkit 等 8 项技能与插件，并直装 LibreOffice 与文档处理库

语言PythonDT数据与运维DTAgent 能力扩展原始agent-runtime
HelloGitHub 投稿
1

Gangmu：识别嵌入式 SDK 组件，结合构建证据生成 SBOM

我是 Gangmu（纲目）的发起人。它是一个面向嵌入式 C/C++ 的开源组件识别和 SBOM 工具。 芯片 SDK 中的第三方库经常被复制、改名或做厂商修改，源码目录中存在的代码也未必进入最终固件。Gangmu 使用社区维护的规则识别组件，可结合 compilecommands.json 和链接器 map 补充构建证据，区分源码存在、编译和链接信息，输出 CycloneDX/SPDX。 仓库提供对 GmSSL 改名、删除版本信息及修改源码的受控示例，供读者查看和复现。希望收集更多公开 SDK 的识别反馈与规则贡献。 工具采用 Apache-2.0，独立规则库采用 CDLA-Permissive-2.0。适合嵌入式开发、固件交付和软件供应链安全相关读者。 联系：64031875@qq.com

语言PythonDT安全与测试DT数据与运维原始c
科技爱好者周刊投稿
7

知音：读你在 YouTube Music 的喜欢，每天推荐几首你还没收藏的歌（作者自荐）

一个私人电台。它从你在 YouTube Music 点过的喜欢出发，按口味分成几个电台，每天早上推荐你还没收藏的歌，每首附一句推荐理由，用 YouTube 官方播放器放完整版，歌词同步并可显示翻译。适合用 YouTube Music、觉得首页推荐总在重复的人。网页版 免费，不登录能先听一位示例听众的电台。 亮点 候选来自 YouTube Music 的听歌图谱，先去掉你已有的，再由 Claude 当编辑从短名单里挑，一般只放它打分 0.7 以上的；新用户的部分电台里还会混进一首它本来不会选的歌，用来检验编辑的判断 把整个收藏画成一张唱片，一年一圈，可以回放口味怎么长出来，并生成分享卡 跳过、喜欢，以及“更安静”“更带劲”“多些新歌手”会按听感重排当前电台后面的歌 简体、繁体、英文三种界面，推荐理由用你选的语言写 可以自己部署，用你自己的 Claude 登录或 API key

语言PythonDT数据与运维DT生活与娱乐原始ai
HelloGitHub 投稿
1

科技爱好者周刊投稿：systemo ebook —— 本地电子书工作台，TXT 转带封面 EPUB 并直传 Kindle

【项目名称】systemo ebook 【项目地址】 【一句话说明】Windows 本地电子书工作台：把 TXT / 网文自动分章、补齐作者和封面，生成带目录的 EPUB，再通过 WiFi 直传手机、Send to Kindle 或苹果图书送进阅读器，内置阅读器可直接试读。转换和传输全程在本机完成，不上传文件。 【为什么值得推荐】只为一本书去装 Calibre 有点重，在线转换又要把书稿上传。这个小工具把「导入 → 自动分章 → 补封面 → 转 EPUB → 传设备」压成一条流水线，还支持断点续传（中断重跑只补缺章）、多章并发带全局限速、书库里批量加入待发送队列一次发到设备。开发者自荐，源码开放，书源的解析规则可自行扩展。 【系统要求】Windows 10 / 11 x64，免费，解压即用（自带 Python 后端、Pandoc、ChromeDriver，无需另装运行库）。 【下载】 安装包 systemo-ebook-v1.1.0-full.rar（257,491,742 字节），SHA256 9B5F3FB14EB37960D77F90676E4D5DA614DC32F0D54E313B3D064848DA396965。 【截图】可用 README 内的三张真实界面截图：制作页、传输页、内置阅读器。 【说明】本工具只做本地格式转换与个人离线阅读，不提供任何资源分发或分享功能。

语言PythonDT软件开发DT内容 / 资源原始ebook
科技爱好者周刊投稿
13

外链检测：提交网站之前，先查这个外链来源值不值得发

做独立产品的人常把网站提交到导航站、awesome 列表和客座文章站换外链，可网上流传的外链清单里混着已经停放的域名、明码标价卖 dofollow 的站，还有同一个人运营的站群。backlink-guard 在你提交之前逐个检查这些站：读它们自己的页面，对照 Google 的链接垃圾政策，给出跳过、先看看、只免费提交、价值低、可以提交五种建议，并附上原文证据；链接上线后再核实它是否真的传权重、放在页面哪里。适合做 SEO、发产品、维护开源项目的人。 亮点 不帮你多发外链，而是告诉你哪里别发：停放或过期的域名、出售传权重链接、要求回链、外链指向博彩站、共用一套页面模板或同一个统计账号的站群都会被标出来，每条结论都带页面原文或数字，可以自己核对。 不配任何 key 也能免费跑页面检查；配上自己的 Glasser 或 AIsa key 再加评分、访问量、垃圾分和 Google 搜索历史，一次查三十个站约 $0.46；在 agent 里用时，每次付费调用前都会先报价、等你同意。 在 100 个它没见过的站上验证过：Ahrefs 标为垃圾的 40 个站里，37 个没有被给出「可以提交」。 除了投稿前的检查，还能体检自己的外链画像，找出指向 404 页面的外链并建议 301，找出链向竞品却没链向你的站，看 Google AI 概览和 AI 助手在你的关键词上引用了谁。 命令行、Agent Skill、Claude Code 插件和 MCP 服务器四种用法；纯 Python、无依赖、MIT 开源，它自己从不替你提交任何东西。

语言PythonDT安全与测试DT商业与增长原始agent-skills
HelloGitHub 投稿
28

invoice-archiver

邮件发票自动归档命令行工具，从 .eml 或只读 IMAP 取 PDF 发票（含诺诺网链接发票），按「项目-金额-月日」改名、按月归档、按发票号去重并记 CSV 台账；纯 Python 标准库 + pdftotext，MIT 协议

语言PythonDT命令行工具DT终端原始automation
中文独立开发者·程序员版
1

一个让 ChatGPT 与 Claude 在 iPhone 上互相核对答案的快捷指令

Poly Duo (C1M) 是免费开源的 iPhone 快捷指令：ChatGPT 作答，Claude 核对并修正，一次点按得到一份结果，开头列出两者一致之处、分歧之处和需自行确认之处。运行在手机上，用你现有的账号，无需服务器、API 密钥和电脑。 亮点 1. 手机上的首创：把 ChatGPT 与 Claude 官方 App 在 iOS 18 发布的快捷指令操作（Ask ChatGPT、Ask Claude）串在同一个快捷指令里，免费，两个 AI 之间没有任何中间环节。 2. 结果先给“两者一致 / 分歧之处 / 请自己确认”三个区块，再给完整的核对后答案，一眼看出该查哪里。 3. 共 12 种模式（核查、分歧地图、辩论到达成一致、综合等），选择前显示消息消耗 Trio 再加第三家公司的免费模型。 4. 开源（Apache-2.0），提示词是 locales/ 下的纯文本，tools/verify.py 可校验已签名的 .shortcut 与源码一致。

语言PythonDT桌面效率DTAgent 管理与编排原始ai-orchestration
HelloGitHub 投稿
3

VoxStage：面向游戏与动画的可控对白制作工具

VoxStage 是面向游戏剧情和动画短片的本地对白制作工具：按角色、台词和时间槽合成语音，经独立 ASR 核对后按失败原因有限重试，支持只重做修改的台词，导出 WAV、SRT 和时间轴 JSON。仓库附真实中英文试听；不装模型也能打开回放工作台。 亮点 将台词原文、角色音色、时间槽和重试预算固化为结构化契约，不通过截断台词来满足时长。 Qwen3-TTS 负责合成，独立 Qwen3-ASR 核对音频；ASR 不接收参考台词。对超时或未通过检查的候选进行有限修复，保留失败原因和原始候选。 资产按内容指纹与 SHA256 复核。已有四句对白的真实实验中，仅修改一句时新增一次合成、复用另外三句。 可先试听真实输出，再阅读制作过程。适合学习语音模型接入、时间约束、增量缓存及模型进程隔离。 项目目前是个人工程原型。ASR/时长约束通过不等于人工听感或逐字正确，没有人工 MOS、情绪控制准确率或商业上线数据。 项目关系说明 项目维护者自荐，使用 AI 辅助开发。源码为 MIT；模型与第三方依赖的来源、使用条件另见仓库 THIRDPARTY.md。

语言PythonDT研究与学习DT生活与娱乐原始text-to-speech
HelloGitHub 投稿
0

Hindsight：一个 Rust 开发的轻量、优雅的跨平台的 PC 版 IOS 屏幕使用时间

Hindsight 是一个开源、轻量、优雅的电脑活动记录工具，目前支持 macOS 和 Windows。 主要功能： 基础功能：自动记录前台应用、窗口标题和浏览器里的网站域名。 AI 日报、周报：用本地模型或你填写的云端 API，按时段把一天的活动写成日报。 AI 对话：可以直接问「这个月我在某个项目上花了多久」，AI 根据你的活动记录回答。 多设备汇总：可以用自己的 Google Drive 或 WebDAV（如坚果云）同步，方便统计跨设备的工作情况。 插件生态：目前支持开发者开发根据自己的需求开发有意思插件，做出比如像 Forest 之类的时间管理神器，并且可以在社区内贡献：插件市场。 主题生态：可以定制自己喜欢的界面配色、明暗和页面布局。 极致的优化：由 Rust 撰写，关闭 OCR 的情况下内存占用在 50MB 以下：资源占用。 更多详情烦请移步：GitHub 视频

语言PythonDT软件开发DTWeb 应用DTSkill / 插件
科技爱好者周刊投稿
2

WHartTest：AI 驱动的测试自动化平台，上传需求文档自动生成功能/接口/UI 测试用例

测试同学大概都熟悉这个场景：需求文档一到手，就得人肉把 PRD 一条条翻译成用例表；好不容易写完，接口/UI 自动化脚本又因为一次改版全部失效。我们被这件事折磨了太多年，干脆把整条链路 AI 化做成了平台，今天自荐给大家——WHartTest。 它是一个可自部署的 AI 测试自动化平台（协议为自定义，见仓库 LICENSE），基于 Django + Vue 前后端分离，GitHub 目前 1.1k star。 它主要做三件事： 功能用例：上传需求文档（支持在线编辑），AI 结合知识库上下文生成完整用例（前置/步骤/预期），列表 + 思维导图双视图管理 接口自动化：根据接口定义自动生成请求步骤、断言、变量提取与前后置脚本；失败后 AI 读日志和响应定位问题，给出修复方案 UI 自动化：AI 生成页面操作步骤与元素定位，执行时采集日志/截图/视频/Trace，定位失效自动给修复建议 底座是 LangChain/LangGraph 多轮编排 + RAG 知识库（文档分块/向量化/重排）+ MCP 工具调用，另有一个 Skills 技能库，可以装 Playwright 技能让 AI 真正操作浏览器。

语言PythonDT数据与运维DT软件开发原始ai-test-platform
科技爱好者周刊投稿
1077

FactoryFlow（交有数）：小工厂的订单、分批送货与对账工具

我平时做制造贸易相关业务，要接订单、安排送货、月底对账。借助 AI 编程工具，我把这些流程做成了 FactoryFlow（交有数），现以 MIT 许可证开源，提供 Windows 开发者预览版。 GitHub 、说明和演示 · Windows 预览版下载 目前围绕三个环节： 录单：可以从第一张订单开始，客户和物料资料逐步整理；图片、PDF 的本地 OCR 结果需要人工核对后确认。 分批送货：按订单行记录已交、待交和各自单位。送货录错可以作废，恢复待交数量并保留原记录。 对账：记录客户反馈、部分认可、本期正式结算和跨月承接，保留历史凭证。 数据保存在本机，核心业务与本地 OCR 可以离线运行。使用 React / TypeScript、Python / FastAPI 和 PostgreSQL；数量与金额采用精确小数，业务动作保留审计记录。 合成数据示例：120 件已交 30 件、剩 90 件；35.5 千克已交 10.25 千克、剩 25.25 千克。 当前公开包为 v0.1.0-preview.1，仅支持 Windows 10/11 x64、单机及人民币业务，尚不包含库存、付款、多币种和海外税务。代码、测试及文档有 AI 编程工具深度参与，我负责需求、业务规则和流程核对。 公开包完成过合成数据流程及备份恢复检查，仍不等于长期生产验证；OCR 可能漏行或识别错误。请在独立试用目录使用合成样例，不要放入唯一一份真实业务数据，预览版之间暂不保证直接沿用旧数据。 欢迎做过跟单、送货、对账或业务系统的朋友试用，指出缺少的业务情况和不顺手的操作。

语言PythonDT安全与测试DT软件开发原始erp
科技爱好者周刊投稿
2

Crew · 本地 Agent 工作台

围绕同一个项目组织上下文、编排 Codex／Claude 任务，并逐步验收结果。

语言PythonDTAgent 能力扩展DTAgent 管理与编排原始ai-agents
VibeCafé
1

jbiaojerry / ebook-treasure-chest

欢迎来到电子书下载宝库，一个汇聚了各类电子书下载链接的地方。无论你是喜欢阅读经典文学、经管励志、终身学习、职场创业、技术手册还是其他类型的书籍，这里都能满足你的需求。 该库涵盖了帆书app(原樊登读书)、微信读书、京东读书、喜马拉雅等读书app的大部分电子书。

语言PythonDT研究与学习DT内容 / 资源
GitHub Trending
2.3万

AKDesk Fixed：本地优先的固收研究工作台（作者自荐）

AKDesk Fixed 是一个本地优先的固收与宏观研究工作台，面向个人研究者和关注金融数据的开发者。它将资金利率、收益率曲线和国债期货的公开数据整理成带来源、时点和状态的一页简报，支持临时备注、Markdown 导出与打印/PDF。本地版还包含自选、信用观察、研究项目和专题复盘，主要适配 Apple Silicon Mac，界面以中文为主。 亮点 围绕具体任务组织功能：查看市场变化 → 回到收益率曲线核验 → 添加备注并导出一页简报。中国市场基础路径不需要 FRED 或 AI Key。 展示数据来源、观测和抓取时间，区分缓存、过期、演示及混合来源；缺失值保持为空，不用零代替，也不自动生成投资结论。 提供无需安装的在线体验和可复现 CLI 案例，帮助不熟悉固收业务的开发者理解金融数据如何转化为研究底稿。 自有代码采用 MIT 协议，技术栈为 React/TypeScript/Vite、FastAPI/Python 和 SQLite；研究资料保存在本机，没有使用遥测或追踪 SDK。 当前版本为 v1.1.0。在线演示使用固定的 2026-08-03 合成样例，不连接真实行情服务；本地完整版通过 AKShare 等数据源获取公开数据，不承诺交易所授权实时行情或机构级 SLA。MIT 许可不包含第三方行情数据的再分发权，产品不构成投资建议。

语言PythonDT研究与学习DT软件开发原始akshare
HelloGitHub 投稿
1

LLMSlim: long-term memory for AI coding agents

Project URL Category Python Project Title LLMSlim: long-term memory for AI coding agents Project An MCP server and Claude Code plugin that gives Claude Code, Cursor and other MCP clients long-term memory on your machine. Messages are stored word for word in local SQLite, and recall returns what answers a question with no LLM call. Highlights One line to install: claude mcp add llmslim -- llmslim mcp. Five tools: remember, recall, listmemories, forget, fitcontext. Messages are stored word for word; nothing is rewritten by a model. MIT licensed, on the official MCP Registry. Example Code markdown pip install "llmslim[mcp]" claude mcp add llmslim -- llmslim mcp or Videos

原文
语言PythonDT软件开发DTAgent 能力扩展原始agent-memory
HelloGitHub 投稿
21

Sonovect：本地录音与视频音轨转写服务

我是 Sonovect 的维护者，想推荐刚发布的 v0.1.0。项目将 Qwen3-ASR／FunASR 组装为本地 ASR（自动语音识别）服务，输出兼容 FunASR 的结构化结果、文字和字幕，可另选环境音分析。常用部署为 2～3 个容器，提供网络接口、命令行、MCP（模型上下文协议）与智能体技能。 仓库附中英文说明、全部配置选项，以及保留日期、样本和硬件配置的本地／云端同素材测试。这些测试展示了本地方案在所测素材上的可比识别质量，不代表所有内容或配置的全面排名。 当前部署面向 Linux amd64（常见 Intel／AMD 64 位主机）的文件任务，容器本地构建、权重按需下载，准备完成后识别在本地运行。视频处理音轨，不分析画面；中文情绪分析仍为实验功能。 项目与使用说明 v0.1.0 发行 如果适合周刊的开源工具栏目，欢迎考虑收录。也欢迎使用者分享所用硬件、部署路线和首次任务遇到的问题。 本投稿由 AI 辅助整理。

语言PythonDT数据与运维DT软件开发原始ai-agent
科技爱好者周刊投稿
1

Paper Translator v3：面向老扫描学术论文的中文翻译与重排

Paper Translator v3 是一个将英文扫描版/原生文字版学术论文翻译并重新排成中文 PDF 的实验项目。目前主要使用量化金融、计量经济学论文验证，希望帮助仍在阅读老扫描论文的研究者。 特点 视觉模型读取原文、公式和阅读顺序，版面检测器与文字层只提供几何信息，再进行中文重排。 公式经 LaTeX 编译为矢量内容；图表保留原图，指定保留英文的区域不强制翻译。 检查翻译时数学变量是否丢失、是否有文字压图、空白页或未还原的占位符；有问题的数学翻译缓存可按段重译。 验证与适用边界 当前完成三篇共 56 页的重建验证和 11 项回归测试，另有本机 pdf2zh 1.9.11 的有限样本对照；这不代表全文语义准确，也不代表优于最新 pdf2zh/BabelDOC。 项目采用 MIT 许可证，代码开源。运行需要 Python、LaTeX、检测器权重和使用者自己的模型 API，API 费用由服务商收取。当前更适合愿意配置环境、希望检查与改进论文翻译流程的读者。 对照与已知限制： 欢迎试用，尤其希望收到扫描论文、公式或复杂版面的失败样本及安装反馈。感谢考虑收录。

语言PythonDT研究与学习DT软件开发原始chinese-translation
科技爱好者周刊投稿
1

CATT 0.2.1: Test agents/services against a Muse/Instinct-alike, in CI

Hey HN, we recently open sourced our Consumer Agent Testing Tool to help teams iterate against proprietary assistants like Muse and Instinct. We built this to reduce our own frustrations with building an MCP/API for these agents to consume. The problem: testing against these tools is hard! Agent memory + account statefulness make reproducibility, in the ways required for repeatable/reliable outcomes, between agents and the APIs/MCPs they interact with very challenging. The solution: CATT lets devs test their services against a surrogate Muse or Instinct agent (not affiliated with either of these companies). Testers define starting conditions, approvals, and success conditions for their service's state. CATT then records the full interaction (incl. tool calls, responses) so it can diff what happened from what the agent reports. Runs can be tested in local builds or via CI, with or without LLM backing. CATT is designed to emulate the important parts of personal assistant interactions. Its got: - Tool calls and command-line tool access - Simulated approvals for service actions - Outcomes tracking and comparison - Optional MCP profile based on an unofficial Muse template There are limitations to how much we know about different assistant specific behaviors so the tool labels its assumptions as `documented`, `unofficial`, `assumed` or `unknown` for developer review. We'll do our best to keep the tool updated as new insights about the internal workings of these assistants come to light. It is an area of active research and interest, a good example is this recent report on how Instinct uses Exa for web search [0]. Are you building a connector or MCP? If yes, we'd like to hear from you! Have you had assistants behave incoherently, use stale information, or procalim success without evidence? What else should we add tests for? The best way to get started is...to point your coding assistant at the and ask it to integrate the tool with your CI or local testing pipeline! Hope it's helpful! [0]: https://www.sunbeam.ai/thoughts/instinct-is-using-exa-for-we...

原文
语言PythonDT研究与学习DT软件开发DTAgent 能力扩展
Show HN
12

Making a smart TV dumb and then smart

A recent (unwanted) webOS update that got installed on TV prompted me to start going down the rabbit hole of writing new TV software. After a couple of weekends and massive help from 4 different models, finally managed to get v1 working. My daughter enjoys navigating TV through speech while I get to browse on the biggest screen at home. While all of the code was written by ML models, there were decisions I had to help with. In specific: using WebRTC to cut down latency, repurposing vendor logic for buffering voice samples and designing user experience. It was liberating to finally free the TV of bloatware and make it truly personalized!

原文
语言Python
Show HN
46

fastapi / fastapi

FastAPI framework, high performance, easy to learn, fast to code, ready for production

原文
语言PythonDT库 / SDK
GitHub Trending
10.4万

FridayOS 1.0：用六脑分工搭建本地 AI 第二大脑，附 Obsidian 示例与离线蓝图

大家好，我是 Owen Teng，FridayOS 的参与者。这次想自荐一个开源的个人知识管理实践：FridayOS 1.0。 这个项目想解决的问题是：原始资料、正在推进的任务、已经形成的认识和可复用的方法容易混在一起。项目用“六脑方法”把它们分工，再通过来源与反馈联系起来： | 区域 | 负责什么 | |---|---| | inbox | 接住新材料与想法 | | exec | 记录目标、进展和下一步 | | wiki | 积累有来源、可复用的知识 | | skills | 保存经过检验的重复做法 | | raw | 保留原始依据 | | system | 写清规则与 AI 的操作边界 | 这次公开的材料包括： 完整离线蓝图部署包：生成 Markdown 目录、规则与空白模板，支持预览、创建和检查。 可在 Obsidian 打开的中文虚构公司示例，附 11 个练习提示词。 中英文方法与部署教程，代码采用 MIT 许可。 中文介绍 · 部署步骤和下载入口 蓝图部署只需 Python 3.9+，下载后可离线运行；AI 模型和插件需要另行配置。当前部署验收基于 Windows，其他系统、AI 接入和真实使用成效仍需单独验证。“六脑”是组织知识的设计类比，不是脑科学效果主张。 希望它能帮助正在尝试本地知识库或 AI 第二大脑的读者。也欢迎反馈：从下载到第一次整理材料，哪一步最难理解？

语言PythonDT研究与学习DT数据与运维原始ai
科技爱好者周刊投稿
878

一剪即发：自动剪辑与多平台多账号发布（自荐）

一剪即发是面向工厂、商家和个人创作者的桌面视频制作与发布工具。导入自有素材和文案，配置配音、字幕、音乐及发布时间后，可自动混剪并向抖音、快手、视频号和B站提交发布安排，同一平台可管理多个账号。它把素材整理、重复剪辑和逐平台上传串成一条流程，帮助减少重复操作。自研代码采用MIT许可，软件和系统配音免费，云配音可选收费。 亮点 把“素材和文案→混剪制作→多平台发布安排”接成一个桌面流程，面向产品视频素材积压、没空逐条剪辑、多个账号重复上传的日常需求。 可调整配音、字幕、背景音乐和画面，设置开始日期、发布天数、每天条数和时间间隔；需要平台登录或验证时会提示处理。 基于 Python、FFmpeg 和 Playwright，适合学习本地视频合成、桌面界面与浏览器发布自动化的衔接。 自研代码以 MIT 公开；软件和系统配音免费，云配音是可选收费服务，不使用云配音也能使用本地功能。 当前公开源码版本为 0.1.42，仓库提供快速开始和配置说明；已有 Windows 便携版及教程见飞书页面，页面当前下载版本为 0.1.41。平台审核和验证限制仍然适用。

语言PythonDT内容创作DT研究与学习DT内容 / 资源
HelloGitHub 投稿
0

Candle Audit Kit：离线检查 OKX K 线缺漏、重复与 CSV/JSON 一致性

免安装合成报告预览： 维护者自荐。Candle Audit Kit 是一个 MIT 许可的 Python 本机命令行工具，面向研究人员与数据工程师，在研究或回测前检查本地 OKX OHLCV 输入。 主要功能： 检查 K 线缺漏、重复、时间窗口、已收盘状态和数量单位。 将 CSV 与原始原生 JSON 响应逐字段对账，保留原始十进制字符串。 保存不可变数据快照、Parquet 数据和来源哈希，并生成中英文 HTML 报告与 JSON 证据。 可以先直接打开预览，查看固定的合成样例；预览没有文件上传功能。实际稽核在本机运行。安装当前源码后，可以使用 candle-audit --root data/demo --language en 复现英文示例。 项目仍属预发布阶段，支持 CPython 3.11–3.14、macOS/Linux。示例数据全部是合成的，不连接交易账户、不执行交易。一致性检查通过并不能证明文件来自真实交易所，也不代表收益或投资建议。

语言PythonDT安全与测试DT研究与学习原始data-quality
科技爱好者周刊投稿
1

futu_algo：基于富途 OpenAPI 的港股量化交易系统，回测和模拟盘逐笔一致

自荐一个开源的港股量化交易系统，futualgo，基于富途 OpenAPI。 项目 2020 年写的，攒了 600 多个 star。今年翻出来一看，新装的环境根本跑不起来（futu-api 删了 OpenHKTradeContext），实盘遇到第一个卖出信号就崩，持仓平不掉，有个策略因为拿一根 K 线跟它自己比，永远不会交易。所以干脆整个重写了，刚发了 2.1.0。 现在的版本： K 线本地缓存，自动翻过富途单页 1000 根的限制，不超频率和历史额度；任意分钟周期按交易时段合成，不跨午休。 指标按通达信的算法实现，公式可以逐行搬过来；每次回测自动检查未来函数。 回测按下一根开盘价、整手成交，印花税和交易征费按成交当天适用的费率算，滑点按港交所价位表，基准是恒生指数。 模拟盘吃 OpenD 实时推送的 K 线，跟回测用同一份策略代码。测试会拿真实的一分钟 K 线同时跑回测和实盘引擎，要求每一笔成交、每一笔费用和最终资金完全一致。 自带网页控制台，不需要富途账户也能用 futu-algo web --demo 在模拟行情里体验。 Python 3.11+，Apache-2.0。

语言PythonDT商业与增长DT软件开发原始collaborate
科技爱好者周刊投稿
609

MemT 1.0：Towards Memory-Native Evolution（288B）

我们推出并开源了记忆原生基础模型 MemT 1.0，探索让“记住、更新、调用经验”成为模型可以学习的能力，这是我们的 GitHub 开源链接： ，欢迎老师体验～ 模型创新点 我们在 Transformer 的部分模块中加入原生记忆模块，让模型通过内部记忆状态保留和使用历史信息。每轮交互时，模型读取已有记忆；交互结束后，再将输入与回答写入记忆，供后续使用。这个过程中，模型权重保持固定，更新的是各条交互轨迹独立维护的记忆状态。也就是说，在后续相关任务中，模型可以利用此前写入的信息，无需再次把历史原文放进当前上下文。 模型具体表现 本次开源包含 Flash 和 Nano 两款模型，总参数量分别为 288B、36B，激活参数量分别为 17B、3B。在查询时不提供历史原文的条件下，两款模型在 11 项记忆基准上的平均得分分别为 50.6、47.0，位列本次评估的参数化记忆方法第一、第二。同时，我们也在 Coding Agent 中探索了经验的使用：将检索到的操作经验写入内部记忆，帮助模型完成后续任务。

语言PythonDT研究与学习DT软件开发原始ai-agents
科技爱好者周刊投稿
334

Clover: the last mile of the paper

大模型和智能体让研究者从想法到实验快了很多，投稿量随之增长。投稿前最后一步是学术诚信核对：文献是否真实，引用是否引对，有没有错别字，这一步仍靠手工。Clover 用 AI把已自动化。 Clover 是 macOS 桌面应用，面向准备投稿的研究生和青年学者。拖入一篇英文 docx 论文，即可完成投稿前的整套核对。创新点是识别引错的文献：读取被引文献的摘要和开放全文，判断它是否真的支持正文中这句话，找出张冠李戴和只部分支持引用，并附原文证据。证据必须逐字可查，查不到就标为无法判断。同时到 Crossref、OpenAlex、Semantic Scholar 和 arXiv 核对文献是否真实、信息是否一致，检查错别字、未引用文献和引用堆砌，并可对照目标会议论文给出定位。结果一键导出为Word，问题写成批注，错别字写成修订。全文在本机解析，一次检查约 0.19元。体验：jackielyu.is-a.dev/clover github.com/may3rr/clover。

语言PythonDT研究与学习DT商业与增长DT垂直 Agent
VibeCafé
0

PredixLab Signals：带防泄漏测试的美股量化信号研究流程

这是一个用 Python 写的美股日线信号研究工具：用标普 500、纳斯达克 100 成分股的历史数据构建特征和标签，用带清除间隔和隔离期的 walk-forward 方式训练 LightGBM 模型，再基于样本外预测做评估、回测和报告。适合想系统学习"量化回测怎么避免偷看未来"的开发者。 亮点 防泄漏写进了测试：追加未来数据后历史特征和事件不能变、标签不含信号当天、清除间隔覆盖标签周期、Pivot 回测必须在信号次日入场，uv run pytest -q 就能跑。 信号绝不按产生它的那个收盘价成交（Pivot 次日开盘、AlphaRank 次日收盘），买卖各扣 10 个基点成本，同一天既碰到止盈又碰到止损时按先止损处理。 局限写在明处：历史成分股名单不完整、已退市公司大多缺失，价格大多不含分红，回测里有几处偏乐观的成交简化，文档里逐条列出。 研究与生产分离：训练只产出候选模型，必须人工批准才能上线，不会自动替换。 文档完整：数据格式、特征与标签、训练、评估回测、局限性各有一篇说明。 首个 release： 说明：项目输出仅用于研究和工程验证，不构成投资建议。行情数据与模型文件不在 Apache-2.0 代码许可范围内。

语言PythonDT研究与学习DT商业与增长原始backtesting
HelloGitHub 投稿
0

人教版小学数学知识图谱：3D 可点开讲解

人教版小学一到六年级数学约376个知识点做成开源3D图谱，悬停中文名、点击看讲解结构，方便备课看全貌和找前置。国内可打开： 亮点 对中国教材知识点做了可交互图谱；国内有网页演示；免费开源不承诺提分

语言PythonDTWeb 应用DTWeb
HelloGitHub 投稿
0

OpenWrt / VPS 网络排障工具箱：新手诊断入口与真实案例

你好，自荐一个采用 MIT 许可证的开源项目：OpenWrt / VPS 网络诊断工具箱。 它来自我们排查“Wi-Fi 能连，网站却打不开”“下载有速度，任务仍然超时”“负载下响应变慢”的实际过程。最近精简了首页，补上新手诊断入口和结果示例，希望让第一次排查网络问题的人先看懂报告，再决定查哪一层。 项目首页 新手诊断入口 结果示例 真实案例索引 新手可以先做什么 安装 Python 3.10+ 后，运行 python3 tools/quick-check.py，默认只显示离线合成演示，不联网，也不用提供路由器密码或服务器账号。 明确加上 --execute 后，才使用 curl 8.4+ 执行最多三次 IPv4 HTTPS 轻量请求，每次最多五秒、响应体预算 64 KiB，默认不下载测速文件，不自动修改网络配置。当前指南面向 macOS / Linux。 中文报告和 JSON 来自同一份结果，分别记录完整、失败和未开始次数。部分下载不会算成成功吞吐；入门报告不输出真实地址、接口名、凭据、响应正文或原始错误。 两个真实的脱敏排障案例 1. 下载收到约 97.6%，仍然记录为失败。 一笔固定 10 MiB 对象请求获得 HTTP 200、收到大部分数据，却没在 20 秒预算内完整结束，照样记为部分超时。后续原配置短测完成，只记录“本轮未复现”，没有宣称旧问题修复。下载超时复查 2. 某个目标更快，另一目标性能复核未通过，最终回滚。 一项接收缓存候选让部分下载变快，但另一固定对象的重复测试未达到预设性能保留门槛，因此恢复原值。另一目标在两种条件下都完整下载，未通过的是性能门槛；正向、负向结果和回滚决定全部保留。缓存实验与恢复记录 进阶资料还包括只读采集、受时间和流量预算约束的固定对象上下行测试、单项实验卡、验收与回滚，以及交给其他 Agent 接手的提示词。 小请求通过不代表带宽上限、指定代理节点或手机直播稳定性已经验收；每个环境仍需建立自己的基线。欢迎反馈可复现的工具问题和脱敏测量结果。 说明：作者自荐，投稿文字由 AI 助手协助整理；案例事实已按公开记录核对。

语言PythonDT数据与运维DT软件开发原始bbr
科技爱好者周刊投稿
1

Shift：每周 AI 新闻精选目录，一句话摘要直达官方原始来源

我是这个项目的维护者（自荐）。Shift 按 ISO 周整理 AI 与大模型动态，每条只有一句话摘要、官方原始来源链接和 Shift 详情页链接，不搬运全文。仓库提供 Python 脚本，可从公开 JSON Feed 生成周报，内容采用 CC BY 4.0。适合想快速了解每周 AI 动态、又想自己核对一手来源的开发者。 亮点 坚持一手来源：每条都附官方博客或文档链接，厂商数据明确标注为厂商自述 中英双语，按周归档（目前已回填 2026-W17 ~ W43） 附公开 JSON 数据源（ 自有格式），可用仓库脚本生成周报，脚本也支持任意 jsonfeed.org 源

语言PythonDT软件开发DT内容 / 资源原始ai
HelloGitHub 投稿
1

开源项目"体检"工具，缺什么文件一键生成

ossdoctor 是一个零依赖的命令行工具，可以离线检查仓库的 README、LICENSE、贡献指南、安全策略、Issue 模板、CI、Dependabot 等 18 项内容，打出 0-100 分，并通过 ossdoctor fix 自动生成缺失的文件（不会覆盖已有文件）。同时提供 GitHub Action，可以把检查放进 CI。 亮点 完全离线、零依赖，本地和 CI 结果一致 不只报告问题，还能按技术栈生成 Dependabot、.gitignore 等文件 支持 Markdown/JSON 输出和分数门槛

语言PythonDT命令行工具DT终端
HelloGitHub 投稿
2

Agentail：Linux 上的 AI 编程 agent 状态灵动岛

目前 agent 的状态工具大多基于 macOS 的刘海，而Agentail 是为 Linux 桌面做的，也支持 SSH 上去的服务器。GNOME 顶栏上有一个小胶囊，显示每个 agent 在做什么。有 agent 等你授权时，胶囊会变成橙色，并显示是哪个项目。点开后每个会话一张卡片，写着在哪台机器、哪个项目、正在做什么。 主要特点： 支持服务器和本地：远程会话通过 ssh -R 隧道传回桌面，在面板里点两下就能添加服务器，服务器上只多一个很小的 hook 脚本。 不影响 agent 工作：hook 发出一条消息就退出。桌面端没在监听时，它立刻返回，不会卡住工具调用，也不会让它失败。 额度一目了然：Claude Code 的 5 小时和每周额度、Codex 的额度，以及各自的重置时间。 本地运行：不用注册账号，没有云服务，也没有遥测。 即开即用：sudo apt install ./agentail0.0.5.deb，重新登录一次，hook、后台服务和面板都会自动配置好。修改 agent 配置文件时只做合并，改之前会先备份，卸载后恢复原样。 支持 Claude Code、Codex CLI 和 Qoder，已在 Ubuntu 24.04 / GNOME 46 上测试（X11 和 Wayland）。非 GNOME 桌面可以用托盘版（agentail ui）。MIT 协议。

语言PythonDT软件开发DTAgent 能力扩展DTAgent 可观测性
科技爱好者周刊投稿
0

做了个不用写提示词、会学习喜好的本地 AI 生图应用

我自己用 AI 生图，很多时候就是想看看好看的图片，找找灵感。 但写提示词确实有点太麻烦了。随便抽几个词，搭配容易冲突、构图容易翻车；固定一套提示词，只换种子，出几张还挺开心，看久了又腻了。自己慢慢改吧，又嫌麻烦。所以 ComfyUI 就一直在吃灰。 最近我突然想到，能不能整一个 AI 生图 Feed 流，我只管看，然后标注喜欢的图片，它根据我的反馈来更好地生成满足我喜好的图片？ 所以我做了 Pictide ，中文叫画流。 它会参考内置的 Danbooru 词库标签之间的搭配关系，自动组合提示词，再交给模型生图。你边看边点喜欢、不喜欢，它会学习这些反馈，用来生成更符合你偏好的图片。 想保留图片中某个喜欢的元素，也可以手动固定下来，让其他部分继续变化。 提示词组合、偏好学习和推荐都在本地跑，图片和偏好记录也存在本地。生图可以接 ComfyUI ，目前适合支持 Danbooru 标签的模型。 ，下载和使用说明也在里面：[Github]( ) 介绍视频：[Bilibili]( ) 感兴趣可以玩玩，欢迎讨论。

DT研究与学习
V2EX·分享创造
—

Agent Workflow Skills：让 AI 沿用老项目规范，逐项交付改动

我是 Agent Workflow Skills 的作者，想自荐一套面向编程智能体的开源开发工作流。 项目：suntianhu/agent-workflow-skills 现已收录至 skills.sh，可按分类浏览全部 29 个技能。 它关注已有项目的持续维护：新页面怎样接住原规范，多个小改怎样控制范围，迁移时怎样交代旧业务的去向。当前有 29 个技能、9 套条件组合，我重点整理了三件事： 沿用已有规则： 核对代码基线与后续差异，继续使用原规范入口；新页面继承字体、主题、组件和交互习惯。 改动逐项验收： 每处改动对应需求或必要依赖，修 bug 同时核对受影响的正常行为，按任务选择验证方式。 迁移保留业务： 建立旧接口、数据、定时任务和回调的保留映射，交代共存、执行权交接与恢复条件。 仓库有一个虚构老项目新增领用页、再增加筛选的执行案例，记录了原规范、主题和旧工单流程的延续。原创内容采用 MIT 许可，README 提供六种语言，技能正文和详细指南目前为中文。使用时可先让智能体读取所需 SKILL.md；具体宿主加载与验证范围在文档中列明。 中文介绍与快速开始 · 实际执行记录 希望对正在用 AI 维护已有项目的读者有帮助，欢迎试用反馈。

语言PythonDT软件开发DTAgent 能力扩展原始agent-skillsai-agents
科技爱好者周刊投稿
2