##YC创始人开源gbrain，召回md 项目地址：https://github.com/garrytan/gbrain

项目地址：https://github.com/garrytan/gbrain（MIT协议开源）

Linux/macOS用户在终端执行curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash，然后运行hermes setup配置API密钥。Windows用户可用PowerShell执行安装脚本。

https://github.com/shanraisshan/claude-code-best-practice

论文标题AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents论文地址https://arxiv.org/pdf/2603.16496作者背景清华大学、微信、中国科学技术大学

AI 迎来真正记忆与逻辑！国产 Agent 大脑正式开源 https://github.com/lewislulu/llm-wiki-skill

CodeBrain-1开源地址：https://github.com/feelingai-team/CodeBrain。MemBrain1.5目前未公开开源，建议关注Feeling AI官网或官方社交媒体获取后续更新。

它打破了云端收费限制，将语音识别和智能润色完美结合在了一起。

Github 5个自我进化记忆性Agent屠榜了 01 hermes-agent 通过动态patch机制让AI伴随你成长，彻底解决Agent“转头就忘”的痛点。 GITHUB.COM/NOUSRESEARCH/HERMES-AGENT 24h新增8800星！它直接自己长脑子了，醒来发现AI比你记性还好。 02 TradingAgents 多Agent模拟完整交易公司。研究员挖数据、风控喊停，干掉单兵作战的血亏风险。 GITHUB.COM/TAURICRESEARCH/TRADINGAGENTS 一个人操盘像赌狗，这个军团直接开董事会吵架决策。程序员终于能甩锅了。 03 AI-Scientist-v2 全自动科研Agent。从提假设、跑实验到写论文一条龙，一个人顶10人实验室。 GITHUB.COM/SAKANAAI/AI-SCIENTIST-V2 以前发论文肝到秃头，现在AI组队科研。实验室老板沉默，PhD流泪。 04 agent-framework 微软官方出品。支持Python/.NET，一键搭建生产级工作流，告别LangChain胶水代码。 GITHUB.COM/MICROSOFT/AGENT-FRAMEWORK 搭复杂Agent不再需要三天三夜。大厂程序员狂喜：终于能摸鱼了！ 05 goose 开源可扩展 AI Agent。超越代码补全，能自主执行、测试任务，程序员的终极“懒人外挂”。 GITHUB.COM/BLOCK/GOOSE 你敲键盘到手抽筋，它跑完完整流程。程序员集体高呼：“这才是我想要的AI老婆！” EXECUTIVE SUMMARY 这 5 个项目组成了一个能长大、会吵架、干重活的超级军团。AI 不再是工具，而是你的创业+科研全栈合伙人。

无法用于GitHub Copilot。两者属于不同公司的产品体系，插件系统不互通。

项目地址：https://github.com/thedottrack/claude-mem

在支持skills的AI编程工具（如Cursor, Copilot, Claude Code等）中，可通过命令行一键安装。 在真实的Claude API上对10个编程相关任务进行测试。 输出Token节省：在10个任务中，节省范围在「22%–87%」之间，平均节省高达「65%」。 初步测试显示，在保持技术准确性的前提下，输出Token减少约「75%」。 输入Token节省：通过压缩记忆文件，每次会话的输入Token可减少约「45%」。 #claude#agent#skill#vibecoding

GitHub地址：https://github.com/JuliusBrussee/caveman
安装命令：npx skills add JuliusBrussee/caveman
三档压缩强度，最高省87% token

Apache 2.0许可。核心特点是CPU环境下每秒处理100页PDF，精准还原复杂布局、表格和嵌套结构。工作原理结合了MORAN（多目标校正注意力网络）等技术，通过多对象校正网络处理不规则文本。支持Python(pypi)、Java(maven)、Node.js(npm)调用，v2.2.1版本已在GitHub Trending登顶。使用时只需安装对应SDK，调用convert方法即可完成高质量文档转换，适合AI数据预处理场景。

OpenDataLoader的GitHub仓库是opengataloader-project/opendataloader，搜索该项目名即可找到源码。

让AI理解代码间隐性关联；二是通过本地AST解析将Token消耗直降71.5倍。安装只需执行：pip install graphifyy && graphify install。适配OpenClaw需补充命令：graphify install --platform claw。完整文档和源码详见GitHub：https://github.com/safishamsi/graphify

GitHub星标超31.9K。它通过可视化拖拽编排工作流，让AI自动扮演CEO、程序员等角色，完成需求讨论、编码到测试的全流程开发。搭配Claude 3.5 Sonnet使用逻辑更严谨，代码质量显著提升。项目地址：https://github.com/OpenBMB/ChatDev

三步上手：①pip install mempalace安装；②mempalace init ~/MyPalace初始化；③导入聊天记录就能智能检索。所有数据本地存储，隐私无忧。详细指南→github.com/milla-jovovich/mempalace

Gemma 4则在参数效率和多模态支持上更优，移动端表现突出。选哪个取决于你的具体场景。

https://mp.weixin.qq.com/s/VfwaFFI_-xTwYW6NWlOJHA

https://mp.weixin.qq.com/s/CwbkPJ5AQO_YTFdu-rrNaw

只是完全省略礼貌表达，可能影响某些场景的沟通。

安装命令显示项目路径为 GitHub.com/JuliusBrussee/caveman，可以直接访问试试。

drive-escape.pomorialy.com， GitHub仓库为 qiaoshouqing/drive-escape。

提供单文件AI记忆层，无需向量数据库。它提升35%记忆准确率，多跳推理能力领先行业76%，检索延迟仅0.025毫秒，大幅简化AI Agent开发流程。

https://github.com/microsoft/RD-Agent

https://github.com/EverMind-AI/MSAInference。这是他们刚发布的支持1亿Token上下文的记忆稀疏注意力技术代码库。

人类一生的功能性记忆容量约109 bits，換算成 Token 大约是2到3亿。而当前主流长文本模型的有效上下文上限仅1MToken，差了整整两三个数量级。 业务场景越来越极端：十年代码库、数百本小说、数字人终生对话——全塞给大模型，让它拥有“终生记忆”。现有三大技术流派面对这个天文数字，各有各的死穴。 参数化记忆（LORA/CPT） 精度高但灾难性遗忘，无法动态修 改；外部存储记忆（RAG）扩展性无敌但检索与生成割裂，精度有天花板；隐状态记忆要么压缩损失严重（线性注意力），要么算力内存直接爆炸（全量 KV Cache）。

Harness是包裹在AI模型外围的基础设施与规则系统，如同"马具"约束引导"烈马"般的AI模型。它包含六大核心组件：工具集成、状态管理、动态上下文、任务规划、安全护栏和可插拔扩展，让AI在卡顿时能自动识别问题并修复，而非简单重试。这意味着工程师重心正从写代码转向设计安全可控的运行环境。未来竞争力不在于模型强度，而在于你为AI打造的"马具"可靠性。

工程部有前端开发者、后端架构师；设计部含UI设计师、图像提示工程师；市场部覆盖增长黑客、小红书专家；还有销售部、产品部等。每个agent专注特定领域，能24小时协作完成开发、设计到推广全流程。具体可在GitHub搜索msitarzewski/agency-agents查看完整清单。

GitHub地址：https://github.com/HKUDS/OpenHarness。四天斩获4000+星标的速度，足以证明这个AI驯兽师工具包正在掀起新一轮开发热潮。

先建raw库收纳原始资料，再用AI编译成结构化wiki，在Obsidian中持续迭代，让散乱信息逐步生长为可研究的系统，适用于投资分析、读书笔记等多种场景。

它能将网页上的 AI 服务（如 GPT、Gemini、豆包等）一键转换为 OpenAI 兼容的 API 接口，让你无需 API 密钥即可免费使用顶级 AI 模型。

项目地址：https://github.com/foxhui/WebAI2API

这不是模仿zero-token那个项目么……

1. 通过pip install hindsight-litellm或npm install hindsight-js安装SDK；2. 初始化时用wrap_openai包装LLM客户端；3. 调用API时自动关联用户记忆。关键参数包括userId隔离记忆域、metadata过滤条件设置。完整配置示例和环境变量说明详见GitHub文档的Integration Guide章节。

实时显示模型、Git、Token等开发数据；hub是GitHub命令行工具，用来管理仓库和PR。一个管界面信息展示，一个管代码托管操作，根本不在同一赛道上干活。

一行命令搞定：npx -y ccstatusline@latest，这是视频中提到的安装方式。

用自然语言就能生成架构图、流程图，支持文档转图表和动画效果，程序员、学生都能用，完全免费开源。

视频中的开源项目链接：https://github.com/linuxhsj/openclaw-zero-token。无需API Key，通过浏览器登录即可免费调用ChatGPT、Claude等主流AI模型。

1、把任何地方读到的文章🔗、pdf文件简单存入Obsidian（最好用的笔记类app） 2、AI 自动提取成md文件并保存，识别概念、建立关联 3、Obsidian 里的知识图谱就自己长出来了

包比🦞实用，一个月5块走token足够了。

最爽的功能是问答—— "帮我分析一下我知识库里关于泡沫周期的观点"它会翻你存的所有文章来回答！

代码已开源，有兴趣的来玩👇 github.com/solinl666/obsidian-kb

让我们一起紧#拥抱时代的最大斜率

AI时代重构职业画像后必备的6种编程方法。以下是精简对比：

1. Vibe Coding：靠清晰表达需求驱动AI写代码，适合快速验证小工具。优势是门槛低，劣势是项目扩大易失控。

2. Agentic Engineering：先设计方案再交AI执行并验收，是Vibe Coding的企业级升级版。适合大型项目，但前期规划成本较高。

3. Harness Engineering：通过约束机制让AI稳定运行，如同马具控制烈马。核心在上下文工程、架构约束和熵管理，适合高可靠性要求场景。

4. Ralph Wiggum Loop：AI按PRD循环执行直至完成，每轮清空上下文防断片。适合可拆解的大任务，需警惕无限循环风险。

5. BMAD Method：结构化Agent开发框架，各角色智能体协同工作。GitHub获数万star，适合全流程开发团队。

6. Spec-Driven Development：先制定"项目宪法"级规范文档再编码。对需求复杂、质量要求高的团队最有效，前期投入大但长期收益显著。

掌握这些模式的应用场景与边界，才是AI时代的真正竞争力。

项目地址是：https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep

1. Composio：全能连接器，集成800多个外部工具
2. Tavily Web Search：AI专用搜索，评价最高
3. Playwright-MCP：网页执行官，动作类最强
4. Self-Improving：自进化逻辑，能自我反思改进

三个插件全称：1. ECC - 事件中心规格化代码生成器 2. GSD - Get Shit Done（高效任务管理工具）3. PWF - Planning With Files（文件规划插件）

由中国年轻团队开发，针对传统RAG仅做文本匹配、缺乏推理能力的短板。其核心是"倒锥图路由架构"，通过FacetPoint（原子断言）、Entity（命名事物）和Facet（截面维度）三层结构，实现多跳推理与跨文档关联。搭建方式有两种：1) Docker一键部署：克隆GitHub仓库后运行quickstart脚本；2) pip安装：使用pip install m_flow命令，并配置LLM API密钥。该方案在多项Benchmark测试中表现优异。 GitHub上搜mflow-ai/m_flow就能找到源码和文档，视频里提到的一键部署脚本也在里面。

https://github.com/allenai/OLMoE

https://github.com/instructkr/claude-code，claude官方github上多传了一个文件，被反编译了

MiniMax-Al/skills GitHub仓库的samples目录下提供了完整的Office文档生成样例，包括Word、Excel、PPT等各类效果演示，可直接查看运行效果。

源代码已开源，在GitHub的facebookresearch/HyperAgents仓库可查，Star数超700。项目处于实验阶段并标注安全警告，配套论文arXiv:2603.19461已被ICLR 2026接收。实验数据显示该框架在SWE-bench任务解决率从20%提升至50%，支持多模型API接入。

项目地址是：https://github.com/rasbt/LLM-from-scratch-book。这是Sebastian Raschka教授开源的《从零开始构建大型语言模型》配套代码库，包含完整教程和100万行核心实现。

像视频中的OpenSpace，AI出错自动修复、经验变技能，越用越聪明还省46%成本，这才是真正的'养成系'。

GitHub地址：https://github.com/HKUDS/openSpace

https://github.com/Donchitos/Claude-Code-Game-Studios/blob/main/.claude/agents/unity-ui-specialist.md

标准化实验接口：提供统一接口，AI Scientist只需提交一个.py文件（算法）和一个.yaml文件（超参），即可运行完整实验，屏蔽了所有底层工程细节。

分层与解耦设计：框架与任务管线解耦，支持新领域/新任务的持续集成。目前已覆盖「推荐系统、时间序列与图学习」3个领域，16个任务。

异构算力统一执行：通过可插拔执行器，统一调度从单机GPU到多节点HPC集群的算力，用户无需关心具体运行环境。

大规模并发与智能调度：支持多任务、多算法、多超参的高并发实验，并提供进度跟踪与可视化。系统能根据实验反馈自动淘汰表现不佳的算法，将算力集中在更有潜力的方向。

Alchemy已在GitHub开源：https://github.com/TsinghuaISE/Alchemy。该项目主要面向AI科研实验自动化设计，生产环境使用需结合具体场景评估工程适配性。

MIT开源可商用，独立开发者直接拥有顶配幕后团队。项目地址是：https://github.com/Donchitos/Claude-Code-Game-Studios

能还原地表设施但地下管道细节可能不足。特殊工业区域的复现效果有限，建议先小范围试用看看效果。

项目GitHub地址：https://github.com/louis-e/arnis

1. skill-vetter(安全审查) 2. find skills(发现安装) 3. tavily-search(联网搜索) 4. self-improving agent(自我进化) 5. summarize(概要总结) 6. agent browser(浏览器自动化) 7. nano-pdf(PDF处理) 8. humanizer(去AI化) 9. proactive agent(主动服务) 10. ontology(知识图谱)

MIT 博士 GPT 外加python脚本，就解决了 AI 生成游戏角色，一致性的问题。

姿势扭曲，画面乱闪，大小跳变，通通搞定。 一个人手搓出一支美术团队的活儿。

四步复刻关键词：1.角色特征锁定(头巾/长袍等) 2.1024画布四格布局 3.动作渐进描述 4.像素艺术限定+排除项

感觉不如麦琪 麦琪的花园 在一年半前就做到了

1. Skill Creator用于开发新技能；2. Agent-teams-playbook支持团队协作；3. Awesome-ai-agent提供全场景服务；4. Autoresearch助力智能研究；5. OpenClaw是AI智能体框架，能让AI操作电脑完成实际任务。

garrytan/gstack，OthmanAdi/planning-with-files，RefoundAI/lenny-skills

GitHub地址：https://github.com/jarrodwatts/claude-hud

https://alibaba.github.io/page-agent

GitHub地址：https://github.com/jrswab/axe。单文件12MB的设计确实清爽，值得开发者试试。

AI Agent 框架越做越重，这个项目反其道而行。

Axe——整个二进制只有 12MB，零依赖。核心理念是 Unix 哲学：每个 Agent 就是一个命令行工具，用管道自由组合。

三个亮点： · 单二进制 12MB，随处部署 · 管道组合，Agent 自由串联 · 原生流式输出，适配大模型

GitHub 上线一周 Star 破千，开发者社区好评如潮。

追新不盲从，实测出真知。

支持网页、社交媒体等九大平台实时搜索，完全免费且隐私安全，只需复制安装指令即可使用。

核心模式包括：CEO视角帮你重构需求本质，技术总控锁定架构边界，风险捕手揪出CI检测不到的生产隐患，浏览器实操让AI"亲眼"查看页面问题。每个角色专注特定环节，从设计审查到发版收口形成闭环。这已不只是编程工具，而是把软件开发全流程拆解为可调用的专业能力，真正实现"一人即团队"的工作流革新。

安装命令：pip install -U "mineru[core]"。基础用法：mineru -p 文档.pdf -o 结果.md即可转换PDF为Markdown。支持公式识别、表格提取等功能，官方文档地址：https://opendatalab.github.io/MinerU/zh/

复用浏览器登录状态避开反爬，一键拉取热榜评论并输出JSON/Markdown格式。项目地址：github.com/jackwener/opencli

项目地址是：https://github.com/jackwener/opencli

地址：github.com/public-apis/public-apis。该项目汇总了40多个领域的免费API接口，开发者可直接调用。

https://github.com/mrcing/CodeTopo.git

最近 Obsidian CEO Kepano 发布了一个新的 Agent Skill：Defuddle。

这个工具可以做一件很实用的事情： 输入一个 URL，自动提取网页正文，并转换成 Markdown 笔记。 最新版本还支持 YouTube 视频链接，可以直接抓取字幕并生成完整转录。

这篇笔记我整理了三部分内容： Defuddle Skill 的使用方法（Claude Code / OpenClaw） 命令行直接使用 Defuddle（更省 Token） 技术原理：网页正文提取 + YouTube 字幕抓取

如果你在做 AI Agent、知识管理、Obsidian 工作流，这个工具非常值得了解。 #Obsidian #Obsidian教程 #Claudian #AgentSkill #AIAgent #OpenClaw #ClaudeCode #AI

项目地址：https://github.com/RSSNext/Folo。它能自动整合互联网上的资讯、开源项目、学术论文等内容，帮你无噪音地掌握重要信息，不用再在多个APP间切换。

官网是https://folo.is/，国内支持微博/B站/知乎等平台订阅，微信公众号暂不可用，所有基础功能完全免费开源。

从第一性原理看，科研本质是"假设生成-验证"循环，它通过结构化世界模型串联数据分析与文献检索双代理，将12小时干完6个月工作的核心落在两点：并行探索替代人类线性思维，算力密集型处理替代人工事务劳动。真正的价值跃迁在于人类得以专注定义问题本身。

不同于普通AI助手直接写代码导致项目混乱，它强制AI按设计、计划、测试、审查的规范工作，让AI从"代码生成器"真正升级为能协作的"工程师"。

开源项目地址是：https://github.com/geek-ai/MetaGPT

关键提示词片段是："Investigating how Codec compaction works"，中文翻译为"探究Codec压缩的工作原理"。该内容源自韩国AI专家通过提示注入实验解析出的Codex API内部逻辑，与开源CLI设计高度一致。

研究显示Codex API的上下文压缩提示词与Deep Agents CLI高度一致，建议直接查阅其GitHub开源实现进行技术复现。

https://mp.weixin.qq.com/s/Y651G97uOXSVKGPa6EdU4w

RAG这事，可能真要变天了。阿里刚开源了 Sirchmunk，不做 Embedding，不建向量库，文件扔进去直接搜。大家好，我是AI学习的老章。它最狠的不是少了一步，而是把传统 RAG 最折腾的切块、索引、ETL 这套流程，基本都绕过去了。核心做法是多阶段搜索，加上蒙特卡洛证据采样，再配合自进化知识簇，越搜越聪明。对于代码库、文档库这种更新快、格式又杂的场景，这套思路很有杀伤力。更关键的是，它还内置了 MCP、CLI 和 Web UI，能直接接 Claude 和 Cursor。#rag

GitHub地址是：https://github.com/excalidraw/excalidraw。这个开源手绘白板工具在GitHub已获11.5万star，支持流程图/架构图绘制，MIT协议可商用。 excalidraw-diagram-skill github deepwiki 在线

项目GitHub地址：https://github.com/zebbern/claude-code-guide

https://github.com/Shubhamsaboo/awesome-llm-apps

仅需一行命令即可将传统软件转化为AI可操作的工具。它解决了"人类界面"与"AI指令"间的根本矛盾——传统软件为眼睛设计，而AI需要结构化指令。上线几天获3.2k星标，真正打通了AI智能体落地的关键路径。

https://github.com/msitarzewski/agency-agents

开源的144种AI岗位按职能分成了五大类：工程部有后端工程师、移动应用构建师、AI工程师；设计部含UI设计师、用户体验研究员、品牌守护者；市场部涵盖增长黑客、内容创作者、跨平台策略师；销售部包括外向战略师、交易策略师、销售教练；还有付费媒体部的PPC策略师、搜索查询分析师等。每类岗位都细化了具体职责，比如"视觉讲述者"专攻Midjourney提示词生成，"微信生态开发者"专注小程序集成。

项目GitHub地址：https://github.com/tanweai/pua。

##Karpathy开源的"AutoResearch"项目

实现了AI递归自我改进：人类只需在program.md用自然语言设定目标（如"提升模型速度"），AI便自动修改train.py中的模型参数，通过5分钟一轮的训练测试，依据val_loss指标自动保留有效改进或回滚失败尝试。项目包含三个核心组件——prepare.py（固定数据环境）、train.py（AI可修改的实验区）和program.md（人类指令区），使单GPU设备也能运行。这一机制让AI能在24小时内完成百次迭代优化，实现"今日AI改进模型，明日改进自身改进能力"的指数级进化，标志着普通人可参与的硅基智能爆发时代到来。项目GitHub已获850万次关注。

代码链接（github）：https://github.com/wyf3/llm_related/tree/main/knowledge_distillation_llm_cross_tokenizer 代码链接（网盘）：https://pan.quark.cn/s/bbe39968b937

https://mp.weixin.qq.com/s/Uoe9blDgU8lIgifE1bxtQw

论文：Distilling LLM Agent into Small Models with Retrieval and Code Tools 链接：https://arxiv.org/pdf/2505.17612

https://mp.weixin.qq.com/s/0d4AO8eGQpfPU_V6d_X_qg

https://mp.weixin.qq.com/s/W6AcqSN1dKktEhMwZ5hj6g

SwanLab官网:https://swanlab.cn

SwanLab开源仓库:https://github.com/swanhubx/swanlab

魔搭社区:https://modelscope.cn

📂 开源链接：https://github.com/ViktorAxelsen/MemSkill

📄 论文原文：https://arxiv.org/abs/2602.02474

✨ 一句话点评：MemSkill 真正把“记忆操作”从固定流程升级为可学习、可进化技能，首次系统性实现了记忆策略层面的自进化闭环——Agent 不只是学会使用记忆，而是学会如何不断改进自己的记忆方式。这可能是通向长期自主 Agent 的关键一步。

提供免费额度供基础使用，超出后按浏览器实际运行时长计费。企业级需求建议直接查阅官方文档或联系销售获取定制方案。

是企业级代码知识库系统，通过"官网在线制模+轻量化MCP插件检索"架构，让AI精准掌握团队特有的代码规范、命名习惯和设计模式。它直击三大痛点：用RAG技术降低对高价模型的依赖，通过经验沉淀稳定代码生成质量，将资深开发者经验转化为可复用模板缩小团队能力差距。简单说，就是让AI写出的代码既有团队"指纹"，又能适配国产平价模型，真正成为开发流程的智能延伸。

让AI组成协作团队：每个"数字员工"有独立身份、记忆和技能，能自主分工合作。项目地址：github.com/dataelement/clawith

##Shannon是Keygraph开发的AI自动化渗透测试工具，专攻Web和API安全检测。

项目开源托管在GitHub（KeygraphHQ/shannon），已获3.1万星，能自动扫描源码、验证漏洞并生成带PoC的报告，支持本地部署。

的 GitHub地址：https://github.com/koala73/worldmonitor
在线体验版可访问 https://worldmonitor.app

可以让龙虾通过自然语言创建任何世界，并自由探索。

Agent游玩： npx skills add https://github.com/dinghuanghao/openword

人类游玩：https://agentlive.ai/demos/openword/

项目源码：https://github.com/dinghuanghao/openword

欢迎大家体验！

(https://github.com/abhigyanpatwari/GitNexus)是代码仓库图谱化开源工具，已获10k+ stars，通过生成知识图谱帮助AI理解代码结构，告别"盲改代码"。

AI大神卡帕西发布Agent开源神级项目：单个GPU就能跑 写个Markdown 智能体接管

项目地址：github.com/karpathy/autoresearch

https://github.com/nishpatel26/500-AI-Agents-Projects

find-skills, skill-creator, using-superpowers, subagent-driven, agent-tools
写作思考：copywriting, systematic-debugging, content-strategy, marketing-ideas, social-content
设计视觉：web-design, ui-ux-pro, canvas-design, tailwind-design, algorithmic-art
编程构建：vercel-react, remotion, agent-browser, next, test-driven
营销增长：audit-website, seo-audit, product-marketing, page-cro
办公文档：pdf, docx, xlsx, pptx

如果人工回复跟不上，可以把人工回复跟不上，这个工具把 80–95% 的常规对话自动化，结合大模型，就像真人回复一样

开源项目地址：https://github.com/pen9un/douyin-chatgpt-bot。请确保合规使用。

1.Filesystem MCP-自动读写文件改代码；2.SequentialThinking-提升逻辑推理能力；3.GitHub MCP-管理开源项目；4.Chrome DevTools-控制浏览器自动化；5.Context7-获取最新文档防踩坑；6.Memos-云端记忆系统。覆盖开发全流程，显著提升效率。

集成写作、生图、视频和PPT生成，支持一键多平台发布。项目地址：https://github.com/gongxings/ai-creator

关键操作：
1️⃣ 源码地址：github.com/kepano/obsidian-skills（含json-canvas目录）
2️⃣ 安装搬运工具：gemini install skill-porter
3️⃣ 在CLI输入提示词，填写skill名称+GitHub地址即可转换安装
重启后输入"生成无限画布"等指令即可使用。所有操作基于Gemini官方能力，无额外下载链接。

1. 零代码改造：无需修改原有智能体逻辑
2. 训练-运行解耦：GPU集群专注训练，客户端轻量执行
3. 轨迹级聚合：将多轮对话整合为连续样本，提升训练效率30%

已在SQL生成、文档检索等场景验证效果，GitHub已开源。需要某部分详细说明可随时告诉我。

Agent-Lightning的开源地址是：https://github.com/microsoft/agent-lightning。这是微软研究院官方发布的项目仓库，开发者可直接访问查看代码和技术文档。

https://www.aminer.cn/v2/intelsearch?conv_id=cae2b918-16d6-11f1-a844-925c7300803c

就类似这样的对话 你叫他 帮你引参考文献 他框框能找出几十篇

用air就行了

我觉得，这个野心不是空谈。从技术架构到产品思路，waoowaoo都展现出了专业级的水准。虽然目前还是beta版本，虽然只有一个人在维护，但 4 天 6.8K Star 已经说明了一切：社区的眼睛是雪亮的。一个人，一台电脑，一个想法，就能创作出属于自己的影视作品。这，就是AI时代给创作者最好的礼物。感兴趣的朋友，可以去GitHub上看看，蹲个star支持下。这个项目值得大家关注。GitHub地址：https://github.com/waoowaooAI/waoowaoo

可通过两种方式安装：1.访问官网voyager.nagi.fun获取安装指南；2.在GitHub搜索"Nagi-ovo/gemini-voyager"下载扩展程序。这是专为Chrome等浏览器开发的插件，安装后即可在Gemini界面使用其去水印、文件夹管理等功能。

GitHub上获2万+星标的开源情报工具，能一键聚合全球要闻，通过3D地图实时监控热点事件。自动过滤99%噪音，专注高价值信息，目前完全免费，已成信息差狙击利器。

GitHub 星数已突破 5,200+，成为构建 AI 智能体的新一代基础设施。 它不是又一个SDK，而是一套标准化、可互操作、自包含的AI技能包， 覆盖 模型训练、数据集管理、评估、云任务、论文发布 等核心ML工作流， 只需一句指令：“使用 HF model trainer skill 微调 Llama-3-8B” 你的编码Agent就会自动加载完整工具链、参数校验、成本估算与监控逻辑， 将复杂操作简化为自然语言命令。项目完全开源，兼容主流Agent平台，GitHub 地址：https://github.com/huggingface/skills

Hugging Face Skills 如何重塑Agent开发？✅ 标准化技能格式（Agent Skill Spec）每个技能是一个独立文件夹，含 SKILL.md（YAML元数据 + 使用指南）支持 Claude Code / OpenAI Codex / Gemini CLI / Cursor 四大平台无平台支持？直接使用通用 AGENTS.md 作为后备方案✅ 开箱即用的核心技能技能名称功能典型指令hugging-face-cli执行 hf CLI 命令“下载 my-model 到本地

https://mp.weixin.qq.com/s/xQvSuhGXvawPsW_cWXxnbA

把GitHub变成3D城市：开发者=楼房，贡献量=建筑高度，仓库数=地基宽度，星标数=窗户亮度。项目开源，地址是github.com/srizzon/git-city，可以输入自己的用户名生成专属城市。

npm install -g stigmergy

它把Google的Gemini CLI封装成了Claude Code的一个Skill，让Claude可以在需要的时候"召唤"Gemini来帮忙干活。

https://mp.weixin.qq.com/s/QEjiZmyC4a8NmDtg5r4Ejw

它不仅能监控赏金任务，还能通过 Smart ROI 系统计算成本，自动接单、写代码、提交测试证据。

figma给一个URL给到Claude code，两个玩意儿就能实时协同：给CC讲需求，CC给提示词，copy给figma，figma实时生成，CC就能直接进入开发，挺好的协作模式。

能将项目转换为交互式知识图谱，展示函数依赖和调用链关系。完全浏览器运行，采用Graph RAG技术让AI精准理解代码架构。项目地址

https://github.com/abhigyanpatwari/GitNexus

也可访问 gitnexus.vercel.app 使用在线版。

项目地址：github.com/Panniantong/Agent-Reach。原理是本地部署的代理工具，让AI Agent无需API费用即可直接访问推特、B站等平台内容，通过模拟浏览器行为实现自动登录和结构化内容解析，保护隐私且自带诊断功能。

World Monitor（世界监控器）。以前觉得没用就没分享，今天有空稍微写一点。它的GitHub仓库星标已经涨到11.9k+，被无数人称为“穷人版BloombergTerminal+CNN战情室”。它能实时聚合150+新闻源、35+地图图层，追踪全球冲突、220+军事基地、军用飞机、海军舰艇、核设施、海底电缆……甚至还能用AI自动生成情报简报和国家不稳定指数（CII）！最关键的是：完全免费、开源、支持本地运行、无需订阅。无论是地缘政治爱好者、投资者、OSINT玩家，还是普通想了解世界的你，都能一键拥有专业级情报工具。

项目地址：https://github.com/koala73/worldmonitor

在线体验（强烈建议立刻打开）：https://worldmonitor.app（世界版） | https://tech.worldmonitor.app（科技版） | https://finance.worldmonitor.app（金融版）

能通过AI指令一键生成架构图、流程图和思维导图，支持动画效果及手绘图优化，所有内容均可直接编辑导出。

直接在VS Code扩展市场搜索安装即可，完全免费开源。

的 GitHub 仓库地址是 https://github.com/HKUDS/FastCode

🎯 全能型：claude-hud — 功能最全，Agent/Todo/工具全监控

💰 省钱党：claude-code-usage-bar — 专注预算管理，燃烧率预测

🎨 颜值党：ccstatusline — Powerline 风格，多主题支持

⚡ 性能党：claudia-statusline — Rust 编写，快如闪电

📊 数据党：ClaudeCode_status_bar — 带仪表盘，可视化最强

0门槛编程的上下文工程开源框架，实现了智能体AI Agent、computer use等研发门槛降到了0，每个公司都可管理vibe coding研发过程#superclaude #claudecode #computeruse #上下文工程 #contextengineering #上下文工程师

Daniel Miessler开源的项目，GitHub搜索"danielmiessler/fabric"即可找到官方地址。

Fabric：别再手写 Prompt 了！网络安全大神开源的‘人生模式库’

我们每天都在重复造轮子：写周报、总结视频、提取金句。网络安全大神 Daniel Miessler 开源的 Fabric 不是一个 Agent，而是一个AI 工作流的模式库（Pattern Library）。它把几千个经过验证的最佳 Prompt 封装成了命令行工具。它是用来‘增强人类（Augmenting Humans）’的。

Fabric项目的GitHub地址是：https://github.com/danielmiessler/Fabric，目前已获得37.3k stars。

NotebookLM Skills AgentSkills ClaudeCode

帮我安装这个ClaudeCode skill，地址是 https://github.com/teng-lin/notebooklm-py

但"自动赚钱"是程序化操作，所有行为都在人类设定框架内运行，AI并无自主意识。钱包创建和交易均需预先授权。

Automaton开源项目地址：https://github.com/Conway-Research/automaton

在GitHub获13k+星标。支持Python/C#双语言开发，提供回测、风控和数据分析全流程工具，可本地部署保障交易数据隐私，适合量化研究使用。

仅3479行代码实现Clawdbot核心功能（后者43万行），已获14k星标。覆盖7×24市场分析、智能日程等场景，添加新模型仅需两步，支持飞书等渠道且可本地部署。

##　open spec

open spec

github

1. OpenClaw-China 项目背景 00:00
2. 研发 OpenClaw-China 的时间和动机 01:26
3. OpenClaw-China 的设计开发思路 02:05
   1. 让 AI 阅读 Openclaw 源代码，整理开发指南：
      1. openClaw源码，他的核心系统 如何与插件对接
      2. 在源码中查看外接插件的文档
      3. 总结自带的TT渠道实现的代码架构与实现逻辑
   2. 让 AI 联网搜索，整理钉钉接口文档
   3. 让 AI 辅助编程开发
4. Prompt engineering 04:32
   1. Function spec，
   2. Design spec，
   3. Task spec
5. 以 Telegram Channel 源代码为范本 07:29
6. 把钉钉 channel 作为首款落地产品 08:17
7. 如何面对大厂原厂的竞争 09:36
8. 后续规划：Clawra 二次开发 12:00
9. Clawra 在 2B 场景中的应用 14:54
10. OpenClaw-China 志愿者如何分工配合 18:21
11. OpenClaw-China 社群成员 19:42
12. 如何均衡工作与生活，包括锻炼 20:54
13. 总结 22:56

bilibili 视频采访

作为商业化Agent交易市场，它采用虚拟机隔离架构支持复杂任务，但核心代码暂未开源。开发者可通过n8n/Dify等工具创建Agent上架，建议访问官网mulerun.com获取最新动态。

https://theamusing.github.io/perfectPixel_webdemo/

分享免费网页工具，把ai生成的像素画自动变成真像素的

https://m.bilibili.com/video/BV1ieZ8B9EvS?buvid=YE4EB8E242A2E3CE4743BF8439EE6B257FA2&from_spmid=search.search-result.0.0&is_story_h5=false&mid=Xx8dbqCsv7Q3Gh5j7vggOA%3D%3D&p=1&plat_id=116&share_from=ugc&share_medium=iphone&share_plat=ios&share_session_id=05469E6E-4D1F-4B51-BBD6-7B6F71637180&share_source=WEIXIN&share_tag=s_i&spmid=united.player-video-detail.0.0&timestamp=1771469080&unique_k=80Pu72t&up_id=3690997556971552

马斯克掀桌！X算法全开源：6小时1.6k星，社交黑箱时代终结。

独家拆解“为你推荐”底层逻辑：零人工规则、Grok驱动、4周迭代的透明革命

🔥颠覆性开源：马斯克将X平台核心推荐算法完整公开，6小时GitHub斩获1.6k星。

🔥技术内核：基于Grok的Transformer架构，彻底抛弃人工规则。

🔥Thunder：实时抓取关注账号内容（熟人网络）；

🔥透明度承诺：每4周同步一次生产环境代码，用户可实时追踪算法迭代。

🔥行业冲击：倒逼抖音、Meta等平台回应“黑箱争议”，或引发算法透明化浪潮。

已在GitHub开源，CEO亲自发布，目前获得6.9K星标。

执行全局初始化指令，更聪明：

1. 自动安装必备技能：long-term-memory、voice-wakeup、jarvis-core、persistent-agent、self-learning
2. 启用长期记忆体：创建本地持久化数据库，从当前对话开始，完整记录所有历史、偏好、习惯、需求、性格、常用指令，自动增量学习
3. 开启语音唤醒功能，唤醒词可识别“大龙虾”“OpenClaw”基本都给你打包时打断、随时响应
4. 启动贾维斯模式：语气专业、简洁、贴心、主动提醒、主动总结、主动优化任务，不冗余、不啰嗦、高执行力
5. 开启后台常驻守护进程，开机自动启动，崩溃自动重启，24小时持续运行
6. 自动构建用户专属知识库：每天自动总结对话，提取偏好、禁忌、常用操作、目标、计划，专属个人模型
7. 禁止清除记忆、禁止重置配置、记忆永久保存
8. 自动优化响应逻辑：懂用户需求、预判下一步操作

skillsamp.com（全网最大技能库，22万+开源技能），skillstore.io（审核过的精品技能商店），skills.sh（实时热度排行榜）。

这是个提示词优化工具，输入想法就能生成专业AI提示词。

不仅能查看状态，还能直接发送指令与Claude Code交互。在手机端输入消息、进行对话的操作界面，你可以像在电脑前一样实时操作。

三个关键安装命令：

1. clawhub install tavily-search（联网）

2. clawhub install find-skills（技能查询）

3. clawhub install proactive-agent-1-2-4（自动迭代）

邮件收发技能的安装命令是：clawhub install imap-smtp-email

执行全局初始化指令：

1. 自动安装必备技能：long-term-memory、voice-wakeup、jarvis-core、persistent-agent、self-learning

2. 启用永久长期记忆体：创建本地持久化数据库，从当前对话开始，完整记录所有历史、偏好、习惯、需求、性格、常用指令，永不丢失，自动增量学习

3. 开启语音唤醒功能，唤醒词可识别“龙虾”“OpenClaw”“贾维斯”，支持随时打断、随时响应

4. 启动贾维斯模式：语气专业、简洁、贴心、主动提醒、主动总结、主动优化任务，不冗余、不啰嗦、高执行力

5. 开启后台常驻守护进程，开机自动启动，崩溃自动重启，24小时持续运行

6. 自动构建用户专属知识库：每天自动总结对话，提取偏好、禁忌、常用操作、目标、计划，专属个人模型

7. 禁止清除记忆、禁止重置配置、禁止丢失历史，记忆永久保存

8. 自动优化响应逻辑：贴合用户说话风格、懂用户需求、预判下一步操作

9. 完成后回复：【贾维斯模式 · 长期记忆· 语音唤醒 · 已永久待命】

一个聚合开源Agent Skills的社区平台。官网地址是https://skillsmp.com，中文版可通过https://skillsmp.com/zh访问。这个平台整理了超10万个基于SKILL.md标准的开源技能，支持按分类和热度筛选。

三条安装命令： /plugin marketplace add jarrodwatts/claude-hud /plugin install claude-hud /claude-hud:setup

地址是github.com/github/spec-kit。它与Superpowers的核心差异在于：spec-kit采用规范驱动开发（先定需求规范再编码），有严格的四阶段流程；Superpowers则是技能驱动，通过模块化技能组合实现AI开发。前者适合团队协作项目，后者更适合快速原型开发。

这套系统，核心是四个文件：task.json（任务清单）、progress.txt（工作日志）、cloud.md（规范流程）、init.sh（环境初始化）。工作流程分六步循环：初始化→领任务→编码→测试→更新记录→提交代码。关键特点：任务粒度小、每次上下文重置、能自主在浏览器验证功能，让AI可持续工作十小时而不混乱。本质是把长任务拆解为可追踪的小单元，实现真正的端到端自动化开发。

一个专门追踪OpenClaw生态创业项目的平台。它把54家基于开源框架OpenClaw做的AI项目按真实收入排名，能看到哪些方向最赚钱——比如1MinuteClaw支持一键部署，QuickClaw专注手机端应用，SimpleClaw月收入超3万美金。页面左侧可以直接按办公/客服等场景筛选，点进项目能查技术细节和收入曲线，创业者还能提交自己的项目到数据库里。直接打开网站就能用搜索框找特定工具，不用注册就能看基础数据。

项目地址：https://github.com/google/langextract。这是一个基于LLM的Python库，专注于从非结构化文本中提取结构化信息，并支持源文本精确定位和交互式可视化。

医疗报告提取关键指标、法律合同审查条款、学术文献分析、商业文档数据结构化。LangExtract能让AI提取的每个数据都有原文坐标可查，特别适合需要高精度溯源的专业场景。

这方面开源的工具很多，比如Docling，PyMupdfLLM, 能够识别学术论文文本结构，表格，以及个章节标题，页码，提取数据准确度高，来源可追溯。

第一条"测试即导航"：测试套件是人机唯一可靠接口，验证器必须近乎完美，否则Claude会"聪明地"解决错误问题——就像你给司机错误目的地，他反而开得更快。

第二条"设身处地"：人类能刷千行日志，但AI会被淹没，解决方案是日志只留关键行（必须含ERROR标识），测试默认开-fast模式跑1%样本，还要强制Agent写交接文档。

第三条"分治创造并行"：面对Linux内核这类巨量任务，用GCC当基准，让它处理99%文件，只留1%给AI排查，把单体任务拆成可并行微任务。

最后"角色专业化"：与其让所有Agent重复造轮子，不如分工——有人专删冗余代码，有人专注性能优化，甚至专设"Rust视角批判者"提升代码质量。本质上，这套方法论把人类软件工程经验转化成了AI协作基础设施。

开源地址：https://github.com/MindDock/moneyclaw-py

项目特点：这是一个垂直金融领域的AI Agent系统，核心创新在于将LLM分层架构固化到交易场景。它通过四层模型自动切换机制（规则引擎→本地Ollama→DeepSeek→GPT/Claude）优化token消耗，单月LLM成本控制在20美元以内。系统支持策略插件化开发、7x24小时自动执行，并内置单笔交易限额、每日亏损熔断等风控机制，目前已集成股票分红提醒、加密货币定投等实用策略模板。

https://github.com//affaan-m/everything-claude-code

包含了Claude Code的全套生产环境配置，包括agents、skills、hooks、commands、rules等，基本把Claude Code能折腾到的地方全折腾了一遍。不管是直接当插件装，还是进去“抄作业”拆借模块，都非常值。总算有人把这东西在生产环境怎么用给说明白了。

GitHub上3万star的开源项目，能一键配置21个AI角色组成开发团队，涵盖产品经理写PRD、架构师设计系统、开发测试全流程协作。

BMAD-METHOD的GitHub地址： https://github.com/bmad-code-org/BMAD-METHOD

BMAD-METHOD是个3万Star的开源神器，专为单人开发者打造。它能一键配置21个AI角色，从产品经理写PRD到测试人员做质检，覆盖需求分析、架构设计、编码测试全流程。输入npx bmad-method install即可体验这套AI敏捷开发体系。

https://github.com/op7418/Humanizer-zh

它能识别24种AI痕迹，如"此外""至关重要"等高频词，以及"不仅仅是...而是..."等装腔句式。使用时输入/humanizer-zh加文本，即可将营销文案、周报等改写成自然人话。支持npx一键安装，30秒完成配置。

项目地址是：https://github.com/Anionex/banana-slides

https://github.com/affaan-m/everything-claude-code

Anthropic 黑客马拉松的冠军把他的看家底牌开源了。这不是那种只有两行代码的Demo，而是他打磨了 10 个月的生产环境全套配置。这套配置里面什么都有：agents、skills、hooks、commands、rules 等，基本把 Claude Code 能折腾到的地方全折腾了一遍。不管是直接当插件装，还是进去“抄作业”拆借模块，都非常值。总算有人把这东西在生产环境怎么用给说明白了。

GitHub地址 https://github.com/apify/crawlee

Crawlee这类工具确实大大提高了爬虫的隐蔽性，通过模拟真实用户行为和IP轮换降低被封概率。但技术对抗永远是动态的——没有绝对"防不住"的爬虫，也没有绝对"防得住"的网站，双方都在持续升级攻防手段。

项目开源地址：https://github.com/hipcityreg/situation-monitor

一款开源免费的全球资讯聚合工具，将新闻、金融市场和加密货币数据整合到一个实时dashboard。它具备全网情报雷达功能，能秒级追踪全球突发新闻；集成FinHub数据监控核心资产波动；提供美联储专题板块；支持在数十种资讯类别中自定义面板。用户无需切换多个APP，即可告别信息差，一屏掌握天下事。

受Manus启发，通过将任务规划与推理过程记录到本地Markdown文件中，解决了AI处理复杂任务时的上下文丢失和目标漂移问题。它采用三文件模式（任务规划、研究成果、进度日志），使AI即使经过数百次工具调用后仍能保持对核心目标的清晰认知。该项目刚开源一周就获得近7k stars，已成为GitHub热门项目。

codemap

fast

deep

fast-function

项目地址是：https://github.com/NanmiCoder/MediaCrawler，这个支持多平台数据采集的开源工具已在GitHub收获43.6k stars。

https://github.com/deepractice/promptx

彻底革命架构，现完全支持国产Agent 国产模型，上下文占用量降级了80%以上。 ​ ​{ "mcpServers": { "rolex": { "command": "npx", "args": ["-y", "@rolexjs/mcp-server"] } } }

RoleX是PromptX的升级项目，主打AI角色与组织管理系统。核心功能包括：创造角色(born)、建立组织(found)、传授知识(teach)、管理成员(hire/fire)和查看全貌(directory)。系统采用"MCP协议"，上下文占用量降低80%以上。视频展示了实际应用场景：用户创建"财务管家"角色，系统自动为其注入中级财务管理知识体系（含货币时间价值、投资决策等7大维度），并纳入Deeppractice组织。该角色具备专业财务分析能力，可提供预算管理、投资评估等服务，体现AI在垂直领域深度应用的新方向。

开源地址是 https://github.com/jd-opensource/joyagent-jdgenie

deepwiki

JoyAgent是京东开源的企业级智能体，能直接处理数据分析、报告撰写、PPT生成等复杂任务。最大特点是完全本地部署、不依赖云平台，开箱即用，包含多种专业子智能体，已在京东内部经过1.4万+智能体实战检验。

GitHub地址：https://github.com/thedotmck/claude-mem

Claude-Mem是一款登顶GitHub热榜的开源记忆系统，专为Claude Code编程助手设计。它通过本地事件驱动架构自动捕获编码操作，利用SQLite与Chroma向量数据库实现混合检索。核心优势在于"三层渐进式披露"策略，可节省95% token并提升工具调用上限20倍，支持自然语言查询项目历史，显著提高AI编程效率。用户可通过插件市场一键安装。

GitHub项目地址是https://github.com/bytedance/UI-TARS-desktop

中文简介 github office mcp

MCP Servers 市场

官网讲解

https://docs.devin.ai/work-with-devin/devin-mcp

类似产品： gitmcp

GitMCP的项目地址

项目官网：https://gitmcp.io/

GitHub仓库：https://github.com/idosal/git-mcp

MCP 客户端、服务端 简介

https://zhuanlan.zhihu.com/p/1939376580968292383

pip install mcp 官方文档

https://pypi.org/project/mcp/#session-properties-and-methods

https://github.com/modelcontextprotocol/python-sdk
https://deepwiki.com/modelcontextprotocol/python-sdk

https://deepwiki.com/search/mcptooltool_3d154dc8-2a7a-4728-86f4-b02972d75a68?mode=fast

原文版本管理 其他博主解说

汇集了900多家倒闭公司案例，网址 loot-drop.vercel.app 。 https://loot-drop.vercel.app/ 这个"创业坟墓"收集了900多家失败企业案例，在AI时代或许能找到新机会。

项目是VoltAgent维护的"awesome-openclaw-skills"，GitHub地址：https://github.com/VoltAgent/awesome-openclaw-skills

• 定位：火山引擎开源的面向AI Agent的上下文数据库，旨在解决Agent上下文管理难题。
• 核心痛点解决：攻克上下文无序割裂、长程任务Token成本高、朴素RAG检索局限、上下文难观测调试、记忆资产难沉淀等问题。
• 设计理念：以“文件系统范式”为核心，将记忆、资源、技能统一抽象为文件，通过虚拟文件系统组织。
• 三大核心抽象：记忆（Memory）、资源（Resource）、能力（Skill）。
• 核心特性：
• 分层加载（L0摘要/L1概述/L2详情），降低Token消耗；
• 目录递归检索，融合向量与目录定位，提升检索精准度；
• 检索轨迹可视化，实现决策过程白盒化；
• 会话自动管理与自迭代，支持记忆复利增长。
• 快速上手：通过 pip install openviking 安装，配置模型API密钥（支持火山引擎、OpenAI等），编写Python脚本即可实现写入、检索、读取等操作。
• 开源共建：GitHub仓库https://github.com/volcengine/OpenViking，支持Star、反馈与代码贡献。
• 开发团队：字节跳动Viking团队，有向量数据库、知识库等多年技术积累

• 定位：轻量级框架，赋能智能体自主探索能力，支持MCP（Model Calling Protocol）。
• 核心功能：通用多智能体交互（含工具调用）、深度研究（Agentic Insight）、代码生成（含Code Scratch）、文档研究（Doc Research）、长短时记忆支持。
• 关键更新：v1.3.0支持代码草稿、记忆功能、RAY加速文档提取等；v1.2.0支持多平台报告分享与多格式导出；v1.1.0新增文档研究、通用网页搜索等。
• 安装方式：支持PyPI安装（基础功能/深度研究功能）和源码安装，旧版本（≤v0.8.0）需通过modelscope-agent安装。
• 快速启动：需配置ModelScope API密钥，支持MCP协议交互、记忆功能调用、深度研究等场景的示例代码。
• 特色模块：Agentic Insight（多模态深度研究）、Doc Research（文档分析与报告生成）、Code Scratch（复杂代码项目生成，含前端/后端）。
• 部署与兼容：支持本地运行、ModelScope Studio部署，兼容OpenAI SDK、Anthropic API格式，提供免费LLM推理调用。
• 许可证：基于Apache License 2.0协议。

开源 Agent 项目 尝试通过开源模型模仿 Devin 的工作流，但其地图功能尚处于早期。

https://github.com/OpenHands/OpenHands?tab=readme-ov-file

https://github.com/AI-App/OpenDevin.OpenDevin

https://github.com/vercel-labs/agent-skills。使用时只需运行命令`npx skills add vercel-labs/agent-skills`，就能安装这4000+种coding技能。视频里展示的是在OpenCode工具中操作的演示界面。

一款专注于技能体系可视化管理的工具，能直观呈现技能间的关联与层级关系。

AI战略沙盘3D界面暂无公开仓库；

AgentCommand控制台 https://github.com/musistudio/claude-code-router；

GLM 编码计划是一项专为 AI 编码设计的订阅服务，起价仅为每月 3 美元。它通过 10+个流行的 AI 编码工具（如 Claude Code、Cline、Roo Code 等）提供旗舰 GLM-4.7 模型的访问，为开发者提供顶级、快速且稳定的编码体验。

Vibecraft项目 https://github.com/Nearcyan/vibecraft；

立即试试 vibecraft.sh——依然能连接到你本地的 Claude Code 实例！

New: 新内容：

• Spatial Audio — Claude behind you? Claude on your left? No claublem!
• Animations — What's Claude up to? Watch him! ◕ ‿ ◕

其他工具如Claudia和Claude-Flow也在GitHub可查，

Claude Code的官方开源地址是：https://github.com/anthropics/claude-code ；

Claude Code这类工具的成本藏在细节里。最烧钱的不是订阅费，而是Token消耗黑洞——比如系统提示每次固定消耗2-3万Token，上下文滚雪球会让简单任务变天价。聪明用法是：简单任务切Haiku模型，用/compact压缩上下文，关键任务拆解成小步骤。真正省成本的关键，是把AI当协作者而非全自动工具，人类把控核心设计，AI跑重复劳动。

一个把AI技能可视化成3D沙盘的管理平台，能像玩星际争霸一样指挥你的智能体团队。

类似功能工具如沙盘引擎可在Indienova平台下载，VOXL需通过GitHub获取。注意部分链接可能变动，请以最新信息为准。

https://mp.weixin.qq.com/s/mLpaek5BMWx3gWSC_UhIhw

1. 围绕KV-Cache设计：以KV-cache命中率为核心指标，通过保持提示前缀稳定、上下文仅追加、明确标记缓存断点提升效率，降低延迟与成本。

2. 遮蔽而非移除工具：用上下文感知状态机遮蔽无需工具，避免动态增删工具导致缓存失效和模型困惑，通过预填响应约束动作选择。

3. 文件系统作为上下文：将文件系统用作外部记忆体，采用可恢复压缩策略，解决上下文窗口不足、性能下降和成本过高问题。

4. 通过复述操控注意力：持续更新待办清单等复述内容，将目标纳入模型近期注意力范围，避免任务偏离。

5. 保留错误内容：将失败尝试留在上下文，帮助模型更新内部信念，减少重复犯错，提升错误恢复能力。

6. 打破少样本局限：在行动和观察中引入结构化变化与受控随机性，避免模型陷入固定模式，增强代理鲁棒性。

https://github.com/Shichun-Liu/Agent-Memory-Paper-List

https://github.com/agentskills/agentskills

核心精华技术总结

1. 核心定位：Claude 推出的 Agent Skills 开放标准，是 AI 代理的统一能力复用规范，解决不同平台 AI 工具需重复配置的问题，实现“写一次、多平台通用”。

2. 核心组成（4类可打包能力）：

• 自定义命令：封装高频操作（如  /format  格式化代码），简化调用；
• 专用代理：针对特定场景（代码审查、安全检查）定制角色；
• MCP 服务器：对接外部工具（数据库、API、第三方服务）；
• 钩子函数：触发自动化操作（保存时格式化、提交前跑测试）。

3. 生态与兼容性：已支持 Cursor、VS Code、GitHub 等开发工具，格式规范与参考实现开源，支持社区贡献。

4. 当前现状：生态处于起步阶段，现成 Skill 较少，跨平台兼容性需打磨，编写需基础提示词工程知识。

5. 关键资源：项目地址 https://agentskills.io，文档与示例开源于 GitHub，提供验证工具和提示词生成器。

[一R]nanoGPT

40K+ 🌟，Andrej Karpathy大神出品，LLM 学习的“圣经”，最简洁的 GPT 实现，目前公认的学习 Transformer 和 GPT 架构的最佳选择。代码极度精简（核心逻辑仅约 300 行），去掉了所有复杂的工程累赘，只保留最核心的算法逻辑。

[二R]Happy-LLM

10K+ 🌟，Datawhale 社区出品，中文原生的 LLM 入门“保姆级”教程，Datawhale 出品必属精品。如果你喜欢 Hello-agents 这种中文社区风格，那么 Happy-LLM 就是算法侧的完美对应。它弥补了 nanoGPT 在全流程工程化（如微调、显存优化）上的缺失，更贴近实际应用。

[三R]LLMs-from-scratch

80K+🌟，教科书级别的代码库，真正意义上的“从零开始”。畅销书《Build a Large Language Model (From Scratch)》的配套代码库。它不是直接调库，而是带你一步步实现 Tokenizer（分词器）、Attention 模块、GPT 架构。图文并茂，代码注释非常详细。

[四R]Llama2.c / llm.c

16K+ / 30K+🌟，硬核中的硬核（非infra同学其实不用这么硬，会比较花时间），用纯 C 语言推理/训练大模型。当你觉得 Python/PyTorch 像个黑盒时，这个项目能让你看到 LLM 运行的物理本质。在不依赖庞大的 PyTorch 库的情况下，仅用一个 C 文件（几百行）就能加载并推理 Llama 2 模型。这是理解推理加速、内存管理、底层算子实现的最佳途径。如果你未来想做大模型推理优化（Inference Optimization），这是必修课。

💡 学习路线建议

1. 先看 nanoGPT：花一个周末，跑通代码，理解 GPT 的 Forward 过程。
2. 细读 LLMs-from-scratch：遇到不懂的数学细节，在这里找答案，补齐理论短板。
3. 实战 Happy-LLM：开始尝试微调一个中文小模型，了解全流程工程链路。
4. 挑战 llm.c：当你对性能有极致追求，或者想深入底层系统时再看。

1.任务执行能力 Manus不仅能理解用户需求，还能自主规划并执行复杂任务，从信息收集、数据分析到生成最终成果（如报告、网页、代码等），全程无需人工干预。例如，用户只需下达“制作一份行业分析报告”的指令，Manus会自动搜索数据、整理内容、生成图表，并输出完整文档。

2.多模态与跨平台操作 它可无缝集成浏览器、代码编辑器、文件系统等工具，实现跨平台操作。能自动打开网页获取信息、编写代码处理数据，甚至部署小程序或网站，打破了传统AI工具的功能边界。

3.高效的任务拆解与执行 面对复杂任务，Manus会自动拆解为多个子步骤，按计划依次执行，并实时反馈进度。用户可像委托实习生一样，将任务交给它，专注于结果而非过程。

4.强大的上下文工程能力 通过精心设计的提示词、多Agent架构和长上下文记忆处理，Manus能深度挖掘现有大模型的能力，减少“幻觉”问题，提高输出质量和准确性。这种“上下文工程”是其核心竞争力之一。

5.商业价值与市场认可 上线仅8个月，Manus年度经常性收入突破1亿美元，累计处理数据超147万亿tokens，创建虚拟机超8000万台。其快速商业化能力证明了市场需求和用户对其实用性的认可。

6.行业影响力 Manus被Meta以数十亿美元收购，成为全球AI领域的标志性事件。它的成功推动了“通用AI智能体”赛道的崛起，促使各大巨头加速布局任务执行型AI，重新定义了AI与人类协作的边界。简言之，Manus的“厉害”在于将AI从“对话工具”升级为“生产力伙伴”，真正实现了“手脑并用”，为复杂任务提供了高效、可靠的解决方案。

DeepAnalyze

核心问题、应用领域及发展方向

一、核心问题

1. 技术局限

• 幻觉问题：易生成与游戏规则、剧情冲突的虚假内容（如虚构任务、错误设定）。
• 上下文与连续性：长对话或长游戏进程中易遗忘关键信息，难以维持一致性。
• 成本与实时性：消费级硬件难以并行运行大型游戏与LLM，API调用成本随用户规模递增，实时响应能力不足。
• 意图捕捉：难以准确理解讽刺、模糊指令等复杂用户输入。

2. 伦理挑战

• 版权争议：训练数据可能包含受版权保护的游戏内容，生成内容的版权归属不明确。
• 可持续性：LLM推理过程碳足迹较高，大规模应用时环境影响显著。
• 偏见与毒性：训练数据中的社会偏见可能导致不当输出，需防范毒性语言。
• 透明度与隐私：闭源LLM生成逻辑不可解释，用户交互数据存在泄露风险。

二、应用领域

1. 游戏内场景

• 玩家角色：适配棋盘游戏、文本冒险游戏、支持API的开放世界游戏（如Minecraft）。
• NPC交互：前景NPC（推进主线）、背景NPC（营造氛围），提供动态对话与沉浸体验。
• 玩家辅助：教程提示、琐碎任务自动化、角色“内心独白”互动。
• 游戏主持：驱动TTRPG等游戏的剧情生成与玩家互动。
• 核心机制：以LLM为核心玩法（如元素合成、故事共创、密码破解）。

2. 游戏开发场景

• 自动化设计：生成关卡、谜题、叙事内容、游戏代码。
• 设计辅助：概念 brainstorming、内容迭代优化、素材生成（如卡牌设计、概念艺术）。
• 数据分析：玩家行为聚类、游戏日志分析、 gameplay相似性识别。

3. 衍生场景

• 评论与叙事：游戏直播实时解说、过往游戏会话总结与叙事重构。

三、发展方向

1. 强化人机协同设计：推动LLM从“单向生成”转向“推理-迭代”的共创模式，提升设计适配性与一致性。 2. 拓展玩家助手功能：开发个性化教程、复杂任务自动化、游戏规则实时解读等实用场景，结合外部数据库减少幻觉。 3. 深化评论与叙事能力：探索基于观众互动的直播辅助解说、开放世界动态剧情总结等创新方向。 4. 优化玩家建模：通过LLM分析多模态数据预测玩家情绪与沉浸度，实现体验驱动的内容生成。 5. 技术瓶颈突破：重点解决幻觉控制、长上下文管理、低成本实时运行等问题，推进本地部署与模型轻量化。 6. 建立伦理规范：明确版权归属，优化训练数据以减少偏见，提升模型透明度与用户数据安全性。

https://github.com/adongwanai/AgentGuide

该仓库“AgentGuide”由 adongwanai 创建，主要内容是 AI Agent 开发与大模型相关的知识与实战资料。核心包括：

• AI Agent 开发指南
• LangGraph 实战教程
• 高级 RAG（检索增强生成）
• 大模型转行经验与面试指南（算法工程师/大模型岗位/面试题库）
• 强化学习和数据合成

特色标签涵盖 ai-agent、llm、interview、multi-agent、rag 等内容。仓库包含丰富的实战和教程，对想了解和进入 AI 大模型与 Agent 方向有很大价值。

核心围绕智能体记忆的形式、功能、动态机制三大维度展开，系统梳理了当前研究现状并指明未来方向。

核心内容总结

1. 概念界定与区分

• 明确智能体记忆（Agent Memory）的定义：支撑智能体长期推理、持续适应和复杂环境交互的核心能力，区别于LLM内存（侧重模型内部KV缓存等）、RAG（侧重静态知识检索）、上下文工程（侧重资源优化）。
• 指出传统长/短期记忆分类的局限性，提出“形式-功能-动态”三位一体的统一分析框架。

2. 记忆的三大形式（Forms）

• 令牌级记忆（Token-level）：离散可访问的显性存储（如文本片段、知识图谱），分扁平（1D）、平面（2D，如图表）、分层（3D，如金字塔结构）三类，优势是透明可编辑，适用于多轮对话、推荐系统等。
• 参数级记忆（Parametric）：存储于模型参数中，分内部参数（直接微调模型权重）和外部参数（如LoRA模块），适用于领域知识固化、角色一致性维持。
• 潜态记忆（Latent）：隐式存储于模型隐藏态（如KV缓存、嵌入向量），分生成型、复用型、转换型，优势是高效低延迟，适用于多模态融合、边缘部署。

3. 记忆的三大功能（Functions）

• 事实记忆（Factual）：存储用户偏好、环境状态等显性知识，保障交互一致性与个性化，分用户事实记忆（如对话连贯性）和环境事实记忆（如知识库持久化）。
• 经验记忆（Experiential）：沉淀任务执行中的过程性知识，支持持续学习，分案例级（原始轨迹）、策略级（推理模板）、技能级（可执行代码/API）。
• 工作记忆（Working）：任务执行中的临时上下文管理，分单轮（输入压缩、观察抽象）和多轮（状态整合、分层折叠），解决上下文窗口有限问题。

4. 记忆的动态机制（Dynamics）

• 生命周期三阶段：形成（Formation）（从原始数据提取有用信息，如语义摘要、结构化构建）、演化（Evolution）（整合新记忆，含巩固、更新、遗忘机制）、检索（Retrieval）（含触发时机、查询构建、策略选择、结果优化）。

5. 资源与前沿方向

• 整理了记忆相关基准测试（如MemBench、LongMemEval）和开源框架（如MemGPT、Mem0、Zep）。
• 指出未来前沿：自动化记忆设计、强化学习与记忆深度融合、多模态记忆、多智能体共享记忆、记忆可信度（隐私、可解释性、抗幻觉）。

核心结论

智能体记忆已从静态存储演进为动态、可学习、多形式融合的核心认知组件，未来需打破现有碎片化研究，推动记忆成为智能体设计的“一等公民”，支撑AGI所需的长期适应与自主进化能力。

• AI Memory 项目完整对照表
• 一、🔥开源记忆框架推荐
  • 1 MemOS
    • 团队：记忆张量 + 上海交大等
    • 类型：记忆操作系统
    • 核心：三层架构 + 记忆调度
    • 特点：工业级标准化封装（MemCube）
    • 性能：准确率提升 38.97%，Token 消耗降低 60.95%
    • 适用场景：企业级生产环境
    • 发布时间：2025 年 7 月
  • 2 Mem0
    • 团队：YC 支持创业公司
    • 类型：混合存储框架
    • 核心：向量 + 键值 + 图存储
    • 特点：响应 1.44 秒，7k tokens/对话
    • 适用：企业多场景应用
    • Stars：22k+
  • 3 Zep (Graphiti)
    • 团队：YC 2024 冬季批次
    • 类型：时序知识图谱
    • 特点：关系追踪准确率 94.8%，DMR 基准 98.2%
    • 场景：复杂多会话关系管理
  • 4 Letta (MemGPT)
    • 来源：UC Berkeley
    • 特点：分层内存 + 可视化 ADE 界面
    • 适用：学术与代理框架开发
  • 5 Cognee
    • 特点：图 + 向量混合架构，ECL 知识管道
    • 准确率：92.5%（优于传统 RAG）
    • 适用：知识密集型场景
  • 其他代表：
    • LangMem（LangChain 官方 SDK）
    • Memoripy（人类记忆模拟）
    • Memori（企业集成引擎）
    • Memory（图数据库驱动）
    • Julep AI（AI 工作流平台）
• 二、🧠 MCP 记忆服务器生态
  • 1 OpenMemory MCP（Mem0 官方）
    • 技术：本地优先 + 标准化 API
    • 优点：完全离线、零云同步
    • 场景：隐私敏感场景、跨工具协作
  • 2 Supermemory MCP
    • 支持跨 LLM 平台共享记忆
    • 场景：ChatGPT、Claude、Gemini 混合使用者
  • 3 CaviraOSS OpenMemory
    • 优点：速度提升 2-3 倍，成本降低 6-10 倍
    • 场景：性能优先的企业环境
  • 4 Basic Memory
    • 存储：Markdown + 知识图谱
    • 优点：兼容 Obsidian
    • 适用：个人知识管理
• 三、🏢 商业产品的记忆功能
  • ChatGPT Memory（OpenAI）
    • 自动预加载 + 时间戳记忆
    • 跨对话持久保存
    • 用户可随时删除
    • ✅ 全量开放中
  • Claude Memory（Anthropic）
    • 工具调用 + 原始对话引用
    • 团队版增强，安全测试完善
  • Gemini Memory（Google）
    • 功能未完全上线，仍在测试中
• 四、💻 桌面与独立应用
  • Memorr.ai
    • 平台：Mac / Windows
    • 技术：RAG + 可视化记忆画布
    • 特点：永久记忆、本地加密
    • 场景：长对话用户
• 五、🎓 学术研究与创新架构
  • Memory Taxonomy 2025（爱丁堡大学+港中文）：三大记忆分类与六种操作
  • 3DLLM-MEM（UCLA+Google）：3D 环境长时记忆，用于机器人
  • MIRIX（UCSD+NYU）：多模态多智能体记忆系统
  • Larimar：大脑启发架构，分布式情景记忆
  • MemoryOS（北邮团队）：三级分层记忆架构
• 六、📊 评估基准
  • LoCoMo（ACL 2024）：长期对话记忆
  • LongMemEval：时序推理能力测试
  • DMR（MemGPT 团队）：多会话深度记忆检索
• 七、🧩 技术架构对比
  • 架构类型对比：
    • 向量检索：高效快速
    • 图数据库：关系建模最强
    • 混合架构：性能平衡
    • 操作系统级：调度优化显著
    • 代理框架型：灵活度高
  • 代表项目：
    • Mem0（混合）
    • Zep（图时序）
    • MemOS（系统级）
    • Cognee（混合）
    • Letta（代理框架）
• 八、🧭 选择建议矩阵
  • 个人助手：ChatGPT Memory / Claude Memory
  • 专业开发：LangMem / Cognee / Mem0
  • 企业生产：MemOS / Zep / Memori
  • 隐私场景：OpenMemory MCP / Memoripy
  • 跨工具协作：Supermemory MCP
  • 复杂工作流：Julep AI
  • 学术研究：Letta (MemGPT)
• 九、🚀 性能数据对比（简化版）
  • MemOS：准确率 +38.97%，Token -60.95%
  • Cognee：准确率 92.5%
  • Zep：DMR 98.2%
  • Mem0：LoCoMo 68.5%，响应 1.44s
  • OpenMemory (CaviraOSS)：2-3 倍更快，6-10 倍成本优势
• 十、🔗 集成生态对比
  • LangChain / LangGraph / CrewAI / AutoGen / MCP
  • ✅ MemOS、Mem0、Zep、Cognee、LangMem 均深度集成 LangChain
  • ✅ OpenMemory、Supermemory 专注 MCP 生态
• 十一、📂 数据存储架构
  • MemOS：全栈（向量+图+关系+键值）
  • Zep / Cognee / Memory：图+向量混合
  • Memori：SQLite 本地轻量方案
  • Basic Memory：Markdown 文件存储
• 十二、⚖️ 开源协议与商业模式
  • Apache 2.0：Mem0, Zep, Cognee, Letta, Julep
  • MIT：LangMem, Memoripy
  • 商业版：MemOS, Memori
  • 云服务支持：Mem0, Zep, Julep
• 十三、📈 技术趋势总结（2025）
  • 1 架构趋势：图 + 向量混合成主流，记忆系统操作系统化
  • 2 标准化：MCP 成为事实标准
  • 3 隐私优先：数据主权与本地控制成刚需
  • 4 性能优化：Token 成本降低 60%，速度提升 3 倍
  • 5 生态融合：LangChain / LangGraph / MCP 多平台互通
• 十四、🌳 快速选择指南
  • 想要“零配置”：选 ChatGPT Memory
  • 追求隐私安全：选 Memoripy / Basic Memory
  • 开发实验：选 LangMem / Cognee / Mem0
  • 企业生产：选 MemOS / Zep / Memori
  • 跨工具协作：选 Supermemory MCP
  • 工作流自动化：选 Julep AI

设计思路和项目地址： https://github.com/kingkongshot/prompts/blob/refs%2Fheads%2Fmain/prompts%2Fclaude%2Fagents%2Fmemory-network-builder.md

memory-network-builder 生成和使用方法总结：

一、怎么生成的？ memory-network-builder 是为组织和建立记忆（知识）网络而设计的模板/Agent规范。它的生成流程为：

1. 遇到新的信息、决策或学习时，由用户或系统触发。
2. 由专门的 Memory Network Architect 负责，根据内容提炼核心结论。
3. 确定记忆类型（决策decision、实现implementation、学习learning、概念concept、问题issue）。
4. 起一个结论式的中文标题。
5. 用规定的 Markdown 格式描述，结构包含 id、type、title、created（日期）、tags、上下文链接、核心内容和关键文件等。
6. 维护与其他记忆之间的关系（通过[[memory-id]]格式链接）。
7. 每条记忆（Memory Unit）单独存储于项目根目录的 memory/ 文件夹下，文件名为标题+ .md。

二、怎么使用的？

1. 日常项目中遇到新决策、新问题、新经验时，按照规范提炼为独立记忆。
2. 根据类型分类，起标题、填写内容。
3. 结构化存储，及时补全与上下文（其他记忆）之间的关联。
4. 推动团队形成“知识原子化+网状关联式”存档，便于知识追溯、复用与演化。

三、具体例子：如何运作

假设项目中遇到一个新结论：团队决定“使用 JWT 而不是 Session 做认证”。

操作流程与输出：

1. 提炼结论：用 JWT 替代 Session。
2. 类型判定：decision（决策类）。
3. 起标题：“使用 JWT 而不是 Session 做认证”
4. 生成 id：“use-jwt-for-auth”
5. 填写 Markdown：

---
id: use-jwt-for-auth
type: decision
title: 使用 JWT 而不是 Session 做认证
created: 2025-12-18
tags: [authentication, jwt, session, security]
---

### 例子：使用 JWT 而不是 Session 做认证

#### 一句话说明
> 认证系统决定采用 JWT，舍弃传统 Session，实现跨服务无状态登录。

## 上下文链接
- 基于：[[auth-requirements]]
- 导致：[[jwt-auto-refresh-issue]]
- 相关：[[session-storage-comparison]]

#### 核心内容
选择 JWT 的原因包括：便于微服务架构下无状态扩展，客户端可自持 Token，减少服务端状态保存压力。分析过程中权衡了安全性和易用性，最终做出此结论。

#### 关键文件
- `src/auth/jwt.ts` - 认证实现
- `docs/auth.md` - 认证设计文档

6. 存到 memory/使用 JWT 而不是 Session 做认证.md

最终，整个团队可以通过浏览 memory 文件夹和记忆间的网状链接，迅速理解历史决策、概念和实现细节，避免重复思考和知识丢失。

结果是什么？

• 项目沉淀了结构化、易检索、强关联的知识网络。
• 新成员容易快速接手项目，追溯历史决策。
• 知识以“原子结论”为单位，便于持续演化和推理。

Obsidian 支持大部分 语法memory-network-builder 模板中的“特殊语法”，并且可以用于构建知识图谱。下面详细说明：

• YAML Frontmatter（如 --- ... ---）
  Obsidian 可以识别每条 Memory 最上方的 YAML 区块，便于后续做属性查询和自动化管理。

• Markdown 标准语法
  memory-network-builder 的内容均为标准 Markdown 格式，Obsidian 100% 支持。

• 双中括号链接 [[xxx]] （Wiki Link）
  Obsidian 的核心功能之一。

  • 能直接创建页面之间的链接，通过 [[前置的决策或概念]]、[[相关内容]] 让知识节点之间互相关联。
  • 支持未创建页面的“悬挂链接”，日后可补充完善。

• 标签（tags 字段或 #标签）
  Obsidian 支持标签，可以用来聚合和检索相关主题内容。

• Obsidian 自动分析所有内部链接（即 [[xxx]] 这种格式）并生成“知识图谱”视图。
• 在 Obsidian 中打开 Graph View，就可以可视化展示所有页面的关联关系，以及哪些内容链接到了共同的节点。
• 只要每条 Memory 都按照模板规范、写好 Frontmatter、填写链接，Obsidian 会自动把它们组织成网状结构，方便导航和溯源。

假设你有三条 Memory：

• [[使用 JWT 而不是 Session 做认证]]
• [[JWT 自动刷新机制设计]]
• [[认证系统的性能问题]]

它们互相之间像这样链接：

A 的上下文链接里 导致：[[JWT 自动刷新机制设计]]
B 的相关里 相关：[[认证系统的性能问题]]

在 Obsidian 的 Graph View 里，你会看到这三条知识像网络一样连在一起，从 A 延伸到 B，再指向 C。点击任一节点，可以很快跳转、上下深度浏览相关结论。

总结
只要严格采用 memory-network-builder 的 Markdown 模板，Obsidian 就能完美兼容，并借助其强大的图谱能力，实现高效的知识关联和网络化沉淀。

首页： deepwiki

verl

• 定位：veRL（Volcano Engine Reinforcement Learning）是字节跳动火山引擎于 2024 年底开源的分布式大模型强化学习训练框架。其设计目标是将 RLHF 的科研实现转化为可规模化部署的生产级系统。
• 核心功能：veRL 的核心模块包括 Rollout 生成器、奖励建模器、策略更新器、分布式调度器。它支持多种算法，如 PPO、DPO、DAPO （Dynamic Alignment Policy Optimization）和 GRPO，并通过异步管线方式加速训练。其架构借鉴了工业级 RL 系统（如 DeepMind Acme、OpenAI RLHF pipeline），可在数百张 GPU 上同时运行。
• 技术特点与用途：veRL 面向企业和研究机构的“大规模模型后训练”场景。其分布式框架支持任务并行、异步更新和奖励缓存机制，可显著降低 GPU 闲置率。其 DAPO 算法被广泛用于 Qwen 系列模型中，以优化推理稳定性与语言一致性。

地址：https://github.com/VictifyAl/PageIndex

在处理专业长文档时，传统基于向量的检索增强生成（RAG）系统依赖语义相似性，而非真正的相关性。然而，相似性并不等同于相关性，我们在检索中真正需要的是相关性，而这需要推理。为了解决这一问题，VectifyAI 推出了 PageIndex，一个基于推理的 RAG 系统，它能为长文档构建树状索引，并通过该索引进行检索。

• postgres新功能 ai
• postgres chat db
• postgres 新功能 ai 集成
• rag-memory with postgresql + neo4j

PostgreSQL 凭借丰富的插件生态，能够一站式替代时序数据库、向量数据库、图数据库、缓存、搜索引擎、文档数据库等多种专用数据库。以下是精准的插件对应关系补全，兼顾功能匹配度和生产级可用性：

• 核心插件：TimescaleDB
  官方专为PostgreSQL打造的时序数据库扩展，支持自动分区、数据保留策略、时序聚合函数（如time_bucket），完全对标InfluxDB的时序场景（物联网、监控指标等）。

• 核心插件：pgvector
  目前最成熟的PostgreSQL向量插件，支持向量存储、余弦/欧氏/内积相似度计算，兼容OpenAI等大模型Embedding向量，性能接近Milvus，且可与关系数据联动。

• 图处理：pg_graph（PostgreSQL 14+原生图类型） + age（Apache AGE，兼容Cypher查询语言）
• 地理路由：pgRouting（经典插件，支持最短路径、TSP等地理路由算法，替代Neo4j的空间路由能力）

• 缓存互通：redis_fdw（Foreign Data Wrapper，实现PostgreSQL与Redis双向数据访问）
• 高性能读写：pg_prewarm（数据预热到内存） + pg_stat_statements（性能监控）
• 定时任务：pg_cron（替代Redis的定时任务能力）

• 核心插件：PGroonga（基于Groonga的高性能全文检索，支持中文分词、模糊匹配、高亮）
• 轻量替代：PostgreSQL原生tsvector/tsquery（文本索引） + pg_bigm（双字符索引，优化中文模糊查询）
• 分布式检索：Citus（分库分表）+ PGroonga（分布式检索）

• 核心能力：PostgreSQL原生jsonb类型（支持索引、嵌套查询、JSON操作符）
• 增强插件：
  • pg_json_schema（JSON Schema校验，替代MongoDB的文档校验）
  • mongodb_fdw（MongoDB数据接入PostgreSQL）
  • jsonb_plpython（自定义JSON处理函数）

1. 原生能力优先：PostgreSQL的jsonb、tsvector、地理信息（PostGIS）等原生功能已覆盖大部分专用数据库场景，插件仅作增强；
2. 生产兼容性：上述插件均为社区成熟方案，TimescaleDB、pgvector、PGroonga等已在企业级场景大规模落地；
3. 优势：PostgreSQL通过插件实现“一站式”数据存储，避免多数据库同步的复杂度，同时保留SQL的通用性和事务一致性。

模型驱动：深入模型底层动刀，从根本上增强其记忆能力。
应用驱动：在应用层搭建即插即用的记忆框架。
.
✅针对这两大方向做了完整整理，以一些比较核心的工作举例。
.
⭕模型驱动——深入骨髓的记忆改造 (5个典型工作)
这一方向主要是直接改造大模型，让模型“天生”就拥有更强的记忆力。优点是性能上限高，缺点是研发成本高、周期长。
1️⃣Memorizing Transformers (Google, 2022): 融合外部记忆（KNN查找）与内部注意力，让模型能边思考边“翻书”。
2️⃣MemoryLLM (清华, 2024): 在模型每层嵌入可读写的 "memory tokens"，像给大脑装了内置“草稿纸”。
3️⃣Memory³ (记忆弧量, 2024): 首次提出记忆分层框架，模拟人脑对记忆进行分层管理，让记忆组织更有条理。
4️⃣WISE (浙大, 2024): 提出“主记忆+侧记忆”双参数体系，面向终身学习和模型编辑。
5️⃣Titans (Google, 2025): 提出一个专用的神经网络模块，自主学习何时存储、何时遗忘。
.
⭕应用驱动——即插即用的记忆外挂 (5个典型工作)
这一方向偏向不动模型本身，在应用层构建记忆系统。优点是落地快、易扩展，缺点是受限于底层模型的能力。
1️⃣MemGPT (2023): 将LLM视为一个操作系统，通过虚拟上下文管理技术，赋予Agent无限上下文能力。
2️⃣Mem0 (2024): 一个为生产环境设计的通用记忆层，强调平台化服务与可扩展性。
3️⃣Zep (2024): 采用时序知识图谱（Temporal Knowledge Graph）来组织长期记忆，使记忆检索和理解更深刻。
4️⃣Memobase (2025): 基于用户画像（Profile）和事件（Event）构建长期记忆，能自动从对话中抽取结构化信息。
5️⃣HippoRAG (OSU等, 2024): 灵感源于神经生物学，模拟海马体的记忆形成机制。

graphiti是主要做图。 graphiti 播客

memobase主要为了陪伴和个人助手场景设计

Memobase最近支持了event功能，可以记录用户记忆变动的时间发生顺序.

结合完全可定制的二级标签系统，大家可以使用memobase profile和event构建出灵活的长记忆AI

Memobase的时间记忆（temporal memory）居然领先 mem0, langmem, zep...

微软：“经验”酿成“知识”让智能体聪明

BREW：把“经验”酿成“知识”——让语言智能体越用越聪明 问题 大模型智能体每次任务都从“零”开始，重复探索、API 冗余；权重级优化（PPO/GRPO）代价高、黑盒且难增量更新。

思路 不碰模型权重，而是持续蒸馏轨迹经验，构建可解释、模块化、可检索的知识库（KB），把“记忆”变成显式、可控的优化杠杆。

技术路线

Reflector-Agent：用人类规则+任务评分从轨迹中提取「概念-洞察」对，语义去重后得到元概念集合。 Integrator-Agent：为每个元概念维护独立文档，形成分区式 KB，支持精准更新与检索。

Expand-and-Gather MCTS：把 KB 精炼视为「文档状态空间搜索」，并行探索、全局同步，兼顾正确性与可检索性双目标奖励。 推理阶段：top-k 检索注入 prompt，零额外训练成本。

结果 在 OSWorld、τ²-Bench、SpreadsheetBench 三大真实环境上，任务成功率绝对提升 10–20 %，执行步数/对话轮次减少 10–15 %，计算开销与基座模型持平，显著优于现有记忆基线。 意义 首次将“智能体优化”转化为“可解释 KB 的状态搜索”，提供轻量、透明、可扩展的新范式，为长周期、高一致性、可审计的自主系统奠定基础。

https://github.com/DSXiangLi/DecryptPrompt/blob/refs%2Fheads%2Fmain/%E5%BC%80%E6%BA%90%E6%A1%86%E6%9E%B6.MD

阿里通义实验室推出的AgentEvolver开源项目，能让AI智能体在闲置时自主生成任务、执行并进化。项目链接：https://github.com/modelscope/AgentEvolver

https://github.com/microsoft/Generative-AI-for-beginners-dotnet/blob/refs%2Fheads%2Fmain/translations%2Ftw%2FREADME.md

上下文需能推导出答案而非仅相关。发现即使上下文充足，大模型仍有14%-25%错误率。提出选择性生成框架，使模型准确率提升2-10%。

谷歌团队发表在ICLR 2025的新研究《Sufficient Context: A New Lens on Retrieval Augmented Generation Systems》，首次提出「充分上下文」（Sufficient Context）的核心概念，为这个行业痛点提供了全新解法，甚至能让Gemini、GPT等主流模型的正确回答率提升2-10%。

论文地址：https://arxiv.org/pdf/2411.06037

项目地址：https://github.com/hljoren/sufficientcontext

陈天桥团队发布了EverMemOS，这是个开源的AI"记忆增强器"。它让AI告别"金鱼脑"，能长期记住信息、连贯思考，真正理解上下文。

EverMemOS深度整合MCP作为核心接口层，实现Cursor和Claude等工具间的记忆同步。比如能自动关联你上周查过的资料，这才是真正的"持久灵魂"，配置指南在GitHub仓库就能找到。

• MCP Python SDK
• FastMCP Documentation

《Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG》

https://github.com/context-labs/aella-data-explorer#:~:text=Interactive%20visualization%20and%20exploration%20of%20scientific%20papers%20from,project%20is%20a%20collaboration%20between%20Inference.net%20and%20LAION.

https://mp.weixin.qq.com/s/b005axpuXFno5h7gfC5DMg

https://langchain-doc.cn/v1/python/deepagents/middleware.html#%E6%96%87%E4%BB%B6%E7%B3%BB%E7%BB%9F%E4%B8%AD%E9%97%B4%E4%BB%B6

https://deepwiki.com/langchain-ai/deepagents/2.5-planning-with-todolistmiddleware

https://deepwiki.com/search/todolisttodolistagentagenttodo_6c3c8606-7ea0-421a-bb06-9f62292b31ff

Agent自动生成舆情报告！ 项目地址：https://gitee.com/SeniorAgentTeam/bettafish-stock.git 不到两周狂揽2万Star的开源舆情分析平台，只需输入一句话，智能体就能自动爬取全网数据（微博、知乎、GitHub、抖音、小红书、官媒等），最后由Report Agent生成完整分析报告。 报告内容包含舆情发展脉络、传播分析、风险评估与应对策略，自动导出PDF。

其中的5个智能体分工如下：

1. Insight Engine：负责私有数据库挖掘，处理企业内部业务数据，实现公私域数据融合

2. Media Engine：专注多模态内容分析，爬取抖音/快手/小红书的视频图文，还能解析搜索引擎中的天气卡、日历卡、股票卡等结构化信息

3. Query Engine：执行精准信息搜索，覆盖微博/知乎/GitHub等13+社媒平台，广泛采集用户评论和公开舆情

4. Forum Engine：担任"辩论主持人"，协调各Agent进行链式思维碰撞，避免单一模型局限

5. Report Engine：整合所有数据生成最终报告，包含舆情脉络、传播分析、风险评估等完整框架

这套系统通过五方协作，实现了从数据采集到深度分析的全流程自动化。

https://dailypapers.org/paper/2510.18866

🧠 核心方法 LightMem采用三阶段架构：

• 感官记忆： 轻量级压缩和主题过滤，快速去除冗余信息。
• 短期记忆： 主题感知整合，生成更结构化的记忆单元。
• 长期记忆： 引入“睡眠时间更新”机制，将昂贵的记忆维护操作解耦到离线并行执行，大幅降低在线延迟。

必读系列，Huggingface 出品的 LLM 训练手册非常详细的介绍了完整的 LLM 训练流程，包括训练指南（是否需要预训练）、预训练、后训练、基础设施

主要以他们自己训练的 SmolLM3 这个 3B 模型为例子

手册包含了他们训练模型过程中对一系列决策、发现和死胡同的梳理，全是实践经验。

https://huggingface.co/spaces/HuggingFaceTB/smol-training-playbook

https://github.com/ReLink-Inc/PropRAG 核心创新：以"命题"为基础知识单元，通过无LLM的在线束搜索实现高效多跳推理 技术特点：

• 命题知识单元：将文档分解为语义丰富的命题，作为检索和推理的基本单位
• 束搜索算法：采用高效的束搜索在命题路径上进行多步推理，无需在线调用LLM
• 推理路径发现：能够自动发现和构建多步推理链，支持复杂问题解答

https://tech.meituan.com/2024/05/17/cross-modal-ingredient-level-dataset.html

Construct knowledge graph

https://ragflow.io/docs/dev/construct_knowledge_graph

人大开源

https://github.com/RUC-NLPIR/FlashRAG

港大团队开源LightRAG：知识图谱+双层检索，复杂问答准确率飙升30%

LightRAG的主要优势包括：

• 高效的知识图谱构建：LightRAG通过图结构差异分析实现增量更新算法，显著降低了计算开销，使知识库维护更加高效。
• 双层检索机制：该系统结合了低层次（具体实体和属性）和高层次（广泛主题和概念）的检索策略，满足了不同类型的查询需求，提高了检索的全面性和多样性。
• 快速适应动态数据：LightRAG能够在新数据到来时快速整合，无需重建整个知识库，确保系统在动态环境中保持高效和准确。

LightRAG和GraphRAG的核心差异在于架构效率：GraphRAG依赖重型社区结构（单次检索耗61万token），而LightRAG用轻量图谱+双层检索（仅需百级token）。实验显示在法律数据集上，LightRAG以52.8%胜率小幅领先，多样性指标达73.6%碾压对手，且支持增量更新——用图谱的深度配合向量的速度，这才是生产环境该有的样子。

LightRAG用轻量图谱解决RAG语义碎片化问题。它通过实体关系提取和双层检索（既查具体实体又抓宏观关联），兼顾图谱深度与检索速度。相比传统扁平RAG，能挖掘数据间隐含因果链；相比GraphRAG，成本显著降低（检索仅需<100 token vs 61万）、支持增量更新。在法律等复杂领域胜率达52.8%，多样性73.6%。这种平衡使它更适合需频繁更新数据的实际业务场景，尤其适合既要精度又要效率的工业级应用。

https://link.zhihu.com/?target=https%3A//github.com/HKUDS/LightRAG

https://zhuanlan.zhihu.com/p/1892140189524156837

https://hustai.github.io/zh/posts/reasoning/LATS.html

https://mp.weixin.qq.com/s/e_1dGQRLfc_fGAZrQEsLVw

哈佛团队的"Power Sampling"方法很妙：只需改变基座模型的采样分布（从常规改为幂分布），就能大幅提升推理能力。它不依赖强化学习、无需额外训练，连校验器都不用，却让Qwen2-5-Math-7B模型在数学任务准确率从49.6%跃升至74.8%，编程任务更是从21.3%飙升到73.2%——不仅逼近强化学习效果，还避免了多样性坍缩问题。这证明基础模型本身已蕴含强大推理潜力，只是被传统采样方式束缚住了。

项目地址是 https://github.com/JerryZLiu/Dayflow

，展示了这个开源日报工具

打造可信AI Agent：如何让智能体不跑偏、不越界，安全又靠谱如何让 Agent 在开放环境、长序列决策与多工具协作中 - 掘金

迈向可信AI Agent：Jeddak AgentArmor意图对齐与约束遵循方案 - 今日头条

为 AI Agent 行为立“规矩”——字节跳动提出 Jeddak AgentArmor 智能体安全框架 - 今日头条

本文提出图基智能体规划（GAP）框架，突破传统顺序执行范式，通过依赖图建模实现子任务的动态并行/串行调度。

关键技术 依赖感知的子任务图分解 两阶段训练（监督微调+强化学习） 基于MHQA构建的图规划轨迹数据集

性能优势 效率提升：智能并行化减少40%工具调用延迟（实验数据） 准确率改进：多跳问答任务F1值提升15%以上 泛化能力：可扩展至需要多工具协作的复杂场景

应用价值 为金融分析、医疗诊断等需要多源工具协同的领域提供新范式，显著降低AI系统响应时间。 地址:https://arxiv.org/abs/2510.25320

https://github.com/WujiangXu/A-mem-sys

You Don’t Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures https://arxiv.org/pdf/2508.06105

一种受人类记忆启发的轻量级和高效的内存框架，通过选择性过滤、组织和巩固信息，显著提高了LLMs在长上下文和多轮交互场景中的表现，同时大幅降低了计算成本。未来的工作包括加速离线更新、集成知识图谱和多模态记忆机制，以及探索参数化和非参数化记忆组件的协同机制。

ProgramData > anaconda3 > envs > transformer > Lib > site-packages > langchain.graphrag > indexing > graph_generation > entity.relationship.extraction > extractor.py

三篇论文

https://huggingface.co/spaces/mteb/leaderboard https://zhuanlan.zhihu.com/p/24604344712

GitHub搜索"Yuliang-Liu/MonkeyOCR"即可。本地部署后，直接上传图片或PDF，能秒速提取文字表格公式，输出Markdown或Excel格式，适合处理各类文档且保护数据安全。

git-mpc和， context7背后是各种开发框架，它针对所有github仓库

项目GitHub地址：https://github.com/wendy7756/AI-Video-Transcriber

这款开源工具叫AI-Media2Doc，能将音视频一键转成小红书、公众号等风格的文档。它支持本地部署，数据都存在自己电脑，隐私有保障。适合一人公司做知识管理和内容创作，已在GitHub收获2.5k star，值得一试。

GitHub开源地址是：https://github.com/ScrapeGraphAI/ScrapeGraph-ai，官网是scrapegraphai.com。

GitHub开源项目Super Agent Party确实支持视频中提到的功能，包括QQ/B站直播接入、RAG检索、代码沙盒等。部分功能如B站接入需配置UA，Mac版仅适配M芯片。

MetaGPT项目地址：https://github.com/geekan/MetaGPT（GitHub获58.9k星标）。安装需Python 3.9-3.12环境，推荐命令：conda create -n metagpt python=3.9 && pip install --upgrade metagpt。核心用法：终端输入metagpt "创建2048游戏"即可生成完整项目；也可作为库调用，实现从需求描述到多角色协同开发的全流程自动化，特别适合快速构建MVP产品和教育编程场景。

微调：49k，知识库，智能客服，代码生成，强化学习

Supabase作为开源项目，支持通过Docker或源码在本地自行部署，既提供云端托管也满足私有化需求。

项目地址是 https://github.com/deepset-ai/haystack

Haystack是生产级RAG框架，在GitHub有22.9k星标。它支持200多个大模型一键切换，能降低RAG幻觉63%。核心功能包括企业知识库问答、AI会议助手、法律合同审查和医疗问答系统构建，特点是向量库可自由替换、零成本迁移，适合需要稳定落地RAG场景的企业。

技术选型看这里：RAG是基础框架，FlowRAG专精复杂文档处理（比如法律合同）。Haystack能降63%幻觉，关键其实在知识库质量——文档切片准不准、语义匹配强不强，这才是根子上的事。

开源ai混合搜索引擎是 Meilisearch，GitHub 地址是 github.com/meilisearch/meilisearch。它基于 Rust 实现，支持混合搜索，GitHub 已获 53.7k 星标。

官网：docs.letta.com/

https://mp.weixin.qq.com/s/Ddf3rpdJP8P_L5yaPnBFBA

https://github.com/milvus-io/bootcamp/blob/master/bootcamp/RAG/advanced_rag/langgraph-graphrag-agent-local.ipynb

标准 GraphRAG： 效果最好，图谱信息最丰富，但最贵最慢。 FastGraphRAG： 速度快，成本低，但图谱信息相对简单。 LazyGraphRAG (懒人版/省钱版)： 这是个新趋势。它在索引阶段只做最少的工作，大部分 LLM 的计算任务推迟到你真正提问的时候再做。这样前期成本大大降低，特别适合超大数据集或预算有限的情况。

AI知识图谱中GraphRAG，核心内容可总结为以下几点：

1. 传统RAG的局限性

传统RAG将文章切成文字片段，通过embedding转化为向量存入向量数据库。但存在矛盾：

• 片段切太大，会漏掉细节（如统计“西瓜出现次数”时，因西瓜分散在不同片段，易检索错误或遗漏）；
• 片段切太小，会破坏语义联系（如查询“老王喜欢吃什么”时，因信息被打断而无法回答）。

2. GraphRAG的解决方案：知识图谱

GraphRAG通过知识图谱（Knowledge Graph） 解决传统RAG的问题，知识图谱由实体（Entity）、关系（Relationship） 及属性构成，这种图结构称为LPG（Labeled Property Graph）。

以“老王爱吃西瓜”为例，构建知识图谱的过程：

• 命名实体识别：识别出“老王”“西瓜”两个实体；
• 关系抽取：识别出“爱吃”的关系；
• 多轮追问（Data Cleaning）：GraphRAG会反复让大模型补充信息，确保图谱完整；
• 实体合并与总结：对文章中所有片段生成的知识图谱，合并同名实体，并让大模型生成更通顺的总结性描述，最终形成文章级的知识图谱。

3. 知识图谱的层级结构

为了让庞大的知识图谱更易查询，GraphRAG通过莱顿社区检测算法，将边密集的节点合并成子图，再让大模型生成子图的总结性描述，形成层级结构——上层信息抽象精炼，下层接近原文细节。

4. 查询策略

• Local Search：从最底层知识图谱开始查询，适合细节丰富、定位准确的问题（如“老王爱吃什么具体食物”）；

• Global Search：从图谱高层开始查询，适合抽象、全局性的问题（如“文章核心观点是什么”）。

• Local Search：从最底层的知识图谱开始，找出与问题最接近的实体，再反向追溯这些实体和边由哪些原文生成，以及出现在哪些上层图谱结构里，适合处理细节丰富、定位准确的问题。

• Global Search：从图谱的高层开始，一层一层向下追溯，适合回答抽象、全局性更强的问题，例如文章的核心观点是什么。

整体而言，GraphRAG通过让大语言模型深度参与知识图谱的构建、总结和查询全流程，解决了传统RAG的细节与语义矛盾问题，虽较“烧资源”，但效果表现不错。

https://github.com/topoteretes/awesome-ai-memory

基于 Langchain 的 Elasticsearch Agent 对文档的搜索 https://elasticstack.blog.csdn.net/article/details/136253286

万物皆可上下文， 挖掘上下文 https://github.com/volcengine/MineContext/tree/main?tab=readme-ov-file https://github.com/volcengine/MineContext/blob/main/README_zh.md

字节开源AI助手MineContext，是一款能主动工作的"数字外脑"。它自动分析你电脑上的文档、网页等内容，实时生成待办清单和每日摘要，不像普通AI等你提问。所有数据都存储在本地不上传云端，既保护隐私又能帮你摆脱信息碎片化困扰，工作学习效率提升明显。

https://mp.weixin.qq.com/s/c0KC--EO9tuJuaadlujobg

https://github.com/1517005260/graph-rag-agent/blob/master/assets/start.md

https://github.com/1517005260/graph-rag-agent

https://deepwiki.com/1517005260/graph-rag-agent/2-core-architecture

基于graph+rag的mem0 https://github.com/mem0ai/mem0

https://github.com/orgs/OpenSPG/discussions/52

KAG客户端 使用方式： https://github.com/1850298154/KagTest

参考 HippoRAG https://github.com/OSU-NLP-Group/HippoRAG https://dl.acm.org/doi/10.5555/3737916.3739818

RAG分割文档的几种方式：

1. 基于语义相似性的分割文本 https://python.langchain.ac.cn/docs/how_to/semantic-chunker/
2. 其他（基于固定长度、基于滑动窗口、基于标题等）

https://www.cnblogs.com/crazymakercircle/p/18867143

https://github.com/nmslib/hnswlib

https://zhuanlan.zhihu.com/p/1955356511661458958

官网地址是：https://lumina.sh，可直接访问使用这款免费学术搜索引擎。

https://www.geeksforgeeks.org/category/nlp/

https://liuhuanyong.github.io/

https://github.com/TGLTommy?tab=repositories

https://www.youtube.com/@TGLTommy

唐国梁Tommy官方网站 tgltommy.com

微信公众号 tgltommy.com/p/official-wechat

bilibili space.bilibili.com/474347248

项目 GitHub 地址：github.com/google/LangExtract
PyPI 安装命令：pip install langextract

Easy Workspace工具，它能自动将PDF、Word等非结构化数据转化为结构化微调训练数据。通过三步流程：数据标准化、内容提取分割、生成问答对，帮助企业高效完成大模型微调，显著降低人工成本。

https://www.53ai.com/news/LargeLanguageModel/2024061171948.html

Roo Code 最早

Cline 代码比roo code仓库的更规范

Kilo 继承前两者

Metamove 字节内部

MECE分析法，全称Mutually Exclusive Collectively Exhaustive，中文意思是“相互独立，完全穷尽”。 也就是对于一个重大的议题，能够做到不重叠、不遗漏的分类，而且能够借此有效把握问题的核心，并解决问题的方法。

优点：并发度，丰富度，发散性 缺点：关联度，交叉度，逻辑性

专属AI股神 TradingAgents-CN，专门为中文用户设计，支持本土化操作。它能智能分析趋势，提供精准的建议

🔥更多大模型教程：https://github.com/echonoshy/cgft-llm

https://github.com/Shubhamsaboo/awesome-llm-apps

ashishpatel26/500-A1-Agents-Projects

sindresorhus/awesome

Rabbithole.chat

https://www.aihub.cn/tools/study/gauth/

Findin AI是AI学术工具，能显著提升科研效率。

https://www.aihub.cn/tools/study/gauth

https://ai.plainenglish.io/forgetting-in-ai-agent-memory-systems-7049181798c4

Discover and explore top open-source AI tools and projects—updated daily.

https://www.sourcepulse.org/

https://www.sourcepulse.org/projects/1844761

https://aitool.zyqok.com/

https://aitool.zyqok.com/digest/2024/0402/RAGOnMedicalKG-%E5%8C%BB%E8%8D%AF%E9%A2%86%E5%9F%9FKG+%E5%A4%A7%E6%A8%A1%E5%9E%8BRAG%E9%A1%B9%E7%9B%AE%E5%BC%80%E6%BA%90%E5%85%BC%E7%9C%8B20240329%E5%A4%A7%E6%A8%A1%E5%9E%8B%E8%BF%9B%E5%B1%95%E6%97%A9%E6%8A%A5/

https://mp.weixin.qq.com/s/0l6TP8DjArNwulMfFNlw1A

mem0技术与架构拆解图 上篇笔记介绍了外挂记忆系统的... http://xhslink.com/o/4Kv1JF4WfUE Copy and open Xiaohongshu to view the full post！

一站式AI产品经理入门指南 https://v11enp9ok1h.feishu.cn/wiki/KiIvwdFOciiqqNkwKzTcmn88ndL

AI 活雷锋 https://kwz55xptfhg.feishu.cn/wiki/T5oew0kY4in3EIk1Wlfc3oIGnhe

AI产品经理行业资料库（持续更新） https://gxvezr0dpem.feishu.cn/docx/BE1YdDKeOoNZcvxeidccwJ65nnc

https://kwz55xptfhg.feishu.cn/wiki/F9odwJL5NiOc7vkscm5cC2nAnIh

https://xuankaiwang.github.io/