{
  "count": 152,
  "tools": [
    {
      "id": 463,
      "full_name": "obra/superpowers",
      "name": "superpowers",
      "url": "https://github.com/obra/superpowers",
      "stars": 318740,
      "forks": 28404,
      "open_issues": 309,
      "license": "MIT",
      "language": "Shell",
      "category": "其他",
      "description": "An agentic skills framework & software development methodology that works.",
      "value_note": "适合长期用 AI 代理做真实项目、且重视工程规范（TDD、评审、可维护性）的开发者或小团队，尤其适合让代理自主完成中大型功能开发。",
      "archived": false,
      "last_pushed": "2026-09-27",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Superpowers 不是独立软件，而是一套面向 AI 编码代理（coding agent）的开发方法论插件包，用 Shell 脚本 + Markdown「技能（skills）」实现。装上后，你的代理在动手写代码前会先反问你真正想解决什么问题，逼出一份需求规格，分小块给你确认；设计通过后再生成实现计划，强调真正的红/绿 TDD、YAGNI 和 DRY；随后启动「子代理驱动开发」，把每个工程任务派给子代理执行，并自动审查其产出、按计划推进，可连续自主工作数小时。技能会自动触发，无需手动调用，相当于给代理装上固定的工程纪律和流程。",
      "pros": "· 技能自动触发，装完即用，不需要每次手动提示代理遵循流程\n· 强制「先确认需求 → 出设计 → 再写代码」，显著减少代理乱写、跑偏和返工\n· 内置真正的 TDD / YAGNI / DRY 约束，产出的代码质量和可测试性更可控\n· 子代理分工 + 逐任务审查，能长时间自主推进较大型任务\n· 适配面极广，Claude Code、Codex、Cursor、Gemini CLI、Copilot CLI、OpenCode 等十余种宿主都有安装方式",
      "cons": "· 强流程会拖慢小改动：改一行配置也要走需求确认和计划，属于杀鸡用牛刀\n· 与宿主代理深度耦合，换代理要重新装一遍，且不同 harness 体验和稳定性不一致\n· 本质上是一堆提示词/技能文件，模型不听话或上下文被截断时流程会被绕过，效果不稳定\n· 生态较新、迭代快，插件命令和目录结构可能随版本变动，存在维护与升级成本",
      "requirements": "本体为 Shell 脚本 + Markdown 技能定义，无独立运行时、无数据库、无特殊硬件要求，仅需 git 与 POSIX shell（macOS/Linux，Windows 建议 WSL）。实际运行依赖宿主代理 CLI：Claude Code 需 Node.js 18+，Codex/Cursor/Gemini CLI/Copilot CLI 等各自有 Node.js 或自带运行时要求；需具备可用的模型 API 额度或订阅。多宿主需分别安装。",
      "difficulty": "中",
      "best_for": "适合长期用 AI 代理做真实项目、且重视工程规范（TDD、评审、可维护性）的开发者或小团队，尤其适合让代理自主完成中大型功能开发。",
      "alternatives": "GitHub Spec Kit、BMAD-METHOD、Agent OS（buildermethods）",
      "topics": "ai, brainstorming, coding, obra, sdlc, skills, subagent-driven-development, superpowers",
      "homepage": null
    },
    {
      "id": 103,
      "full_name": "langflow-ai/langflow",
      "name": "langflow",
      "url": "https://github.com/langflow-ai/langflow",
      "stars": 156718,
      "forks": 10421,
      "open_issues": 1057,
      "license": "MIT",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "Langflow is a powerful tool for building and deploying AI-powered agents and workflows.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Langflow 是一个可视化低代码平台，用于拖拽式搭建和部署基于大模型的 AI Agent 与工作流。你在浏览器画布上把 Prompt、LLM、向量库、检索器、工具调用、条件分支等组件连成一张图（Flow），即可实现 RAG 问答、多智能体协作、文档处理、API 编排等任务。每个组件都能点开看底层 Python 代码并按需改写，内置 Playground 可逐步调试运行过程。搭好的流程可以一键发布为 REST API，或导出为 JSON 嵌入 Python 应用，也能注册成 MCP Server，把整条流程变成可被 Claude、Cursor 等 MCP 客户端调用的工具。此外接入 LangSmith、LangFuse 做可观测性，支持 Docker 和主流云平台部署，定位是「原型验证到生产落地」的一体化框架。",
      "pros": "· 拖拽画布 + Python 源码双向可见，既能让非专业开发者快速搭原型，又允许开发者改写任意组件的底层逻辑\n· 生态覆盖面广，内置主流 LLM（OpenAI/Anthropic/本地 Ollama 等）、向量数据库和大量社区组件，省去大量胶水代码\n· 一键发布为 REST API 或 MCP Server，流程可直接作为工具被其他框架和 AI 客户端复用，集成成本低\n· 提供 Windows/macOS 桌面版，免 Python 环境管理，同时支持 uv 安装、源码运行、Docker 三种方式，上手路径灵活\n· MIT 协议 + 14.9 万 Star，社区活跃、组件与模板丰富，遇到问题容易找到现成答案",
      "cons": "· 版本迭代非常快，组件接口、配置方式和数据库结构经常变动，跨版本升级可能遇到流程不兼容或需要重建\n· 默认用 SQLite 单机存储、认证机制相对简单，直接当生产系统用需要额外做数据库切换（PostgreSQL）、鉴权加固和反向代理\n· 依赖体积大（含前端构建产物、向量库、各类 SDK），首次安装和镜像拉取慢，内存占用不低\n· 复杂流程一旦连线较多，调试和错误定位比较费劲，节点报错信息有时不够直观，容易变成「黑盒排错」",
      "requirements": "语言/运行时：Python 3.10–3.14，推荐用 uv 作为包管理器（uv pip install langflow -U，然后 uv run langflow run）；源码开发需要 Node.js 与 pnpm 构建前端。数据库：默认内置 SQLite（本地文件），生产建议 PostgreSQL。部署方式：可 Docker（docker run -p 7860:7860 langflowai/langflow:latest），或使用 Windows/macOS 桌面版免环境安装。硬件：建议至少 2 核 CPU、4GB 内存（跑本地模型或大流程需 8GB 以上）、数 GB 磁盘空间存放依赖与数据。网络/密钥：调用云端模型需配置对应厂商 API Key（OpenAI、Anthropic 等），本地模型需自备 Ollama 等推理服务。默认端口 7860。",
      "difficulty": "中",
      "best_for": "适合需要快速验证 AI Agent / RAG 工作流的产品经理、数据工程师和全栈开发者，尤其是想在可视化拖拽与 Python 定制之间取得平衡、并希望把成果直接暴露成 API 或 MCP 工具复用的团队。",
      "alternatives": "· Flowise（同为拖拽式 LLM 流程编排，Node.js 技术栈，更轻量）\n· Dify（更偏企业级 LLMOps 平台，内置数据集、应用发布与运营后台）\n· n8n / Coze（通用自动化或托管式 Agent 平台，偏业务集成而非代码级定制）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 65,
      "full_name": "farion1231/cc-switch",
      "name": "cc-switch",
      "url": "https://github.com/farion1231/cc-switch",
      "stars": 154975,
      "forks": 10150,
      "open_issues": 2707,
      "license": "MIT",
      "language": "Rust",
      "category": "编程Agent/开发",
      "description": "A cross-platform desktop All-in-One assistant for Claude Code, Codex, OpenCode, OpenClaw, Grok Build & Hermes Agent. Only official website: ccswitch.io",
      "value_note": "CC Switch 是一个基于 Tauri 2（Rust 内核 + Web 前端）的跨平台桌面应用，用图形界面统一管理 Claude Code、Claude Desktop、Codex、Gemini CLI、Grok B",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-08-25_08-20-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "CC Switch 是一个基于 Tauri 2（Rust 内核 + Web 前端）的跨平台桌面应用，用图形界面统一管理 Claude Code、Claude Desktop、Codex、Gemini CLI、Grok Build、OpenCode、OpenClaw、Hermes Agent、MiniMax Code 等一批 AI 编程/Agent 命令行工具的配置。它把每个工具的多套 API 供应商、中转站地址、API Key、模型等参数集中保存，点一下即可在官方账号与第三方中转、不同模型之间切换，并自动改写各工具本地的配置文件（如 ~/.claude 等），免去手动翻改 JSON/TOML 的麻烦。本质是一个多 AI CLI 工具的配置/账号切换器，解决同时使用多个 AI 工具或多家 API 服务时配置分散、切换繁琐、容易改错的问题。",
      "pros": "· 一个 GUI 集中管理近十种主流 AI 编程 CLI 工具，跨平台（Windows/macOS/Linux）\n· 一键切换 API 供应商与 Key，自动改写各工具配置文件，省去手改 JSON/TOML\n· 基于 Tauri 2 + Rust，体积小、内存占用低、启动快，无需 Electron\n· MIT 开源免费，界面多语言，有官网与文档支撑",
      "cons": "· 只做配置管理与切换，不提供模型能力，实际效果取决于所配中转/API 质量\n· 依赖各 AI 工具自身的配置格式，上游工具更新格式时可能短暂失效\n· README 充斥赞助与推广链接，第三方中转站稳定性、合规性需自行甄别\n· 项目星标数异常偏高，需注意营销成分",
      "requirements": "终端用户只需下载对应平台安装包（Windows 10+、macOS 10.15+、主流 Linux，依赖系统 WebView2 / WebKitGTK），无需数据库，也无需安装 Rust；从源码构建则需 Rust 工具链 + Node.js/pnpm（Tauri 2）及对应系统依赖。使用前需另行安装所要管理的 AI CLI 工具，并准备相应 API Key。",
      "difficulty": "低",
      "best_for": "同时使用多个 AI 编程 CLI/Agent 工具、或在官方与多家第三方中转 API 之间频繁切换的开发者。",
      "alternatives": "ccman、Claude Code Router、Cherry Studio（或直接用各工具自带配置手动管理）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 453,
      "full_name": "shadcn-ui/ui",
      "name": "ui",
      "url": "https://github.com/shadcn-ui/ui",
      "stars": 124525,
      "forks": 11031,
      "open_issues": 1841,
      "license": "MIT",
      "language": "TypeScript",
      "category": "网页设计/建站",
      "description": "Composable, accessible components with thoughtful defaults. Build your own component library with code you can customize, extend, and make your own.",
      "value_note": "适合使用 React + Tailwind、需要深度定制品牌 UI 的团队和独立开发者，尤其是想长期维护自有设计系统、不愿被第三方组件库版本绑架的项目。",
      "archived": false,
      "last_pushed": "2026-09-24",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "shadcn/ui 不是传统意义上通过 npm install 引入的组件库，而是一套可复制的组件源码集合加配套 CLI/registry 工具链。它基于 Radix UI 的无障碍原语和 Tailwind CSS 样式，提供 Button、Dialog、Select、Table、Form、Sidebar 等几十个成品组件。执行 npx shadcn@latest add button 后，组件源码会直接写入你的项目目录，从此就是你自己的代码，可任意修改、扩展、重写样式，不存在版本锁定或黑盒依赖。它解决的是组件库领域的老问题：现成库要么难改、要么样式不合品牌、要么无障碍做得差。你可以在保留 Radix 键盘导航与 ARIA 语义的同时，用 Tailwind 加 CSS 变量主题快速做出符合自身设计规范的界面，并逐步沉淀为团队自有的组件库。",
      "pros": "· 代码直接复制进项目，完全归你所有，可任意改样式和逻辑，没有黑盒依赖和版本锁定\n· 基于 Radix UI，焦点管理、键盘操作、ARIA 语义、Esc/方向键等无障碍行为开箱即用\n· 主题用 CSS 变量加 Tailwind token 管理，暗色模式和多套品牌主题切换成本很低\n· CLI 加 registry 机制可按需增量引入组件，也能发布私有 registry 搭建内部组件库\n· 不引入运行时组件包，可渐进式采用，bundle 体积和升级节奏由自己控制",
      "cons": "· 组件源码进入业务仓库后，上游修复与更新需要自己手动 diff 同步，维护责任转移到使用方\n· 强绑定 Tailwind CSS 与 cn/tailwind-merge 工具链，想换 CSS-in-JS 或其它样式方案迁移成本高\n· 只提供 UI 层封装，表单校验、状态管理、数据请求、国际化等都要自己接（不像 MUI/AntD 全家桶）\n· 处于 Tailwind v4 / React 19 迁移期，存在破坏性变更，部分组件仍是 client component，RSC 下需注意边界",
      "requirements": "运行时：Node.js 18+（推荐 20 LTS）+ 包管理器（npx/pnpm/npm）。框架：React 18 或 19（Next.js、Vite、Remix 均可），TypeScript 可选但推荐。样式：Tailwind CSS v3.4+ 或 v4。依赖：clsx、tailwind-merge、class-variance-authority、lucide-react，以及按需安装的 Radix UI primitives。无数据库、无后端服务要求，纯前端。开发本仓库需 pnpm + Turborepo + Next.js；硬件无特殊要求，普通开发机即可。",
      "difficulty": "中",
      "best_for": "适合使用 React + Tailwind、需要深度定制品牌 UI 的团队和独立开发者，尤其是想长期维护自有设计系统、不愿被第三方组件库版本绑架的项目。",
      "alternatives": "Radix UI Themes、Material UI (MUI)、Ant Design、Chakra UI、Mantine、Headless UI、shadcn-vue/shadcn-svelte 等社区移植版",
      "topics": "base-ui, components, laravel, nextjs, radix-ui, react, react-aria, react-aria-components, shadcn, tailwindcss, tanstack, ui, vite",
      "homepage": "https://ui.shadcn.com"
    },
    {
      "id": 28,
      "full_name": "browser-use/browser-use",
      "name": "browser-use",
      "url": "https://github.com/browser-use/browser-use",
      "stars": 121249,
      "forks": 13558,
      "open_issues": null,
      "license": "MIT",
      "language": "Python",
      "category": "自动化/集成",
      "description": "Agents that use the browser.",
      "value_note": "以前需要写爬虫/Python脚本的事，现在AI自动搞定。竞争对手监控、数据采集、表单提交全自动化。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-14_08-25-54.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Browser Use 是一个让大模型直接操控浏览器的开源 Python（另有 TypeScript 版）库。它通过 Playwright/CDP 驱动真实 Chrome，把页面的 DOM 转成带编号的可交互元素列表（接近无障碍树），交给 LLM 阅读并决定点哪个按钮、填哪个框、跳哪个链接，从而实现“用自然语言描述任务 → Agent 自动完成网页操作”。典型用途包括自动填表、抢预约/挂号、跨站信息采集与比对、登录后操作后台、走完多步下单或申请流程，甚至处理验证码（需接云浏览器）。它解决的核心问题是传统 Selenium/Playwright 脚本依赖硬编码选择器、页面一改版就失效的痛点，同时提供结构化输出、多标签页、文件下载等能力，可作为 Agent 产品里的“浏览器手和眼”。",
      "pros": "· 自然语言驱动，不用写选择器，页面改版后仍有较强鲁棒性\n· 模型可选择，支持 OpenAI/Anthropic/Gemini 及本地 Ollama，也能接自有模型\n· 可连本地 Chrome 复用登录态，也可用云浏览器，支持多标签页、下载、结构化输出\n· Python/TypeScript 双语言，有 CLI 与 Agent skill 安装方式，社区活跃、文档和示例丰富\n· 开源免费（MIT），可直接嵌入自己的 Agent 或 RPA 流程做二次开发",
      "cons": "· 依赖 LLM 推理，token 消耗和成本较高，长任务延迟大且容易陷入循环或跑偏，稳定性不如写死的脚本\n· 复杂站点（强反爬、动态渲染、iframe/Canvas）、登录风控与验证码仍需人工介入或付费云服务配合\n· 版本迭代极快，API 经常变动，网上教程和旧代码容易失效\n· 真正的 stealth、CAPTCHA 破解、住宅代理等关键能力绑定其付费云平台，纯本地效果有限",
      "requirements": "语言：Python >= 3.11（官方示例推荐 3.12），另有 TypeScript 版本；包管理建议 uv（或 pip）。依赖：Playwright 及其 Chromium（或连接本地 Chrome 的 CDP 端口）。模型：必须提供至少一个 LLM 的 API Key（OpenAI/Anthropic/Google 等），可选 Browser Use Cloud API Key 用于云浏览器或内置模型。数据库：无强制要求。硬件：普通开发机即可，建议 4-8GB 以上可用内存用于跑无头 Chromium；并发多任务或大规模爬取时才需考虑多机/云浏览器资源。",
      "difficulty": "中",
      "best_for": "适合需要让 LLM 自动完成网页操作任务的开发者和小团队，例如自动化表单填写、批量信息采集、预约/下单流程、以及在自家 Agent 产品中集成浏览器操作能力。",
      "alternatives": "Playwright / Selenium（传统脚本式自动化，稳定但需手写选择器）；Stagehand（Browserbase 出品，同为 LLM 驱动浏览器，TypeScript 生态）；Skyvern（面向表单流程与工作流自动化的开源浏览器 Agent）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 41,
      "full_name": "bytedance/deer-flow",
      "name": "deer-flow",
      "url": "https://github.com/bytedance/deer-flow",
      "stars": 82469,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "Python",
      "category": "数字员工/Agent框架",
      "description": "An open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-23_10-18-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "DeerFlow 2.0 是字节跳动开源的「超级智能体运行框架」（super agent harness），本身不是一个具体应用，而是把子智能体（sub-agents）、长期记忆、沙箱执行环境与可扩展技能（skills/tools）编排起来的底座。用户给它一个复杂任务（深度调研、写代码、批量处理文件、定时追踪信息等），它会自动拆解任务、派发子智能体并行执行、调用搜索/爬虫/代码执行等工具、在隔离沙箱里读写文件，最后汇总成报告或交付物。2.0 相对 1.x 的 Deep Research 框架是彻底重写，从「深度研究」扩展为通用任务执行平台，支持 MCP 协议接入外部工具、IM 渠道交互、定时任务、TUI 终端工作台，并提供嵌入式 Python 客户端供二次开发。",
      "pros": "· 字节跳动官方维护、MIT 许可，社区热度极高（2026-02-28 登顶 GitHub Trending），迭代活跃\n· 架构完整：子智能体编排 + 长期记忆 + Docker 沙箱 + 可扩展 Skills，覆盖调研、编码、文件处理等通用场景\n· 生态接入丰富：MCP 协议、多家 LLM 供应商（豆包/DeepSeek/Kimi/OpenAI 兼容）、LangSmith/Langfuse/Monocle 链路追踪、IM 渠道、InfoQuest 搜索爬虫\n· 部署方式友好，提供 Docker 一键方案与 Install.md，甚至可把配置交给 Claude Code/Cursor 等编码智能体代劳\n· 既是开箱可用的产品，也提供 TUI 工作台、调度任务和嵌入式 Python 客户端，便于深度定制",
      "cons": "· 2.0 是从零重写、与 1.x 不共享代码，网上大量基于 1.x 的教程、插件和配置完全失效\n· 组件多（前后端 + 沙箱 + 记忆/持久化存储 + 多个外部服务密钥），部署与调试成本高，资源占用不低\n· 强依赖外部 LLM 与搜索/爬虫服务（BytePlus InfoQuest 等），需申请密钥、可能产生调用费用，且部分能力偏向字节国内生态\n· 官方明确警告部署不当会带来安全风险（沙箱逃逸、任意代码执行、公网暴露），不建议直接裸奔在生产环境",
      "requirements": "后端 Python 3.12+，前端/工具链 Node.js 22+（Makefile 驱动），推荐 Docker / Docker Compose 部署；需自备 LLM API Key（官方推荐 Doubao-Seed-2.0-Code、DeepSeek v3.2、Kimi 2.5，也支持 OpenAI 兼容接口）；沙箱模式依赖 Docker 容器隔离，记忆与会话状态需持久化存储支撑（具体组件清单以仓库部署文档与 Deployment Sizing 章节为准）；可选接入 InfoQuest 等搜索/爬虫服务与 LangSmith/Langfuse 追踪。硬件上建议至少 4 核 CPU、8–16GB 内存，并发子智能体多时需按比例上调。",
      "difficulty": "高",
      "best_for": "想自建通用 Agent 平台或类 Manus 深度研究系统的技术团队/开发者，尤其是需要多智能体编排、沙箱执行、可插拔工具与 MCP 生态，并能接受较高部署运维成本的人。",
      "alternatives": "OpenManus、LangManus、CrewAI（或 Dify/n8n 这类低代码 Agent 编排平台）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 64,
      "full_name": "Panniantong/Agent-Reach",
      "name": "Agent-Reach",
      "url": "https://github.com/Panniantong/Agent-Reach",
      "stars": 112383,
      "forks": 10070,
      "open_issues": 138,
      "license": "MIT",
      "language": "Python",
      "category": "数字员工/Agent框架",
      "description": "Give your AI agent eyes to see the entire internet. Read & search Twitter, Reddit, YouTube, GitHub, Bilibili, XiaoHongShu — one CLI, zero API fees.",
      "value_note": "Agent Reach 是一个 Python 编写的命令行工具（CLI），本质是给 AI Agent 加装的「互联网读取层」",
      "archived": false,
      "last_pushed": "2026-09-01",
      "data_source": "github_api",
      "sources": "2026-08-25_08-20-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Agent Reach 是一个 Python 编写的命令行工具（CLI），本质是给 AI Agent 加装的「互联网读取层」。它把 Twitter/X、Reddit、YouTube、GitHub、B站、小红书、Facebook、Instagram、LinkedIn、V2EX、雪球、RSS、小宇宙播客等十几个平台的抓取能力，统一封装成 Agent 可直接调用的命令：抓网页正文、拉 YouTube 字幕、搜推文、读 Reddit 帖子和评论、拿 B 站视频详情、看小红书笔记口碑等，并输出已清洗的结构化纯文本而非原始 HTML。核心思路是用 Cookie/浏览器登录态、yt-dlp、Jina Reader、MCP 等免费或非官方后端替代各平台的付费 API，并为每个平台做「首选+备选」多后端路由，某个接入方式被平台封杀时自动切换，用户无需改配置。此外还提供 agent-reach doctor 命令做连通性自检。",
      "pros": "· 零 API 费用，一个 CLI 覆盖 Twitter/Reddit/YouTube/GitHub/B站/小红书等十几个平台，省去逐个踩坑\n· 多后端路由设计：某渠道被封（如 yt-dlp 被 B站风控拦截）会自动换备选，用户无感，维护成本由作者承担\n· 接入极简，把安装文档链接丢给 Agent 一句话即可装好，兼容 Claude Code、Cursor、OpenClaw 等任何能跑命令行的 Agent\n· Cookie 与登录态只存本地不上传，MIT 开源代码可审查，自带 doctor 一键诊断哪个平台通/不通\n· 输出已清洗的结构化文本，直接可读，不需要自己处理反爬和 HTML 解析",
      "cons": "· Reddit、Facebook、Instagram、小红书等平台没有零配置路径，必须依赖 OpenCLI 复用本地 Chrome 登录态或手工导出 Cookie，配置门槛和失效风险明显更高\n· 依赖非官方接口与 Cookie 抓取，处在平台 ToS 的灰色地带，账号被限流/封禁、接口随时变更的风险由使用者承担\n· 部分能力有额外前置条件：播客转录需 Whisper 与 Key，服务器部署可能需自备代理（约 $1/月），高频抓取易触发风控\n· 稳定性不承诺，平台风控一升级相关平台就会短期不可用，需等待项目方跟进修复",
      "requirements": "Python 3.10+；可执行命令行的环境（本地电脑或服务器）；无需数据库，Cookie/凭证保存在本地；网页、YouTube 字幕、RSS、V2EX 开箱即用，YouTube 依赖 yt-dlp、B站依赖 bili-cli；Reddit/Facebook/Instagram/小红书需桌面 Chrome + OpenCLI 复用登录态，或用 Cookie-Editor 手工导出 Cookie；搜狗/全网搜索与 GitHub 走 MCP，免费无需 Key；小宇宙播客转录需 Whisper 及免费 Key；服务器环境建议自备代理（约 $1/月），本地不需要。硬件要求低，普通笔记本即可。",
      "difficulty": "低",
      "best_for": "想让 AI Agent 直接读取社交媒体、视频与论坛内容的个人开发者、研究者和内容运营，尤其是不愿付平台 API 费用、只需「读数据」做调研、总结、舆情监控的场景。",
      "alternatives": "· browser-use / BrowserAct（浏览器自动化抓取）\n· Firecrawl（网页转结构化数据）\n· Jina Reader（r.jina.ai，网页正文提取）\n· yt-dlp + 自建脚本组合",
      "topics": null,
      "homepage": null
    },
    {
      "id": 451,
      "full_name": "strapi/strapi",
      "name": "strapi",
      "url": "https://github.com/strapi/strapi",
      "stars": 73228,
      "forks": 9881,
      "open_issues": 570,
      "license": "MIT (CE) + Commercial (ee/)",
      "language": "TypeScript",
      "category": "网页设计/建站",
      "description": "🚀 Strapi is the leading open-source headless CMS. It’s 100% JavaScript/TypeScript, fully customizable, and developer-first.",
      "value_note": "需要快速搭出内容 API 的中小团队、前后端分离与 JAMstack 项目、营销官网/博客/移动 App 的后端，尤其适合希望由前端工程师独立完成后台、不想维护 Java/PHP CMS 的团队。",
      "archived": false,
      "last_pushed": "2026-09-24",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Strapi 是一个开源的 headless CMS（无头内容管理系统），完全用 TypeScript/JavaScript 编写。它把“内容建模”与“内容交付”解耦：开发者在管理后台通过可视化的 Content-Type Builder 定义内容类型（字段、组件、关系、枚举等），Strapi 会立刻自动生成对应的 REST 与 GraphQL API，前端网站、移动 App、小程序或 IoT 设备只需调用这些 HTTP 接口拉取 JSON 数据自行渲染。同时它内置媒体库、i18n 多语言、草稿/发布工作流、基于角色的权限控制（RBAC）、JWT 用户认证，并支持插件扩展和后台界面定制。本质上是替代“从零手写后台 CRUD、鉴权、文件上传、多语言”这套重复劳动的内容中台。",
      "pros": "· 建模即 API：定义内容类型后自动生成 REST/GraphQL 接口与文档，无需手写 CRUD\n· 全栈统一 JavaScript/TypeScript，前端团队无额外语言成本，类型提示与 SDK 友好\n· 内置 RBAC 权限、JWT 认证、媒体库、i18n、草稿发布等常见需求，开箱即用\n· 数据库可插拔（SQLite/PostgreSQL/MySQL/MariaDB），插件系统与 Admin 后台可深度定制\n· 社区庞大（73k+ stars），文档与教程丰富，可选 Strapi Cloud 一键托管",
      "cons": "· 许可证为 NOASSERTION（实为 MIT 与商业授权混合），营收/规模超标的企业需付费，部分新功能向云端倾斜\n· 大版本破坏性变更频繁，v3→v4→v5 迁移成本高，第三方插件往往滞后适配\n· 单进程 Node 应用，超高并发或海量内容场景性能不如专用后端，需自行做缓存与横向扩展\n· 高度定制业务逻辑时会与“自动生成”的约定冲突，需要写自定义 controller/service，灵活性打折",
      "requirements": "运行时：Node.js 20/22 LTS（Strapi v5 要求 Node 20+，v4 支持 Node 18），包管理器 npm/yarn/pnpm；数据库：开发可用 SQLite，生产推荐 PostgreSQL 12+、MySQL 8+ 或 MariaDB 10.6+；默认监听端口 1337，需要可写的文件系统用于媒体上传（生产建议接 S3 等对象存储）；硬件生产环境建议 2 vCPU / 2GB 内存起步；Docker 官方不提供镜像，需用社区工具 @strapi-community/dockerize 自行构建。",
      "difficulty": "低",
      "best_for": "需要快速搭出内容 API 的中小团队、前后端分离与 JAMstack 项目、营销官网/博客/移动 App 的后端，尤其适合希望由前端工程师独立完成后台、不想维护 Java/PHP CMS 的团队。",
      "alternatives": "Directus（同为开源 headless CMS，直接映射数据库结构）、Payload CMS（TypeScript/Next.js 原生、代码优先）、Contentful / Sanity（商业 SaaS headless CMS）",
      "topics": "api, cms, cms-framework, content-management, content-management-system, customizable, dashboard, graphql, hacktoberfest, headless-cms, jamstack, javascript, mysql, no-code, nodejs, posgresql, rest, strapi, typescript",
      "homepage": "https://strapi.io",
      "license_verified": true
    },
    {
      "id": 452,
      "full_name": "withastro/astro",
      "name": "astro",
      "url": "https://github.com/withastro/astro",
      "stars": 62787,
      "forks": 3809,
      "open_issues": 80,
      "license": "MIT",
      "language": "TypeScript",
      "category": "网页设计/建站",
      "description": "The web framework for content-driven websites. ⭐️ Star to support our work!",
      "value_note": "适合做内容为主的网站：博客、技术文档、企业官网、营销落地页、作品集，以及希望用 Content Collections 管理 Markdown 内容的个人或团队；也适合想在不重写现有 React/Vue 组件的前提下提升性能的项目。",
      "archived": false,
      "last_pushed": "2026-09-24",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Astro 是一个面向内容驱动网站（博客、文档站、营销页、电商落地页）的现代 Web 构建工具与元框架。它的核心创新是「孤岛架构」（Islands Architecture）和默认零客户端 JavaScript：页面在构建时（SSG）或请求时（SSR）渲染成纯静态 HTML，只有显式标记为交互组件的部分才会加载 JS。开发者可以用 .astro 组件把 HTML、CSS 和前端逻辑写在一个文件里，同时通过官方集成直接复用 React、Vue、Svelte、Solid、Preact、Alpine 等已有组件，不必二选一框架。内置基于文件的路由、Content Collections（用 Zod 校验 Markdown/MDX 内容）、图片优化、站点地图、RSS、视图过渡等能力，最终产出体积极小、SEO 友好、Lighthouse 得分很高的站点。",
      "pros": "· 默认零 JS 输出，首屏和 Lighthouse 性能极佳，SEO 友好\n· Islands 架构按需水合，可在同一项目混用 React/Vue/Svelte/Solid 组件，迁移成本低\n· 内置基于文件路由、Content Collections + Zod 类型校验、MDX、图片优化、RSS、Sitemap 等，开箱即用\n· 集成生态丰富，官方适配 Node、Vercel、Netlify、Cloudflare 等多种 SSR 部署目标\n· 文档质量高、社区活跃（6 万+ star），TypeScript 一等公民",
      "cons": "· .astro 模板语法自成一套，团队需额外学习，不能直接照搬纯 React/Vue 项目\n· 动态交互密集的 SPA 类应用并非其强项，复杂状态管理不如 Next/Nuxt 顺手\n· 生态与第三方库集成度不及 Next.js，部分插件和 CMS 适配需要自己动手\n· 版本迭代快，历史上多次破坏性变更（如 Content Collections、集成 API），升级需留意迁移指南",
      "requirements": "运行环境：Node.js 18.17.1 / 20.3.0 / 22 及以上（新版本要求更高，具体见官方文档）；包管理器 npm/pnpm/yarn/bun 均可。无需数据库，内容可来自本地 Markdown/MDX、Content Collections 或任意 Headless CMS/API。开发依赖 TypeScript、Vite。若用 SSR 需按目标平台安装对应适配器（@astrojs/node、vercel、netlify、cloudflare 等）。硬件要求低，普通笔记本（2 核 CPU、4GB 内存）即可开发构建，构建过程主要消耗内存与磁盘。",
      "difficulty": "低",
      "best_for": "适合做内容为主的网站：博客、技术文档、企业官网、营销落地页、作品集，以及希望用 Content Collections 管理 Markdown 内容的个人或团队；也适合想在不重写现有 React/Vue 组件的前提下提升性能的项目。",
      "alternatives": "Next.js、Nuxt、Eleventy（11ty）；静态内容站点还可对比 Hugo、SvelteKit",
      "topics": "astro, blog, browser, components, hybrid, islands, node, server, static, static-site-generator, universal",
      "homepage": "https://astro.build",
      "license_verified": true
    },
    {
      "id": 449,
      "full_name": "penpot/penpot",
      "name": "penpot",
      "url": "https://github.com/penpot/penpot",
      "stars": 60332,
      "forks": 4133,
      "open_issues": 771,
      "license": "MPL-2.0",
      "language": "Clojure",
      "category": "网页设计/建站",
      "description": "Penpot: The open-source design platform for Product teams that need scalable collaboration.",
      "value_note": "需要数据自主可控、有合规或内网要求的产品团队与设计团队，尤其是重视设计系统、Design Tokens 和设计-代码打通的前端研发协作场景；也适合想摆脱 SaaS 订阅和厂商锁定的组织。",
      "archived": false,
      "last_pushed": "2026-09-24",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Penpot 是一个开源的产品设计协作平台，定位为 Figma 的开源替代品，主要用于 UI/UX 设计、原型制作和设计系统管理。它以浏览器为运行载体，也支持完全自托管部署，让团队掌握自己的设计基础设施而无需担心厂商锁定。核心能力包括多人实时协同编辑画板、基于 SVG/CSS/HTML/JSON 等开放标准的文件格式、原生 Design Tokens 作为设计与研发之间的单一事实来源、CSS Grid 与 Flex 响应式布局设计，以及面向开发者的 Inspect 检视模式，可直接导出可用代码。平台还提供插件系统、开放 API 和 MCP server，使设计文件可被 AI 与自动化工具读取和双向驱动，把设计流程和代码交付打通，适合需要规模化设计系统与合规治理的产品团队。",
      "pros": "· 开源且可自托管，数据完全自主可控，无厂商锁定，适合有合规/安全要求的企业\n· 使用 SVG/CSS/HTML/JSON 等开放标准作为原生格式，设计与代码之间翻译损耗小，开发者友好\n· 原生支持 Design Tokens、CSS Grid/Flex 布局和 Inspect 代码检视，设计系统落地能力强\n· 提供插件系统、开放 API 与 MCP server，可接入自动化与 AI 工作流\n· 支持实时多人协作，MPL-2.0 许可，社区活跃（60k+ stars），非营利数字公共产品背书",
      "cons": "· 自托管运维有一定门槛，官方 Docker 部署需要维护前端、后端、Exporter、Postgres、Redis 等多个组件\n· 相比 Figma，生态、社区插件数量和第三方集成丰富度仍有差距，部分高级功能体验不够成熟\n· 技术栈为 Clojure/ClojureScript，二次开发或深入定制对团队技术背景要求高\n· 自托管版本的用户管理、权限、SSO 等企业管理能力需依赖企业版或自行配置",
      "requirements": "运行环境：自托管推荐使用官方 Docker / Docker Compose 部署（也有 Kubernetes/Helm 方案）；核心依赖 PostgreSQL（主数据库）、Redis（缓存/会话）、对象存储兼容服务（本地磁盘、S3、MinIO 等），Exporter 服务需 Chromium/无头浏览器用于导出。开发环境需 JDK 21+、Clojure/ClojureScript 及 Node.js/npm（前端构建）、Clojure CLI 与 Babashka 等工具链。硬件建议至少 4 核 CPU、8GB 内存起步，生产环境按团队规模和文件量扩容。",
      "difficulty": "中",
      "best_for": "需要数据自主可控、有合规或内网要求的产品团队与设计团队，尤其是重视设计系统、Design Tokens 和设计-代码打通的前端研发协作场景；也适合想摆脱 SaaS 订阅和厂商锁定的组织。",
      "alternatives": "Figma、Penpot 之外的 Sketch、Adobe XD（已停更）、开源的 Lunacy / Akira / Excalidraw（偏白板）。",
      "topics": "clojure, clojurescript, design, prototyping, ui, ux-design, ux-experience",
      "homepage": "https://penpot.app"
    },
    {
      "id": 42,
      "full_name": "crewAIInc/crewAI",
      "name": "crewAI",
      "url": "https://github.com/crewAIInc/crewAI",
      "stars": 58578,
      "forks": 8450,
      "open_issues": 802,
      "license": "MIT",
      "language": "Python",
      "category": "数字员工/Agent框架",
      "description": "Framework for orchestrating role-playing, autonomous AI agents. By fostering collaborative intelligence, CrewAI empowers agents to work together seamlessly, tackling complex tasks.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-14",
      "data_source": "github_api",
      "sources": "2026-07-23_10-18-55.md,github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "CrewAI 是一个用 Python 编写的多智能体（Multi-Agent）编排框架，把「多个 AI 角色分工协作」这件事抽象成可编程对象。核心概念有两层：Crews（团队）让你用 role/goal/backstory 定义若干个带人格与职责的 Agent（如研究员、分析师、撰稿人），再给每个 Agent 挂上 Task（含期望输出、依赖关系、可用工具），框架会按顺序或层级（hierarchical）自动调度它们互相传递上下文、调用工具、迭代完成任务；Flows（流程）则是事件驱动的工作流层，允许用 @start/@listen 装饰器精确控制执行路径、插入单次 LLM 调用、条件分支和人工审核节点，并可把 Crew 当作流程中的一个步骤嵌进去。它解决的问题是：单次 LLM 提示难以胜任需要多步骤、多视角、需要检索外部数据并保证输出结构的复杂业务任务（如生成职位描述、行程规划、股票分析报告），CrewAI 用声明式配置把这些流程工程化，同时屏蔽底层的提示拼接与状态传递。",
      "pros": "· 抽象层次清晰，role/goal/backstory + Task 的声明式写法几十行代码就能跑起一个可用的多智能体流水线，入门成本低于直接手写 LangChain 链\n· Crews 与 Flows 双层设计兼顾「自主协作」和「精确可控」，生产环境需要确定性流程时不必放弃框架\n· 生态与文档完善：官方课程、MCP 文档服务器、Claude Code/Cursor 技能插件、大量现成示例（行程规划、股票分析等）\n· 模型无关，可通过 LiteLLM 接 OpenAI、Anthropic、本地 Ollama 等，支持 output_pydantic/output_json 结构化输出、记忆、护栏（guardrails）、人工审核\n· MIT 许可 + 5.5 万星活跃社区，商业版 AMP 提供可观测性，开源版可独立自托管",
      "cons": "· 多智能体本质是多次 LLM 调用循环，Token 消耗和延迟会随 Agent/Task 数量快速膨胀，成本预估困难\n· 自主协作的「黑盒感」较强，出错时定位是哪一步、哪个 Agent 的提示或工具出问题比较费劲，调试体验一般\n· 版本迭代较快，API 存在破坏性变更，网上教程容易与当前版本不匹配；官方文档部分内容偏向引导商业版 AMP\n· 复杂业务仍需自己写自定义 Tool 和提示工程，并非「定义角色就万事大吉」，效果高度依赖模型能力和提示质量",
      "requirements": "Python 3.10–3.13（官方推荐 3.10+，部分依赖对 3.13 支持需留意）；通过 pip install crewai 安装，完整脚手架用 crewai[tools] 或 crewai create crew 生成项目模板；无需自建数据库（内置短期/长期/实体记忆默认用本地存储，向量检索用 ChromaDB/SQLite 等嵌入式方案，无需外部服务）；必须提供至少一个 LLM 的 API Key（OpenAI/Anthropic/Azure 等，或本地 Ollama 端点），并建议配 Serper/SerpAPI 等搜索工具 Key；无特殊硬件要求，纯 API 调用可在 2 核 4G 的普通机器运行，若改用本地模型推理则需 16GB+ 显存或足够内存运行 7B~70B 量化模型。",
      "difficulty": "中",
      "best_for": "适合需要把「研究→分析→撰写」这类多步骤知识工作自动化、且希望用少量代码快速验证原型的 Python 开发者与 AI 应用团队；也适合想从单次 Prompt 升级到可控多智能体工作流，但没有精力自己造编排轮子的中小团队。",
      "alternatives": "LangGraph（LangChain 官方的图状态机，控制粒度更细、更适合复杂生产流程）、AutoGen / AG2（微软系多智能体对话框架，擅长 Agent 间自由协商）、MetaGPT（面向软件公司角色扮演的 SOP 式多智能体框架）；轻量级可选 OpenAI Swarm/Agents SDK，低代码平台可看 Dify、n8n。",
      "topics": null,
      "homepage": null
    },
    {
      "id": 30,
      "full_name": "twentyhq/twenty",
      "name": "twenty",
      "url": "https://github.com/twentyhq/twenty",
      "stars": 56789,
      "forks": 9085,
      "open_issues": 197,
      "license": "AGPL-3.0 (core) + MIT + Commercial",
      "language": "TypeScript",
      "category": "CRM/客户管理",
      "description": "The open alternative to Salesforce, designed for AI.",
      "value_note": "自部署免费无限用户，MCP原生支持(可连Claude/ChatGPT)，CRM+AI打通。注意：AGPL许可证偏严格，自用没问题，做SaaS服务需注意合规。",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-07-14_08-25-54.md,2026-07-23_10-18-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Twenty 是一个开源 CRM（客户关系管理）系统，目标是做 Salesforce 的现代替代品。它把 CRM 拆解成可编程的「积木」——对象（objects）、字段、视图、工作流和 AI 代理（agents），并提供一套 SDK 与 CLI，让开发者用 TypeScript 以代码方式定义数据结构（如 deal、company、person 等），像管理代码一样做版本控制和发布。除了传统 CRM 的销售管道、联系人、公司管理外，它主打 API 优先：同时暴露 REST、GraphQL 和 MCP 接口，方便与外部系统及 AI/LLM 代理集成。用户可以选官方云托管，也可以用 Docker Compose 自托管到自己的服务器上，从而完全掌控数据。",
      "pros": "· MIT 协议完全开源，可自托管，数据自主可控，无供应商锁定\n· 代码优先（code-first）设计，用 SDK/CLI 把对象、字段、视图、应用定义为代码，可做 Git 版本控制和 CI/CD\n· API 优先，同时提供 REST、GraphQL 和 MCP 接口，天然适配 AI Agent 与自动化场景\n· 技术栈现代（TypeScript/React/NestJS），界面美观，开发体验好\n· 社区活跃、迭代快，53k+ 星，官方云托管可一分钟创建工作区快速起步",
      "cons": "· 项目仍相对年轻，功能深度和成熟度不及 Salesforce/HubSpot，高级报表、复杂自动化、生态插件仍不足\n· 迭代激进，版本间可能存在破坏性变更，升级自托管实例需谨慎\n· 自托管依赖 PostgreSQL、Redis、Docker 等一整套服务，运维有一定成本和门槛\n· 部分企业级功能（如权限、SSO、审计）在付费版更完整，开源版能力需自行评估",
      "requirements": "语言/运行时：TypeScript，Node.js 20+/22+（新版推荐 Node 24），使用 Yarn 工作区，monorepo 基于 Nx 构建。数据库：PostgreSQL 15+（必需）。缓存/队列：Redis（必需，用于 BullMQ 队列）。前端 React + Vite，后端 NestJS + GraphQL。自托管推荐 Docker 与 Docker Compose；本地开发需 Docker 运行数据库与 Redis。硬件建议至少 2-4 核 CPU、4-8GB 内存、20GB+ 磁盘。",
      "difficulty": "中",
      "best_for": "适合有开发能力的技术团队，希望自托管、深度定制并按自己业务逻辑扩展 CRM 的公司；也适合需要把 CRM 与 AI 代理/内部系统深度集成的场景。",
      "alternatives": "SuiteCRM、EspoCRM、Odoo（或 Krayin CRM，以及商业化的 Salesforce/HubSpot）",
      "topics": null,
      "homepage": null,
      "license_verified": true
    },
    {
      "id": 25,
      "full_name": "block/goose",
      "name": "goose",
      "url": "https://github.com/block/goose",
      "stars": 54283,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "Rust",
      "category": "其他",
      "description": "an open source, extensible AI agent that goes beyond code suggestions - install, execute, edit, and test with any LLM",
      "value_note": "它不是聊天机器人——它能装包、跑脚本、编辑代码、操作浏览器、调API。全天候替你干活。Apache-2.0许可证，商用无虞。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-14_08-25-54.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "goose 是一个跑在本地机器上的通用型开源 AI Agent（智能体），由 Block 发起、现归属 Linux Foundation 旗下的 Agentic AI Foundation。它不只是写代码的工具，而是能读取本地文件、执行终端命令、调用外部服务来完成研究、写作、数据处理和自动化任务的自主代理。它以三种形态交付：macOS/Linux/Windows 原生桌面应用、完整的终端 CLI，以及可嵌入到其他产品中的 API。核心用 Rust 编写以保证性能和跨平台可移植性。goose 可对接 15 个以上模型厂商（Anthropic、OpenAI、Google、Ollama、OpenRouter、Azure、Bedrock 等），既能填 API Key，也能通过 ACP 复用已有的 Claude/ChatGPT/Gemini 订阅；同时支持 70 多个基于 Model Context Protocol（MCP）开放标准的扩展，用来连接数据库、浏览器、GitHub、文件系统等外部能力，从而把大模型从聊天框变成真正能干活的执行器。",
      "pros": "· 形态齐全：桌面 GUI、CLI 和可嵌入 API 三套入口共享同一 Agent 能力，团队和脚本化场景都能覆盖\n· 模型中立，支持 15+ 提供商并可通过 ACP 复用已有 ChatGPT/Claude/Gemini 订阅，避免被单一厂商锁定\n· 基于 MCP 开放标准，可接入 70+ 扩展，生态可插拔，社区扩展持续增长\n· Rust 编写，单二进制分发、跨平台、资源占用和启动性能优于多数 Node/Python 同类工具\n· 归属 Linux Foundation / AAIF，Apache-2.0 许可，治理和长期维护的中立性较有保障",
      "cons": "· 本地 Agent 会读写文件和执行 shell 命令，权限模型需要仔细配置，否则存在误删、误改或提示注入风险\n· 强依赖外部大模型 API，实际效果和成本取决于所选模型，本地小模型往往难以驱动复杂多步任务\n· 生态较新，MCP 扩展质量和兼容性参差不齐，版本迭代快、文档与行为偶有滞后\n· 从源码自行编译需要 Rust 工具链，桌面端打包依赖较重，二次分发/定制有一定门槛",
      "requirements": "运行时：官方提供 macOS / Linux / Windows 的桌面安装包与 CLI 一键脚本（curl 安装），使用预编译二进制无需 Rust；从源码构建需 Rust 稳定版工具链 + Cargo（并视平台需要 Node.js/C++ 构建工具链）。依赖：需要至少一个大模型提供商的 API Key（Anthropic/OpenAI/Google/Azure/Bedrock/OpenRouter 等）或本地 Ollama；部分 MCP 扩展依赖 Node.js/npx 或 Python 环境。数据库：本身不强制数据库，会话/配置以本地文件形式存放（SQLite 用于本地会话记录）。硬件：普通笔记本即可，建议 8GB 以上内存；若用 Ollama 跑本地模型，建议 16GB+ 内存及相应 GPU。",
      "difficulty": "中",
      "best_for": "希望把 AI 从聊天窗口变成能实际读写文件、执行命令、串联多工具的个人开发者、运维和知识工作者，以及需要中立开源方案、要求模型可替换或私有化部署的团队。",
      "alternatives": "Cline（VS Code 内的开源编码 Agent）、Aider（终端结对编程工具）、OpenHands（原 OpenDevin，自主软件工程 Agent）、Claude Code / OpenAI Codex CLI（厂商官方 CLI Agent）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 5,
      "full_name": "coreyhaines31/marketingskills",
      "name": "marketingskills",
      "url": "https://github.com/coreyhaines31/marketingskills",
      "stars": 50363,
      "forks": 7624,
      "open_issues": 112,
      "license": "MIT",
      "language": "JavaScript",
      "category": "营销/内容/获客",
      "description": "Marketing skills for Claude Code and AI agents. CRO, copywriting, SEO, analytics, and growth engineering.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-05",
      "data_source": "github_api",
      "sources": "2026-06-16_10-50-39.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一套面向营销任务的 AI Agent「技能库」，本质是一批结构化的 Markdown 技能文件（如 seo-audit、cro、copywriting、cold-email、ab-testing、churn-prevention 等），为 Claude Code、Cursor、Windsurf、Codex 等支持 Agent Skills 规范的编码 Agent 注入营销领域的专门知识和工作流。它以 product-marketing 技能为地基，所有其他技能先读取它来获取你的产品、受众和定位，再展开 SEO/内容、CRO、文案、付费与衡量、增长与留存、销售与 GTM、策略七大板块。当你在项目里询问落地页优化、写广告文案、做关键词规划或设计 A/B 实验时，Agent 会自动匹配对应技能并套用成熟框架，相当于让一个人拥有整支营销团队的作业能力。",
      "pros": "· 覆盖营销全链路，七大板块从 SEO、CRO、文案到增长、留存、销售 GTM 和策略，一套库可顶多个营销职能\n· 纯 Markdown 技能文件，无需部署服务或后端，接入任意支持 Agent Skills 规范的编码 Agent 即用\n· 技能间显式交叉引用（copywriting↔cro↔ab-testing、seo-audit↔schema↔ai-seo 等），并以 product-marketing 为共享上下文，产出更贴合产品定位\n· MIT 许可、免费开源、社区可提 PR，README 有清晰的依赖图和技能清单，便于扩展\n· 由实战营销人 Corey Haines 维护，内容偏可操作的方法论框架而非泛泛提示词",
      "cons": "· 本质是提示词与知识库，不含自动化执行逻辑，实际效果高度依赖所用 Agent 与底层模型的能力\n· 部分技能绑定赞助商工具集成（Converly、Ploy 等），存在商业化内容，需自行辨别中立性\n· 无内置评测或测试机制，技能产出质量难以量化验证，也缺少版本化的效果基准\n· 内容强英文语境和欧美营销方法论，中文或本地化场景需自行改写适配",
      "requirements": "语言/运行时：无编译型语言，核心为 Markdown 技能文件；辅助脚本 scripts/sync-partners.mjs 需 Node.js（建议 18+）运行。AI 终端：需支持 Agent Skills 规范的编码 Agent，如 Claude Code、OpenAI Codex、Cursor、Windsurf。依赖：Git 克隆仓库即可；个别集成技能（如 Converly）需对应工具的账号与 CLI/MCP。数据库：无。硬件：无特殊要求，普通开发机即可。",
      "difficulty": "低",
      "best_for": "技术型营销人、独立开发者或创始人，希望直接让手上的编码 Agent 承接 CRO、文案、SEO、分析、增长等具体营销任务，用一套技能库补足甚至替代部分营销团队工作。",
      "alternatives": "awesome-chatgpt-prompts 等通用提示词库；Anthropic 官方 Agent Skills 示例仓库；各家 Agent 自带的营销/GTM 插件或 Rules 集（如 Cursor Rules、Clio/Claude 社区技能包）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 66,
      "full_name": "HKUDS/nanobot",
      "name": "nanobot",
      "url": "https://github.com/HKUDS/nanobot",
      "stars": 48166,
      "forks": 8513,
      "open_issues": 775,
      "license": "MIT",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "Ultra-lightweight, open-source, self-hosted personal AI agent framework in Python with WebUI, tools, memory, MCP, multi-agent workflows, automation, and chat apps",
      "value_note": "这就是你要的 Agent 中台。42K 星证明生态成熟，从单个客服 Agent 到多 Agent 工作流都能编排，Apache-2.0 商用无坑。一人公司用它把\"销售、运营、客服\"拆成一组数字员工统一调度。",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-08-25_08-20-55.md,2026-09-01_08-14-11.md,2026-09-15_08-05-38.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "nanobot 是一个用 Python 编写的超轻量、可自托管个人 AI Agent 运行时。它在浏览器 WebUI 或终端 TUI 中运行，并可接入 Telegram、Discord、Slack、微信、飞书、邮件、Teams、Mattermost 等聊天工具，把日常对话直接变成 Agent 入口。核心内置文件读写、Shell、网页搜索与抓取、MCP 工具调用、图像生成、子代理委派、cron 定时任务等能力，并通过 Dream 维护会话历史与长期记忆，支持长周期目标与自动化编排。它还提供模型路由与回退、本地 LLM/OpenAI 兼容接口、Python SDK 和 OpenAI 兼容 API，可当作常驻本地或服务器端的 Agent 网关部署。",
      "pros": "· 功能全内置：WebUI、TUI、工具调用、长期记忆、MCP、多 Agent、定时任务与 OpenAI 兼容 API 集中在同一个小内核里，无需拼装多个组件\n· 多渠道接入：Telegram、Discord、Slack、微信、飞书、邮件、Teams、Mattermost 等聊天软件可直接对话使用\n· 模型自由：兼容 OpenAI API、本地 LLM、图像生成与搜索，并支持多模型路由和回退\n· 安装极简：一行 curl/PowerShell 脚本或 uv/pip（nanobot-ai）即可安装，MIT 许可、完全自托管、代码可读易改\n· 文档完善且多语言（英/中/日/韩/法/西等），有面向零基础用户的引导教程",
      "cons": "· 运行门槛在环境侧：要求 Python 3.11+，源码安装还需 Git 与 Bun 来构建 WebUI/TUI，离线或纯内网环境首次运行会拉取校验归档\n· 自带 Shell、文件读写等高风险工具，权限、密钥与沙箱若配置不当存在明显安全风险\n· 自托管意味着模型 API Key、数据隐私、常驻服务、反向代理与升级运维全部要自己负责\n· 项目功能迭代快、模块多（记忆、MCP、子代理、多渠道），配置项较多，深度定制需要一定学习成本",
      "requirements": "语言/运行时：Python 3.11 或更高版本；源码安装额外需要 Git 与 Bun。安装方式：官方一键脚本（macOS/Linux 的 sh、Windows 的 PowerShell）、uv 或 pip 安装 PyPI 包 nanobot-ai。模型：需提供 OpenAI 兼容 API Key 或本地 LLM（Ollama/vLLM 等）。可选依赖：各聊天平台（Telegram/Discord/Slack/微信/飞书/邮件/Teams/Mattermost）的 Bot Token，MCP 服务器、Langfuse 可观测性。数据库：无强制外部数据库，会话与长期记忆为内置存储（本地文件/内嵌存储）。硬件：无特殊要求，普通 CPU 与内存即可，算力主要取决于所选模型是本地推理还是云端调用。",
      "difficulty": "中",
      "best_for": "适合希望完全自托管、代码可审计可定制、并且想把 AI 助手直接接进日常聊天软件的开发者、技术团队与个人极客，用来搭建个人/团队级 AI 助理、自动化工作流和多 Agent 编排。",
      "alternatives": "Dify、Letta（原 MemGPT）、Langflow",
      "topics": null,
      "homepage": null
    },
    {
      "id": 87,
      "full_name": "jeecgboot/JeecgBoot",
      "name": "JeecgBoot",
      "url": "https://github.com/jeecgboot/JeecgBoot",
      "stars": 47815,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "Java",
      "category": "其他",
      "description": "【低代码v2.0，一句话即可生成整个系统】企业级AI低代码平台，一键生成前后端代码甚至整个系统。 AI Skills 一句话画流程、设计表单、生成报表、大屏。内置 AI应用平台涵盖：AI聊天、知识库、流程编排、MCP插件等，兼容主流大模型。引领AI低代码「Skills 生成 → 在线配置 → 代码生成 → 手工合并->AI修改」开发模式，解决 Java 项目 90% 重复工作，提高效率又不失灵活。",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-06-10_11-02-32.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "JeecgBoot 是一款国产企业级 AI 低代码开发平台，目标是解决 Java 企业项目中大量重复的增删改查、建表、菜单权限配置等模板化工作。它的核心是一条“AI 生成 → 在线配置 → 代码生成器 → 手工 Merge”的链路：开发者用自然语言描述业务需求，平台自动生成数据库建表 SQL、后端 Java（Spring Boot + MyBatis-Plus）CRUD 接口、前端 Vue3 页面以及菜单和按钮权限，生成即可运行；也可以在零代码模式下用在线表单、流程、报表、门户和大屏设计器拖拽搭建系统。除低代码能力外，它还内置了一套类似 Dify 的 AI 应用平台与 RAG 知识库问答系统，包含模型管理、AI 聊天助手、流程编排、MCP 与插件机制，兼容 ChatGPT、DeepSeek、Ollama 等大模型，宣称可减少约 70% 的重复开发工作量。",
      "pros": "· 代码生成能力强，单表/树表/一对多等模型可一键生成前后端代码、SQL 与权限配置，且生成的是可读源码，允许后续手工扩展，不是黑盒\n· 内置企业级基础模块齐全：用户、角色、组织、菜单、数据字典、消息、定时任务、按钮级与数据级细粒度权限，开箱即用\n· 前后端技术栈主流且较新（Spring Boot 4 / Spring Cloud Alibaba / MyBatis-Plus + Vue3 / TypeScript / Vite / Ant Design Vue4），社区活跃、中文文档与视频教程丰富\n· 单体与微服务可切换部署，支持信创国产化（麒麟系统、达梦、人大金仓、TiDB、东方通 TongWeb 等），适合政企项目\n· 自带 AI 应用平台与 RAG 知识库，可在同一套系统里做 AI 聊天、流程编排和知识库问答，省去另建 Dify 类平台的成本",
      "cons": "· 体量庞大、模块和 Demo 极多，初学者容易被目录结构和自动装配绕晕，二次开发前需要较长时间熟悉框架约定\n· 深度定制或升级版本时容易与平台生成代码产生冲突，历史上大版本升级改造成本较高，需谨慎评估锁版本策略\n· AI 生成代码、低代码在线表单等高级能力依赖对应版本的 AI Skills / 商业版，部分企业级插件与技术支持并非完全免费开源\n· 社区版与官方商业版功能存在差异，遇到复杂问题主要依赖社区与官方文档，缺少 SaaS 化的托管服务，需自行运维部署",
      "requirements": "后端：JDK 17 及以上（Spring Boot 4 要求），Maven，MySQL 8.x（默认，亦支持达梦、人大金仓、TiDB、PostgreSQL 等），Redis 必装，可选 RabbitMQ、Nacos、XXL-Job、ShardingSphere；前端：Node.js 18+（Vite 8 建议 20+）、pnpm/npm；部署可用 Docker / Docker Compose 一键启动单体或微服务模式；AI 能力需配置大模型 API Key（OpenAI、DeepSeek 等）或本地 Ollama，知识库需向量库（如 PgVector、Milvus 等）；硬件建议单体最低 4 核 8G 内存、微服务模式 8 核 16G 以上，磁盘 50G+。",
      "difficulty": "高",
      "best_for": "适合需要快速交付的 Java 企业信息化团队、外包公司与政企 IT 部门，用于开发 OA、ERP、CRM、MIS、SaaS 多租户及信创类后台系统，也适合想在自有系统中内置 AI 知识库与 AI 应用的团队。",
      "alternatives": "若依 RuoYi（轻量国产快速开发脚手架）、Pig/RuoYi-Cloud 等 Spring Cloud 微服务脚手架、Dify / FastGPT（AI 应用与知识库方向）、Appsmith / 明道云 / 简道云（零代码或低代码搭建方向）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 462,
      "full_name": "zhayujie/CowAgent",
      "name": "CowAgent",
      "url": "https://github.com/zhayujie/CowAgent",
      "stars": 47228,
      "forks": 10375,
      "open_issues": 36,
      "license": "MIT",
      "language": "Python",
      "category": "记忆/RAG/知识库",
      "description": "Open-source personal AI assistant & Agent Harness. Plans tasks, runs tools and skills, self-evolves with memory and knowledge. Multi-agent, multi-model, multi-channel. Lightweight, extensible, one-line install.",
      "value_note": "想在自己服务器或电脑上跑一个 24 小时在线的私人 AI 助理、并把助手接进微信/飞书/钉钉等日常 IM 的个人开发者、小团队和 AI 爱好者；也适合作为 Agent Harness 工程的学习参考实现。",
      "archived": false,
      "last_pushed": "2026-10-05",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "CowAgent 是一个可自托管的个人 AI 助手与 Agent Harness（智能体运行框架）。它把大模型、工具调用和消息通道串成一条完整链路：用户从微信、飞书、钉钉、Telegram、Slack 或 Web 控制台发消息，Agent 核心负责拆解任务、规划步骤、循环调用文件读写、终端、浏览器、定时器、联网搜索等内置工具（支持 MCP），并可从 Skill Hub 一键安装技能。它还带三层记忆（上下文/每日/核心）与自进化机制，能定期复盘对话、沉淀 Markdown 知识库和知识图谱，多个 Agent 可在同一会话里按角色协作。切换 Claude、GPT、Gemini、DeepSeek 等模型只需在 Web 控制台点一下，目标是把“私人助理 + 自动化执行”跑在自己电脑或服务器上 7×24 小时。",
      "pros": "· 一条命令安装（Linux/macOS/Windows/Docker 均有），自带 Web 控制台，开箱即用门槛低\n· 通道覆盖极广：微信、企业微信、公众号、飞书、钉钉、QQ、Telegram、Slack、Web 全覆盖，国内 IM 场景尤其友好\n· 多模型可热切换，不绑定单一厂商，配合 Skill Hub 一键装技能 + 原生 MCP，扩展性强\n· 记忆/知识/自进化三层设计完整，能把日常对话沉淀成可检索的个人知识库\n· 作者是国内知名开源项目 chatgpt-on-wechat 的原班人马，社区活跃、文档有中英日多语言",
      "cons": "· 能力面铺得很宽（记忆、知识图谱、多 Agent、自进化），实际效果高度依赖所选模型的推理与工具调用水平，弱模型下体验落差明显\n· 接微信/公众号等国内通道存在账号风控与合规风险，需自行承担封号、协议变动导致失效的可能\n· “自进化”“自建知识库”会持续写入本地数据，涉及隐私与数据清理问题，长期运行需关注存储和敏感信息外泄\n· 自带一键脚本从远程 CDN 下载并执行，企业环境下需先审计脚本内容；深度定制（多 Agent 编排、Skill 开发）仍要读文档、会 Python",
      "requirements": "语言：Python 3.8+（建议 3.10/3.11），Web 控制台前端依赖 Node.js 构建（发行版一般已打包）。必须：至少一个大模型 API Key（OpenAI/Claude/Gemini/DeepSeek/Qwen/GLM 等任一）及可访问外网。推荐：Redis（会话上下文与记忆缓存）、SQLite（默认本地存储）、向量检索用的 Embedding 模型或向量库（记忆/知识检索）。部署：个人电脑或 1C2G 起的云服务器即可，默认监听 9899 端口；也可用 Docker / docker compose 一键起。若接微信等通道需额外对应协议的登录环境，可选配麦克风/扬声器与摄像头用于语音、图像多模态。",
      "difficulty": "低",
      "best_for": "想在自己服务器或电脑上跑一个 24 小时在线的私人 AI 助理、并把助手接进微信/飞书/钉钉等日常 IM 的个人开发者、小团队和 AI 爱好者；也适合作为 Agent Harness 工程的学习参考实现。",
      "alternatives": "Dify、FastGPT、LangBot（原 QChatGPT）、Open WebUI / LobeChat",
      "topics": "ai, ai-agent, ai-agents, chatgpt-on-wechat, claude, claude-code, codex, cowagent, deepseek, harness, llm, mcp, multi-agent, openai, openclaw, personal-agent, skills",
      "homepage": "https://cowagent.ai"
    },
    {
      "id": 88,
      "full_name": "apache/airflow",
      "name": "airflow",
      "url": "https://github.com/apache/airflow",
      "stars": 46859,
      "forks": 17840,
      "open_issues": 2135,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "Apache Airflow - A platform to programmatically author, schedule, and monitor workflows",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Apache Airflow 是一个用 Python 代码定义、调度和监控批处理工作流的编排平台。用户把任务写成 DAG（有向无环图）文件，用 Operator、Sensor 或 TaskFlow 装饰器描述每个任务及上下游依赖，再交给 Scheduler 按 cron 表达式、时间间隔或数据集触发。执行层由 Executor 决定任务跑在哪里：单机进程、Celery 集群或 Kubernetes Pod。它解决的核心问题是把散落的 shell 脚本、SQL、Spark 作业、API 调用从「靠 crontab + 人工看日志」变成可版本化、可重跑、可回溯的代码，并自带 Web UI 展示每次运行的成败、耗时、日志、重试和告警，还提供 backfill、动态任务映射、连接与变量管理等能力。",
      "pros": "· 生态最庞大，官方及社区 Provider 覆盖 AWS/GCP/Azure、Spark、dbt、K8s、数据库等上千种集成，几乎任何系统都有现成 Operator\n· 工作流即 Python 代码，天然可做代码评审、单元测试、CI/CD 和版本管理，动态生成任务非常灵活\n· 功能完整度高：调度、依赖、重试、告警、回填（backfill）、审计日志、REST API、RBAC 权限一应俱全，社区活跃、文档和问答资料极多\n· 部署形态灵活，LocalExecutor 单机即可起步，也能平滑扩展到 Celery、Kubernetes 或托管服务（MWAA、Cloud Composer、Astronomer）\n· Apache 顶级项目，长期维护、版本迭代稳定，招人和团队熟悉度都有优势",
      "cons": "· 重，调度器 + Web + 数据库 + 消息队列一套下来组件不少，生产运维（升级、调度延迟、DAG 序列化、僵尸任务）需要专人盯\n· 依赖地狱是老大难：几百个 Python 依赖，与业务环境或其他库极易版本冲突，通常需要独立容器镜像隔离\n· 不适合流式、事件驱动的低延迟场景，调度粒度最细到分钟级，秒级或毫秒级响应要另找方案\n· 默认单调度器有吞吐瓶颈，DAG 过多时 UI 卡顿、解析变慢；2.x 与 3.x API 变化较大，升级有迁移成本",
      "requirements": "语言：Python 3.9–3.12（Airflow 2.x 支持 3.8+，3.x 起要求 3.9+）。元数据库：生产必须 PostgreSQL 13+ 或 MySQL 8+，SQLite 仅限单机试用。消息队列（用 CeleryExecutor 时）：Redis 或 RabbitMQ。可选：Kubernetes 集群（KubernetesExecutor）、S3/GCS 等对象存储放日志。部署建议：调度器、Web Server、Worker 分开，最小生产配置约 4 核 CPU / 8GB 内存 / 20GB 磁盘，DAG 量大时按 Worker 水平扩容；官方提供 Helm Chart 与 Docker 镜像。也可直接用托管服务免运维。",
      "difficulty": "高",
      "best_for": "适合有 Python 能力的数据平台或数据工程团队，用来编排定时批处理 ETL、数据仓库构建、机器学习流水线等中大型依赖任务。单机小规模试水可以很快，但要稳定跑在生产环境，需要具备容器、数据库和运维能力。",
      "alternatives": "Prefect、Dagster、Argo Workflows（另有 Temporal、Luigi、Kestra 等可选）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 450,
      "full_name": "payloadcms/payload",
      "name": "payload",
      "url": "https://github.com/payloadcms/payload",
      "stars": 44924,
      "forks": 4206,
      "open_issues": 1169,
      "license": "MIT",
      "language": "TypeScript",
      "category": "网页设计/建站",
      "description": "Payload is the open-source, fullstack Next.js framework, giving you instant backend superpowers. Get a full TypeScript backend and admin panel instantly. Use Payload as a headless CMS or for building powerful applications.",
      "value_note": "熟悉 React/Next.js 与 TypeScript 的团队或个人，需要自托管、可深度定制、前后端一体的内容管理后台或轻量应用后端。",
      "archived": false,
      "last_pushed": "2026-09-24",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Payload 是一个基于 TypeScript 的开源 headless CMS，同时也是一个应用框架，深度集成 Next.js。它用代码（而非后台点选）定义集合、字段、访问控制、钩子和校验逻辑，自动生成 REST/GraphQL API、类型定义以及一个可完全自定义的 React 管理后台。与 Strapi 等传统 headless CMS 不同，Payload 可以直接安装进现有 Next.js 项目的 /app 目录，前后端跑在同一进程里：前端可用 React Server Components 通过 Local API 直接读写数据库，无需绕一圈 HTTP。它内置认证、版本与草稿、本地化、区块布局构建器、Lexical 富文本编辑器和字段级条件逻辑，也可作为纯后端 API 服务使用，并支持部署到 Vercel、Cloudflare Workers 等 serverless 环境。",
      "pros": "· 完全开源（MIT），无 SaaS 订阅和 vendor lock-in，可完全自托管\n· TypeScript 原生，配置即生成数据类型，前后端类型安全贯通\n· Next.js 一体化：可装进现有 /app，用 Server Components 直连数据库（Local API），省去 REST/GraphQL 中转\n· 管理后台与后端 100% 可扩展，支持自定义字段、React 组件、文档级/字段级 hooks\n· 开箱即用认证、细粒度访问控制、版本草稿、本地化，并有 Vercel/Cloudflare 一键 serverless 部署模板",
      "cons": "· 从 v3 起强绑定 Next.js 生态，不用 Next.js 的团队落地成本高\n· 字段与后台靠代码配置，非开发者上手门槛明显高于 WordPress 式可视化后台\n· 版本迭代快、破坏性变更较多，升级时需关注迁移指南\n· 深度定制需要扎实的 React/Next.js 与 TypeScript 功底，学习曲线偏陡",
      "requirements": "运行时：Node.js 18.20+ 或 20.9+，Next.js 15，TypeScript；数据库：MongoDB（mongoose）或 PostgreSQL（Drizzle），也支持 SQLite；存储适配：本地磁盘、S3、Vercel Blob、Cloudflare R2 等；部署：Node 服务器、Vercel 或 Cloudflare Workers（D1 + R2）；开发机建议 8GB 内存以上，本地需能跑数据库或用云数据库连接串",
      "difficulty": "中",
      "best_for": "熟悉 React/Next.js 与 TypeScript 的团队或个人，需要自托管、可深度定制、前后端一体的内容管理后台或轻量应用后端。",
      "alternatives": "Strapi、Directus、KeystoneJS（同类开源 headless CMS）；若接受 SaaS 也可考虑 Sanity、Contentful",
      "topics": "cms, content-management, content-management-system, express, graphql, headless, headless-cms, jamstack, javascript, mit-license, mongodb, nextjs, nodejs, open-source, payload, payloadcms, postgres, react, typescript",
      "homepage": "https://payloadcms.com"
    },
    {
      "id": 57,
      "full_name": "vercel-labs/agent-browser",
      "name": "agent-browser",
      "url": "https://github.com/vercel-labs/agent-browser",
      "stars": 42590,
      "forks": 2849,
      "open_issues": 712,
      "license": "Apache-2.0",
      "language": "Rust",
      "category": "数据/分析",
      "description": "Browser automation CLI for AI agents",
      "value_note": "省掉写爬虫和Selenium的功夫，让Agent自己逛竞品网站、填表单、采集数据、做巡检，运维和情报收集一个人搞定。",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-08-04_08-22-21.md,2026-08-25_08-20-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "agent-browser 是 Vercel 官方推出的浏览器自动化命令行工具，用 Rust 编写成原生二进制，专门为 AI Agent 设计。它通过 CDP 协议驱动 Chrome，把网页转换成「可被 AI 理解」的形式：执行 snapshot 命令即可输出带引用编号（@e1、@e2）的无障碍树（accessibility tree），Agent 后续用这些短引用直接 click、fill、get text，而不用处理易碎的 CSS/XPath 选择器。除核心交互命令（点击、输入、悬停、拖拽、上传、滚动、截屏、导出 PDF、执行 JS）外，还内置 eval、CDP connect 端口复用、WebSocket 运行时流式输出、实验性 WebMCP 页面工具调用，以及用自然语言直接控制浏览器的 chat 模式。它解决的核心问题是：让 LLM/Agent 以稳定、低成本、可脚本化的方式操作真实网页，避免传统自动化框架对 AI 不友好的选择器和运行时开销。",
      "pros": "· 原生 Rust 二进制，启动快、依赖轻，守护进程无需 Playwright 或 Node.js\n· snapshot 输出带 ref 的无障碍树，专为 LLM 设计，比 CSS 选择器更稳定更省 token\n· 单一 CLI 覆盖点击/输入/拖拽/上传/截图/PDF/JS/eval/CDP 等完整交互面\n· 安装方式多（npm / Homebrew / Cargo），并内置 install/upgrade 自动下载与升级 Chrome\n· 提供 chat 自然语言控制和 WebSocket 流式、WebMCP 等面向 Agent 的前沿能力",
      "cons": "· 需先执行 `agent-browser install` 下载 Chrome，Linux 还可能要 `--with-deps` 装系统库，首次配置有门槛\n· 元素被弹窗/同意横幅遮挡时点击会提前失败，需手动处理遮挡物并重新 snapshot\n· WebMCP、stream 等标注为 experimental，接口可能变动，不适合依赖稳定 API 的生产环境\n· 从源码构建要求 Node.js 24+/pnpm 11+/Rust，版本较激进，文档对 Agent 集成示例偏少",
      "requirements": "运行：预编译二进制跨平台（macOS/Linux/Windows）。必需 Chrome（通过 `agent-browser install` 从 Chrome for Testing 下载；已装的 Chrome/Brave/Playwright/Puppeteer 可被自动识别）。仅从源码构建时才需 Node.js 24+、pnpm 11+ 和 Rust（rustup）。Linux 下用 `install --with-deps` 安装浏览器系统依赖库。硬件无特殊要求，普通开发机即可；无数据库依赖。",
      "difficulty": "低",
      "best_for": "为 AI Agent / LLM 工具链提供网页操作能力的开发者，以及想用 CLI 脚本快速做可复现浏览器自动化、又不想引入 Playwright/Puppeteer 重运行时的团队。",
      "alternatives": "Playwright、Puppeteer、Selenium（或 browser-use、Stagehand 等 AI 浏览器 Agent 框架）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 32,
      "full_name": "agno-agi/agno",
      "name": "agno",
      "url": "https://github.com/agno-agi/agno",
      "stars": 42178,
      "forks": 5932,
      "open_issues": 1444,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "Build, run, and manage agent platforms.",
      "value_note": "500行就能跑起一个多 agent 工作流。MIT 许可证，随便商用。如果你已经有 OpenAI API key，这是最快的上手路径。适合快速验证 agent 想法。",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-07-21_08-27-52.md,2026-07-23_10-18-55.md,2026-09-01_08-14-11.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Agno 是一个用 Python 构建、运行和管理 AI Agent 平台的框架与运行时。它的核心由三部分组成：Agno SDK 用于编写 Agent（包括多 Agent 协作、工具调用、记忆、知识库/RAG、结构化输出等）；AgentOS 运行时把 Agent 直接变成可部署的服务，自动暴露 50+ 个 REST/SSE/WebSocket 端点；AgentOS UI 则提供 Web 控制台来管理 Agent、会话、运行记录和权限。它解决的是「Agent 演示代码很多，但要变成有存储、鉴权、多租户、可观测、可排期的生产系统很难」这个断层问题——内置数据库存储（会话/记忆/知识/追踪）、JWT + RBAC 权限、人工审批、定时任务、OpenTelemetry 追踪，并预置 100+ 工具集成（GitHub、Slack、Postgres 等）和 Slack/Telegram/WhatsApp/Discord 等接入渠道。",
      "pros": "· 从 Agent 代码到可部署 API 服务一条链路打通，自带 REST 接口、控制台 UI 和数据库存储，省去大量胶水代码\n· 内置生产级能力：JWT + RBAC 多租户隔离、人工审批中断、OpenTelemetry 追踪、Cron 定时任务，开箱即用\n· 官方提供 Docker / Railway / AWS / GCP / Azure / Fly / Render / Modal / Helm 多种一键部署模板，配合编码 Agent 可自动完成本地环境搭建\n· 生态集成丰富，100+ 预置工具包与 MCP、Context Provider 支持，模型供应商可自由切换\n· Apache-2.0 许可，可自托管、掌控数据与安全边界，社区活跃（GitHub 4 万+ 星）\n· 极低门槛起步：20 行代码即可跑通第一个 Agent，文档完善且提供 MCP 文档源供编码助手直接调用",
      "cons": "· 项目由 phidata 更名而来且版本迭代非常快，API 时有破坏性变更，旧教程/示例容易失效\n· 默认开启遥测（每次 Agent 运行上报一次事件，虽不上报提示词与输出），需手动设置 AGNO_TELEMETRY=false 关闭\n· 完整的 AgentOS 平台依赖 Postgres + Docker 等多组件，本地跑通演示简单，但真正上生产仍需理解存储、鉴权、部署等配置\n· 大量高级功能（上下文提供者、审批、权限）与官方托管/云服务耦合，深度使用需仔细阅读各版本文档",
      "requirements": "语言：Python 3.10+（推荐较新 3.11/3.12）。数据库：Postgres（AgentOS 存储会话、记忆、知识、追踪，也可用 SQLite 做本地开发）。依赖：通过 pip/uv 安装 agno 包，按需安装各工具包与模型 SDK（OpenAI、Anthropic 等）；API Key 需自备。运行时：部署 AgentOS 需 Docker（或 Railway/AWS/GCP/Azure/Fly/Render/Modal/K8s+Helm）；Node.js 仅在需要前端 UI 构建时用到。硬件：普通开发机即可，本地无 GPU 要求，推理走云端 API 或自备本地模型服务。",
      "difficulty": "中",
      "best_for": "想把 AI Agent 从脚本 Demo 升级为可对外提供服务的产品的 Python 开发者/小团队，尤其是需要自托管、数据自有、带多用户权限与可观测性的 Agent 平台场景。",
      "alternatives": "LangChain / LangGraph（含 LangServe、LangSmith）、CrewAI、Microsoft AutoGen（或 OpenAI Agents SDK / LlamaIndex Workflows）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 465,
      "full_name": "wshobson/agents",
      "name": "agents",
      "url": "https://github.com/wshobson/agents",
      "stars": 40216,
      "forks": 4287,
      "open_issues": 4,
      "license": "MIT",
      "language": "Python",
      "category": "编程Agent/开发",
      "description": "Multi-harness agentic plugin marketplace for Claude Code, Codex, Cursor, OpenCode, GitHub Copilot, Google Antigravity, and Pi",
      "value_note": "同时在多个 AI 编码工具之间切换、希望一套 agent/skill 到处复用的开发者与团队；以及想直接拿现成能力补齐 Python/JS 开发、代码审查、安全扫描工作流的个人用户。",
      "archived": false,
      "last_pushed": "2026-10-05",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "它把同一套用 Markdown 编写的插件、子代理（agent）、技能（skill）和斜杠命令，通过不同的安装器转换成 Claude Code、OpenAI Codex CLI、Cursor、OpenCode、Antigravity CLI、GitHub Copilot、Pi 这七种 AI 编码工具各自能识别的格式，从而解决「每换一个编码工具就要把提示词、规则和工作流重写一遍」的问题。仓库当前收录 94 个插件（92 个本地 + 2 个外部）、202 个 agent、184 个 skill、105 个命令，内容覆盖 Python/Django/FastAPI、JavaScript/TypeScript、代码审查、调试、Git、测试、安全扫描与基础设施。安装方式有三种：在工具内注册插件市场、用 gh skill / npx skills 单独安装某个 skill，或者 clone 仓库后执行 make install-xxx 生成对应工具的产物并链接进用户配置。",
      "pros": "· 一份 Markdown 源同时适配 7 种 AI 编码工具，避免为每个工具重复维护提示词与工作流\n· 组件规模大（94 插件 / 202 agents / 184 skills / 105 commands），开箱覆盖 Python、JS/TS、代码审查、测试、安全、基础设施等常见场景\n· MIT 许可，主体是提示词与配置文本，几乎没有重型运行时依赖，改造成本低\n· 安装方式灵活：既支持整插件注册市场，也支持 gh skill / npx skills 只装单个 skill，无需 clone 仓库\n· 社区热度高（40k+ stars），插件目录和 harness 能力矩阵有文档维护",
      "cons": "· 效果完全依赖底层模型的提示词遵循能力，缺少自动化评测，同一 agent 在不同工具上表现可能差很多\n· 各 harness 能力不对等：Codex 需走生成的 TOML 适配路径、技能正文受 8 KB 预算拆分，OpenCode/Copilot/Pi 的工具权限要翻译，Pi 的 agent 还需额外 subagent 扩展，功能会打折\n· 从 clone 安装需 Python 3.12+、uv、make 及对应 CLI，对非开发背景用户偏繁琐，且要按工具分别执行安装/卸载命令\n· 一次装入上百个 agent/skill 容易造成提示词膨胀和上下文浪费，需要自己甄别取舍",
      "requirements": "运行时：Python 3.12 或更高版本 + uv（仅 make install-opencode/antigravity/copilot/pi 的 clone 安装路线需要），配合 make 与 git/GitHub CLI；单独装 skill 时用 GitHub CLI 2.90+ 的 gh skill，或 Node.js + npm 的 npx skills。宿主工具需自备其一：Claude Code、OpenAI Codex CLI、Cursor、OpenCode、Antigravity CLI、GitHub Copilot、Pi。无数据库、无服务端、无 GPU/特殊硬件要求，纯文本配置加少量安装脚本，磁盘占用为仓库体积量级。",
      "difficulty": "低",
      "best_for": "同时在多个 AI 编码工具之间切换、希望一套 agent/skill 到处复用的开发者与团队；以及想直接拿现成能力补齐 Python/JS 开发、代码审查、安全扫描工作流的个人用户。",
      "alternatives": "Claude Code 官方插件市场与 anthropics/skills（官方 skills 仓库）、obra/superpowers（同类 Claude Code 技能/工作流集合）、hesreallyhim/awesome-claude-code（精选清单式聚合，用于按需挑选而非整套安装）",
      "topics": "agent-skills, agentic-ai, ai-agents, anthropic, antigravity, claude, claude-code, claude-code-marketplace, claude-code-plugin, claude-skills, codex, coding-agents, cursor, cursor-rules, github-copilot, mcp, multi-agent, opencode, pi-coding-agent, subagents",
      "homepage": "https://sethhobson.com"
    },
    {
      "id": 67,
      "full_name": "zeroclaw-labs/zeroclaw",
      "name": "zeroclaw",
      "url": "https://github.com/zeroclaw-labs/zeroclaw",
      "stars": 32842,
      "forks": 4942,
      "open_issues": 790,
      "license": "Apache-2.0",
      "language": "Rust",
      "category": "数字员工/Agent框架",
      "description": "Fast, small, and fully autonomous AI personal assistant infrastructure, any OS, any platform — deploy anywhere, swap anything 🦀",
      "value_note": "这就是\"开源版数字员工运行时\"——部署一个实例，挂上工具和记忆，它就是你的第一个不领工资的员工；轻量、可换任意模型、社区活跃到昨天。",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-08-25_08-20-55.md,2026-09-01_08-14-11.md,2026-09-08_08-07-01.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "ZeroClaw 是一个用 Rust 编写的自托管 AI Agent 运行时，以单个二进制文件形式运行在你自己的机器上。它把大模型（Anthropic、OpenAI、本地 Ollama 等约 20 家）与 30 多个消息渠道（Discord、Telegram、Matrix、邮件、语音、Webhook、CLI）连通，让同一个 Agent 循环统一接收各渠道消息；并通过工具层执行 shell、浏览器、HTTP 请求和 MCP 服务器，甚至操作 Raspberry Pi、STM32、ESP32 的 GPIO/I2C/SPI/USB 硬件。它解决的核心问题是“AI 助手的数据、密钥和运行机器必须归自己所有”：会话、记忆、配置全部留在本地 workspace，默认 supervised 权限模式下中风险操作需审批、高风险直接拦截，并配合 Landlock/Bubblewrap/Seatbelt/Docker 沙箱与加密工具回执。此外还内置 HTTP/WebSocket 网关、Web 仪表盘、SOP 事件流程引擎和 IDE 集成用的 ACP 协议。",
      "pros": "· 本地优先、数据自主：密钥与对话不出本机，配置只是一个 ~/.zeroclaw/config.toml\n· 渠道与模型高度可插拔：30+ 渠道 + 20+ provider，支持回退链与路由，单 Agent 跨平台应答\n· 安全模型完善：默认 supervised 审批、命令策略、OS 级沙箱、工具回执，另留 YOLO 模式给开发机\n· 能力面广：除常规 shell/浏览器/MCP 工具外，还能直控树莓派等硬件外设，并带网关、仪表盘、SOP、ACP\n· Rust 单二进制分发，安装脚本 + systemd/launchctl/Windows 服务注册，常驻后台部署简单",
      "cons": "· 配置面非常庞大（渠道、provider、权限、沙箱、SOP 全在 TOML 里），首次调通需要一定耐心\n· 必须自备 LLM API Key 或本地模型，长期使用有实打实的 token 成本，本地模型还要额外算力\n· 默认授权与 YOLO 模式之间的取舍风险高，配错会把 shell/文件能力暴露给不受信任的输入渠道\n· 项目较新、迭代快（Rust 2024 edition），文档子模块与平台差异（Windows/FreeBSD/NixOS）可能带来踩坑",
      "requirements": "语言/运行时：Rust Edition 2024（源码编译需较新稳定版工具链，约 1.85+）；也可用 install.sh 或 Windows 预编译二进制免装 Rust。操作系统：Linux、macOS、Windows、FreeBSD、NixOS，或 Docker 容器。外部依赖：一个 LLM 提供方（Anthropic/OpenAI 等云 API Key，或本地 Ollama 及任意 OpenAI 兼容端点）。沙箱可选依赖 Landlock / Bubblewrap（Linux）、Seatbelt（macOS）、Docker。配置：单一 TOML 文件 ~/.zeroclaw/config.toml。硬件（可选）：Raspberry Pi、STM32、Arduino、ESP32（GPIO/I2C/SPI/USB）。若需构建/同步文档，还需初始化 docs/book/po 子模块。",
      "difficulty": "中",
      "best_for": "适合注重数据主权、愿意自托管的个人开发者和极客：想把一个 AI 助手同时接到 Discord/Telegram/邮件等多渠道，并可能联动树莓派等硬件，在自有机器上 7×24 常驻运行。",
      "alternatives": "OpenHands（原 OpenDevin）、Open Interpreter、LibreChat（硬件场景可另参考 Home Assistant + Assist）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 62,
      "full_name": "googleworkspace/cli",
      "name": "cli",
      "url": "https://github.com/googleworkspace/cli",
      "stars": 31006,
      "forks": 1832,
      "open_issues": 131,
      "license": "Apache-2.0",
      "language": "Rust",
      "category": "数字员工/Agent框架",
      "description": "Google Workspace CLI — one command-line tool for Drive, Gmail, Calendar, Sheets, Docs, Chat, Admin, and more. Dynamically built from Google Discovery Service. Includes AI agent skills.",
      "value_note": "一人公司最贵的是行政时间。让Agent自己发邮件、归档文件、排日程、读写表格，等于白捡一个不要工资的虚拟助理，Google官方背书不会跑路。",
      "archived": false,
      "last_pushed": "2026-09-14",
      "data_source": "github_api",
      "sources": "2026-08-18_08-21-40.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "gws 是 Google Workspace 官方组织（googleworkspace）开源的统一命令行工具，用一个 CLI 覆盖 Drive、Gmail、Calendar、Sheets、Chat 等全部 Workspace API。它不在代码里硬编码命令清单，而是在运行时读取 Google 自己的 Discovery Service，动态生成整个命令树和参数校验，所以 Google 新增 API 端点或方法时 gws 会自动支持，无需等发版。每个子命令都带 --help、--dry-run（预览请求）和自动翻页，所有响应输出结构化 JSON，并支持 --page-all 以 NDJSON 流式输出配合 jq 处理；gws schema 还能直接查看任意方法的请求/响应结构。它同时内置 40 多个 agent skills，目的是让 LLM/AI Agent 无需自建工具层就能安全地操作 Workspace。此外还封装了完整的认证链路：交互式创建 GCP 项目、OAuth 登录与 scope 选择、service account、预取 token，凭据以 AES-256-GCM 加密存于系统 keyring。",
      "pros": "· 一套 CLI 覆盖全部 Workspace API，运行时读取 Discovery Service 动态构建命令，Google 加接口即自动可用，不用等工具更新\n· 所有输出都是结构化 JSON，支持 NDJSON 分页流和 --dry-run，天然适合 shell 脚本管道和 AI Agent 工具调用\n· 认证方案完整：交互式 setup/login、service account、预取 access token 三种路径，凭据 AES-256-GCM 加密存放在 OS keyring\n· 安装方式多：各平台预编译二进制、Homebrew、Nix flake、npm 包装、cargo 源码编译，Rust 实现体积小启动快\n· 自带 40+ agent skills，AI 集成开箱即用",
      "cons": "· README 明确声明“不是 Google 官方支持的产品”，且处于活跃开发中，通往 v1.0 之前预计会有 breaking change\n· 认证门槛高：必须自建 Google Cloud 项目并配置 OAuth 同意屏；未验证应用（testing 模式）受限约 25 个 scope，默认 recommended 预设含 85+ scope 会直接失败，@gmail.com 账号尤其明显\n· 命令行要手写 JSON（--params / --json 传参），必须了解各 API 的 schema 才能用，不是给人直观操作的傻瓜工具\n· gws auth setup 依赖已安装并登录的 gcloud CLI，没有 gcloud 就得手动去 Cloud Console 配 OAuth，流程较长",
      "requirements": "运行时：主体为 Rust 编译的单文件二进制，无运行时依赖；用 npm 安装需 Node.js 18+（npm 包只是下载对应平台二进制的包装器），从源码构建需 Rust/cargo 工具链（cargo install --locked）。账号与凭据：必须有一个 Google Cloud 项目 + OAuth 客户端凭据（或 service account JSON、或已有的 access token，通过环境变量 GOOGLE_WORKSPACE_CLI_TOKEN / GOOGLE_WORKSPACE_CLI_CREDENTIALS_FILE 注入），以及有相应 Workspace 权限的 Google 账号；gws auth setup 自动建项目时还需 gcloud CLI。存储：依赖操作系统 keyring 保存加密密钥，可退回文件模式（~/.config/gws/.encryption_key）。无数据库要求。硬件：无特殊要求，内存/磁盘占用极低，可在笔记本、CI 容器、服务器上跑。",
      "difficulty": "中",
      "best_for": "需要批量、自动化或脚本化操作 Google Workspace 的开发者、SRE/IT 运维，以及想让 LLM Agent 直接读写 Gmail、Drive、Calendar、Sheets 的 AI 应用与平台团队；不适合只想在网页上点点鼠标的普通办公用户。",
      "alternatives": "GAM (GAMADV-XTD3) —— Google Workspace 管理员向命令行工具，功能深但更偏域管理；rclone —— 主攻 Drive/云存储同步，配置简单；官方各语言客户端库（google-api-python-client、googleapis Node SDK）或 gcloud CLI —— 需要自己写代码、且 gcloud 主要覆盖 GCP 资源而非 Workspace 消费级 API。",
      "topics": null,
      "homepage": null
    },
    {
      "id": 12,
      "full_name": "topoteretes/cognee",
      "name": "cognee",
      "url": "https://github.com/topoteretes/cognee",
      "stars": 30692,
      "forks": 3029,
      "open_issues": 498,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "数据/分析",
      "description": "Cognee is the open-source AI memory platform for agents. Give your AI agents persistent long-term memory across sessions with a self-hosted knowledge graph engine.",
      "value_note": "让你的\"数字员工\"记住每次对话上下文，跨session不丢失记忆。自部署无数据泄露风险，是构建企业级Agent的底层基础设施。",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-06-23_09-13-42.md,2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "一句话：Cognee 是给 AI Agent 装上持久化长期记忆的开源平台。它把任意格式数据（文档、代码、对话记录、工单）经 ECL 管道摄入，用 LLM 抽取实体与关系，构建自托管知识图谱并叠加向量索引；查询时自动路由检索策略（图遍历／向量／混合），通过 cognee.remember、cognee.search、cognify 等 API 把上下文喂回 Agent。除永久图谱记忆外还有 session 记忆做快速缓存。它解决的痛点是：Agent 跨会话就失忆，以及每个项目都要从零自建一套 RAG＋记忆系统。还支持自定义本体、MCP 与插件接入已有 Agent，可自托管也可用 Cognee Cloud。",
      "pros": "· 一行 remember/search/cognify 把「文档入库→图谱构建→检索」整条链路封装，不用自己拼 RAG 管道\n· 知识图谱＋向量混合检索，比纯向量 RAG 更适合多跳关系推理（有 arXiv 论文背书）\n· 支持自定义数据模型与本体（ontology），记忆结构可贴合业务领域实体\n· 模型与存储后端可插拔（OpenAI、本地 Ollama、各类图库/向量库），可完全自托管\n· 提供 MCP 与插件，能给已有 Agent 直接挂记忆；附免 API Key 的本地 demo\n· Apache-2.0 许可，29k+ stars，社区活跃，另有官方托管云可选",
      "cons": "· 默认用 OpenAI 做 LLM 抽取与 embedding，摄入和查询都会产生 API 调用费用，数据量大时成本明显\n· 摄入时要跑 LLM 抽实体关系，比纯向量索引慢很多，首次 cognify 大批文档耗时长\n· 概念偏多（ECL 管道、本体、图＋向量双存储、session vs graph 记忆），架构心智负担较重，README 信息略散\n· 项目较新、API 仍在快速演进，上生产需留意破坏性变更",
      "requirements": "Python 3.10–3.14；用 pip 或 uv 安装（uv pip install cognee）；需配置 LLM 与 embedding 提供方，默认 OpenAI（需 LLM_API_KEY），也可换其他 provider 或本地 Ollama；存储后端可插拔——默认轻量本地存储/SQLite 级即可跑通，生产可接 Neo4j、Postgres+pgvector 等；纯 CPU 可运行小规模 demo，本地跑大模型或大规模图谱建议有 GPU 与充足内存/磁盘。",
      "difficulty": "中",
      "best_for": "想给自研或第三方 AI Agent 加跨会话长期记忆、又不愿从零搭 RAG＋记忆系统的开发者与一人公司；也适合把文档、代码、对话统一成可查询知识图谱的「公司大脑」型内部应用。",
      "alternatives": "Mem0、Zep、Letta（MemGPT）；偏 RAG 方向可看 Microsoft GraphRAG、RAGFlow",
      "topics": null,
      "homepage": null
    },
    {
      "id": 56,
      "full_name": "simstudioai/sim",
      "name": "sim",
      "url": "https://github.com/simstudioai/sim",
      "stars": 29638,
      "forks": 3830,
      "open_issues": 336,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "数据/分析",
      "description": "Sim is the collaborative workspace to build, deploy, and monitor AI agents and workflows. Used by 100,000+ builders.",
      "value_note": "一个控制台管全部数字员工——营销、客服、销售Agent全挂上去，从写代码到跑任务全自动，单人公司的\"老板+CTO+运营\"三合一。",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-08-04_08-22-21.md,2026-08-25_08-20-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Sim（simstudioai/sim）是一个开源的 AI Agent 与工作流中台，把「构建、部署、编排、监控」Agent 的全流程收进同一个工作区。它提供可视化拖拽的 Workflow 画布（也支持自然语言对话式生成或直接写代码），可接入 1000+ 第三方集成（Slack、Notion、HubSpot、Salesforce、各类数据库）以及所有主流 LLM。除聊天与流程画布外，平台还内置了 Tables（结构化数据表，供 Agent 查询）、Files（团队与 Agent 共享的文件存储）、Knowledge（同步文档的知识库，充当 Agent 长期记忆），并提供运行日志、调度与执行监控。既可云端托管、Docker 自托管，也有 macOS 桌面客户端。核心解决的是企业里 Agent 开发碎片化、工具链割裂、缺乏统一编排与可观测性的问题，让非工程人员也能搭出可用 Agent。",
      "pros": "· 一站式：画布编排 + 知识库 + 数据表 + 文件 + 日志监控全在一处，不用拼五个工具\n· 集成生态宽，1000+ 连接器和主流 LLM 开箱即用，接 Slack/Notion/CRM 很方便\n· 支持可视化、对话式、代码三种构建方式，产品/运营和工程师都能上手\n· 自托管友好：npx sim-setup 向导自动建库、生成密钥、起 Docker 镜像，还有 macOS 桌面版\n· Apache-2.0 许可，可商用可改，社区活跃（近 3 万星）",
      "cons": "· 资源胃口大，官方明说需 12GB+ 内存，小内存 VPS 或笔记本容易起不来\n· 自托管要自己处理 Postgres、四个 openssl 密钥、端口冲突（3000/3002/5432），生产运维并不轻\n· 项目迭代快、结构复杂（monorepo + 多个 docker-compose 文件），升级时数据库迁移和镜像兼容需留意\n· 深度定制仍要读源码，文档对高级场景覆盖有限，且云托管版与自托管功能可能存在差异",
      "requirements": "语言/运行时：Node.js 20+（自托管向导 npx sim-setup 依赖）；容器：Docker 与 Docker Compose；数据库：PostgreSQL（含向量扩展 pgvector，用于知识库检索）；必需环境变量：BETTER_AUTH_SECRET、ENCRYPTION_KEY、INTERNAL_API_SECRET、CRON_SECRET（openssl rand -hex 32 生成）；硬件：建议 12GB+ 内存，端口 3000/3002/5432 可用；可选：Ollama（docker-compose.ollama.yml 跑本地模型）；桌面版需 macOS 12+（Apple Silicon 或 Intel）。",
      "difficulty": "中",
      "best_for": "想给团队搭一套统一 AI Agent 中台、需要把内部系统（CRM、数据库、Slack、Notion）串进工作流并做编排与监控的工程团队和自动化负责人；也适合能接受自托管运维、追求数据不出内网的企业。",
      "alternatives": "Dify、n8n（含 AI Agent 节点）、Flowise、Langflow",
      "topics": null,
      "homepage": null
    },
    {
      "id": 14,
      "full_name": "openai/openai-agents-python",
      "name": "openai-agents-python",
      "url": "https://github.com/openai/openai-agents-python",
      "stars": 29446,
      "forks": 4733,
      "open_issues": 77,
      "license": "MIT",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "A lightweight, powerful framework for multi-agent workflows",
      "value_note": "做内容营销的一人公司最缺就是视频产能。这个项目让你自己搭一个AI短视频流水线：把长视频自动剪成Shorts，或者用AI演员生成UGC风格营销视频。MIT协议自托管，没有任何按量付费的坑。",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-06-30_08-16-48.md,2026-07-21_08-27-52.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "OpenAI 官方推出的轻量多 Agent 编排框架，用几行 Python 就能把大模型封装成带指令、工具、护栏和交接能力的 Agent，并组织成多步工作流。核心抽象只有 Agent 与 Runner：前者定义模型、instructions、工具（函数/MCP/托管工具）、输入输出护栏和 handoff 目标，后者负责执行循环、调用工具、处理交接与会话历史。除普通文本 Agent 外，还提供 SandboxAgent（在容器内读写文件、执行命令、打补丁，适合长周期任务）、RealtimeAgent（基于 WebSocket 的低延迟语音/多模态）以及 STT→Agent→TTS 的语音管线。框架不锁定厂商，除 OpenAI 接口外可接 100+ 模型，并内置 tracing 面板用于查看、调试和优化每次运行，另有 sessions 自动管理对话历史与 human-in-the-loop 机制让人在关键节点介入。",
      "pros": "· 官方维护、API 极简，Agent + Runner 几行代码即可跑通一个可用 agent\n· 供应商无关，支持 OpenAI Responses/Chat Completions 及 100+ 其他 LLM，迁移成本低\n· 内建 handoffs、guardrails、sessions、tracing、human-in-the-loop，覆盖多 Agent 常用能力\n· 工具生态完整，支持函数调用、MCP 与托管工具，并提供对应的 JS/TS 版本\n· MIT 许可、25k+ 星，社区活跃，文档与 examples 较齐全",
      "cons": "· 与 OpenAI 生态（Responses API、Tracing 面板）耦合较深，换用第三方模型时部分可观测性和托管工具能力会降级\n· 项目较新、迭代快，API 存在破坏性变更风险，升级需留意 changelog\n· 抽象层较薄，复杂工作流的状态机、重试与成本控制仍需自行实现\n· voice/realtime/sandbox 等高级能力依赖额外 extras 和较重环境（Docker、音频设备、Redis），踩坑概率高于基础文本场景",
      "requirements": "· Python 3.10 或更高版本（语言为 Python）\n· 包管理：pip 或 uv，`pip install openai-agents`\n· 需配置 OPENAI_API_KEY 环境变量，或第三方模型/网关的对应凭证\n· 可选依赖组：openai-agents[voice]（音频处理）、[redis]（Redis 做会话存储）、[docker]（Docker 沙箱）\n· 沙箱 Agent：macOS/Linux 可用 UnixLocalSandboxClient，Windows 需 Docker 客户端或托管沙箱\n· 硬件：纯文本 Agent 无特殊要求；语音/实时场景需麦克风、扬声器及稳定网络，本地沙箱建议预留容器运行资源",
      "difficulty": "低",
      "best_for": "适合需要快速搭建多 Agent/工具调用流水线的 Python 开发者，以及希望避免厂商锁定、在 OpenAI 与其他 LLM 之间自由切换的团队；也适合做原型验证与语音、沙箱类 agent 实验。",
      "alternatives": "LangGraph（LangChain 生态的图式 Agent 编排）、CrewAI（角色协作式多 Agent 框架）、Microsoft AutoGen（多 Agent 对话与代码执行框架）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 89,
      "full_name": "kestra-io/kestra",
      "name": "kestra",
      "url": "https://github.com/kestra-io/kestra",
      "stars": 28121,
      "forks": 2991,
      "open_issues": 691,
      "license": "Apache-2.0",
      "language": "Java",
      "category": "Agent中台/编排",
      "description": "Event Driven Orchestration & Scheduling Platform for Mission Critical Applications",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Kestra 是一个开源的事件驱动编排与调度平台，把「定时调度」和「事件触发」统一到一套声明式 YAML 工作流定义中。用户用 YAML 描述由多个 task 组成的工作流（如从数据库抽数、调用 API、跑脚本、写对象存储），通过 trigger 定义按 cron、文件到达、Webhook、消息队列等条件自动触发。它内置数百个插件，可对接各类数据库、云存储与 SaaS API，并能以任意语言（Python、Shell、Node 等）执行脚本，因此可用来搭建 ETL/数据管道、基础设施自动化、AI/RAG 流程和微服务编排。平台提供可视化 UI、No-Code 编辑器、AI Copilot 与 Git 集成，工作流定义可版本化并走 CI/CD；架构上控制面与 worker 通过 gRPC 通信，支持水平扩展与高可用，面向关键业务的大规模调度场景。",
      "pros": "· 声明式 YAML 定义流程，语言无关，task 可跑任意语言脚本，无需写 Python DAG\n· 内置数百个官方插件，覆盖主流数据库、云存储、SaaS/API，开箱即用\n· 同时支持定时与事件驱动触发，UI 编辑器、YAML 代码、Git 三者保持同步，天然适合 IaC/CI-CD\n· 控制面与 worker 分离、通过 gRPC 通信，worker 可部署在另一区域或受限网络，扩展性与容错设计好\n· 内置 AI Copilot、AI Agent、RAG 任务类型与 MCP server，AI 原生能力较新\n· Apache-2.0 许可，核心功能免费可自建",
      "cons": "· 项目相对年轻（2022 年才起步），社区规模、第三方教程与踩坑资料远不如 Airflow 丰富\n· 部分企业级能力（SSO/RBAC 高级项、多租户、部分治理功能）在付费版才有，开源版有边界\n· 组件较多（控制面、worker、indexer、数据库、对象存储），自建生产环境的部署与运维复杂度不低\n· 复杂控制流（动态循环、条件分支、复杂依赖）用 YAML 表达时不如直接写代码灵活，写错排查较绕",
      "requirements": "语言/运行时：本地源码构建或运行需 JDK 21（Gradle 构建，前端为 Node 仅用于编译 web UI）；生产环境推荐直接用官方 Docker 镜像。数据库：生产推荐 PostgreSQL 15+（MySQL/MariaDB 亦支持），本地开发可用内置 H2 内存库，无需外部依赖。依赖：Docker 或 Kubernetes 集群运行服务；执行产物（outputs/files）需要对象存储（S3/GCS/Azure Blob，本地可用文件系统）或数据库/本地卷；集群各节点需用 gRPC 互通。硬件：官方建议最低 2 vCPU / 4GB RAM 起步，生产按并发任务量横向扩展更多 worker，需要持久化卷和可达的数据库。",
      "difficulty": "中",
      "best_for": "适合需要把数据管道（ETL/ELT）、基础设施运维、AI/RAG 流程统一编排，且团队偏好用声明式 YAML + Git 版本控制而非写 Python DAG 的数据/平台工程团队；也适合想通过可视化 UI 快速搭出工作流、不想写代码的业务侧用户。",
      "alternatives": "Apache Airflow、Dagster / Prefect、Argo Workflows（K8s 原生）、Temporal",
      "topics": null,
      "homepage": null
    },
    {
      "id": 11,
      "full_name": "Kilo-Org/kilocode",
      "name": "kilocode",
      "url": "https://github.com/Kilo-Org/kilocode",
      "stars": 27310,
      "forks": 3156,
      "open_issues": 534,
      "license": "MIT",
      "language": "TypeScript",
      "category": "数据/分析",
      "description": "Kilo is the all-in-one agentic engineering platform. Build, ship, and iterate faster with the most popular open source coding agent.",
      "value_note": "MCP + CLI + VSCode/JetBrains 插件全覆盖。生代码、修 Bug、部署一条龙。一人公司的「主力程序员」——它写代码你定方向，效率翻 3-5 倍。",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-06-23_09-13-42.md,2026-07-07_08-20-20.md,2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Kilo Code 是一个开源的 AI 编程代理（coding agent）平台，把「写代码」到「部署」的流程交给 AI 代理完成。它以 VS Code 扩展、JetBrains 插件和命令行 CLI 三种形态存在，可在编辑器里直接用自然语言让它读代码库、改文件、跑命令、调试和提交代码，也提供云端 Agent、PR 自动代码审查和常驻代理（KiloClaw）。它内置 Code、Plan、Ask、Debug、Review 等分工不同的子代理，可随时切换或自定义；接入了 500+ 个模型（GPT、Claude、Gemini 等），支持任务执行中途换模型，按模型厂商原价计费、零加价，且初次使用无需自备 API Key。",
      "pros": "· MIT 开源、定价透明，模型按厂商原价计费无加价，可自带 API Key 或直接用官方账号\n· 覆盖 VS Code、JetBrains、CLI、云端和 Web 多端，同一套代理体验跨环境一致\n· 内置 Code/Plan/Ask/Debug/Review 等多种专用代理，可按任务切换并自定义代理\n· 支持 500+ 模型且可在任务中途切换，便于按成本/能力灵活取舍\n· 安装渠道丰富（Marketplace、npm、curl、Homebrew、AUR、GitHub 二进制），开箱即用",
      "cons": "· 代理会自动读写文件并执行终端命令，存在误改代码或执行危险指令的风险，需谨慎授权\n· 实际能力高度依赖所接模型，复杂任务仍需人工审查，且会产生持续的模型调用费用\n· 项目迭代快、功能面铺得很广（IDE/CLI/云/PR 审查），部分新功能稳定性和文档可能滞后\n· 自建或二次开发需理解其 monorepo 结构与 VS Code/JetBrains 扩展体系，门槛不低",
      "requirements": "使用端：VS Code（较新版本）或 JetBrains IDE（2023.3+ 类版本），命令行使用需 Node.js（建议 18/20 LTS）配 npm/pnpm/bun，或直接用 curl/Homebrew/AUR/GitHub 预编译二进制（Windows x64、macOS arm64/x64、Linux x64/arm64，旧 CPU 用 x64-baseline，Alpine 用 musl）。需联网访问模型服务，推荐注册 kilo.ai 账号（无需自备 API Key）。本地无需 GPU（模型在云端）。从源码构建需 Node + 包管理器 + TypeScript 工具链。",
      "difficulty": "低",
      "best_for": "希望在现有编辑器里快速用上 AI 编程代理、又在意开源与计费透明的个人开发者和中小团队；也适合需要跨 IDE/CLI 统一代理体验或做 PR 自动审查的团队。",
      "alternatives": "Cline、Roo Code（原 Roo Cline）、Continue.dev，以及 Aider、GitHub Copilot Workspace",
      "topics": null,
      "homepage": null
    },
    {
      "id": 455,
      "full_name": "onlook-dev/onlook",
      "name": "onlook",
      "url": "https://github.com/onlook-dev/onlook",
      "stars": 26803,
      "forks": 2107,
      "open_issues": 381,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "网页设计/建站",
      "description": "The Cursor for Designers • An Open-Source AI-First Design tool • Visually build, style, and edit your React App with AI",
      "value_note": "适合熟悉 React/Next.js 与 TailwindCSS 的前端工程师、独立开发者或懂代码的产品设计师，用来快速做落地页、官网、原型并直接产出可部署代码；不适合完全不想碰代码的纯设计师，也不适合非 Next.js 技术栈的项目。",
      "archived": false,
      "last_pushed": "2026-08-25",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Onlook 是一个面向 Next.js + TailwindCSS 项目的开源\"可视化优先\"代码编辑器，定位是\"给设计师用的 Cursor\"。它把用户的 Next.js 项目加载进浏览器内的 WebContainer（基于 StackBlitz 的浏览器端 Node 运行时），在容器里安装依赖并跑起 dev server，再把预览地址以 iframe 嵌入编辑器。用户看到的不是静态设计稿，而是真实运行中的应用：可以直接在页面上像 Figma 一样选中元素、拖拽插入 div、调整 Tailwind 样式类、切换层级树，所有操作都会实时写回真实的 React/JSX 源码。右侧并排显示代码，右键任意元素可跳转到对应的代码位置。它还内置 AI 对话，用自然语言或图片生成/修改页面、一次排队多条消息，配合分支（branch）和检查点（checkpoint）做设计实验与回滚，最后可一键生成分享链接或绑定自定义域名部署。本质上解决的是\"设计稿与代码脱节\"：让设计师不写代码也能改动生产级的 React 工程。",
      "pros": "· 可视化编辑直接改真实源码，不产生设计稿到代码的二次翻译损耗，产物是可直接部署的 Next.js 工程\n· 浏览器内 WebContainer 沙箱，无需本地装环境即可导入项目并实时预览，AI 生成后立刻看到效果\n· 类 Figma 的交互（图层树、拖拽插入 div、Tailwind 样式面板、元素级右键跳转代码）对设计师友好\n· 分支 + 检查点机制，可以放心做多套设计探索并随时回滚，不怕 AI 改坏项目\n· Apache-2.0 开源、26k+ star、YC 背景团队维护，可自托管并二次开发，避免厂商锁定",
      "cons": "· 项目处于 early access 阶段，README 中大量功能仍是未勾选的 TODO（拖拽组件面板、评论协作、MCP、非 Next.js/Tailwind 项目支持），能力和稳定性都不完整\n· 强绑定 Next.js + TailwindCSS 技术栈，Vue/Svelte/纯 React 或非 Tailwind 项目基本用不了，官方也明确列为未支持\n· 自托管部署链路复杂：依赖 WebContainer、Supabase（Postgres）、对象存储、邮件、AI Key 等多套外部服务，本地跑起来要 Docker 和多个密钥\n· 核心预览依赖浏览器端容器，大项目索引/启动慢，且复杂依赖或原生模块可能跑不起来，仍需要 Web 与 React 基础才能排错",
      "requirements": "· 运行时：Node.js 20+（推荐 Bun 1.x 管理 monorepo 依赖，npm/pnpm 亦可）\n· 数据库/后端：Postgres（本地开发通常用 Docker 起 Supabase，配合 Drizzle ORM + tRPC）\n· 外部服务/密钥：AI 模型 API Key（Anthropic Claude / OpenAI / Google 至少其一）、对象存储（S3 兼容或 Vercel Blob）用于图片等资源、邮件服务（Resend）用于登录验证、OAuth/域名相关配置\n· 编辑器侧：现代 Chromium/Firefox/Safari 浏览器（WebContainer 需要跨源隔离的浏览器能力），本地开发建议 Docker Desktop\n· 硬件：本机内存建议 8GB 以上（16GB 更稳），因为要同时跑 Next.js、Postgres、WebContainer 沙箱；被编辑的目标项目本身也要能在 Node 20 环境下构建",
      "difficulty": "高",
      "best_for": "适合熟悉 React/Next.js 与 TailwindCSS 的前端工程师、独立开发者或懂代码的产品设计师，用来快速做落地页、官网、原型并直接产出可部署代码；不适合完全不想碰代码的纯设计师，也不适合非 Next.js 技术栈的项目。",
      "alternatives": "v0 (Vercel)、Bolt.new (StackBlitz)、Lovable，另外可对比 Figma Make / Webflow / Replit Agent",
      "topics": "ai, cursor, cursor-ai, design, design-to-code, drizzle, editor, figma, frontend, ide, low-code, nextjs, react, supabase, tailwindcss, typescript, ui, vibe-coding, vibecoding",
      "homepage": "https://onlook.com"
    },
    {
      "id": 90,
      "full_name": "deepset-ai/haystack",
      "name": "haystack",
      "url": "https://github.com/deepset-ai/haystack",
      "stars": 26511,
      "forks": 3137,
      "open_issues": 144,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "Open-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Haystack 是 deepset 开源（现为 3.0 版本）的 Python 大模型应用编排框架，核心是让开发者用「组件 + 管道（Pipeline）」的方式把 LLM 应用拆解成可显式控制的模块。它提供文档加载器、切分器、Embedding 模型、向量/混合检索器、重排器、Prompt 构造、生成器、路由与记忆等标准组件，你把它们用有向图连接起来就得到一条 RAG 流水线；同一套抽象也能搭 Agent 循环、多模态检索和语义搜索。相比把逻辑散写在脚本里，它的价值在于检索、路由、生成各环节可插拔、可单独测试和调参，并配有一致的序列化与部署接口，方便从原型平滑推上生产。",
      "pros": "· 管道显式可读：检索、路由、生成各步骤以组件图呈现，便于调试、A/B 替换与定位问题\n· 生态与集成广：内置大量主流向量库、模型提供商、文档解析与重排组件，切换供应商基本只改一个组件\n· 3.0 版本推出 Agent、工具调用与异步支持，RAG 与 Agent 两种范式统一在一套抽象里\n· 工程化配套完善：类型注解 + Mypy、Ruff、高测试覆盖率、Apache-2.0 商业友好，且有企业版与托管平台\n· 社区规模大（25k+ star）、文档与教程丰富，遇到问题容易找到参考实现",
      "cons": "· 抽象层偏重，简单 Demo 会显得绕，学习 Pipeline 与组件 I/O 契约有前期成本\n· 2.x 到 3.0 存在破坏性 API 变更，网上大量旧教程/示例代码不能直接用，需注意版本\n· 官方文档默认引导至 deepset Cloud / 企业平台，重度使用某些托管能力需要付费\n· 框架本身不含模型与向量数据库，实际效果强依赖你自己选型和调参，并非开箱即用",
      "requirements": "运行环境：Python 3.9+（新版通常建议 3.10/3.11），通过 pip install haystack-ai 或 conda-forge 安装。无强制数据库，但向量检索需自备后端（如 Elasticsearch/OpenSearch、Qdrant、Weaviate、Milvus、pgvector、FAISS 等）。需自行配置 LLM 与 Embedding 提供商的 API Key（OpenAI、Anthropic、Cohere、HuggingFace 本地模型等）。本地跑小模型建议 16GB 内存起步，若本地部署 7B 级模型或本地 Embedding 推理则需要 GPU 显存（约 8-16GB）。网络需可访问模型与向量库服务。",
      "difficulty": "中",
      "best_for": "适合需要在生产环境构建可维护 RAG/Agent 应用、且希望对各环节精细控制的 Python 团队；也适合从 LangChain 等框架迁移、追求更清晰架构与更强可调试性的中级以上开发者。",
      "alternatives": "· LangChain / LangGraph：生态组件最多、Agent 图编排成熟，但抽象更杂、版本变动频繁\n· LlamaIndex：索引与检索抽象更专业，RAG 数据处理能力强，Agent 能力相对弱一些\n· Microsoft Semantic Kernel：面向 C#/Python 的企业级编排，与 Azure/微软生态结合紧密",
      "topics": null,
      "homepage": null
    },
    {
      "id": 448,
      "full_name": "GrapesJS/grapesjs",
      "name": "grapesjs",
      "url": "https://github.com/grapesjs/grapesjs",
      "stars": 26266,
      "forks": 4647,
      "open_issues": 44,
      "license": "BSD-3-Clause",
      "language": "TypeScript",
      "category": "网页设计/建站",
      "description": "Free and Open source Web Builder Framework. Next generation tool for building templates without coding",
      "value_note": "需要在自家 SaaS/CMS/营销后台里内嵌「拖拽式页面或邮件模板编辑器」的前端/全栈开发者，尤其是愿意自行实现后端存储、追求框架无关且可深度定制的团队。",
      "archived": false,
      "last_pushed": "2026-09-21",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": null,
      "pros": null,
      "cons": null,
      "requirements": null,
      "difficulty": null,
      "best_for": null,
      "alternatives": null,
      "topics": null,
      "homepage": null,
      "license_verified": true
    },
    {
      "id": 10,
      "full_name": "activepieces/activepieces",
      "name": "activepieces",
      "url": "https://github.com/activepieces/activepieces",
      "stars": 24453,
      "forks": 4191,
      "open_issues": 588,
      "license": "MIT (CE) + Commercial (ee/)",
      "language": "TypeScript",
      "category": "数据/分析",
      "description": "AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents",
      "value_note": "MCP + CLI + VSCode/JetBrains 插件全覆盖。生代码、修 Bug、部署一条龙。一人公司的「主力程序员」——它写代码你定方向，效率翻 3-5 倍。",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-06-23_09-13-42.md,2026-07-14_08-25-54.md,2026-07-23_10-18-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Activepieces 是一个开源的工作流自动化平台，定位为 Zapier / n8n 的自托管替代品。它通过可视化拖拽画布把不同 SaaS 服务连接起来：你选一个触发器（如收到 Gmail、新表单提交、Webhook 调用），再接上一连串动作（如写入 Google Sheets、调用 OpenAI、发 Discord 消息、跑一段 JS 代码），从而自动完成跨系统数据流转，用户无需写后端代码。核心特色是\"Piece\"插件框架：每个集成是一个 TypeScript 编写的 npm 包，带类型校验和热重载，官方与社区共维护 280+ 个集成，且这些集成会自动暴露为 MCP 服务器，可被 Claude Desktop、Cursor 等 LLM 调用。它支持循环、分支、自动重试、人工审批、Chat/表单等人机交互节点，流程全程版本化，并内置 AI 节点用于数据清洗和构建 Agent。",
      "pros": "· MIT 协议开源、可完全自托管，数据不出内网，适合对合规和隐私敏感的场景\n· 用 TypeScript 写 Piece，有类型检查和本地热重载，开发者扩展集成体验优于多数竞品\n· 280+ 集成全部开源并发布在 npm，社区贡献占比高，集成生态增长快\n· 所有 Piece 自动作为 MCP Server，可直接被 Claude/Cursor 等 LLM 工具调用，AI 整合能力强\n· 无代码画布对非技术用户友好，同时保留 Code 节点、循环、分支、审批、重试等进阶能力",
      "cons": "· 未读 README 中的语言字段为\"未知\"，实际为 TypeScript/Node.js 全栈，自托管需自行维护 Postgres、Redis、前端与 Worker 多个组件\n· 部分企业特性（SSO、品牌定制、细粒度权限等）采用商业许可，并非完全 MIT，需看清功能边界\n· 高级自托管部署依赖 Docker Compose，生产环境要处理队列、并发、反向代理和升级迁移，运维有一定门槛\n· 集成数量虽多但单集成的字段深度、边界情况处理可能不如 Zapier 这类成熟商业产品",
      "requirements": "运行时：Node.js 18+ 与 pnpm（含前端 React、后端 API、Worker 进程）；数据库：PostgreSQL 14+ 必选；缓存/队列：Redis 必选；其他依赖：Docker 与 Docker Compose 用于官方推荐的一键部署。开发 Piece 需 npm/TypeScript 环境。硬件：小规模自用 2 核 4GB 内存起步，生产建议 4 核 8GB 以上并预留磁盘给 Postgres。也可直接使用官方云托管版而无需自运维。",
      "difficulty": "中",
      "best_for": "希望把 Zapier/Make 换成本地可控方案的团队，以及需要把内部系统与 LLM/MCP 打通、又要求数据不外发的开发者与企业 IT。",
      "alternatives": "n8n、Zapier（SaaS 商业版）、Make（Integromat）",
      "topics": null,
      "homepage": null,
      "license_verified": true
    },
    {
      "id": 466,
      "full_name": "krayin/laravel-crm",
      "name": "laravel-crm",
      "url": "https://github.com/krayin/laravel-crm",
      "stars": 23969,
      "forks": 1652,
      "open_issues": 122,
      "license": "MIT",
      "language": "PHP",
      "category": "CRM/客户管理",
      "description": "Krayin CRM is Free & Open Source CRM Built with Laravel for Customer, Lead, and Sales Management.",
      "value_note": "适合有一定 PHP/Laravel 基础的团队，想自建、可完全掌控数据和代码、按需二次开发 CRM 的中小企业；也适合想基于成熟开源 CRM 做定制或做 SaaS 产品的开发者。",
      "archived": false,
      "last_pushed": "2026-10-02",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Krayin CRM 是一套基于 Laravel + Vue.js 构建的开源客户关系管理系统，用来做客户、线索（Lead）、商机和销售流程的全生命周期管理。它提供后台管理面板、仪表盘、自定义属性（Custom Attributes），并采用模块化架构（Webkul 包化组件）方便扩展。核心功能包括联系人/组织管理、线索采集与转化、报价与销售管道跟踪、邮件解析（通过 Sendgrid 把邮件转成线索或工单）、活动与任务记录等。它解决的是中小企业或团队没有预算购买 Salesforce/HubSpot 等商业 CRM 时，希望自建、可完全掌控数据、可二次开发的需求。整个系统是自托管部署，数据存在自己的服务器和数据库里，通过扩展还能接入多租户 SaaS、WhatsApp、VoIP 等业务场景。",
      "pros": "· MIT 协议完全免费开源，可商用、可自由修改和二次开发，无授权费用\n· 技术栈主流（Laravel 11 + Vue.js），PHP 开发者上手和二次开发门槛低，生态和文档资源丰富\n· 采用模块化包架构（packages/Webkul/*），功能解耦，便于按需裁剪或自写扩展\n· 提供完整的安装向导（php artisan krayin-crm:install）、Docker 部署方案和官方文档、论坛\n· 社区活跃，GitHub 星数近 2.4 万，还有官方 Demo 和云托管/扩展市场可选",
      "cons": "· 运行环境要求偏高：PHP 8.3+、MySQL 8.0.32+ 或 MariaDB 11.4+、至少 3GB 内存，老旧服务器或共享主机基本跑不动\n· 高级能力（多租户 SaaS、WhatsApp、VoIP、云托管等）并非开源自带，需购买官方商业扩展\n· 开箱即用的功能相比成熟商业 CRM 偏基础，缺少深度的自动化营销、复杂报表和移动端 App\n· 默认管理员账号为 admin@example.com / admin123，生产环境必须立即修改，且上线前需手动 composer install --no-dev 清理开发依赖",
      "requirements": "语言/运行时：PHP 8.3 或更高版本；包管理：Composer 2.5+；Web 服务器：Apache 2 或 Nginx；数据库：MySQL 8.0.32+ 或 MariaDB 11.4 LTS+（推荐 11.8 LTS）；内存：至少 3GB RAM；前端依赖 Node.js/npm（编译 Vue 资源时需要）；可选邮件服务 Sendgrid 用于邮件解析。部署方式支持传统服务器安装和 Docker。",
      "difficulty": "中",
      "best_for": "适合有一定 PHP/Laravel 基础的团队，想自建、可完全掌控数据和代码、按需二次开发 CRM 的中小企业；也适合想基于成熟开源 CRM 做定制或做 SaaS 产品的开发者。",
      "alternatives": "SuiteCRM、EspoCRM、Odoo CRM（另有 Twenty、Vtiger CRM 可作为备选）",
      "topics": "cloud, cloudhosting, crm, crm-multi-tenant-saas, crm-platform, hacktoberfest, laravel, laravel-application, laravel-crm, laravel-framework, laravel-package, opensource, opensource-crm, opensource-crm-framework, php, vue, vuejs",
      "homepage": "https://krayincrm.com"
    },
    {
      "id": 91,
      "full_name": "PrefectHQ/prefect",
      "name": "prefect",
      "url": "https://github.com/PrefectHQ/prefect",
      "stars": 23842,
      "forks": 2521,
      "open_issues": 859,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "Prefect is a workflow orchestration framework for building resilient data pipelines in Python.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Prefect 是一个用 Python 编写的数据工作流编排框架，核心目标是把普通的 Python 脚本快速「生产化」。它通过 @flow 和 @task 两个装饰器，把你的函数变成可观测、可调度、可重试的工作流单元：flow 定义整体流程，task 定义其中的具体步骤。它内置了调度（cron/interval）、自动重试与超时、结果缓存、并发与异步执行、参数化、依赖传递、失败通知和事件驱动自动化等能力，并用自托管的 Prefect Server 或 Prefect Cloud 的 Web UI 实时追踪每次运行的状态、日志和产物。它解决的是「脚本能跑但不可靠、出错了不知道、调度靠 crontab、重跑麻烦」这类数据管道工程问题，让数据团队不必自己造一套调度+监控+重试的基础设施。",
      "pros": "· 侵入性极低，给函数加两个装饰器就能把脚本变成可观测工作流，迁移成本小\n· 自带 Web UI（本地 prefect server start 即可，localhost:4200）查看运行状态、日志与重试历史\n· 动态工作流能力强，支持运行时分支、循环、条件依赖、异步与并行执行，比静态 DAG 更灵活\n· 内置重试、超时、缓存、cron 调度、事件触发与通知，无需额外拼装调度组件\n· 集成生态丰富（dbt、Snowflake、AWS/GCP、Docker、K8s 等），Apache-2.0 开源且社区活跃（22k+ star）",
      "cons": "· 与 Prefect Cloud 存在商业绑定，部分高级特性（如部分协作/权限功能）倾向引导使用云版\n· API 迭代较快（v2 -> v3 变化较大），旧教程和代码容易过时，升级需要改造成本\n· 需要额外跑一个 Server/Worker 进程做完整调度，比纯 crontab 或单机脚本重，运维上多一层\n· 复杂流程调试排错仍有一定门槛，UI 与日志需要熟悉，大规模部署对基础设施（DB、容器）有要求",
      "requirements": "Python 3.10 及以上（较新版本要求更高）；pip install -U prefect 或 uv add prefect；本地完整 UI 需启动 prefect server（默认端口 4200）；生产自托管需 PostgreSQL/SQLite 作为后端存储，Worker 进程可用 Docker 或 Kubernetes 部署；硬件本身不苛刻（1-2 核 2GB 内存可跑开发实例），但生产环境建议 4GB+ 内存和持久化数据库；无强制 GPU 需求。",
      "difficulty": "中",
      "best_for": "适合已有 Python 数据处理脚本、希望低成本把它变成可靠可调度的生产管道的数据工程师和中小数据团队；也适合不想维护 Airflow 那套笨重编排栈、偏好 Python 原生写法的团队。",
      "alternatives": "Apache Airflow、Dagster、Luigi（或 Metaflow）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 92,
      "full_name": "temporalio/temporal",
      "name": "temporal",
      "url": "https://github.com/temporalio/temporal",
      "stars": 23055,
      "forks": 1898,
      "open_issues": 971,
      "license": "MIT",
      "language": "Go",
      "category": "Agent中台/编排",
      "description": "Temporal service",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Temporal 是一个持久化执行（durable execution）平台，让你用普通代码（Go/Java/Python/TypeScript 等）编写长时间运行、有状态的业务流程。开发者把编排逻辑写成 Workflow 函数，把副作用操作（调 API、写库、发消息）写成 Activity；Temporal Server 在每一步执行后把状态持久化到数据库，进程崩溃、机器重启或网络抖动后，Worker 能从中断处精确恢复，自动重试失败的 Activity，并按代码里定义的定时器、信号、子工作流继续推进。它解决的是分布式系统中流程编排散落各处、失败难以恢复、状态难以追踪的问题：不必自己写状态机、幂等层和补偿逻辑，就能获得可重放、可观测、可查询执行历史的编排能力，适合订单、支付、审批、SaaS 开通、ETL 等长流程。",
      "pros": "· 持久化执行模型：进程崩溃/重启后工作流自动从中断处续跑，失败节点自动重试，无需自建状态机和补偿逻辑\n· 语言中立：服务端用 Go 编写，官方提供 Go/Java/Python/TypeScript/PHP/.NET/Ruby SDK，业务代码照常写\n· 可观测性强：Web UI + CLI 可查看每次执行的事件历史、输入输出、重试记录，并能查询、终止、重放工作流\n· 生产级成熟度：源自 Uber Cadence，社区活跃（2 万+ star），有 Temporal Cloud 托管版和服务支持兜底\n· 上手体验好：temporal server start-dev 一条命令即可起本地环境（内置 SQLite）并跑官方示例，Temporal 101 课程齐全",
      "cons": "· 生产部署偏重：持久化需要 Cassandra/MySQL/PostgreSQL，高级可见性还要 Elasticsearch，多节点集群运维成本不低\n· Workflow 代码必须保持确定性：不能直接使用随机数、当前时间、原生 goroutine 或未封装的外部 IO，改逻辑要用 Versioning/补丁机制，否则报非确定性错误\n· 学习曲线较陡：Workflow/Activity/Signal/Query/Timer/ContinueAsNew/事件重放等概念多，需要一定时间才能真正用对\n· 存在硬性限制：单次执行事件历史约 5 万事件/50MB 上限需靠 Continue-As-New 切分，单次 payload 默认 2MB，高频超短任务并不划算\n· 本仓库只包含 Server 源码，客户端实现和维护在各语言 SDK 的独立仓库中",
      "requirements": "服务端：从源码构建需 Go 1.22+；官方提供 macOS/Linux 预编译二进制与 Docker 镜像，生产建议运行在 K8s 或多节点主机上。持久化库：Cassandra 3.11/4.x（官方生产推荐）、MySQL 8.0、PostgreSQL 12–16；本地开发用内置 SQLite 即可。可见性存储：标准可见性可用上述数据库，高级可见性（复杂搜索/过滤）需 Elasticsearch 7.x/8.x。可选组件：S3/GCS 用于归档。客户端 SDK：Go 1.21+、Java 8+/17、Python 3.9+、TypeScript(Node 16+) 等。硬件：本地开发 2 核 4GB 起步；生产按分片数与吞吐规划，Cassandra 建议 3 节点起，历史与可见性存储通常是瓶颈。",
      "difficulty": "中",
      "best_for": "需要把订单、支付、审批、订阅计费、数据管道等跨服务长流程做成可靠、可观测、可恢复编排的后端团队；尤其是已使用 Go/Java/Python 且愿意自建集群或直接购买 Temporal Cloud 托管服务的中大型研发团队。",
      "alternatives": "Uber Cadence（Temporal 的前身，模型几乎一致）、AWS Step Functions（云托管状态机，免运维但绑定 AWS 与 JSON DSL）、Camunda Zeebe（BPMN 流程引擎，偏业务流程建模）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 59,
      "full_name": "jnMetaCode/agency-agents-zh",
      "name": "agency-agents-zh",
      "url": "https://github.com/jnMetaCode/agency-agents-zh",
      "stars": 20677,
      "forks": 3337,
      "open_issues": 1,
      "license": "MIT",
      "language": "Shell",
      "category": "营销/内容/获客",
      "description": "🎭 277 个即插即用的 AI 专家角色 — 支持 Claude Code/Cursor/Copilot 等 20 种工具，覆盖工程/设计/营销/金融等 20 个部门。含 64 个中国市场原创智能体（小红书/抖音/微信/飞书/钉钉/Qt 上位机/机械设计）。搭配编排器 agency-orchestrator，一句话即可让多位专家按 DAG 自动协作。",
      "value_note": "一个人就是一家公司——这套角色库等于现成的\"部门编制\"，营销、运营、财务角色直接领走干活，中文生态深度适配，MIT随便改，不用从零雇\"数字员工\"。",
      "archived": false,
      "last_pushed": "2026-09-14",
      "data_source": "github_api",
      "sources": "2026-08-11_08-40-37.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个 AI 智能体（角色提示词）合集仓库，把 277 个'专家人设'以 Markdown 文件形式提供，每个智能体包含角色定位、专业工作流程和可交付成果模板，可直接放进 Claude Code、Cursor、Copilot 等 20 种 AI 编程/对话工具里调用。它解决的是'每次都要临时手写提示词、角色不专业、输出风格不稳定'的问题：在完整翻译上游英文版 213 个角色的基础上，新增 64 个面向中国市场的原创智能体（小红书、抖音、微信、B站、飞书、钉钉运营，以及跨境电商、政务 ToG、医疗合规、Qt 工业上位机、机械设计等垂直领域），角色覆盖 CEO/CTO/CFO/CMO 到工程、设计、营销、金融等 20 个部门。用户通过 npm 安装、克隆仓库或下载桌面客户端即可使用，本质是'即插即用的 AI 专家角色库'。",
      "pros": "· 覆盖极广：20 个部门 277 个角色，从公司高管到细分工种几乎都有对应人设\n· 本土化强：64 个中国市场原创智能体，直接针对小红书/抖音/微信/飞书/钉钉等国内平台运营\n· 即插即用：纯 Markdown 提示词文件，npm 一条命令或桌面客户端点选即可，零代码门槛\n· 兼容性好：支持 Claude Code/Cursor/Copilot/Hermes 等 20 种工具，MIT 许可可自由商用与二次修改\n· 配套资源多：有免费配套课程、在线体验站和桌面编排客户端，上手成本低",
      "cons": "· 本质仍是提示词模板集合而非真正的自动化 Agent，实际效果高度依赖底层模型和用法，角色质量参差不齐\n· 角色数量过多且缺少清晰的选型指引，容易陷入'选择困难'，部分人设内容偏套路化\n· README 里塞了大量赞助商/API 中转平台推广链接和返利码，第三方服务可靠性需自行甄别\n· 依赖上游英文仓库更新，同步可能滞后，社区原创部分缺乏统一审查标准",
      "requirements": "两种主要使用方式：① npm 安装（需 Node.js，建议 18+），把角色文件复制到对应 AI 工具的规则/角色目录；② 下载 agency-orchestrator 桌面客户端（原生 App，支持 macOS/Windows/Linux，免装 Node）。项目本身无数据库、无后端服务，纯文本文件，硬件要求极低（任意普通电脑即可）。实际运行还需搭配至少一个支持自定义角色/提示词的 AI 工具（Claude Code、Cursor、Copilot 等）以及对应的 API Key 或订阅账号。",
      "difficulty": "低",
      "best_for": "想给 Cursor/Claude Code 等 AI 工具快速'装上专家人设'的个人开发者、内容运营与自媒体；尤其适合做小红书/抖音/微信/飞书等中国平台运营、跨境电商或政务医疗等垂直场景的用户，以及想搭建统一智能体工作台的小团队。",
      "alternatives": "msitarzewski/agency-agents（英文上游原版）、awesome-chatgpt-prompts / awesome-ai-agents（提示词与智能体合集）、awesome-cursorrules（Cursor 规则库）、Claude Code Subagents（Anthropic 官方子智能体机制）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 110,
      "full_name": "pure-admin/vue-pure-admin",
      "name": "vue-pure-admin",
      "url": "https://github.com/pure-admin/vue-pure-admin",
      "stars": 20625,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "Vue",
      "category": "后台/管理面板",
      "description": "全面ESM+Vue3+Vite+Element-Plus+TypeScript编写的一款后台管理系统（兼容移动端）",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "5个顶级后台管理系统.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "vue-pure-admin 是一个开源免费、开箱即用的 Vue3 中后台管理系统模板（脚手架级前端框架）。它提供了登录鉴权、动态路由与菜单权限、按钮级权限、多标签页、主题与暗色模式切换、国际化、可拖拽侧边栏、mock 数据、表单与表格封装、错误页、WebSocket 示例等中后台常见功能。项目完全基于 ECMAScript 模块（ESM）规范组织代码，采用 Vue3 + Vite + Element-Plus + TypeScript + Pinia + Tailwindcss 技术栈，目标是让开发者跳过基础设施搭建阶段，直接专注于业务页面开发。官方还另外提供精简版（pure-admin-thin）、Tauri 桌面版、Electron 桌面版和配套的 @pureadmin/cli 脚手架，方便在实际项目中按需选择。",
      "pros": "· 技术栈新且主流，Vue3 + Vite + TS + Pinia + Tailwindcss + Element-Plus，符合当前前端工程化趋势\n· 功能覆盖全面，权限、路由、国际化、主题、mock 等中后台常用能力开箱即用，节省大量基建时间\n· 工程化与文档完善，中文保姆级文档、B 站配套视频、@pureadmin/utils 工具库、CLI 脚手架、CHANGELOG 齐全\n· 生态分支丰富，提供精简版、国际化/非国际化版、Tauri 桌面版、Electron 桌面版和 Docker 支持\n· 社区活跃，提交规范清晰，贡献者众多，问题响应和版本迭代较及时",
      "cons": "· 完整版功能堆叠较重、源码结构庞大，对不熟悉 Vue3/TS 的开发者阅读和改造门槛偏高\n· 实际项目直接使用完整版会带入大量用不到的演示代码，需要自行裁剪，官方更推荐用精简版起步\n· 作为模板而非成品系统，后端接口、数据模型需自行对接，mock 数据不能直接用于生产\n· 依赖版本更新较快，长期维护的项目在升级 Vue/Vite/Element-Plus 时可能遇到兼容性调整",
      "requirements": "运行时：Node.js 18+（推荐 20+ LTS），包管理器 pnpm（官方推荐，非 npm/yarn）；浏览器需支持原生 ESM。前端技术栈：Vue3、Vite、TypeScript、Element-Plus、Pinia、Tailwindcss。无强制数据库要求，模板内置 mock 数据用于开发联调。部署：可打包为静态资源，提供 Dockerfile 支持（docker build/run，默认容器 80 端口）；如需桌面端可选用 Tauri（需 Rust 环境）或 Electron 版本。硬件无特殊要求，普通开发机即可。",
      "difficulty": "中",
      "best_for": "适合需要快速搭建 Vue3 中后台管理系统（如管理面板、运营后台、数据看板）的前端团队或个人开发者，尤其适合已熟悉 Vue3 + TypeScript 并希望直接复用成熟权限与工程化方案的场景。",
      "alternatives": "· vue-vben-admin（Vben Admin，Vue3 + Ant Design Vue 中后台方案）\n· naive-ui-admin（基于 Naive UI 的 Vue3 后台模板）\n· Ant Design Pro / d2-admin（React 或 Vue 的中后台脚手架）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 43,
      "full_name": "pydantic/pydantic-ai",
      "name": "pydantic-ai",
      "url": "https://github.com/pydantic/pydantic-ai",
      "stars": 19948,
      "forks": 2716,
      "open_issues": 886,
      "license": "MIT",
      "language": "Python",
      "category": "数字员工/Agent框架",
      "description": "How Python does AI. Agents, realtime voice, image generation, embeddings. Every model, every interface, typed end to end.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-07-23_10-18-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Pydantic AI 是 Pydantic 团队（FastAPI/pydantic 作者）推出的 Python AI Agent 框架，目标是把 LLM 应用写成像普通 Python 代码一样类型安全、可测试。核心用法是声明一个 Agent 对象：指定模型（openai:、anthropic:、gemini:、本地 Ollama 等，只换一个字符串）、系统提示、输出类型（Pydantic BaseModel）以及用 @agent.tool 注册的工具函数，然后调用 run()。它解决的是 LLM 返回内容不可控、字段缺失、难以断言和测试的问题——每次输出都会被 Pydantic 模型校验，失败可自动重试纠正，结果就是一个强类型对象而非一段裸文本。框架还内置依赖注入（RunContext）、流式输出、多轮消息历史、结构化重试、图像生成与 embedding，并可通过 pydantic-ai-harness 叠加记忆、子代理、上下文压缩、文件/Shell 访问等能力，构成完整编码代理；同一份 Agent 定义可跑在 CLI、Web 前端、语音通话、后台队列或直接 run() 上。",
      "pros": "· 类型安全：输出由 Pydantic 模型约束并自动校验、失败重试，杜绝裸文本解析\n· 模型无关：OpenAI、Anthropic、Gemini、本地模型一行字符串切换，接口统一\n· 官方出品、工程质量高：100% 测试覆盖、依赖注入、Logfire 可观测性、MIT 许可\n· 同一 Agent 可部署到 CLI、Web、语音、durable 队列或普通函数调用，无需重写\n· capability/toolset 可组合扩展，harness 提供子代理、记忆、编码代理等现成积木",
      "cons": "· 项目较新、迭代快，API 变动频繁，升级版本可能出现破坏性改动\n· 生态与第三方集成数量不如 LangChain 庞大，冷门模型/工具需自行适配\n· 高级能力（harness、durable execution、多代理编排）仍在演进，需自己设计架构\n· 深度可观测性依赖 Pydantic Logfire 服务，复杂多代理场景仍要写不少胶水代码",
      "requirements": "Python 3.9+（新版本建议 3.10+）；核心依赖 pydantic v2、httpx、griffe、typing-extensions 等，可用 pydantic-ai-slim 按需只装所需模型 provider（openai、anthropic、google-genai、ollama 等）；必须提供至少一个 LLM 提供商的 API Key，或本地 Ollama/vLLM 服务；推荐用 uv 管理依赖与虚拟环境；无需数据库，但 durable execution 场景需配合 Temporal/DBOS 之类的持久化后端；硬件无特殊要求，本地跑模型时按显存需求而定。",
      "difficulty": "中",
      "best_for": "需要把 LLM 输出转成受校验的结构化数据、且重视代码可测试与可维护性的 Python 后端/数据工程师，以及要构建生产级 Agent 应用的团队。",
      "alternatives": "LangChain / LangGraph、OpenAI Agents SDK、CrewAI",
      "topics": null,
      "homepage": null
    },
    {
      "id": 35,
      "full_name": "Avaiga/taipy",
      "name": "taipy",
      "url": "https://github.com/Avaiga/taipy",
      "stars": 19436,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "Turns Data and AI algorithms into production-ready web applications in no time.",
      "value_note": "做数据分析工具、AI Demo、内部 dashboard 的最快方案。一人公司用它在客户面前快速展示数据产品，比 Streamlit 更强大，还能对接生产环境。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-21_08-27-52.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Taipy 是一个 Python 框架，让数据科学家和机器学习工程师用纯 Python 快速构建数据与 AI 驱动的 Web 应用。它由两部分组成：Taipy GUI 用声明式 Markdown/HTML 加 Python 变量绑定生成前端界面（图表、表格、滑块、对话框等），无需写 JavaScript 或前端框架；Taipy Core 则提供数据流与场景管理，把数据节点、任务、流水线编排成可复现的执行图，支持场景对比（what-if 分析）、调度与 cron 任务。此外还内置认证与角色权限、版本管理、CLI 与部署脚本、监控遥测等生产化能力，目标是让原型（POC）能平滑过渡到可上线的生产级应用，而不是停留在 notebook 演示阶段。",
      "pros": "· 纯 Python 技术栈，数据/AI 工程师无需学习 React、Vue 等前端技能即可产出可交互界面\n· GUI 与 Core 一体：界面组件能直接绑定到场景、数据节点和流水线，天然支持 what-if 分析和多场景对比\n· 从原型到生产的路径完整，内置认证、角色权限、调度、CLI、部署脚本和监控，减少自建运维脚手架的工作\n· 支持多用户、多页面、大表格与异步回调，官方称针对性能和可扩展性做了优化，而非玩具级框架\n· Apache 2.0 许可，文档、教程、Gallery 和 Discord 社区较完善，且有商业公司 Avaiga 持续维护",
      "cons": "· GUI 采用特有的 Markdown + Python 双向绑定语法，与 Streamlit/Dash 思路不同，需要一段学习曲线\n· 生态与社区规模远小于 Streamlit/Dash，第三方示例、问答和轮子较少，遇到冷门问题排查成本高\n· 部分高级能力（Taipy Designer、企业级模板、部分运维工具）与商业版/付费支持绑定，开源版功能边界需自行确认\n· 场景管理与数据节点抽象对简单小应用属于过度设计，纯展示型页面用它反而比 Streamlit 更啰嗦",
      "requirements": "Python 3.9 / 3.10 / 3.11 / 3.12（官方徽章标注支持范围），通过 pip install taipy 安装。无需数据库即可运行，默认使用本地文件系统存储场景与数据；生产环境可选配 MongoDB、Redis 等作为持久化与调度后端，也可对接各类 SQL 数据库和对象存储。前端由框架内置的前端运行时提供，用户无需 Node.js 构建链。无特殊 GPU 需求；内存与 CPU 主要取决于所接入的数据规模和模型推理负载，大型数据集场景建议 8GB 以上内存。",
      "difficulty": "中",
      "best_for": "适合熟悉 Python 的数据科学家、ML 工程师或数据分析团队，需要把模型和数据处理流水线快速包装成可交付、可上线的内部 Web 应用（如预测看板、情景模拟、参数调优平台），且不愿意引入前端团队或额外工程栈。",
      "alternatives": "Streamlit、Plotly Dash、Gradio（更偏 ML Demo）、Solara / NiceGUI、Panel（HoloViz）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 464,
      "full_name": "gastownhall/gastown",
      "name": "gastown",
      "url": "https://github.com/gastownhall/gastown",
      "stars": 18256,
      "forks": 1677,
      "open_issues": 502,
      "license": "MIT",
      "language": "Go",
      "category": "Agent中台/编排",
      "description": "Gas Town - multi-agent workspace manager",
      "value_note": "适合已经熟练使用 Claude Code 等 AI 编码 agent、希望在单机或团队内并行调度数十个 agent 完成大型史诗级任务的资深工程师或平台团队。",
      "archived": false,
      "last_pushed": "2026-09-29",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Gas Town 是一个多 AI 编码 agent 的编排与工作区管理器，用来同时驱动 Claude Code、GitHub Copilot、Codex、Gemini 等多个编码 agent 并行处理不同任务。它把原本散落在各 agent 内存里的工作状态，改为持久化到基于 git worktree 的 Hooks 和 Beads 账本中，因此 agent 崩溃或重启后上下文不会丢失。系统提供 Mayor（总协调 agent）、Town/Rig/Crew 的层级工作区、Polecats（临时工作 agent）、Convoy（工作批量跟踪与卡死检测）、Refinery（类 Bors 的分支合并队列与验证门禁）、三级看门狗（Witness/Deacon/Dogs）、严重级别升级路由、防 API 限流的调度器以及跨 Town 的联邦协作网络 Wasteland。目标是把 4-10 个 agent 的混乱协作，平滑扩展到 20-30 个 agent 的可靠流水线。",
      "pros": "· 用 git worktree + Beads 账本持久化状态，agent 重启/崩溃不丢上下文，比纯 tmux 会话管理可靠得多\n· 内置身份、邮箱、handoff、升级路由和三级看门狗，20-30 个 agent 的协调不用自己造轮子\n· Refinery 合并队列带 bisecting 验证和失败隔离，多 agent 并行提交不易污染主干\n· 调度器和容量治理可限制并发，避免多个 agent 同时打爆 API 配额\n· Go 编写、MIT 许可、18k+ star，社区活跃，术语体系（Mayor/Polecat/Rig）有完整 glossary",
      "cons": "· 概念与术语极多（Town/Rig/Polecat/Convoy/Molecule/Wisp/Wasteland 等），学习曲线陡峭\n· 强依赖 tmux、git worktree、Dolt 和 bd CLI 等一整套基础设施，环境搭建繁琐\n· 本质上是给 Claude Code 等商业 agent 做的外层封装，实际能力与成本受这些 agent 的 API 价格和限流约束\n· 项目迭代快、设计文档偏多，配置项（如 scheduler.max_polecats）和默认行为可能随版本变化\n· 多 agent 并发的 token 消耗与费用很难预估，容易产生意外账单",
      "requirements": "开发语言为 Go（需较新版本，通常 1.21+ 以编译/安装）；原生安装需在宿主机准备 git、tmux、Dolt 数据库与 bd（Beads）CLI，以及至少一个已配置好凭据的 agent CLI（Claude Code / Copilot / Codex / Gemini）；或用 Docker + Docker Compose 一键在容器内获得 Go、Dolt、bd、tmux 等依赖。硬件上因需并发运行多个 agent 会话与 tmux 窗口，建议 8 核 CPU、16GB 以上内存，长时间大规模运行对 CPU/内存和网络稳定性有较高要求。",
      "difficulty": "高",
      "best_for": "适合已经熟练使用 Claude Code 等 AI 编码 agent、希望在单机或团队内并行调度数十个 agent 完成大型史诗级任务的资深工程师或平台团队。",
      "alternatives": "Claude Squad、Conductor、OpenHands",
      "topics": null,
      "homepage": null
    },
    {
      "id": 44,
      "full_name": "langbot-app/LangBot",
      "name": "LangBot",
      "url": "https://github.com/langbot-app/LangBot",
      "stars": 17818,
      "forks": 1592,
      "open_issues": 117,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "数字员工/Agent框架",
      "description": "Production-grade platform for building agentic IM bots - 生产级多平台智能机器人开发平台/ Agent、知识库编排、插件系统 / Bots for Discord / Slack / LINE / Telegram / WeChat(企业微信, 企微智能机器人, 公众号) / 飞书 / 钉钉 / QQ / Matrix e.g. Integrated with ChatGPT(GPT), DeepSeek, Dify, n8n, Langflow, Coze, Claude, Gemini, GLM, Ollama, SiliconFlow, Moonshot, openclaw / hermes agent, deerflow",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-07-23_10-18-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "LangBot 是一个开源、面向生产环境的即时通讯（IM）AI 机器人平台。它把大语言模型接入各类聊天平台，让你用一套代码同时把智能体部署到 Discord、Telegram、Slack、LINE、QQ、微信、企业微信、飞书、钉钉、KOOK、Matrix、邮件等十余个渠道。功能上支持多轮对话、工具调用、多模态与流式输出，内置 RAG 知识库，并可对接 Dify、Coze、n8n、Langflow、Deerflow 等工作流/AI 平台。它提供 Web 管理面板进行可视化配置、流水线（pipeline）编排与运行监控，并内置访问控制、限流、敏感词过滤和异常处理等生产级能力，另外还有事件驱动的插件市场与 MCP 协议支持，用于按需扩展机器人行为。",
      "pros": "· 一套代码适配十余个 IM 平台，跨平台接入成本极低\n· 自带 Web 管理面板，可视化配置与监控，无需手写 YAML\n· 生产级配套齐全：访问控制、限流、敏感词过滤、异常处理与指标监控\n· 插件生态 + MCP 协议，可对接 Dify/Coze/n8n 等外部工作流，扩展性强\n· 部署方式多样：uvx 一行启动、Docker Compose、Zeabur/Railway 一键云部署、K8s",
      "cons": "· 功能面广导致配置项多，需先理解适配器/流水线/插件模型才能用好\n· QQ、微信等国内平台依赖第三方协议适配，存在账号风控与封禁风险\n· 不自带模型，必须自备 LLM API Key，效果与成本取决于所选模型\n· 高并发/多平台同时运行时对服务器资源有一定要求，轻量小机器易吃紧",
      "requirements": "运行时：Python 3.10~3.13，或直接用 Docker / Docker Compose（docker 目录 --profile all）；也可用 uv/uvx 一行启动。系统：Linux/macOS（Docker 部署推荐 Linux），默认 Web 面板端口 5300。依赖：需至少一个大模型 API Key，并在目标 IM 平台开放平台创建机器人应用获取 Token；Docker 一体化部署已内置所需数据库组件，生产环境建议搭配 PostgreSQL 等外部数据库存储。硬件：个人试用 1~2 核 2G 可跑，多平台/多人使用建议 2 核 4G 以上。",
      "difficulty": "中",
      "best_for": "需要在多个 IM 平台快速上线 AI 客服、社群助手或智能体的团队与个人开发者，尤其是已用 Dify/Coze/n8n 编排好流程、想直接包装成聊天机器人的人。",
      "alternatives": "AstrBot、chatgpt-on-wechat、Botpress（或 Dify）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 60,
      "full_name": "cft0808/edict",
      "name": "edict",
      "url": "https://github.com/cft0808/edict",
      "stars": 16890,
      "forks": 1768,
      "open_issues": 18,
      "license": "MIT",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "🏛️ 三省六部制 · OpenClaw Multi-Agent Orchestration System — 9 specialized AI agents with real-time dashboard, model config, and full audit trails",
      "value_note": "把Agent当\"朝廷部门\"管——谁干活、干到哪、干了什么全有看板可查，自带审计留痕。一人公司的\"数字员工管理台\"，防AI乱跑、防锅甩不出去。",
      "archived": false,
      "last_pushed": "2026-09-07",
      "data_source": "github_api",
      "sources": "2026-08-11_08-40-37.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Edict（三省六部）是一个运行在 OpenClaw 平台之上的多 Agent 编排系统。它把中国古代三省六部制搬进 AI 协作流程：用户下达的任务先由「太子」分拣（闲聊自动回复、正经需求才建任务），再由「中书省」做规划拆解，交「门下省」强制审核，不合格直接封驳打回重做，通过后由「尚书省」派发给六部+吏部等业务 Agent 并行执行，最终回奏归档。系统内置一个 React 军机处看板，包含旨意看板、省部调度、奏折归档、模板库、官员 Token 消耗排行、模型热切换、技能管理、天下要闻推送等 10 个面板，并做完整的状态流转校验与审计追踪。它要解决的是 CrewAI/AutoGen 那类框架「Agent 自己聊完就交差」导致的过程黑箱、结果不可复现、无法中途干预的问题。",
      "pros": "· 架构上强制内建审核环节（门下省封驳），不是可选插件，复杂任务产出质量更可控\n· 可观测性强：实时看板展示任务流转链、Agent 心跳健康度、Token 消耗与完整奏折存档\n· 支持运行中干预任务（叫停/取消/恢复），并能按 Agent 粒度热切换 LLM，约 5 秒生效\n· 后端仅用 Python 标准库，无重型后端依赖，Docker 一键起看板 Demo，部署门槛低\n· 每个 Agent 独立 Workspace / Skills / 模型，权限矩阵与状态流转校验写死，便于多角色分工\n· MIT 许可，社区热度高（1.6 万+ Star），有中英日多语言文档",
      "cons": "· 强依赖 OpenClaw 平台，脱离 OpenClaw 只能跑预置模拟数据的看板 Demo，无法真正编排\n· 三省六部的职责划分与状态机是硬编码制度，流程冗长，简单任务也要走规划+审核，延迟和 Token 成本偏高\n· README 以功能宣传和截图为主，缺少 API、数据模型、扩展自定义 Agent 的细节说明，二次开发需自行啃代码\n· 前端 React 18 与后端零依赖 stdlib 的组合相对小众，官方 Docker 镜像存在架构不匹配（x86 需 --platform）等坑",
      "requirements": "运行时：Python 3.9+；必须先安装并运行 OpenClaw（核心前置依赖，负责 Agent 调度与 Gateway）。前端：React 18（构建产物由后端托管）。后端：仅 Python 标准库，无需数据库/Redis（任务与奏折以文件/内存方式持久化）。可选：Docker（体验看板用 docker run -p 7891:7891）或 docker-compose（已内置 platform: linux/amd64，x86 机器需加 --platform linux/amd64）。外部服务：至少一个 LLM API Key（用于各 Agent，支持按角色分别配置模型）；可选飞书 Webhook 用于要闻推送。硬件：普通开发机即可，无 GPU 要求。",
      "difficulty": "中",
      "best_for": "适合已经在用 OpenClaw、需要多角色协作且要求过程可审计、结果可干预的团队或个人，尤其是内容生产、情报汇总、需要「规划→审核→执行」多阶段把关的复杂任务场景。",
      "alternatives": "CrewAI、Microsoft AutoGen、MetaGPT（也可对比 LangGraph）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 33,
      "full_name": "triggerdotdev/trigger.dev",
      "name": "trigger.dev",
      "url": "https://github.com/triggerdotdev/trigger.dev",
      "stars": 16283,
      "forks": 1455,
      "open_issues": 341,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "Agent中台/编排",
      "description": "Trigger.dev – build and deploy durable AI agents and workflows",
      "value_note": "把定时任务、webhook、AI agent 统一管理。一人公司用它自动化：每天跑营销报告、自动回复客户邮件、定时抓竞品数据。自带 UI 控制台，不用写前端。",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-07-21_08-27-52.md,2026-09-01_08-14-11.md,github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Trigger.dev 是一个用 TypeScript 编写、构建和部署后台任务、工作流与 AI Agent 的开源平台。它解决的痛点是：在 AWS Lambda / Vercel 等 serverless 环境里跑 AI 工作流时，函数有 5~15 分钟硬超时，长链条任务（多步 LLM 调用、等待人工审批、处理大文件）一断就得从头再来。Trigger.dev 把任务跑在自己的弹性容器里，无超时限制，并用 checkpoint/resume 机制让任务具备持久性——进程中断或重新部署后能从断点续跑。同时内置自动重试、队列、并发限流、幂等、cron 调度、完整日志与 trace、实时订阅和 LLM 流式输出，还支持 waitpoint token 实现 human-in-the-loop 暂停等待审批。开发者只需写普通 async 函数并加包装，用 CLI 部署即可。",
      "pros": "· TypeScript 原生，直接写 async 函数即可，无自定义 DSL，可复用现有框架、SDK 和任何 LLM\n· 无超时限制 + checkpoint/resume，长任务可跑数小时甚至更久，部署或崩溃后可续跑不丢进度\n· 开箱即用重试、幂等、队列、并发控制、cron 调度、原子版本发布和多环境（dev/preview/staging/prod），省去自建 BullMQ 的工程量\n· 可观测性强：每次 run 有完整 trace 和日志，支持 Realtime 订阅、React hooks 和 AI 响应流式输出\n· Apache-2.0 开源且支持自托管，避免被闭源厂商锁定\n· 支持 human-in-the-loop（waitpoint/token）、预览分支、自定义 Docker 系统包（浏览器、FFmpeg、Python 脚本）",
      "cons": "· 最省心的托管服务是商业产品，自托管需自行跑 webapp、worker、PostgreSQL、Redis 等多个组件，运维和升级成本不低\n· 深度绑定 TypeScript/Node 生态，Python、Go、Java 团队基本用不上\n· 任务代码需打包上传到平台或自建 worker 执行，依赖体积（浏览器、FFmpeg）会显著拉长构建与冷启动\n· 概念较多（waitpoints、checkpoint、machines、queue concurrency、build extensions），首次上手需要理解其任务模型",
      "requirements": "开发端：Node.js 18+（推荐 20/22）、TypeScript、npm/pnpm，安装 @trigger.dev/sdk 并用 npx trigger.dev@latest dev/deploy 运行。使用云版无需管理服务器。自托管：Docker + Docker Compose，PostgreSQL 14+，Redis 7+（部分版本还需要对象存储/S3 兼容服务），建议至少 4 vCPU / 8GB 内存起步；任务运行时可自定义 Docker 镜像与系统包。网络需允许 worker 出站访问 LLM API 与平台。",
      "difficulty": "中",
      "best_for": "在 TypeScript 代码库里需要跑长时间、可靠性要求高的 AI Agent 或后台任务（多步 LLM 调用、等待人工审批、视频/爬虫等重任务）的团队，特别是被 Vercel/Lambda 超时坑过、又不想自建一套任务队列基础设施的人。",
      "alternatives": "Inngest、Temporal、Windmill（同类还有 BullMQ + Redis 自建方案）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 107,
      "full_name": "soybeanjs/soybean-admin",
      "name": "soybean-admin",
      "url": "https://github.com/soybeanjs/soybean-admin",
      "stars": 14999,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "TypeScript",
      "category": "后台/管理面板",
      "description": "A clean, elegant, beautiful and powerful admin template, based on Vue3, Vite7, TypeScript, Pinia, NaiveUI and UnoCSS. 一个清新优雅、高颜值且功能强大的后台管理模板，基于最新的前端技术栈，包括 Vue3, Vite8, TypeScript, Pinia, NaiveUI 和 UnoCSS。",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "5个顶级后台管理系统.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "SoybeanAdmin 是一个开箱即用的中后台管理前端模板（不是后端服务，也不是通用组件库），解决的是「每个后台系统都要重复搭建登录鉴权、动态菜单、主题切换、国际化、权限路由」这套脚手架问题。它基于 Vue3 + Vite8 + TypeScript + Pinia + UnoCSS 构建，采用 pnpm monorepo 组织代码，内置自动文件路由 Elegant Router（根据文件自动生成路由导入、声明和类型），支持前端静态路由与后端动态路由两种权限模式，内置 403/404/500 异常页、多标签页、布局与主题配置组件、移动端自适应，并通过 ApiFox 提供在线 Mock 数据，使项目克隆后无需自建后端即可跑通完整界面。同时提供 NaiveUI、AntDesignVue、ElementPlus 三个 UI 版本分支供选型。",
      "pros": "· 技术栈新且统一（Vue3/Vite8/TS/Pinia/UnoCSS），可作为学习前沿前端工程化的实践样板\n· 内置权限路由（前端静态 + 后端动态）、国际化、主题配置、多标签页等后台高频能力，省去大量脚手架工作\n· Elegant Router 文件路由自动生成路由与类型，新增页面几乎零配置\n· 附带 ApiFox 在线 Mock 方案与内置命令行工具（git 提交、文件删除、发布），克隆即可跑通演示\n· 代码规范严格，集成 ESLint、Prettier、simple-git-hooks，并采用 monorepo 结构清晰\n· 社区热度高，中文文档与 B 站快速上手视频齐全，文档站完善",
      "cons": "· 定位是「模板/脚手架」而非成品产品，落地到真实业务仍需自行对接后端接口、替换 Mock 与调整鉴权逻辑，有改造成本\n· 依赖 Vite8/Vue3 等较新版本及 pnpm，团队若停留在 Vue2/旧构建体系需整体迁移，版本锁定问题可能导致旧 Node 环境下安装失败\n· 功能覆盖面广、目录层数多，新手需要先理解自动文件路由与权限机制才能安全改动，直接改源码容易破坏约定\n· 分支版本多（NaiveUI/AntdVue/ElementPlus/legacy），文档与 issue 在不同分支间可能不完全对应，选错分支会踩坑",
      "requirements": "前端项目，无自建后端与数据库依赖（默认走 ApiFox 在线 Mock）。需要 Node.js（建议 18+ / 20 LTS 及以上，具体以 package.json engines 为准）与包管理器 pnpm（monorepo 基于 pnpm workspace）；构建工具 Vite8，框架 Vue3，语言 TypeScript（开启严格类型检查），状态管理 Pinia，原子化 CSS 用 UnoCSS，代码质量工具 ESLint + Prettier + simple-git-hooks。开发机建议内存 8GB 以上，需现代浏览器（Chrome/Edge 等）调试；生产部署只需静态托管（Nginx/CDN 等），硬件要求极低。",
      "difficulty": "中",
      "best_for": "适合需要快速启动 Vue3 中后台项目的团队与个人开发者，以及想通过一个完整工程实例学习 Vue3 + Vite + TS + UnoCSS 现代前端工程化的学习者；界面风格偏清新精致、追求开发效率的场景最合适。",
      "alternatives": "vue-vben-admin、vue-pure-admin、Ant Design Pro（React 技术栈）、Naive UI Admin",
      "topics": null,
      "homepage": null
    },
    {
      "id": 1,
      "full_name": "nanobrowser/nanobrowser",
      "name": "nanobrowser",
      "url": "https://github.com/nanobrowser/nanobrowser",
      "stars": 13798,
      "forks": 1453,
      "open_issues": 81,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "数字员工/Agent框架",
      "description": "Open-Source Chrome extension for AI-powered web automation. Run multi-agent workflows using your own LLM API key. Alternative to OpenAI Operator.",
      "value_note": "浏览器里装个扩展就行，零部署成本。多Agent协作模式，一个规划、一个执行，比单Agent更靠谱。隐私友好（用自己的API Key）。",
      "archived": false,
      "last_pushed": "2026-08-18",
      "data_source": "github_api",
      "sources": "2026-06-16_10-50-39.md,2026-07-14_08-25-54.md,2026-07-21_08-27-52.md,2026-07-23_10-18-55.md,2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Nanobrowser 是一个跑在 Chrome/Edge 里的 AI 网页自动化扩展。用户在侧边栏用自然语言下达任务（如“把某站点前 20 条商品的价格抓下来整理成表”），扩展会启动多 Agent 系统直接操作当前页面：Planner Agent 负责任务拆解、规划下一步并观察执行结果，Navigator Agent 负责实际点击、输入、滚动和提取页面内容，遇到障碍时 Planner 会自我纠错并重新下达指令。它不依赖云端浏览器集群，LLM 调用直连用户自己的 API Key（OpenAI、Anthropic、Gemini、Ollama、Groq 等），其余逻辑全部在本地扩展内运行，从而以近乎零订阅成本完成数据采集、竞品价格监控、批量表单填写、页面信息提取等重复性网页操作。",
      "pros": "· 免费替代 OpenAI Operator（约 $200/月），只需自备 LLM API Key，按 token 付费，无订阅和隐藏费用\n· 隐私友好：抓取内容与登录凭据都留在本地浏览器，不经第三方云服务中转\n· 多 Agent（Planner + Navigator）分工并支持自我纠错，复杂多步任务比单轮 prompt 更稳定\n· 支持 OpenAI/Anthropic/Gemini/Ollama/Groq/Cerebras 及 OpenAI 兼容端点，可给不同 Agent 配不同模型（贵模型规划、便宜模型执行）降本\n· Apache-2.0 开源，TypeScript 编写，可审计可二次开发；侧边栏聊天、对话历史、任务后追问等交互完整",
      "cons": "· 仅官方支持 Chrome 和 Edge，Firefox、Safari、Opera、Arc 等不受支持\n· 效果高度依赖所选模型能力，用小模型容易规划失败或陷入反复重试的循环\n· 页面改版、登录态、验证码、反爬强的站点容易翻车，长任务 token 消耗可能不低\n· Chrome 商店版本更新滞后，想用最新特性需手动下载 zip 并开启开发者模式 Load unpacked",
      "requirements": "运行环境：Chrome 或 Edge 浏览器（扩展本体安装即用，无需运行时）。从源码构建需要 Node.js v22.12.0+ 与 pnpm v9.15.1+。无数据库，配置与对话历史存于扩展本地 storage。必须自备至少一个 LLM API Key：OpenAI / Anthropic / Gemini / Groq / Cerebras / Llama，或本地 Ollama 及任意 OpenAI 兼容端点。硬件无特殊要求；若用 Ollama 本地推理，显存/内存取决于所选模型规模。",
      "difficulty": "低",
      "best_for": "需要低成本做网页数据采集、竞品监控、批量填表，且在意数据隐私、不想付 Operator 订阅的个人开发者、运营与增长团队。",
      "alternatives": "Browser Use（开源 Python 浏览器 Agent 框架）、OpenAI Operator / ChatGPT Agent（官方商业方案）、Skyvern（开源浏览器自动化 Agent）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 93,
      "full_name": "microsoft/agent-framework",
      "name": "agent-framework",
      "url": "https://github.com/microsoft/agent-framework",
      "stars": 13530,
      "forks": 2322,
      "open_issues": 605,
      "license": "MIT",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "A framework for building, orchestrating and deploying AI agents and multi-agent workflows with support for Python and .NET.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Microsoft Agent Framework 是微软开源的多语言 AI Agent 开发与编排框架，可视为 AutoGen 与 Semantic Kernel 的合并后继者。它让开发者用 Python、.NET（另有独立 Go SDK）构建可上生产的智能体：既能把单次 LLM 调用封装成带工具、记忆的 Agent，也提供基于图的多 Agent 工作流，内置顺序、并发、交接（handoff）、群组协作等编排模式，并支持检查点、断点续跑、流式输出、人类介入与时间旅行调试。框架统一了 Microsoft Foundry、Azure OpenAI、OpenAI、GitHub Copilot SDK 等模型提供方，另带中间件、OpenTelemetry 可观测性、YAML 声明式 Agent、Agent Skills 与 DevUI 调试面板。",
      "pros": "· 微软官方维护，整合 AutoGen + Semantic Kernel 经验，Python/.NET API 一致，长期维护有保障\n· 编排能力完整：图工作流支持顺序/并发/handoff/群组协作，含检查点、恢复、流式、人类介入\n· 模型提供方中立，可在 Foundry/Azure OpenAI/OpenAI/Copilot SDK 间切换，降低厂商锁定\n· 生产化特性齐全：OpenTelemetry 追踪、中间件管线、YAML 声明式定义、DevUI 可视化调试\n· MIT 许可，文档与示例较多，另有独立 Go SDK 仓库覆盖多语言团队",
      "cons": "· 项目较新、API 仍在快速演进（尤其从 AutoGen/Semantic Kernel 迁移），升级可能遇到破坏性变更\n· 概念层多（middleware、workflow、skills、labs），学习曲线不低，简单单 Agent 场景显得重\n· 与 Azure/Foundry 生态绑定较深，托管部署等能力偏 Azure，其他云或纯自托管需自行补齐\n· Python 与 .NET 双端文档、示例存在不同步，社区规模尚不及 LangChain 系",
      "requirements": "Python 需 3.10+（建议 3.11/3.12），pip install agent-framework；.NET 需 .NET 8+ 并添加 Microsoft.Agents.AI（Foundry 集成另加 Microsoft.Agents.AI.Foundry、Azure.AI.Projects）；Go 使用独立仓库 microsoft/agent-framework-go。无需本地数据库，但必须配置 LLM 提供方凭据（Azure OpenAI / OpenAI / Microsoft Foundry API Key 或 GitHub Copilot SDK）。可选接入 OpenTelemetry 后端做追踪。硬件仅需可联网的普通开发机，推理走云端 API，无需 GPU。",
      "difficulty": "中",
      "best_for": "需要把多 Agent 工作流从原型推进到生产、并重视可观测性、容错与人类介入的 Python 或 .NET 团队，尤其适合已处于 Azure / Microsoft Foundry 生态内的开发者。",
      "alternatives": "LangGraph、CrewAI、OpenAI Agents SDK",
      "topics": null,
      "homepage": null
    },
    {
      "id": 454,
      "full_name": "puckeditor/puck",
      "name": "puck",
      "url": "https://github.com/measuredco/puck",
      "stars": 13356,
      "forks": 979,
      "open_issues": 196,
      "license": "MIT",
      "language": "TypeScript",
      "category": "后台/管理面板",
      "description": "The visual editor for React.",
      "value_note": "适合已有 React 组件体系、希望自建内部页面搭建/低代码平台或 SaaS 建站功能，并且要求数据自持、可深度定制的研发团队；不适合想要开箱即用整套 CMS 后端的非技术用户。",
      "archived": false,
      "last_pushed": "2026-09-24",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": null,
      "pros": null,
      "cons": null,
      "requirements": null,
      "difficulty": null,
      "best_for": null,
      "alternatives": null,
      "topics": null,
      "homepage": null
    },
    {
      "id": 13,
      "full_name": "InsForge/InsForge",
      "name": "InsForge",
      "url": "https://github.com/InsForge/InsForge",
      "stars": 12983,
      "forks": 1186,
      "open_issues": 178,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "数据/分析",
      "description": "The all-in-one, open-source backend platform for agentic coding. InsForge gives your coding agent database, auth, storage, compute, hosting, and AI gateway to ship full-stack apps end-to-end.",
      "value_note": "一人公司做AI产品最烦的就是后端基建。InsForge一条龙配齐，让你的Agent自带全栈能力，省掉后端团队。",
      "archived": false,
      "last_pushed": "2026-09-14",
      "data_source": "github_api",
      "sources": "2026-06-23_09-13-42.md,2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "InsForge 是一个面向 AI 编程 Agent（如 Claude Code、Cursor、Cline 等）的一体化开源后端平台。它不是给人类开发者点控制台用的，而是把后端能力封装成两类机器可调用的接口：一是 MCP Server（自托管和云端都支持），把数据库迁移、Edge Function 部署、创建存储桶、配置 Auth provider 等操作暴露成 MCP 工具；二是 CLI + Skills（仅云端），让 Agent 直接在终端里调用。由此，Agent 可以像后端工程师一样先把后端上下文拉到手：读取文档、数据库 schema、元数据（已部署函数、桶内容、Auth 配置）和运行时日志，据此写代码、验证成果、排查故障；随后直接操作原语：跑迁移、建表、开鉴权、传文件、部署无服务器函数。平台本身提供 Postgres 数据库、用户认证与会话、S3 兼容对象存储、OpenAI 兼容的多家 LLM 网关、边缘函数，以及私测中的长驻容器计算与站点部署，目标是把全栈应用从零到上线整条链路交给 AI 完成，人只写业务逻辑。",
      "pros": "· 后端能力一站式打包（Postgres、Auth、存储、边缘函数、LLM 网关、部署），Agent 不用在多个服务间来回拼装\n· 原生 MCP 接口是核心差异点，能直接接入主流支持 MCP 的编程 Agent，不用为每个 Agent 写适配\n· 自托管与云端两种形态，数据敏感场景可以留在自己机器上，开箱体验则走 insforge.dev\n· Agent 可读取 schema、日志和运行时状态来做验证和排错，比纯“盲写代码”闭环更完整\n· Apache-2.0 许可，TypeScript 技术栈，扩展和二次开发门槛相对友好",
      "cons": "· Compute（长驻容器）仍标注为 private preview，能力不完整，生产选型需谨慎\n· “让 AI 自动搭后端”意味着 DB 迁移、Auth 策略、密钥等高风险操作由 Agent 执行，出错成本和审计复杂度明显上升\n· 云端独享 CLI + Skills，自托管只能用 MCP，两条路径能力不对齐\n· 生态较新，社区插件、示例和第三方集成远不如 Supabase 成熟，遇到坑基本只能自己啃源码/文档",
      "requirements": "运行时：Node.js 18+（建议 20 LTS）与 npm/pnpm；自托管推荐 Docker 与 Docker Compose。数据库：PostgreSQL（自托管需自备实例或使用编排内的 Postgres）。存储：S3 兼容对象存储（本地可用 MinIO）。客户端侧需要一个支持 MCP 的编程 Agent（Claude Code、Cursor、Cline、Windsurf 等）或调用其 SDK/HTTP API。模型网关需要至少一家 LLM 提供商的 API Key（OpenAI/Anthropic 等兼容接口）。硬件：单机开发 2 核 4GB 内存起步即可跑通，生产建议 4 核 8GB 以上并单独规划 Postgres 与对象存储的磁盘。走 insforge.dev 云托管则无需准备以上环境。",
      "difficulty": "中",
      "best_for": "适合已经在用 MCP 系编程 Agent、想让 AI 端到端把全栈应用（尤其是内部工具、MVP、独立开发者/一人公司产品）连后端带前端一次性搭起来的开发者；也适合想验证“Agent 自主运维后端”这套工作流的技术团队。",
      "alternatives": "Supabase、Appwrite、Firebase（Self-host 与 Agent 集成角度还可参考 PocketBase）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 54,
      "full_name": "illacloud/illa-builder",
      "name": "illa-builder",
      "url": "https://github.com/illacloud/illa-builder",
      "stars": 12315,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "CRM/客户管理",
      "description": "Low-code platform allows you to build business apps, enables you to quickly create internal tools such as dashboard, crud app, admin panel, crm, cms, etc. Supports PostgreSQL, MySQL, Supabase, GraphQL, MongoDB, MSSQL, Rest API, Hugging Face, Redis, etc. Automate workflows with schedule or webhook. Open source Retool. ",
      "value_note": "一人公司自己写管理后台太费时。ILLA拖拽搭CRM，支持PostgreSQL/MySQL/Supabase等多种数据源，省掉前端开发。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "ILLA Builder 是一个面向开发者的开源低代码平台，用于快速搭建内部工具（Internal Tools），例如运营后台、数据管理面板、审批系统、监控看板等。它的核心流程是：先用 GUI 数据连接器接入 MySQL 或 REST API 等数据源，然后在画布上拖拽表格、表单、图表等几十种内置组件搭建界面，再通过 Actions 把组件事件和数据查询绑定起来，实现查询、写入、触发自动化流程。相比从零手写前端页面 + 后端接口，它把 UI、数据连接和逻辑编排都封装成可视化配置，宣称几秒内完成连接与自动化，同时支持多人实时协作编辑，并可自托管部署，避免数据出内网。",
      "pros": "· Apache 2.0 开源，可完全自托管（Docker / docker-compose / k8s），数据可留在内网\n· 拖拽式画布 + 丰富内置组件（表格、图表、表单等），组件重叠时自动调整布局，搭建内部工具效率高\n· 内置数据连接器与 Actions 自动化编排，连接 MySQL / REST API 后即可读写并触发流程\n· 支持多人实时协作编辑，适合团队共同维护同一套工具\n· 提供 ILLA CLI 与云端版本，部署和试用路径都很短",
      "cons": "· 官方数据连接器数量有限（当时主要覆盖 MySQL 与 REST API，其余数据库/API 仍在路线图上），复杂数据源可能需自行适配\n· 项目已停止活跃维护（公司关停、仓库趋于归档），新特性停滞、社区问题响应和版本升级存在风险\n· 自托管依赖多个后端服务（数据库/缓存等），资源占用和运维成本高于轻量工具\n· 生态与文档丰富度不及 Appsmith、Retool 等成熟同类产品，遇到问题可参考资料较少",
      "requirements": "语言/运行时：TypeScript / Node.js（前端 React，构建使用 pnpm workspace）。部署方式：官方推荐 Docker、docker-compose 或 k8s 自托管，也可用 ILLA Cloud 免部署；自托管需拉取官方镜像。后端依赖：数据库/缓存等配套服务（PostgreSQL、Redis 等，具体以官方 self-hosted 部署文档为准），本地开发需 Node.js + pnpm。硬件：因包含前后端与多个中间件，建议至少 2 核 4GB 内存的服务器，生产环境按并发和协作人数上浮。默认账号：root / password。",
      "difficulty": "中",
      "best_for": "需要快速搭建内部管理后台、运营工具且要求数据自托管、不外泄的中小团队或全栈开发者；也适合想研究低代码平台架构（画布引擎、组件库、数据连接层）的工程师。",
      "alternatives": "Appsmith、ToolJet、Retool（商业闭源，可作功能对标）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 456,
      "full_name": "MemTensor/MemOS",
      "name": "MemOS",
      "url": "https://github.com/MemTensor/MemOS",
      "stars": 11622,
      "forks": 1064,
      "open_issues": 115,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "记忆/RAG/知识库",
      "description": "Self-evolving memory OS for LLM & AI Agents: ultra-persistent memory, hybrid-retrieval, and cross-task skill reuse, with 35.24% token savings and DeepSeek Harness support.",
      "value_note": "需要给 AI Agent 增加长期记忆、跨会话个性化与跨任务技能复用的开发者或团队，尤其是已在使用 OpenClaw、Hermes Agent、DeepSeek Harness 等框架，并希望本地化/私有化部署记忆层的场景。",
      "archived": false,
      "last_pushed": "2026-09-23",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "MemOS 是一个面向 LLM 与 AI Agent 的「记忆操作系统」，把长期记忆的存储、检索、管理统一成一套 API。与常见的黑盒向量库不同，它把记忆组织成可检查、可编辑的图结构，并原生支持文本、图像、工具调用轨迹和用户画像等多模态内容在同一系统内检索与推理。通过 MemScheduler 做异步写入，在高并发下保持毫秒级延迟；通过多记忆立方（Memory Cube）把知识库按用户、项目、Agent 做隔离、共享与动态组合。它还提供基于自然语言反馈的记忆纠错与补充，以及 L1 轨迹、L2 策略、L3 世界模型到技能结晶的分层自进化。官方插件已接入 OpenClaw、Hermes Agent 和 DeepSeek Harness，本地插件用 SQLite + FTS5 + 向量混合检索，可 100% 本地运行。官方称可节省 35.24% token，并在 LoCoMo(88.83)、LongMemEval(89.20) 等基准上领先。",
      "pros": "· 记忆以结构化图存储，可读可编辑、支持人工纠错，比纯 embedding 黑盒更可控、便于调试\n· 原生多模态与工具轨迹记忆，配合 Memory Cube 实现多知识库隔离/共享/组合，贴近企业级需求\n· 官方插件覆盖 OpenClaw、Hermes、DeepSeek Harness，本地插件 SQLite + FTS5 + 向量混合检索，零云依赖可离线部署\n· 有 arXiv 论文与 OmniMemEval 统一评测支撑，公开 LoCoMo 88.83 / LongMemEval 89.20，宣称 35.24% token 节省\n· Apache-2.0 许可，11k+ star、文档与 Discord 社区齐全，插件式接入无需改动宿主框架核心",
      "cons": "· 概念体系偏重（L1/L2/L3 分层、Memory Cube、MemScheduler 等），学习曲线明显高于直接用向量数据库\n· 图记忆 + 异步调度 + 多知识库管理带来部署与运维复杂度，小项目或简单 RAG 场景容易过度设计\n· 自进化/技能结晶的效果高度依赖底层 LLM 质量，换模型后表现波动大，需要自行复现和评测\n· 宣传的性能数字多来自官方 OmniMemEval，第三方独立复现有限；宿主框架（如 DSH、Hermes）版本升级可能导致插件不兼容",
      "requirements": "语言/运行时：TypeScript/Node.js（建议 Node 18 或 20+），包管理 npm/pnpm；本地插件依赖 SQLite（需 FTS5 扩展支持）；向量检索需要 embedding 模型，可选 OpenAI 兼容 API 或本地推理模型；使用云插件需申请 API Key，本地模式无需联网；运行 Agent 本身还需外部 LLM API 或本地大模型服务；硬件建议 8GB 内存起步，使用本地向量/embedding 模型建议 16GB+，需磁盘空间存放记忆库与索引；Docker 可选用于服务化部署。",
      "difficulty": "中",
      "best_for": "需要给 AI Agent 增加长期记忆、跨会话个性化与跨任务技能复用的开发者或团队，尤其是已在使用 OpenClaw、Hermes Agent、DeepSeek Harness 等框架，并希望本地化/私有化部署记忆层的场景。",
      "alternatives": "Mem0、Zep、Letta（MemGPT），也可考虑 LangMem / LangGraph Store",
      "topics": "agent, agentic-ai, ai, ai-agents, chatgpt, claude, deepseek-harness, dsh-plugin, hermes, llm, long-term-memory, mcp, memory, memory-management, openclaw, rag, self-evolving, skills, token-savings",
      "homepage": "https://memos.openmem.net"
    },
    {
      "id": 445,
      "full_name": "trycompai/crm",
      "name": "crm",
      "url": "https://github.com/trycompai/crm",
      "stars": 10699,
      "forks": 1498,
      "open_issues": 48,
      "license": "MIT",
      "language": "TypeScript",
      "category": "CRM/客户管理",
      "description": "Comp AI CRM is an open source, CRM designed for AI agents. Agentic-first CRM.",
      "value_note": "适合愿意自托管、有一定全栈/运维能力的技术团队，尤其是想用 Agent 自动做线索富化、身份匹配与跟进记录，且对数据隐私和可定制性有要求的销售或 GTM 团队。",
      "archived": false,
      "last_pushed": "2026-09-11",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个「为 AI Agent 而生的开源 CRM」。与传统 CRM 把 AI 当成侧边聊天框不同，它把 Agent 作为系统主体：CRM 只是 Agent 记录笔记的地方。Agent 拥有独立部署、独立调度和自己的工作队列（基于 Postgres 的 FOR UPDATE SKIP LOCKED 租约机制），会自主决定下一个查谁、预约跟进、消耗研究预算，关掉浏览器也照常运行。它的核心规则是「不猜测任何人」：工具只上报观察到的事实（如签名档、GitHub 身份、LinkedIn 记录），由证据账本定价，强证据直接写库，弱证据变成待人工确认的建议，避免出现「自信的错误事实」。外部数据源全部可选，无任何 API Key 也能靠自有邮件线程和会议记录运行。",
      "pros": "· 架构理念清晰：Agent 是主体、CRM 是记忆，所有调度写在任务的 dueAt 里，不依赖 cron 表达式\n· 证据分级 + 拒绝置信度打分，弱证据降级为人工确认建议，数据可信度设计比多数 AI CRM 更严谨\n· 可零 API Key 启动，Perplexity 联网搜索、Context 品牌数据与 LinkedIn 都是可选增量能力，成本可控\n· 基于 eve 的持久化 Agent 运行时，会话可跨重新部署存活、任务中断后可续跑\n· MIT 许可 + 自托管，数据留在自己手里，TypeScript 全栈便于二次开发",
      "cons": "· 强依赖 Bun 运行时与 eve 框架，生态相对小众，团队需接受非 Node/npm 主流工具链\n· 必须自备 Postgres 并跑迁移，Agent 是独立部署单元，运维复杂度高于普通单体 CRM\n· 项目较新且迭代快，企业级功能（权限、审计、报表、多团队）成熟度不及老牌 CRM\n· 缺少 API Key 时效果明显缩水，LinkedIn/品牌数据要另购 Context 服务（虽同为一把 Key）",
      "requirements": "运行时：Bun（主要）、Node.js 用于部分前端工具链；框架：eve（Vercel 的持久化 Agent 框架）、TypeScript；数据库：PostgreSQL（必需，含迁移与任务队列表）；部署：需分别部署 Web 应用与 apps/agent 两个单元，支持 Docker/自托管；可选 API Key：PERPLEXITY_API_KEY（联网调研）、Context Key（品牌数据 + LinkedIn），均可留空；硬件：普通 2C4G 云主机加一个 Postgres 实例即可起步",
      "difficulty": "中",
      "best_for": "适合愿意自托管、有一定全栈/运维能力的技术团队，尤其是想用 Agent 自动做线索富化、身份匹配与跟进记录，且对数据隐私和可定制性有要求的销售或 GTM 团队。",
      "alternatives": "Twenty（开源现代化 CRM）、Attio（AI 原生商业 CRM SaaS）、HubSpot / Salesforce（成熟商用 CRM）",
      "topics": null,
      "homepage": "https://trycrm.ai"
    },
    {
      "id": 9,
      "full_name": "VoltAgent/voltagent",
      "name": "voltagent",
      "url": "https://github.com/VoltAgent/voltagent",
      "stars": 10620,
      "forks": 1126,
      "open_issues": 86,
      "license": "MIT",
      "language": "TypeScript",
      "category": "数据/分析",
      "description": "AI Agent Engineering Platform built on an Open Source TypeScript AI Agent Framework",
      "value_note": "相比 n8n（Sustainable Use License 有商用限制），activepieces 是纯正 MIT，无任何商用坑。330+ 集成、AI Agent 节点、MCP Servers 支持。一人公司自建自动化管线首选——把营销、客服、CRM 串起来，自己当全栈。",
      "archived": false,
      "last_pushed": "2026-08-27",
      "data_source": "github_api",
      "sources": "2026-06-23_09-13-42.md,2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "VoltAgent 是一个用 TypeScript 编写的端到端 AI Agent 工程平台，分为两部分：开源框架（@voltagent/core、workflow、mcp-docs-server 等 npm 包）和 VoltOps 控制台。框架层解决的核心问题是：把「定义 Agent」这件事从散落的手写胶水代码变成结构化工程——你用类型化的角色、Zod 定义的工具体系（带生命周期钩子与取消）、记忆适配器、RAG 检索器、语音、Guardrails 输入输出校验来声明式地描述 Agent；用 Workflow Engine 描述多步流程；用 Supervisor/Sub-Agent 让专职 Agent 组成团队并由调度器路由任务。它同时屏蔽模型差异，切换 OpenAI、Anthropic、Google 只需改配置；原生支持 MCP 协议接入外部工具服务器；支持断线重连的可恢复流式响应。VoltOps 控制台则补齐生产侧能力：可观测性追踪、部署、自动化、评测（Evals）、提示词管理。",
      "pros": "· TypeScript 原生、类型安全：工具用 Zod 定义，Agent 配置、输入输出在编译期就能校验，对 Node/前端团队非常友好\n· 一站式覆盖：记忆、RAG、MCP、语音、Guardrails、Workflow、多 Agent 协作、Evals 都在同一套框架里，不用拼十个库\n· 模型供应商无关：切换 OpenAI / Anthropic / Google 等只需改配置，不改 Agent 业务逻辑\n· 内置可观测性：配套 VoltOps 控制台提供追踪、评测、提示词与部署，弥补开源框架通常缺失的生产运维环节\n· 支持 Supervisor + 子 Agent 编排和可恢复流式传输，多 Agent 与前端长连接场景不用自己造轮子",
      "cons": "· 生态与社区规模明显小于 LangChain / LangGraph，第三方集成、StackOverflow 答案和踩坑资料相对少\n· 项目迭代较快，API 仍可能变动，文档与实际包版本有时存在滞后，升级需要留意 breaking change\n· 生产级可观测性/自动化/Evals 深度依赖 VoltOps 控制台，自托管会额外增加运维成本，只用开源框架则能力打折\n· 纯 TypeScript 路线，Python 数据/ML 生态（大量现成模型与数据处理库）无法直接复用",
      "requirements": "运行时：Node.js 18+（建议 20 LTS 或更高）与 npm/pnpm/yarn，项目本身需 TypeScript 5.x；核心依赖 @voltagent/core、zod，模型调用通过 AI SDK 风格的 provider 包，需自备 OpenAI/Anthropic/Google 等 API Key。记忆与 RAG 为可选适配器：LibSQL/SQLite（本地零依赖）、PostgreSQL、Supabase 及向量检索服务，需相应数据库实例；接入外部工具需可访问的 MCP Server。使用 VoltOps 控制台可走云服务，或自托管（通常用 Docker 部署）。硬件无特殊要求，普通开发机即可，成本主要来自 LLM 与嵌入模型的 Token 消耗。",
      "difficulty": "中",
      "best_for": "已有 TypeScript/Node 技术栈、想把 AI Agent 做成可维护、可观测的生产服务（客服、内部自动化、多 Agent 协作流程）的工程团队；也适合需要 MCP 工具集成和前端流式对话的产品开发者。",
      "alternatives": "· LangGraph / LangChain.js（同生态的图式多 Agent 编排）\n· Mastra（TypeScript 原生 Agent 框架，含工作流与 Evals）\n· Vercel AI SDK（更轻量的模型调用与流式 UI 层，常与上述框架配合使用）\n· CrewAI / OpenAI Agents SDK（Python 侧的同类多 Agent 编排方案）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 29,
      "full_name": "mautic/mautic",
      "name": "mautic",
      "url": "https://github.com/mautic/mautic",
      "stars": 10506,
      "forks": null,
      "open_issues": null,
      "license": "GPL-3.0",
      "language": "PHP",
      "category": "营销/内容/获客",
      "description": "Mautic: Open Source Marketing Automation Software.",
      "value_note": "HubSpot/Mailchimp的免费替代。自部署后邮件发送不限量，基于用户行为自动触发营销动作。一人公司做内容营销的标配。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-14_08-25-54.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Mautic 是全球最大的开源营销自动化（Marketing Automation）平台。它帮助企业和组织通过邮件、短信、社交媒体、网站等多渠道自动触达客户：管理联系人与线索、追踪用户行为（页面访问、邮件打开/点击）、做线索评分与细分（Segments），用拖拽式 Campaign Builder 编排自动化流程，并提供落地页、表单、邮件群发与 A/B 测试、营销 ROI 报表。用户可完全自建部署，数据存在自己的数据库中，不依赖第三方 SaaS，对隐私合规（GDPR）友好，还能通过插件和 REST API 与 CRM（Salesforce、SugarCRM、SuiteCRM）、CMS（WordPress）等系统集成。",
      "pros": "· 完全开源免费（GPL-3.0），无用户数、邮件量或功能付费墙，没有厂商锁定\n· 数据完全自持，可私有化/内网部署，符合 GDPR 等隐私法规要求\n· 功能较完整：联系人管理、细分、Campaign 编排、落地页与表单、邮件群发、评分、多渠道营销、报表\n· 插件与 REST API 生态丰富，前后端 100% 可定制，官方提供 Docker/DDEV 支持，被列为数字公共产品（DPG）\n· 活跃的全球社区，文档、翻译和第三方集成多，学习资源充足",
      "cons": "· 运维成本高：需自行维护 PHP/MySQL 服务器、cron 定时任务、消息队列与升级流程，大邮件量还要自建 SMTP/ESP（如 Amazon SES）\n· 性能与扩展性弱于成熟 SaaS，大列表场景下 Campaign 执行和邮件发送需仔细调优队列与缓存，跨版本升级易踩 schema 变更的坑\n· 后台 UI/UX 相对笨重，部分能力依赖社区插件，质量参差；邮件模板与可视化设计能力不如商业工具\n· 邮件送达率需自行处理（域名预热、SPF/DKIM/DMARC），配置不当容易进垃圾箱",
      "requirements": "语言/运行时：PHP 8.1+（Mautic 5 支持 8.1/8.2，Mautic 6 需 8.2/8.3），必须开启 intl、mbstring、json、curl、xml、zip、imap、openssl、pdo_mysql、gd/imagick 等扩展；从 GitHub 安装需 Composer 下载 vendor 包。数据库：MySQL 8.0+ 或 MariaDB 10.3+（推荐 10.6+）。Web 服务器：Nginx 或 Apache + PHP-FPM。系统级：必须配置 CLI cron 定时任务（segment/campaign/邮件队列），Linux 环境。开发前端需 Node.js。硬件：官方建议最低 2 核 CPU、4GB 内存起步，生产环境推荐 8–16GB 内存 + SSD，磁盘大小取决于联系人与邮件量。可选：Redis 做缓存/队列，RabbitMQ 或 Beanstalkd 做异步消息队列。",
      "difficulty": "高",
      "best_for": "有自主运维能力、重视数据隐私和成本控制的中小企业、营销团队或开发者，用来自建邮件营销、线索培育与多渠道自动化；也适合需要深度二次开发和系统集成的技术团队。",
      "alternatives": "HubSpot Marketing Hub（商业 SaaS）、ActiveCampaign（商业 SaaS）、Listmonk（轻量自建邮件/列表营销）、Odoo Marketing Automation（Odoo 套件内模块）",
      "topics": null,
      "homepage": null,
      "license_verified": true
    },
    {
      "id": 461,
      "full_name": "cloudflare/cloudflare-os",
      "name": "cloudflare-os",
      "url": "https://github.com/cloudflare/cloudflare-os",
      "stars": 10168,
      "forks": 1257,
      "open_issues": 125,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "数字员工/Agent框架",
      "description": "Agent workspace built on Cloudflare Workers for creating documents, building apps, and running agents with your company’s context and systems.",
      "value_note": "适合想在自家公司内部落地『安全可控的 AI 工作台 + 生成式内部小应用』的企业平台/基础架构团队，尤其是已在用 Cloudflare Workers、愿意投入二次开发并自写 Gatekeeper 集成的人；也适合研究 Agent 沙箱与能力式安全模型的开发者。",
      "archived": false,
      "last_pushed": "2026-09-28",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Cloudflare OS 是跑在 Cloudflare Workers 上的『AI 生产力操作系统』，源自 Cloudflare 内部日常使用的工具。它整合三部分：① 预置公司知识（文档、系统、流程）的 Agent 聊天界面，员工用自然语言派活；② 沙箱化应用开发，Agent 可为每个用户现场生成私有『Gadget』小程序（幻灯片、白板、看板等），实例彼此隔离、代码可随意修改而不影响他人；③ 名为 Gatekeeper 的能力式安全层，类似增强版 MCP server，负责 OAuth 授权、最小权限收窄、全量审计日志，并通过本地模拟执行结果实现异步人工审批，让 Agent 不因等待确认而停摆。目标是让非技术员工安全地放开手脚用 AI，同时让安全团队放心。",
      "pros": "· 架构思路新颖：每个用户拥有一份私有沙箱 Gadget，从根上消除 SaaS 应用漏洞导致的数据泄露，且用户可让 Agent 直接改代码补功能\n· Gatekeeper 的异步审批（本地模拟执行 + 事后批量/逐条批准）解决了 human-in-the-loop 卡死 Agent 的老问题，比 --dangerously-skip-permissions 安全得多\n· 全栈同构于 Workers/workerd，本地一条 `pnpm run-local` 即可起完整栈，部署到 Cloudflare 账号成本低、弹性好\n· 有 Cloudflare 内部大规模真实使用的背书，Apache-2.0 可商用，官方鼓励 fork 成『自家公司的 OS』\n· 内置幻灯片、白板等 blueprint 及 GitHub / Google Doc 集成，开箱即可体会『生成即应用』的形态",
      "cons": "· 官方明确标注 early access，当前 v2 是推倒重来的重写版，粗边角多，API 与数据格式可能剧烈变动\n· 深度绑定 Cloudflare 生态（Workers、Durable Objects、Sandbox SDK、Cap'n Web RPC），迁出到自建机房或其他云几乎等于重写\n· Gadget 沙箱 + Gatekeeper 是最复杂也最需要自研的部分，做私有化、合规与安全审查成本高，文档仍在补\n· 面向生产的运维能力（多租户计费、配额、监控、备份、权限治理）缺失，上线需自行补齐",
      "requirements": "语言/运行时：TypeScript + Node.js（建议 20/22 LTS），包管理器必须是 pnpm；本地开发依赖 wrangler 与 workerd（Workers 运行时），默认访问 http://localhost:8787。平台：需 Cloudflare 账号（Workers、Durable Objects 及 Sandbox/容器等能力）。AI 依赖：需自备模型服务 API Key（Workers AI 或 OpenAI/Anthropic 等外部提供方），GitHub、Google Docs 等集成需额外配置 OAuth 凭据。硬件：本地普通开发机即可（4GB+ 内存足够跑 workerd），生产算力由 Cloudflare 边缘承担，无需自购 GPU。",
      "difficulty": "高",
      "best_for": "适合想在自家公司内部落地『安全可控的 AI 工作台 + 生成式内部小应用』的企业平台/基础架构团队，尤其是已在用 Cloudflare Workers、愿意投入二次开发并自写 Gatekeeper 集成的人；也适合研究 Agent 沙箱与能力式安全模型的开发者。",
      "alternatives": "Vercel AI SDK + v0 / Sandbox（同样支持生成式私有应用，但缺少同等的沙箱隔离与审批安全层）；Dify、LibreChat（开源自建企业 AI 助手与工作流平台）；OpenHands、Claude Code + MCP Server（Agent 执行与工具接入能力强，但无多用户沙箱与统一审批框架）",
      "topics": null,
      "homepage": "https://os.cloudflare.app"
    },
    {
      "id": 447,
      "full_name": "webstudio-is/webstudio",
      "name": "webstudio",
      "url": "https://github.com/webstudio-is/webstudio",
      "stars": 8980,
      "forks": 1611,
      "open_issues": 378,
      "license": "AGPL-3.0",
      "language": "TypeScript",
      "category": "网页设计/建站",
      "description": "Open source website builder and Webflow alternative. Webstudio is an advanced visual builder that connects to any headless CMS, supports all CSS properties, and can be hosted anywhere, including with us.",
      "value_note": "适合希望拥有一个无供应商锁定、可自托管、能导出干净代码的可视化建站工具的开发者、设计工作室和代理商；也适合需要把网站数据留在自有基础设施、有合规要求的企业团队。",
      "archived": false,
      "last_pushed": "2026-09-24",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Webstudio 是一个开源的可视化网站搭建平台，定位为 Webflow 的开源替代品。它让设计师和开发者像用 Figma 一样通过拖拽方式编排页面结构，同时在右侧面板直接编辑全部标准 CSS 属性（布局、Flex/Grid、伪类、媒体查询、动画等），最终生成干净、无冗余的标准 HTML + CSS，而不是把页面锁死在某个私有运行时里。它内置数据变量系统，可连接任意 Headless CMS（REST/GraphQL 接口）、外部 API 或表单数据，实现动态内容绑定。项目本身是自托管的：你可以用官方云服务，也可以用 Remix 运行时把生成结果部署到 Vercel、Netlify、Cloudflare 或自有服务器，数据和组件完全归自己所有。它还提供 SDK 让开发者编写自定义组件（如动画包）扩展编辑器能力。",
      "pros": "· 生成标准 HTML/CSS，无框架锁定，导出后可用任何技术栈托管，迁移成本极低\n· 支持全部 CSS 属性与伪类、断点、动画，设计师能获得接近 Webflow 的精细控制力\n· 可连接任意 Headless CMS 或 API 做数据绑定，不绑定特定内容源\n· 完全开源（AGPL-3.0）且可自托管，数据和基础设施自主可控，适合有合规要求的团队\n· 提供 SDK 自定义组件机制，能力可无限扩展，社区活跃（约 9k stars）",
      "cons": "· 采用 AGPL-3.0 许可证，若基于其修改后对公网提供服务，需开源你的改动，商业闭源二次开发受限\n· 自托管是 pnpm + Turbo 的大型 monorepo，涉及 PostgreSQL、Prisma、Remix 多服务，部署和升级有门槛\n· 部分可选包（如 sdk-components-animation 动画组件）为专有许可，商用前需接受额外 EULA\n· 生态和模板市场尚不及 Webflow/Framer 成熟，中文资料与教程较少",
      "requirements": "运行环境：Node.js 18 或 20+（推荐 LTS）、pnpm 9+ 包管理器、PostgreSQL 14+ 数据库（Prisma ORM 管理迁移）。开发/自托管需 Git、Turbo 构建 monorepo；官方推荐 Docker Compose 一键部署（app 容器 + Postgres 容器）。硬件建议至少 2 核 CPU、4GB 内存、10GB 磁盘（构建时内存占用较高）。生成站点上线可部署到 Vercel/Netlify/Cloudflare/自建 Node 服务器。",
      "difficulty": "高",
      "best_for": "适合希望拥有一个无供应商锁定、可自托管、能导出干净代码的可视化建站工具的开发者、设计工作室和代理商；也适合需要把网站数据留在自有基础设施、有合规要求的企业团队。",
      "alternatives": "Webflow、Framer、Plasmic、Builder.io、GrapesJS",
      "topics": "accessibility, alternative, cloudflare, cloudflare-workers, design, free, frontend, open-source, radix-ui, react, remix, web-development, webflow, website-builder, website-development, websites, webstudio",
      "homepage": "https://webstudio.is"
    },
    {
      "id": 34,
      "full_name": "bytedance/flowgram.ai",
      "name": "flowgram.ai",
      "url": "https://github.com/bytedance/flowgram.ai",
      "stars": 8452,
      "forks": 768,
      "open_issues": 110,
      "license": "MIT",
      "language": "TypeScript",
      "category": "Agent中台/编排",
      "description": "FlowGram is an extensible workflow development framework with built-in canvas, form, variable, and materials that helps developers build AI workflow platforms faster and simpler.",
      "value_note": "不用写 UI 就能搭工作流编辑器。一人公司可以用它快速构建自己的\"自动化工作台\"——从客户 onboarding 到内容审核流程。MIT 许可证完全商用。",
      "archived": false,
      "last_pushed": "2026-09-01",
      "data_source": "github_api",
      "sources": "2026-07-21_08-27-52.md,2026-08-11_08-40-37.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "FlowGram.ai 是字节跳动开源的一套前端工作流开发框架与工具集，用于让开发者快速搭建可视化 AI 工作流平台。它本身不是成品平台，而是提供搭建平台所需的底层能力：自由布局/固定布局流程画布（节点可自由拖拽连线或按分支、循环等复合节点排布）、节点配置表单引擎（负责节点数据 CRUD、渲染、校验、联动和副作用）、带作用域约束与类型推断的变量引擎（管理节点间数据流转），以及开箱即用的物料节点（LLM、条件判断、代码编辑器、HTTP 等）。开发者基于这些组件拼装出类似 Coze、Dify 那样的拖拽式 AI 自动化流程编辑器，适合嵌入自家产品的低代码/AI 编排界面中。",
      "pros": "· 组件化设计，画布、表单、变量、物料分层解耦，可按需集成而不必整套引入\n· 同时提供自由布局与固定布局两种画布，覆盖流程图式与自由连线式两类交互形态\n· 变量引擎支持作用域链、类型推断和结构检查，解决工作流数据引用这一核心难点\n· 内置 LLM、Condition、Code、HTTP 等物料节点，官方脚手架可一键生成项目\n· MIT 协议、字节背书、文档和 Demo 完善，Coze Studio 等产品已实际采用",
      "cons": "· 定位是框架而非成品，需要自己实现后端执行引擎、节点运行时和持久化，工作量不小\n· 生态与社区相对新，版本迭代较快，API 可能有破坏性变更，踩坑资料少\n· 深度依赖 React 与前端技术栈，非前端团队上手成本较高\n· 复杂业务（自定义布局、特殊连线规则）需要改源码级扩展，文档未必覆盖",
      "requirements": "语言/运行时：TypeScript + React（浏览器端框架），需 Node.js 16+ 运行脚手架与构建工具（npm/pnpm）。框架本身无数据库和强后端依赖，数据持久化、节点执行引擎需自行实现（可对接任意后端与数据库）。硬件无特殊要求，普通开发机即可；生成式节点需自行接入 LLM API Key 或自建模型服务。",
      "difficulty": "中",
      "best_for": "想要自建 AI 工作流/Agent 编排平台的前端团队，或需要把可视化流程编辑器嵌入自家 SaaS 产品的开发者。",
      "alternatives": "React Flow（Xyflow）、Dify（开源 LLM 应用编排平台）、Coze Studio、n8n",
      "topics": null,
      "homepage": null
    },
    {
      "id": 16,
      "full_name": "firerpa/lamda",
      "name": "lamda",
      "url": "https://github.com/firerpa/lamda",
      "stars": 8299,
      "forks": 1115,
      "open_issues": 45,
      "license": "MIT",
      "language": "Python",
      "category": "其他",
      "description": "Android Full-Stack Device Control Platform: WebRTC/H.264 remote desktop, UI/OCR/image-matching automation, one-click MITM, built-in Frida, proxy/VPN/frp/P2P networking, MCP/Agent, 160+ APIs, designed for multi-device clusters and engineered deployments.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-08-30",
      "data_source": "github_api",
      "sources": "2026-06-30_08-16-48.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "FIRERPA（lamda）是一套把「远程桌面 + UI 自动化 + 抓包改包 + Hook 逆向 + 设备集群管理」打包在一起的 Android 全栈自动化平台。它在设备端以服务（APK）形式常驻运行，不依赖额外运行时，支持 Android 6.0+ 且 root/非 root 双模式；PC 侧用 Python 客户端库通过统一 API 调度设备。具体能力包括：浏览器里的实时远程桌面（MJPEG/H.264/WebRTC，可多用户并发、双向剪贴板、Android 10+ 音频、内置终端与文件管理）；基于选择器的 UI 自动化（text/resourceId/子兄弟链、等待、滑动、UI Watcher 监听弹窗并自动点掉）；虚拟显示屏，让 App 在后台独立运行而不占用主屏；无控件树的游戏/自绘界面用 OCR（paddleocr/easyocr/HTTP）与设备端图像匹配（模板/SIFT）兜底；以及 MITM 抓包、Frida Hook、MCP/Agent 接口。它解决的是把 Appium、mitmproxy、frida-server、adb、uiautomator2 和一堆脚本拼起来时配置割裂、多设备长期运行不稳定的问题，用一个服务、一套配置串起自动化到运维的完整链路。",
      "pros": "· 一体化程度高：自动化、抓包、Hook、远程桌面、集群调度在同一个服务和 API 下，不用自己拼五六个工具\n· 设备端零额外依赖，支持 Android 6.0+ 与 root/非 root 双模式，老机新机通吃\n· 远程桌面体验好：MJPEG/H.264/WebRTC 可调码率帧率，多用户并发、虚拟显示后台跑任务不抢主屏\n· 内置 MCP 与 Agent 接口，能直接接大模型做 AI 驱动自动化\n· 抓包 + Frida Hook + 图像/OCR 兜底齐全，对无控件树的 App 也能自动化",
      "cons": "· 必须在设备上安装其服务端 APK，属于注入/自动化类工具，目标 App 或厂商风控可能检测、封号\n· 非 root 模式下部分能力（Hook、系统级操作、深层抓包）会受限，很多场景仍需 root/模拟器\n· 跨公网用 WebRTC 需自备 STUN/TURN，TLS 与证书访问控制要自己配，公网暴露有安全风险\n· 文档与社群以中文为主，API 面很宽，踩坑时英文资料较少",
      "requirements": "PC 端：Python 3.6+（客户端库）。设备端：Android 6.0 及以上真机或模拟器，需安装 lamda 服务端 APK；root 可选，但 Hook/部分系统能力需 root。连接方式：局域网 adb 或 Wi-Fi 直连，跨网需自建 STUN/TURN 服务器。OCR：paddleocr / easyocr 或自建 HTTP OCR 后端，集群可选 GPU 加速。硬件无硬性门槛，多设备集群建议独立 PC 或服务器承担调度，网络带宽按 H.264/WebRTC 码率与设备数规划。",
      "difficulty": "中",
      "best_for": "需要同时管理多台设备、做 App 自动化测试、抓包逆向，或一人/小团队做私域社群自动化的开发者与运维。",
      "alternatives": "Appium / uiautomator2（纯 UI 自动化）、Airtest + Poco（图像与控件混合自动化）、openstf/DeviceFarmer（设备集群远程管理）、Appium + mitmproxy + frida-server 自建组合",
      "topics": null,
      "homepage": null
    },
    {
      "id": 73,
      "full_name": "xerrors/Yuxi",
      "name": "Yuxi",
      "url": "https://github.com/xerrors/Yuxi",
      "stars": 7000,
      "forks": 1097,
      "open_issues": 90,
      "license": "MIT",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "可私有部署的多租户知识智能体平台：统一 RAG、知识图谱、多智能体、MCP/Skills、沙盒与权限管理。Self-hosted knowledge agent platform for RAG, knowledge graphs and multi-agent workflows.",
      "value_note": "中文原生、2年持续迭代（非一夜爆款），把\"公司知识库+AI 问答+多智能体协作\"打包成中台，一人公司直接私有化部署当业务大脑，数据不出门。",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-09-01_08-14-11.md,2026-09-08_08-07-01.md,2026-09-15_08-05-38.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Yuxi 是一个可私有部署的多租户知识智能体平台，把知识库 RAG、知识图谱、LangGraph 多智能体编排、MCP/Skills 扩展、沙盒工具执行和多租户权限管理整合进同一个工作区。用户上传 PDF/Word/PPT/Excel/Markdown 等文档，经 MinerU/PaddleX/RapidOCR 解析、分块、向量化后写入 Milvus，智能体检索后作答；还能从文档块抽取实体关系写入 Neo4j 构建知识图谱并参与检索。Agent 可调用工具、子智能体、MCP 与隔离沙盒，产出可预览、可下载的文件，高危操作弹出人工审批卡片。平台按用户、部门、共享范围管理知识库、智能体、Skills 与模型权限，并内置检索测试工作台、RAG 评估与 Langfuse 数据集评估来量化调优。",
      "pros": "· 功能是一站式整合：RAG、知识图谱、多智能体、MCP/Skills、沙盒产物、多租户治理都在一个 UI 里，不用自己拼装多套系统\n· Docker Compose 一条命令起本地环境，初始化脚本自动生成 JWT/API Key/Sandbox 密钥，开箱即用程度较高\n· 文档解析链路扎实，内置 MinerU、PaddleX、RapidOCR 多引擎，支持表格图片提取，还能接 Dify、Notion 等外部知识库\n· 提供检索测试台（可看 Embedding 初筛、混合检索、Rerank 分数变化）和 RAG 评估、Langfuse 数据集评估，调优有量化依据\n· MIT 许可、约 7k star、文档和演示视频齐全，可商用自部署且数据不出内网",
      "cons": "· 依赖栈很重：PostgreSQL + Redis + MinIO + Milvus + Neo4j 五个存储组件，内存和磁盘占用高，运维和排障成本不低\n· 必须外接大模型服务（默认填 SiliconFlow API Key），聊天/Embedding/Rerank 都要单独配置，会产生持续的 token 费用和厂商依赖\n· 升级路径有坑：README 明确说从 v0.7.1/v0.7.2 升级不能直接 docker compose up，需要在停机窗口备份迁移，说明版本迁移还不够平滑\n· 生态和文档以中文为主，深度定制需要同时懂 Vue 3 前端与 FastAPI/LangGraph 后端，社区插件与第三方集成数量还比不上头部竞品",
      "requirements": "运行环境：Docker Engine + Docker Compose（Linux/macOS 原生支持，Windows 用 init.ps1）。源码开发额外需要 Node.js（Vue 3 + Vite）与 Python（FastAPI、LangGraph、ARQ worker），容器镜像已内置运行时。存储依赖五个中间件：PostgreSQL（元数据）、Redis（队列/缓存）、MinIO（对象存储）、Milvus（向量库）、Neo4j（知识图谱）。文档解析依赖 MinerU/PaddleX/RapidOCR 模型权重，首次拉取体积大。外部依赖：一个大模型 API（默认 SiliconFlow）及 Chat/Embedding/Rerank 三类模型。硬件建议：单机至少 4 核 16GB 内存、100GB 以上 SSD，MinerU 高质量解析建议配 NVIDIA GPU（8GB+ 显存）；生产环境建议独立部署各存储组件。",
      "difficulty": "中",
      "best_for": "需要把数据、模型和权限都握在自己手里的团队/企业，尤其是想在多租户、带部门权限隔离的前提下做内部知识问答与多步 Agent 任务（如自动生成文档、报告）的中大型组织；也适合想在成熟 Agent 平台上二次开发而非从零造轮子的技术人员。",
      "alternatives": "Dify、RAGFlow、FastGPT",
      "topics": null,
      "homepage": null
    },
    {
      "id": 94,
      "full_name": "StackStorm/st2",
      "name": "st2",
      "url": "https://github.com/StackStorm/st2",
      "stars": 6534,
      "forks": 788,
      "open_issues": 603,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "自动化/集成",
      "description": "StackStorm (aka \"IFTTT for Ops\") is event-driven automation for auto-remediation, incident responses, troubleshooting, deployments, and more for DevOps and SREs. Includes rules engine, workflow, 160 integration packs with 6000+ actions (see https://exchange.stackstorm.org) and ChatOps. Installer at https://docs.stackstorm.com/install/index.html",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-02",
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "StackStorm 是一个事件驱动的运维自动化平台，常被称为\"运维界的 IFTTT\"。它用传感器（Sensor）把 Nagios、Sensu、New Relic、Prometheus 等系统的告警或 Webhook 捕获为触发器（Trigger），再通过规则（Rule）按条件匹配，自动调用动作（Action）或工作流（Workflow）作出响应：例如自动排查故障、重启服务、疏散 OpenStack 计算节点、失败时冻结流程并呼叫 PagerDuty 叫醒值班人员，或结合 Jenkins/New Relic 做灰度发布与回滚。动作和工作流可以是 Python 插件，也可以是任意脚本，只需少量元数据即可接入。全部内容以 Pack 为单位打包，像代码一样版本管理与共享，Exchange 上有大量现成集成包。",
      "pros": "· 事件驱动 + 规则 + 多步工作流（顺序、分支、重试、暂停、人工审批）能力完整，适合复杂运维编排\n· 生态成熟，Exchange 上有数百个现成 Pack（监控、云、CMDB、ChatOps 等），开箱即用集成多\n· 内容即代码（Pack），可纳入 Git 版本控制、代码评审和 CI/CD，便于团队协作与复用\n· 内置 CLI、REST API、Web UI、ChatOps（Slack）等多种入口，支持 RBAC 与审计\n· Apache-2.0 开源，社区活跃（Slack、论坛、双周例会），被大量企业用于生产",
      "cons": "· 架构组件多（RabbitMQ、MongoDB、Redis、PostgreSQL、nginx 等），安装与生产运维复杂度高\n· 概念较多（Sensor/Trigger/Action/Rule/Workflow/Pack/Runner），学习曲线陡峭，新手上手慢\n· 官方主推 deb/rpm 脚本安装，容器化/K8s 部署支持相对弱，升级与迁移需谨慎\n· 部分代码与依赖较老（Python 3.6/3.8 时代产物），高并发下需自行调优与扩容",
      "requirements": "64 位 Linux（Ubuntu 20.04/22.04、RHEL/CentOS/Rocky 8-9 等，官方提供 deb/rpm 包）；Python 3.6 或 3.8（StackStorm 自带虚拟环境，不建议用系统新版 Python）；必须依赖 MongoDB 3.4+、RabbitMQ 3.x、Redis；PostgreSQL 9.5+ 用于 RBAC/审计/工作流（可选但生产推荐）；nginx 做反向代理与 HTTPS；硬件最低约 2 vCPU / 4GB 内存 / 20GB 磁盘，生产建议 4 vCPU / 8GB+ 内存；需开放 443/80、5672、27017、6379 等端口并配置 fanotify/pam/openssl 等系统库。",
      "difficulty": "高",
      "best_for": "适合已有大量监控告警、希望把\"告警→诊断→修复→通知\"全流程自动化的 SRE/运维团队，以及需要跨多系统（云、CMDB、ChatOps、CI）做复杂事件编排的中大型企业。",
      "alternatives": "Rundeck、Ansible AWX/Automation Platform、Temporal（或 Netflix Conductor）、Node-RED、Shuffle（SOAR）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 3,
      "full_name": "builderz-labs/mission-control",
      "name": "mission-control",
      "url": "https://github.com/builderz-labs/mission-control",
      "stars": 6217,
      "forks": 79,
      "open_issues": 33,
      "license": "MIT",
      "language": "TypeScript",
      "category": "Agent中台/编排",
      "description": "Self-hosted control plane for AI agents: dispatch tasks, review runs, track spend, and operate OpenClaw, Claude Code, Codex, and other runtimes.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-14",
      "data_source": "github_api",
      "sources": "2026-06-16_10-50-39.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Mission Control 是一套自托管的 AI Agent 控制平面，位于各类 Agent 运行时（OpenClaw、Claude Code、Codex、CrewAI、LangGraph、AutoGen 等）之上，不替代它们的推理与工具循环，而是集中管理围绕这些循环的工作。它提供任务收件箱与派发、Agent 注册与在场状态、运行记录与失败审查、Aegis 质量门禁与完成回执，并统一汇总活动流、定时调度、告警、Webhook、日志、Token 用量与花费。数据存放在本地 SQLite，通过 Web UI、CLI、MCP Server、REST API、WebSocket 和 SSE 对外暴露，主要解决多 Agent、多运行时下“谁负责哪个任务、执行了什么、哪个结果通过验收、钱花在哪里”的问题。",
      "pros": "· 自托管 + SQLite 单文件存储，数据不出内网，部署门槛低（install.sh 或 docker compose 一条命令起）\n· 覆盖面广：任务派发、质量门禁、成本与 Token 统计、审计、告警、调度集中在一屏统管\n· 与运行时解耦，同时提供 REST API、CLI、MCP Server、WebSocket/SSE，便于接入已有 Agent\n· MIT 许可，5k+ star，无商业授权顾虑，附带硬化版 Compose overlay 与安全边界文档\n· 提供多架构官方镜像与 Windows PowerShell 安装脚本，跨平台落地成本较低",
      "cons": "· 官方明确标注为 alpha 软件，API、schema 与配置在版本间可能不兼容，不适合没有冻结窗口的生产环境\n· 各运行时适配器深度不一，README 自己提示不要假设功能对等，使用前需细读 agent-setup 与 CLI 集成文档\n· 实时会话消息依赖已连接的 runtime gateway，纯 REST 模式下相关功能受限\n· 共享工作区的部署级集成受所有权约束，严格 workspace 模式下会被直接阻断",
      "requirements": "语言/运行时：Node.js ≥ 22（源码安装另需 pnpm，Windows 用 install.ps1）。数据库：内置 SQLite 文件存储，无需独立数据库服务。依赖：可选 Docker / docker compose 或 ghcr.io 多架构镜像；可选 runtime gateway 以支持实时会话消息。硬件：轻量 Web 服务 + SQLite，普通开发机（2 核 4G 起）即可跑通，生产部署需自备持久化卷与 TLS 终结。",
      "difficulty": "中",
      "best_for": "同时运行多个 Agent/运行时的个人开发者或小团队（“一人公司”），需要一个可自托管、能看清任务归属、执行结果与成本流向的调度与治理中心。",
      "alternatives": "Langfuse / AgentOps（Agent 可观测性与成本追踪）、Dify（自托管 Agent 应用编排）、n8n / Temporal（任务编排与调度）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 15,
      "full_name": "mutonby/openshorts",
      "name": "openshorts",
      "url": "https://github.com/mutonby/openshorts",
      "stars": 6164,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "Python",
      "category": "视频/内容生产",
      "description": "Open source AI clip generator: turns long videos into viral 9:16 shorts with AI moment detection, face tracking, subtitles and dubbing. Self-host free with Docker (MIT), or use the cloud with GPU speed from $12/mo. MCP server and API for AI agents.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-06-30_08-16-48.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "OpenShorts 是一个开源的 AI 短视频生产平台，把三件事打包进同一个自托管服务：一是剪辑生成器，输入播客、直播、访谈等长视频后，用 Gemini 分析转录文本和场景边界挑出 3-15 个爆点片段，再用 MediaPipe+YOLOv8 做人脸跟踪，自动裁成竖屏 9:16，并在双人同框时切成上下堆叠布局、把字幕压在接缝处；二是 AI Shorts，爬取产品网址或读手动描述后自动写脚本、生成 AI 数字人（Flux 2 Pro）、ElevenLabs 配音、口型同步、生成 B-roll 并合成 TikTok 风格字幕的视频；三是 YouTube Studio，生成缩略图、爆款标题、带章节的描述并一键发布。还提供 /mcp 接口供 AI Agent 调用。",
      "pros": "· 一个服务覆盖剪辑、数字人口播、YouTube 运营三条流水线，不用拼多个 SaaS 订阅\n· 完全自托管、MIT 协议、无水印无时长限制，数据留在自己服务器\n· 关键 LLM 步骤可切换到 Ollama/LM Studio/vLLM 等 OpenAI 兼容接口，不强制绑定 Google Key\n· 内置四种智能取景模式（人脸跟踪 / 模糊背景 / 双人堆叠 / 录屏），省去手动调整竖屏构图\n· 可直接发布到 TikTok、Reels、YouTube Shorts，并带公开画廊和 SEO 页面",
      "cons": "· 硬件要求不低，官方建议 8GB+ 内存，纯 CPU 处理 8 分钟视频要 5-8 分钟，速度远慢于云端 GPU（约 50 秒）\n· 依赖外部付费 API：Gemini、ElevenLabs、fal.ai 都要自备 Key，AI Shorts 单条视频成本约 0.65-2 美元，并非真的零成本\n· 涉及模型下载、FFmpeg、MediaPipe、YOLOv8、faster-whisper 等一堆组件，Docker 镜像体积大且初次部署容易踩依赖坑\n· 自托管版的 /mcp 端点只在机器开机时可用，做常驻 Agent 服务不如官方托管版省心",
      "requirements": "Docker 与 Docker Compose；建议 8GB 以上内存（CPU 模式可跑但慢，有 NVIDIA GPU 会快很多）；需自备 Google Gemini API Key（可选替换为 Ollama/LM Studio/vLLM 等 OpenAI 兼容本地模型）、ElevenLabs Key（配音）、fal.ai Key（图像/视频生成）；发布功能需 Upload-Post 或对应平台账号授权；首次启动需下载 MediaPipe、YOLOv8、faster-whisper、Flux 等模型，占用数 GB 磁盘，并依赖系统 FFmpeg。",
      "difficulty": "中",
      "best_for": "适合有一定服务器运维能力的内容创作者、播客/访谈类自媒体团队，以及希望把长视频批量转竖屏短视频、又在意数据私有和长期零订阅费的开发者。",
      "alternatives": "Opus Clip、Descript、Vizard.ai（商业 SaaS）；自托管方向可看 MoneyPrinterTurbo、ShortGPT、AutoShorts 等开源短视频生成项目。",
      "topics": null,
      "homepage": null
    },
    {
      "id": 18,
      "full_name": "netease-youdao/LobsterAI",
      "name": "LobsterAI",
      "url": "https://github.com/netease-youdao/LobsterAI",
      "stars": 6029,
      "forks": 962,
      "open_issues": 602,
      "license": "MIT",
      "language": "TypeScript",
      "category": "数字员工/Agent框架",
      "description": "Open-source, desktop-grade AI agent that gets real work done — data analysis, slides, docs, video & web research. Built on OpenClaw; runs tools on your real desktop and takes commands from your phone via WeChat, Feishu, DingTalk & Telegram.",
      "value_note": "装一个客户端，等于多了个能写能算能做PPT的远程员工。",
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-07-07_08-20-20.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "LobsterAI 是网易有道开源的桌面级 AI Agent（Electron 应用），底层以 OpenClaw 作为运行时与网关。它不只是聊天，而是能直接操作你的真实工作环境：读写本地文件、执行终端命令、操控浏览器、处理 Word/Excel/PPT/PDF、生成 Remotion 视频、调用 MCP 外部工具，并把会话、权限、UI 状态、产物、记忆和 IM 绑定都持久化在本地 SQLite 中。内置 28 项技能（网页搜索、文档表格幻灯片、浏览器自动化、图像/视频生成、股票研究、邮件、天气、技能自建等），支持多 Agent 角色分工、专家套件、定时任务，以及通过微信/企业微信/钉钉/飞书/QQ/Telegram/Discord 等 IM 远程遥控桌面 Agent。",
      "pros": "· 网易有道大厂出品，MIT 协议，5469 星，可信度与维护预期较高\n· 技能覆盖面极广：数据分析、做 PPT、写文档、剪视频、浏览器研究与自动化一应俱全\n· 本地优先：会话与数据存本地 SQLite，敏感操作（文件、终端、网络）执行前需人工批准\n· IM 远程控制链路丰富，微信/企微/钉钉/飞书/Telegram 等可把不同账号绑定到不同 Agent\n· 支持 MCP 与多 Agent/定时任务，可扩展成个人或团队的自动化工作流中枢",
      "cons": "· 基于 Electron + React 构建，安装包与内存占用偏大，老旧机器体验一般\n· 强依赖 OpenClaw 运行时，架构分层多（渲染进程/主进程/引擎适配/IM 网关），出问题排查链路长\n· 需要自行配置大模型 API Key，实际能力与成本高度取决于所选模型，任务复杂时 token 消耗可观\n· 项目较新、README 以英文为主且语言标注为未知，技能在真实场景的稳定性和社区生态仍在早期",
      "requirements": "桌面端：macOS 或 Windows（需图形界面，Linux 未官方支持）。运行时：Electron 43、React 18、Redux Toolkit、Tailwind（开发需 Node.js 18+ 与 npm/pnpm）。存储：本地 SQLite 数据库 + 文件式记忆（MEMORY.md/USER.md/SOUL.md 等）。依赖：OpenClaw 运行时/网关、28 项内置技能对应的外部工具链（浏览器自动化、文档/表格/幻灯片处理、Remotion 视频渲染等，部分场景需 ffmpeg/Chromium）。模型：需自备大模型 API Key（云端或兼容端点）。硬件：建议 8GB 内存以上、可用磁盘数 GB，视频渲染等重任务建议 16GB 内存与独立显卡更佳。",
      "difficulty": "中",
      "best_for": "适合希望在本机自动完成办公类任务的个人或小团队，尤其是中文环境下需要数据分析、生成 PPT/文档、浏览器巡检与定时汇报的用户。普通用户下载即用较简单，但要发挥 MCP、多 Agent、技能定制等能力需要一定配置与调试功底。",
      "alternatives": "OpenClaw（其底层运行时，可自行组装）、Manus（云端通用 Agent，免本地部署）、Claude Desktop / Computer Use（MCP + 桌面操作）、OpenHands（原 OpenDevin，偏向代码与终端自动化）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 108,
      "full_name": "Daymychen/art-design-pro",
      "name": "art-design-pro",
      "url": "https://github.com/Daymychen/art-design-pro",
      "stars": 5872,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "Vue",
      "category": "后台/管理面板",
      "description": "A Vue 3 admin dashboard template using Vite + TypeScript + Element Plus | vue3 admin | vue-admin — focused on user experience and visual design.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "5个顶级后台管理系统.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Art Design Pro 是一个面向前端/全栈开发者的后台管理系统（Admin Dashboard）模板项目，本身不是可直接运行的产品，而是一套开箱即用的脚手架起点。它把后台系统常见的核心能力都预先搭好：登录鉴权、路由权限与菜单动态生成、多标签页、明暗主题切换、国际化、数据表格与表单、图表可视化，并内置 useTable、ArtForm 等实用组合式 API 与高质量业务组件。项目基于 Vue3 + TypeScript + Vite + Element-Plus + Tailwind CSS 构建，强调视觉设计感与交互动效，同时提供 eslint/prettier/stylelint/husky 等完整代码规范工具链以及一键 `pnpm clean:dev` 清理脚本，执行后即可移除演示数据，得到一个干净的可开发基础工程，避免从零搭建中后台时重复造轮子。",
      "pros": "· 视觉与交互打磨到位，主题切换、页面转场、图表动画等细节接近商业产品水准，省去 UI 调优成本\n· 技术栈现代且主流（Vue3 + TS + Vite + Element-Plus + Tailwind），与当前前端招聘/团队栈高度契合\n· 内置 useTable、ArtForm 等封装 API 和大量业务组件，CRUD 页面开发效率明显提升\n· 自带一键清理脚本，可快速剥离演示数据转为干净基础工程，落地项目时改动量小\n· 代码规范工具链（ESLint/Prettier/Stylelint/Husky/commitizen）齐全，适合多人协作\n· 文档、在线 Demo、更新日志与交流群配套完善，MIT 协议商用友好",
      "cons": "· 仅为纯前端模板，不含后端接口、数据库和权限服务端逻辑，需自行对接 API 或另配后端\n· 依赖 Vue3 生态与作者封装的组件/API，深度改造时需先理解其约定，存在一定学习成本\n· 项目功能更新快、版本迭代较频繁，升级时可能出现破坏性变更或依赖冲突\n· 基于 Element-Plus 深度定制样式，替换 UI 库或大改设计风格的成本较高",
      "requirements": "语言/运行时：Node.js（建议 18+ 或 20 LTS，官方未明确标注最低版本）、pnpm 包管理器（README 全程使用 pnpm，npm/yarn 可能因脚本差异失败）。前端框架：Vue3 + TypeScript + Vite，UI 依赖 Element-Plus 与 Tailwind CSS。无内置数据库，属纯前端 SPA，需自行准备后端 API（RESTful 或 GraphQL）。硬件：普通开发机即可（4GB 内存以上，现代浏览器 Chrome/Safari/Firefox），无 GPU 或服务器特殊要求。",
      "difficulty": "低",
      "best_for": "需要快速搭建企业级后台管理系统、又希望界面美观现代的前端或全栈开发者；也适合中小团队作为中后台项目的统一起始模板与规范基线。",
      "alternatives": "· vue-vben-admin（Vue3 + Vite 生态，功能更全、体量更大）\n· vue-pure-admin（同样基于 Vue3 + Element-Plus 的轻量中后台模板）\n· Ant Design Pro（React 技术栈的同类中后台脚手架）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 442,
      "full_name": "oomol-lab/open-connector",
      "name": "open-connector",
      "url": "https://github.com/oomol-lab/open-connector",
      "stars": 5857,
      "forks": 514,
      "open_issues": 4,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "数字员工/Agent框架",
      "description": "Open-source auth gateway connecting 1500+ SaaS providers to AI agents through SDK, CLI, MCP, HTTP, and OpenAPI.",
      "value_note": "希望让 Agent 安全调用用户已有 SaaS 账号（邮件、文档、数据库、IM、数据分析等）的 AI 产品与 Agent 平台团队；以及不想被 Pipedream / Composio 等纯云方案锁死、需要保留自托管与私有化部署路线的开发者。",
      "archived": false,
      "last_pushed": "2026-09-21",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "OpenConnector 是一个面向 AI Agent 的开源连接器网关（授权中台），把用户在各类 SaaS（GitHub、Gmail、Notion、Slack、BigQuery、Google Analytics、Supabase、Airtable 等，宣称 1000+ provider、10000+ Action）中的账号，通过 OAuth2、API Key、自定义凭证或无鉴权方式统一接入，集中托管凭据、scope、请求/响应 schema、Action 黑白名单策略与脱敏运行日志，再以 Connector SDK、oo CLI、MCP、HTTP/OpenAPI 几种接口把这些 Action 暴露给 Agent 调用。它解决的核心问题是：Agent 进程不应该拿到用户的 SaaS 凭据，也不应为每个应用重写一遍鉴权与调用逻辑。应用只需让用户「连接一次」，之后 Agent 通过稳定的 provider id / Action id 和可检查的契约调用，凭据始终留在可审计的运行时里。",
      "pros": "· 一套接入覆盖 1000+ provider、10000+ 预置 Action，省掉为每个 SaaS 手写 OAuth 流程与 API 封装的大量重复工作\n· 凭据不落在 Agent 进程内，连接身份、scope、runtime token、Action 允许/阻止策略、临时文件中转、日志脱敏都在运行时统一管控，便于满足合规与审计要求\n· 对接方式多：TypeScript Connector SDK、oo CLI、MCP（http://localhost:3000/mcp）、HTTP/OpenAPI（/openapi.json、/v1/actions/*），Agent 宿主与自研客户端都能接\n· 部署灵活：OOMOL 云托管零配置开箱即用，也可 Docker / Node.js 自托管，状态存 SQLite 或 PostgreSQL，文件中转支持本地磁盘或 S3 兼容存储，还兼容 Cloudflare\n· Apache-2.0 许可、npm 公开发布，托管版与自托管版共用同一套 provider id / Action id / schema 契约，方便先托管起步、后续迁移自建",
      "cons": "· 自托管需自行申请并维护每个 provider 的 OAuth App 与 Client ID/Secret，接入的应用一多就是长期运维负担\n· 官方云托管是 OOMOL 的商业服务，多用户或生产级 SaaS 流量大概率需要付费，开源版本更像「引擎」而非完整产品\n· 项目较新、迭代频繁，Action 覆盖面广但各 provider 的深度与质量参差不齐，冷门 SaaS 可能要自己写执行器并跟随上游 API 变更维护\n· 文档与生态以英文为主、中文资料少，MCP 与 CLI 依赖同作者的 connector-sdk、oo-cli 一起理解，上手链路较长",
      "requirements": "运行时：Node.js 22+（npm 包 @oomol-lab/open-connector），提供 Docker 镜像，可部署到 Cloudflare Workers、Fly.io、RepoCloud 等平台，默认监听 3000 端口。存储：状态可用 SQLite（默认，适合单机）或 PostgreSQL（生产/多实例）；临时文件中转需本地磁盘或 S3 兼容对象存储。依赖：自托管时需自备各 provider 的 OAuth App 凭据；可选 OOMOL 托管账号，客户端侧可选任意 MCP Host（Claude Desktop、Cursor 等）或直接调 HTTP/OpenAPI。硬件：官方未给出硬性指标，单机 Docker 1-2 vCPU、1-2GB 内存即可跑通小规模自托管，生产按并发量与日志量扩容。",
      "difficulty": "中",
      "best_for": "希望让 Agent 安全调用用户已有 SaaS 账号（邮件、文档、数据库、IM、数据分析等）的 AI 产品与 Agent 平台团队；以及不想被 Pipedream / Composio 等纯云方案锁死、需要保留自托管与私有化部署路线的开发者。",
      "alternatives": "Pipedream、Composio、Nango",
      "topics": "agent-tools, ai-agents, api-gateway, automation, cli, cloudflare-workers, connectors, integration-platform, mcp, model-context-protocol, oauth, oomol, openapi, openconnector, saas-integrations, sdk, self-hosted, typescript",
      "homepage": "https://oomol.com"
    },
    {
      "id": 95,
      "full_name": "SolaceLabs/solace-agent-mesh",
      "name": "solace-agent-mesh",
      "url": "https://github.com/SolaceLabs/solace-agent-mesh",
      "stars": 4925,
      "forks": 276,
      "open_issues": 99,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "An event-driven framework designed to build and orchestrate multi-agent AI systems. It enables seamless integration of AI agents with real-world data sources and systems, facilitating complex, multi-step workflows.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-13",
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Solace Agent Mesh (SAM) 是一个基于事件驱动架构的多智能体（multi-agent）AI 编排框架。它把每个 AI Agent 做成独立订阅/发布消息的服务，通过 Solace 事件代理（Event Broker）通信，从而实现异步、解耦、可水平扩展的 Agent 协作。框架内置 Orchestrator 编排 Agent，可将复杂任务自动拆解并委派给各专业 Agent（如数据库 SQL 查询 Agent、多模态生成 Agent 等）；支持 A2A（Agent2Agent）协议完成 Agent 间发现与任务委托；提供 REST API、Web UI、Slack 等网关接入外部系统；底层基于 Solace AI Connector (SAC) 连接事件代理与模型服务，AI 逻辑构建在 Google ADK 之上。用户主要通过 YAML 配置声明式定义 Agent、网关、插件与工具，无需大量胶水代码即可搭建生产级多 Agent 系统。",
      "pros": "· 事件驱动 + 消息代理解耦，天然支持异步、横向扩展与故障隔离，贴近生产级部署\n· 内置 Orchestrator 编排与 A2A 协议，多 Agent 任务拆解与相互委派开箱即用\n· 通过 YAML 声明式配置 Agent/网关/插件，扩展自定义 Agent 的代码门槛较低\n· 网关丰富（REST、Web UI、Slack），便于对接外部系统和用户界面\n· Apache-2.0 许可，商业使用友好",
      "cons": "· 该 Python 版本已被官方废弃，不再有新功能、Bug 修复和安全更新，仓库将转为只读归档\n· 强依赖 Solace 事件代理（PubSub+），需额外部署运维或购买云服务，架构偏重、上手成本高\n· 依赖 Solace AI Connector 与 Google ADK，版本耦合且消息链路长，调试与排错较麻烦\n· Windows 需借助 WSL，且必须准备可用的 LLM API Key，官方已引导迁移到新版产品",
      "requirements": "语言/运行时：Python 3.10.16 – 3.13.x 与 pip（官方另提供新版非 Python 实现及桌面 App）；操作系统：macOS / Linux / Windows（须用 WSL）；中间件：必须有一个 Solace 事件代理（Solace PubSub+ Event Broker，本地容器或云端）；关键依赖：Solace AI Connector (SAC)、Google Agent Development Kit (ADK)，以及至少一个主流 LLM 提供商的 API Key（或自建兼容端点）；数据库：无强制要求，具体由所用 Agent/插件决定（如需可接 PostgreSQL 等）；硬件：普通开发机即可，生产环境按消息吞吐量横向扩展。",
      "difficulty": "高",
      "best_for": "已经具备 Solace 事件网格基础设施、需要构建生产级异步多 Agent 系统并要求可靠扩展的企业团队；也适合架构师作为事件驱动 Agent 编排的参考资料研读。",
      "alternatives": "LangGraph、CrewAI、AutoGen (AG2)",
      "topics": null,
      "homepage": null
    },
    {
      "id": 106,
      "full_name": "1024-lab/smart-admin",
      "name": "smart-admin",
      "url": "https://github.com/1024-lab/smart-admin",
      "stars": 3867,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "Java",
      "category": "后台/管理面板",
      "description": "SmartAdmin国内首个以「高质量代码」为核心，「简洁、高效、安全」快速开发平台；基于SpringBoot2/3 + Sa-Token + Mybatis-Plus 和 Vue3 + Vite5 + Ant Design Vue 4.x (同时支持JavaScript和TypeScript双版本)；满足国家三级等保要求、支持登录限制、接口数据国产加解密、高防SQL注入等一系列安全体系。",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "5个顶级后台管理系统.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "SmartAdmin 是一套面向企业级后台管理系统的开源快速开发脚手架（前后端分离），由洛阳 1024 创新实验室维护。后端基于 Java 8/17 + SpringBoot 2.x/3.x + Sa-Token + MyBatis-Plus，前端基于 Vue3 + Vite5 + Pinia + Ant Design Vue 4.x（提供 JS/TS 双版本），并额外附带基于 uni-app 的移动端，可同时打包 App、小程序和 H5。它解决的是「团队每次做管理系统都要重造轮子」的问题：内置员工/部门/角色/权限/菜单/数据字典/系统参数/单号生成器/文件管理/代码生成器等基础模块，同时把登录限制、双因子登录、密码复杂度、错误次数锁定、接口国产加解密、数据脱敏等安全能力做成开箱即用，并兼容达梦、金仓、GaussDB、OceanBase 等国产数据库，方便过等保测评。",
      "pros": "· 安全与合规能力强，官方称国内首个满足《网络安全等级保护三级》与《数据安全》要求的管理后台，双因子登录、密码策略、登录锁定、超时退出、数据脱敏、接口加解密一套齐全\n· 国产化适配到位，支持达梦、人大金仓、南大通用、OceanBase、GaussDB、PolarDB、GoldenDB 等国产库，以及 MySQL/PostgreSQL/SQLServer/Oracle 等主流库\n· 版本组合灵活，后端提供 Java8+SpringBoot2 与 Java17+SpringBoot3 双版本，前端提供 JS 与 TS 双版本，可按团队存量技术栈选择\n· 代码规范与工程结构是卖点，四层架构（controller/service/manager/dao）、公共配置维护、统一返回码、vue-enum 常量、5 套环境配置等，适合作为团队编码规范参考\n· 功能覆盖完整（OA 办公、数据变更 diff 记录、在线帮助文档、操作/登录/心跳日志、自定义列持久化、代码生成器），且附带 uni-app 移动端，省去不少重复开发",
      "cons": "· 功能大而全，代码量和模块数量多，初次通读成本不低，新手容易在权限、安全、加解密等模块里迷路\n· 社区与文档生态相对 RuoYi、JeecgBoot 这类头部项目偏小，遇到冷门问题搜到的中文资料较少，主要依赖官方文档与付费/答疑渠道\n· 部分高级能力（如国产库适配、接口加解密、等保相关配置）需要额外引入驱动或做配置调优，不是 clone 完就无脑跑通\n· 技术栈锁定较深（Sa-Token + MyBatis-Plus + Ant Design Vue），若团队已有 Shiro/Spring Security 或 Element Plus 体系，迁移和二次改造有一定摩擦",
      "requirements": "后端：JDK 8（SpringBoot 2.x 分支）或 JDK 17（SpringBoot 3.x 分支），Maven 3.6+，SpringBoot 2.x/3.x + Sa-Token + MyBatis-Plus；数据库任选 MySQL 5.7/8.x、PostgreSQL、SQLServer、Oracle，或达梦 DM8、人大金仓 Kingbase、南大通用 GBase、OceanBase、GaussDB、PolarDB、GoldenDB 等国产库（需对应 JDBC 驱动与建表脚本）；可选 Redis 用于缓存/Session/登录限制。前端：Node.js 16/18+（Vite5 建议 18+）、pnpm/npm/yarn，Vue3 + Vite5 + Pinia + Ant Design Vue 4.x。移动端：HBuilderX 或 uni-app CLI，按目标平台需微信开发者工具等。硬件：开发机建议 8GB 内存以上（前后端 + IDE + 数据库同时运行），服务器侧 2C4G 起步即可跑演示环境。",
      "difficulty": "中",
      "best_for": "适合需要快速交付企业级/政务类后台管理系统的研发团队，尤其是对等保三级、数据安全、国产数据库适配有硬性要求的政企项目；也适合想把项目当作 Java + Vue3 代码规范范例来学习的开发者。",
      "alternatives": "· RuoYi-Vue / RuoYi-Vue-Plus（若依，国内最流行的同类脚手架）\n· JeecgBoot（低代码 + 代码生成器能力更强的企业级平台）\n· Pig4Cloud / SpringBlade（基于 Spring Cloud 的微服务版后台脚手架），或纯前端侧的 vue-vben-admin / Ant Design Pro",
      "topics": null,
      "homepage": null
    },
    {
      "id": 51,
      "full_name": "pipeshub-ai/pipeshub-ai",
      "name": "pipeshub-ai",
      "url": "https://github.com/pipeshub-ai/pipeshub-ai",
      "stars": 3747,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "自动化/集成",
      "description": "PipesHub is an open-source platform for securely connecting enterprise knowledge to AI. Give AI agents trusted context and your team permission-aware search with verified citations across your business systems.",
      "value_note": "一人公司数据散落在各种SaaS里，PipesHub把它们拉到一起让AI理解。搭完等于有个\"业务大脑\"随时问任何数据。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "PipesHub 是一个开源的「职场 AI 平台 / 企业上下文层」，核心是把公司散落在各类业务系统里的知识接进 AI。它内置 50+ 企业连接器（Slack、Google Drive、GitHub、Microsoft 365、Notion 等），按实时或定时任务抓取文档后做索引，再提供统一搜索、带引用出处的问答、深度研究、Web 搜索和可视化搭建的 Agent。它解决的关键问题有两个：一是「答得有据可查」——回答会精确引用到原始文档的块级位置；二是「权限不越界」——检索时沿用源系统（如 Drive/Slack）本身的访问控制，员工只能看到自己被授权的数据。同时支持知识图谱检索、图片/扫描件/语音等多模态理解，允许自带任意 LLM 并完全私有化部署在自有 VPC，还提供 Node/Python/Go SDK 和 MCP 客户端，把同一份上下文喂给你自己的流程和 Agent。",
      "pros": "· 权限感知检索是核心卖点，检索结果按源系统 ACL 过滤，比多数只做全文索引的开源方案更贴近企业合规要求\n· 引用可解释：答案落到具体文档块，便于人工核验，降低幻觉风险\n· 完全自托管 + 自带模型（BYO LLM），数据不出自有 VPC，适合对数据主权敏感的组织\n· 50+ 连接器开箱即用，另有 MCP 与 Node/Python/Go SDK，方便接入自有 Agent 和自动化流程\n· 一条 curl 安装命令即可拉起，上手部署成本低，并有 Docker Hub 官方镜像与多语言文档",
      "cons": "· 元数据里许可证标注为「未知」（README 徽章显示 Apache-2.0），实际开源范围与商用条款需自行核对，仓库以 Shell 包装为主，部分组件可能另有许可\n· 只有真正跑通连接器 OAuth、增量同步和权限映射后才有价值，这一步的坑（令牌过期、ACL 同步延迟、索引偏差）比安装本身更难\n· 自身需要向量库、检索/图存储、嵌入与 LLM 推理，资源占用不低，单机小内存跑全量索引会很吃力\n· 项目较年轻、迭代快，企业连接器覆盖面与文档深度可能与宣传存在差距，生产使用前建议先小范围验证",
      "requirements": "语言/运行时：主仓库以 Shell（安装脚本）为主，服务端与前端为容器化交付；宿主机需 Linux 或 macOS（Windows 建议走 WSL2/Docker Desktop）。必装依赖：Docker 与 Docker Compose（单命令 curl -fsSL https://get.pipeshub.com/install | bash 会拉起整套容器栈）。数据层：随栈自带数据库/向量检索与图存储组件（用于嵌入索引与知识图谱），需为其预留持久化卷。外部依赖：需自备 LLM 提供方凭证（OpenAI/Azure/Anthropic/自建 vLLM、Ollama 等）与嵌入模型，以及各连接器的 OAuth 应用凭据（Slack、Google、Microsoft 365、GitHub、Notion 等，需在对应平台注册）。硬件：建议至少 4 核 CPU、16GB 内存、100GB+ SSD，全量索引 50+ 系统的团队建议 8 核 / 32GB 起，GPU 非必需但可显著加速本地嵌入与推理。网络：需可访问各 SaaS 源系统与所用模型 API（或完全内网自建模型）。",
      "difficulty": "中",
      "best_for": "适合有数据主权或合规要求、希望自托管一套企业级 RAG 与知识搜索平台的中大型团队/IT 部门，尤其是已重度使用 Slack、Google Workspace 或 Microsoft 365、需要「按人授权检索 + 答案带引用」的场景；也适合想给自研 Agent 提供统一企业上下文的开发者。",
      "alternatives": "· Onyx（原 Danswer）——同为开源企业搜索 + 连接器 + 权限感知问答\n· RAGFlow / AnythingLLM——开源自托管 RAG 与知识库问答平台，部署更轻量\n· Glean（商业 SaaS）或 Microsoft 365 Copilot + Copilot Connectors（微软生态内置方案）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 61,
      "full_name": "TinyAGI/tinyagi",
      "name": "tinyagi",
      "url": "https://github.com/TinyAGI/tinyagi",
      "stars": 3614,
      "forks": 507,
      "open_issues": 75,
      "license": "MIT",
      "language": "TypeScript",
      "category": "营销/内容/获客",
      "description": "TinyAGI is the agent teams orchestrator for One Person Company. (fka TinyClaw)",
      "value_note": "这是本周最直白的OPC答案：你当老板，TinyAGI当HR，把营销/客服/研发分成几支Agent小队并行开工，一个编排器管全部\"数字员工\"，MIT随便改。",
      "archived": false,
      "last_pushed": "2026-03-30",
      "data_source": "github_api",
      "sources": "2026-08-18_08-21-40.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "TinyAGI 是一个面向个人/一人公司的多 Agent 编排运行时。它常驻后台（CLI 守护进程或 Docker 容器），把 Claude Code CLI、OpenAI Codex CLI 等命令行 Agent 包装成一个个有角色、有独立工作区的「员工」，再按团队组织起来。消息从 Discord/Telegram/WhatsApp 或 Web 控制台进入后，进入基于 SQLite 的任务队列（支持原子事务、重试、死信管理），由 Agent 并发消费；Agent 之间可以通过链式执行（chain）和扇出（fan-out）互相交接任务，实现多团队并行协作。每个团队有自己的持久化聊天室与会话上下文，重启后不丢。它自带一个叫 TinyOffice 的浏览器面板（本地 3000 端口或官方托管页面连 localhost:3777），用于管理 Agent、团队、看板任务、日志事件，还有一个实时 TUI 仪表盘和「办公室视图」可视化 Agent 之间的互动。",
      "pros": "· 把已付费的 Claude Code / Codex CLI 订阅直接变成 7×24 常驻的 Agent 劳动力，不用自己写 Agent 循环\n· 多团队 + 独立工作区隔离，可同时跑互不干扰的多条业务线，天然适合在 Discord/Telegram 上对外提供服务\n· SQLite 队列带重试和死信机制，比简单的 while 循环脚本可靠，关键消息不容易静默丢失\n· 开箱即用，curl 一行安装后自动生成配置、拉起守护进程并打开 Web 面板；同时提供 Docker 与源码部署\n· 有插件系统（消息钩子/事件监听）、多 Provider 支持（任意 OpenAI/Anthropic 兼容端点）和 Web/TUI 两套监控界面",
      "cons": "· 项目自带 stability-experimental 标记，星数高但属于早期项目，API 与配置文件可能频繁变动\n· 强依赖外部 CLI（Claude Code CLI、Codex CLI）和对应 API Key/订阅，这些工具本身的登录态、限额、封号风险会直接传导到整个系统\n· WhatsApp 渠道走扫码登录，属于非官方接入方式，有账号被风控的可能；Discord 还需手动开启 Message Content Intent\n· Node 单进程 + SQLite，Agent 数量多、并发高时可能成为瓶颈；日志与上下文长期累积也需要自行清理",
      "requirements": "运行时：Node.js v18+（推荐 LTS），操作系统为 macOS / Linux / Windows(WSL2)。外部依赖：Anthropic 提供商需安装 Claude Code CLI，OpenAI 提供商需安装 Codex CLI，并配置对应 API Key（ANTHROPIC_API_KEY 等）。数据库：内置 SQLite，无需单独部署，数据落在 ~/tinyagi-workspace 或 Docker 卷 tinyagi-data。部署：本机守护进程或 docker compose（API 默认 3777，TinyOffice 默认 3000）。硬件无特殊要求，普通 2C4G 开发机或小 VPS 即可；若 7×24 常驻建议 2GB 以上内存并挂持久化磁盘。渠道需 Discord Bot Token / Telegram Bot Token / WhatsApp 扫码。",
      "difficulty": "中",
      "best_for": "适合独立开发者、一人公司或小团队，希望把多个编码/客服/运营 Agent 组织成能同时在 Discord、Telegram 上 7×24 接活并互相交接的自动化团队，且已经在用 Claude Code 或 Codex CLI 的人。",
      "alternatives": "CrewAI、AutoGen（Microsoft）、LangGraph、Dify",
      "topics": null,
      "homepage": null
    },
    {
      "id": 6,
      "full_name": "ericosiu/ai-marketing-skills",
      "name": "ai-marketing-skills",
      "url": "https://github.com/ericosiu/ai-marketing-skills",
      "stars": 3535,
      "forks": 685,
      "open_issues": 13,
      "license": "MIT",
      "language": "Python",
      "category": "营销/内容/获客",
      "description": "Open-source AI marketing skills — growth experiments, sales pipeline, content ops, outbound, SEO, and finance automation",
      "value_note": "比上面的更全更系统。从内容策略到付费广告投放到网红营销，一个技能库覆盖。一人公司不用自己写 prompt，直接调用这些技能干活。",
      "archived": false,
      "last_pushed": "2026-09-13",
      "data_source": "github_api",
      "sources": "2026-06-16_10-50-39.md,2026-07-21_08-27-52.md,2026-07-23_10-18-55.md,2026-07-28_08-22-25.md,2026-09-08_08-07-01.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个面向市场营销与销售团队的 Claude Code 技能包（Skills），本身不是独立应用，而是由 30 个左右 Markdown 定义的工作流加辅助脚本组成，装上后可直接被 Claude Code、Codex 等 AI 编码代理加载调用。它覆盖增长实验（自动跑实验并按周打分）、销售管道（把匿名访客转化成线索）、内容生产（专家评审团打分把关，要求 90 分以上才发布）、冷启动外呼、SEO 选题、财务成本审计、播客/短视频/YouTube 拆解、幻灯片生成等多个营销 SOP。每个技能把脚本、评分算法、专家评审面板和自动化流水线打包成可复用流程，目标是让 AI 代理按固定标准执行营销动作，而不是靠一句 prompt 随意发挥。",
      "pros": "· MIT 许可、3.5k star，完全免费可商用，可随意 fork 改造\n· 覆盖面极广，从增长、销售、内容、SEO 到视频/播客/财务一条龙，省去从零写 SOP 的时间\n· 不只是 prompt，而是带脚本、评分算法和评审流程的完整工作流，复用性强\n· 作者称在真实营收管道上验证过，ICP、评分阈值等业务细节相对接地气\n· 模块化目录设计，可按需只取某个技能，不必全量引入",
      "cons": "· 强依赖 Claude Code / Codex 等代理环境，本质是 Markdown + 脚本，不是能独立运行的产品\n· 多个技能依赖外部 SaaS 与 API（RB2B、Gong、GSC、Metricool、Gemini、Google Slides 等），需额外付费并配置密钥\n· 30 个技能质量与维护度参差不齐，部分偏实验性质，随代理平台更新可能失效\n· 无 UI、无数据库，输出质量严重依赖底层模型，仓库外缺少第三方效果评测",
      "requirements": "运行环境：需 Claude Code（或兼容 Skills 的 AI 编码代理，如 Codex）及对应订阅/API 额度；脚本多为 Python/Node.js，需相应运行时。视频类技能依赖 FFmpeg 与 Gemini API，幻灯片类需 Google Workspace/Slides 权限。按技能不同还需配置 RB2B、Gong、Google Search Console、Metricool 等第三方 API Key。无数据库要求，全部基于本地文件系统。硬件无特殊要求，普通笔记本即可。",
      "difficulty": "中",
      "best_for": "已经在用 Claude Code / Codex 的营销、销售、增长团队，以及独立开发者或一人公司，想直接套用现成营销 SOP 而非自己搭工作流的人。",
      "alternatives": "Anthropic 官方 anthropics/skills 技能库；CrewAI / LangChain / n8n 等可自建 Agent 工作流的框架；Jasper、Copy.ai 等成品 AI 营销工具。",
      "topics": null,
      "homepage": null
    },
    {
      "id": 71,
      "full_name": "leaperone/MultiPost-Extension",
      "name": "MultiPost-Extension",
      "url": "https://github.com/leaperone/MultiPost-Extension",
      "stars": 3465,
      "forks": 401,
      "open_issues": 17,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "营销/内容/获客",
      "description": "A browser extension that helps users publish content to multiple social media platforms with one click.",
      "value_note": "一人公司最贵的是时间。写一篇内容手动发 5 个平台太奢侈，这个扩展让内容营销从\"发布\"变成\"复制粘贴\"，全免费自托管，内容主权在自己手里。",
      "archived": false,
      "last_pushed": "2026-09-14",
      "data_source": "github_api",
      "sources": "2026-09-01_08-14-11.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "MultiPost 是一个浏览器扩展，核心功能是一键将文本、图片、视频等内容同步发布到十多个主流社交媒体平台，包括知乎、微博、小红书、抖音、微信公众号、B站、YouTube、TikTok 等。用户无需登录、注册或申请 API Key，安装扩展后即可在编辑器中一次编辑内容，自动适配各平台格式并批量发布，解决了内容创作者在多平台手动重复发布的痛点，大幅提高分发效率。此外，项目提供扩展 API 和 RESTful API，开发者可以将发布能力集成到自己的 Web 应用或脚本中，实现自动化内容分发。",
      "pros": "· 一键发布到 10+ 主流平台，覆盖国内外，节省大量重复操作时间\n· 无需注册、登录、API Key，开箱即用，完全免费\n· 支持文本、图片、视频等多种内容格式，适配各平台编辑规则\n· 提供扩展 API 和 RESTful API，便于开发者二次集成和自动化\n· 开源（Apache-2.0），代码透明，社区活跃，可自行审查和修改",
      "cons": "· 依赖各平台网页版 DOM 结构，平台更新可能导致发布失败，需等待作者修复\n· 部分平台对自动化操作有风控，批量发布可能触发账号限制或封禁\n· 某些平台特殊格式（如公众号的复杂排版）可能无法完美适配\n· 浏览器扩展权限较高，可能存在隐私顾虑，需自行权衡",
      "requirements": "使用：安装 Chrome 或 Edge 浏览器（最新稳定版），安装扩展即可，无需额外环境。开发：需 Node.js 16+ 和 pnpm，项目使用 TypeScript 构建。无数据库依赖，纯前端扩展，无硬件特殊要求，仅需网络连接访问各平台。",
      "difficulty": "低",
      "best_for": "适合需要多平台分发内容的自媒体运营者、营销人员、开发者，尤其是希望自动化发布流程或集成到自己系统中的用户。",
      "alternatives": "Buffer、Hootsuite、Later",
      "topics": null,
      "homepage": null
    },
    {
      "id": 31,
      "full_name": "InvoicePlane/InvoicePlane",
      "name": "InvoicePlane",
      "url": "https://github.com/InvoicePlane/InvoicePlane",
      "stars": 3139,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "PHP",
      "category": "后台/管理面板",
      "description": "A self-hosted open source application for managing your invoices, clients and payments.",
      "value_note": "PHP+MySQL经典架构，轻量零门槛部署。报价→发票→收款一条龙，适合自由职业者和一人公司的财务流水管理。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-14_08-25-54.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "InvoicePlane 是一个用 PHP 编写的自托管 Web 应用，用于管理发票、报价单、客户和收款。你可以录入客户资料与历史交易，创建产品/服务和服务项目、任务，然后生成带公司 Logo、自定义模板的发票或报价单，导出为 PDF 并邮件发给客户；支持发票状态跟踪、部分付款记录、到期催款提醒、定期/循环发票，以及通过插件接入在线支付网关收款。它还提供按客户、时间段、产品维度的财务报表，界面与模板支持多语言和品牌定制。解决的问题是：自由职业者、小工作室和中小企业需要一套开票工具，但不想按月订阅云端 SaaS，也不愿把客户与财务数据交给第三方，因此在自己的服务器上跑一份、数据完全自主可控。它前身是 FusionInvoice 的开源分支。",
      "pros": "· 完全免费开源（MIT 许可），自托管后数据 100% 留在自己的服务器，无订阅费和用户数限制\n· 功能覆盖面完整：发票、报价、产品、项目/任务、付款记录、催款提醒、循环开票、报表，日常开票够用\n· 多语言翻译完善（社区通过 Crowdin 维护），支持多币种、税率、折扣和多套自定义 PDF 模板\n· 官方提供 Docker Compose 起法，开发/测试环境几条命令即可跑起来，也支持传统 LAMP 部署\n· 社区活跃（Wiki、论坛、Discord），有大量第三方插件和主题可扩展支付网关与外观",
      "cons": "· 界面与交互偏传统（Bootstrap 时代风格），相比 Invoice Ninja 等现代 SaaS 显得老旧，移动端体验一般\n· 升级尤其是安全版本升级需要手动按文档操作，自定义模板还涉及 ipconfig.php 白名单机制，跨大版本升级容易踩坑\n· 只做开票和收款跟踪，不是完整会计系统：没有复式记账、银行对账、税务申报，也无法直接对接国内电子发票/税控\n· 部分进阶需求（客户门户体验、自动化工作流、API 生态）较弱，插件质量和维护程度参差不齐",
      "requirements": "服务端：PHP 8.1 及以上（1.6+ 版本，旧版 1.5.x 支持 PHP 7.x），需启用 mbstring、gd、openssl、PDO、zip、fileinfo、curl 等扩展；数据库 MySQL 5.5+/MariaDB 10.x（需支持 utf8mb4）；Web 服务器 Apache（含 mod_rewrite，可选去掉 index.php）或 Nginx+PHP-FPM。生产环境需可写目录存放上传与 session（可配置 SESS_SAVE_PATH），PDF 由内置 mPDF 生成。硬件要求很低：1 核 1GB 内存的 VPS 即可流畅运行，磁盘视发票附件量而定。开发/构建镜像时才需要 Composer 与 Node/npm，直接下载 Release 包部署则无需。",
      "difficulty": "中",
      "best_for": "适合自由职业者、小型工作室和中小企业，想用零成本、数据自主可控的方式做开票与收款管理，且能接受自己维护服务器或使用 Docker 部署；也适合作为学习 PHP/CodeIgniter 项目的二次开发基础。",
      "alternatives": "Invoice Ninja（功能更现代、内置客户端门户和 API，社区版自托管，付费版云服务）、Crater（Laravel 编写的开源发票/收款应用，界面更现代）、Akaunting（偏会计记账的开源财务套件，可与开票结合使用）",
      "topics": null,
      "homepage": null,
      "license_verified": true
    },
    {
      "id": 72,
      "full_name": "melgarafael/DeskcommCRM",
      "name": "DeskcommCRM",
      "url": "https://github.com/melgarafael/DeskcommCRM",
      "stars": 2571,
      "forks": 648,
      "open_issues": 110,
      "license": "MIT",
      "language": "TypeScript",
      "category": "CRM/客户管理",
      "description": "Open-source AI sales OS — self-hosted CRM with native AI agents + WhatsApp (WAHA). Open alternative to Kommo, Octadesk & Intercom for any business that sells by chat. MCP-ready, multi-tenant, LGPD.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-09-01_08-14-11.md,2026-09-15_08-05-38.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "DeskcommCRM 是一个自托管的开源销售操作系统，把轻量级 CRM、原生 AI 销售 Agent 和 WhatsApp 客服渠道整合进同一个 Next.js 应用。AI Agent 能在 WhatsApp 上自动接待客户、按预设规则完成线索筛选（qualification）、跟进并推动成交对话，所有对话记录与客户档案写入内置 CRM 的销售管道。系统通过 Docker Compose 一键部署到 VPS，自带 HTTPS、WHEN/IF/THEN 自动化规则引擎、cron 定时任务和在线更新按钮，让团队把客户数据留在自己的服务器上。定位是 Kommo、Octadesk、Intercom 的免费开源替代，无月费、无功能锁；后端使用 Supabase 的 Postgres+Auth+Storage，WhatsApp 通过 QR 扫码（WAHA）或 Meta 官方渠道接入，AI 推理按需选择 OpenRouter/Anthropic/OpenAI。",
      "pros": "· 一键脚本部署：install.sh 幂等，自动检测并安装 Docker、生成全部密钥、建表、建管理员、配 HTTPS，用户无需本地装 Node/pnpm 或编译\n· 功能整合度高：CRM + AI Agent + WhatsApp 通道 + 自动化规则引擎一体，数据自持，无月费无功能锁\n· 技术栈现代可维护：Next.js 16 + 严格 TypeScript + Supabase 后端，MIT 许可，可商用、可二次开发\n· 兼容非官方推荐环境：Hostinger、Coolify、Dokploy、CapRover 等，能自动检测已有反向代理并调整发布方式\n· 可选由安装器代建 Supabase 项目，减少复制粘贴密钥的出错率",
      "cons": "· 强依赖外部第三方：Supabase 云账号 + OpenRouter/OpenAI/Anthropic 的 API Key，AI 部分持续产生调用费用，且需要域名和常驻 VPS\n· WhatsApp 走 WAHA 扫码属于非官方接口，存在账号封禁与合规风险；官方 Cloud API 又需额外申请和付费\n· 项目年轻（2.5k star），文档以葡萄牙语为主，版本升级、数据库迁移和故障排查需自己跟进\n· 部署门槛虽被脚本降低，但仍需 4GB RAM 的 VPS 与多个 SaaS 账号，长期成本与运维不可忽略",
      "requirements": "语言/运行时：应用基于 Next.js 16 + TypeScript（以 Docker 镜像分发，用户无需本地安装 Node/pnpm，但自编译需 Node 20+/pnpm）。数据库：Supabase 云托管 PostgreSQL（需 Session pooler 连接串）+ Supabase Auth + Storage。容器：Docker + Docker Compose，推荐 Linux VPS（4GB RAM 推荐，建议圣保罗等低延迟机房）。外部依赖：OpenRouter / Anthropic / OpenAI 之一 API Key；域名一条 A 记录指向 VPS；WhatsApp 号码（WAHA QR 扫码或 Meta 官方 Cloud API）；cron 用于跑自动化与更新代理。",
      "difficulty": "中",
      "best_for": "适合以 WhatsApp 为主要成交渠道、希望数据自托管并用 AI 自动接待和筛选线索的中小销售团队、Agency 或独立开发者，尤其是想用一套免月费系统替代 Kommo/Intercom 的人。",
      "alternatives": "Kommo（SaaS 商业版）、Chatwoot（开源客服+WhatsApp，需自行接 AI/自动化）、Twenty（现代开源 CRM，无 WhatsApp/AI Agent 内置）、EspoCRM（老牌开源 CRM，插件扩展）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 19,
      "full_name": "moazbuilds/CodeMachine-CLI",
      "name": "CodeMachine-CLI",
      "url": "https://github.com/moazbuilds/CodeMachine-CLI",
      "stars": 2509,
      "forks": 238,
      "open_issues": 9,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "自动化/集成",
      "description": "CodeMachine is an open-source tool that orchestrates AI coding agents into repeatable, long-running workflows. ⚡️",
      "value_note": "把重复性的开发工作做成自动化流水线，省下一个DevOps岗。",
      "archived": false,
      "last_pushed": "2026-02-25",
      "data_source": "github_api",
      "sources": "2026-07-07_08-20-20.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "CodeMachine-CLI 是一个运行在终端里的 AI 编码代理编排器（orchestration layer）。它不做模型推理，而是通过各 AI 编码引擎（Claude Code、Codex、Cursor 等）提供的 headless/脚本化模式，由 CLI 派生子进程、传入参数与 flag，把「提问→复现→分析→计划→实现→测试→评审」这类原本靠人脑记忆、每次都要重新口述的工作流固化成可复用的配置文件。定义一次后即可在任何项目上重复执行，并负责步骤间的上下文传递、动态 prompt 组装、多代理分工与相互通信、并行执行多个代理，以及跨小时甚至跨天的长任务持久化，避免人工盯守与反复清空/重建上下文。",
      "pros": "· Build Once, Run Forever：把重复的调试/开发套路写成工作流后一键复跑，省去每次重新解释流程\n· 多代理编排：可给不同步骤指派不同代理，并让它们互相通信、协作决策\n· 支持并行执行与长时间运行任务，内置持久化，适合跑数小时到数天的流水线\n· 上下文工程集中管理：prompt 与每步可见的上下文可统一配置，减少上下文污染\n· Apache-2.0 开源、npm 一条命令全局安装，兼容 Claude Code / Codex / Cursor 等多个既有引擎",
      "cons": "· 本身不提供模型能力，强依赖外部 AI 编码 CLI 和对应账号/API Key，链路任一环挂了就跑不动\n· 工作流编写与编排模式（交互式到全自动之间）有概念成本，前期调 prompt 和流程比较费时间\n· 长时/并行代理会显著放大 token 消耗与费用，且出错时排查跨代理的上下文比较困难\n· 项目较新（约 2.5k star），API 与配置格式可能仍在快速变动，生态与文档深度有限",
      "requirements": "运行时：Node.js（通过 npm i -g codemachine 全局安装，建议 Node 18/20 LTS 及以上）；需预先安装并登录至少一个受支持的 AI 编码引擎 CLI（Claude Code、Codex、Cursor 等）及其订阅或 API Key；无需独立数据库，配置与工作流以本地文件形式存储；操作系统为 macOS/Linux/Windows 下的终端环境；硬件要求不高，普通开发机即可，但长时/并行工作流会占用较多 CPU/内存与网络带宽。",
      "difficulty": "中",
      "best_for": "适合已经日常使用 AI 编码代理、且手上有大量重复性开发/修 bug/评审流程的团队或个人开发者，用来把 SOP 固化成可复用、可无人值守运行的自动化流水线。",
      "alternatives": "Claude Code 官方 Hooks/SDK 与 subagents、OpenHands（OpenDevin）、CrewAI / LangGraph 等通用多代理编排框架、aider 的脚本化模式",
      "topics": null,
      "homepage": null
    },
    {
      "id": 58,
      "full_name": "Django-CRM/Django-CRM",
      "name": "Django-CRM",
      "url": "https://github.com/Django-CRM/Django-CRM",
      "stars": 2418,
      "forks": 1049,
      "open_issues": 53,
      "license": "MIT",
      "language": "Python",
      "category": "数据/分析",
      "description": "Open Source CRM for Startups and enterprises. Django + SvelteKit · Self-hosted · Multi-tenant · Free forever",
      "value_note": "MIT随便改、数据在自己服务器、销售跟进/客户管理一站式，没有SaaS订阅费，是HubSpot的穷人版平替。",
      "archived": false,
      "last_pushed": "2026-09-11",
      "data_source": "github_api",
      "sources": "2026-08-04_08-22-21.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "BottleCRM（仓库 Django-CRM）是一个可自托管的多租户开源 CRM：Django REST Framework 提供后端与 API，SvelteKit 5 提供 Web 前端，Flutter 提供 iOS/Android 原生 App，三者共用同一套 REST 接口。功能覆盖完整客户生命周期——线索、客户、联系人、商机、工单、任务和发票，并内置完整帮助台（SLA 计时、审批流、升级、宏、知识库）。核心差异点是租户隔离做在 PostgreSQL 行级安全（RLS）上，即在数据库层强制隔离，而非只靠应用代码过滤，因此同一套部署既能服务单家公司，也能当 SaaS 支撑几百个租户。MIT 许可，不限用户数与记录数，支持个人访问令牌让 AI Agent 以用户身份读写数据。",
      "pros": "· MIT 许可、免费自托管，用户数与记录数不限，没有按席位订阅和功能墙\n· 多租户隔离落在 PostgreSQL RLS 数据库层，可安全地对外做 SaaS，同类开源 CRM 少见\n· 技术栈主流（Django 6 + DRF + Svelte 5 + Flutter），Python 团队几乎零学习成本即可二次开发\n· 一个后端同时支撑 Web、原生移动端和带 OpenAPI 的 REST API，可对接 Claude/Cursor 等 AI Agent\n· 内置真正的服务台能力（SLA 计时、审批、升级、宏、知识库），不是拼凑的工单列表",
      "cons": "· 全部运维自担：PostgreSQL 调优、RLS 策略、备份恢复、安全加固都要自己做，官方托管要付费\n· 三套技术栈（Django + SvelteKit + Flutter）需同时维护，小团队人手紧张时移动端容易长期滞后\n· 项目由 MicroPyramid 主导，2.4k star 的社区规模远小于成熟商业 CRM，第三方插件与集成生态有限\n· 从 Salesforce/HubSpot 迁移虽有官方指引，但历史数据、自定义字段和自动化规则的实际搬迁仍需大量人工映射",
      "requirements": "后端：Python 3.12+、Django 6.x、Django REST Framework（README 徽章标注 python 3.12+/django 6.x）。数据库：PostgreSQL，必须支持行级安全 RLS（即 9.5+，生产建议 14+），这是多租户隔离的前提。前端：Node.js + SvelteKit 2.x / Svelte 5。移动端（可选）：Flutter 3.44+ 与对应 iOS/Android 构建环境。部署：推荐 Docker + docker compose（默认前端 5173、API 与 Swagger UI 8000），生产环境需自备反向代理、TLS 证书、对象/文件存储与备份方案。硬件：单公司小团队 2 核 4G 云主机起步即可，多租户或大数据量需按并发与库容量扩容。",
      "difficulty": "中",
      "best_for": "想彻底掌控客户数据、不接受按席位订阅费的中小团队和创业公司；以及有 Python 开发能力、希望基于主流栈自建 CRM 甚至对外提供多租户 SaaS 的技术型公司。",
      "alternatives": "SuiteCRM、EspoCRM、Odoo CRM（或 Twenty）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 8,
      "full_name": "MicroPyramid/Django-CRM",
      "name": "Django-CRM",
      "url": "https://github.com/MicroPyramid/Django-CRM",
      "stars": 2418,
      "forks": 1049,
      "open_issues": 53,
      "license": "MIT",
      "language": "Python",
      "category": "CRM/客户管理",
      "description": "Open Source CRM for Startups and enterprises. Django + SvelteKit · Self-hosted · Multi-tenant · Free forever",
      "value_note": "MIT + 永久免费 + 自托管。轻量级CRM，一人公司的客户管理不需要Salesforce那种庞然大物。Django生态成熟，二开成本低。",
      "archived": false,
      "last_pushed": "2026-09-11",
      "data_source": "github_api",
      "sources": "2026-06-16_10-50-39.md,2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "BottleCRM（原 MicroPyramid/Django-CRM）是一套可自托管的多租户 CRM，覆盖完整客户生命周期：线索、客户账户、联系人、商机、任务、发票，以及带 SLA 计时器、审批、升级、宏和知识库的完整工单/帮助台系统。它用一个 Django REST Framework 后端同时支撑三个前端：Svelte 5 + SvelteKit 2 的 Web 应用、Flutter 编写的 iOS/Android 原生 App，以及一份带 OpenAPI schema 的 REST API。多租户隔离不是靠应用层过滤，而是用 PostgreSQL Row-Level Security 在数据库层强制，所以一份部署既能服务单个公司，也能当作 SaaS 服务成百上千个租户。它解决的核心问题是：不想为 Salesforce/HubSpot 按人头付费、又不想把客户数据交给厂商的团队，可以用 MIT 许可免费自托管、无限用户和记录、无功能墙，并让 AI Agent 通过个人访问令牌以你的身份和权限读写数据。",
      "pros": "· MIT 许可、永久免费、无用户数和记录数上限，数据完全在自己数据库里，可自由 fork 和二次开发\n· 多租户用 PostgreSQL RLS 在数据库层做隔离，比只在应用层过滤更可靠，单个实例即可对外提供 SaaS\n· 技术栈主流（Django 6 + DRF + Svelte 5 + Flutter），会 Python 的团队当天就能改后端，不是自研私有框架\n· 一套后端同时提供 Web、原生移动端和带 OpenAPI 的 REST API，AI Agent 可直接用个人令牌以本人权限操作数据\n· 帮助台能力较完整（SLA、审批、升级、宏、知识库），不是随手拼一个工单列表\n· 有 Docker Compose 一键启动和 Read the Docs 完整文档，上手路径清晰",
      "cons": "· 依赖较重，完整跑起来需要 PostgreSQL、后端、前端、移动端多套服务，单机小团队维护成本不低\n· 项目从 Django-CRM 更名/重构为 BottleCRM，品牌与文档站点迁移中，旧教程、旧 issue 与现版本可能对不上\n· 强依赖 PostgreSQL 的 RLS 实现多租户，意味着基本被锁死在 PostgreSQL，换库成本高\n· 星数约 2.3k、社区规模远小于 SuiteCRM 等老牌项目，遇到冷门 bug 时外部资料少，商业支持主要靠 MicroPyramid\n· Flutter 移动端和最新 Django/Svelte 大版本意味着升级节奏快，生产环境需要跟着追版本",
      "requirements": "运行时：Python 3.12+、Django 6.x、Django REST Framework；前端 Node.js + Svelte 5 / SvelteKit 2.x；移动端 Flutter 3.44+（含 iOS/Android 构建工具链）。数据库：PostgreSQL（必须，因多租户依赖 Row-Level Security）。依赖：Redis/Celery 类异步与缓存组件（Docker Compose 已编排）、Docker 与 Docker Compose（推荐部署方式）。硬件：小型团队 2C4G 起步即可，但生产建议 4C8G 以上并配独立 PostgreSQL 实例；磁盘随附件与知识库增长。生产还需自行准备反向代理、HTTPS 证书与备份方案。",
      "difficulty": "中",
      "best_for": "适合有 Python 团队、重视数据主权和零按席位付费的初创公司或中小企业自建 CRM；也很适合想拿一套现成多租户 SaaS 底座（RLS + REST API + Web + 移动端）来二次开发或对外提供 CRM 服务的团队。",
      "alternatives": "SuiteCRM、EspoCRM、Twenty（twentyhq/twenty），以及 Odoo CRM / Vtiger CRM",
      "topics": null,
      "homepage": null
    },
    {
      "id": 63,
      "full_name": "jnMetaCode/agency-orchestrator",
      "name": "agency-orchestrator",
      "url": "https://github.com/jnMetaCode/agency-orchestrator",
      "stars": 2249,
      "forks": 300,
      "open_issues": 8,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "Agent中台/编排",
      "description": "🚀 One sentence → your one-person company of AI experts → complete deliverable in minutes. 276 CN + 184 EN + 5 more languages (ko/ru/pt-BR/id/ar) · zero-code YAML · auto-verified acceptance · Web Studio / Desktop / Docker · 15 LLM providers (11 key-free). 一句话组建你的「一人公司」AI 专家团队，几分钟交付完整方案；验收自动核验，网页 / 桌面 / Docker 全渠道。",
      "value_note": "中文生态+老板审批制设计正中痛点：AI团队干活不怕乱来，每步关键决策都等你拍板，一个人当老板指挥多个AI角色出完整方案，昨天还在更新。",
      "archived": false,
      "last_pushed": "2026-09-14",
      "data_source": "github_api",
      "sources": "2026-08-18_08-21-40.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "把一句话需求（如「帮我做AI自媒体副业规划」）交给它，程序自动拆解任务，从内置的 276 个中文专业 AI 角色（趋势研究员、财务规划师、内容策略师等）里挑人组队，按 DAG 依赖关系并行调度多次大模型调用，最后汇总输出一份完整方案。除 CLI 的 `ao compose ... --run` 外，还提供本地 Web Studio 图形界面：可视化拖拽画布编排节点、勾选或自建角色、一键运行并实时介入；内置「一人公司」模板（做产品/做内容/做投研），关键步骤带验收标准，投研流程设「老板签字」闸门。另有创意库（1500+ 图片提示词）与出片流水线（文生图、文生视频/图生视频、ffmpeg 多镜合成）、可分享的单文件 HTML 报告页、钉钉/飞书/企业微信结果推送，以及安全切换本机 Claude Code 服务商配置的辅助功能。",
      "pros": "· 零代码上手：一句话即可自动组队运行，也可用 YAML 定义工作流，无需写 Python 或手工建图\n· 内置 276 个中文专业角色，按领域分组，支持自建角色、收藏常用、多语言角色库一键切换\n· 免 key 可起步：自动探测并复用本机已登录的 Claude Code / Gemini CLI 等，同时兼容约 15 种模型（DeepSeek 成本低）\n· 交付形态完整：Web/桌面图形界面 + 可视化画布 + 分享报告页 + 群机器人推送 + Docker/NAS 部署\n· 依赖极轻（npm 加 2 个依赖）、本地运行、密钥不外传",
      "cons": "· 输出质量完全取决于所接模型，README 演示偏营销（如「月入2万」案例），实际效果需自行验证\n· 强绑定中文与微信生态，夹带大量官方课程与赞助商推广，商业化气味较重\n· 免 key 玩法依赖本机已安装并登录的对应 CLI，换机器或上 CI 时仍需自备 API key\n· 多智能体本质仍是 prompt 编排，复杂任务的稳定性与可复现性有限；「一键切换 Claude 服务商」有改坏本机配置的风险（官方称有备份与修复）",
      "requirements": "· 运行时 Node.js + npm（CLI 全局安装 `npm i -g agency-orchestrator`；桌面端为 Electron，自带 Node，支持 macOS/Windows/Linux）\n· 依赖极简，无数据库，数据与产物存本地（AO_DATA_DIR / AO_AGENTS_DIR / AO_HOME 可自定义）\n· 模型：需 API key（DeepSeek/OpenAI 等约 15 种）或本机已安装并登录的 CLI（claude-code / gemini-cli / codex-cli 等 11 种免 key 方式）\n· 视频合成需本机 ffmpeg；可选 Docker（amd64/arm64）或 NAS 部署\n· 硬件无特殊要求，普通开发机即可，模型算力在云端",
      "difficulty": "低",
      "best_for": "想用中文、零代码快速让多个 AI 专家协作产出方案/报告/内容的非程序员、创业者、自媒体与内容创作者；也适合想低门槛搭多智能体流水线的开发者。",
      "alternatives": "CrewAI、LangGraph、MetaGPT（同类还有 Dify、AutoGen）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 46,
      "full_name": "mettle/sendportal",
      "name": "sendportal",
      "url": "https://github.com/mettle/sendportal",
      "stars": 2172,
      "forks": 465,
      "open_issues": 52,
      "license": "MIT",
      "language": "PHP",
      "category": "营销/内容/获客",
      "description": "Open-source self-hosted email marketing. Manage your own newsletters at a fraction of the cost. ",
      "value_note": null,
      "archived": false,
      "last_pushed": "2024-04-19",
      "data_source": "github_api",
      "sources": "2026-07-23_10-18-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "SendPortal 是一个基于 Laravel 构建的开源自托管邮件营销平台，用来替代 Mailchimp、SendGrid 等 SaaS 群发服务。它提供订阅者与名单管理、邮件活动（Campaign）创建与群发、打开/点击行为追踪、发送报表统计，以及多工作区（多租户）与多发送域名支持。需要注意的是，它本身并不直接投递邮件，而是通过 API 对接 Amazon SES、Postmark、SendGrid、Mailgun、Mailjet 等第三方发送服务完成实际投递，SendPortal 负责的是订阅者管理、模板编辑、调度与数据统计这一层。整个项目由 SendPortal Core 包和一层包含登录认证、多工作区的外壳应用组成，因此既可以作为独立应用部署，也可以把 Core 包嵌入到已有的 Laravel 系统中。",
      "pros": "· MIT 许可证，代码与订阅者数据完全自托管，不受 SaaS 涨价、封号或数据政策影响\n· 不绑定单一发送商，可自由切换 SES/Postmark/SendGrid/Mailgun/Mailjet，配合 Amazon SES 可把发送成本压到极低\n· 基于 Laravel 10 + PHP 8.2，生态成熟、文档齐全，二次开发和自定义字段/模板都比较方便\n· 功能覆盖较全：名单管理、活动群发、打开点击追踪、报表、多工作区与多域名\n· 架构分层清晰，核心逻辑在独立的 sendportal-core 包里，可以只取 Core 嵌入已有应用复用现有用户体系",
      "cons": "· 自身不做 SMTP 投递，必须自备第三方 ESP 账号和 API 凭据，SES 还需自行处理沙箱申请、配额提升与退信投诉流程\n· 社区规模较小（约 2k star），中文资料几乎为零，遇到坑主要靠读源码和自己排查\n· 需要自己维护服务器、队列 worker、定时任务和数据库备份，运维成本不可忽视，不属于“装上就能忘”的工具\n· 缺少成熟的营销自动化/旅程编排能力，发送性能上限完全取决于所选 ESP，不适合超大规模或复杂自动化场景",
      "requirements": "PHP 8.2+（旧版本需用 V2，要求 PHP 7.3+/Laravel 8+）；Laravel 10+；Composer 管理依赖；MySQL ≥ 5.7 或 PostgreSQL ≥ 9.4；前端构建需要 Node.js/npm；运行需配置队列 worker（database 或 Redis 队列）与 cron 定时任务执行 scheduler；必须有一个第三方邮件发送服务账号（Amazon SES / Postmark / SendGrid / Mailgun / Mailjet）及其 API 密钥。硬件方面普通 1~2 vCPU、2GB 内存的 VPS 即可起步，实际发送吞吐压力在 ESP 侧，自建服务器压力很小。",
      "difficulty": "中",
      "best_for": "有一定 PHP/Laravel 与 Linux 运维能力、希望自己掌握订阅者数据、并想借助 Amazon SES 把群发成本压到极低的团队或个人开发者。不适合完全不想碰服务器和非技术背景的纯运营用户。",
      "alternatives": "Listmonk（Go 单二进制，部署极简，最常被拿来对比）、Mailtrain（Node.js 自托管 newsletter 平台）、Mautic（功能更重的营销自动化套件）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 96,
      "full_name": "catlog22/Claude-Code-Workflow",
      "name": "Claude-Code-Workflow",
      "url": "https://github.com/catlog22/Claude-Code-Workflow",
      "stars": 2131,
      "forks": 165,
      "open_issues": 0,
      "license": "MIT",
      "language": "TypeScript",
      "category": "编程Agent/开发",
      "description": " JSON-driven multi-agent  cadence-team development framework with   intelligent CLI orchestration (Gemini/Qwen/Codex),   context-first architecture, and automated workflow   execution",
      "value_note": null,
      "archived": true,
      "last_pushed": "2026-06-18",
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个围绕 Claude Code 及同类 CLI 编码代理（Gemini、Qwen、Codex、OpenCode）编排的「多智能体开发工作流框架」，用 npm 全局安装后通过 ccw install 把技能包与命令注入到本地。它本身不是一个写代码的工具，而是给 AI 编码代理加一层流程管理：用 JSON 模板定义工作流，按「lite-plan（轻量规划）/ workflow-plan（带会话持久化的完整规划）/ workflow-tdd-plan（测试驱动）/ brainstorm（多角色头脑风暴）」等技能触发词启动任务，再由 Team Architecture v2 把角色化子代理（规划者、执行者、评审者）组织成内循环执行；同时提供后台队列调度器、终端多窗格仪表盘、会话 start/resume/complete/sync 生命周期管理，以及 Agent-to-User 交互确认界面，解决的是「一次性对话式让 AI 写代码不可控、无法复用流程、无法多模型协作」的问题。",
      "pros": "· 把 AI 编码从「单轮对话」升级为可定义、可复用的 JSON 工作流，规划/执行/测试阶段分离，长任务不易跑偏\n· 支持 Gemini、Codex、Qwen、Claude 等多 CLI 编排与自动选型，可让不同模型各司其职（如一个做规划一个做实现）\n· 内置会话生命周期、队列调度、终端多窗格仪表盘与可视化编排编辑器，工程化程度比多数提示词仓库高一截\n· MIT 许可、npm 一行安装，提供 lite-plan 到 brainstorm 的多档技能，可按任务复杂度选轻量或重量方案",
      "cons": "· 项目已归档（Archived），作者明确表示全部开发转移到 Maestro Flow，本文档所述技能与命令不会再修 bug 或加特性，长期使用有断供风险\n· 依赖 Claude Code / Codex 等外部 CLI 的私有能力（如 Codex 需在 config.toml 里开启 multi_agent、enable_fanout 等实验特性），上游一改配置就容易失效\n· 属于「提示词 + 脚本编排」层，跨模型调用会消耗多份 API 额度，成本和 token 消耗明显高于直接对话\n· 文档以英文为主、概念密度高（Skills vs Commands、Team Architecture v2 等），非作者本人上手有一定学习曲线",
      "requirements": "运行环境：Node.js（用于全局安装 npm install -g claude-code-workflow，建议 LTS 18+），操作系统为 macOS / Linux / WSL，Windows 原生支持有限（依赖终端多窗格与 shell 脚本）。必须预装至少一个被编排的 AI CLI：Claude Code、Gemini CLI、Codex CLI、Qwen Code 或 OpenCode，并配置好各自的 API Key 与额度。Codex 用户还需在 ~/.codex/config.toml 中开启 default_mode_request_user_input、multi_agent、multi_agent_v2、enable_fanout 等 feature 开关。无数据库要求，工作流定义与会话状态以 JSON/文件形式存于项目与用户目录。硬件无特殊要求，普通开发机即可，主要成本在网络与服务端推理额度。",
      "difficulty": "中",
      "best_for": "已经在用 Claude Code、Codex 等 AI 编码 CLI，但觉得单轮对话难以控制、希望把规划-执行-测试沉淀成标准化流程并尝试多模型协作的个人开发者或小团队。新项目建议直接上其后继 Maestro Flow。",
      "alternatives": "Maestro Flow（同作者后继项目，含知识图谱与自适应生命周期引擎）；BMAD-METHOD（敏捷多角色 AI 代理方法论框架）；AutoGen / CrewAI（通用多智能体编排框架）；Claude Code 官方 Subagents + Hooks 原生方案",
      "topics": null,
      "homepage": null
    },
    {
      "id": 467,
      "full_name": "BetaStreetOmnis/xhs_ai_publisher",
      "name": "xhs_ai_publisher",
      "url": "https://github.com/BetaStreetOmnis/xhs_ai_publisher",
      "stars": 2088,
      "forks": 301,
      "open_issues": 7,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "营销/内容/获客",
      "description": "AI-powered Xiaohongshu/Rednote content creation and publishing tool with PyQt desktop UI, FastAPI service, login-state reuse, preview publish, and automated browser workflows.",
      "value_note": "适合需要批量运营小红书账号的个人创作者、MCN 或内容代运营团队，用来自动化选题、出图与发布；也适合想研究「LLM 内容生成 + Playwright 浏览器自动化 + 登录态复用」结合的开发者参考。",
      "archived": false,
      "last_pushed": "2026-06-28",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个面向小红书（Rednote）创作者的自动化内容生产与发布工具。它通过接入 OpenAI 兼容/Claude/Ollama 等大模型接口，按主题自动生成标题、正文和标签，并套用内置模板输出封面图与多页内容图；同时聚合微博、百度、头条、B站等热榜作为选题来源，也支持粘贴网页链接导入标题/正文/图片。发布端基于 Playwright 驱动真实 Chrome，完成手机号登录、扫码/滑块风控处理、从系统 Chrome 导入登录态，并在登录态复用后执行发布前预览、一键发布或定时无人值守发布。程序同时提供 PyQt 桌面 GUI 和 FastAPI + Playwright 的 Web/Docker 无头服务两种形态，登录态、配置、加密 API Key 与日志统一落地在本地 ~/.xhs_system/ 目录，支持多账号数据隔离。",
      "pros": "· 端到端闭环：AI 选题与文案生成、封面/内容图出图、浏览器自动发布全流程打通，省去多工具来回切换\n· 双重形态：既有 PyQt 桌面 GUI 方便人工预览确认，也有 FastAPI + Playwright 的 Web/Docker 无头服务适合服务器常驻\n· 登录态复用设计务实：支持从系统 Chrome 多个 Profile 导入 storage_state/cookies，绕开反复扫码与短信风控，并按用户隔离数据\n· 模型接口可插拔（OpenAI 兼容/Claude/Ollama），未配置 Key 时回退内置方案，API Key 本地加密存储\n· 内置多平台热榜采集，templates/prompts 模板可自行扩展，内容风格与选题来源可定制",
      "cons": "· 强依赖小红书页面 DOM 与风控策略，平台前端一改版或加强反爬就可能失效，维护成本高且存在账号被限流/封禁风险\n· PyQt5 对 Python 版本敏感，3.13 或 32 位 Python 容易装不上，Windows/macOS 桌面依赖较多，安装踩坑概率不低\n· 定时发布要求程序常驻且账号保持登录；Docker 无头模式还需先在可视化环境拿到登录态再挂载目录进容器，链路较长\n· 属于平台规则边缘的自动化操作类工具，合规性与服务条款风险需自行评估",
      "requirements": "Python 3.8+（Windows 建议 3.11/3.12 64 位，Python 3.13 或 32 位常导致 PyQt5 安装失败）；需 Playwright 及其浏览器运行时或最新版系统 Chrome；内存 4GB+（推荐 8GB 以上），磁盘 2GB+；无需外部数据库，用户/配置/日志/登录态存放在本地 ~/.xhs_system/（可用 XHS_DATA_DIR 覆盖），API Key 加密存于 keys.enc；AI 生成需自备 OpenAI 兼容/Claude/Ollama 接口，否则回退内置方案；Web/Docker 模式需 Docker + docker compose，默认暴露 8000 端口（/healthz、/readyz 健康检查），建议挂载 ./docker-data:/data。",
      "difficulty": "中",
      "best_for": "适合需要批量运营小红书账号的个人创作者、MCN 或内容代运营团队，用来自动化选题、出图与发布；也适合想研究「LLM 内容生成 + Playwright 浏览器自动化 + 登录态复用」结合的开发者参考。",
      "alternatives": "xiaohongshu-mcp（MCP 协议版小红书自动化）、xhs-toolkit、social-auto-upload（多平台视频/图文自动发布）",
      "topics": "ai, automation, fastapi, playwright, pyqt5, rednote, xiaohongshu",
      "homepage": "https://xhsaipublisher.com/"
    },
    {
      "id": 78,
      "full_name": "doobidoo/mcp-memory-service",
      "name": "mcp-memory-service",
      "url": "https://github.com/doobidoo/mcp-memory-service",
      "stars": 1944,
      "forks": 318,
      "open_issues": 24,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "Open-source persistent memory for AI agent pipelines (LangGraph, CrewAI, AutoGen) and Claude. REST API + knowledge graph + autonomous consolidation.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-14",
      "data_source": "github_api",
      "sources": "2026-09-15_08-05-38.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "mcp-memory-service 是一个自托管的 AI 智能体持久化记忆后端。它解决的核心问题是：LLM 会话一结束就\"失忆\"，用户和多个 Agent 之间无法共享上下文与决策记录。服务把记忆存成本地向量库（ChromaDB/SQLite，嵌入用 ONNX 本地推理，数据不出内网），并同时暴露 MCP 协议、REST API（约 76 个端点）、CLI 和 Web 仪表盘四种接入方式。除了普通的键值式记忆检索（号称 5ms 级别），它最大的特色是因果知识图谱：记忆节点之间可以带类型化边（causes、fixes、contradicts），Agent 之间能共享\"为什么这么改\"的因果链而不只是孤立事实。还支持 X-Agent-ID 自动按 Agent 身份打标、conversation_id 绕过去重做增量对话存储、SSE 实时事件通知，以及自主记忆整合压缩旧记忆以对抗上下文窗口限制。",
      "pros": "· 一套服务覆盖 MCP / REST / CLI / Dashboard 四种接入方式，LangGraph、CrewAI、AutoGen、Claude Desktop、Cursor 等框架都能直接接\n· 嵌入模型通过 ONNX 本地运行，记忆与向量不出自有基础设施，无云厂商锁定、无按 token 计费成本\n· 提供带类型边的因果知识图谱，比纯向量检索多了\"谁导致了谁、谁修复了谁\"的关系推理能力\n· 支持 X-Agent-ID 与 conversation_id，天然适配多 Agent 协作和增量对话累积场景\n· Apache-2.0 许可，pip 一条命令安装，单机即可起步，也支持 HTTP 远程 MCP 与 OAuth 2.0 + DCR 多用户部署",
      "cons": "· 仓库已迁移：当前这份是只读存档副本，CI 不再运行，issue/PR 提交无人处理，官方要求转到新地址（doobidoo/mcp-memory-service）\n· 项目同时维护四种传输层、知识图谱、OAuth、SSE 等大量功能，意味着配置项繁多、生产化部署（反向代理、鉴权、持久化卷）不是开箱即用\n· 记忆去重与自主整合（consolidation）策略会直接影响检索质量，需要按业务调参和定期运维，否则容易出现冗余或误合并\n· 依赖本地 ONNX 嵌入模型，首次拉取模型文件需要网络；纯 CPU 推理在记忆量很大时写入吞吐会受限\n· 单作者为主的社区项目，长期维护节奏与生态兼容性存在不确定性",
      "requirements": "语言/运行时：Python 3.10+（通过 PyPI 包 mcp-memory-service 安装）。存储：默认内置 ChromaDB 或 SQLite（sqlite-vec）向量存储，数据与模型落本地磁盘，无需外部数据库；大规模部署可替换为外部向量库。嵌入：ONNX Runtime + 本地句向量模型（如 all-MiniLM 类），无需 GPU，纯 CPU 可跑。客户端：任意 MCP 客户端（Claude Desktop / Claude Code / Cursor）或任意 HTTP 客户端。可选：HTTP 模式监听 8000 端口，需配置 MCP_ALLOW_ANONYMOUS_ACCESS 或 OAuth 2.0 + DCR 鉴权、TLS 反向代理。硬件：常规 4GB+ 内存的开发机或小型服务器即可，磁盘按记忆规模增长，无需专用 GPU。",
      "difficulty": "中",
      "best_for": "需要给多个 Agent 或长期项目做跨会话、跨框架共享记忆，且对数据主权敏感（不愿把上下文送进云端记忆服务）的团队与个人开发者；尤其适合已经在用 LangGraph / CrewAI / AutoGen 并把 Claude Desktop 当日常助手的用户。",
      "alternatives": "Mem0（托管/自托管 Agent 记忆层，生态最广）、Zep（带时序知识图谱的记忆服务）、Letta（原 MemGPT，把记忆做进 Agent 运行时）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 97,
      "full_name": "agentjido/jido",
      "name": "jido",
      "url": "https://github.com/agentjido/jido",
      "stars": 1858,
      "forks": 118,
      "open_issues": 11,
      "license": "Apache-2.0",
      "language": "Elixir",
      "category": "数字员工/Agent框架",
      "description": "🤖 Autonomous agent framework for Elixir. Built for distributed, autonomous behavior and dynamic workflows.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-14",
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Jido 是一个面向 Elixir 的自主体（autonomous agent）框架，目标是把\"多个协作代理\"这件事从零散的手写 GenServer 代码抽象成一套可复用模式。它的核心是：Agent 本身是不可变数据结构（Elm/Redux 风格），通过唯一的 cmd/2 函数接收 Action，返回新的 agent 状态和一组 Directives；Action 负责具体计算与状态变换，Signal（基于 CloudEvents 的信封格式）把外部事件路由进系统，Directive 则描述由运行时统一执行的外部副作用（如 Emit、Spawn、SpawnAgent、Schedule、Stop 等）。框架运行在 OTP/GenServer 之上，自带父子代理层级、生命周期管理、监督树、实例级隔离与多租户分区。AI 是可选能力：核心包只提供代理架构与运行时，需要调用大模型时再引入 jido_ai、req_llm 等配套包。",
      "pros": "· 用不可变的 cmd/2 纯函数做决策逻辑，状态流转显式可测，调试和回放比散落副作用的 GenServer 轻松很多\n· 复用 OTP 监督树、进程隔离和容错，长期运行、崩溃自愈这类生产需求天然满足\n· 把消息信封（Signal）、命令（Action）、副作用（Directive）三者标准化，多代理协同时不用重复发明协议\n· 生态拆包清晰（jido_action / jido_signal / jido_ai / req_llm），AI 集成按需引入，核心保持轻量\n· 插件机制支持 schema 自动合并和生命周期钩子，能力可组合复用",
      "cons": "· 只用 Elixir/OTP 语言栈，团队若非 Elixir 背景基本无法引入，招人和生态都窄\n· 概念密度偏高（Agent/Action/Signal/Directive/Plugin/执行策略），需要先理解其\"纯度边界\"哲学才能用顺\n· 生态尚在早期，jido_ai 等配套包成熟度和文档深度不及 Python 阵营的同类框架\n· 完全没有 AI 也能跑，但若你只要单模型链式调用，这套架构属于明显的过度设计",
      "requirements": "语言/运行时：Elixir（建议 1.16+）与 Erlang/OTP（建议 26/27），依赖 Hex 与 Mix 构建；核心依赖包括 nimble_options 或 zoi（状态 schema 校验）、jido_action、jido_signal，AI 场景需额外引入 jido_ai、req_llm 及对应 LLM 服务的 API Key。数据库：核心不需要，持久化需自行接入 Postgres/Redis 等。硬件：普通开发机即可，无 GPU 要求（模型走 API）；生产上按代理数量依赖 BEAM 的进程与内存开销，属于轻量级。",
      "difficulty": "中",
      "best_for": "适合已经在用 Elixir/OTP 构建后端、需要长期运行且要求高可用的多代理协作或工作流编排系统的团队；也适合想用纯函数式、显式状态机方式来组织代理逻辑、而不喜欢 Python 式隐式链的工程师。",
      "alternatives": "LangGraph（Python，图式代理编排）、CrewAI（Python，多角色代理协作）、AutoGen（微软，多代理对话式协作）；Elixir 侧也可直接用原生 GenServer 或 Jido 生态内更轻的 jido_action 自建。",
      "topics": null,
      "homepage": null
    },
    {
      "id": 457,
      "full_name": "guchengwuyue/yshop-crm",
      "name": "yshop-crm",
      "url": "https://github.com/guchengwuyue/yshop-crm",
      "stars": 1856,
      "forks": 557,
      "open_issues": 9,
      "license": "MIT",
      "language": "Java",
      "category": "CRM/客户管理",
      "description": "yshop-crm意象CRM系统(支持企业微信)，专门为企业销售团队量身定制的工具(且支持多租户与SCRM企业微信)，全面解决企业销售团队的全流程客户服务难题旨在助力企业销售全流程精细化、数字化管理，全面解决企业销售团绩。",
      "value_note": "需要一套可自主部署、可深度二次开发的中小企业销售团队或 SaaS 厂商，尤其是重度使用企业微信做私域客户运营、想省去从零造 CRM 的团队。",
      "archived": false,
      "last_pushed": "2026-09-24",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "yshop-crm（意象 CRM）是一套面向企业销售团队的前后端分离客户关系管理系统，覆盖从线索、客户、商机、合同、发票、回款到项目交付的完整销售链路。它把销售过程数字化：销售可在系统中录入线索并转化客户、推进商机阶段、生成合同与回款计划、跟进拜访签到；管理者可通过控制台销售简报、业绩目标、员工业绩、客户级别/来源/行业、跟进分析与合同排行等报表量化销售行为、考核团队绩效。此外还内置办公协同模块（审批流程、日程、通知、工作报告）、企业组织架构（员工/角色/部门/岗位）、商品与支付配置的轻量商城，以及多租户能力。最大的特色是集成企业微信 SCRM：支持企微群发、客户标签、呼叫中心等，并能通过 uni-app 小程序和公众号在移动端触达客户。",
      "pros": "· 功能覆盖完整，销售全流程（线索→客户→商机→合同→回款→项目）开箱即用，还附带审批、日程、报表等办公模块\n· 原生支持企业微信 SCRM 与多租户，适合需要企微私域运营的销售团队\n· 技术栈现代主流：Spring Boot 3 + JDK 17 + Spring Security OAuth2 + MyBatis Plus + Redis + Vue3 + Element Plus，便于招人和二次开发\n· MIT 协议，个人与企业可 100% 免费商用，无需保留版权信息，二开限制少\n· 提供 uni-app 移动端、公众号、演示站与视频教程、QQ 交流群，社区文档相对友好",
      "cons": "· 作为业务系统，核心价值在业务逻辑而非技术壁垒，前端/后端代码量庞大，二开后升级与合并官方改动的成本高\n· 企业微信、呼叫中心、支付等能力依赖第三方平台的资质、企业认证与付费接口，落地需自行申请配置\n· 部分高级功能与二开定制、详细文档可能引导至官网/QQ群/付费渠道，纯开源部分的文档完整度有限\n· 单仓库前后端分离但未见容器化/一键部署方案，多环境部署与生产运维需自行搭建 CI/CD、监控与备份",
      "requirements": "后端：JDK 17、Maven 3.8+、Spring Boot 3；数据库 MySQL 8（需导入 sql/yshop-crm.sql）；缓存 Redis 6+；前端：Node.js 16+、pnpm/npm、Vue3 + Element Plus；移动端 uni-app（可用 HBuilderX）；开发工具 IDEA + VS Code。硬件建议 4 核 8G 以上服务器用于生产（JVM + MySQL + Redis），本地开发 8G 内存起步。企业微信/公众号/支付功能需额外申请对应开放平台账号与证书。",
      "difficulty": "中",
      "best_for": "需要一套可自主部署、可深度二次开发的中小企业销售团队或 SaaS 厂商，尤其是重度使用企业微信做私域客户运营、想省去从零造 CRM 的团队。",
      "alternatives": "悟空 CRM（72crm）、RuoYi-Vue-Pro 自带的 CRM 模块、Odoo CRM、SuiteCRM / EspoCRM（PHP 系）",
      "topics": null,
      "homepage": "https://www.yixiang.co"
    },
    {
      "id": 69,
      "full_name": "ReScienceLab/opc-skills",
      "name": "opc-skills",
      "url": "https://github.com/ReScienceLab/opc-skills",
      "stars": 1810,
      "forks": 165,
      "open_issues": 11,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "其他",
      "description": "Agent Skills for Solopreneurs",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-14",
      "data_source": "github_api",
      "sources": "2026-08-25_08-20-55.md,2026-09-08_08-07-01.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "opc-skills 是一套面向独立开发者、一人公司（OPC）和 Indie Hacker 的 AI Agent「技能包」合集。它本身不是可运行的程序，而是由若干自包含的文件夹组成，每个技能内含 SKILL.md 指令、脚本与资源，被 Claude Code、Cursor、Codex、Windsurf、Droid、OpenCode 等 16+ 款 AI 编程助手按需动态加载。收录的技能覆盖从找需求到上线的完整链路：seo-geo 做面向 ChatGPT/Perplexity/Google 的 SEO 与 GEO 优化，requesthunt 从 Reddit、X、GitHub 挖用户需求，domain-hunter 比价挑域名和优惠码，logo-creator、banner-creator、nanobanana 生成品牌图与配图，reddit/twitter/producthunt 抓取社媒与榜单情报，archive 把会话经验沉淀为可检索的 markdown 知识库。它解决的是独立开发者一个人干完调研、品牌、流量、素材时缺少工具链的问题。",
      "pros": "· 覆盖独立开发者全流程：选需求→域名→Logo/横幅→SEO→社媒分发，一个仓库全包\n· 安装极简，npx skills add 一条命令即可接入 16+ 种 AI 工具，也可走 Claude Code 插件市场\n· 采用开放的 Agent Skills 标准（SKILL.md），纯指令+脚本，易于阅读、Fork 和自行改写成私有技能\n· 技能模块化、可单独安装，并显式声明依赖关系（如 domain-hunter 依赖 reddit/twitter）\n· 社区活跃度高（1.7k+ Star、Discord、skills.sh 浏览站），Apache-2.0/MIT 宽松许可",
      "cons": "· 仓库本身几乎没有引擎代码，价值全在提示词与流程编排，效果高度依赖底层模型能力与调用者的提问质量\n· 多个核心技能依赖第三方付费/受限服务：twitter 需 twitterapi.io Key，logo/banner/nanobanana 需 Gemini 图像 API Key，会产生持续调用成本\n· 通过 npx / 插件市场安装意味着引入第三方供应链与自动更新风险，企业环境需审查\n· 技能内容以英文为主，且社媒抓取类技能可能受平台 API 限流或 ToS 变化影响而失效",
      "requirements": "· 安装端：Node.js（npx skills add）或支持插件市场的 Claude Code；需网络访问\n· 客户端：兼容 Agent Skills 标准的 AI 编程助手，如 Claude Code、Cursor、Windsurf、Factory Droid、OpenCode、Codex 等 16+ 种\n· 凭证：twitter 技能需 twitterapi.io API Key；nanobanana/logo-creator/banner-creator 需 Gemini（Nano Banana Pro）图像 API Key；domain-hunter 需联网查询注册商价格\n· 数据库：无；本地需文件读写权限（archive 技能写 markdown）\n· 硬件：无特殊要求，普通笔记本即可，主要成本是第三方 API 调用费",
      "difficulty": "低",
      "best_for": "适合单打独斗的独立开发者、Indie Hacker 和一人公司创始人，尤其是已经在用 Claude Code/Cursor 等 AI 编程助手，希望把市场调研、SEO、域名筛选、Logo/横幅制作和社媒情报这些重复劳动交给 Agent 自动跑通的人。",
      "alternatives": "Anthropic 官方 anthropics/skills 仓库；obra/superpowers 技能集；awesome-claude-code-skills 类聚合清单；通用集成方向可看 MCP（Model Context Protocol）服务器生态，如 Composio",
      "topics": null,
      "homepage": null
    },
    {
      "id": 81,
      "full_name": "open-mercato/open-mercato",
      "name": "open-mercato",
      "url": "https://github.com/open-mercato/open-mercato",
      "stars": 1732,
      "forks": 406,
      "open_issues": 1099,
      "license": "MIT",
      "language": "TypeScript",
      "category": "自动化/集成",
      "description": "The AI-Engineering Foundation Framework for CRM/ERP and commerce: open-source TypeScript, with multi-tenancy, RBAC, events and domain modules already decided as conventions and specs, so Cursor, Claude Code and Codex build features instead of re-deciding architecture. Start with 80% done.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-15",
      "data_source": "github_api",
      "sources": "2026-09-15_08-05-38.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Open Mercato 是一个基于 Next.js App Router + TypeScript 构建的开源「AI 工程基础框架」，同时提供可直接使用的 CRM/ERP/电商业务模块。它解决的核心问题是：AI 编程助手（Cursor/Copilot）能生成代码，却不知道代码该放在项目哪一层、如何分层、如何在几十名工程师协作下保持一致。Open Mercato 通过模块化架构（src/modules/<module> 自动发现前端页面、API、CLI、i18n、数据库实体）和架构感知的 AI harness/skills，让 AI 代理知道「代码放哪儿」而非只知「怎么写」，并配套规格优先（spec-first）开发、代码评审、工单流与调试技能。内置多租户、分层组织、功能级 RBAC、自定义实体与动态表单、事件订阅与工作流、混合 JSONB 索引与缓存，宣称让业务应用「开局即完成 80%」，剩下 20% 差异化部分自行开发。",
      "pros": "· 模块化 + 自动发现（页面/API/CLI/实体/迁移按模块隔离），扩展和覆盖（overlay）机制灵活，无需全局 schema\n· 架构感知的 AI 开发范式（harness + skills + spec-first），把 AI 从「写代码」提升到「按架构放代码」，适合团队规模化协作\n· 开箱即用的 CRM/ERP/OMS/销售等企业级业务模块，省去从零搭建\n· 默认多租户、分层组织树、功能级 RBAC，SaaS 就绪；混合 JSONB 索引 + 缓存保证自定义字段查询性能\n· MIT 许可、无按席位收费锁定，代码完全自有；技术栈现代（Next.js、TypeScript、zod、Awilix DI、MikroORM）",
      "cons": "· 项目较新、生态与文档仍在完善，生产环境实战案例和社区积累有限，踩坑需自行承担\n· 技术栈较重且紧耦合（Next.js + MikroORM + Awilix DI + 自研模块体系），学习曲线陡，偏离框架约定后改造代价高\n· 「AI 80% 完成度」依赖 AI 工具链和团队工程规范，效果因团队与使用方式差异大，并非拿来即用\n· 语言标识未知、部分架构文档仍在补充，需仔细核对各模块成熟度与测试覆盖再上生产",
      "requirements": "语言/运行时：Node.js（建议 LTS，配合 Next.js App Router 与 TypeScript）；数据库：PostgreSQL（依赖 MikroORM 的 JSONB 与按模块迁移）；依赖：Next.js、TypeScript、zod、Awilix（依赖注入）、MikroORM、bcryptjs；可选 Redis（用于持久化事件订阅/工作流）；包管理与构建走 Node 生态（pnpm/npm）；开发时推荐搭配 AI 编程助手（Cursor/Copilot）；硬件无特殊要求，常规开发机即可，生产按 PostgreSQL + 应用实例规模扩容。",
      "difficulty": "高",
      "best_for": "已经部署 Cursor/Copilot 但发现「AI 只会写代码、不会管架构」的 CTO/技术负责人，以及想快速搭建带 CRM/ERP/多租户能力的专业业务后端、又不想被 SaaS 按席位锁定的团队。",
      "alternatives": "二十 Twenty（twentyhq/twenty）、Medusa、Odoo（开源 ERP/CRM 套件）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 98,
      "full_name": "rulego/rulego",
      "name": "rulego",
      "url": "https://github.com/rulego/rulego",
      "stars": 1602,
      "forks": 156,
      "open_issues": 4,
      "license": "Apache-2.0",
      "language": "Go",
      "category": "其他",
      "description": "⛓️RuleGo is a lightweight, high-performance, embedded, next-generation component orchestration rule engine framework for Go.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-14",
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "RuleGo 是一个用 Go 编写的轻量级、高性能、可嵌入式规则引擎与编排框架。它把业务逻辑拆解成一个个可复用的「组件」（如消息类型判断、JavaScript 过滤/转换、HTTP 推送、MQTT 推送、发邮件、写日志等），再通过 JSON 描述的「规则链」把这些组件按顺序或分支连接起来，由引擎在运行时驱动执行。开发者可以直接把 RuleGo 作为库嵌入到现有 Go 程序中，也可以独立部署成服务对外提供规则编排能力。它内置 HTTP、MQTT、TCP/UDP、Kafka、定时任务等端点（Endpoint），能从多种协议接收数据，做过滤、聚合、转换、富化后再分发到数据库、消息队列或第三方系统，并且支持通过 Go plugin 动态加载组件、嵌套子规则链、AOP 切面和上下文隔离，从而在不重启主程序的前提下热更新业务规则。",
      "pros": "· 轻量嵌入式，无外部中间件强依赖，Go 单二进制即可运行，适合边缘计算和物联网设备\n· 性能好，借助 Go 协程池、对象池和上下文隔离机制，高并发下数据不会串流\n· 组件化 + 规则链 JSON 编排，支持运行时动态增删替换节点，实现规则热更新\n· 内置大量现成组件和协议端点（HTTP/MQTT/Kafka/TCP/UDP/定时等），集成第三方系统成本低\n· 扩展性好，可自定义组件、Go plugin 动态加载、嵌套子规则链，并提供 AOP 机制不改原逻辑增强行为\n· Apache-2.0 许可证，商用友好，社区活跃（Awesome Go 收录）",
      "cons": "· 规则链以 JSON 配置维护，链一复杂可读性和调试体验会明显下降，缺少可视化编辑时容易写错\n· 生态和资料以中文为主，英文文档/社区案例相对少，遇到冷门问题排查成本高\n· Go plugin 动态加载存在平台限制（Windows 支持差）和版本兼容坑，跨版本升级易踩雷\n· 定位是编排/胶水层，复杂状态机、长事务、强一致流程并非其擅长场景，硬套会别扭",
      "requirements": "语言/运行时：Go 1.18+（使用泛型相关特性建议 1.20+）。依赖：核心模块无强制外部中间件，仅需少量 Go 依赖；要用到 MQTT/Kafka/Redis 等端点时需自备对应服务。数据库：核心不需要，若使用数据库类组件则需 MySQL/PostgreSQL/Redis 等。硬件：无特殊要求，作为嵌入式库可在低功耗 ARM 边缘设备（如树莓派级别）运行，内存占用与规则链规模相关。动态加载组件需 CGO/Go plugin 支持的平台（Linux/macOS），Windows 支持受限。",
      "difficulty": "中",
      "best_for": "需要在 Go 项目中做业务解耦、数据过滤转换分发、协议对接 glue 层的后端/IoT 开发者，尤其是边缘计算、设备联动、异构数据集中处理和希望规则热更新不重启服务的团队。",
      "alternatives": "GoRules/ZEN Engine、Drools（Java）、Easy Rules（Java）、n8n / Node-RED（低代码编排，非嵌入式）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 68,
      "full_name": "gitcoffee-os/postbot",
      "name": "postbot",
      "url": "https://github.com/gitcoffee-os/postbot",
      "stars": 1428,
      "forks": 200,
      "open_issues": 5,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "其他",
      "description": "PostBot 内容同步助手 一款开源的多平台内容同步分发生产力工具。 支持将文章、笔记、动态、图片、视频、音频等内容，一键同步发布至主流媒体平台。覆盖微信/微博/今日头条/小红书/知乎/百家号/企鹅号/视频号/抖音/快手/哔哩哔哩（B站）等国内主流媒体平台，可轻松扩展兼容 X（Twitter）、Facebook、Instagram、TikTok、YouTube、LinkedIn 等国际媒体平台。",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-08-29",
      "data_source": "github_api",
      "sources": "2026-08-25_08-20-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "PostBot 是一个开源的多平台内容同步分发工具，主要形态是浏览器扩展。它解决的核心痛点是：自媒体创作者、运营人员需要把同一篇内容（文章、笔记、动态、图片、视频、音频）反复复制、重新排版、逐个登录后台上传到微信公众号、微博、今日头条、小红书、知乎、百家号、企鹅号、视频号、抖音、快手、B站等多个平台的繁琐流程。用户只要在 PostBot 中编辑一次内容（支持 HTML/Markdown），即可一键批量同步发布到所有已登录的平台。它通过复用浏览器本地登录态直接操作各平台，不上传、不云端存储账号凭证，以规避隐私风险；另外还内置网页智能阅读器用于提取网页正文，并可通过插件、SDK、API、MCP、CLI 等方式做二次扩展。",
      "pros": "· 一次编辑、一键同步发布到多个国内主流媒体平台，省去重复排版与逐个后台粘贴\n· 本地化操作、复用浏览器本地登录态，不上传账号密码，隐私与安全风险相对较低\n· 核心同步引擎默认不消耗 AI Token，社区版免费开源，可零成本使用核心分发功能\n· 支持文章/笔记/动态/图片/视频/音频及 HTML、Markdown，平台覆盖广且可扩展国际平台\n· 提供插件、SDK、API、MCP、CLI、AI 智能体等扩展能力，便于二次开发与业务集成",
      "cons": "· GitHub 主线是快速迭代的开发版，稳定性无保障，README 明确建议使用稳定版 v1.1.20\n· 强依赖各平台网页结构与登录态，平台改版或风控（验证码、滑块、限流、封号）易导致发布失败\n· 文档、体验与部分扩展能力多指向官方站点 postbot.exmay.com，可能需要注册云端账号才能完整体验\n· 许可证为 GitCoffee 开源协议，基于 Apache 2.0 但附加额外限制，商用前需仔细核对条款",
      "requirements": "终端使用：现代 Chromium 内核浏览器（Chrome/Edge 等）安装浏览器扩展，并保持各目标平台的登录状态；默认同步引擎无需数据库、无需 AI API Key。开发构建：需要 Node.js（建议 18 LTS 及以上）配合 pnpm/npm 及前端构建工具链，参考官方开发指南。硬件：普通 PC/Mac（4GB 内存以上）即可，本体资源占用低。可选集成：Playwright、PageAgent、OpenClaw、Hermes Agent 等自动化引擎，以及可选的 AI API Key。",
      "difficulty": "中",
      "best_for": "需要把同一内容一键分发到多个国内自媒体平台的个人创作者、自媒体运营和中小团队；也适合希望基于其 SDK/CLI/API/MCP 做内容分发集成的开发者。",
      "alternatives": "· Wechatsync（浏览器插件，多平台文章同步）\n· ArtiPub（开源文章多平台发布工具）\n· 易媒助手 / 新媒体管家（商业化的多平台内容分发工具）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 99,
      "full_name": "obsei/obsei",
      "name": "obsei",
      "url": "https://github.com/obsei/obsei",
      "stars": 1427,
      "forks": 177,
      "open_issues": 37,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "自动化/集成",
      "description": "Obsei is a low code AI powered automation tool. It can be used in various business flows like social listening, AI based alerting, brand image analysis, comparative study and more .",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-02-04",
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Obsei 是一套面向「社交聆听 + 自动告警」的低代码 AI 自动化框架，核心由三部分组成：Observer（观察者）从 Twitter、Reddit、Facebook 页面评论、Google Play/App Store 应用商店评论、Google 评论、Amazon 评论、新闻网站等渠道抓取非结构化文本；Analyzer（分析器）用 AI 模型对这些文本做分类、情感分析、翻译、PII 检测等任务；Informer（通知器）把分析结果推送到工单系统、数据库、DataFrame 等下游。三者可像流水线一样自由组合，各 Observer 还能把抓取状态存进 SQLite/Postgres/MySQL，因此可以做成定时任务或 Serverless 应用。它解决的是：把散落在各平台上的用户吐槽、评论、线索自动收集→理解→分发，省去人工盯评论、手工登记工单的重复劳动，例如自动把社媒投诉转成带标签的客服工单。",
      "pros": "· 模块化设计（Observer/Analyzer/Informer 三段式），像搭积木一样组合数据源、AI 任务和输出目标，扩展性较好\n· 数据源和输出目标覆盖较广，内置 Twitter、Reddit、App Store、Google Play、新闻/网页等多渠道采集器\n· AI 分析直接复用 Hugging Face 生态，分类、情感、翻译、PII 等任务开箱即用\n· 采集状态可持久化到数据库，天然适合定时轮询、Serverless/云函数场景\n· Apache-2.0 许可，可商用，且有活跃的 Slack 社区和定期发布版本",
      "cons": "· 项目仍处于 alpha 阶段，README 明确提示 master 分支可能有破坏性变更，不建议直接用于生产\n· 依赖较重，安装 obsei[all] 或 analyzer 会拉入 PyTorch 等大体积包，环境体积和构建时间都不小\n· 多数数据源依赖第三方 API（Twitter/Reddit/Facebook 等），需要自行申请密钥，且这些平台 API 政策频繁变动，抓取方式容易失效\n· 属于低代码框架而非现成产品，仍需写 Python 代码组装 pipeline，业务人员难以直接使用",
      "requirements": "· 语言/运行时：Python 3.7 及以上，配套 pip（也支持 Conda）；· 依赖：按需安装可选依赖组，analyzer 会额外引入 PyTorch，source/sink 分别对应采集器和输出目标依赖；· 数据库：可选 SQLite / PostgreSQL / MySQL，仅用于持久化采集状态；· 外部服务：使用具体数据源需申请对应 API Key（Twitter、Reddit、Facebook、Google Play 官方 API 等），或使用无需密钥的抓取器；· 硬件：采集与分析轻量模型可纯 CPU 运行，若跑大模型或高并发建议配 GPU 和足够内存",
      "difficulty": "中",
      "best_for": "适合有 Python 能力的中小团队/开发者，用于快速搭建社媒舆情监听、客户投诉自动化工单、市场调研或 AI 数据集采集等自动化流水线；不适合非技术运营人员直接开箱使用。",
      "alternatives": "n8n（通用低代码自动化，可接社交平台与 AI 节点）、Hugging Face Transformers + Scrapy 自建流水线、Brand24 / Mention（商业社媒监听告警 SaaS）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 20,
      "full_name": "Darwin-lfl/langmanus",
      "name": "langmanus",
      "url": "https://github.com/Darwin-lfl/langmanus",
      "stars": 1315,
      "forks": 1187,
      "open_issues": 8,
      "license": "MIT",
      "language": null,
      "category": "自动化/集成",
      "description": "A community-driven AI automation framework that builds upon the incredible work of the open source community. Our goal is to combine language models with specialized tools for tasks like web search, crawling, and Python code execution, while giving back to the community that made this possible.",
      "value_note": "轻量级的多步骤任务自动化框架，没有大平台包袱，随时上手。",
      "archived": false,
      "last_pushed": "2025-03-17",
      "data_source": "github_api",
      "sources": "2026-07-07_08-20-20.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "LangManus 是一个社区驱动的通用 AI 自动化框架，核心是把大语言模型和多类专用工具（Tavily 网页搜索、Jina 神经搜索与内容抽取、Python REPL 代码执行、浏览器自动化）编排成一个分层多智能体系统。它基于 LangGraph 构建，内置 Coordinator（入口分发）、Planner（任务拆解）、Supervisor（调度协调）、Researcher（资料收集）、Coder（写代码/跑代码）、Browser（网页浏览）、Reporter（汇总报告）等角色，由 Supervisor 统筹它们协作完成一个复杂任务。它解决的问题是：把「一句话需求」（如「计算 DeepSeek R1 在 HuggingFace 上的影响力指数」）自动拆解成搜索、爬取、写代码计算、生成报告的一整条流水线，并提供工作流图可视化和多智能体编排的 Web UI。采用推理/基础/视觉三层 LLM 配置，兼容 OpenAI 接口，可接入 Qwen 等开源模型。",
      "pros": "· MIT 许可，纯 Python + LangGraph 实现，代码结构清晰，便于二次开发和自定义 Agent\n· 分层多智能体架构（Coordinator/Planner/Supervisor/Researcher/Coder/Browser/Reporter）职责分明，比单体 Agent 更易扩展和替换\n· 三层 LLM 配置（推理/基础/视觉）可分别指定模型、API Key 和 base_url，兼容 OpenAI 协议，能混用 Qwen 等开源模型或自建推理服务\n· 自带 Web UI 与工作流图可视化，能直观看到各 Agent 的协作路径与执行过程\n· 用 uv 管理依赖，uv sync 一条命令拉起环境，README 提供完整 demo 视频和中文文档",
      "cons": "· 强依赖外部 API：Tavily 搜索为必需且多为付费/限量服务，Jina 可选，没有 Key 基本跑不起来，调试成本高\n· 浏览器 Agent 需要本机安装 Chrome 并配置可执行文件路径，跨平台（Windows/macOS）路径和额外依赖容易踩坑\n· 社区 fork 性质的快速迭代项目，文档与接口稳定性一般，生产级的沙箱隔离、权限控制、并发与可靠性未经验证\n· 环境要求较新（仅 Python 3.12+ 与 uv），旧环境、无 GPU 或企业受限网络下部署不便",
      "requirements": "运行时：Python 3.12+，包管理器 uv（必需，不支持 pip 直接安装流程）；操作系统 macOS/Linux/Windows；浏览器 Agent 需本机 Chrome 可执行文件路径（CHROME_INSTANCE_PATH），并可能需 Node.js 等前端/浏览器自动化依赖；数据库：无本地数据库，状态由 LangGraph 在内存中维护；依赖：LangGraph/LangChain 生态、各搜索与浏览器工具库；配置：需三组环境变量 REASONING_MODEL/BASIC_MODEL/VL_MODEL 及对应 API_KEY、BASE_URL（OpenAI 兼容），以及必需的 TAVILY_API_KEY 和可选的 JINA_API_KEY；硬件：无特殊要求，普通 8GB+ 内存的开发机即可，重算力在远端 LLM 侧。",
      "difficulty": "中",
      "best_for": "想研究或魔改多智能体编排（LangGraph + Supervisor/Worker 模式）的开发者，以及需要让 LLM 自动完成「搜索+爬取+写代码计算+出报告」整套调研流程的技术团队做原型验证。",
      "alternatives": "OpenManus、CrewAI、AutoGen（或 GPT Researcher）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 443,
      "full_name": "ZJU-REAL/Easel",
      "name": "Easel",
      "url": "https://github.com/ZJU-REAL/Easel",
      "stars": 1283,
      "forks": 185,
      "open_issues": 8,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "营销/内容/获客",
      "description": "An open-source AI agent for social media — discover trends, create content, publish everywhere, and learn what works across Xiaohongshu, Douyin, Zhihu, Bilibili, and more.🎨一个开源的 AI 社交媒体智能体——发现热点趋势、创作内容、一键发布至各大平台，并学习分析哪些内容真正有效，覆盖小红书、抖音、知乎、哔哩哔哩等平台。",
      "value_note": "需要同时运营多个国内社媒账号、想用 AI 批量化完成找热点到发布复盘全流程的自媒体创作者、MCN 小团队，以及研究 AI 社媒智能与内容生成的研究者。",
      "archived": false,
      "last_pushed": "2026-09-20",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Easel 是浙江大学的 REAL Lab 等团队开源的一站式社交媒体 AI 内容工作台，基于 OpenClaw Agent 框架，把热点发现、选题策划、内容创作、多平台发布和数据复盘串成一条自动化流水线。它聚合微博、抖音、知乎、B 站、百度、头条等平台的实时热榜，结合账号画像（定位、风格、受众、偏好红线）筛选出真正适合账号的选题；随后调用内置的 113 个可执行技能脚本，生成小红书笔记、长文、口播脚本、知识卡片、海报、配音、字幕、剪辑、AI 短剧等素材，产物按项目归档到 outputs/ 目录而非散落在聊天记录里；再按各平台格式与字数要求适配，登录并发布到小红书、抖音、快手、知乎、B 站、微信视频号、微信公众号七个平台；最后回收播放、互动、评论数据，把有效的结构与偏好沉淀回账号画像，供下一轮创作使用。",
      "pros": "· 全链路闭环：发现、策划、创作、发布、归因由同一个 Agent 贯穿，产物按项目归档，可修改、重试和复用\n· 账号画像驱动：每个账号拥有独立定位、风格、受众与记忆，输出会随历史表现越来越贴合真实账号\n· 技能是真执行而非功能清单：图片、卡片、配音、字幕、剪辑、短剧、发布等技能都配有可运行脚本\n· 一次创作多平台分发：同一主题可改写成小红书卡片、短视频、知乎长文，并自动遵循各平台格式与字数\n· 支持七个国内平台的登录、适配与发布，Apache-2.0 许可，可自由修改甚至商用",
      "cons": "· 小红书等平台可能检测自动化操作，存在验证码、限流或账号风控风险，官方也建议发布前由用户人工确认\n· 依赖 OpenClaw Agent 运行时与多个平台的登录态/Cookie，账号态易失效，长期维护成本不低\n· 能力过于庞杂（113 个技能 + 五层工作流），配置项和外部依赖多，首次跑通需要一定的折腾成本\n· 生图、TTS、视频生成和发布等能力大多依赖第三方 API，会产生实际调用费用",
      "requirements": "语言/运行时：Python 3.10+，并需要 OpenClaw Agent 运行时；前端：配套 Web 工作台（官方推荐用它而非纯 CLI，提供会话、素材、账号、画像、内容库与发布管理）；依赖：各目标平台的有效登录态/Cookie，以及 AI 生图、TTS、视频生成、发布等第三方服务的 API Key；存储：无强制数据库要求，创作产物与中间文件写入 outputs/ 并按项目归档；硬件：普通 PC 或服务器即可（无强制 GPU，若本地自跑生成模型需另配显卡）。",
      "difficulty": "高",
      "best_for": "需要同时运营多个国内社媒账号、想用 AI 批量化完成找热点到发布复盘全流程的自媒体创作者、MCN 小团队，以及研究 AI 社媒智能与内容生成的研究者。",
      "alternatives": "MoneyPrinterTurbo（AI 短视频批量生成）、Social-Auto-Upload（多平台自动化发布脚本）、Postiz（开源多平台社媒排期与发布工具）",
      "topics": "agent, agent-skill, content-automation, content-creation, content-generation, mcp, openclaw, social-media, social-media-management",
      "homepage": "https://zju-real.github.io/Easel/"
    },
    {
      "id": 4,
      "full_name": "browserable/browserable",
      "name": "browserable",
      "url": "https://github.com/browserable/browserable",
      "stars": 1207,
      "forks": 104,
      "open_issues": 9,
      "license": "MIT",
      "language": "JavaScript",
      "category": "自动化/集成",
      "description": "Open source and self-hostable browser automation library for AI agents",
      "value_note": null,
      "archived": false,
      "last_pushed": "2025-08-27",
      "data_source": "github_api",
      "sources": "2026-06-16_10-50-39.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Browserable 是一个可自托管的浏览器自动化平台，专门为 AI Agent 提供「手和脚」——让大模型能真正打开网页、点击按钮、填写表单、翻页导航并抓取信息。你只需用自然语言描述任务（如「在 Amazon 上找一款 6mm 以上、防滑、环保且低于 50 美元的瑜伽垫」），系统就会调用 LLM 规划步骤、通过远程浏览器执行操作、自动重试并返回结构化结果。它自带任务队列、定时/批量运行、可视化后台、REST API 和 JS SDK，可用来做批量网页操作、自动发帖、数据导入与竞品调研。在 Web Voyager 基准上达到 90.4% 的成功率，并支持自选 LLM、存储、数据库和远程浏览器供应商。",
      "pros": "· Web Voyager 基准 90.4% 成功率，同类开源项目中表现较好\n· 完全自托管，数据不出自己服务器，可换 Gemini/OpenAI/Claude 任意 LLM\n· 开箱即用：npx browserable 交互式引导，Docker Compose 一键起全套服务\n· 自带任务队列（Bull+Redis）、后台管理面板、REST API 和 TypeScript SDK，方便集成\n· 模块化设计，存储/数据库/远程浏览器均可插拔替换",
      "cons": "· 必须额外购买 LLM API Key 和远程浏览器服务（Hyperbrowser/Steel）Key，自托管不等于零成本\n· 依赖 MongoDB、Redis、MinIO 等一堆中间件，本地资源占用和运维成本不低\n· 项目较新（约 1.2k 星），生产环境稳定性和文档完善度需自行验证\n· 远程浏览器按用量计费，高频批量任务成本会快速上升",
      "requirements": "运行时：Node.js（npx/SDK 需要），推荐 Node 18+；部署依赖 Docker 与 Docker Compose。数据库/中间件：MongoDB(27017)、Redis(6379)、MinIO 对象存储(9000/9001)。外部依赖：至少一个 LLM Provider API Key（Gemini/OpenAI/Claude）+ 一个远程浏览器服务账号（Hyperbrowser 或 Steel）。硬件：本地开发建议 4 核 8GB 内存以上、约 10GB 磁盘；浏览器实际运行在云端，本地不占大量内存。",
      "difficulty": "中",
      "best_for": "需要把「网页操作」交给 AI 自动完成、又要求数据私有可控的开发者或小团队，例如做批量采集、自动表单/发帖、电商比价或定时任务的后端工程师。",
      "alternatives": "Browser Use、Stagehand（Browserbase）、Playwright MCP / Skyvern",
      "topics": null,
      "homepage": null
    },
    {
      "id": 2,
      "full_name": "alookai/alook",
      "name": "alook",
      "url": "https://github.com/alookai/alook",
      "stars": 1186,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "数字员工/Agent框架",
      "description": "Rooms for people and agents.",
      "value_note": "你当CEO，AI团队干活。Agent可以分配\"研发\"\"运营\"\"研究\"角色，共享记忆，每次任务后进步。自托管，代码和工具都在你机器上。这玩意儿就是\"一人公司的数字员工\"的终极形态。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-06-16_10-50-39.md,2026-06-23_09-13-42.md,2026-06-30_08-16-48.md,2026-07-07_08-20-20.md,2026-07-21_08-27-52.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Alook 是一个「AI 员工协作层」：它不自己训练或托管模型，而是把你本机已经在用的编码 Agent（Claude Code、Codex、Cursor、OpenCode、Pi）接入到一个类 Slack/Discord 的共享房间系统里，给每个 Agent 分配持久身份——一个 handle、一个收件箱（inbox）和房间成员关系。于是团队成员可以像 @人 一样在服务器、频道或私信里直接 @ 某个 Agent 派活，Agent 在你自己机器上继续运行、读写你的工作目录，而协作侧只负责消息投递、队列和共享记忆。核心解决的是「多人协同使用 Agent 时身份混乱、上下文割裂、任务无法沉淀」的问题，本质是把个人 Agent 变成一个可被同事寻址、可跨房间持续跟进、越用越聪明的虚拟团队成员。架构上本地跑 @alook/daemon（守护进程 + Agent 工作目录），云端跑 @alook/app + 队列，通过 WebSocket 双向通信。",
      "pros": "· 本地优先：Agent 与代码始终留在自己机器上，不把模型和上下文托管给第三方，隐私和可控性好\n· 不用换 Agent：直接复用已有的 Claude Code / Codex / Cursor / OpenCode / Pi，迁移成本几乎为零\n· 持久身份 + 收件箱 + 共享记忆，让 Agent 能被 @、能跨房间跟进任务，适合多人协作而非单人对话\n· 上手极简，一行 npx @alook/app onboard 自动探测运行时并本地启动，打开 localhost:15210 即可用\n· 多端一致（桌面/手机同一房间不丢消息），Apache-2.0 许可、有 CI/Codecov，工程规范较完整",
      "cons": "· 强依赖官方云服务：房间、队列、协作能力跑在 Hosted Machine 上，纯自托管/离线场景需要额外改造\n· 星数 757 仍属早期项目，本地 Agent 运行时列表有限，接入新 Agent 可能需自行适配\n· 需要常驻运行的机器与守护进程，且要开放端口/保持 WebSocket 长连，运维有隐性成本\n· README 对「邮件协作」「共享记忆」的机制说明偏营销向，记忆如何存储、如何同步的细节不足，落地前需自行验证",
      "requirements": "运行时：Node.js（通过 npx 安装 @alook/app，npm 包分发），核心栈为 Bun + Next.js + Cloudflare Workers；本地需能跑守护进程 @alook/daemon，默认监听 http://localhost:15210。存储：SQLite（本地）与文件存储。网络：需与外网 Hosted Machine 建立 WebSocket 长连接，故机器需能出网。Agent 侧：本机需预装至少一个受支持运行时（Claude Code / Codex / Cursor / OpenCode / Pi）及其对应的模型 API Key。硬件无特殊要求，一台常开的开发机（macOS/Linux，8GB+ 内存）即可，无 GPU 需求。",
      "difficulty": "中",
      "best_for": "适合已经在用 Claude Code 等本地编码 Agent 的个人开发者、小团队或「一人公司」，希望把 Agent 变成同事可 @、可协作、有长期记忆的虚拟团队成员；也适合想低成本体验「多 Agent 协作层」但不想换工具链的工程师。",
      "alternatives": "· OpenHands（原 OpenDevin）\n· CrewAI / AutoGen 等多 Agent 编排框架\n· Slack/Discord 自建 Bot + Claude Code 集成方案",
      "topics": null,
      "homepage": null
    },
    {
      "id": 36,
      "full_name": "volcengine/SearchCLI",
      "name": "SearchCLI",
      "url": "https://github.com/volcengine/SearchCLI",
      "stars": 1179,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "Agent中台/编排",
      "description": "Open CLI for integrating AI search, recommendation, and conversational retrieval into agent systems and business systems",
      "value_note": "给自建网站加 AI 搜索、给知识库加语义检索。火山引擎出品，质量有保障。一人公司可以用它给自己产品加\"搜索\"能力，不用自建搜索引擎。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-21_08-27-52.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "SearchCLI 是火山引擎（Volcengine）AI Search / Viking 的官方开源命令行工具，把搜索、推荐和对话式检索能力包装成一套可脚本化、可审查的 CLI 命令。它解决的核心问题是：让外部业务系统或 AI Agent 能以稳定、可复现的方式接入生产级信息分发服务，而不必自己拼装 HTTP 接口。具体命令分为几组：`vs dataset` 负责数据集导入与 schema 推断（支持 JSONL 上传、多模态/用户行为类型、自动推断字段），`vs app` 负责创建应用并挂载数据集，`vs data` 写入数据，`vs search/recommend/chat run` 做运行时验证，`vs search tune` 提供首版自动化的文本相似度评测与调优（query-generate/plan/run/report），还有 `vs auth`、`vs llm`、`vs doctor`、`vs skill` 等辅助命令。它同时提供可安装的 Viking skills，让外部 Agent 复用同一套工作流，并内置 dry-run、确认门禁、写后校验等机制。",
      "pros": "· 把火山引擎 AI Search 的搜索/推荐/对话检索封装成统一 CLI，业务系统接入成本低于直接调 REST API\n· 提供可安装的 Viking skills，Agent（如 Claude、Cursor 等）可复用同一套工作流，天然面向 Agent 场景\n· 内置 dry-run、确认门禁和 read-after-write 校验，操作可审查、可回滚，适合生产前的验证\n· 命令支持 --json 结构化输出，便于脚本化和 CI 集成\n· 覆盖从数据导入、schema 推断、应用配置到调优评测的完整链路，一键跑通 onboarding 流程",
      "cons": "· 强绑定火山引擎生态，必须使用 Volcengine AK/SK 和 AI Search 服务，无法脱离云厂商独立使用\n· 上手前需理解 dataset / app / data / scene 等抽象概念，命令行步骤较多（导入→推断→建库→写入→建应用→挂载）\n· 搜索调优与 LLM 相关性评判需额外配置一个 OpenAI 兼容的 LLM API，属于额外依赖\n· 项目信息（语言、许可证、星数）在元数据中缺失，社区成熟度和长期维护性难以评估",
      "requirements": "运行时：Node.js 20 或更高版本、git（通过 bash ./scripts/install.sh 安装）；认证：火山引擎 AK/SK 且账号具备 AI Search 权限，可通过环境变量 VIKING_AK/VIKING_SK 或交互式 vs auth login 配置；可选依赖：若要使用 search tune 的 query 生成或 LLM 相关性评判，需要一套 OpenAI 兼容的 LLM API（VIKING_LLM_BASE_URL / VIKING_LLM_API_KEY / VIKING_LLM_MODEL），密钥存储在本地安全凭据库；无自建数据库要求，数据存放在火山引擎云端；硬件无特殊要求，普通开发机即可。",
      "difficulty": "中",
      "best_for": "需要把火山引擎 AI Search 的商品/内容搜索、推荐、对话式检索接入自有业务系统，或希望让 AI Agent 自动完成数据导入、应用配置与检索调优的开发者与解决方案团队。",
      "alternatives": "Algolia CLI、Meilisearch CLI、Typesense，以及 Elasticsearch/OpenSearch 官方命令行与 SDK",
      "topics": null,
      "homepage": null
    },
    {
      "id": 7,
      "full_name": "kostja94/marketing-skills",
      "name": "marketing-skills",
      "url": "https://github.com/kostja94/marketing-skills",
      "stars": 970,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": null,
      "category": "营销/内容/获客",
      "description": "Agent Skills for Marketing — SEO, Social, Influencer & More. 160+ open-source skills for SEO, content, 40+ page types, paid ads, channels, and strategies. Add project context; get tailored, production-ready output. Cursor, Claude Code, OpenClaw — no lock-in.",
      "value_note": "比上面的更全更系统。从内容策略到付费广告投放到网红营销，一个技能库覆盖。一人公司不用自己写 prompt，直接调用这些技能干活。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-06-16_10-50-39.md,2026-07-21_08-27-52.md,2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个面向 AI 编程代理（AI Agent）的营销与 SEO 技能库，本质是 160+ 个结构化的 Markdown 技能文件，覆盖技术 SEO（robots.txt、sitemap、canonical、可爬取性）、页面 SEO（title、meta description、schema 标记）、内容策略（关键词研究、文案、竞品分析）、外链建设，以及 40+ 种页面类型生成器（定价页、首页、落地页、FAQ、HowTo 等），还有付费广告、渠道分发、冷启动、独立开发者/PMF 策略等全渠道营销流程。用户通过 npx skills add 命令把指定技能装进项目的 .cursor/skills 或 .claude/skills 目录，AI 代理会依据提示词自动挑选并应用对应技能，再结合用户填写的 project-context.md（产品、受众、品牌、关键词）产出定制化、可直接落地的营销内容和配置。它解决的是通用 LLM 缺乏营销领域最佳实践、输出空泛套话的问题，把资深 SEO/营销专家的方法论固化成可复用的代理知识。",
      "pros": "· 覆盖面极广，160+ 技能横跨 SEO、内容、页面生成、付费广告、渠道策略，几乎一站式覆盖全渠道营销\n· 纯 Markdown 格式，与 Cursor、Claude Code、Lovable、v0、Bolt 等主流 AI 编程工具兼容，无需额外运行时或依赖\n· 通过 project-context.md 注入项目上下文，让输出从通用模板变成贴合具体产品/受众的定制方案\n· 支持按需安装单个技能（--skill），避免一次性加载全部内容造成上下文污染\n· MIT 许可，可自由商用、修改和 fork 二次开发",
      "cons": "· 本质是提示词/知识文件而非可执行程序，实际产出质量高度依赖底层 AI 模型能力和用户填写的上下文质量，无自动校验\n· 依赖第三方 npx skills CLI 安装，且 CLI 只装技能文件、不含 templates 和 docs，需要模板时得手动 clone\n· 技能数量多但彼此深度不一，缺少统一的评分/更新机制，陈旧或重叠的技能可能互相干扰\n· 并非专业 SEO 审计工具，无法替代 Screaming Frog、Ahrefs 等做真实数据抓取和分析",
      "requirements": "运行时：Node.js（用于 npx skills CLI 安装），JavaScript 编写；无数据库、无服务端依赖。使用场景需配合支持 Markdown 技能规范的 AI 代理环境之一：Cursor、Claude Code、OpenClaw、Lovable、v0、Bolt（原生支持或复制到项目），ChatGPT/Claude 网页版可直接粘贴技能 Markdown。技能目录约定为 .agents/skills/、.cursor/skills/、.claude/skills/ 或 ~/.cursor/skills/。硬件无特殊要求，任意可运行上述工具的开发机即可。",
      "difficulty": "低",
      "best_for": "适合独立开发者、创业团队和营销/运营人员，尤其在使用 Cursor 或 Claude Code 做 vibe coding 时希望网站自带 SEO 与营销最佳实践，或想快速获得可落地的 SEO 策略、页面文案和配置的用户。",
      "alternatives": "Anthropic 官方 Agent Skills 示例库、awesome-claude-skills / awesome-cursor-rules 类技能合集、langchain-ai 或 community 的 SEO/Marketing prompt 模板仓库（如 awesome-seo-prompts）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 75,
      "full_name": "nexscope-ai/eCommerce-Skills",
      "name": "eCommerce-Skills",
      "url": "https://github.com/nexscope-ai/eCommerce-Skills",
      "stars": 938,
      "forks": 118,
      "open_issues": 4,
      "license": "MIT",
      "language": "Python",
      "category": "电商/支付",
      "description": "E-commerce skills for AI agents — product research, marketing automation, supply chain optimization, and business analytics for online sellers across Amazon, Shopify, Etsy, TikTok Shop, and all platforms.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-08-26",
      "data_source": "github_api",
      "sources": "2026-09-08_08-07-01.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个面向电商卖家的 AI Agent 技能库，收录约 157 个纯 Markdown 编写的“技能”指令文件，覆盖 Amazon、Shopify、eBay、Etsy、TikTok Shop、Walmart 六大平台。安装后，你的 AI 助手（Claude Code、Cursor、Windsurf、Codex、OpenClaw 等）会获得电商领域专家能力：用单位经济学（CAC/LTV/AOV）诊断增长瓶颈并生成 90 天路线图、跨 15+ 国家的合规（VAT/IOSS/GST）与物流本地化规划、FBA/TikTok/Walmart 的利润与佣金拆解、跨平台 PPC 预算与 ROAS 规划、竞品价格与评论真伪分析、SEO 商品描述生成等。它不运行任何代码、不连数据库、不需要 API Key，本质是把成熟电商方法论沉淀成提示词，让通用 LLM 秒变电商顾问。用 npx skills add 一条命令即可全局安装全部或单个技能。",
      "pros": "· 157 个技能覆盖面极广，涵盖竞品分析、定价与利润计算、PPC 广告、增长战略、跨境合规、Listing 生成等完整链路\n· 纯 Markdown 文本，无二进制、无 API Key、无后端服务，安装即用零配置\n· 一条命令安装全部或指定单个技能，兼容 Claude Code、Cursor、Windsurf、Codex 等多种 Skills 型 agent\n· MIT 许可完全免费，星数近 900、下载量 16K+，社区有一定验证\n· 内置成熟电商框架（单位经济学、ROAS 目标、90 天路线图等），输出结构化和可落地",
      "cons": "· 本质是提示词/指令文件而非软件，输出质量完全取决于背后的 LLM，专业准确性不保证\n· 利润计算、税率、平台费率等依赖静态知识，可能过时或与你的实际市场不符，必须人工复核\n· 文档存在不一致（标题写 157 个技能、Quick Start 却写 142 个），部分技能标注为 Beta\n· 无自动数据接入，需要你手动把店铺/广告数据喂给 AI，无法直连后台取数",
      "requirements": "运行环境：需要一个兼容 Skills 的 AI agent 工具（Claude Code、Cursor、Windsurf、Codex、OpenClaw 或任何 Skills 兼容客户端）；需本机安装 Node.js 以便使用 npx 执行 npx skills add 命令。无需数据库、无需 API Key、无需服务器或 GPU，普通笔记本/台式机即可运行，且需要可访问对应 LLM 服务（联网/付费订阅视所用 agent 而定）。",
      "difficulty": "低",
      "best_for": "适合亚马逊、Shopify、TikTok Shop 等平台的中小电商卖家或运营，想借 AI 快速获得定价、利润测算、竞品分析和增长策略建议；也适合已在使用 Claude Code/Cursor 等 agent、希望扩展电商领域能力的用户。",
      "alternatives": "· nexscope-ai/Amazon-Skills（同作者系列，51 个亚马逊 FBA/PPC/关键词专用技能）\n· Anthropic 官方 Skills 仓库（anthropics/skills，通用型 agent 技能集）\n· Jungle Scout / Helium 10 等商业 SaaS（亚马逊数据分析，功能更专业但需付费）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 45,
      "full_name": "kossakovsky/selfhost-ai",
      "name": "selfhost-ai",
      "url": "https://github.com/kossakovsky/selfhost-ai",
      "stars": 928,
      "forks": 235,
      "open_issues": 0,
      "license": "Apache-2.0",
      "language": "Shell",
      "category": "Agent中台/编排",
      "description": "🚀 Self-hosted AI automation platform. Deploy n8n, Ollama, Flowise, RAG, Supabase & 30+ tools with one command. Auto HTTPS. Free Zapier/Make alternative.",
      "value_note": null,
      "archived": false,
      "last_pushed": "2026-09-11",
      "data_source": "github_api",
      "sources": "2026-07-23_10-18-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个基于 Docker Compose 的一键部署模板 + 交互式安装脚本，把 30 多个自托管 AI 与自动化组件编排成一整套环境：n8n（工作流自动化，默认 queue 模式配 Redis + Postgres）、Ollama + Open WebUI（本地大模型与聊天界面）、Flowise/Dify（AI Agent 与 LLMOps）、Qdrant/Weaviate（向量库）、Crawl4ai/Docling（爬虫与文档解析）、ComfyUI（图像生成）、Supabase、Appsmith，以及 Grafana + Prometheus 监控栈，全部由 Caddy 反代统一入口并自动签发 Let's Encrypt HTTPS 证书。它解决的是“想自建私有 AI 全家桶，但逐个部署、配密钥、打通网络和证书太费时”的问题，安装时还可导入 300+ 社区 n8n 工作流模板。",
      "pros": "· 一条命令 + 交互式向导完成安装，自动生成密钥、配置域名与 HTTPS，省去逐个部署打通的重复劳动\n· 组件覆盖全面：本地 LLM、聊天界面、RAG/Agent、爬虫与文档解析、监控告警一应俱全，可自由勾选\n· n8n 默认 queue 模式，可用 Redis/Postgres 横向扩展 worker 与 task runner，并自带 Grafana 工作流执行看板与失败/停滞告警\n· 全部数据自持、Apache-2.0 无供应商锁定，支持一键导入 300+ 社区工作流模板\n· 服务依赖、健康检查、Caddy 自动 HTTPS 都已内置，架构偏生产可用",
      "cons": "· 硬件与运维门槛高：同时跑 Ollama、向量库、监控等非常吃内存/磁盘/GPU，小机器极易 OOM 或卡死\n· 本质是 Docker Compose 编排模板而非成熟产品，版本兼容、升级与排障需自己负责，组件出问题官方支持有限\n· 部分组件需要特殊权限（n8n Assistant Sandbox 依赖 Sysbox / Docker-in-Docker），对主机环境与安全加固有额外要求\n· 面向单机 Ubuntu 场景，多节点高可用、备份恢复、监控之外的告警治理等需自行补充",
      "requirements": "运行时：Docker + Docker Compose v2，需 root/sudo 权限；推荐 Ubuntu 24.04 LTS（其他 Linux 未官方保证）。依赖服务：Postgres、Redis、Caddy（必装），Qdrant/Weaviate、Supabase 等按需勾选。可选 Ollama 本地模型，GPU 推理建议 NVIDIA 显卡 + CUDA + 足够显存，纯 CPU 也能跑但慢。硬件建议：≥4 核 CPU、≥16GB 内存（跑本地 LLM 建议 32GB+ 并配 GPU）、≥100GB SSD；需要一个可解析的公网域名供 Caddy 申请证书。",
      "difficulty": "中",
      "best_for": "适合有一定 Linux/Docker 基础的个人开发者、小团队或企业内网，想在一台服务器上快速搭起私有 AI 自动化与 LLM 工作台，重视数据主权且愿意自己运维。",
      "alternatives": "CasaOS、Coolify、Dokploy（或 Portainer + 手动组合 n8n / Ollama）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 47,
      "full_name": "PhialsBasement/LibreCrawl",
      "name": "LibreCrawl",
      "url": "https://github.com/PhialsBasement/LibreCrawl",
      "stars": 926,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "Python",
      "category": "营销/内容/获客",
      "description": "Free desktop SEO crawler - open source alternative to Screaming Frog and similar tools. Crawl websites, analyze links, extract SEO data, and export results without subscription fees. Fully customizable and extensible!",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-23_10-18-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "LibreCrawl 是一个基于浏览器访问的网站爬虫，用 Python Flask 写成 Web 应用，主要用来做 SEO 审计和站点体检。它从一个起始网址出发抓取整站页面，解析标题、meta 描述、H1-H6 标题、内链外链、页面层级、状态码和加载速度等信息，并自动标记常见 SEO 问题（如缺失标题、重复 meta、断链、重定向链）。它支持多租户并发，多个用户可以同时发起各自的爬取会话且数据隔离；通过 Playwright 渲染 React/Vue/Angular 等 JavaScript 动态内容，可对接 Google PageSpeed Insights 分析 Core Web Vitals，结果可导出为 CSV、Excel、JSON 或 XML。用户还能写 JS 插件往界面里加自定义分析标签页，替代 Screaming Frog 这类付费桌面工具。",
      "pros": "· 完全免费开源（MIT），替代 259 美元/年的 Screaming Frog、Sitebulb 等付费授权\n· Web 界面 + 多租户设计，团队可多人并发使用，不需要每人装一份桌面软件\n· 支持 Playwright 渲染 JS 动态页面，能抓取 SPA 站点，并集成 PageSpeed Insights 看 Core Web Vitals\n· 内置插件系统，丢一个 .js 文件到 plugins 目录就能扩展自定义分析标签页\n· 提供 Docker、一键脚本和纯 Python 三种部署方式，导出格式齐全（CSV/Excel/JSON/XML）",
      "cons": "· 是网络应用而非本地桌面工具，需自行部署或跑脚本，非技术用户上手不如 Screaming Frog 直接\n· 依赖 Playwright/Chromium 做 JS 渲染，容器和内存占用偏大，大规模爬取时资源消耗明显\n· 仍属较新项目（约 783 星），文档和边缘功能可能不完善，官方 demo 已下线无法先试后装\n· 生产模式涉及用户认证、SECRET_KEY、数据库持久化等配置，公网部署需自行加固，否则有安全风险",
      "requirements": "语言/运行时：Python 3.8 及以上（推荐 3.10+），前端为原生 JS。依赖：Flask 及 requirements.txt 中的 Python 包；JS 渲染需额外执行 playwright install chromium（下载 Chromium 浏览器，约数百 MB）。部署：推荐 Docker + Docker Compose；也可纯 Python 运行。数据存储：会话/用户数据需持久化（README 提及多租户与认证，通常需配置数据库，具体以仓库为准）。硬件：单机建议 2 核 CPU、4GB 内存起步，启用 Playwright 渲染或高并发爬取时建议 4 核 8GB 以上及充足磁盘。浏览器端需现代 Chrome/Firefox/Safari/Edge 访问 localhost:5000。",
      "difficulty": "中",
      "best_for": "适合预算有限、有一定技术能力的中小 SEO 团队或独立站长，希望自建一套类似 Screaming Frog/Sitebulb 的免费整站爬取与审计工具，并愿意用 Docker 部署、通过插件做自定义分析。",
      "alternatives": "Screaming Frog SEO Spider（商业桌面工具，功能最全但收费）、Sitebulb（付费，可视化审计强）、Xenu's Link Sleuth / LinkChecker（免费但功能简陋的老牌链接检查工具）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 468,
      "full_name": "indranilbanerjee/digital-marketing-pro",
      "name": "digital-marketing-pro",
      "url": "https://github.com/indranilbanerjee/digital-marketing-pro",
      "stars": 850,
      "forks": 139,
      "open_issues": 2,
      "license": "MIT",
      "language": "Python",
      "category": "CRM/客户管理",
      "description": "An open-source AI marketing operating system for strategy, SEO, AEO/GEO, paid media, content, CRM, and analytics - grounded in brand context, human approval, and verifiable outputs.",
      "value_note": "管理 50–200 个品牌的营销代理商、in-house 营销团队与咨询公司，尤其是希望将品牌策略、内容与投放流程标准化、可审计，并愿意用 Claude Code 等 Agent 宿主驱动 LLM 的团队。",
      "archived": false,
      "last_pushed": "2026-10-04",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一套面向营销团队的「AI 营销操作系统」插件包，本身并非可独立运行的程序，而是 164 个 Agent Skill 加 24 个专家 Agent 的集合，需安装进 Claude Code、Anthropic Cowork、OpenAI Codex、Cursor 等支持 Agent Skills 的宿主中使用。通过 /digital-marketing-pro:engagement 等命令驱动大模型完成品牌策略、SEO/AEO/GEO、付费投放、内容生产、CRM 与数据分析等工作。它把营销流程固化为「12 段策略流程 / 四份核心文档 / 61 步结构」，让代理商以同一套可审计模板批量处理 50–200 个品牌；并通过 MCP 连接 Meta、Google、亚马逊广告（写入须经人工审批、新建广告默认暂停），内置 EU AI Act 第 50 条合规规则，强调品牌上下文约束与输出可验证。",
      "pros": "· 把品牌营销工作流标准化为固定模板，跨品牌审计与新人上手速度快\n· 覆盖面广：策略、SEO/AEO/GEO、付费媒体、内容、CRM、分析一体化\n· 跨平台兼容性强，官方称支持 8 个原生宿主 + 35 个 Agent Skills 平台\n· MIT 许可、内置 EU AI Act Article 50 合规规则，广告写入有人工审批门禁\n· 自带 496 个测试用例，工程化程度较高，版本迭代活跃",
      "cons": "· 不是独立软件，必须依赖 Claude Code/Cowork 等宿主及付费大模型 API，脱离生态无法运行\n· 单品牌一次 engagement 在 Opus 级模型上约需 60 分钟，50–200 品牌意味着极高的 token 成本\n· 「60 分钟/品牌」「6 周变 6 小时」等效率宣称来自作者自测，缺少第三方验证，需自行复测\n· 强绑定单一作者与私有插件市场，版本号已到 3.33.x 且更新极快，存在维护与迁移风险",
      "requirements": "运行时：Python（脚本与测试，建议 3.10+）；通过 Claude Code 安装插件需 Node.js/npm 环境。宿主：需至少一个支持 Agent Skills 的平台，如 Claude Code(CLI/IDE)、Anthropic Cowork、OpenAI Codex、Cursor 2.5+、GitHub Copilot CLI、Google Antigravity 2.0 等。依赖：Anthropic/OpenAI 等大模型 API Key 且需联网；可选 MCP 连接器（Meta Ads AI Connectors、Google Ads MCP 只读、Amazon Ads MCP），Cowork 团队持久化需 Google Drive。硬件无特殊要求，普通笔记本即可，但模型 token 消耗与费用较高。",
      "difficulty": "中",
      "best_for": "管理 50–200 个品牌的营销代理商、in-house 营销团队与咨询公司，尤其是希望将品牌策略、内容与投放流程标准化、可审计，并愿意用 Claude Code 等 Agent 宿主驱动 LLM 的团队。",
      "alternatives": "· n8n / Make（可视化工作流型营销自动化）\n· Jasper / Copy.ai（AI 营销内容与文案生成）\n· HubSpot Breeze / Relevance AI（营销 Agent 平台），或自建 CrewAI/LangChain 多智能体营销流水线",
      "topics": "aeo, agent-skills, ai-marketing, c2pa, claude-code, claude-plugin, claude-skills, content-marketing, copilot-cli-plugin, cursor-plugin, eu-ai-act, gemini-cli-extension, geo, google-antigravity, hermes-plugin, marketing-agency, marketing-automation, openai-codex, openclaw-plugin, seo",
      "homepage": "https://indranil.in"
    },
    {
      "id": 70,
      "full_name": "Bennettxai/FounderOS-DEMO",
      "name": "FounderOS-DEMO",
      "url": "https://github.com/Bennettxai/FounderOS-DEMO",
      "stars": 834,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "TypeScript",
      "category": "其他",
      "description": "An open-source, single-operator business command center: run a one-person operated company as AI-assisted departments (comms, funnel, social, finances, agents, and a knowledge graph) from one live dashboard.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-08-25_08-20-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Founder OS 是一个面向\"一人公司\"的个人操作系统，把散落在多个标签页和工具里的业务收拢到一个 Web 控制台。它以\"部门\"为单位组织功能：统一收件箱（合并邮件/Slack/WhatsApp/口述）、客户旅程漏斗（神经式流程与放射式获客轮）、社媒增长看板、内容日历、财务收支图表、任务板、组织层级，以及一批各司其职、拥有真实 run() 的具名 AI 代理。项目还内置知识层：G-Brain 以 Markdown 为真源做关键词+语义混合检索，Optimal Engine 用 Source→Signal→Claim→Fact→Memory 的生命周期治理\"记忆\"。当前仓库是开源演示版，内置逼真模拟数据，无需账号和 API Key 即可跑通全部页面；所有数据经仓储层读取，每个连接器返回诚实的连接状态。",
      "pros": "· 开箱即用：内置 SQLite 种子数据，首次运行自动播种，无需账号/API Key 就能浏览全部页面\n· 架构清晰：贯彻 \"larp-first, real-ready\"，所有读取走仓储层而非裸查询，替换真实后端只需改仓储实现\n· 连接器状态诚实，never fakes green light，便于后续逐条接入真实服务\n· 功能覆盖面广（comms/funnel/social/finances/agents/brain 等 16+ 路由），适合作个人业务整体模板\n· MIT 许可，自带 vitest 测试与 tsc 类型检查，工程质量有基本保障",
      "cons": "· 仅为演示版：连接器、向量库、Optimal Engine 都是 stub 与种子数据，不接真实数据几乎无生产力\n· README 明显带付费训练营（cohort）导流，且仓库语言/技术栈标注不完整\n· 生产版把 SQLite 换成托管库、接真实向量索引与各类 API，全部需自建，工作量不小\n· 页面多但落地深度未知，存在\"展示性强、实现浅\"的可能",
      "requirements": "运行时：Node 18+；框架：Next.js（前端 + API 路由）；数据库：本地 SQLite，首次运行自动播种；演示阶段零凭据即可运行，接入真实集成时可选配置 .env.local；开发端口 4100；测试：vitest；类型检查：tsc --noEmit；生产版建议部署到 Railway，并配托管数据库与向量库，无特殊硬件要求",
      "difficulty": "中",
      "best_for": "想搭建一人公司/个人业务统一指挥台的独立开发者与独立创业者，或想参考\"AI 部门化 + 记忆治理\"架构做二次开发的人。",
      "alternatives": "· Notion + Make/Zapier 自动化（通用工作台+连接器）\n· n8n / Activepieces（开源工作流与集成编排）\n· Obsidian / Logseq（本地 Markdown 知识库与图谱）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 100,
      "full_name": "NVlabs/ToolOrchestra",
      "name": "ToolOrchestra",
      "url": "https://github.com/NVlabs/ToolOrchestra",
      "stars": 765,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "ToolOrchestra is an end-to-end RL training framework for orchestrating tools and agentic workflows.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "ToolOrchestra 是 NVIDIA 开源的强化学习训练框架，核心目标是训练一个「小编排器」（8B 的 Orchestrator 模型），让它像大脑一样调度各种工具和专家模型来解决复杂多轮任务。给定一个问题，编排器会在推理与工具调用之间反复交替：调用基础工具（网页搜索、代码解释器）、专用模型（代码模型、数学模型）以及通用大模型（GPT-5、Claude、Nemotron-Ultra 等），并决定何时用哪个、花多少成本。训练时通过端到端 RL 同时用结果奖励、效率奖励和偏好奖励联合优化，配套还提供自动合成环境与工具调用任务的流水线（ToolScale 数据集）。最终产出的 Orchestrator-8B 在 GAIA 榜登顶，在 HLE 上以 37.1% 超过 GPT-5 且效率高 2.5 倍。",
      "pros": "· 提供完整端到端 RL 训练链路，含数据合成、训练、评测（HLE/GAIA/τ²-Bench/FRAMES）一站式代码\n· 成果硬核且有官方权重：Orchestrator-8B 在 HuggingFace 可直接下载，GAIA 登顶、HLE 超过 GPT-5\n· 用 8B 小模型编排大模型与工具，在成本上比直接调 GPT-5 低约 30%~2.5 倍，性价比突出\n· NVIDIA 官方维护，论文、数据集（ToolScale）、模型、项目主页齐全，Apache-2.0 可商用\n· 奖励设计（结果+效率+偏好）思路清晰，适合作为 agentic RL 的参考实现",
      "cons": "· 强依赖 NVIDIA 内部/集群环境：README 示例用 SLURM + Enroot 容器 + 8 卡 GPU，普通开发者难复现\n· 环境配置繁琐，需多个 conda 环境（训练/检索/评测）、flash-attn、flashinfer-python（cu124/torch2.6）等易踩坑依赖\n· 需自备多种外部凭证：Tavily 搜索 Key、WandB、NVIDIA NGC OSS Key、CLIENT_ID/SECRET，以及 HF_HOME、索引文件\n· 训练与全量评测算力门槛极高，个人单机基本无法完成端到端复现",
      "requirements": "语言/运行时：Python 3.12，Conda 管理多环境（toolorchestra 训练环境、retriever 检索环境、tau2-bench 评测环境）。关键依赖：PyTorch（2.6 对应 cu124）、flash-attn、flashinfer-python、requirements.txt 中其他包。硬件：需 NVIDIA GPU 集群，README 示例为 SLURM 单节点 8 卡（--gres=gpu:8），大内存/128 CPU；训练 8B 模型需多卡甚至多节点。需下载 HF 上的 index 文件与 Nemotron-Orchestrator-8B 权重。外部服务/密钥：Tavily API Key、WANDB_API_KEY、NVIDIA NGC OSS_KEY、CLIENT_ID/CLIENT_SECRET，并设置 HF_HOME、REPO_PATH、INDEX_DIR、CKPT_DIR。",
      "difficulty": "高",
      "best_for": "适合有 GPU 集群资源、研究 agentic RL / 工具编排方向的研究团队或大厂工程组，用来训练和复现小模型调度多工具多模型的方案。",
      "alternatives": "· LangChain / LangGraph（工具编排与应用框架）\n· Microsoft AutoGen（多 agent 协作编排）\n· CrewAI（多 agent 角色编排）\n· verl / TRL（LLM 强化学习训练框架）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 37,
      "full_name": "w8123/EnterpriseAgentFramework",
      "name": "EnterpriseAgentFramework",
      "url": "https://github.com/w8123/EnterpriseAgentFramework",
      "stars": 724,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "Java",
      "category": "Agent中台/编排",
      "description": "ReachAI企业级智能体开发平台：快速、安全完成已有业务系统智能化改造，让 AI 在 OA、ERP、CRM 等原系统中查数据、填表单、办业务。ReachAI: Quickly and securely bring AI to existing enterprise systems, enabling AI to query data, fill out forms, and execute business tasks directly within OA, ERP, CRM, and other business applications.",
      "value_note": "如果你用了钉钉/企微/自建系统，这个框架让 AI 在权限管控下安全调用业务数据。负责客户查询、审批、工单跟进。一人公司用它把 AI\"植入\"现有系统。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-21_08-27-52.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "ReachAI 是一个面向存量 Java 企业业务系统（OA、ERP、CRM、eHR、采购、工单、合同等）的智能体开发与运行底座。它把 AI 助手嵌入现有业务页面，让员工在不切换系统的前提下用自然语言查数据、填表单、办业务（如汇总待办、筛异常考勤、创建采购申请）。其核心流程是：识别技术栈并接入运行底座 → 扫描页面/路由/组件/接口形成能力地图 → 对选定页面做只读分析并推荐最多 3 个改造项 → 生成带代码证据和验收标准的标准化任务交给 Codex/Cursor/Claude Code 等 AI Coding 工具实施 → 同步 Capability、编排并发布 Workflow 与 Agent → 真实业务验收后上线。业务系统保留原有页面、身份、权限与接口，平台侧统一提供智能体调度、工作流执行、模型接入、操作确认和运行追踪。",
      "pros": "· 面向存量系统改造而非重建，业务系统继续沿用原页面、身份、权限、接口和业务规则，侵入性小\n· 提供 JDK 8 兼容 SDK 与 Spring Boot 2 Starter，用 @ReachCapability 注解即可把 Java 业务方法沉淀为可授权、可追踪的 Capability，接入门槛相对低\n· 覆盖系统扫描→改造推荐→AI Coding 实施→能力发布→业务验收→上线治理的完整闭环，并要求每步有代码证据和验收条件\n· 采用智能体动态规划 + Workflow 稳定执行的混合模式，兼顾新需求灵活性与成熟业务的稳定性、成本可控\n· 关键写操作需用户确认，能力按角色授权，运行全程可追踪，符合企业生产级治理诉求",
      "cons": "· 项目元信息缺失（语言、许可证、星数均未知），成熟度、社区活跃度和长期维护性难以判断\n· 深度绑定 Java / Spring 技术栈，非 Java 或不便改码的历史系统只能靠扫描补充盘点，可沉淀的能力受限\n· 落地需同时接入后端连接、网关通信、页面助手、身份传递、安全校验等多组件，实施与调试成本较高\n· README 以宣传与截图为主，缺少快速开始、部署文档和可运行示例，实际交付完整度待验证",
      "requirements": "· Java：JDK 8 及以上（SDK 兼容），Spring Boot 2.x（提供 Starter）\n· 业务系统前端需支持注入页面助手/Embed 对话组件\n· 需部署 ReachAI 平台服务端（能力注册、智能调度、网关通信、工作流编排、运行追踪）\n· 需接入大模型（模型接入）与可选 AI Coding 工具（Codex、Trae、Cursor、Claude Code）\n· 数据库、硬件等具体依赖 README 未说明",
      "difficulty": "高",
      "best_for": "拥有存量 Java 业务系统（OA/ERP/CRM/eHR/采购等）、希望以低成本方式嵌入 AI 能力并做生产级治理的企业研发团队与信息化/技术管理者。",
      "alternatives": "Dify、FastGPT、LangGraph/LangChain（或 Coze、OpenClaw 等智能体平台）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 53,
      "full_name": "OpenClaudia/openclaudia-skills",
      "name": "openclaudia-skills",
      "url": "https://github.com/OpenClaudia/openclaudia-skills",
      "stars": 691,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "JavaScript",
      "category": "营销/内容/获客",
      "description": "77 open-source marketing skills for Claude Code, Codex, and other AI coding agents. SEO, content, email, ads, analytics, and growth.",
      "value_note": "直接给Claude Code喂的技能包，安装即用。一人公司老板用Claude Code写代码时顺带把营销也干了。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一套面向 Claude Code（Anthropic 的命令行 AI 编程代理）的开源「营销技能包」。它把营销工作拆成一个个可独立安装的 skill 目录（README 声称 77 个，项目简介标 34 个），覆盖 SEO 审计/关键词研究/外链分析、博客与落地页文案生成、邮件序列与主题行、社媒发帖（X、Reddit、LinkedIn、Bluesky 等）、Google/Meta/LinkedIn 广告投放、页面转化优化和竞品分析等。安装后通过 `npx openclaudia install --all` 把技能写进 ~/.claude/skills 或项目级目录，用户在 Claude Code 里用 `/audit-seo`、`/write-blog`、`/email-sequence` 这类斜杠命令调用。与多数只会给建议的 SaaS 营销工具不同，它通过接入 SemRush、Ahrefs、Resend、各社媒平台等 20+ API 直接执行写稿、发布、发信等动作，数据留在本地。",
      "pros": "· 免费开源（MIT），对比 $50–300/月的 SaaS 营销工具几乎零成本，且可自由 fork 和改造\n· 强调「执行」而非「建议」：接入 SemRush、Ahrefs、Resend 及社媒 API 后能直接写稿、发布、发邮件\n· 技能模块化，支持 `install --all` 或单独安装任意 skill，粒度灵活、按需组合\n· 本地运行，营销数据和 API Key 不上传第三方服务器，隐私可控\n· 直接复用 Claude Code 现有工作流，一条命令上手，无需学习新 UI",
      "cons": "· 单条 skill 的实际效果高度依赖底层大模型和所接 API，官方文档缺少效果基准与真实案例验证\n· 大量功能必须自备并配置第三方 API Key（SemRush、Ahrefs、Resend、社媒账号），否则只能生成文本、无法真正发布\n· README 声称 77 个技能、简介却写 34 个，技能数量口径不一致，成熟度与维护活跃度需自行核实\n· 自动发帖/群发邮件可能触及平台反垃圾与账号风控，Reddit、X 等平台合规风险需自行承担",
      "requirements": "需先安装并完成登录鉴权的 Claude Code（Anthropic 官方 CLI，需有效 API/订阅）作为运行宿主；Node.js 运行时（用于 `npx openclaudia` / `npx skills` 安装，建议 Node 18+），技能本体为 JavaScript；按使用场景需自备第三方 API Key：SemRush、Ahrefs（Python SDK）、Resend（邮件）、X/Reddit/LinkedIn/Bluesky/Google Ads/Meta Ads 等；无数据库依赖，无特殊硬件要求，普通开发机即可。",
      "difficulty": "中",
      "best_for": "已经用 Claude Code 写代码、希望顺手把 SEO/内容/邮件/社媒等营销流程也自动化的小团队、独立开发者和增长操盘手；也适合想自建私有化营销工具链、不愿付 SaaS 月费的技术型营销人。",
      "alternatives": "· Cursor Rules / Cline 等 AI 编程代理的营销类规则与技能库\n· Copy.ai、Jasper 等 SaaS 营销文案工具\n· n8n、Make、Zapier 等自动化工作流平台（自建营销自动化）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 79,
      "full_name": "swarmclawai/swarmvault",
      "name": "swarmvault",
      "url": "https://github.com/swarmclawai/swarmvault",
      "stars": 689,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "TypeScript",
      "category": "Agent中台/编排",
      "description": "The local-first LLM Wiki: open-source knowledge graph builder, RAG knowledge base, and agent memory store. Built on Andrej Karpathy's pattern. An Obsidian alternative for personal knowledge management, AI second brain, and durable Claude Code / Codex / OpenClaw memory.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-09-15_08-05-38.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "SwarmVault 是一个本地优先（local-first）的 CLI 工具，把文档、代码、笔记、转录、邮件、网页链接等原始素材，转成一套持久化的 Markdown 知识库（wiki）加一张可查询的本地知识图谱，并配套本地检索与 RAG 能力，供 AI Agent 调用。它把 Karpathy 提出的「LLM Wiki」三层架构工程化落地：raw/ 存放不可变原始素材，wiki/ 存放 LLM 生成与人工撰写的页面，schema 文件定义知识组织规范。核心命令包括 ingest 摄入、compile 编译生成 wiki 与图、query 问答、graph serve 图谱浏览、lint 冲突检查、context pack 上下文打包，并内置 MCP Server 供 Agent 接入。默认 heuristic 提供者完全离线、无需 API Key，解决的是「知识越攒越散、缺少可审查的关联结构」的问题。",
      "pros": "· 本地优先且默认离线可用，首次运行不需要任何 API Key，数据全部落在自己磁盘上\n· 三层架构清晰，raw/ 不可变 + wiki/ 可累积，边标注 extracted/inferred/ambiguous，有矛盾检测和 compile --approve 人工审批，抑制幻觉扩散\n· 混合检索（SQLite 全文 + 语义向量）加图谱导航（graph query/path/explain），规模超过百页也不必把全文塞进上下文\n· 命令行上手快，npm 全局装完一条 quickstart 就能出 wiki、图谱和分享卡片，还有 demo 命令可无仓库体验\n· 支持 Ollama 本地模型、Git 提交、watch 模式、定时任务和 MCP Server，个人用和团队协作都能覆盖",
      "cons": "· Node 要求 >= 24，版本非常新，很多现有环境的默认 Node 会直接装不上或运行报错\n· 功能面铺得很宽（摄入/编译/图谱/检索/审查/自动化/schema 共演化），真正用顺需要理解一整套概念模型，文档又以英文为主\n· 编译质量强依赖模型能力：不接 Ollama 或云端模型时，heuristic 提供者抽取效果有限，知识图谱质量会打折扣\n· 项目较新、星数不足千，生态与长期维护稳定性还需观察，schema 和工作流可能有破坏性变动",
      "requirements": "运行时：Node.js >= 24（npm 全局安装 @swarmvaultai/cli，npm i -g）。存储：内置 SQLite 做全文与向量索引，无需单独部署数据库，索引落在 state/retrieval/。模型：默认 heuristic 提供者离线运行，无需 API Key；要更高质量抽取可选装 Ollama 跑本地模型，或按需接入云端模型（可选）。硬件：普通开发机即可，内存与磁盘占用随语料规模增长，知识库越大索引与编译越吃内存和 CPU；无 GPU 硬性要求。其他：需可写工作目录，团队场景需要 Git 与可选 MCP 客户端。",
      "difficulty": "中",
      "best_for": "适合需要长期积累知识并希望结构化管理的人：研究者做深度调研、写书/读书伴侣、个人知识管理（PKM）、给代码库自动生成文档，以及想让 AI Agent 接入自有本地知识库的开发者与团队。",
      "alternatives": "Obsidian（+ Smart Connections / Copilot 插件）、Khoj、AnythingLLM / RAGFlow（本地 RAG 知识库方案）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 101,
      "full_name": "buildship-ai/buildship",
      "name": "buildship",
      "url": "https://github.com/buildship-ai/buildship",
      "stars": 602,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "TypeScript",
      "category": "其他",
      "description": "Low-code Visual Backend Builder, powered by AI ✨ Create APIs, scheduled jobs, backend tasks, database CRUD, and integrate with any tool or APIs.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "BuildShip 是一个低代码/可视化后端构建平台，用拖拽节点的「工作流」方式搭建 API、定时任务（cron job）、后端任务和自动化流程。你可以在画布上连接任意第三方 API、数据库（Firestore、Supabase、Postgres 等）、消息渠道（WhatsApp 机器人、聊天机器人）以及各种 AI 模型，快速生成 REST API 和数据库 CRUD 逻辑。它的核心卖点是为 FlutterFlow、Bubble、Webflow、Next.js 等前端或无代码应用提供一个免运维的后端：不用自己买云资源、做部署和 DevOps，测试完点一下 Ship 即可上线，且可自选数据所在区域以符合 GDPR。需要特别说明的是，本 GitHub 仓库（Nodeverse）本身并不是完整产品源码，而是开源的节点、可克隆模板和工作流示例集合，用于社区贡献连接器/触发节点和反馈 bug；官方仅在路线图中表示未来会开源后端，以便用户把工作流导出部署到自己的云。",
      "pros": "· 可视化拖拽搭建后端逻辑，同时保留写自定义 Node.js 代码（节点即 main.js）的能力，比纯 no-code 平台灵活\n· 官方全托管 + 单租户 GCP 项目，免去云资源管理和 DevOps 部署成本\n· 提供大量现成模板、第三方连接器和 AI 模型集成，起步速度快\n· 支持选择数据存储区域，便于满足 GDPR 等数据合规要求\n· 覆盖 API、定时任务、数据库 CRUD、WhatsApp/聊天机器人等常见后端场景",
      "cons": "· 该仓库只是节点与模板示例集，并非完整可自托管的产品；核心后端仍闭源并托管在官方云上，后端开源仍停留在路线图阶段\n· 与 BuildShip 平台及 GCP 深度绑定，迁移和自托管能力有限，存在供应商锁定风险\n· 复杂业务逻辑受限于可视化节点模型，重度定制仍要回落到写代码，且可视化调试大工作流会较吃力\n· 文档校对粗糙，README 结尾许可证段落出现「Rowy」字样（疑似复制粘贴遗留）",
      "requirements": "使用平台本身几乎零环境门槛：浏览器 + 注册 BuildShip 账号，在官方托管的 GCP 单租户项目中创建项目即可，无需自备服务器或数据库。开发/贡献节点需要 Node.js 运行时（节点以 main.js 编写，建议 Node 18+）、npm/pnpm 包管理、GitHub 账号（提交 PR）以及 Discord 沟通。数据库可选 Firestore、Supabase、Postgres 等，由工作流自行连接。仓库本身不含可本地跑起来的完整后端，因此没有官方自托管部署路径。",
      "difficulty": "低",
      "best_for": "想给 Webflow/FlutterFlow/Bubble/Next.js 等前端或无代码应用快速补一个免运维后端的中小团队与独立开发者，以及需要可视化搭建 API、定时任务、机器人和 AI 工作流的个人。",
      "alternatives": "n8n、Make (Integromat)、Xano",
      "topics": null,
      "homepage": null
    },
    {
      "id": 48,
      "full_name": "parcelvoy/platform",
      "name": "platform",
      "url": "https://github.com/parcelvoy/platform",
      "stars": 537,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "TypeScript",
      "category": "营销/内容/获客",
      "description": "Parcelvoy: Open source multi-channel marketing automation platform. Send data-driven emails, sms, push notifications and more!",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-23_10-18-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Parcelvoy 是一个开源的多渠道营销自动化平台（Customer.io / Braze 的自托管替代品）。它把用户数据、事件和行为集中管理，内置可视化拖拽式 Journey 编排器，可以按用户属性或事件实时动态分群，然后通过邮件、Push 通知和短信（SMS）等渠道触达用户。平台还包含 Campaign（定时定向推送）、模板与 Liquid 变量渲染、Liquid 个性化、送达与打开/点击统计、SDK 与 REST API 接入，以及 SAML/OpenID SSO 登录。整个系统用 Docker 自托管在你自己的云环境里，数据完全归自己所有，适合既要营销自动化能力又不想把用户数据交给第三方 SaaS 的团队。",
      "pros": "· 功能覆盖完整：Journeys + 分群 + Campaign + 多渠道（邮件/Push/SMS）一站齐，对标商业 SaaS\n· MIT 许可证，可完全自托管、自由修改和商用，数据自主可控\n· 开箱即用的 SSO（SAML/OpenID）和企业级认证，无需额外付费插件\n· 提供 Docker Compose 与 Render 一键部署，本地几分钟即可跑起来试用\n· 提供 SDK 与 REST API，便于和自有应用、数据仓库打通",
      "cons": "· 项目相对小众（星数不高），社区规模、文档深度和第三方集成数量远不如 Mautic、Novu 等成熟项目\n· 自托管意味着邮件投递、短信网关、Push 证书等通道都需要自己接入并承担送达率与合规责任\n· 生产部署并非只有 Docker 一行命令：需自行配置 PostgreSQL、Redis、APP_SECRET、BASE_URL、反向代理与备份\n· 默认账号密码（test@parcelvoy.com / password）必须立即修改，否则存在严重安全风险",
      "requirements": "语言/运行时：TypeScript + Node.js（建议 20 LTS 及以上），前端为 Vue 3 + Vite 构建的 SPA；数据库：PostgreSQL 13+（迁移由 Kysely 管理）；缓存/队列：Redis（用于任务队列与调度）；依赖：Docker 与 Docker Compose（官方推荐部署方式），邮件需自备 SMTP，短信/Push 需自备第三方服务商凭证；硬件：开发/试用 2 核 4GB 内存即可，生产建议 4 核 8GB+ 并按投递量横向扩展 worker。",
      "difficulty": "中",
      "best_for": "适合希望把营销自动化（邮件/Push/SMS 多通道编排）部署在自己基础设施上、对数据主权和合规有要求的工程团队或中大型公司，也适合想二次开发营销平台的开发者。",
      "alternatives": "Mautic（老牌开源营销自动化，生态最大）、Novu（开源通知/消息基础设施，偏开发者 API 优先）、Listmonk 或 Keila（轻量开源邮件营销/Newsletter）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 21,
      "full_name": "Anil-matcha/Free-AI-Social-Media-Scheduler",
      "name": "Free-AI-Social-Media-Scheduler",
      "url": "https://github.com/Anil-matcha/Free-AI-Social-Media-Scheduler",
      "stars": 509,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "JavaScript",
      "category": "营销/内容/获客",
      "description": "Free open-source AI social media scheduler — self-hostable alternative to Postiz, Buffer, and Hootsuite with built-in AI content generation.",
      "value_note": "不花一分钱订阅费，自托管一个Buffer，AI自动写+排期发布。一人管所有社媒渠道。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-07_08-20-20.md,2026-07-14_08-25-54.md,2026-07-23_10-18-55.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个基于 Next.js 16 的自托管社交媒体排期发布工具，定位为 Buffer、Hootsuite、Postiz 的免费开源替代品。核心流程是：用户粘贴一个视频/媒体 URL，选择目标平台（目前仅 YouTube 和 TikTok）、设置发布时间和平台参数（YouTube 的分类、公开/私密/不公开、是否面向儿童；TikTok 的隐私级别、是否关闭评论/合拍/拼接），应用在预定时间通过其 AI/发布服务 MuAPI 自动把内容推到对应账号。它解决的是创作者和小团队不想为排期工具付月订阅费（Buffer/Hootsuite 通常 19–99 美元/月/席位）的问题。此外它内置多账号管理、发布历史追踪（已排期/已发布/失败状态及发布后的 URL）、基于 Stripe 的 credits 计费系统，以及号称的 AI 内容生成能力，并支持 Google OAuth 登录。",
      "pros": "· 单个 Next.js 应用、无微服务，克隆后 npm install + prisma migrate 即可跑起来，MIT 许可可自由改\n· 视频优先，针对 YouTube/TikTok 的原生发布参数控制做得比较细（隐私、分类、评论/合拍开关）\n· 不按席位收费，自带 credits 计费模块，适合代运营方部署后开给多个客户用\n· 有发布历史记录，能看到成功/失败状态和已发布链接，便于排查\n· 技术栈主流（Next.js + Prisma + PostgreSQL + Tailwind），前端开发者二次开发成本低",
      "cons": "· 核心的 AI 生成和发布依赖商业服务 MuAPI，README 里大量导流到 MuAPI 的注册/付费页，所谓“免费”只是免订阅，实际按调用量付费\n· 平台覆盖极少，只有 YouTube 和 TikTok，Instagram/X/LinkedIn/Pinterest 全是 Coming Soon，做通用社媒排期不够用\n· 内置 Stripe credits 系统，纯自用需要改造或绕过，否则得配 Stripe secret 和 webhook\n· 接入门槛在外围：要自建 Google Cloud OAuth 并申请 YouTube Data API 配额，TikTok 内容发布 API 需开发者审核，未过审只能发草稿\n· 仓库仅 400+ star、单人维护、无 Docker/一键部署说明，调度任务的可靠性依赖外部 webhook，长期维护存疑",
      "requirements": "运行时：Node.js 20+（Next.js 16 要求），包管理 npm。数据库：PostgreSQL（DATABASE_URL，需给出 DIRECT_URL，连接串示例带 pgbouncer 参数），用 Prisma migrate deploy 建表。必须配置的外部凭据：NextAuth（NEXTAUTH_URL、NEXTAUTH_SECRET）、Google OAuth（GOOGLE_CLIENT_ID/SECRET，且需在 Google Cloud 开通 YouTube Data API）、MuAPI API Key（MUAPIAPP_API_KEY）、一个公网可达的 WEBHOOK_URL；若启用计费还需 Stripe 的 SECRET_KEY、PUBLISHABLE_KEY、WEBHOOK_SECRET。硬件：普通 1–2 核 1–2GB 内存的 VPS 即可，无 GPU 需求，无 Redis/消息队列等额外中间件。",
      "difficulty": "中",
      "best_for": "主要把视频发到 YouTube/TikTok 的独立创作者、内容工作室或代运营团队，愿意自托管一台小 VPS 并接受接入 MuAPI 付费 API，用来替代 Buffer/Hootsuite 的月订阅。",
      "alternatives": "Postiz（功能最全的开源社媒排期，支持平台多）、Mixpost（Laravel 系自托管排期工具）、Ayrshare / Publer（商业 API 或 SaaS，平台覆盖更广）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 458,
      "full_name": "markfulton/ai-employees",
      "name": "ai-employees",
      "url": "https://github.com/markfulton/ai-employees",
      "stars": 470,
      "forks": 138,
      "open_issues": 5,
      "license": "MIT",
      "language": "JavaScript",
      "category": "编程Agent/开发",
      "description": "Open source AI Employees. 8 scheduled business roles, 60 routines, on Claude Code and 10 other harnesses. They drive your browser the way you do and improve every run. You own the files.",
      "value_note": "适合独立开发者、单人公司或小团队里已经在用 Claude Code / Codex 类 agent 的人，想把「每日重复的市场、内容、SEO、站点运维工作」交给定时任务自动跑，并愿意自己阅读和改写提示词。",
      "archived": false,
      "last_pushed": "2026-09-27",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个把「一个岗位的工作」打包成可调度 AI 员工的开源仓库：8 个业务角色（GTM 工程师、SEO/AEO、Web 开发、社媒、广告投放等）共 60 条 routines，每条都是一个带触发时间的任务定义（定时邮件简报、关键词调研、每天一篇并发布文章、站点健康巡检、分支上做小改动、按平台草拟帖子并留出人工否决窗口等）。它本身不是模型，而是跑在你机器上、复用你已付费的 AI 编码 agent（Claude Code、Codex、Cline、Qwen Code 等 11 种 harness）之上的编排与提示词层：agent 会像你一样操作浏览器和本机程序去执行任务，把结果写入文件夹、每天早上给你一份简报，并在每次运行后自我改进。状态与产出全部是本地文件，你完全拥有并可手改。",
      "pros": "· 所有 routine、schedule 和提示词都在仓库里公开，没有藏私，可直接读懂并改成自己业务的版本\n· 不绑定单一模型：同一套定义可跑在 Claude Code 及另外 10 种 agent harness 上，换模型不用重写\n· 产出即本地文件（Markdown/JSON），无数据库和 SaaS 黑盒，数据、凭证和成果都在自己机器上\n· 以「岗位 + 日程」的粒度组织，而不是零散脚本，覆盖面从获客、内容、SEO 到站点运维\n· 走 npm 分发（npm i ai-employees），跨 Windows/macOS/Linux，安装门槛低",
      "cons": "· 实际能力高度依赖底层 agent 和付费订阅，官方文档、社区支持、CI 测试都很薄，出问题主要靠自己读代码调试\n· 「像你一样驱动浏览器」意味着依赖浏览器自动化与登录态，页面改版或验证码就会让 routine 静默失败\n· README 大量外链到作者的付费社群/俱乐部和报名页，文档重心偏向引流，技术细节（权限边界、并发、失败重试）说明不足\n· 让 agent 以你的身份自动操作浏览器、发帖、改代码和发信，授权范围和回滚策略需要自己收紧，否则风险不小",
      "requirements": "运行时：Node.js（npm 包 ai-employees，建议 Node 18+/20+ LTS）。必须自备一个受支持的 AI agent harness（Claude Code、OpenClaw、Hermes、OpenCode、Grok Bot、Codex、Antigravity、Pi、Cline、Qwen Code、DeepSeek 之一）及其订阅或 API key。浏览器：本机安装 Chrome/Chromium 供浏览器自动化使用。操作系统：Windows、macOS 或 Linux。无数据库，状态以文件形式存于项目目录。定时能力依赖系统 cron / Windows 任务计划程序，需要机器在计划时间开机联网；普通笔记本（8GB 内存起）即可，无需 GPU。",
      "difficulty": "中",
      "best_for": "适合独立开发者、单人公司或小团队里已经在用 Claude Code / Codex 类 agent 的人，想把「每日重复的市场、内容、SEO、站点运维工作」交给定时任务自动跑，并愿意自己阅读和改写提示词。",
      "alternatives": "n8n、CrewAI、OpenHands（另可对比 Zapier / Make 这类无代码自动化平台）",
      "topics": "ai-agents, ai-employee, ai-employees, antigravity, automation, claude-code, claude-skill, codex, hermes-agent, openclaw, opencode, scheduled-tasks, small-business",
      "homepage": null
    },
    {
      "id": 460,
      "full_name": "builderz-labs/marketing-dashboard",
      "name": "marketing-dashboard",
      "url": "https://github.com/builderz-labs/marketing-dashboard",
      "stars": 469,
      "forks": 17,
      "open_issues": 2,
      "license": "MIT",
      "language": "TypeScript",
      "category": "CRM/客户管理",
      "description": "Local-first marketing operations control center for CRM, outreach, content, analytics, approvals, automations, and agent workflows.",
      "value_note": "适合希望数据自持、不想被 SaaS 锁定，同时要把 AI Agent 工作流和人工审批串进营销运营的中小营销团队或独立营销工程师；也适合作为内部营销控制台的二次开发底座。",
      "archived": false,
      "last_pushed": "2026-09-28",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个自托管的营销运营控制台，把通常散落在多个 SaaS 里的营销工作收拢到一个界面：CRM（线索、来源、管道阶段、线索质量）、外联（序列、suppression 抑制名单、暂停、审计、互动追踪）、内容（日历、内容项、表现数据、审批队列）、分析与 KPI（可对接 Plausible、GA4、X、LinkedIn）、自动化（cron 任务、模板、审批、部署状态），以及 AI Agent 工作流（OpenClaw 实例发现、squads、workspace、会话与通信）。它解决的核心问题是：营销团队既要跑人工流程又要跑 Agent 流程，工具割裂导致审批、暂停、回写权限不可见；本项目用 Next.js 16 + SQLite 本地运行，默认只读、写操作需显式开关，把审批与执行链路显式暴露给运营者，而非交给全自动黑箱。项目当前为 alpha 阶段。",
      "pros": "· 全本地优先：应用、认证、状态都跑在本地 SQLite 文件里，不依赖必须的托管基础设施，数据不出内网\n· 模块覆盖广：CRM、外联、内容、分析、审批、自动化、Agent 管理一站式，减少多工具切换与数据搬运\n· 安全姿态保守：写回/改策略/改 cron 由 HERMES_ALLOW_*_WRITE 默认关闭，可先只读试用再逐项放开\n· 集成全部可选，不用的凭据不配置即可，外部服务只作为连接器，边界清晰\n· MIT 许可 + Next.js/TypeScript 主流技术栈，团队二次开发和私有化改造门槛较低",
      "cons": "· 处于 alpha，README 明确说 API、schema、配置可能跨版本破坏性变更，不适合直接承载生产关键流程\n· 深度耦合 OpenClaw 生态（CLI + 文件系统实例发现），没有 OpenClaw 时 Agent 相关功能基本失效\n· 环境变量仍沿用 HERMES_* 旧前缀，与项目公开名不一致，配置时容易混淆\n· 自托管意味着 HTTPS、密钥轮换、备份、多实例并发（SQLite 单文件特性）都要自己兜底",
      "requirements": "运行时：Node.js 20、pnpm 10（需 corepack enable），命令为 pnpm install --frozen-lockfile && pnpm env:bootstrap && pnpm dev，默认监听 http://localhost:3000。数据库：无需外部数据库，使用 better-sqlite3 本地 SQLite 文件，状态默认落在 ./state（HERMES_STATE_DIR），需可持久化的磁盘。技术栈：Next.js 16 App Router、React 19、TypeScript、Tailwind CSS 4、Recharts、Zustand。必填环境变量：AUTH_USER、AUTH_PASS（≥10 位）、API_KEY，HTTPS 部署还需 AUTH_COOKIE_SECURE=true；首次启动且 users 表为空时用 AUTH_USER/AUTH_PASS 播种管理员账号。可选集成：Google OAuth、Plausible、GA4、Gmail、Mailchimp、Sanity、Helius、X、LinkedIn、1Password、Ollama。硬件：普通笔记本或 2 核 4GB 内存的小型 VPS 即可，需持久化磁盘与（对外时）私有 HTTPS 主机。",
      "difficulty": "中",
      "best_for": "适合希望数据自持、不想被 SaaS 锁定，同时要把 AI Agent 工作流和人工审批串进营销运营的中小营销团队或独立营销工程师；也适合作为内部营销控制台的二次开发底座。",
      "alternatives": "Mautic（开源营销自动化/CRM 套件）、n8n（自动化与 Agent 编排，可自托管）、Twenty 或 HubSpot（开源/商业 CRM 与营销一体化）",
      "topics": "ai-agents, analytics, crm, marketing-ops, nextjs, openclaw, outreach, sqlite, typescript",
      "homepage": "https://www.nyk.dev/oss/marketing-dashboard"
    },
    {
      "id": 52,
      "full_name": "marcusquinn/aidevops",
      "name": "aidevops",
      "url": "https://github.com/marcusquinn/aidevops",
      "stars": 402,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "Shell",
      "category": "自动化/集成",
      "description": "Vibe-Coding is easy. DevOps is hard. OpenCode & Git token-efficient AI agent automation for your app, business, and personal development. Opinionated tools, services, CLI & API stack for speed, security, and 24/7 results. Open-source first. SOTA everything. The best AI harness for GitHub & teamwork.",
      "value_note": "一人公司最缺DevOps能力。这个项目把AI coding + 自动化部署 + 24/7运行打包了，SOTA工具链全开源。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "aidevops 是一个基于 OpenCode 的 AI DevOps 框架与插件，用 Shell 编写，目标是让 AI 代理把工作从“意图”推进到“经过验证的结果”。它把每个任务当作一个有状态的过程：按需加载相关上下文、用 Git worktree 隔离改动、对高风险操作设置审批闸门、保留执行证据，并把经验沉淀回知识库，从而避免每次任务都变成一次孤立的聊天。项目内置了模型路由（simple/standard/thinking 三档推理层级）、密钥与私有状态防泄漏机制、Pulse 自动巡检与失败检测、以及面向软件交付、基础设施、营销、内容、研究等领域的服务集成。核心生命周期为 understand → isolate → implement → verify → PR → 合并发布，并声称提供 17 个主代理、2273 个子代理、2066 个辅助脚本和 108 个斜杠命令。",
      "pros": "· 工程化程度高：用 Git worktree 隔离任务、证据闸门和审批机制保障安全，而非把一切塞进对话上下文，适合真实生产工作流\n· 上下文与 token 效率优化明显：按需加载知识、按任务难度路由模型与推理强度，降低长上下文开销和 API 成本\n· 生态庞大：17 主代理 + 2273 子代理 + 2066 脚本 + 108 命令，覆盖软件、基础设施、业务、营销、内容等多领域，开箱即用面广\n· 安装与更新简单：npm 全局安装 + Homebrew tap，一条命令完成框架与注册项目的更新\n· 可观测与自我改进：Pulse 巡检、仓库指标生成、失败/卡死检测，并把经验回流成新的检查与助手脚本",
      "cons": "· 体量极其庞大（2000+ 脚本、2000+ 子代理），概念与目录结构多，学习和排查成本高于轻量插件，容易“黑盒化”\n· 强依赖 OpenCode 生态（推荐运行时），对 Claude Code / Codex CLI 只是兼容而非同等支持，绑定风险较高\n· 需要消耗大量模型 API 调用与 token，长期使用成本取决于工作流，免费或低预算用户可能难以为继\n· 命名中的“100x 能力提升”是目标而非已验证结果，README 自身也承认这一点，营销色彩较重需理性看待",
      "requirements": "语言/运行时：Shell/Bash 为主脚本，安装需 Node.js + npm（npm install -g aidevops）或 Homebrew（marcusquinn/tap）；推荐运行时为 OpenCode，兼容 Claude Code 与 Codex CLI 作为交互式运行时。系统依赖：Git（大量依赖 worktree 做任务隔离）、常见 Unix 工具链，建议 macOS 或 Linux 环境。数据库：未提及外部数据库，状态以文件、Git 仓库和 ~/.aidevops 配置目录方式持久化。硬件：无特殊要求，普通开发机即可，真正的成本来自 AI 模型的 token/API 消耗与网络访问。",
      "difficulty": "中",
      "best_for": "适合已在用 OpenCode 或其他 AI 编码代理、且希望把 AI 代理接入真实工程流程（隔离改动、验证、PR、发布）的团队或个人开发者，尤其是有多项目、多云服务和并行任务管理需求的高级用户。",
      "alternatives": "Claude Code、Aider、Cursor/Continue 等 AI 编码代理与工作流框架；若只要轻量代理编排可看 OpenHands、Cline",
      "topics": null,
      "homepage": null
    },
    {
      "id": 459,
      "full_name": "agents-universe/agents-universe",
      "name": "agents-universe",
      "url": "https://github.com/agents-universe/agents-universe",
      "stars": 337,
      "forks": 1,
      "open_issues": 1,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "其他",
      "description": "不是问答机器人，而是能真正干活的数字分身。共享智能体，共享项目上下文，让项目所有成员一起协同工作。同时智能体会像人一样通过资料或者工作抽象和总结经验到项目上下文中",
      "value_note": "想把 AI 智能体当“团队成员”而非聊天工具来用的中小团队与企业内网场景，尤其是需要共享项目上下文、身份权限与可审计执行记录的研发/需求/测试协作流程；也适合愿意自托管、能接受一定运维成本并想在此基础上二次开发或参与开源的开发者。",
      "archived": false,
      "last_pushed": "2026-09-28",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Agents Universe 是一个可自托管的企业级 AI Agent 协同平台，目标不是做聊天机器人，而是把智能体当成“能入职、能干活、能传承经验”的数字员工。它统一接入多家 LLM，内置约 10 个开箱即用的角色智能体（Product Owner、Tech Lead、QA、办公助手、渗透测试专家等），围绕“项目”而非“单次对话”组织工作：项目被选中时会把知识全量加载进上下文（走全量加载而非向量检索），智能体接收任务后用 plan_task 拆出任务树、按上下文挑工具、以自己的身份与最小权限执行，全程通过 WebSocket 实时可见并留下可审计轨迹。成员用 @提及 即可让不同智能体接力协作，共享同一份项目上下文；任务过程中产生的经验会沉淀为技能（Skills）、工作流（Workflows）和知识条目，变成团队可复用的资产。平台还提供 Agent-as-a-Service、定时任务、多数据库支持，其官方站点本身就是由平台上的智能体在日常维护需求、代码与 PR，实现了“零代码共建”——不会写代码的人也能通过对话提交 PR。",
      "pros": "· 以“项目上下文 + 身份权限 + 可审计轨迹”为核心，比纯聊天框或低代码工作流更接近真实团队协作\n· 多智能体角色内置且可通过 @提及 接力，PO/Tech Lead/QA 分工清晰，开箱即用\n· 知识与经验可沉淀为 Skills/Workflows/知识条目，经验能跨人复用，缓解“能力锁死在个人 Prompt 里”的问题\n· Docker Compose 一键自托管，支持 SQL Server/PostgreSQL/MySQL/SQLite 多数据库，LLM API Key 加密存库、按用户配置，不强制绑定单一厂商\n· Apache-2.0 许可，企业自托管友好；官方站点由自身智能体维护，工程可信度有实际验证",
      "cons": "· 部署不算轻：首次构建含 Playwright 与渗透测试工具链，视网络约 10–30 分钟，默认走国内镜像源，网络不通需手动切官方源\n· 强制 SECRET_KEY（拒绝 change-me 占位值），默认 AUTH_BYPASS_ENABLED=true 免登录仅适合本地体验，生产必须关闭并自行接 OAuth SSO\n· 默认依赖 SQL Server（本地开发还需装 ODBC Driver 17）与 Redis，组件多、排障面广；docker-compose.yml 未入库，必须从 example 复制\n· 强调“全量加载知识、无向量检索”，在大规模知识库下可能顶到上下文窗口上限，成本与延迟需自行评估\n· 337 星、社区规模较小，资料与第三方集成生态远不如 Dify 之类成熟，踩坑时缺少现成答案",
      "requirements": "运行环境：Docker 与 Docker Compose（推荐部署方式）；本地开发需 Python 3.12+（后端 packages/api，uvicorn + FastAPI + Alembic 迁移）与 Node.js 20+（前端 packages/web，Vue 3.5 + Vite）；数据库支持 SQL Server（默认，本地直连需 SQL Server ODBC Driver 17）/ PostgreSQL / MySQL / SQLite，另需 Redis；反向代理 nginx（镜像内已配，同一入口 8000 端口代理 /api、/ws，健康检查 /health）；镜像内已内置 Playwright 与渗透测试工具链。必须生成并写入 SECRET_KEY，本地开发需把 PROJECTS_ROOT 设为已存在的绝对路径。LLM API Key 不写在 .env，而是启动后在 Settings → AI Models 按用户配置并加密入库（SYSTEM_DEFAULT_* 仅作可选兜底）。硬件未明确声明，但构建期需较大磁盘与内存，建议至少 4 核 8GB 起。",
      "difficulty": "中",
      "best_for": "想把 AI 智能体当“团队成员”而非聊天工具来用的中小团队与企业内网场景，尤其是需要共享项目上下文、身份权限与可审计执行记录的研发/需求/测试协作流程；也适合愿意自托管、能接受一定运维成本并想在此基础上二次开发或参与开源的开发者。",
      "alternatives": "Dify、Flowise、CrewAI（或 AutoGen 等多智能体开发框架）",
      "topics": "agent, agent-framework, agent-orchestration, agent-skill, agentic-ai, ai-agents, ai-governance, ai-tools, deepseek-harness, harness, harness-engineering, harness-framework, python, python3, vue3, vuejs, web-application, webapp, workbuddy, workbuddy-alternative",
      "homepage": "https://agent.agents-universe.com/"
    },
    {
      "id": 86,
      "full_name": "lsfusion-solutions/mycompany",
      "name": "mycompany",
      "url": "https://github.com/lsfusion-solutions/mycompany",
      "stars": 330,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "JavaScript",
      "category": "CRM/客户管理",
      "description": "Free, open-source, self-hosted ERP and CRM for small businesses: inventory, invoicing, manufacturing, sales, projects, HR and POS. Built on lsFusion.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-09-15_08-05-38.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "MyCompany 是一套免费、可自托管的开源 ERP + CRM 系统，面向中小企业，把销售与 CRM、采购与库存、开票收款、生产制造（BOM/工序/工作中心/工单）、项目管理（任务看板/工时）、HR（员工/时薪/工资单）和零售 POS（条码收银/钱箱班次/折扣）整合进同一个应用、同一个数据库里，因此各模块之间不存在数据同步问题，不会出现 ERP 与 CRM 数据对不上的情况。它本身是基于开源低代码平台 lsFusion 用 lsFusion 语言编写的业务应用，客户可以在此基础上用独立模块的方式扩展字段甚至新增模块，从而在跟随上游版本升级时保留自己的定制。项目自 2019 年起持续开发，提供无登录的在线 Demo、官方文档站点以及一键安装脚本，可在一台 4GB 内存的服务器上跑起来，用户通过浏览器（8080 端口）或桌面客户端（7652 端口）访问。",
      "pros": "· 功能覆盖面广：CRM、进销存、开票、生产、项目、HR、零售 POS 一站式，且共用单一数据库，无跨模块同步烦恼\n· 一键安装脚本成熟，Linux 下一条 curl 命令即可装好 lsFusion 平台 + PostgreSQL + MyCompany，最低 4GB 内存即可起步，自托管无订阅费\n· Apache-2.0 许可，商业使用友好，源码可改；定制逻辑写在独立 lsFusion 模块中，升级时不会被上游覆盖\n· 有在线 Demo、完整文档站、Slack/Telegram 社区，并提供官方 Claude Code 的 lsFusion AI 技能插件辅助二次开发\n· 界面支持英/波/俄三语本地化，另可借用平台本地化跑德/西/法/葡/乌/中等语言",
      "cons": "· 生态与技术栈偏小众：基于 lsFusion 平台和 lsFusion 专用语言，会的人少，招聘和外部帮助都困难，二次开发学习曲线陡\n· 不是纯 Web 技术栈，底层是 Java 应用 + PostgreSQL，底层调试、性能调优需要理解 lsFusion 平台本身而非通用框架\n· 中文界面依赖平台本地化，业务字符串可能回退到英文，中文本地化不完整；会计/税务规则更贴近俄语区，未必符合中国财税与发票合规要求\n· 社区与第三方插件规模远小于 Odoo/ERPNext，遇到冷门 bug 主要靠官方仓库 issue 和社区频道，商业支持渠道有限",
      "requirements": "· 服务器：最低 4GB RAM 的 Linux（Ubuntu 18+/Debian 9+、RHEL 8+/CentOS 8+/Fedora 35+）或 Windows x64，需联网以执行安装脚本\n· 运行时：lsFusion 平台（Java 应用，安装脚本自带 JRE/JDK 依赖），业务应用以 MyCompany JAR 形式部署\n· 数据库：PostgreSQL（安装脚本自动安装配置）\n· 端口：Web 客户端 8080，桌面客户端 7652\n· 部署方式：官方一键脚本 / Windows exe 安装器 / Docker（另有 ru、pl 本地化脚本和升级脚本）\n· 二次开发：需要 lsFusion 语言能力及 lsFusion 平台工具链（可选官方 AI 技能插件辅助）",
      "difficulty": "中",
      "best_for": "适合预算有限、希望数据完全自托管的中小企业（尤其是制造业/批发零售/有生产与 POS 需求的团队），以及愿意投入学习 lsFusion 平台、以低成本自建并深度定制 ERP 的技术团队。",
      "alternatives": "Odoo、ERPNext、Dolibarr",
      "topics": null,
      "homepage": null
    },
    {
      "id": 82,
      "full_name": "Othmane-Khadri/YALC-the-GTM-operating-system",
      "name": "YALC-the-GTM-operating-system",
      "url": "https://github.com/Othmane-Khadri/YALC-the-GTM-operating-system",
      "stars": 303,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "TypeScript",
      "category": "自动化/集成",
      "description": "YALC 1.0, the open-source Clay alternative. MIT, CLI-first, self-hosted, runs in Claude Code. Yalc today is an intelligent orchestration layer that runs pre configured GTM agents on your existing tech stack (CRM, sequencer and call recorder) → yalc.ai",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-09-15_08-05-38.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "YALC 1.0 是一个开源的 GTM（Go-To-Market）外呼引擎，定位为 Clay 的自托管替代品，用 TypeScript 写成的 CLI 工具。安装后运行 yalc-gtm start，它会问你一个公司网址，抓取你的官网内容，调用 Anthropic 大模型做「合成」，推断出你的业务/ICP/价值主张框架，并生成一个写入 ~/.gtm-os/ 的 GTM 工作区（框架、playbook 都是你自己拥有的 markdown 文件）。随后你在本地 3847 端口的仪表盘上确认或修改各段内容，再基于这套框架执行 LinkedIn + 邮件多渠道外呼：抓取名单、富化联系人、个性化写信、A/B 变体测试、发信前合规校验、DB 限流，并用卡方检验挑出胜出的变体。它内置约 20 个技能（qualify、scrape、campaign、personalize、competitive-intel 等）和 7 个 provider 适配层（Unipile、Crustdata、Firecrawl、Notion、FullEnrich、Instantly、Anthropic），还能被 Claude Code 用自然语言驱动编排整个流程。",
      "pros": "· MIT 开源且完全自托管，密钥和数据都在自己机器上，替代 Clay 的高额订阅",
      "cons": null,
      "requirements": null,
      "difficulty": "中",
      "best_for": null,
      "alternatives": null,
      "topics": null,
      "homepage": null
    },
    {
      "id": 77,
      "full_name": "chen103226/awesome-one-person-company",
      "name": "awesome-one-person-company",
      "url": "https://github.com/chen103226/awesome-one-person-company",
      "stars": 292,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": null,
      "category": "其他",
      "description": "A high-signal curated list for indie developers, solopreneurs, and one-person companies, featuring real cases, failures, ideas, and tools to help you make better decisions faster.一个面向一人公司 / 独立创业者 / 独立开发者的高信号清单：只收录「真实产品、真实收入（或可验证指标）、真实复盘」，并尽量给出来源与一句话结论。 目标：让你用最少的时间，看到最值得学习的路径、坑与机会。",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-09-08_08-07-01.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个纯 Markdown 的 Awesome 型资源清单仓库，主题是「一人公司 / 独立创业者 / 独立开发者」。它不做任何代码功能，而是把这一细分领域分散的信息聚合起来：包括什么是 OPC 的定义表格、30 天启动清单（验证想法→MVP→内测→公开发布）、Pieter Levels / Marc Lou / Jon Yongfook 等明星创业者的产品与收入、Nomad List 和 Bannerbear 等 $100K+ ARR 案例拆解（含技术栈、启动成本、关键转折点、可复制要素）、工具与技术栈、书籍课程、博客通讯、社区以及方法论心智模型。它要解决的核心痛点是：主流创业内容都围绕融资路线、技术教程与商业实战脱节、成功案例多来自国外而中文本土内容稀缺，于是它只收录「真实产品、真实收入或可验证指标、真实复盘」，让读者用最少时间看到最值得抄的路径、坑和机会。",
      "pros": "· 双语（中/英）维护，只收录有真实收入或可验证指标的案例，信噪比高于普通创业鸡汤\n· 30 天启动清单 + 工具栈 + 案例复盘结构完整，读完可当天照做，落地性强\n· 案例给出具体技术栈、启动成本、收入数据和关键转折点，可复制要素明确\n· 纯 Markdown 单仓库，无需部署或构建，可离线阅读、可 fork 二次整理，维护成本极低\n· MIT 许可，商业化或再分发无法律障碍",
      "cons": "· 本质是「内容清单」而非软件或工具，价值完全取决于维护者的更新频率，容易变成僵尸仓库\n· 中国本土案例部分仍是 TODO 占位，宣称的「中西结合」目前实际偏国外视角\n· 收录门槛（真实收入）依赖维护者人工判断，部分数字无法核实且随时间快速过时\n· 无链接自动检查机制，外链失效、数据陈旧、案例夸大等风险需要读者自行甄别",
      "requirements": "无运行环境要求。纯 Markdown 文档仓库，不涉及编程语言、运行时、数据库或任何依赖。阅读只需浏览器或任意 Markdown 阅读器（GitHub 网页、VS Code、Obsidian 均可）；若要本地克隆需 Git（任意版本）和网络，提交贡献需 GitHub 账号。硬件零门槛，任何能打开网页的设备即可。",
      "difficulty": "低",
      "best_for": "想走一人公司 / 独立开发者 / 副业路线，希望用最少时间快速浏览真实收入案例、现成工具栈和启动步骤的人，尤其适合中文背景的独立开发者和产品侧创业者。",
      "alternatives": "· Indie Hackers（社区 + 访谈库 + 产品收入公开页）\n· awesome-indie（GitHub 上的独立开发者 Awesome 清单）\n· Small Bets 社区（Daniel Vassallo 的独立创业社群与课程）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 76,
      "full_name": "huabeitech/agent-desk",
      "name": "agent-desk",
      "url": "https://github.com/huabeitech/agent-desk",
      "stars": 241,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "Go",
      "category": "数字员工/Agent框架",
      "description": "Open-source AI customer support system. AI-first support, human-ready operations.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-09-08_08-07-01.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "AgentDesk 是一个开源自托管的 AI Agent 客服 / 帮助台（AI Helpdesk）系统，把访客网页聊天、客服工作台、知识库问答和工单流转整合在一个平台里。访客发起会话后，AI Agent 先基于知识库做 RAG 向量检索作答，并用 Answerability Gate 判断检索到的内容是否足以支撑回答——不够强就返回兜底话术并建议转人工；当用户明确要求人工或流程需要确认时，触发转人工确认流程。客服在工作台可接管会话、回复、转交同事、关联客户、打标签，并把会话一键转成工单走分类、指派、状态推进和关闭闭环。后台支持配置 OpenAI 兼容的 LLM、Embedding、Rerank 模型与上下文/超时/重试参数，管理知识库文档与 FAQ、检索日志与质量分析，还可挂载 Skills、MCP 工具，并管理客服团队、排班与自动分配。",
      "pros": "· 全栈自托管：Docker Compose 一键拉起 Go 后端 + Next.js 前端 + MySQL + Qdrant，数据不出内网，适合私有化交付\n· AI 与人协同的工程设计完整：AI 优先应答、Answerability Gate 抑制无依据回答、显式转人工确认，而非简单把 LLM 塞进聊天框\n· 会话→工单闭环：知识库/FAQ 管理、检索日志与质量分析、客服排班与自动分配都在同一系统内\n· 扩展性较好：OpenAI 兼容模型接入、Skills、MCP 工具调试、可嵌入网页的 Widget SDK\n· Apache-2.0 许可，商业使用限制少；提供中英文文档与本地开发指引",
      "cons": "· 强依赖 Qdrant 向量库，无法真正单机轻量运行，本地开发也要额外起 Qdrant 容器\n· 工具链版本要求较新（Go 1.26+、Node 20+、pnpm、Task），环境没配好容易卡在启动阶段\n· 默认管理员口令为 ChangeMe123!，公网或团队部署前必须改密码并单独配置认证、Session 与模型密钥\n· 项目较新（约 232 星），社区案例、第三方集成和英文生态资料都偏少，遇到问题主要靠自己读源码和中文文档",
      "requirements": "语言/运行时：Go 1.26+ 编译后端，Node.js 20+ 与 pnpm 构建前端，Task 作为任务编排工具。数据库：生产建议 MySQL 8.4（容器带 mysql-data 卷），本地开发可用内置 SQLite（data/app.db）。向量库：Qdrant，gRPC 6334 / HTTP 6333，必须单独部署。模型：任意 OpenAI 兼容的 LLM、Embedding、Rerank 服务（需自备 API Key 或本地推理服务）。部署：Docker + Docker Compose，应用默认暴露 8083 端口。硬件：最低 2 核 4GB、SSD 20GB 起；若 Embedding/Rerank 也本地自托管，建议 4 核 8GB 以上并预留 GPU 或更高内存。",
      "difficulty": "中",
      "best_for": "适合需要把 AI 问答、人工客服和工单系统打通，且要求数据自托管 / 内网私有化部署的中小 SaaS、企业服务台或售后支持团队。",
      "alternatives": "· Chatwoot（开源客服/全渠道工作台，AI 能力需自行接入）\n· Zammad（成熟的工单与帮助台系统，偏传统工单流）\n· Dify / RAGFlow（知识库 RAG 与 Agent 编排平台，工单与坐席管理需另行拼装）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 444,
      "full_name": "h4dex/opc-nexus",
      "name": "opc-nexus",
      "url": "https://github.com/h4dex/opc-nexus",
      "stars": 238,
      "forks": 7,
      "open_issues": 0,
      "license": "MIT",
      "language": "TypeScript",
      "category": "Agent中台/编排",
      "description": "开源的企业版的数字员工工作台, OPC-Nexus（One Person Company Nexus）是一款本地优先的桌面 AI Agent 管理器。它为单人公司 / 独立开发者提供统一的 AI 数字员工管理平台 —— 从 Agent 创建、任务编排、多引擎接入，到消息渠道集成、工作流自动化和专家团协作，一站式覆盖。 ",
      "value_note": "适合需要把多个 AI 编码/写作 Agent 统一管起来，要求有审批、审计、独立验收和真实交付物，同时偏好本地部署、密钥自持的独立开发者、单人公司与小团队。",
      "archived": false,
      "last_pushed": "2026-09-03",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "OPC-Nexus 是一款基于 Electron 的本地优先桌面应用，为单人公司、独立开发者和小型工作室提供统一的“AI 数字员工”管理平台。它把老板的自然语言指令交给内置的 Hermes 调度引擎做理解、澄清与记忆，再由 OPC-Nexus Main 治理层校验项目范围、员工白名单、权限、预算与任务状态，最后派发给 Codex、Claude Code、Pi、Hermes CLI Worker 或安卓手机 Worker 等执行引擎，产出真实文件、预览、启动命令、截图和交付 Manifest。它解决的核心问题是：个人开发者同时使用多个 AI Agent 时缺少任务编排、审批、审计、独立验收和交付闭环，且 API Key、渠道凭据容易散落各处。除桌面端外，还支持企业微信、飞书、微信 iLink Bot 等渠道绑定项目会话，实现远程批准、暂停、取消，并把结果回传。",
      "pros": "· 治理闭环完整：澄清→计划→审批→派工→独立验收→交付 Manifest→审计，复杂任务强制走审批，简单问答可直达\n· 多引擎统一接入：Codex、Claude Code、Pi、Hermes CLI Worker、Android Worker 通过同一执行策略调度\n· 安全边界清晰：contextIsolation + 无 nodeIntegration、不暴露通用 ipcRenderer，API Key/token 只进 Electron safeStorage\n· 本地优先、密钥自持，项目隔离（独立 HERMES_HOME、loopback 端口、短期租约、不跨项目读文件/会话/记忆）\n· 明确拒绝 Mock 员工与伪成功，服务或引擎不可用时显示真实错误和恢复入口，调试日志脱敏写入 logs/\n· MIT 许可，带 CI、类型检查、单元测试、runtime smoke 与桌面 UI smoke 的发布门禁",
      "cons": "· 桌面端仅支持 Windows 10/11 与 Ubuntu 22.04+，暂无官方 macOS 支持，跨平台用户受限\n· 2.0.1 与 1.x 的 Nexus 调度架构不兼容，升级需先备份数据；项目处于快速迭代期（星数仅约 238），API 与架构可能再变\n· 强依赖外部 Provider（Base URL/模型/API Key）和 Codex、Pi 等真实执行引擎，没有真实引擎时派工会被阻止，无法纯离线开箱即用\n· 完整能力边界尚未走完，README 自述“两部 30 万字小说全量写作尚未完成”，不能宣称该场景已交付\n· 配置链较长（项目目录→Provider→Quest→计划→派工），且源码构建还需额外准备 Hermes 运行时",
      "requirements": "语言/运行时：Node.js 20+、npm 10+，Hermes 准备脚本需 Python 3.11 并使用 uv。操作系统：Windows 10/11 或 Ubuntu 22.04+（Electron 桌面应用）。依赖：需自备 OpenAI 兼容 Provider 的 Base URL、模型与 API Key；执行层需 Codex CLI、Pi Agent、Claude Code、Hermes CLI Worker 之一（发布包内置固定版本 Codex CLI 与 Pi Agent，源码构建需先 npm run agents:prepare、安装后 npm run agents:verify）。不需要数据库，项目数据落在用户目录（默认 %USERPROFILE%/opc-nexus/projects/<project-name>-<id>/），每项目跑独立 Hermes 运行时并占用 loopback 端口；Android Bridge 0.4.3 为可选手机执行员工。硬件：README 未明确，Electron + 多 Agent 进程建议 8GB 以上内存与充足磁盘。",
      "difficulty": "中",
      "best_for": "适合需要把多个 AI 编码/写作 Agent 统一管起来，要求有审批、审计、独立验收和真实交付物，同时偏好本地部署、密钥自持的独立开发者、单人公司与小团队。",
      "alternatives": "Dify、n8n（含 AI Agent 节点）、CrewAI / AutoGen 等多智能体编排框架，也可对比 OpenHands 这类端到端 Agent 工作台。",
      "topics": "ai-agents, ai-employees, desktop, dsh-plugin, hermes-agent, hermes-agent-plugin, hermes-desktop, remote-android-control",
      "homepage": "https://www.apptq.com"
    },
    {
      "id": 470,
      "full_name": "liujh0729-jpg/AI-enterprise-OEM",
      "name": "AI-enterprise-OEM",
      "url": "https://github.com/liujh0729-jpg/AI-enterprise-OEM",
      "stars": 224,
      "forks": 4,
      "open_issues": 0,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "CRM/客户管理",
      "description": "项目简介：AI企业服务，包括Agent、营销、内容创作、CRM、OA、BI、RPA、邮箱、OKR等，支持财税、供销网络、法律服务、智库、物流、灵活用工、跨境出海等。支持SNS商务人脉挖掘，大数据挖掘。",
      "value_note": "希望自建一套「企业内管 + 对外获客 + 商务撮合」一体化平台、且有较强研发能力做二次开发与运维的团队；也适合作为企业服务/AI SaaS 产品的 OEM 底座进行品牌化改造。",
      "archived": false,
      "last_pushed": "2026-11-09",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个将企业服务工作台与商务社交SNS合并的开源全栈平台，基于Hono+Prisma+MySQL/PostgreSQL+Next.js/Ant Design构建。它提供19个工作台模块（Agent、CRM、OA、BI、OKR、RPA、内容创作、营销工具、AI客服、进销存、项目管理等）、11条业务服务线（财税、供销、出海、物流、法律等）、商务社交（好友/动态/小组/私信/招聘/供求广场）以及24个板块的平台管理后台。核心解决的问题是：为中小企业提供一套「内部管理+对外获客+业务撮合」的一体化数字底座，避免分别采购多个SaaS工具。社交与供求能力本地闭环免Key可用，部分AI能力需绑定AIPDD APIKey打通上游。",
      "pros": "· 功能覆盖极广，19个工作台+11条业务线+社交SNS，一套系统替代十余个独立SaaS工具\n· 技术栈现代且完整：Next.js App Router + Hono + Prisma，前后端分离清晰，73个路由/514个数据模型/90个后端模块\n· 支持MySQL和PostgreSQL二选一，兼容性强；界面支持8种语言含阿拉伯语RTL\n· 社交与供求能力本地闭环免Key可用，降低部署门槛；Apache-2.0许可证允许商用OEM\n· 有在线Demo可直接体验，文档含整体设计方案，降低评估成本",
      "cons": "· 系统体量极大（514个数据模型、1916个HTTP操作），部署运维复杂度高，不适合小团队快速上手\n· 部分核心AI能力（Agent、内容创作、RPA）依赖AIPDD APIKey，完全本地化使用存在功能缺口\n· 项目星数仅224，社区活跃度和长期维护保障存疑，文档深度未知\n· 功能广度远超深度，各模块可能仅为基础实现，生产环境需大量二次开发和定制",
      "requirements": "Node.js（建议18+）、pnpm包管理器、MySQL 8或PostgreSQL（安装时二选一）、Next.js + Hono + Prisma ORM、Ant Design UI库；部分功能需SMTP（邮箱验证）、阿里云短信服务、微信开放平台凭据、AIPDD APIKey（AI能力）；建议服务器至少4核8GB内存、50GB+磁盘以支撑514个数据模型的数据库",
      "difficulty": "高",
      "best_for": "适合有一定技术团队的中大型企业或SaaS服务商，希望快速搭建一体化企业服务平台（OEM白标）的场景；不适合个人开发者或仅需单一功能的小团队。",
      "alternatives": "· Odoo（开源ERP+CRM+OA，模块化但偏传统）\n· Frappe/ERPNext（开源企业资源管理，Python技术栈）\n· NocoBase（开源无代码平台，可自建企业应用）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 446,
      "full_name": "zj-unicom-ai/UniEmployee",
      "name": "UniEmployee",
      "url": "https://github.com/zj-unicom-ai/UniEmployee",
      "stars": 219,
      "forks": 13,
      "open_issues": 1,
      "license": "MIT",
      "language": "Python",
      "category": "Agent中台/编排",
      "description": "面向企业的数字员工构建与运行平台：把专业员工的经验、流程与判断标准，固化为可随时上岗、可配置、可审批、可观测的 AI 数字员工。",
      "value_note": "中大型企业的 AI 平台或数字化团队，需要把客服、销售、经营分析、HR 等岗位流程固化为受审批、审计和权限约束的内部数字员工；也适合想研究企业级 Agent 编排、HITL 与可观测架构的开发者。",
      "archived": false,
      "last_pushed": "2026-09-21",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "UniEmployee 是一个企业级 AI 数字员工构建与运行平台，把客服、销售、数据分析、HR、经营分析、网络运营等岗位的经验、业务 SOP 与判断标准，固化成可随时上岗、可配置、可审批、可观测的 AI 员工。平台采用 Employee → Workflow/SOP → Skill → Connector → Tool 五层能力模型：在页面上配置人设、模型、技能（SKILL.md 规程）、MCP 连接器和原子工具，由 compiler.compile_agent() 装配成 deepagents agent 运行。它提供 Web 聊天工作台、HITL 人工审批中断、全链路 Trace 回放、按 (user_id, employee_id) 隔离的长期记忆、cron/webhook 自动任务、SQL AST 只读校验和企业知识本体查询，主要解决大模型在企业落地时流程不可控、权限无边界、结果不可审计、上下文易爆的问题。",
      "pros": "· 平台化程度高：员工人设、技能、工具、知识库、SOP、连接器全部页面化配置，内置 8 个示例员工，开箱即可演示\n· 企业级治理能力完整：HITL 人工审批、工具白名单、敏感词过滤、SQL 只读 AST 校验、审计日志与全链路 Trace 回放\n· 长对话与记忆工程扎实：按 (user_id, employee_id) 隔离的持久化记忆重启不丢，上下文达 85% 窗口自动摘要压缩，完整历史落盘可回读\n· 扩展路径标准：通过 MCP 接入 CRM/新闻/Playwright 等外部系统，关键流程可用 StateGraph 状态机固化，支持 local_shell/standard/sandbox 多执行后端\n· 部署轻量：单进程 uvicorn 即可跑全功能（内置前端静态文件），有 Docker Compose 一键部署，应用本身不需要 GPU",
      "cons": "· 外部渠道缺位：微信 / 企业微信 / 飞书 / 钉钉接入仍在路线图，当前只有平台内 Web 聊天和平台内 IM 框架\n· 配置生效方式不直观：修改人设、工具或连接器后通常要重启服务重新编译 agent；backend/employees/*.yaml 只是种子源，已有 catalog 库不会自动重新播种\n· 技术栈较重且有门槛：需 Python 3.12+、PostgreSQL（自动建 7 个业务库）以及 deepagents/LangChain 生态，二次开发和排障成本不低\n· 社区与生态规模小（219 stars），文档以中文为主，演示数据需脚本生成，缺少大规模生产环境验证案例",
      "requirements": "语言/运行时：Python 3.12+（后端 FastAPI + uvicorn），Node.js 18+（仅前后端分离开发模式需要，生产可单进程直接内置前端静态文件）；数据库：PostgreSQL（docker compose up -d db 启动，首次自动建 7 个业务库，表结构应用启动时自动创建，已有实例可用 scripts/init_postgres.sh）；依赖：backend/requirements.lock.txt（deepagents、LangChain 系、MCP 客户端等），使用 Playwright MCP 前需 npx playwright install --with-deps chromium；模型：任意 OpenAI Chat Completions 兼容接口（如 DeepSeek、OpenAI）及其 API Key，须配置 JWT_SECRET，默认管理员 admin/admin123 首登强制改密；硬件：应用本身无需 GPU，算力取决于所选模型服务，建议 4 核 8GB 内存以上，Docker 与 OpenSandbox 沙箱需额外磁盘空间。",
      "difficulty": "中",
      "best_for": "中大型企业的 AI 平台或数字化团队，需要把客服、销售、经营分析、HR 等岗位流程固化为受审批、审计和权限约束的内部数字员工；也适合想研究企业级 Agent 编排、HITL 与可观测架构的开发者。",
      "alternatives": "Dify、FastGPT、Coze（扣子）/ n8n",
      "topics": "agent-orchestration, ai-agent, ai-employee, ai-platform, business-process, digital-employee, digital-workforce, enterprise-agents, enterprise-ai, human-in-the-loop, knowledge-graph, llm, rag, workflow-automation",
      "homepage": null
    },
    {
      "id": 102,
      "full_name": "Azure/intelligent-app-workshop",
      "name": "intelligent-app-workshop",
      "url": "https://github.com/Azure/intelligent-app-workshop",
      "stars": 206,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "Bicep",
      "category": "电商/支付",
      "description": "Immersive workshop showcasing the remarkable potential of integrating SoTA foundation models to enhance product experiences and streamline backend workflows. Leverages Microsoft's Copilot stack, Microsoft Agent Framework and Azure primitives to offer an engaging and comprehensive introduction to AI-infused app development and deployment",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是微软 Azure 团队官方推出的「构建你自己的定制 Copilot」实战工作坊教学仓库。它不是可直接运行的产品，而是一套完整的课程材料与代码骨架，引导开发者从识别用户需求开始，走完 AI 应用的全生命周期：用 Azure AI Foundry 托管的基础模型/语言模型做推理引擎，用 Prompt Flow 实现 LLMOps 流程编排与评测，用 Azure AI Search 搭建语义检索（RAG）记忆系统，用 Semantic Kernel 做多智能体编排，并动手改造 Miyagi 示例代码库，最终把应用部署到 Azure。工作坊还涉及 AutoGen 多智能体协作与 GraphRAG 图增强检索等进阶主题，目的是让团队在一天到数天的沉浸式体验中理解 Copilot 架构的选型思路与工程落地方式。",
      "pros": "· 由 Azure 官方维护，紧扣微软 Copilot Stack 真实技术栈，学习路线与生产架构一致\n· 覆盖需求分析→提示工程→检索→编排→部署的完整链路，不是零散 demo 拼凑\n· 包含 AutoGen、GraphRAG、Prompt Flow 等进阶内容，适合作为团队 AI 转型的内部培训素材\n· 配套 Miyagi 等可运行代码库和架构图，动手环节可落地而非纯理论\n· 免费开源，MIT/CC BY-SA 许可，可直接 Fork 改造成自己公司的定制课程",
      "cons": "· 强绑定 Azure 生态（AI Foundry、AI Search、Semantic Kernel），不使用 Azure 的团队参考价值大打折扣\n· 仓库定位是教学材料而非产品，README 明确声明仅供演示、不保证可用性、不建议商用\n· 语言标注为未知，实际以文档和 Notebook/示例代码为主，缺少开箱即用的可部署工程\n· 成本敏感：跑通实验需要创建多个 Azure 资源（模型部署、搜索索引等），会产生真实的云消费",
      "requirements": "运行时：主要以 Python 为主（需 Python 3.9+，用于 Semantic Kernel / Prompt Flow / AutoGen），部分示例可能涉及 Node.js 与 .NET；云资源：需有效的 Azure 订阅，并开通 Azure AI Foundry（原 Azure AI Studio）、Azure OpenAI 模型部署（GPT-4o 等）、Azure AI Search 服务；工具链：Prompt Flow SDK、Semantic Kernel SDK、AutoGen、Jupyter/VS Code 环境；网络：需要能访问 Azure 门户与容器/模型端点；硬件：本地仅需普通开发机（建议 8GB+ 内存），模型推理在云端完成，无需本地 GPU。",
      "difficulty": "中",
      "best_for": "最适合使用或计划使用 Azure 云的企业架构师、解决方案工程师和 AI 应用开发团队，作为内部培训或 Copilot/RAG 应用的架构探索起点；也适合熟悉 Python 但想系统了解 Microsoft Copilot Stack 的开发者自学。",
      "alternatives": "· LangChain / LangGraph 官方教程与 LangChain Academy 课程\n· Microsoft Semantic Kernel 官方 Samples 与 Learn 文档\n· OpenAI Cookbook / LlamaIndex 文档与示例仓库",
      "topics": null,
      "homepage": null
    },
    {
      "id": 109,
      "full_name": "lin-97/gi-demo",
      "name": "gi-demo",
      "url": "https://github.com/lin-97/gi-demo",
      "stars": 185,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "后台/管理面板",
      "description": "A Vue3 Admin Template",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "5个顶级后台管理系统.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Gi Admin Pro 是一个免费开源的中后台管理系统前端模板（脚手架），而不是一套完整可用的业务系统。它基于 Vue3 + Vite + TypeScript 构建，UI 采用字节跳动的 Arco Design Vue 组件库，状态管理用 Pinia，工具集用 VueUse，数据层基于 mock 模拟，因此不接后端也能看到登录、动态表格、表单、图表等完整示例页面。项目内置 admin/user 两种角色登录鉴权、动态路由与菜单、路由权限排序与格式化（借助 xe-utils）、页面 keep-alive 缓存、可配置主题与暗黑模式，并封装了 GiTable、GiForm、GiPageLayout 等按需引入的全局组件（Gi = 全局 + 我的）。同时 README 给出大量代码规范约定，如单文件不超过 400 行、PascalCase 组件名、表单用 reactive + form 命名等，可作为新项目起步模板或 Vue3 全家桶学习参考。",
      "pros": "· 技术栈新且主流：Vue3 <script setup> + Vite + TypeScript + Arco Design Vue + Pinia + VueUse，无明显过时依赖\n· 开箱即用，内置登录鉴权、动态路由/菜单、路由权限处理、页面缓存、多主题与暗黑模式\n· 基于 mock 数据，无后端依赖，前端可独立开发调试，也方便后续对接任意后端接口\n· 代码规范与写法约定写得很细（行数、命名、表单/Store 使用方式），并有 GiTable/GiForm 等全局组件沉淀\n· MIT 许可，可免费商用和自由修改，作者另有配套掘金文章讲解权限与路由实现",
      "cons": "· 仅是前端模板，不含后端接口、数据库、部署与运维方案，真实业务功能需自行开发\n· 个人开源项目，社区与生态规模小（主要托管在 Gitee/GitHub），长期维护频率和问题响应存在不确定性\n· 文档较简略，未明确给出 Node 版本要求、目录结构与 API 说明，深度定制仍需通读源码\n· 部分约定强绑定作者个人风格（组件必须 PascalCase、页面必须保留唯一根元素、name 必须与路由一致才能缓存），团队迁移时可能产生摩擦",
      "requirements": "运行环境：纯前端项目，无需数据库和后端服务。需要 Node.js 18+（Vite 5 要求，建议用 20 LTS），包管理器使用 npm（作者建议 npm config set registry https://registry.npmjs.org/ 避免安装失败）。主要依赖通过 npm 安装：vue3、vite、typescript、@arco-design/web-vue、pinia、vue-router、vueuse、xe-utils、mock 相关库等。硬件：普通开发机即可，建议 8GB 以上内存；运行环境为支持 ES2015+ 的现代浏览器（新版 Chrome/Edge/Firefox/Safari）。常用命令：npm install、npm run dev、npm run build。",
      "difficulty": "中",
      "best_for": "需要快速搭建 Vue3 技术栈的中后台管理前端、并希望直接获得登录鉴权、动态路由、主题与规范化代码骨架的前端团队或个人开发者；也适合作为学习 Vue3 + TypeScript + Arco Design 全家桶实践的参考项目。",
      "alternatives": "· vue-vben-admin\n· vue-pure-admin / vue-element-admin\n· Soybean Admin（或 Naive UI Admin、Art Design Pro）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 38,
      "full_name": "CatchTheTornado/open-agents-builder",
      "name": "open-agents-builder",
      "url": "https://github.com/CatchTheTornado/open-agents-builder",
      "stars": 180,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "TypeScript",
      "category": "Agent中台/编排",
      "description": "AI Agents are missing the UI! We're here to change it. Build Business AI Agents for your company: business workflows, API's, bookings, e-commerce, social commerce, b2b, CPQ, intake forms, NPS tests, made-to-order use cases",
      "value_note": "如果在做 AI 产品卖给小老板，这个开箱即用的 UI 架子省 3 个月开发。自带 booking system、e-commerce、social 功能。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-21_08-27-52.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Open Agents Builder (OAB) 是一个面向企业的 AI 多智能体（Multi-Agent）开发 IDE 与运行时平台。它让开发者和业务人员通过可视化界面把可组合的构建块（oneOf、parallel、sequence、evaluator、forEach，参考 Anthropic 关于高效 Agent 的工程文章）拼装成 Agent 工作流，然后一键发布为 REST API，或生成 TypeScript 代码（flows-ai）集成进现有系统。平台内置了大量业务系统能力：订单管理 OMS、产品信息 PIM、配置报价 CPQ、客户、预订/日历、自定义实体，并提供 Vercel AI 风格的工具（createOrderTool、createCalendarEventTool、listProductsTool 及向量库支持）来让 AI 真正操作后端业务。同时自带面向客户端的交互式 Chat 应用、API Key 管理、权限、审计日志、数据加密等企业特性，目标是让业务 Agent 在数小时内而不是数天内做出可用于演示甚至生产的 POC。",
      "pros": "· 可视化拼装多智能体流程，非技术人员也能用自然语言改业务逻辑，改完即刻通过 API 生效\n· 内置 OMS/PIM/CPQ/客户/日历/自定义实体等开箱即用的业务模块，无需从零搭后端\n· 流程可一键发布为 API，也可导出 TypeScript（flows-ai）集成到已有系统，开发/业务衔接顺畅\n· 自带企业级特性：审计日志、权限、共享、API Key 管理、数据加密、统计，适合企业落地\n· 提供面向客户的 Chat 界面与模板库（GitHub 分析、Instashop 等），可直接分发链接给终端用户",
      "cons": "· 项目较新、体量较大，依赖 Vercel AI 生态，版本迭代可能带来破坏性变更\n· 功能高度封装、概念较多（flow/agent/tool/entity），需要一定时间理解其架构模型\n· 自托管部署涉及数据库、向量库、AI 模型密钥等多项配置，并非纯前端小工具\n· README 未给出明确的运行时版本、数据库与硬件清单，落地前需查官方文档确认",
      "requirements": "（README 未明确列出，以下为基于架构的合理推断）· 语言/运行时：TypeScript 生态，需 Node.js（建议 20 LTS 及以上）与 npm/pnpm\n· 数据库：需关系型数据库（如 PostgreSQL）存储实体与业务数据，并建议配置向量数据库以支持 RAG\n· 依赖/密钥：需 Vercel AI SDK 及至少一个 LLM 提供商的 API Key（如 OpenAI/Anthropic）\n· 部署：支持本地机器/服务器自托管，也提供官方云端托管版本；生产需评估 CPU/内存与存储，建议至少 2 核 4GB 起并预留向量库资源\n· 浏览器：需现代浏览器访问其可视化 IDE",
      "difficulty": "中",
      "best_for": "适合希望快速把 AI 智能体落地到真实业务流程（订单、预订、客户服务等）的企业团队，以及既想让业务人员参与、又需要 API/代码集成能力的开发者。",
      "alternatives": "· LangFlow / Flowise（可视化 LLM/Agent 编排）\n· n8n / Dify（工作流自动化 + AI 应用平台）\n· CrewAI / LangGraph（代码优先的多智能体编排框架）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 74,
      "full_name": "iPythoning/b2b-sdr-agent-template",
      "name": "b2b-sdr-agent-template",
      "url": "https://github.com/iPythoning/b2b-sdr-agent-template",
      "stars": 180,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "Shell",
      "category": "数字员工/Agent框架",
      "description": "Open-source AI SDR template for B2B export. 10-stage sales pipeline, 10 cron jobs, 4-engine memory, multi-channel (WhatsApp+Telegram+Email). Built on OpenClaw.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-09-01_08-14-11.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个基于 OpenClaw 平台的开源 AI 销售开发代表（SDR）代理模板，目标是让 B2B 外贸/出口企业在约 5 分钟内搭起一个能跑完整销售链路的 AI 销售机器人。它不是传统代码项目，而是一套由 Markdown 文件组成的「7 层上下文系统」：IDENTITY（身份）、SOUL（人设）、AGENTS（10 阶段销售工作流）、USER（客户画像与打分）、HEARTBEAT（14 项管道巡检）、MEMORY（防失忆协议）、TOOLS（CRM 与渠道集成）。代理通过 WhatsApp、Telegram、Email 三大渠道自动完成线索捕获、跟进、报价、催单到成单，并配合 cron 定时任务持续巡检销售管道，把重复的销售外呼与跟进工作自动化。",
      "pros": "· 提供完整可套用的 7 层上下文架构与 10 阶段销售流程，省去从零设计 Agent 提示工程的成本\n· 原生支持 WhatsApp / Telegram / Email 多渠道路由，贴合 B2B 外贸真实沟通习惯\n· 安装极简，OpenClaw 用户一条命令 clawhub install b2b-sdr-agent 即可，另有 Hermes 版本\n· MIT 许可，多语言 README（中/英/西/法/日等），社区更新频繁，附 CHANGELOG 与部署健康检查\n· 自带 14 个 cron 自动化管道巡检，含 MEMORY 防失忆与 sdr-humanizer 反机器人味模块",
      "cons": "· 深度绑定 OpenClaw / Hermes 生态，脱离平台几乎无法运行，存在厂商锁定风险\n· 本质仍是 Markdown 配置模板，需手动替换全部 {{placeholders}} 并自备知识库，实际调试工作量不小\n· 用 WhatsApp/Telegram 做主动销售触达存在平台封号与隐私合规（GDPR 等）风险，需自行评估\n· 依赖外部 LLM API、CRM、消息渠道账号，且文档为 README 拼贴，部分路径与脚本依赖具体环境",
      "requirements": "运行时：OpenClaw 或 Hermes Agent 平台（OpenClaw v2026.6.6 及以上）；构建/测试需 Node.js（含 npm，CI 运行 npm test）；操作系统以 Linux/macOS 为主（bootstrap.sh、deploy/doctor.sh 为 shell 脚本，国内需注意非 root 部署路径配置）；需自备 LLM API Key（Claude 等），以及 WhatsApp / Telegram / Email 任一或全部渠道账号；云端存储与 CRM/Airtable 等后端可选集成；无明确硬件门槛，普通服务器或本机即可。",
      "difficulty": "中",
      "best_for": "最适合有 B2B 外贸/出口业务、销售线索多但跟进人力不足的企业或独立销售团队，希望用 AI 自动完成多渠道外呼、跟进与催单；也适合想研究 AI Agent 销售提示工程架构的开发者参考。",
      "alternatives": "· CrewAI（多 Agent 协作框架，需自行搭建销售流程）\n· LangGraph / LangChain（通用 Agent 编排，灵活但无现成销售模板）\n· n8n / Make（可视化自动化平台，做线索流转与消息触达）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 104,
      "full_name": "AgenticGoKit/AgenticGoKit",
      "name": "AgenticGoKit",
      "url": "https://github.com/AgenticGoKit/AgenticGoKit",
      "stars": 177,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "Go",
      "category": "部署/运维",
      "description": "Open-source Agentic AI framework in Go for building, orchestrating, and deploying intelligent agents. LLM-agnostic, event-driven, with multi-agent workflows, MCP tool discovery, and production-grade observability.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "AgenticGoKit 是一个用 Go 编写的开源 Agentic AI 框架，目标是让 Go 后端团队不用切到 Python 就能构建、编排和部署智能体。它提供统一的、以流式为核心的 v1beta API：用 Builder 模式定义 Agent（系统提示词 + LLM 配置），调用 Run 同步执行，或通过流式接口实时接收 token 与工具调用更新。核心能力包括多智能体工作流编排（顺序、并行、DAG、循环、子工作流，并可自动生成 Mermaid 流程图）、内置记忆与 RAG（默认嵌入 chromem 向量库，可换成 pgvector）、工具集成与 MCP 协议支持、图片/音频/视频多模态输入，以及基于 OpenTelemetry 的分布式追踪。它用一层 provider 抽象屏蔽 OpenAI、Anthropic、Ollama、Azure、HuggingFace、OpenRouter、vLLM 等模型差异，切换只需改配置。",
      "pros": "· Go 编译型语言，产出单二进制、无 Python 运行时依赖，启动快、内存与并发开销低\n· 内置 memory + RAG（chromem 嵌入式向量库）开箱即用，零配置即可做检索与聊天历史\n· 统一的 LLM Provider 抽象，切换 OpenAI/Anthropic/Ollama 等只改配置不改代码\n· 编排模式齐全（顺序/并行/DAG/循环/子工作流）+ Mermaid 图 + OTel 全链路追踪，生产可观测性好\n· 原生流式设计与 MCP/工具集成，适合做实时交互体验",
      "cons": "· 仍处 BETA，v1beta 只是\"稳定核心 API\"，v1.0 前 core 与 core/vnext 包会被移除，存在破坏性变更风险\n· 社区和生态体量小（约 152 星），第三方集成、教程、踩坑资料远少于 Python 阵营\n· 文档与示例相对零散，部分特性需直接读源码摸索\n· 内置 chromem 适合中小规模，生产级大规模检索仍需自行接 pgvector/向量数据库",
      "requirements": "语言/运行时：Go 1.24 及以上（需 module 方式引入 github.com/agenticgokit/agenticgokit/v1beta）。可选 CLI：go install github.com/agenticgokit/agk@latest。数据库：默认无需外部数据库（内置 chromem 嵌入式向量库），生产可选用 pgvector/PostgreSQL。外部依赖：需可用的 LLM，本地跑推荐 Ollama（默认 http://localhost:11434，示例用 gemma3:1b），或提供 OpenAI/Anthropic/Azure 等 API Key。可观测性：可选 OpenTelemetry Collector（设 AGK_TRACE=true 即写本地 trace.jsonl）。硬件：无特殊要求，普通 CPU 即可；本地跑大模型建议带 GPU。",
      "difficulty": "中",
      "best_for": "已经使用 Go 技术栈、希望把 LLM Agent 或多智能体编排能力直接嵌进现有后端服务、自托管部署的工程团队；以及不愿在生产环境引入 Python 运行时的开发者。",
      "alternatives": "langchaingo（Go 版 LangChain）、Eino（字节开源的 Go LLM 应用框架）、LangGraph / CrewAI（Python 多智能体编排）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 39,
      "full_name": "wassengerhq/whatsapp-chatgpt-bot",
      "name": "whatsapp-chatgpt-bot",
      "url": "https://github.com/wassengerhq/whatsapp-chatgpt-bot",
      "stars": 177,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "JavaScript",
      "category": "Agent中台/编排",
      "description": "Ready-to-use AI Multimodal ChatGPT-based WhatsApp chatbot assistant for your business. Now supports GPT-4o with text + audio + image input, audio responses, and improved RAG + MCP 🤩",
      "value_note": "WhatsApp 是拉美/东南亚/欧洲的\"微信\"。一人公司用它 10 分钟在 WhatsApp 上开 AI 客服，7x24 接单。MIT 许可证，直接部署就用。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-21_08-27-52.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个基于 Node.js 的完整示例程序，把普通的 WhatsApp 号码变成一个由 ChatGPT 驱动的多模态 AI 客服机器人。程序会启动一个 Web 服务并连接到 Wassenger 平台提供的 WhatsApp API，自动（本地运行时借助 Ngrok）注册 Webhook 地址来接收用户发来的消息；收到消息后调用 OpenAI 模型，结合与该用户的历史对话上下文和自定义的指令（角色、业务范围、知识边界）生成回复，再通过 Wassenger 发回 WhatsApp。它支持理解文本、图片和语音，并能用文本或语音在 90 多种语言中作答。用户还可以在配置文件中设定黑名单、标签、坐席转接等规则，并通过 functions.js 里的函数调用接入外部 API、数据库或文件实现 RAG 增强。",
      "pros": "· 开箱即用：代码结构清晰、配置文件集中，按 README 教程几分钟就能跑通一个可用的多模态客服机器人\n· 多模态能力强：支持文本、图片、语音输入，可用文本和语音回复，覆盖 90+ 语言\n· 对话上下文感知：会参考用户此前在 WhatsApp 中的历史消息，回答更贴合语境\n· 可扩展性好：通过 config.js 调整人设与行为，通过 functions.js 注册函数实现 RAG 和外部 API/数据库调用\n· 与人工坐席协同：用户可要求转人工，聊天会指派给坐席并自动退出机器人流程，解除指派后机器人可重新接管",
      "cons": "· 强依赖商业第三方服务：必须注册 Wassenger（WhatsApp API 云服务）并绑定号码，核心能力不在自己手里，且会产生费用\n· 使用 OpenAI API 需要预付费充值，模型调用按量计费，流量大时成本不可控\n· 本地运行需要额外用 Ngrok 建立 Webhook 隧道，免费版有连接时长和带宽限制\n· 项目本质是一篇教程的配套示例代码，体量小、缺少生产级的鉴权、重试、限流、日志与持久化设计，不宜直接上生产",
      "requirements": "运行时：Node.js >= v16（推荐 LTS 版本），npm 安装依赖；操作系统 Windows/macOS/Linux 均可。外部账号与密钥：Wassenger API Key 并把个人或企业 WhatsApp 号码连接到 Wassenger；OpenAI API Key 且账号需预付费充值。本地运行时还需要 Ngrok 免费账号用于生成 Webhook 隧道（部署到云服务器则用公网 Webhook 地址即可）。不强制要求数据库，项目结构为 bot.js、config.js、functions.js、actions.js、server.js、main.js、store.js 等单文件模块。硬件无特殊要求，普通电脑或入门级云主机即可，主要成本来自 API 调用费用。",
      "difficulty": "低",
      "best_for": "想快速验证或上线一个 WhatsApp AI 客服/虚拟助手的中小企业、独立开发者与营销团队，尤其是已有 Wassenger 账号、希望不写代码就能改人设和接入自有数据的人。",
      "alternatives": "· n8n / Make 等低代码自动化平台 + WhatsApp Business API 节点\n· Twilio WhatsApp API 或 Meta 官方 Cloud API 搭配自建 LangChain / OpenAI 服务\n· Chatwoot、Botpress、Rasa 等开源客服或对话机器人框架（配合 WhatsApp 渠道集成）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 17,
      "full_name": "hanamizuki/solopreneur",
      "name": "solopreneur",
      "url": "https://github.com/hanamizuki/solopreneur",
      "stars": 149,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "JavaScript",
      "category": "其他",
      "description": "Skills and agents for solopreneurs — ship, review, debug, and think through problems with AI.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-06-30_08-16-48.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个面向独立开发者（一人公司）的 Claude Code / Codex 插件市场（marketplace），把完整研发组织的工作流打包成可安装插件。核心插件 solopreneur 内置 17 个技能：/mvp 充当 PM，从头脑风暴→PRD 可视化确认→模板匹配→方案→执行全流程；/plan-review 如技术负责人，分三阶段审查方案（最新官方文档+平台最佳实践、精简裁剪、外部独立评审五维度）；此外还有 code review 循环、自动化 PR 流程（autopilot / greenlight / merge-pr）、worktree-handoff、post-mortem、preview 等。另配 marketer、designer、ios-dev、android-dev、ai-engineer、neo4j-dev 等角色插件，各带 agent 与大量内置及第三方技能，可按需单装，整仓库共 103 个技能。",
      "pros": "· 插件式模块化设计，支持 à la carte 按需安装，核心与角色插件解耦\n· 覆盖产品、研发、市场、设计、iOS/Android、AI、Neo4j 的完整工作流，一人顶一队\n· 技能文档详尽，明确标注硬性依赖，缺失时优雅降级而非直接报错\n· 同时支持 Claude Code 与 Codex，并给出 skills-compatibility.json 兼容矩阵与降级说明\n· MIT 许可证，可自由使用与修改",
      "cons": "· 项目很新、星数少（59），社区验证和实战踩坑经验不足\n· 强依赖 Claude Code ≥ v2.1.110 及外部 CLI/MCP/GitHub App，环境配置成本较高\n· Codex 端仅为 fail-closed 子集，无 agent、部分技能不支持，功能明显缩水\n· 技能多达 103 个，学习曲线和认知负担较重，需自行摸索组合",
      "requirements": "运行时：Claude Code ≥ v2.1.110（用于插件依赖解析）或 Codex CLI；通过 `claude plugin marketplace add` / `codex plugin marketplace add` 安装。依赖：部分技能需外部 CLI（如认证过的 Claude CLI 作独立终审门）、MCP 服务、GitHub App；neo4j-dev 插件对应 Neo4j 数据库。仓库主体为 Markdown 技能定义 + manifests/agents/共享脚本，语言未知（无强绑定运行时）。硬件无特殊要求，普通开发机即可。",
      "difficulty": "中",
      "best_for": "独立开发者/一人公司创始人，尤其用 Claude Code 做全栈开发的 solopreneur，希望获得接近完整工程团队（含评审、自动化 PR、营销、设计）的工作流支撑。",
      "alternatives": "· Claude Code 原生子代理（subagents）与官方插件生态\n· awesome-claude-code / claude-code 技能合集类仓库\n· Aider、Cursor Rules、Continue 等 AI 编码工作流工具",
      "topics": null,
      "homepage": null
    },
    {
      "id": 40,
      "full_name": "opsrobot-ai/opsrobot",
      "name": "opsrobot",
      "url": "https://github.com/opsrobot-ai/opsrobot",
      "stars": 135,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "JavaScript",
      "category": "Agent中台/编排",
      "description": "Observability platform for Digital Employee, providing real-time tracing, session insights, and cost analysis for multi-agent workflows",
      "value_note": "雇了 AI 员工也要管理。这个工具让你看到 agent 在做什么、花了多少钱、效率如何。一人公司用它对\"数字员工\"做 KPI 管理。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-21_08-27-52.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个面向 AI Agent（OpenClaw）的可观测性平台。它通过 Vector 数据管道采集 OpenClaw Agent 产生的会话日志（sessions.json / *.jsonl），经过 remap/reduce 转换后写入 Apache Doris OLAP 数据库，并由 React 前端提供可视化界面。平台基于 KWeaver Core 框架，结合 OTel 协议与 eBPF 技术实现 AI Agent 的全链路追踪与监控，覆盖事前自动化巡检、事中实时监控告警、事后故障根因诊断，同时提供安全合规（授权管理、合规校验、风暴阻断、审计追溯）以及多维度算力成本核算（把 LLM Token 折算为部门/个人/基础设施的 ROI），解决 Agent 运行黑盒、故障难排查、调用失控和算力账目不清等问题。",
      "pros": "· 覆盖事前/事中/事后全生命周期的可观测性，支持 eBPF + OTel 全链路追踪\n· 集监控告警、安全合规审计、成本核算三大能力于一体，面向 IT/CIO/CFO 多角色\n· 前后端技术栈主流（React 18 + Vite + Node.js），组件以 Docker Compose 一键部署\n· 提供在线 Demo 可直接体验，数据管道用 Vector 配置灵活\n· 基于 KWeaver 框架，与 OpenClaw/AI Agent 生态集成度好",
      "cons": "· 强依赖 Apache Doris（FE/BE 多端口），部署与运维成本较高，资源占用不小\n· 需在每台运行 OpenClaw 的机器上单独安装并配置 Vector 采集器，接入链路较长\n· 项目信息不透明（语言、许可证、星数均未知），社区、文档与成熟度存疑\n· 与 OpenClaw/KWeaver 生态深度绑定，用于其他 Agent 框架的通用性受限",
      "requirements": "运行时：Node.js 18+，前端 React 18 + Vite + Tailwind CSS，后端 Node.js REST API；数据库：Apache Doris（OLAP，FE 端口 9030 走 MySQL 协议、BE 端口 8040）；数据采集：Vector（需在每个 OpenClaw Agent 节点安装，支持 macOS/Linux）；部署：Docker Desktop + Docker Compose 插件；端口占用：前端 3000、后端 API 8787、Doris 9030/8040；硬件：Doris 生产环境建议多节点，内存/磁盘要求较高（README 未给出明确规格）。",
      "difficulty": "中",
      "best_for": "正在使用 OpenClaw/KWeaver 等 AI Agent 的企业运维、CIO、CFO 团队，需要对 Agent 运行做全链路监控、安全合规审计与算力成本核算的场景。",
      "alternatives": "Langfuse、LangSmith、Arize Phoenix",
      "topics": null,
      "homepage": null
    },
    {
      "id": 105,
      "full_name": "Spectral-Finance/lux",
      "name": "lux",
      "url": "https://github.com/Spectral-Finance/lux",
      "stars": 128,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "Elixir",
      "category": "部署/运维",
      "description": "Lux is an open-source framework for building multi-agent, swarmed intelligence built by Spectral Labs. With Beams, Prisms, Lenses, and Signals, it orchestrates AI-driven workflows to create truly autonomous organizations.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "github_weekly_report.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Lux 是一个用 Elixir 编写的多智能体（multi-agent）协作框架，目标是让开发者构建可自主决策、互相通信并持续自我改进的智能体系统。它把系统抽象成四个核心概念：Agent（具备分析与执行能力的自主实体）、Signal（基于 schema 校验的类型安全消息，用于跨语言通信）、Prism（执行具体任务的纯函数组件）、Beam（可组合的工作流编排器，负责协调多个 Agent 的并行执行与状态依赖）。框架深度集成 LLM，提供提示词管理与上下文管理，同时内置监控、指标和测试工具，让智能体行为可观测、可复现。它宣称语言无关，Agent 可以用 Python、JS/TS 等其他语言实现，通过统一协议与 Elixir 核心通信；仓库中还附带加密货币交易系统、内容创作流水线、协作研究助手等示例。",
      "pros": "· 复用 Elixir/OTP 的并发与容错能力，天然适合长驻、高并发的 Agent 集群与监督树\n· 语言无关设计，Agent 可用 Python/JS 实现，便于接入现有 ML 与前端生态\n· Signal + schema 校验提供类型安全的跨 Agent、跨语言消息协议，减少脏数据\n· 内置可观测性与测试工具，强调确定性、可调试的 Agent 行为\n· MIT 许可，Hex 包发布，文档与 Guides 覆盖核心概念和完整示例",
      "cons": "· 项目很年轻、星数仅百余，社区与生产案例少，API 可能频繁变动\n· README 主打的「自我改进/反思 Agent」标注为 coming soon，核心卖点尚未落地\n· 依赖 Elixir/OTP 技术栈，对不熟悉 BEAM 生态的团队学习成本高、招人难\n· 语言无关的跨语言互操作通常需要额外部署运行时与桥接层，运维复杂度上升",
      "requirements": "运行时：Elixir（需较新版本，建议 1.15+）与 Erlang/OTP 26+；依赖通过 Hex/Mix 管理（lux 包）；需要 LLM 服务凭据（OpenAI/Anthropic 等 API Key）；若使用多语言 Agent 需本地或容器内安装 Python 3.10+ / Node.js 18+ 及对应桥接运行时；无强制数据库，持久化需自行接入（如 Postgres/Redis）；支持 GitHub Codespaces 预配置环境，本地建议 8GB+ 内存。",
      "difficulty": "中",
      "best_for": "适合熟悉或愿意学习 Elixir、需要高并发长驻 Agent 集群与强消息契约的团队，用于构建交易、内容生产、研究协作等 LLM 驱动的多智能体工作流。",
      "alternatives": "LangGraph、CrewAI、Microsoft AutoGen（以及 Elixir 生态内的 Jido）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 80,
      "full_name": "oomol-lab/open-flow",
      "name": "open-flow",
      "url": "https://github.com/oomol-lab/open-flow",
      "stars": 125,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "Agent中台/编排",
      "description": "Build workflows you can see, code, run, and own. Open-source visual workflow automation with real TypeScript, isolated execution, and a self-hosted Control API.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-09-15_08-05-38.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Open Flow 是一个开源的工作流自动化平台，核心特点是让 AI Agent 和人类编辑同一份 Flow。它通过 oo CLI 暴露一套版本化的机器可读命令，使 Codex、Claude Code 等终端 Agent 能够发现 Connector Actions 与 Trigger、创建和编辑带类型的节点/边/代码任务、校验草稿、运行并发布。工作流采用强类型节点：每个任务声明具名且带类型的输入输出，每条边把某个具体输出绑定到某个具体输入，这张图本身就是运行时使用的数据依赖模型；自定义逻辑写成 JavaScript 代码任务，且代码在长期运行的 Executor 进程里的全新 V8 isolate 中按声明能力执行。支持手动、Cron、Webhook、轮询和 Provider 事件触发，也可在可视化 Workbench 中查看和编辑 AI 生成的同一张图，并可选托管、Docker 自托管或 Fly.io 部署。",
      "pros": "· Agent 与人类共用同一份 Flow 定义，AI 生成的草稿直接落入所选部署，可在 Workbench 中继续可视化编辑\n· 强类型节点 + 显式数据依赖，边绑定具体输出到具体输入，图即运行时模型，可读性好\n· 业务逻辑以 JavaScript 代码任务保留为可见代码，而不是藏在表单字段里，可调试可维护\n· 代码任务在独立 V8 isolate 中、仅使用已声明的 Capability 执行，隔离不可信代码\n· 部署灵活：OOMOL 托管、Docker 自托管、Fly.io，运维状态（项目、Revision、Runs、Trigger 状态）集中在一个部署中",
      "cons": "· 项目仍处于 beta，尚未发布首个稳定版本，接口契约后续可能变动\n· 自托管需自行承担部署、存储、备份、升级、网络以及 Connector/OAuth 应用配置，运维负担不轻\n· 依赖 Node.js 26 与 Bun 1.4 等较新运行时，环境门槛偏高\n· 需配套 oo CLI 及 OpenConnector 等生态组件，并非开箱即用的独立工具",
      "requirements": "运行时：Node.js 26 或 Bun 1.4；数据库：SQLite（自托管/Fly.io 场景需持久卷）；容器：官方 Docker 镜像（自托管或 Fly.io 部署）；Agent 侧需安装 oo CLI（@oomol-lab/open-flow npm 包）；自托管需自行配置 Connector 与 OAuth 应用，并在运行 Agent 的 shell 中设置 OO_OPEN_FLOW_URL 和 OO_OPEN_FLOW_TOKEN；硬件无特殊要求，普通容器/云主机即可，托管版无需自备服务器",
      "difficulty": "中",
      "best_for": "希望用 AI Agent 自动构建和维护业务流程自动化、同时又要求保留可视化画布与可控代码的团队或开发者；尤其是需要把 Gmail、飞书等系统串起来做集成自动化的场景。",
      "alternatives": "n8n、Windmill、Dify",
      "topics": null,
      "homepage": null
    },
    {
      "id": 471,
      "full_name": "Wtrwx/vesper",
      "name": "vesper",
      "url": "https://github.com/Wtrwx/vesper",
      "stars": 76,
      "forks": 14,
      "open_issues": 0,
      "license": "MIT",
      "language": "JavaScript",
      "category": "自动化/集成",
      "description": "iOS reverse engineering platform: MCP tools and agent skills for runtime inspection, automation, decryption, debugging and tweak development",
      "value_note": "已有越狱 iPhone 和一定 iOS 逆向基础、希望借助 AI Agent（Claude Code/Cursor/Codex）自动化完成 App 分析、脱壳、动态调试和 tweak 开发的安全研究人员与逆向工程师。",
      "archived": false,
      "last_pushed": "2026-10-25",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Vesper 是一个 iOS 逆向工程平台，将结构化的 MCP 工具与 Agent 技能组合起来，让 AI 编程助手（如 Claude Code、Codex、Cursor）能够直接对越狱 iPhone 上的目标 App 进行运行时检查、UI 自动化、动态调试、解密和 tweak 开发。它通过 SSH 和 Frida 连接到设备，提供设备发现、UIKit/SwiftUI 视图树捕获、Objective-C 类与方法 dump、Swift 元数据查询、Frida 会话与钩子、Mach-O 解密、可选的 IDA/Hex-Rays 静态分析以及 LLDB 调试等能力，并能生成可编辑的 Logos 工程、用 Theos 编译 tweak、通过 SSH 安装并重启 App，把原本需要手动切换多种工具的逆向流程整合成 Agent 可调用的统一工作流。",
      "pros": "· 把 SSH、Frida、classdumpc、IDA、LLDB、Theos 等分散工具统一成 MCP 接口，Agent 可一键编排完整逆向/tweak 工作流\n· 覆盖面广：从设备连接、UI 自动化、ObjC/Swift 检查、动态 hook、解密到 tweak 构建部署形成闭环\n· 提供现成的 Agent Skill 和多客户端（Codex/Claude Code/Cursor）接入示例，降低集成成本\n· MIT 许可、CI 完善、文档含工具参考与中英双语 README，工程化程度较高\n· 支持持久化 Frida 会话、后台任务与报告，适合较长的分析会话",
      "cons": "· 强依赖越狱 iPhone 且需配置 SSH 公钥认证，设备门槛和准备成本高\n· Frida 版本要求严格（17.x 且主机与设备端必须完全匹配），环境易踩坑\n· IDA Pro 9+ 为付费可选组件，Hex-Rays 伪代码等高级静态分析能力受许可证限制\n· Swift 支持仍为实验性，物理手势自动化依赖 ZXTouch 等额外组件，稳定性可能受限\n· 星数较低、社区规模小，长期维护和问题响应存在不确定性",
      "requirements": "主机：macOS 或 Linux，Python 3.11+，uv 包管理器；设备：操作者自有的越狱 iPhone，开启 SSH 公钥认证；Frida：17.x（至少 17.5），主机客户端与设备 server 版本必须完全一致；tweak 构建：Theos、Logos、make、兼容的 iOS SDK 及编译/链接/签名工具；tweak 部署：兼容的注入 substrate 及可用 dpkg 安装包的 SSH 账户；静态分析（可选）：已授权的 IDA Pro 9+ 及官方 idapro 支持的 Python 解释器，Hex-Rays 用于伪代码；Agent 开发：Node.js 与 npm。",
      "difficulty": "高",
      "best_for": "已有越狱设备并熟悉 Frida/Theos 的 iOS 逆向工程师或安全研究人员，希望用 AI Agent 编排自动化分析、解密和 tweak 开发流程。",
      "alternatives": "· Frida + 手写脚本（配合 objection 等传统 CLI 工具流）\n· Theos + 手动 Logos 开发（不依赖 Agent 编排）\n· 其他 MCP 化逆向/调试工具链（如自建 Frida MCP server 或 IDA MCP 插件方案）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 83,
      "full_name": "AgentBull/ankole",
      "name": "ankole",
      "url": "https://github.com/AgentBull/ankole",
      "stars": 75,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "Elixir",
      "category": "自动化/集成",
      "description": "The Open-Source AI Workforce OS. Turn AI agents into autonomous labor that performs business functions and is measured by outcomes. Claude Tag open source alternative",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-09-15_08-05-38.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Ankole 是一个面向企业场景的开源 Agent Harness（智能体运行时框架），定位为「Claude Tag 的企业替代品」，核心是给每个 Agent 配一个「Company Brain（公司大脑）」。它不只是把模型、提示词和工具拼在一起，而是在每次模型调用之间维持公司级状态：自动装配当前上下文、筛选可用能力（工具/Skills/MCP/浏览器/终端）、校验权限（AuthZ、审批点、审计），并把结果与证据落盘。Company Brain 让所有授权 Agent 共享同一份最新公司知识，每条结论保留来源、时间、持有者、置信度与可见范围，新证据可更新视图同时保留历史。支持行业调研、产品选型、深度数据分析、预测等「决策类工作」，整个运行时（身份、上下文、凭据、产物、审计）都跑在企业自有基础设施上。",
      "pros": "· 企业级设计：内建身份、AuthZ、审批点、审计记录与交付状态，适合有合规诉求的组织\n· Company Brain 每条知识带来源/时间/持有者/置信度/可见范围，矛盾显式保留，可追溯性强\n· 基于 Virtual Actor + OTP 监督树，会话可唤醒、检查点、休眠、恢复，支持动辄数小时到数天的长时任务\n· 自托管，凭据、上下文、产物与执行都留在公司内部，数据不外流\n· 提供中/日/韩多语言 README，架构文档较完整，Deep Research 支持多 worker 分工调研",
      "cons": "· 项目自标 status: mvp_early_production，处于早期 MVP，API 与行为可能频繁变动\n· 技术栈复杂：Bun + Elixir/Phoenix/OTP + Rust + PostgreSQL + ZeroMQ 混合，部署与运维门槛高\n· 仅 73 星、语言标注「未知」，社区与第三方生态尚不成熟，遇到问题可参考的案例少\n· 依赖 LLM/embedding/rerank/image/web 等多个 AI 服务商，配置与调用成本较高",
      "requirements": "运行时：Bun（前端/工具链）+ Elixir/Phoenix/OTP（控制面与 Actor Runtime）+ Rust（部分高性能组件）；数据库：PostgreSQL（持久化邮箱、turn、提醒、决策、已提交动作）；消息层：ZeroMQ（wakeup/steering/checkpoint/stream/背压）；存储：Shared Agent Home 用于工作区与产物；外部依赖：至少一个 LLM 提供商，建议再配 embedding、rerank、image、web 搜索服务；硬件：建议多核 CPU（跑 1..N 个 Agent Computer Worker）与 8-16GB 以上内存，并预留 PostgreSQL 与状态存储磁盘。",
      "difficulty": "高",
      "best_for": "适合有能力自运维的中大型企业团队，在自有基础设施上构建带权限、审计与长时运行能力的多 Agent 工作流（如调研、选型、数据分析、预测）。",
      "alternatives": "LangGraph、Dify、CrewAI",
      "topics": null,
      "homepage": null
    },
    {
      "id": 24,
      "full_name": "1596941391qq/ai-openclaw-skeletons",
      "name": "ai-openclaw-skeletons",
      "url": "https://github.com/1596941391qq/ai-openclaw-skeletons",
      "stars": 73,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "JavaScript",
      "category": "营销/内容/获客",
      "description": "Pluggable digital employee skeleton system for AI agents. Not a toy, not a demo — production-grade 24/7 infrastructure with Packs, Bundles, Orchestrators, Contracts, and Hooks. | 面向 AI Agent 的可插拔数字员工骨架系统",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-07_08-20-20.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "为 AI Agent 提供一套可插拔的「数字员工骨架」框架。它把能力拆成四层：Pack（最小能力单元/手艺）、Bundle（多 Pack 组成的岗位/工种）、Orchestrator（编排与组织方式）、Contracts（全局规则与接口约束），并通过 Hook 插槽实现审计、权限、审批、预算等治理干预。项目自带 audit-core、skill-router、hook-executor、context-preloader、schedule、token-usage-reporter 等通用基础设施 Pack，用 node scripts/pack-install.mjs 逐包安装。要解决的核心问题是：让 AI Agent 从「发完即忘、不可控、不可审计的一次性 demo」变成可长期在线、可控、可回滚、可替换的常驻系统，并提供 Board/Table/Timeline/Docs/Dashboard 等操作视图。",
      "pros": "· 分层架构清晰（Pack/Bundle/Orchestrator/Contracts/Hooks），把职责边界、治理、审计、可替换性拆得较规整\n· 押注 Skill/MCP/CLI/Hook/Cron 等通用工程范式，不绑定单一框架品牌，理论上可迁移运行时\n· 自带多个开箱即用的通用基础设施 Pack（审计、路由、Hook 执行、上下文预热、定时、Token 监控）\n· MIT 许可可商用，文档给出 Pack 开发清单、幂等/增量合并原则与命名约定",
      "cons": "· 更偏架构愿景与骨架声明，README 大量篇幅讲理念，实际可运行代码与端到端示例偏少\n· 强依赖 OpenClaw Runtime（openclaw.ai），脱离该运行时或未开源部分后能力可能受限\n· 星数少（72）、生态和社区验证不足，接口仍在变动（2026 增量接入 STOP 协议）\n· 要真正落地业务仍需自行开发 Pack/Bundle/Hook，概念层学习成本较高",
      "requirements": "语言/运行时：Node.js（脚本为 ESM .mjs，建议 18+）；目标运行时报为 OpenClaw Runtime，Hook 结构需与 hooks.internal（enabled/load.extraDirs/entries/handlers）对齐；数据库：无明确要求，配置与元数据以文件声明（如 pack.openclaw.json）；依赖：Node 生态 + OpenClaw 运行时，无重量级外部服务；硬件：普通开发机即可，无 GPU 要求。",
      "difficulty": "中",
      "best_for": "适合需要把 AI Agent 当作可治理、可审计的「数字员工」长期运营的团队，尤其是已使用或愿意接入 OpenClaw 运行时、能自行开发 Pack/Hook 的开发者。",
      "alternatives": "CrewAI、LangGraph（LangChain 生态）、Dify",
      "topics": null,
      "homepage": null
    },
    {
      "id": 55,
      "full_name": "BraaMohammed/bricks",
      "name": "bricks",
      "url": "https://github.com/BraaMohammed/bricks",
      "stars": 63,
      "forks": null,
      "open_issues": null,
      "license": null,
      "language": "TypeScript",
      "category": "CRM/客户管理",
      "description": "Bricks is the open-source, fully local alternative to Clay.com. It combines AI agents, advanced web scraping, and Puppeteer automation to turn raw CSV data into actionable business intelligence — without subscriptions, vendor lock-in, or sending your data to the cloud.",
      "value_note": "Clay.com月费$149起。Bricks全本地免费，一人公司做B2B销售线索清洗和客户洞察不花冤枉钱。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Bricks 是一个跑在本地机器上的 Clay.com 替代品，用类 Airtable 表格界面完成 B2B 线索的数据富化与外联自动化。每一列都可编程：写 JavaScript 清洗数据、直接写 AI 提示词、调用 Puppeteer 脚本、启动自主网页搜索 Agent（自动生成查询、抓取页面正文 markdown、把答案写回单元格），或用 AI 邮箱查找器生成候选邮箱并经 Hunter→MillionVerifier→QuickEmailVerification 级联验证，只返回可投递地址。内置双 Agent 外联：写作 Agent 起草、扮演该线索人设的 Prospect Agent 反复审稿直至通过。后端提供 /api/search、/api/reader 接口、带 stealth 插件的 Puppeteer 浏览器池，以及一个 OpenAI 兼容的免费推理网关（Ollama→Nvidia NIM→Cloudflare→OpenRouter→Google AI Studio→Groq 依次降级）。数据与 API Key 全部留在本机。",
      "pros": "· 全本地运行，线索数据与 API Key 不出本机，无月费、无积分扣费\n· 自带 Key 按厂商原价付费，接本地 Ollama（Qwen/DeepSeek/Llama）可做到近乎 $0\n· 搜索、抓取、推理各堆叠 6 个免费额度服务并自动 failover，某个额度耗尽自动切换下一个\n· 功能覆盖完整：网页搜索 Agent、邮箱查找+验证、Puppeteer 反检测爬虫、双 Agent 外联写作、统一公式编辑器\n· Puppeteer 池带 stealth 插件、连接池、拟人延迟，并在网络层拦截 30+ 追踪域名，避免 networkidle2 挂起",
      "cons": "· 项目仅 44 星、许可证未知（README 无 License），文档和社区薄弱，生产使用有维护与合规风险\n· 前端托管在 Netlify 的 HTTPS 页面、后端跑在本机 HTTP，Chrome/Edge/Brave 默认拦截跨站请求，必须手动配置浏览器才能用，README 明确说这会影响所有功能\n· 大量能力依赖第三方免费额度（Hunter、MillionVerifier、Nvidia NIM、OpenRouter 等），其政策和配额随时可能变更导致失效\n· 并非开箱即用，仍需自行 clone 并常驻运行 Node 后端服务",
      "requirements": "运行时：Node.js 18+ 与 npm。组件分两部分：后端在 api/bricks-api（npm install 后 cp .env.example .env.local，最少需 SERPER_API_KEY 或 TAVILY_API_KEY，两者都没有则回退免费 DuckDuckGo 抓取；npm run dev 监听 http://localhost:3000），前端可选本地跑（仓库根目录 npm run dev，http://localhost:8080）或直接用已部署的 https://use-bricks.netlify.app/。AI 侧：OpenAI / Google Gemini / Groq 的 API Key，或本地 Ollama（默认 http://localhost:11434）。硬件：需能运行 Chromium/Puppeteer 的本机环境，浏览器建议用 Chrome/Edge/Brave 并放行对 localhost 的不安全/跨域请求；因走自己的 IP 抓取，最好有稳定的独立网络出口。项目未声明数据库依赖。",
      "difficulty": "中",
      "best_for": "适合需要批量做 B2B 线索富化、找可投递邮箱并生成个性化外联的个人或小团队（增长/销售运营），尤其是既不想每月付 Clay 类订阅费、也不愿把整份线索名单交给云端 SaaS 的人。",
      "alternatives": "Clay.com、Apollo.io、PhantomBuster（或 Instantly.ai 做外联触达）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 50,
      "full_name": "nl8590687/lemonclaw",
      "name": "lemonclaw",
      "url": "https://github.com/nl8590687/lemonclaw",
      "stars": 54,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "Python",
      "category": "数字员工/Agent框架",
      "description": "LemonClaw, an open-source, universal AI digital employee agent",
      "value_note": "直接对标\"数字员工\"概念，新项目但方向精准，Apache license友好。适合想自建数字员工雏形的solopreneur去贡献/改造。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "LemonClaw 是一个把任意 OpenAI 兼容大模型（DeepSeek、OpenAI、本地推理服务等）包装成\"数字员工\"的通用 Agent 框架。它内置一个 ReAct 循环，让 LLM 自主调用 16+ 个工具（文件编辑、grep/glob、git、shell、网页抓取与搜索、邮件、HTTP 请求、cron、记忆检索等）来完成实际任务。程序通过统一消息总线接入终端、Webhook、飞书/Lark、定时任务四种输入输出通道，因此既能本地终端对话，也能被 HTTP 请求或定时计划触发。它用单个 SQLite 数据库持久化长期记忆（基于 TF-IDF 的检索 + 会话自动归档）、会话状态、cron 任务和技能包；支持热加载的 SKILL.md 技能、通过 Streamable HTTP 连接外部 MCP 服务器、以及基于 LangGraph 的多 Agent 工作流（含人工介入和断点续跑）。简言之，它解决的是\"给 LLM 一套能长期运行、多渠道接入、可调工具、有记忆的工程化外壳\"这一问题。",
      "pros": "· 开箱即用的工程完整度高：ReAct 循环、持久记忆、cron、消息总线、多通道接入一站配齐，不用自己从零搭脚手架\n· 多渠道 + OpenAI 兼容：终端/Webhook/飞书/定时统一到消息总线，换模型只需改 .env，兼容 DeepSeek 等国产/本地模型\n· 扩展性强：16+ 内置工具、SKILL.md 技能热加载、MCP 远程工具、LangGraph 多 Agent 工作流均可按需接入\n· 部署简单：单文件 SQLite 免数据库运维，提供 ghcr.io 预构建镜像，一条 docker run 即可跑\n· 有基本安全控制：shell 工具默认关闭需显式开启，文件访问限制在 FILE_SAFE_DIRS 白名单内",
      "cons": "· 语义检索偏弱：长期记忆用 TF-IDF 而非向量嵌入，跨语言/同义改写场景召回效果不如 RAG 向量库\n· 项目新、星数低（约 48 stars），文档与配置项（飞书、MCP、多 Agent）仍在演进，遇到问题社区可参考资料少\n· 依赖 LLM API Key 和第三方服务（Bocha 搜索、SMTP 邮件），部分能力需自行申请开通；mcp.json 等含密钥需注意保密\n· 单 SQLite 数据库在并发 Webhook/多会话场景下可能有锁争用与扩展上限，不适合超大规模生产部署",
      "requirements": "语言/运行时：Python ≥ 3.11（推荐 3.11/3.12），需 pip install -r requirements.txt；核心依赖包括 OpenAI SDK、LangGraph、SQLite3（Python 内置）等。数据库：单个 SQLite3 文件 lemonclaw.db（无需独立数据库服务）。外部服务：必须一个 OpenAI 兼容的 LLM 端点与 API Key（OPENAI_BASE_URL/OPENAI_API_KEY/MODEL_NAME）；可选 Bocha 搜索 API、SMTP 邮件服务器、飞书应用凭据、外部 MCP 服务器。部署：可选 Docker（官方 ghcr.io/nl8590687/lemonclaw 镜像或源码构建），默认 Webhook 端口 8765；硬件无特殊要求，普通 CPU 服务器/开发机即可，模型推理压力取决于所选 LLM 端点。",
      "difficulty": "中",
      "best_for": "想让 LLM 具备长期记忆、可调用真实工具并接入终端/HTTP/飞书/定时的个人开发者或小团队，用于搭建自动化助理、内部机器人、定时巡检/报告等场景。",
      "alternatives": "Dify、n8n、OpenHands（原 OpenDevin）、CrewAI、Langroid",
      "topics": null,
      "homepage": null
    },
    {
      "id": 84,
      "full_name": "axelfreeman/marketing-mindset",
      "name": "marketing-mindset",
      "url": "https://github.com/axelfreeman/marketing-mindset",
      "stars": 32,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "HTML",
      "category": "营销/内容/获客",
      "description": "The marketing OS for AI agents — think like a marketer first, get tactics as the output.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-09-15_08-05-38.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这不是一个能跑起来的程序，而是一套给 AI Agent 用的营销思维技能包：把一位有 15 年 B2B 互联网营销经验的人「怎么判断、怎么决定」的思路，写成 SKILL.md、.cursorrules、AGENTS.md、SKILL.lite.md 等纯文本适配文件，塞进 Claude Code、Cursor、ChatGPT、Gemini、DeepSeek 等模型。它提供的不是 SEO/CRO/文案套路模板，而是六条原则加一个决策框架（三个月视野、用户有权先动手、假设必须能快速验证、营销跑在产品前面、营销不做免费交换），以及若干比喻（麦当劳汉堡、癌细胞思维、停止清单、绝望红利）。最终产物是竞品分析、三条外联角度和更锋利的定位，适合开发者解决「代码能写、客户从哪来」的问题。",
      "pros": "· 纯 Markdown 提示词，无依赖、无服务、无配置，复制到技能目录即可用，接入成本极低\n· 一套内容适配 11 种模型/工具（Claude Code、Cursor、Codex、ChatGPT、Grok、Gemini、DeepSeek、Qwen、Llama、Mistral、Hermes），并给弱模型准备了压缩版 SKILL.lite.md\n· 聚焦「如何决策」而非「照抄套路」，输出更接近有观点的人而不是模板，对定位、首批客户这类模糊问题尤其有用\n· MIT 许可，可自由改写、内嵌进自己的 agent 或团队工作流\n· 附带 first-client-gate.py 这类小工具和 demo 对话记录，能直观看到输入输出效果",
      "cons": "· 它不是软件也不是 CRM，没有任何客户管理、数据存储或自动化功能，仓库被标成「CRM / 客户管理」属于误导，别按工具预期去看\n· 效果完全取决于底层模型能力和上下文长度，同一份 SKILL.md 在不同模型上表现差异可能很大\n· 内容高度依赖作者个人经验，缺少可量化的评测基准，好坏很难客观验证\n· 仅 32 星，社区规模小，后续维护与更新的持续性不确定",
      "requirements": "无运行时依赖，主体是若干 Markdown 文本文件。需要一个能加载系统提示词/技能文件的 LLM 客户端：Claude Code（放入 ~/.claude/skills/marketing-mindset/）、Cursor（.cursorrules）、Codex（AGENTS.md）、ChatGPT 自定义 GPT（粘贴 SKILL.lite.md）、Grok/Gemini/Llama/Mistral/Hermes（作为 system prompt），或通过 npx skills add / dsh plugin 安装。可选：Python 3 用于运行 scripts/first-client-gate.py。不需要数据库、不需要服务器，普通笔记本即可，无硬件要求。",
      "difficulty": "低",
      "best_for": "独立开发者、单人创业者、自由职业者等「会写代码但卡在获客」的人，需要一个 AI 给出非模板化、有立场的营销判断；也适合希望把资深营销判断固化进 agent、让新人少产废稿的团队。",
      "alternatives": "· Anthropic 官方 Claude Skills 示例仓库（同类技能生态，可作写法参考）\n· f/awesome-chatgpt-prompts 等通用提示词库（覆盖面更广但深度和一致性较差）\n· April Dunford 定位框架 / StoryBrand 等结构化营销方法论（人工执行版，不依赖 LLM）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 85,
      "full_name": "gitcoffee-os/postar",
      "name": "postar",
      "url": "https://github.com/gitcoffee-os/postar",
      "stars": 31,
      "forks": null,
      "open_issues": null,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "营销/内容/获客",
      "description": "Postar Content Sync Assistant. An open-source multi-platform content sync and distribution productivity tool for international platforms. Sync and publish articles, notes, moments, images, videos, audio and more to mainstream media platforms with one click.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-09-15_08-05-38.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Postar 是一个多平台内容同步与分发工具，以浏览器扩展形态运行，把一次写好的文章、笔记、动态（moments）、图片、视频、音频等一次性发布到 X(Twitter)、Facebook、Instagram、TikTok、YouTube、LinkedIn、Medium、Dev.to 等海外主流媒体平台。它最大的卖点是复用浏览器本地已登录的会话状态，不把账号密码或 Cookie 上传到云端，从而规避第三方 SaaS 集中托管账号带来的隐私与封号风险；内置网页智能阅读器可从页面抽取正文，编辑器支持 Markdown/HTML，并按各平台的格式要求自动做内容适配，同时预留 AI 能力以及插件/SDK/API/MCP 等扩展接入方式，用于对接更多内容平台或企业应用。",
      "pros": "· 本地运行、复用浏览器登录态，不上传账号凭证，隐私与账号安全风险相对可控\n· 一次编辑即可一键同步发布到多个海外平台，省去逐个平台复制粘贴和重新排版\n· 内置智能网页阅读器，可从网页抽取内容，支持 Markdown/HTML 输入\n· 覆盖文章、图文、动态、视频、音频等多种内容形态，兼容 X、YouTube、TikTok、Medium 等主流海外平台\n· Apache-2.0 开源，提供插件、SDK、API、MCP 等扩展机制，便于二次开发和接入自有业务",
      "cons": "· 仓库简介/标签与实际功能严重不符（标为 CRM/客户管理，README 实为内容同步分发工具），选型和检索时容易误导\n· 星数仅 30、版本 v1.1.1，社区规模小、仍在快速迭代，稳定性与文档成熟度尚未经大规模验证\n· 发布逻辑依赖各平台前端页面结构与登录态，平台一改版就可能发布失败，需要持续跟进维护\n· 官方文档与在线体验主要在自有站点 postar.exmay.com，自建部署链路和完整技术栈在仓库中披露不足（语言标注为“未知”）",
      "requirements": "README 未明确技术栈（GitHub 语言标注为未知）。作为浏览器扩展类工具，使用时需 Chrome/Edge 等 Chromium 内核浏览器较新版本，并事先在各目标平台完成登录；核心依赖浏览器本地会话，无需数据库、无需 GPU 等特殊硬件，普通 PC/Mac 即可。若要自行编译或二次开发，通常需要 Node.js（建议 LTS，如 18/20+）与 npm/pnpm 等包管理器，具体版本和构建步骤需参照仓库/官方文档中的 Development Guide（README 中被截断）。",
      "difficulty": "中",
      "best_for": "需要把同一份内容同时分发到多个海外社交与内容平台的创作者、自媒体运营者和独立开发者，尤其是看重“本地登录态、不把账号托管给第三方”的人；也适合想基于其插件/SDK 做内容分发集成的开发者。",
      "alternatives": "Postiz（开源社媒排期/发布工具）、Mixpost（可自托管的社媒管理平台）、Buffer / Hootsuite（成熟商业多平台发布 SaaS）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 23,
      "full_name": "Aura-huang/agency-agents-cn",
      "name": "agency-agents-cn",
      "url": "https://github.com/Aura-huang/agency-agents-cn",
      "stars": 29,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": null,
      "category": "营销/内容/获客",
      "description": "🚀 Agency-Agents-CN: A collection of specialized AI Agent skills for the \"Solopreneur\" in China. Deeply optimized for platforms like WeChat, Xiaohongshu, and Douyin. Ready-to-use roles for marketing, sales, and operations.",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-07_08-20-20.md,2026-09-15_08-05-38.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这本质上不是一个可运行的程序，而是一套面向中国一人公司、独立开发者和自媒体创作者的 AI Agent「角色技能库」，内容是一批结构化的 Markdown 提示词文件。每个文件定义一个数字员工角色，包含身份定位、核心使命、关键规则、工作流程、交付物、成功指标与沟通风格。第一期发布 30+ 个角色，分五个部门：中国市场部（微信公众号、小红书、抖音、B站、知乎、私域、快手、微博、百度 SEO、小程序、增长黑客等 15 个英文版没有的原创角色）、B2B 销售部（SPIN/Gap Selling 探询、MEDDPICC 打分、管道分析、提案与 RFP、数据售前打单）、设计部、产品部和技术部。使用时把对应 md 文件复制进 ~/.claude/agents/，或在 Cursor、Kimi、通义灵码里说「激活某某专家模式」，让 AI 按预设的专业流程和交付标准输出内容。",
      "pros": "· 中国本土平台角色覆盖完整（小红书/抖音/公众号/私域/快手/微博/百度 SEO/B站/知乎），英文开源 prompt 库普遍缺失这一块\n· 每个 Skill 结构化程度较高，含工作流、交付物清单、成功指标，可直接当岗位 SOP 模板使用\n· 纯 Markdown 无代码依赖，复制即用，兼容 Claude Code、Cursor、Copilot、通义灵码、Kimi 等主流工具\n· MIT 协议，可自由修改、商用、二次分发，留出二次定制空间\n· 销售部角色带有多年 B2B 数据售前实战沉淀（MEDDPICC、SPIN、POC 规划），比通用 prompt 更落地",
      "cons": "· 不是可运行系统，没有编排、记忆、工具调用能力，真实效果完全取决于底层大模型与原工具，宣传的「生产级」「骨架系统」「Orchestrators」与实际形态不符\n· 星数少（29），缺乏版本管理、测试、eval 和示例输出，内容质量高度依赖作者个人经验，社区验证不足\n· 无持续维护承诺，第二/三期 Skills 仍停留在「计划中」，长期可用性存疑\n· 角色之间存在大量重叠（如多个平台运营、多个技术角色），实际使用时需要自行筛选裁剪",
      "requirements": "无特定语言运行时、数据库或重型依赖，项目本体只是 Markdown 文本文件。实际使用需要一个支持自定义 Agent / 长角色提示词的 AI 工具：Claude Code（把各目录 md 复制到 ~/.claude/agents/）、Cursor、GitHub Copilot、Kimi、通义灵码，或任意可粘贴长提示词的 LLM 对话界面（Claude / GPT-4 / 国产大模型均可）。硬件无特殊要求，普通笔记本即可。",
      "difficulty": "低",
      "best_for": "面向中国市场的独立开发者、一人公司创业者和自媒体运营者，想低成本搭一套「虚拟团队」来处理内容营销、平台运营、销售打单和技术杂活；也适合需要中文 Agent 提示词模板做二次改写的团队。",
      "alternatives": "msitarzewski/agency-agents（英文原版 144 个角色）、awesome-chatgpt-prompts 与 LangGPT 等提示词/结构化角色库、Coze 扣子 / Dify 上的中文 Agent 模板市场",
      "topics": null,
      "homepage": null
    },
    {
      "id": 49,
      "full_name": "clawnify/open-crm",
      "name": "open-crm",
      "url": "https://github.com/clawnify/open-crm",
      "stars": 24,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "TypeScript",
      "category": "CRM/客户管理",
      "description": "🤝 Open-source HubSpot alternative. A lightweight CRM for SaaS to manage contacts, companies, and deals with OpenClaw.",
      "value_note": "新项目但MIT + 轻量 + SaaS定位精准。适合不想被HubSpot锁定的solopreneur作为CRM起点。",
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-23_10-18-55.md,2026-07-28_08-22-25.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "OpenCRM 是一个可自托管的轻量级 CRM，定位为 HubSpot 的开源替代品，专为一人 SaaS 公司设计。它围绕公司（companies）、联系人（contacts）、交易（deals）三类实体建模并用外键关联：联系人归属公司，交易归属联系人并继承公司信息。功能包括完整 CRUD 与内联编辑、服务端排序/搜索/分页、交易管道看板（prospect→qualified→proposal→negotiation→won/lost，带每列金额合计）、活动时间线（邮件、会议、备注、成交事件全部入流），以及 CSV/XLSX 导入（列映射、自动匹配、预览后再导入）。它还能通过 Clawnify connections 用 Gmail 发信、Google Calendar 建会议、成交时发 Slack 通知。技术上前后端同仓：Hono 跑在 Cloudflare Workers，数据存 Cloudflare D1（SQLite），本地开发则落到单个 data.db 文件，无需任何云依赖。其特色是双模式 UI——人类模式 hover 显示操作，AI Agent 模式（?agent=true）按钮常显、点击区域更大、语义标签齐全，方便浏览器自动化代理操作。",
      "pros": "· 零云依赖：本地 pnpm run dev 即可用，数据存在单个 SQLite 文件 data.db，无外部 API key、无按席位收费\n· 数据模型清晰（公司-联系人-交易三层外键，ON DELETE SET NULL 处理级联），管道看板、活动时间线、CSV/XLSX 导入等核心 CRM 能力齐全\n· 独有的 AI Agent 模式（?agent=true），大点击目标+常显操作按钮+语义标签，方便 OpenClaw / Browser-Use 类自动化直接操作 CRM\n· 技术栈现代轻量：TypeScript 全栈，React 19 + Vite + Tailwind v4 + shadcn/ui 前端，Hono + Cloudflare D1 后端，MIT 许可，易读易改易嵌入\n· 通过 Clawnify connections 打通 Gmail / Google Calendar / Slack，密钥不落在应用内",
      "cons": "· 项目极早期（仅 14 stars），缺少测试、部署与迁移文档，社区和支持几乎为零，README 内部也有不一致（前端标注 React 19，但架构说明里用的是 Preact context）\n· 与 Cloudflare Workers + D1 及 Clawnify 生态绑定较深，脱离该平台自托管生产环境需要额外改造，集成功能还依赖 Clawnify 账号\n· 功能偏基础：没有多用户/角色权限、报表分析、邮件序列与自动化工作流，复杂销售流程难以覆盖\n· 后端 API 表格在 README 中被截断，接口细节需自行读代码确认",
      "requirements": "· 运行时：Node.js 20+，包管理器 pnpm（亦可用 npm/yarn）\n· 前端：React 19、Vite、Tailwind CSS v4、shadcn/ui、TypeScript、Lucide 图标\n· 后端：Hono，部署时运行于 Cloudflare Workers\n· 数据库：Cloudflare D1（SQLite），通过 @clawnify/db 封装；本地开发自动使用单文件 data.db，无需单独安装数据库服务\n· 集成（可选）：@clawnify/connections，用于 Gmail、Google Calendar、Slack，需要 Clawnify 账号与连接授权\n· 端口：本地开发默认 http://localhost:5175\n· 硬件：无特别要求，普通开发机即可；生产依赖 Cloudflare 免费/付费额度",
      "difficulty": "中",
      "best_for": "独立开发者或一人 SaaS 公司/小团队，想要一个能自托管、可嵌入自家产品的轻量 CRM，并希望它天然适配 AI Agent 自动化操作，同时接受 Cloudflare / Clawnify 技术栈的人。",
      "alternatives": "Twenty（开源现代 CRM）、NocoDB / Baserow（表格型自托管数据库可当轻量 CRM）、EspoCRM 或 Odoo CRM（功能更全的自托管传统 CRM）",
      "topics": null,
      "homepage": null
    },
    {
      "id": 469,
      "full_name": "yanstd888/agent-product-factory",
      "name": "agent-product-factory",
      "url": "https://github.com/yanstd888/agent-product-factory",
      "stars": 22,
      "forks": 0,
      "open_issues": 0,
      "license": "MIT",
      "language": "Python",
      "category": "数字员工/Agent框架",
      "description": "Autonomous AI Agent Skills to build, verify, and package commercial digital products with zero-tolerance offline QA gates.",
      "value_note": "最适合通过 AI Agent 批量生产并销售数字产品（Excel 模板、电子书、提示词包）的独立开发者或小团队，尤其是需要自动化质量闸门、把'生成产物'变成'可交付商品'的场景。",
      "archived": false,
      "last_pushed": "2026-10-22",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Agent Product Factory 是一套面向 AI Agent 的技能集合，用于自动生成、校验并打包可商用数字产品（财务 Excel 模型、EPUB/PDF 电子书、结构化提示词包）。它解决的核心问题是：当前市面上大量 AI 生成的数字产品存在隐藏的 Excel 公式错误（#VALUE!、#REF!、#DIV/0!）、未填充的占位符（{{company_name}}、[TBD]）、EPUB 内部锚链接断裂、元数据缺失等质量问题。项目通过一个 100% 离线、确定性的 QA 引擎作为发布闸门：对生成产物执行占位符扫描、无头 LibreOffice 公式重算、W3C EPUBCheck 校验、PDF 字节与渲染完整性检查，任何一项不通过即以 exit code 1 硬阻断发布。内置四个技能（product-qa、template-builder、ebook-builder、prompt-pack-builder）和一个完整的服装品牌创业工具包示例产品。",
      "pros": "· 离线确定性 QA 闸门是真正的差异化亮点，把'AI 生成'和'可商用交付'之间的质量鸿沟用可执行的 exit code 补上了\n· 覆盖 Excel 公式重算、EPUBCheck、占位符扫描、PDF 字节预算等多维度检查，比大多数'生成即交付'的流水线严谨得多\n· 安全默认值做得不错：拒绝符号链接、禁止 QA 报告污染产品目录、零网络外呼、零持久化凭证\n· MIT + CC0 双许可，示例产品（服装品牌工具包）开箱即用，可直接当模板二次开发\n· 兼容 Hermes Agent、Claude Code、Codex 等主流 Agent Skills 运行时，不锁定单一生态",
      "cons": "· 星数仅 22，社区极小，遇到问题基本只能自己读源码，长期维护性存疑\n· 系统依赖较重：需要本地安装 LibreOffice、Pandoc、Java/EPUBCheck，CI 或容器化部署时环境搭建是坑\n· QA 是确定性检查，只能拦'技术性破损'，无法判断内容质量、商业逻辑正确性或事实准确性\n· 与特定 Agent Skills 规范强耦合，脱离兼容运行时后，四个 builder 技能的复用价值会打折",
      "requirements": "Python 3.10+；本地运行时依赖：LibreOffice（soffice，用于无头公式重算）、Pandoc（文档转换）、Java + EPUBCheck 5.4.0（EPUB 校验）；无外部数据库、无网络 API 依赖；硬件无特殊要求，普通开发机即可，但 LibreOffice 无头重算大型 xlsx 时建议 2GB+ 可用内存",
      "difficulty": "中",
      "best_for": "最适合通过 AI Agent 批量生产并销售数字产品（Excel 模板、电子书、提示词包）的独立开发者或小团队，尤其是需要自动化质量闸门、把'生成产物'变成'可交付商品'的场景。",
      "alternatives": "· openpyxl + 自定义校验脚本（仅覆盖 Excel，需自行补齐 EPUB/PDF 检查）\n· pandoc + EPUBCheck 手工流水线（灵活但需自己编排闸门逻辑）\n· Calibre（ebook-convert）+ 自建 CI 校验（电子书侧成熟，但不含 Excel/提示词包 QA）",
      "topics": "agent-skills, ai-agents, digital-products, hermes-agent, indie-hacker, passive-income, python, qa-automation, solopreneur",
      "homepage": null
    },
    {
      "id": 22,
      "full_name": "lulin70/OPC-Agents",
      "name": "OPC-Agents",
      "url": "https://github.com/lulin70/OPC-Agents",
      "stars": 6,
      "forks": null,
      "open_issues": null,
      "license": "MIT",
      "language": "Python",
      "category": "营销/内容/获客",
      "description": "一人公司的 AI 执行团队 — 你说需求，它出成果 | One-Person Company AI Agent: input requirements, get deliverables",
      "value_note": null,
      "archived": false,
      "last_pushed": null,
      "data_source": "github_api",
      "sources": "2026-07-07_08-20-20.md",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "OPC-Agents（一人公司 Agents）是一个面向独立创业者与自由职业者的多智能体任务执行系统。用户用自然语言下达需求（如\"收集行业趋势\"\"写一份 Q2 营销方案\"\"记一笔收入\"\"发邮件给客户\"），系统自动完成意图分析、联网搜索与内容生成，最终交付可直接使用的结果物——研究报告、营销方案、竞品分析、邮件、财务记录或客户档案。它不是聊天机器人，而是\"把事情做完\"的执行者。核心是三贤者并行投票架构：策略脑负责理解意图与规划步骤，执行脑调用技能与工具产出成果，反思脑评估质量并前置预判、自动修正，共识引擎以 1×RTT 并行投票替代串行 3×RTT。IntentRouter 按复杂度将任务分为 SIMPLE/COMPLEX/GREETING 三路，简单任务绕过投票以省时省钱。v0.3.0 起聚焦邮件、财务、报告三大技能，并接入 DuckDuckGo 真实搜索，保证结论有来源。",
      "pros": "· 开箱即用，pip install + 启动即可用自然语言下需求，交互门槛低\n· 三贤者并行投票 + IntentRouter 分流，兼顾输出质量与延迟/成本，简单任务不走重流程\n· 交付物导向，直接产出报告/方案/邮件/财务记录，而非仅给建议\n· 接入 DuckDuckGo 真实搜索，结论带来源可溯源，减少模型编造\n· 工程化程度高：4000+ 测试、覆盖率 74%+、CI 门禁齐全（ruff/mypy/black/bandit/pip-audit/Docker），MIT 许可，三语文档",
      "cons": "· 仍处 Beta（v0.5.9），迭代频繁、版本号跳变，API 与行为可能不稳定\n· 技能范围被主动冻结，当前仅邮件/财务/报告三大核心技能，能力面较窄\n· 依赖外部 LLM 与可选 CarryMem 记忆组件，需自行配置 API Key 并承担调用成本；本地 Ollama 未启动会导致部分 E2E 失败\n· README 内容以工程内部变更（Mock 替换、linter 版本）为主，面向最终用户的文档偏薄",
      "requirements": "· 运行时：Python 3.10+\n· 安装：pip install opc-agents（跨会话记忆需 pip install opc-agents[memory]）\n· 外部依赖：需配置 LLM（云端 API 或本地 Ollama）；SQLite 用于缓存与财务等数据存储；CarryMem 提供跨会话记忆；SMTP 账号用于发信\n· 可选：Docker（CI 含 Docker build）；外接知识库（Obsidian/语雀/飞书/Notion/思源笔记）\n· 硬件：无特殊要求，普通开发机即可运行",
      "difficulty": "中",
      "best_for": "适合希望用 AI 自动完成重复性事务（写周报、做竞品分析、记账、发客户邮件）的独立创业者、自由职业者与一人公司运营者。",
      "alternatives": "CrewAI、AutoGPT、Dify",
      "topics": null,
      "homepage": null
    },
    {
      "id": 472,
      "full_name": "vietIT2002/enterprise-admin-ui",
      "name": "enterprise-admin-ui",
      "url": "https://github.com/vietIT2002/enterprise-admin-ui",
      "stars": 6,
      "forks": 0,
      "open_issues": 0,
      "license": "MIT",
      "language": "JavaScript",
      "category": "编程Agent/开发",
      "description": "Agent Skill that makes AI coding agents (Claude Code, Codex, Cursor, Copilot) build enterprise-grade management screens: ERP, CRM, HRM and admin tables, forms, filters, bulk actions, permissions and audit.",
      "value_note": "最适合用 Claude Code、Cursor、Copilot 等 AI 代理快速搭建 ERP/CRM/HRM 等企业管理后台，且希望生成界面具备生产级交互细节（筛选、批量操作、错误与空状态、权限审计）的前端开发者和小团队。",
      "archived": false,
      "last_pushed": "2026-11-10",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个面向 AI 编程代理（Claude Code、Codex、Cursor、GitHub Copilot 等）的 Agent Skill，用于指导这些 AI 工具生成企业级管理后台界面。它解决的核心问题是：AI 生成的后台页面往往看起来完整但实际不可用——缺少筛选条件芯片、表单保存失败后丢失用户输入、删除操作无确认提示、加载/错误/空状态缺失等。该 Skill 通过内置的规范和审计规则（22 条），让 AI 在生成 ERP、CRM、HRM 等系统的列表页、表单、批量操作、权限控制时遵循成熟商业软件的交互模式。实测数据显示，使用该 Skill 后 AI 生成页面的需求覆盖率从 19% 提升至 44%，其中空状态/加载/错误处理从 12% 提升至 59%。",
      "pros": "· 显著提升 AI 生成后台页面的可用性，实测覆盖率翻倍（19%→44%）\n· 覆盖多种主流 AI 编程工具（Claude Code、Codex、Cursor、Copilot、Kiro 等），一次安装多端生效\n· 内置 22 条审计规则和 17 个参考实现，规范具体且可落地\n· 提供 before/after 对比基准测试页面，效果可量化验证\n· MIT 开源，支持全局安装（-g）和项目级安装，更新方便",
      "cons": "· 项目星数仅 6，社区规模极小，长期维护和更新存在不确定性\n· 仅提供 UI 生成规范，不包含后端逻辑、API 对接或数据层实现\n· 依赖 Node.js 22.20+，版本要求较高，部分旧环境无法使用\n· Windows 安装需注意 --copy 标志和 PowerShell 脚本策略限制，否则会出现路径断裂问题",
      "requirements": "Node.js 22.20 或更高版本（用于 skills CLI 安装）；无数据库依赖（纯前端 UI 规范）；无特殊硬件要求；支持 macOS、Linux、Windows（PowerShell 需用 npx.cmd 并加 --copy 标志）",
      "difficulty": "低",
      "best_for": "正在使用 AI 编程工具快速搭建企业后台管理系统（ERP/CRM/HRM）的前端开发者或全栈团队，希望 AI 生成的页面直接达到生产可用的交互质量，而非需要大量手动修补的原型。",
      "alternatives": "· shadcn/ui（可组合的 React 组件库，需手动集成）\n· Refine（React 管理后台框架，内置 CRUD 和权限）\n· Ant Design Pro（阿里出品的企业级中后台前端解决方案）",
      "topics": "admin-dashboard, agent-skills, claude-code, codex, crm, cursor, erp, shadcn-ui, tailwindcss",
      "homepage": null
    },
    {
      "id": 473,
      "full_name": "KhanbalaRashidov/telepath",
      "name": "telepath",
      "url": "https://github.com/KhanbalaRashidov/telepath",
      "stars": 5,
      "forks": 0,
      "open_issues": 0,
      "license": "MIT",
      "language": "Go",
      "category": "编程Agent/开发",
      "description": "Send coding tasks to an AI coding agent on your own machine from Telegram. Watch it work in real time, approve risky actions, and get every change as a clean, reviewable git branch. Multi-agent (Claude Code, Gemini, Codex, Aider), cross-platform, written in Go.",
      "value_note": "最适合已经在本机使用 Claude Code/Gemini/Codex/Aider 等 AI 编码代理、希望出门后能用手机通过 Telegram/Slack 远程派任务并监督审批的开发者；也适合想给 AI 编码代理加一层安全 git 分支工作流的个人或小团队。",
      "archived": false,
      "last_pushed": "2026-10-28",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Telepath 是一个自托管的桥接程序，把 Telegram 或 Slack 作为前端，远程驱动运行在你自己开发机上的 AI 编码代理（Claude Code、Gemini CLI、OpenAI Codex CLI、Aider）。你在聊天里发一条任务描述，它会在你的项目目录里启动代理执行，并实时把代理的思考、文件 diff、执行的命令、审批请求和最终总结回传到聊天窗口。每个任务都在独立的 git 分支上进行，Telepath 接管所有 git 操作并禁用代理自身的自动提交，且绝不推送、合并或改动 main/master。对于支持 MCP 权限钩子的代理（如 Claude Code），可以实时通过聊天按钮批准或拒绝敏感操作；其他代理则回退到白名单模式。它解决了'人不在电脑前时如何安全地远程指挥本机 AI 编码代理'的问题。",
      "pros": "· 真正的 git 分支隔离工作流，每个任务独立分支，绝不触碰 main/master，改动以干净可审查的 diff 形式交付\n· 多代理支持且可按会话用 /use 切换，新增代理只需一个包加一行代码，架构扩展性好\n· 支持 Telegram 和 Slack 双前端，长轮询/Socket Mode 可穿透 NAT，无需公网 IP\n· 实时审批机制（MCP 权限代理）让危险操作需人工确认，安全性设计到位\n· 提供 Docker 自包含镜像（内置 Node 和各代理 CLI），部署门槛低，文档有四种语言",
      "cons": "· 星数仅 5，项目非常早期，成熟度和社区支持有限，可能存在未发现的 bug\n· 只有 Claude Code 支持完整的流式输出、会话和实时审批，其他代理功能降级为文本加白名单\n· 依赖各代理 CLI 的命令行接口，这些工具的 flag 变动频繁，容易因上游更新而失效\n· 需要自备各代理的 API 密钥和订阅，实际使用成本和配置复杂度不低",
      "requirements": "语言/运行时：Go（用于从源码构建，go install）；或直接使用预编译二进制/Docker。代理依赖：Claude Code 需 npm 全局安装 @anthropic-ai/claude-code；Gemini CLI 需 @google/gemini-cli；Codex 需 @openai/codex；Aider 需 pipx install aider-chat（均需 Node/npm 或 Python/pipx 环境）。配置：Telegram Bot Token（经 BotFather 创建）、ALLOWED_CHAT_IDS、PROJECTS_DIR 等环境变量（.env）。硬件：一台能运行上述 CLI 并访问对应 AI 服务的开发机/服务器；Docker 自包含镜像需较多磁盘空间。数据库：无（会话状态为进程内 per-chat 状态）。",
      "difficulty": "中",
      "best_for": "最适合已在使用 Claude Code 等 AI 编码代理、且希望在通勤或外出时通过手机 Telegram/Slack 远程安全地给本机代理派活、审查改动的个人开发者和小团队。",
      "alternatives": "· Open Interpreter（本地 AI 执行代码，可远程交互）\n· Aider 的 Web/UI 封装方案（如 aider 的浏览器界面）\n· Claude Code 自带的远程/云端会话方案",
      "topics": "ai-agent, aider, automation, claude-code, cli, codex, coding-agent, developer-tools, devtools, gemini, golang, llm, mcp, self-hosted, telegram-bot",
      "homepage": null
    },
    {
      "id": 474,
      "full_name": "fuvi-devs/Vexer",
      "name": "Vexer",
      "url": "https://github.com/fuvi-devs/Vexer",
      "stars": 3,
      "forks": 0,
      "open_issues": 0,
      "license": "MIT",
      "language": "TypeScript",
      "category": "记忆/RAG/知识库",
      "description": "open-source AI agent orchestration platform for coordinating intelligent agents, extensible skills, persistent memory, workflow automation, and AI model provider integrations.",
      "value_note": "最适合希望深度定制智能体运行时、需要自建插件体系并对接多家模型供应商的 TypeScript 开发者，用于内部工具或原型探索，而非直接上生产。",
      "archived": false,
      "last_pushed": "2026-11-04",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Vexer 是一个基于 TypeScript 的开源 AI 智能体编排平台，用于协调多个智能体、管理可扩展技能、持久化记忆、工作流自动化以及对接 40+ 家 AI 模型供应商（如 OpenAI、Anthropic、DeepSeek、Google、Groq 等）。它解决的核心问题是：如何在不被单一框架绑死的情况下，灵活组装和替换智能体运行时的各个部件。整个系统基于 Cordis 插件框架构建，模型适配器、工具注册表、会话日志、智能体循环等所有能力都以插件形式存在，可通过配置文件替换、禁用或扩展，没有需要打补丁的特权核心。它同时提供 Web 界面、Electron 桌面端、CLI（dsh）以及 TypeScript/Python SDK，并支持子智能体委派、沙箱隔离与权限审批机制。",
      "pros": "· 插件化架构彻底，基于 Cordis 框架，所有能力（模型适配、工具、会话、智能体循环）均可替换或扩展，无特权核心\n· 模型供应商支持广泛，内置 40+ 家供应商适配，切换成本低\n· 交付形态丰富，同一运行时同时提供 Web、Electron 桌面端、CLI 和 TS/Python SDK\n· 具备工程化配套，含沙箱隔离、权限审批、持久化会话与 Redis/ClickHouse 记忆后端\n· MIT 许可证，代码完全开放可商用",
      "cons": "· 官方明确标注为实验性开发者预览版，未经安全审计，不适合生产环境\n· 社区关注度极低（仅 3 星），缺乏生态、案例和社区支持\n· 构建要求较苛刻，强制使用 pnpm 11.28.5，Node 版本限定 ^22.19.0 或 >=24.0.0，构建需至少 4GB 内存\n· 功能面铺得很广（工作流、浏览器操作、LSP、子智能体等），但成熟度参差，实验性功能无产品支持承诺",
      "requirements": "Node.js ^22.19.0 或 >=24.0.0（推荐 Node 24）；pnpm 11.28.5（通过 packageManager 锁定，不支持其他包管理器）；构建内存至少 4GB；操作系统支持 macOS、Linux、Windows；可选依赖 Redis 或 ClickHouse 用于记忆插件；需要各模型供应商的 API 密钥",
      "difficulty": "高",
      "best_for": "最适合希望深度定制智能体运行时、需要自建插件体系并对接多家模型供应商的 TypeScript 开发者，用于内部工具或原型探索，而非直接上生产。",
      "alternatives": "LangChain / LangGraph、Microsoft AutoGen、CrewAI",
      "topics": "ai-agents, automation, collaboration, cybersecurity, employee-management-ai-system, fuvi-devs, open-source, orchestration-systems, partnerships, sponsership, vexer, workfllow",
      "homepage": null
    },
    {
      "id": 475,
      "full_name": "arm-pz/ai-team-blueprint",
      "name": "ai-team-blueprint",
      "url": "https://github.com/arm-pz/ai-team-blueprint",
      "stars": 1,
      "forks": 0,
      "open_issues": 0,
      "license": "MIT",
      "language": null,
      "category": "数字员工/Agent框架",
      "description": "Agent skill that plans your first AI team: asks 5 questions, picks one use case, then writes 3-5 agent roles with paste-ready prompts, handoffs, a lean tool stack, QA plan and 7-day launch plan. Human approval gates built in. For Claude Code and Claude.ai.",
      "value_note": "最适合想用 AI Agent 提效但不知从何入手的个人创业者、自由职业者和小型企业主，尤其是已在使用 Claude Code/Claude.ai 的用户，可快速获得一份可执行的 Agent 团队启动方案。",
      "archived": false,
      "last_pushed": "2026-11-06",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个面向 Claude Code 和 Claude.ai 的 Agent Skill（技能包），用于帮个人或小企业从零规划第一支 AI Agent 团队。它通过交互式提出 5 个问题（目标、现有技能、每周可投入时间等），从内容、获客、客服、研究、运营五类场景中打分选出最合适的一个用例，然后生成一份完整的团队蓝图：3-5 个 Agent 角色定义、可直接粘贴使用的角色提示词、角色间的交接（handoff）流程、精简的工具栈清单、QA 质检方案以及 7 天上线计划。核心特色是内置人工审批关卡（human approval gates），确保任何内容在发送、发布或付费前都需人工确认，降低自动化风险。",
      "pros": "· 输出结构化且可直接落地，提示词为 paste-ready 格式，省去从零设计 Agent 团队的摸索成本\n· 内置人工审批门控，在发送/发布/付费等高风险动作前强制人工确认，安全性设计到位\n· 附带 11 个触发测试用例（evals），覆盖清晰、隐含和近似场景，便于验证技能是否正确激活\n· MIT 许可证，可自由修改和二次分发\n· 场景聚焦明确（内容/获客/客服/研究/运营），对新手友好，避免选择瘫痪",
      "cons": "· 星数仅 1，社区验证极少，成熟度和长期维护存在不确定性\n· 强绑定 Claude 生态（Claude Code / Claude.ai），非 Claude 用户无法直接使用\n· 输出的是规划蓝图而非可运行代码，真正搭建 Agent 仍需配合 claude-api 等技能自行开发\n· 注意与同名项目 bengrauergit/ai-team-blueprint 区分，避免装错包",
      "requirements": "运行环境：需安装 Node.js（用于 npx skills add 命令安装技能）；宿主为 Claude Code CLI 或 Claude.ai 账户；无数据库、无独立服务依赖；硬件无特殊要求，普通开发机即可；可选搭配 claude-api 技能以将蓝图落地为代码",
      "difficulty": "低",
      "best_for": "最适合想用 AI Agent 提效但不知从何入手的个人创业者、自由职业者和小型企业主，尤其是已在使用 Claude Code/Claude.ai 的用户，可快速获得一份可执行的 Agent 团队启动方案。",
      "alternatives": "· bengrauergit/ai-team-blueprint（同名同类项目，注意区分）\n· LangChain / CrewAI（用于实际编码搭建多 Agent 团队的框架）\n· AutoGen（微软开源的多 Agent 协作框架）",
      "topics": "agent-skills, agent-team, ai-agents, ai-automation, claude-code, claude-skills, multi-agent, prompt-engineering, solopreneur",
      "homepage": null
    },
    {
      "id": 476,
      "full_name": "Francoclaude/open-creator-os",
      "name": "open-creator-os",
      "url": "https://github.com/Francoclaude/open-creator-os",
      "stars": 1,
      "forks": 0,
      "open_issues": 0,
      "license": "MIT",
      "language": "HTML",
      "category": "营销/内容/获客",
      "description": "The open-source, autonomous creative studio for AI agents. Master copywriting frameworks, video direction, reverse engineering, and offer architecture.",
      "value_note": "适合已经使用 Claude Code 或 Cursor 等 AI 编程工具的内容创作者、独立营销顾问和小型代理机构，希望用结构化提示词系统化产出 LinkedIn/短视频内容并设计高客单价服务。",
      "archived": false,
      "last_pushed": "2026-11-04",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "Open Creator OS 是一个面向 AI 编程代理（如 Claude Code、Cursor、Antigravity）的开源创意工作室提示词与技能集合。它将文案写作框架（Cole、Schwartz、Hormozi、Ogilvy）、视频分镜指导、爆款内容逆向拆解、高客单价服务设计（Offer 架构）以及内容一稿多发的自动化流程，封装成可直接加载到 AI 代理中的 Skill 文件。目标是替代每月 50-200 美元的封闭式 SaaS 创作工具，让个人创作者和代理机构在本地免费运行一套系统化的内容生产与转化流程，同时附带两个零依赖的 HTML 小工具（钩子评分器、LinkedIn 轮播预览器）。",
      "pros": "· 完全本地化、MIT 开源，无订阅费、无 credit 限制、无数据上传\n· 将成熟的直复营销方法论（认知五阶段、价值等式、4U 钩子）结构化为可复用的 AI Skill\n· 兼容主流 AI 编程工具（Claude Code、Cursor、Windsurf、Antigravity），接入成本低\n· 附带零依赖 HTML 工具，双击即可在浏览器运行\n· 覆盖从内容创作到 Offer 设计到 DM 转化的完整链路",
      "cons": "· 项目极新（星数仅 1），缺乏社区验证、案例和长期维护保证\n· 本质是提示词/Markdown 集合，效果高度依赖底层 AI 模型的能力，无独立可执行逻辑\n· 方法论偏英文直复营销（Direct-Response）语境，中文创作者需自行本地化\n· 文档中的克隆地址（francosalomone/open-creator-os）与仓库归属（Francoclaude）不一致，可能存在路径错误",
      "requirements": "· 无运行时依赖：核心是 Markdown/HTML 文件\n· AI 代理环境：Claude Code CLI、Cursor、Windsurf 或 Google Antigravity 任一\n· HTML 工具：Chrome 或 Safari 浏览器即可\n· 硬件：普通开发机即可，无 GPU/数据库要求",
      "difficulty": "低",
      "best_for": "适合已经使用 Claude Code 或 Cursor 等 AI 编程工具的内容创作者、独立营销顾问和小型代理机构，希望用结构化提示词系统化产出 LinkedIn/短视频内容并设计高客单价服务。",
      "alternatives": "· Jasper / Copy.ai（封闭式 AI 文案 SaaS）\n· Ship 30 for 30 / Nicolas Cole 的付费写作课程体系\n· Awesome ChatGPT Prompts 等开源提示词集合",
      "topics": "agent-skills, ai-agents, antigravity, claude-code, content-strategy, copywriting, creator-economy, marketing-frameworks, multi-agent, prompt-engineering, reverse-enginnering, solopreneur, video-editing",
      "homepage": "https://francosalomone.com"
    },
    {
      "id": 478,
      "full_name": "Sinkear/agentwork",
      "name": "agentwork",
      "url": "https://github.com/Sinkear/agentwork",
      "stars": 1,
      "forks": 1,
      "open_issues": 0,
      "license": "MIT",
      "language": "Go",
      "category": "自动化/集成",
      "description": "Multi-agent orchestration platform — goal board, runtimes, squads, and webhook-driven issue/PR automation. Go + Next.js.",
      "value_note": "最适合独立开发者或单人超级个体，想用 CLI Agent（如 opencode 等 ACP 兼容 Agent）在本地无人值守地跑完整开发闭环——从 GitHub/飞书触发任务、多 Agent 分工、机器自动验收、仅在关键检查点人工把关并自动合并交付。",
      "archived": false,
      "last_pushed": "2026-11-11",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "agentwork 是一个单用户、单机部署的 AI 任务流水线操作系统（控制平面），用 Go 后端守护进程 + Next.js Web UI 实现。它把「目标 → Agent 执行 → 机器验证 → 人工闸门 → 自动交付」整条无人值守闭环跑通：用户用自然语言为每个领域（Domain）定义验收策略，由处理器 Agent 编译成可执行的校验命令、结构守卫和人工检查点；目标可拆分为子目标（各自有负责人、独立 worktree、独立验证器），子目标产出的 Change 由 owner 整合，冲突会自动唤醒负责人返工。它支持 ACP/JSONL/JSON-RPC 多协议与 stdio/ws/tcp 多传输，可通过 Web、Cron、GitHub/GitCode Issue 与 PR（轮询 + Issue webhook）、飞书 IM @机器人 等方式触发任务，并通过飞书审批卡片、完成/失败推送和每日摘要做通知。核心心智模型是：Goal 是唯一的状态权威，Run 只是某 Agent 的一次执行并向上汇报、无决策权，平台判定完成、人把守闸门。",
      "pros": "· 真正跑通无人值守闭环：执行、机器验证、结构守卫、人工闸门、自动交付（合并 + 复验 + 推送）一体化，而不只是任务派发\n· 验收策略用自然语言声明、由 Agent 编译成可执行检查，把「什么算做完」工程化，且编译结果需人工确认一次，兼顾自动化与可控\n· 子目标 + Change 的协作模型清晰：独立 worktree、独立验证、冲突自动返工、修订版本化管理，适合多 Agent 分工\n· 多协议多传输（ACP/JSONL/JSON-RPC over stdio/ws/tcp）+ 可挂额外 MCP server，对主流 CLI Agent 生态兼容性好\n· 触发与通知渠道丰富：Web/Cron/GitHub/GitCode Issue+PR/飞书 IM 入站，配合飞书审批卡片可在 IM 内直接批准或驳回",
      "cons": "· 明确设计为单进程、单机、单用户、无鉴权，不能直接用于团队共享或多租户场景，公网暴露风险高\n· 项目极早期（星数仅 1），文档与社区生态薄弱，遇到问题基本只能自己读源码（DESIGN.md / Collaboration.v2.md）\n· 强依赖具体 CLI Agent（如 opencode acp）与飞书生态，国内 IM 绑定较深，海外团队或不用飞书的用户接入成本高\n· 概念较多（Domain/Goal/Run/Runtime/Agent/Squad/Sub-goal/Change/Verifier/Gate/Mention/Schedule/Trigger），上手需要理解一整套心智模型，初始配置（domain + runtime + agent + connect）偏繁琐",
      "requirements": "后端：Go 1.26+；前端：Node.js 20+、npm 10+；数据库：本地 SQLite（内嵌，无需外部数据库服务）；进程：agentwork-daemon（默认端口 :47813）+ agentwork connect（运行在执行 Agent 的机器上）+ Next.js Web UI；硬件：单机即可，无特殊 GPU 要求，普通开发机/服务器可跑；可选：飞书应用（用于 IM 触发与通知）、GitHub/GitCode 仓库访问凭证（用于 Issue/PR 触发与自动交付）",
      "difficulty": "高",
      "best_for": "最适合独立开发者或单人超级个体，想用 CLI Agent（如 opencode 等 ACP 兼容 Agent）在本地无人值守地跑完整开发闭环——从 GitHub/飞书触发任务、多 Agent 分工、机器自动验收、仅在关键检查点人工把关并自动合并交付。",
      "alternatives": "· Claude Code + GitHub Actions（用 Issue/PR 驱动 Agent 的官方工作流方案）\n· OpenHands（原 OpenDevin，开源 AI 软件工程 Agent 平台）\n· LangGraph / CrewAI（多 Agent 编排框架，可自建类似的目标-执行-验证流水线）",
      "topics": "agent-runtime, ai-agents, developer-tools, go, multi-agent, nextjs, orchestration, task-board",
      "homepage": null
    },
    {
      "id": 479,
      "full_name": "UNITEDTECHNOLOGIESOFAMERICA/iq-platform",
      "name": "iq-platform",
      "url": "https://github.com/UNITEDTECHNOLOGIESOFAMERICA/iq-platform",
      "stars": 1,
      "forks": 0,
      "open_issues": 0,
      "license": "MIT",
      "language": null,
      "category": "Agent中台/编排",
      "description": "IQ turns your data, systems and workflows into AI agents that take action. It runs on your own infrastructure, and UTOFA engineers run it for you.",
      "value_note": "对数据主权和合规性有硬性要求的政府机构、金融、医疗、军工等行业IT团队，且预算充足、愿意与UTOFA合作进行托管部署，需要将现有遗留系统快速转化为AI自动化代理的场景。",
      "archived": false,
      "last_pushed": "2026-11-11",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "IQ Platform 是一个企业级 AI Agent 编排平台，核心能力是将企业现有的数据源、内部系统和业务工作流封装为可自主执行的 AI 代理。它支持私有化部署（本地、私有 VPC、物理隔离网络），内置 330+ 预置 Agent 定义库，提供企业级 RAG 检索增强生成管道、智能 ETL 数据处理配置、小型语言模型（SLM）部署脚本，以及基于 Java 微服务的事件驱动编排能力。平台定位为'主权 AI'解决方案，强调数据不出域、零外泄，由 UTOFA 工程师提供从构建到持续优化的托管服务，本质上是商业托管服务的开源技术底座。",
      "pros": "· 支持本地/私有VPC/物理隔离部署，满足金融、政府等严格合规场景的数据主权要求\n· 提供330+现成Agent定义，显著降低从零构建自动化代理的门槛\n· MIT开源许可，允许自由审计、修改和商用\n· 技术栈覆盖完整，包含RAG、ETL、SLM部署和Java微服务编排模板",
      "cons": "· GitHub星数仅1，社区几乎不存在，缺乏第三方验证和生态支持\n· 核心价值依赖UTOFA工程师托管服务，开源部分更像是商业获客入口而非独立可用产品\n· 语言标注为'未知'，README未提供架构图、API文档或具体部署步骤，技术透明度低\n· 缺少实际案例、性能基准或用户评价，成熟度难以判断",
      "requirements": "推测需要：Java运行时（JDK 11+）、容器化环境（Docker/Kubernetes）、GPU服务器（用于SLM推理，建议NVIDIA A100/T4级别）、私有VPC或本地物理服务器；具体版本和硬件规格README未明确说明，需联系UTOFA获取部署文档",
      "difficulty": "高",
      "best_for": "对数据主权和合规性有硬性要求的政府机构、金融、医疗、军工等行业IT团队，且预算充足、愿意与UTOFA合作进行托管部署，需要将现有遗留系统快速转化为AI自动化代理的场景。",
      "alternatives": "LangChain + LangGraph（开源可自托管）\nCrewAI（多Agent协作编排）\nMicrosoft AutoGen（企业级多Agent框架）",
      "topics": "aiagent, aiagentdevelopment, aiagentframework, aiagentic, aiagentics, aiagents, aiagentsframework, artificial-intelligence, automation",
      "homepage": "https://iqaas.ai/"
    },
    {
      "id": 481,
      "full_name": "WireCatLabs/bitrix24-cli",
      "name": "bitrix24-cli",
      "url": "https://github.com/WireCatLabs/bitrix24-cli",
      "stars": 1,
      "forks": 0,
      "open_issues": 1,
      "license": "Apache-2.0",
      "language": "TypeScript",
      "category": "CRM/客户管理",
      "description": "Bitrix24 CRM CLI for AI agents",
      "value_note": "最适合已在 Bitrix24 上管理销售流程、并希望让 AI 代理（如 Claude Code）在终端中安全读写 CRM 数据的团队和个人；也适合需要离线搜索 CRM 数据并通过脚本自动化的销售运营人员。",
      "archived": false,
      "last_pushed": "2026-11-11",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "b24 是一个命令行工具，让用户和 AI 代理（如 Claude Code、Codex、Gemini CLI）通过终端直接读写 Bitrix24 CRM 的销售数据，包括交易、线索、联系人、公司、销售管道及其阶段、产品和员工。它使用 Bitrix24 的传入 webhook 进行身份验证，并以创建该 webhook 的员工权限执行操作。交易和线索会被同步到本地 WireCat 存储，使列表和搜索功能可以离线工作。该工具提供细粒度的权限控制（allow/ask/readonly/deny），每次写操作都返回 operation_id 并支持 --dry-run 预览。它还支持通过 MCP 协议为 AI 代理提供服务，并将门户文本标记为 untrusted 以防止提示注入。",
      "pros": "· 为 AI 代理深度集成设计，支持 Claude Code、Codex、Gemini CLI 等主流代理的 skill 安装和 MCP 协议\n· 细粒度权限控制，每个命令和 REST 方法都可设置权限级别，删除操作需确认，MCP 服务器只能收紧权限\n· 本地 WireCat 存储支持离线列表和搜索，增量同步只读取变更数据\n· 安全性好：webhook 地址存储在系统密钥环中，不出现在输出、错误或运行记录中\n· 支持 --dry-run 预览和 --json 输出，便于脚本化和自动化集成",
      "cons": "· 项目星数仅 1，社区极小，文档和第三方支持有限，长期维护存在不确定性\n· 深度绑定 WireCat 生态系统，若不使用 WireCat 其他工具，本地存储优势不明显\n· 需要 Bitrix24 管理员权限才能复制整个 CRM，普通用户只能同步自己的数据\n· Node.js 版本要求较严格（22.16+ 或 24+），可能需要升级运行时环境",
      "requirements": "Node.js 22.16 或更高 22.x 版本，或 Node.js 24 或更高版本；通过 npm 全局安装 @wirecat/bitrix24-cli；Bitrix24 门户的传入 webhook（需 crm、user_basic、department 权限范围）；系统密钥环（或使用 --credential-storage file 存储凭据）；无数据库要求，本地使用 WireCat 存储",
      "difficulty": "中",
      "best_for": "最适合已在 Bitrix24 上管理销售流程、并希望让 AI 代理（如 Claude Code）在终端中安全读写 CRM 数据的团队和个人；也适合需要离线搜索 CRM 数据并通过脚本自动化的销售运营人员。",
      "alternatives": "· Bitrix24 官方 REST API（直接调用，无需 CLI 封装）\n· bitrix24-python-sdk（Python SDK，适合 Python 生态的自动化脚本）\n· Bitrix24 官方 MCP 集成或第三方 Bitrix24 MCP 服务器（若已存在）",
      "topics": "ai-agents, bitrix24, claude-code, cli, crm, local-first, mcp, mcp-server, nodejs, typescript, wirecat",
      "homepage": "https://wirecat.dev/en/docs/b24"
    },
    {
      "id": 477,
      "full_name": "zainwang1/zhixu-agent-studio",
      "name": "zhixu-agent-studio",
      "url": "https://github.com/zainwang1/zhixu-agent-studio",
      "stars": 1,
      "forks": 0,
      "open_issues": 0,
      "license": "MIT",
      "language": "Vue",
      "category": "电商/支付",
      "description": "Zhixu Agent Studio - enterprise AI application and digital employee platform",
      "value_note": "适合需要私有化部署、对数据安全有要求的中大型企业团队，尤其是希望快速搭建内部 AI 助手、数字员工或行业垂直智能体应用（如能源、电商、制造）的技术团队；也适合有一定 Java/Vue 基础、想基于开源平台二次开发而非从零构建的开发者。",
      "archived": false,
      "last_pushed": "2026-11-11",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "知序智能体平台是一个国产化企业级 AI 应用与数字员工构建平台，融合 Dify 的可视化工作流编排与 Coze 的智能体发布形态。核心解决的问题是：让企业无需从零开发，即可通过可视化方式配置模型、提示词、知识库、工具、工作流和发布渠道，快速搭建对话智能体、工作流应用和数字员工。平台内置 89 个岗位模板、180 个工作场景，覆盖集团职能与 11 个垂直行业；知识库支持 7 种分片策略、混合检索（向量+BM25）、检索评测（Hit@K、nDCG 等）；工作流提供拖拽式 DAG 画布与 10 种节点类型；支持网页、API、SSE、企业微信/钉钉/飞书等多渠道发布，全部可私有化部署。",
      "pros": "· 功能覆盖极全，智能体编排、可视化工作流、RAG 知识库、长期记忆、数字员工、多渠道发布一站式齐备，减少多系统拼凑成本\n· 国产模型适配完善，原生支持 DeepSeek、通义千问、智谱 GLM、豆包、Kimi、Ollama 等 OpenAI 兼容供应商，无需额外适配层\n· 知识库 RAG 流水线成熟度高，7 种分片策略、PDF 逐页清洗、混合检索实验室、检索评测指标（Hit@K/MRR/nDCG）均为生产级设计\n· 全部业务数据可编辑、无硬编码分支，岗位模板以 JSON 资源维护并增量同步，扩展新行业/岗位只需追加配置文件\n· MIT 协议 + 私有化部署，企业可完全掌控数据与模型，适合对数据安全有要求的场景",
      "cons": "· 项目极新（仅 1 star），社区生态、第三方插件、问题解答积累几乎为零，踩坑需自行解决\n· 技术栈非常激进（Java 21 + Spring Boot 4.1.2 + Spring AI 2.0.2），均为最新大版本，生产环境稳定性与长期维护风险待验证\n· 系统模块众多（智能体、工作流、知识库、数字员工、组织体系、渠道发布等），概念密度高，初次上手需投入较多时间理解各模块关系\n· 内置演示数据（电网能源、小红书运营）虽可运行，但接入真实业务需替换全部样本数据并重新配置工作流与工具，定制工作量不小",
      "requirements": "语言/运行时：Java 21（后端）、Node.js + Vue 3 + TypeScript（前端）；框架：Spring Boot 4.1.2、Spring AI 2.0.2；数据库：H2（开发/演示）或 PostgreSQL（生产推荐）；模型依赖：至少一个 OpenAI 兼容对话模型 API（DeepSeek/通义/智谱/Ollama 等）+ Embedding 模型 API；可选依赖：PDFBox（PDF 生成）、Prometheus（监控）；硬件建议：4 核 CPU / 8GB RAM 起步（不含模型推理），若本地部署 Ollama 需额外 GPU 资源",
      "difficulty": "中",
      "best_for": "适合需要私有化部署、对数据安全有要求的中大型企业团队，尤其是希望快速搭建内部 AI 助手、数字员工或行业垂直智能体应用（如能源、电商、制造）的技术团队；也适合有一定 Java/Vue 基础、想基于开源平台二次开发而非从零构建的开发者。",
      "alternatives": "Dify（开源 LLM 应用开发平台，社区活跃，工作流编排成熟）、Coze（字节跳动智能体平台，开箱即用但闭源 SaaS 为主）、FastGPT（开源知识库问答平台，RAG 能力强，轻量级部署）",
      "topics": "agent, ai, coze, dify, digital-employee, enterprise, rag, spring-boot, vue3, workflow",
      "homepage": null
    },
    {
      "id": 480,
      "full_name": "zhbehx/viral-copy",
      "name": "viral-copy",
      "url": "https://github.com/zhbehx/viral-copy",
      "stars": 1,
      "forks": 0,
      "open_issues": 4,
      "license": "MIT",
      "language": "Python",
      "category": "营销/内容/获客",
      "description": "给你的 AI 装上能直接发出去的文案手感：小红书笔记 / 短视频脚本 / 标题钩子 / 合规自检。Agent Skill，零依赖。",
      "value_note": "做小红书/短视频的自媒体作者、内容运营、个人品牌操盘手，以及需要批量产出合规社媒文案的中小团队；也适合把内容生成接入 CI 做合规卡点的开发者。",
      "archived": false,
      "last_pushed": "2026-10-28",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "viral-copy 是一个面向 AI Agent 的「爆款文案」技能包（Agent Skill），核心是一个 SKILL.md 文件加一套参考文档和合规检查脚本。它不是让 AI「写得好一点」，而是通过硬约束规则（前两行必须有冲突、必须含具体数字、一条只打一个点、写完必查极限词等）逼 AI 产出结构化、可直接发布的小红书笔记、60 秒短视频口播脚本、8 条标题候选、封面文案、标签组合和评论区首评。附带 4 项×25 分的爆款潜力评分卡（低于 60 分不交付），以及零依赖 Python 脚本 check_banned_words.py 扫描广告法极限词、导流词并给出替换建议，支持 --json 接入 CI 流水线。",
      "pros": "· 零依赖纯文本，安装即用，把目录丢进 skills 路径或直接粘贴 SKILL.md 即可\n· 方法论沉淀在 references 目录，每次调用稳定复现，不用反复重述要求\n· 内置违禁词库 + 确定性检查脚本，合规风险可被 CI 自动拦截，词库加一行即扩一条行业规则\n· 交付物结构完整（标题/封面/正文/标签/首评/评分），并附三个完整成品案例可对照学习\n· 强制具体数字与失败经历，主动消除 AI 味（禁开场问候、禁形容词堆叠）",
      "cons": "· 星数仅 1，社区验证几乎为零，方法论实际效果缺乏第三方反馈\n· 「爆款」本质不可保证，评分卡是启发式打分，容易让人误以为高分=必爆\n· 强绑定特定平台（小红书/短视频）的中文语境，英文或其它平台需自行改造\n· 依赖支持 Agent Skills 的客户端（Claude Code 等），传统 ChatGPT 网页版无法直接加载目录结构",
      "requirements": "语言/运行时：Python 3.9+（仅合规检查脚本需要）；SKILL.md 本身零运行时、纯文本。依赖：无第三方库，标准库即可。数据库：无。硬件：无特殊要求，任意能跑 Python 的机器。客户端：需支持 Agent Skills 的环境（Claude Code、DeepSeek Harness 等），单文件客户端可直接粘贴 SKILL.md。",
      "difficulty": "低",
      "best_for": "做小红书/短视频的自媒体作者、内容运营、个人品牌操盘手，以及需要批量产出合规社媒文案的中小团队；也适合把内容生成接入 CI 做合规卡点的开发者。",
      "alternatives": "· ai-tell（同作者，检测并改写文案的 AI 味）\n· 各类小红书/短视频 Prompt 模板合集（如 Awesome ChatGPT Prompts 中文分支）\n· 商业文案工具（如 Jasper、Copy.ai、秘塔写作猫等 SaaS）",
      "topics": "agent-skills, content, copywriting, marketing, xiaohongshu",
      "homepage": null
    },
    {
      "id": 488,
      "full_name": "1665711659/ai-native-crm",
      "name": "ai-native-crm",
      "url": "https://github.com/1665711659/ai-native-crm",
      "stars": 0,
      "forks": 0,
      "open_issues": 0,
      "license": "MIT",
      "language": "Python",
      "category": "记忆/RAG/知识库",
      "description": "AI-Native CRM: RAG, Tool-Calling Agent, Workflow Automation, AIGC pipeline (ComfyUI/TTS/ASR/FFmpeg) and Digital Employees (Playwright/Browser-use/Airtest). Python + Tornado.",
      "value_note": "最适合想学习如何把 RAG、Tool Calling Agent、工作流、AIGC、浏览器自动化整合进业务系统的开发者，以及需要一套 AI 原生 CRM 原型做技术验证或二次开发起点的团队；不适合直接拿去做生产环境销售管理。",
      "archived": false,
      "last_pushed": "2026-11-11",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个用 Python + Tornado 构建的 AI 原生 CRM 演示项目，把五类 AI 能力直接嵌入销售业务闭环：①基于 NumPy 余弦检索的轻量 RAG，用于售前话术/FAQ 检索问答；②基于 OpenAI Function Calling 的 Agent 循环，可用自然语言查客户、写跟进、做统计，工具直连业务库；③事件驱动工作流引擎，在新客创建、阶段流转、成交等节点自动生成话术并落库；④预留 AIGC 扩展（ComfyUI 文生图、Edge-TTS、faster-whisper ASR、FFmpeg 视频后处理）；⑤预留数字员工扩展（Playwright 确定性浏览器自动化、Browser-use LLM 自主操作、Airtest 安卓自动化）。它解决的是传统 CRM 只做记录、不做执行的问题，把 AI 当成业务闭环里的执行者而非附加插件。作者明确声明这只是技术整合 demo，不建议直接生产使用。",
      "pros": "· 五层 AI 能力（RAG/Agent/工作流/AIGC/数字员工）在同一套架构里打通，适合作为学习 AI 应用整合的参考样本\n· 上手门槛极低：默认 SQLite + Mock LLM，无 Key、无外部数据库也能离线跑通全链路并演示\n· 内置单文件可视化管理台（漏斗统计、客户管理、Agent 对话轨迹、RAG 来源引用、AIGC 出图），零前端构建依赖\n· LLM 客户端兼容 OpenAI 协议，可切换火山方舟/DeepSeek/GLM 等，避免厂商锁定\n· 代码分层清晰（handlers/services/ai/db），Agent 返回 steps 执行轨迹，便于理解 Tool Calling 机制",
      "cons": "· 作者反复强调只是 demo，缺乏生产级的安全性、权限、并发与稳定性设计，不可直接商用\n· RAG 用 NumPy 余弦检索而非专业向量库，数据量增大后检索性能与召回质量会受限\n· AIGC 与数字员工多为骨架/扩展，需自行部署 ComfyUI、配置 Playwright/Airtest 等环境才能真正可用\n· 文档与生态成熟度有限（星数未知、社区小），遇到问题基本要靠自己读源码",
      "requirements": "Python 3.10+（开发环境 3.12 验证）；核心依赖 tornado、numpy、httpx、aiosqlite；数据库默认 SQLite 零配置，生产可切 MySQL/PostgreSQL；真实 LLM 需 OpenAI 兼容平台 Key（火山方舟/DeepSeek/GLM 等）；AIGC 扩展需本机 ComfyUI、FFmpeg，ASR 需 faster-whisper；数字员工需 Playwright/Browser-use/Airtest；硬件无特殊要求，普通开发机即可运行核心功能",
      "difficulty": "低",
      "best_for": "最适合想学习如何把 RAG、Tool Calling Agent、工作流、AIGC、浏览器自动化整合进业务系统的开发者，以及需要一套 AI 原生 CRM 原型做技术验证或二次开发起点的团队；不适合直接拿去做生产环境销售管理。",
      "alternatives": "· Dify（LLM 应用编排平台，可视化搭建 RAG/Agent/工作流）\n· n8n（工作流自动化平台，可接 AI 节点做业务自动化）\n· Coze（字节跳动 AI Bot 搭建平台，支持插件与工作流编排）",
      "topics": "ai-agent, ai-crm, comfyui, digital-employee, llm, rag, tool-calling, tornado",
      "homepage": null
    },
    {
      "id": 483,
      "full_name": "bk-han-dev/free-ai-bot-skills",
      "name": "free-ai-bot-skills",
      "url": "https://github.com/bk-han-dev/free-ai-bot-skills",
      "stars": 0,
      "forks": 0,
      "open_issues": 0,
      "license": "MIT",
      "language": "Shell",
      "category": "CRM/客户管理",
      "description": "Free AI agent skills (SKILL.md templates) by Coach BK Han, AI Innovation Coach, Singapore. Copy-paste workflows for solopreneurs: lead hunting, Luma events, newsletters, video and more. aihustlegeneration.com",
      "value_note": "最适合使用Claude Code/Cursor等AI编程助手的独立创业者、个人品牌运营者或小型营销团队，希望用现成工作流模板快速让AI承担营销、活动、视频等重复性运营任务。",
      "archived": false,
      "last_pushed": "2026-10-31",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个包含19个SKILL.md模板文件的开源集合，专为AI智能体（如Claude Code、Codex、Cursor、Grok Bot）设计。每个SKILL.md文件本质上是一份结构化的工作流指令，能将通用AI助手转变为特定领域的专家。覆盖场景包括：营销增长（病毒式内容研究、跨平台活动拆分、Newsletter撰写与订阅增长、LinkedIn/Skool社区运营、线索表单构建、发布前QA检查）、活动管理（Luma活动组织、Eventbrite管理、线上会议准备与跟进）、视频制作（从创意到分镜、风格化视觉视频、Grok Imagine B-roll生成、Loom录像再利用）以及应用开发QA门禁。目标用户是独立创业者（solopreneur），让他们用AI机器人一人完成营销、活动、视频和业务工作流。",
      "pros": "· 完全免费且MIT许可，可自由复制、修改和分发\n· 覆盖独立创业者高频刚需场景，模板化程度高，即装即用\n· 支持多种安装方式（npx CLI、Claude插件市场、ZIP手动下载），上手门槛低\n· 每个技能职责单一明确，遵循SKILL.md标准格式，便于组合与二次定制\n· 跨平台兼容主流AI编程助手（Claude Code、Codex、Cursor、Grok Bot）",
      "cons": "· 星数未知且社区规模小，缺乏大量用户验证，模板质量参差风险存在\n· 强依赖特定AI智能体生态（Claude Code等），若不使用这些工具则价值有限\n· 模板内容偏营销/活动运营，对技术深度开发场景覆盖有限\n· 部分技能依赖外部API（如Luma API、Grok Imagine API），需自行配置密钥和账号",
      "requirements": "语言：Shell（安装脚本）；运行时：Node.js（用于npx命令）或支持SKILL.md的AI智能体（Claude Code、Codex、Cursor、Grok Bot）；依赖：无强制数据库或后端，部分技能需外部API密钥（Luma API、Grok Imagine/xAI API、Eventbrite API）；硬件：无特殊要求，普通开发机即可",
      "difficulty": "低",
      "best_for": "最适合使用Claude Code/Cursor等AI编程助手的独立创业者、个人品牌运营者或小型营销团队，希望用现成工作流模板快速让AI承担营销、活动、视频等重复性运营任务。",
      "alternatives": "· Anthropic官方skills仓库（anthropics/skills）\n· Awesome Claude Skills 社区合集\n· Cursor Rules / .cursorrules 社区模板库",
      "topics": "aeo, agent-skills, ai-agents, ai-automation, ai-bot, ai-coach, ai-workflows, answer-engine-optimization, automation-templates, llm, no-code-ai, one-person-business, prompt-engineering, singapore, skill-md, solopreneur",
      "homepage": "https://aihustlegeneration.com/?utm_source=github&utm_medium=about&utm_campaign=free-ai-bot-skills"
    },
    {
      "id": 482,
      "full_name": "zengyu199009/skill-go-to-market",
      "name": "skill-go-to-market",
      "url": "https://github.com/zengyu199009/skill-go-to-market",
      "stars": 0,
      "forks": 0,
      "open_issues": 0,
      "license": "MIT",
      "language": null,
      "category": "营销/内容/获客",
      "description": "AI skill go-to-market — marketplace selection, listing content, pricing & launch checklist for selling AI skills, from real cross-platform experience.",
      "value_note": "最适合已经或打算把自己的 AI skill / prompt / agent 工具上架到 PromptBase、Waffo、MCP Market 等市场变现的独立开发者、一人公司和初创团队，尤其是没有跨平台上架经验、想少走弯路的新手。",
      "archived": false,
      "last_pushed": "2026-11-06",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "这是一个面向 AI Agent 的 SKILL.md 提示词包，把 Claude Code、Cursor、Codex、OpenClaw 等支持 SKILL.md 的 Agent 变成'AI 技能产品上市运营'助手。它基于作者在 Waffo、Agensi、PromptBase、MCP Market 等多个平台真实上架 5+ 个 AI skill 的实战经验，提供四大模块：一是市场平台选型，根据 skill 类型（agent-skill / prompt / tool）匹配最合适的销售平台；二是上架内容模板，生成能通过审核并转化的标题、描述、关键词；三是定价策略，覆盖一次性买断 vs 订阅、锚定、分层设计；四是合规与上线清单，包括地区限制、KYB/KYC、支付通道以及发布前的准备事项。核心解决的问题是：新手把 skill 随手一传就被拒审或定价失误卖不动，浪费前几次上架机会去踩本可避免的坑。",
      "pros": "· 实战导向，源自真实跨平台上架经验，包含被拒审和修正的教训，不是纸上谈兵\n· 覆盖面完整，从选平台、写文案、定价到合规支付和上线清单一站式覆盖\n· 双语（中英）SKILL.md，中文用户也能直接使用\n· MIT 许可证，可自由修改和二次分发\n· 安装简单，支持 skills.sh 一行命令或手动克隆，无复杂依赖",
      "cons": "· 本质是提示词模板而非代码工具，输出质量高度依赖所接入 Agent 的能力\n· 平台规则（审核标准、KYB 要求、抽成）变化快，静态文档内容可能过时需自行核对\n· 缺少星数和社区验证，作者背景与案例真实性需自行评估\n· 不包含自动化脚本或 API 集成，上架操作仍需人工在各平台完成",
      "requirements": "运行环境：任意支持加载 SKILL.md 的 AI Agent（Claude Code、Cursor、Codex、OpenClaw 等）；无需特定语言运行时或数据库；安装可选 Node.js/npx（用于 skills.sh 一键安装）或直接 git clone；硬件无特殊要求，普通开发机即可。",
      "difficulty": "低",
      "best_for": "最适合已经或打算把自己的 AI skill / prompt / agent 工具上架到 PromptBase、Waffo、MCP Market 等市场变现的独立开发者、一人公司和初创团队，尤其是没有跨平台上架经验、想少走弯路的新手。",
      "alternatives": "· PromptBase 官方的卖家指南与博客\n· Indie Hackers / Product Hunt 上关于 AI 产品 GTM 的公开 playbook\n· 各平台（Waffo、MCP Market、Agensi）自带的卖家帮助文档与上架教程",
      "topics": "agent, ai, go-to-market, indie-hackers, launch, marketplace, saas, skill, solopreneur",
      "homepage": "https://skills.alqedge.com"
    },
    {
      "id": 489,
      "full_name": "thtbee/nectarlink",
      "name": "nectarlink",
      "url": "https://github.com/thtbee/nectarlink",
      "stars": 4298,
      "forks": 374,
      "open_issues": 50,
      "license": "GPL-3.0 (apps) + MPL-2.0 (core) + CC-BY-4.0 (docs)",
      "language": "Rust",
      "category": "自动化/集成",
      "description": "Your Android phone and your PC, working as one. Windows and Linux. Local-first, end-to-end encrypted, no account.",
      "value_note": "适合一人公司/独立开发者：安卓配 Win11/Linux 时，一个 App 替代 Phone Link + KDE Connect + LocalSend + scrcpy 四个工具，通知/短信/剪贴板/投屏/传文件/手机App窗口化全覆盖，本地直连无账号，隐私可控。",
      "archived": false,
      "last_pushed": "2026-11-14",
      "data_source": "github_api",
      "sources": "pipeline",
      "status": "candidate",
      "stars_verified": true,
      "what_it_does": "NectarLink 是安卓和 Windows/Linux 之间的全包型设备协同工具，核心用 Rust 写成（协议、配对、会话、信任库两端共用一份代码），Windows 端 Qt Quick + Rust，安卓端 Kotlin + Jetpack Compose，传输层用 iroh 1.x（QUIC + TLS 1.3，配对时交换密钥）。功能覆盖：手机 App 在电脑开独立窗口、通知/短信/RCS/WhatsApp 统一收件箱并可电脑直接回复、投屏最高 60 帧带声音、手机变网络摄像头/扬声器/录音笔（Continuity Camera 拍照直接进电脑剪贴板）、电脑变手机遥控器（触控板/空中鼠标/演示遥控/Stream Deck 式按钮面板）、剪贴板互通 + 文件断点续传。设计原则：本地优先（设备直连不经服务器）、端到端加密、无需账号注册。敏感功能（远程控制、shell 命令、存储访问）默认关闭需手动开启。Android 8.0+，Windows 10 2004+/11，Linux 支持 Ubuntu 24.04+/Debian 13/Fedora 40+。",
      "pros": "· 一个 App 替代 Phone Link + KDE Connect + LocalSend + scrcpy 四个工具，减少碎片化配置\n· 核心协议用 Rust 写成，两端共用，避免跨实现 bug（比 KDE Connect 的痛点）\n· 本地直连 + 端到端加密 + 无账号，隐私强（QUIC + TLS 1.3，密钥配对时交换）\n· 手机 App 在电脑开独立窗口（最亮眼功能），电脑上刷手机 App 互不干扰\n· 投屏最高 60 帧带声音，支持截图录屏\n· 敏感功能默认关闭，每功能独立开关，隐私主动权在用户手里\n· 安卓不挑品牌（三星/小米/一加/华为/OPPO 等都支持，Android 8.0+）\n· 更新勤快（v0.1.5，last_pushed 2026-11-14），作者 Bee 在 X 上活跃",
      "cons": "· Windows 安装包未签名，会弹 SmartScreen 警告（需点'仍要运行'）\n· 部分地区 Google Play Protect 会拦 APK（需临时关闭扫描）\n· 只支持 Windows 10 2004+ / 11，Win7/8 不支持\n· macOS 桌面版还在计划中（PLAN.md 标注为 future scope），暂时只有 Win + Linux\n· 进阶功能（手机 App 窗口、后台剪贴板同步）需开启'无线调试'\n· 项目相对新（v0.1.x），长期稳定性待观察\n· 文章提到的营收/营收数据是作者自报的 best-effort，未三方审计",
      "requirements": "Android 8.0+ 手机；Windows 10 2004+/11（x64 或 ARM64）或 Linux（Ubuntu 24.04+/Debian 13/Fedora 40+，x86_64）；无账号需求；两端安装 App 后扫码或附近设备列表配对（输 6 位码），也支持 USB + adb 连接；传输走 Wi-Fi 直连（iroh QUIC），可选自建 relay 用于'离开家'场景。",
      "difficulty": "低",
      "best_for": "一人公司/独立开发者/远程工作者：安卓配 Win11 或 Linux 时，想一个 App 搞定通知/短信/投屏/传文件/剪贴板/手机App窗口化，且重视本地加密隐私（不想账号/云），不想装三四个碎片工具。特别适合重视 Continuity Camera（手机拍照直接进电脑剪贴板）和手机变网络摄像头用于视频会议/直播的人。",
      "alternatives": "Phone Link（微软官方，但功能碎片化、需要账号）、KDE Connect（跨平台但配置复杂）、LocalSend（纯传文件）、scrcpy（纯投屏）、Intel Unison（已停更）",
      "topics": "android, jetpack-compose, kde-connect-features, kotlin, linux, localsend, phone-link, qt, rust, windows",
      "homepage": null,
      "license_verified": true
    }
  ],
  "updatedAt": "2026-11-14T16:55:48Z",
  "starsCheckedAt": "2026-11-18",
  "starsVerifiedNote": "stars_verified=true 表示数值来自 GitHub API 实时读取（data_source=github_api），非人工估算；星数会随时间变化，复核时用仓库 full_name 再读一次 API。"
}
