文档(工程): 更新项目 Star 数并移除实践与 speckit 配置段落

- 更新 AI Agent、RAG/LLM 框架等分类下项目的 Star 数
- 移除底部的实践经验总结和 speckit.constitution 配置

工程/README.md

@@ -16,56 +16,56 @@
 
 ### Claude Code / AI Agent
 
-- [OpenClaw](https://github.com/openclaw/openclaw) ⭐ 352.6k - 你的个人 AI 助手，支持任何操作系统和平台
-- [n8n](https://github.com/n8n-io/n8n) ⭐ 183.1k - 具有原生 AI 能力的公平代码工作流自动化平台
-- [Claw Code](https://github.com/ultraworkers/claw-code) ⭐ 178.8k - GitHub 历史上最快突破 100K Stars 的仓库，Rust 实现的 CLI Agent Harness
-- [Everything Claude Code](https://github.com/affaan-m/everything-claude-code) ⭐ 147.5k - Agent Harness 性能优化系统，提供技能、记忆、安全和研发优先开发
-- [Superpowers](https://github.com/obra/superpowers) ⭐ 142.3k - 有效的 Agent 技能框架和软件开发方法论
-- [Dify](https://github.com/langgenius/dify) ⭐ 136.9k - 生产就绪的 Agent 工作流开发平台
-- [LangChain](https://github.com/langchain-ai/langchain) ⭐ 132.9k - Agent 工程平台
-- [Open WebUI](https://github.com/open-webui/open-webui) ⭐ 130.8k - 用户友好的 AI 界面，支持 Ollama、OpenAI API 等
-- [Claude Code](https://github.com/anthropics/claude-code) ⭐ 111.4k - Anthropic 官方终端原生 AI 编程工具
-- [Spec Kit](https://github.com/github/spec-kit) ⭐ 86.4k - GitHub 规范工具包，帮助开始规范驱动开发
-- [nanobot](https://github.com/HKUDS/nanobot) ⭐ 38.6k - 超轻量级个人 AI Agent
-- [OpenSpec](https://github.com/Fission-AI/OpenSpec) ⭐ 38.5k - AI 编码助手的规范驱动开发工具
-- [RAGFlow](https://github.com/infiniflow/ragflow) ⭐ 77.5k - 融合 RAG 与 Agent 能力的开源检索增强生成引擎
-- [Page Agent](https://github.com/alibaba/page-agent) ⭐ 16.5k - 纯 JavaScript 实现的页面 GUI Agent，使用自然语言操作 Web 界面
-- [Agent Skills for Context Engineering](https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering) ⭐ 14.9k - 上下文工程、多 Agent 架构和生产 Agent 系统的综合技能集合
-- [Claude Plugins Official](https://github.com/anthropics/claude-plugins-official) ⭐ 16.4k - Anthropic 官方管理的高质量 Claude Code 插件目录
-- [Compound Engineering Plugin](https://github.com/EveryInc/compound-engineering-plugin) ⭐ 13.8k - Claude Code、Codex 等的官方复合工程插件
-- [Claude Code Router](https://github.com/musistudio/claude-code-router) ⭐ 31.8k - 使用 Claude Code 作为编码基础设施基础，允许你决定如何与模型交互
-- [Happy Coder](https://github.com/slopus/happy) ⭐ 17.5k - Codex 和 Claude Code 的移动端和 Web 客户端，支持实时语音、加密
-- [VoltAgent](https://github.com/VoltAgent/voltagent) ⭐ 7.7k - 基于开源 TypeScript AI Agent 框架构建的 AI Agent 工程平台
-- [MasteringRAG](https://github.com/Steven-Luo/MasteringRAG) ⭐ 665 - 企业级 RAG 系统从入门到精通
+- [OpenClaw](https://github.com/openclaw/openclaw) ⭐ 369.9k - 你的个人 AI 助手，支持任何操作系统和平台
+- [n8n](https://github.com/n8n-io/n8n) ⭐ 187.1k - 具有原生 AI 能力的公平代码工作流自动化平台
+- [Claw Code](https://github.com/ultraworkers/claw-code) ⭐ 190.7k - GitHub 历史上最快突破 100K Stars 的仓库，Rust 实现的 CLI Agent Harness
+- [Everything Claude Code](https://github.com/affaan-m/everything-claude-code) ⭐ 176.1k - Agent Harness 性能优化系统，提供技能、记忆、安全和研发优先开发
+- [Superpowers](https://github.com/obra/superpowers) ⭐ 183.6k - 有效的 Agent 技能框架和软件开发方法论
+- [Dify](https://github.com/langgenius/dify) ⭐ 140.6k - 生产就绪的 Agent 工作流开发平台
+- [LangChain](https://github.com/langchain-ai/langchain) ⭐ 136.1k - Agent 工程平台
+- [Open WebUI](https://github.com/open-webui/open-webui) ⭐ 136.2k - 用户友好的 AI 界面，支持 Ollama、OpenAI API 等
+- [Claude Code](https://github.com/anthropics/claude-code) ⭐ 121.8k - Anthropic 官方终端原生 AI 编程工具
+- [Spec Kit](https://github.com/github/spec-kit) ⭐ 93.8k - GitHub 规范工具包，帮助开始规范驱动开发
+- [nanobot](https://github.com/HKUDS/nanobot) ⭐ 42.0k - 超轻量级个人 AI Agent
+- [OpenSpec](https://github.com/Fission-AI/OpenSpec) ⭐ 46.4k - AI 编码助手的规范驱动开发工具
+- [RAGFlow](https://github.com/infiniflow/ragflow) ⭐ 80.0k - 融合 RAG 与 Agent 能力的开源检索增强生成引擎
+- [Page Agent](https://github.com/alibaba/page-agent) ⭐ 17.6k - 纯 JavaScript 实现的页面 GUI Agent，使用自然语言操作 Web 界面
+- [Agent Skills for Context Engineering](https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering) ⭐ 15.5k - 上下文工程、多 Agent 架构和生产 Agent 系统的综合技能集合
+- [Claude Plugins Official](https://github.com/anthropics/claude-plugins-official) ⭐ 18.9k - Anthropic 官方管理的高质量 Claude Code 插件目录
+- [Compound Engineering Plugin](https://github.com/EveryInc/compound-engineering-plugin) ⭐ 16.3k - Claude Code、Codex 等的官方复合工程插件
+- [Claude Code Router](https://github.com/musistudio/claude-code-router) ⭐ 33.6k - 使用 Claude Code 作为编码基础设施基础，允许你决定如何与模型交互
+- [Happy Coder](https://github.com/slopus/happy) ⭐ 20.3k - Codex 和 Claude Code 的移动端和 Web 客户端，支持实时语音、加密
+- [VoltAgent](https://github.com/VoltAgent/voltagent) ⭐ 8.7k - 基于开源 TypeScript AI Agent 框架构建的 AI Agent 工程平台
+- [MasteringRAG](https://github.com/Steven-Luo/MasteringRAG) ⭐ 679 - 企业级 RAG 系统从入门到精通
 
 ### RAG / LLM 框架
 
-- [AutoGen](https://github.com/microsoft/autogen) ⭐ 56.9k - Microsoft Agent AI 编程框架，用于创建可自主行动或与人类协作的多 Agent AI 应用
-- [Flowise](https://github.com/FlowiseAI/Flowise) ⭐ 51.7k - 可视化构建 AI Agents 的低代码平台
-- [LlamaIndex](https://github.com/run-llama/llama_index) ⭐ 48.4k - 领先的文档 Agent 和 OCR 平台
-- [crewAI](https://github.com/crewAIInc/crewai) ⭐ 48.4k - 协调角色扮演、自主 AI Agents 的框架，通过培养协作智能使 Agents 无缝协作
+- [AutoGen](https://github.com/microsoft/autogen) ⭐ 57.8k - Microsoft Agent AI 编程框架，用于创建可自主行动或与人类协作的多 Agent AI 应用
+- [Flowise](https://github.com/FlowiseAI/Flowise) ⭐ 52.6k - 可视化构建 AI Agents 的低代码平台
+- [LlamaIndex](https://github.com/run-llama/llama_index) ⭐ 49.2k - 领先的文档 Agent 和 OCR 平台
+- [crewAI](https://github.com/crewAIInc/crewai) ⭐ 50.9k - 协调角色扮演、自主 AI Agents 的框架，通过培养协作智能使 Agents 无缝协作
 - [Quivr](https://github.com/QuivrHQ/quivr) ⭐ 39.1k - 为你的应用集成 GenAI 的 RAG 引擎，专注于产品而非 RAG
-- [LangGraph](https://github.com/langchain-ai/langgraph) ⭐ 28.8k - 构建有弹性的语言 Agents 作为图
-- [FastGPT](https://github.com/labring/FastGPT) ⭐ 27.7k - 基于 LLMs 的知识库平台，提供数据处理、RAG 检索和可视化 AI 工作流编排
-- [SemanticKernel](https://github.com/microsoft/semantic-kernel) ⭐ 27.7k - 轻松快速地将尖端 LLM 技术集成到应用中
-- [Haystack](https://github.com/deepset-ai/haystack) ⭐ 24.8k - 开源 AI 编排框架，用于构建上下文工程、生产就绪的 LLM 应用
-- [Hindsight](https://github.com/vectorize-io/hindsight) ⭐ 8.6k - 能够学习的 Agent Memory
+- [LangGraph](https://github.com/langchain-ai/langgraph) ⭐ 31.5k - 构建有弹性的语言 Agents 作为图
+- [FastGPT](https://github.com/labring/FastGPT) ⭐ 27.9k - 基于 LLMs 的知识库平台，提供数据处理、RAG 检索和可视化 AI 工作流编排
+- [SemanticKernel](https://github.com/microsoft/semantic-kernel) ⭐ 27.8k - 轻松快速地将尖端 LLM 技术集成到应用中
+- [Haystack](https://github.com/deepset-ai/haystack) ⭐ 25.1k - 开源 AI 编排框架，用于构建上下文工程、生产就绪的 LLM 应用
+- [Hindsight](https://github.com/vectorize-io/hindsight) ⭐ 12.7k - 能够学习的 Agent Memory
 - [FlashRAG](https://github.com/RUC-NLPIR/FlashRAG) ⭐ 3.4k - 高效 RAG 研究的 Python 工具包
 
 ### 推理部署
 
-- [Milvus](https://github.com/milvus-io/milvus) ⭐ 43.7k - 高性能、云原生向量数据库，用于可扩展的向量 ANN 搜索
+- [Milvus](https://github.com/milvus-io/milvus) ⭐ 44.1k - 高性能、云原生向量数据库，用于可扩展的向量 ANN 搜索
 - [FastChat](https://github.com/lm-sys/FastChat) ⭐ 39.4k - 用于训练、服务和评估大语言模型的开放平台，Vicuna 和 Chatbot Arena 的发布仓库
-- [SGLang](https://github.com/sgl-project/sglang) ⭐ 25.6k - 大语言模型和多模态模型的高性能服务框架
-- [TensorRT-LLM](https://github.com/NVIDIA/TensorRT-LLM) ⭐ 13.3k - NVIDIA 提供的大语言模型高性能推理优化框架
+- [SGLang](https://github.com/sgl-project/sglang) ⭐ 27.5k - 大语言模型和多模态模型的高性能服务框架
+- [TensorRT-LLM](https://github.com/NVIDIA/TensorRT-LLM) ⭐ 13.5k - NVIDIA 提供的大语言模型高性能推理优化框架
 - [Xorbits Inference](https://github.com/xorbitsai/inference) ⭐ 9.2k - 通过更改一行代码即可替换 GPT 为任何 LLM 的推理 API
-- [CooperBench](https://github.com/cooperbench/CooperBench) ⭐ 11 - AI 模型性能基准测试
+- [CooperBench](https://github.com/cooperbench/CooperBench) ⭐ 12 - AI 模型性能基准测试
 
 ### SDK / 开发工具
 
-- [Remotion](https://github.com/remotion-dev/remotion) ⭐ 42.4k - 使用 React 以编程方式制作视频
-- [docker-credential-pass](https://github.com/docker/docker-credential-helpers) ⭐ 1.3k - 通过存储在平台密钥库中来保护 Docker 登录凭据
-- [Anthropic SDK Java](https://github.com/anthropics/anthropic-sdk-java) ⭐ 281 - Anthropic Java SDK
+- [Remotion](https://github.com/remotion-dev/remotion) ⭐ 46.2k - 使用 React 以编程方式制作视频
+- [docker-credential-pass](https://github.com/docker/docker-credential-helpers) ⭐ 1.2k - 通过存储在平台密钥库中来保护 Docker 登录凭据
+- [Anthropic SDK Java](https://github.com/anthropics/anthropic-sdk-java) ⭐ 305 - Anthropic Java SDK
 
 ### 设计工具
 
@@ -73,15 +73,15 @@
 
 ### 资源集合
 
-- [Jujutsu](https://github.com/jj-vcs/jj) ⭐ 27.7k - 既简单又强大的 Git 兼容版本控制系统
-- [gitbucket](https://github.com/gitbucket/gitbucket) ⭐ 9.4k - 由 Scala 驱动的 Git 平台，易于安装、高可扩展性且兼容 GitHub API
-- [top-rss-list](https://github.com/weekend-project-space/top-rss-list) ⭐ 6.1k - 订阅人数最多的中文优质 RSS 源列表
+- [Jujutsu](https://github.com/jj-vcs/jj) ⭐ 28.6k - 既简单又强大的 Git 兼容版本控制系统
+- [gitbucket](https://github.com/gitbucket/gitbucket) ⭐ 9.3k - 由 Scala 驱动的 Git 平台，易于安装、高可扩展性且兼容 GitHub API
+- [top-rss-list](https://github.com/weekend-project-space/top-rss-list) ⭐ 6.2k - 订阅人数最多的中文优质 RSS 源列表
 - [awesome-n8n](https://github.com/restyler/awesome-n8n) ⭐ 2.8k - 有用的 n8n 资源：社区节点和教程列表
 
 ### AllenAI
 
-- [OLMo](https://github.com/allenai/OLMo-core) ⭐ 1.1k - OLMo 生态系统的 PyTorch 构建块
-- [olmocr](https://github.com/allenai/olmocr) ⭐ 17.1k - 用于线性化 PDF 以进行 LLM 数据集/训练的工具包
+- [OLMo](https://github.com/allenai/OLMo-core) ⭐ 1.2k - OLMo 生态系统的 PyTorch 构建块
+- [olmocr](https://github.com/allenai/olmocr) ⭐ 17.2k - 用于线性化 PDF 以进行 LLM 数据集/训练的工具包
 
 ### 原型
 
@@ -95,39 +95,3 @@
     - llama.cpp 解决了"如何在普通硬件上跑得飞快"
     - KTransformers 解决了"如何用有限显存跑大模型"
 - [LMSYS Projects](https://lmsys.org/projects/)
-
-## 实践
-
-- 提出需求，让 AI 来角色扮演，让它列出 N 个功能点，然后 AI 就会根据它的理解生成一个需求列表，接下来你再和 AI 对这些需求逐个打磨，这其实是一个高效冷启动的方法。
-- 在需求提出后，在规划阶段（Planning）不要给 AI 太具体的方案，而是让 AI 来生成方案，你只需要关注最终你想要的结果。
-- 提前告诉 AI 有哪些基础设施和环境的问题，让它少走弯路。
-- 提出需求的第一阶段要求 Agent 做的一些关键动作。
-    - 比如无论接下来做什么，都要把计划和 todo 列表放在一个 work.md 或 todo.md 这类文件里。
-    - 每完成一个阶段的工作，就把上一阶段的经验教训更新到 agents.md 里。
-    - 当一个计划完成并且代码合并后，把这个工作的设计文档添加到项目的知识库中。
-- 在 Research 的过程中，告诉模型它拥有无限的预算和时间，尽可能充分地进行调研。
-- 如果模型有推理深度的参数，在这个阶段把它们全部调到最高级别。在这个阶段多烧一些 token、做好更好的规划、了解更多上下文，对后续的实现阶段会更有帮助。
-- 实现阶段要注意，要么你就让 AI 完全去做，要么你就完全自己做，千万别混着来，目前是倾向于完全零人工干预的模式效果更好。
-- 在测试和验收结果的阶段。你只要知道如何评估和测试你要的东西，AI 就一定能把东西给你做出来。
-- AI 不擅长集成测试、端到端测试。
-- 在完成大目标前，先和 AI 一起做一个方便的集成测试框架，并提前准备好测试的基础设施，收集和生成一些现成集成测试的用例，尽量一键能运行那种，这样在开发阶段就能事半功倍。
-- 关于如何使用这些测试的基础设施的信息，在正式开始前就固化在 agents.md 里。
-- 让 AI 帮你生成测试，但一定要告诉它一些生成的逻辑，标准和目的，另外就是千万不要把生成测试的 Context 和实际进行开发工作的 Agent 的 Context 混在一起。
-- 当前的 Coding Agent 在面对单一模块复杂度超过大约 5 万行代码之后，就开始很难把问题一次性解决掉，只要任务复杂度控制在这个阈值之下，在一个足够好的提示词驱动下，很多事情确实可以做到一次过。
-
-/speckit.constitution
-1. @docs/req.md @docs/tech.md @docs/ui.md 这3个文件是用户需求来源。
-2. 遵循敏捷开发方式。
-3. 项目的开发环境运行在 VS Code 的开发容器中，容器名是 `ai193`，对应的镜像是`arno:devcontainer-arno`，该镜像由 @.devcontainer/Dockerfile 构建。
-4. 项目根目录： `/home/arno/workspace/ai193`。
-5. 无论接下来做什么，都要把计划和 todo 列表放在 @docs/work.md 或者 @docs/todo.md 这类文件里。
-6. 每完成一个阶段的工作，就把上一阶段的经验教训更新到 @AGENTS.md 里。**注意：** @CLAUDE.md 是链接到 @AGENTS.md 文件的。
-7. 当进行 Research 的过程中，你拥有无限的预算和时间，尽可能充分地进行调研。
-8. 当单一模块复杂度超过大约 5 万行代码之后，需要拆分模块来实现。
-
-/speckit.constitution
-1. 当需要简化代码的时候，可以使用 `@"code-simplifier:code-simplifier (agent)"`
-2. 当需要绘制架构图、甘特图、UML图、部署图、流程图、时序图、序列图等编码相关的图时，使用 'Mermaid' 格式
-3. 文档统一保存在 `@docs/` 目录，不要在其他地方保存
-4. shell脚本统一保存在 `@scripts/` 目录，不要在其他地方保存
-5. 执行任何命令前，必须先通过 `pwd` 确认当前工作目录是否是要执行命令所在的路径，避免路径错误