isos/tech
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
221ae0d63661ac8bb26bcc331069f2fc163b452d
tech/工程
T
History
arno 20732e9afa 文档: 迁移记忆存储路径并更新成员资料 
- 删除 .claude/memory/ 下的记忆文件
- 更新 CLAUDE.md 中的记忆文件引用指向 ~/.claude-memory/
- 添加 .member/ 成员目录
- 修正工程 README 中的 Star 标注
2026-04-09 14:35:32 +08:00
..
AgentSkills.md
docs: 添加工程目录及技术文档
2026-04-09 09:29:21 +08:00
allenai.md
docs: 添加工程目录及技术文档
2026-04-09 09:29:21 +08:00
ClaudeCode.md
docs: 添加工程目录及技术文档
2026-04-09 09:29:21 +08:00
Crablet.md
docs: 添加工程目录及技术文档
2026-04-09 09:29:21 +08:00
OpenClaw.md
docs: 添加工程目录及技术文档
2026-04-09 09:29:21 +08:00
Pencil.md
docs: 添加工程目录及技术文档
2026-04-09 09:29:21 +08:00
README.md
文档: 迁移记忆存储路径并更新成员资料
2026-04-09 14:35:32 +08:00
SpecKit.md
docs: 添加工程目录及技术文档
2026-04-09 09:29:21 +08:00
VSCode.md
docs: 添加工程目录及技术文档
2026-04-09 09:29:21 +08:00
本体论.md
docs: 添加工程目录及技术文档
2026-04-09 09:29:21 +08:00

README.md

工程

Git仓库

Claude Code / AI Agent

RAG / LLM 框架

  • n8n ⭐180k - n8n 工作流自动化平台
  • Dify ⭐134k - Dify LLM 应用开发平台
  • LangChain ⭐130k - LangChain 框架
  • OpenWebUI ⭐128k - Open WebUI 聊天界面
  • RAGFlow ⭐75.6k - RAGFlow 开源 RAG 引擎
  • Autogen ⭐55.9k - Microsoft Autogen 多智能体框架
  • Flowise ⭐50.9k - Flowise 可视化 LLM 工作流
  • LlamaIndex ⭐47.8k - LlamaIndex RAG 框架
  • crewAI ⭐46.6k - crewAI 多智能体框架
  • Quivr ⭐39k - Quivr AI 知识管理
  • SemanticKernel ⭐27.5k - Microsoft Semantic Kernel
  • FastGPT ⭐27.4k - FastGPT 知识库问答平台
  • LangGraph ⭐27k - LangGraph 状态图框架
  • Haystack ⭐24.6k - Haystack NLP 框架
  • Hindsight ⭐5.3k - 向量检索后处理工具
  • FlashRAG ⭐3.4k - FlashRAG 高效 RAG 框架

推理部署

  • Milvus ⭐43.4k - Milvus 向量数据库
  • FastChat ⭐39.4k - LMSYS 大模型系统组织
  • SGLang ⭐24.8k - SGLang 高效 LLM 调度语言
  • TensorRT-LLM ⭐13.2k - NVIDIA TensorRT LLM 推理优化
  • Xorbits Inference ⭐9.1k - Xinference 模型推理平台
  • CooperBench ⭐11 - AI 模型性能基准测试

SDK / 开发工具

设计工具

  • Pencil ⭐9.7k - 开源 UI 原型设计工具

资源集合

原型

参考文章

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
Reference in New Issue View Git Blame Copy Permalink