isos/tech
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
6797555a1d0feb10c92efb10f6c10c28cc6ae611
tech/工程
T
History
arno 6797555a1d 文档(工程): 添加 lark-cli 安装配置说明及金融资料配图 
- 工程/ClaudeCode.md: 添加 lark-cli 安装、skills 添加和配置命令
- 资料/金融.md: 添加 DESIGN.md 相关图片引用
- 新增资料配图 20260410-002.png
2026-04-10 13:13:42 +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
文档(工程): 添加 lark-cli 安装配置说明及金融资料配图
2026-04-10 13:13:42 +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(工程): 更新 GitHub 项目 Star 数并重新分类整理
2026-04-09 16:03:43 +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

文章

Git 仓库

Claude Code / AI Agent

  • OpenClaw ⭐ 352.6k - 你的个人 AI 助手，支持任何操作系统和平台
  • 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 ⭐ 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 ⭐ 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 ⭐ 142.3k - 有效的 Agent 技能框架和软件开发方法论
  • Dify ⭐ 136.9k - 生产就绪的 Agent 工作流开发平台
  • LangChain ⭐ 132.9k - Agent 工程平台
  • Open WebUI ⭐ 130.8k - 用户友好的 AI 界面，支持 Ollama、OpenAI API 等
  • Claude Code ⭐ 111.4k - Anthropic 官方终端原生 AI 编程工具
  • Spec Kit ⭐ 86.4k - GitHub 规范工具包，帮助开始规范驱动开发
  • nanobot ⭐ 38.6k - 超轻量级个人 AI Agent
  • OpenSpec ⭐ 38.5k - AI 编码助手的规范驱动开发工具
  • RAGFlow ⭐ 77.5k - 融合 RAG 与 Agent 能力的开源检索增强生成引擎
  • 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 ⭐ 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 ⭐ 16.4k - Anthropic 官方管理的高质量 Claude Code 插件目录
  • Compound Engineering Plugin ⭐ 13.8k - Claude Code、Codex 等的官方复合工程插件
  • 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 ⭐ 17.5k - Codex 和 Claude Code 的移动端和 Web 客户端，支持实时语音、加密
  • VoltAgent ⭐ 7.7k - 基于开源 TypeScript AI Agent 框架构建的 AI Agent 工程平台
  • MasteringRAG ⭐ 665 - 企业级 RAG 系统从入门到精通

RAG / LLM 框架

  • 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 ⭐ 51.7k - 可视化构建 AI Agents 的低代码平台
  • LlamaIndex ⭐ 48.4k - 领先的文档 Agent 和 OCR 平台
  • 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
  • Quivr ⭐ 39.1k - 为你的应用集成 GenAI 的 RAG 引擎，专注于产品而非 RAG
  • LangGraph ⭐ 28.8k - 构建有弹性的语言 Agents 作为图
  • 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 ⭐ 27.7k - 轻松快速地将尖端 LLM 技术集成到应用中
  • 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 ⭐ 8.6k - 能够学习的 Agent Memory
  • FlashRAG ⭐ 3.4k - 高效 RAG 研究的 Python 工具包

推理部署

  • 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
  • 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 ⭐ 25.6k - 大语言模型和多模态模型的高性能服务框架
  • TensorRT-LLM ⭐ 13.3k - NVIDIA 提供的大语言模型高性能推理优化框架
  • Xorbits 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 ⭐ 11 - AI 模型性能基准测试

SDK / 开发工具

设计工具

  • Pencil ⭐ 9.7k - 用于制作图表和 GUI 原型的免费开源工具

资源集合

  • Jujutsu ⭐ 27.7k - 既简单又强大的 Git 兼容版本控制系统
  • 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 ⭐ 6.1k - 订阅人数最多的中文优质 RSS 源列表
  • awesome-n8n ⭐ 2.8k - 有用的 n8n 资源：社区节点和教程列表

AllenAI

  • OLMo ⭐ 1.1k - OLMo 生态系统的 PyTorch 构建块
  • olmocr ⭐ 17.1k - 用于线性化 PDF 以进行 LLM 数据集/训练的工具包

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