98 lines
7.7 KiB
Markdown
98 lines
7.7 KiB
Markdown
# 工程
|
|
|
|
## 文章
|
|
|
|
- [Building a C compiler with a team of parallel Claudes](https://www.anthropic.com/engineering/building-c-compiler)
|
|
- [Effective context engineering for AI agents](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)
|
|
- [Claude Code 团队复合工程](https://www.youtube.com/watch?v=IDSAMqip6ms)
|
|
- [Effective harnesses for long-running agents](https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents)
|
|
- [我们如何使用 Codex 在 28 天内构建 Android 版 Sora](https://openai.com/zh-Hans-CN/index/shipping-sora-for-android-with-codex/)
|
|
- [Agent Skills Marketplace](https://skillsmp.com/)
|
|
- [Everything Claude Code : Claude Code 配置大全，开箱即用](https://zhuanlan.zhihu.com/p/1997978582736204425)
|
|
- [Everything Claude Code : The Shorthand Guide to Everything Claude Code 翻译](https://zhuanlan.zhihu.com/p/1998065856417124945)
|
|
- [Everything Claude Code : The Longform Guide to Everything Claude Code 翻译](https://zhuanlan.zhihu.com/p/1998068649773257278)
|
|
|
|
## Git 仓库
|
|
|
|
### Claude Code / AI Agent
|
|
|
|
- [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) ⭐ 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) ⭐ 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) ⭐ 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) ⭐ 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) ⭐ 12 - AI 模型性能基准测试
|
|
|
|
### SDK / 开发工具
|
|
|
|
- [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
|
|
|
|
- [Pencil](https://github.com/evolus/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](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) ⭐ 1.2k - 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
|
|
|
|
- [豆包](https://www.doubao.com/chat)
|
|
|
|
## 参考文章
|
|
|
|
- [深度对比 vLLM、SGLang 与 llama.cpp，打通工程落地最后一公里](https://zhuanlan.zhihu.com/p/1991180964546778561)
|
|
- vLLM 解决了"如何在高并发下管好内存"
|
|
- SGLang 解决了"如何在高复用下省掉计算"
|
|
- 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/)
|