arno
feaf9d36b4
- 添加本体论、ClaudeCode、Crablet、SpecKit 等技术文档 - 添加 AgentSkills、OpenClaw、Pencil、VSCode 等工具文档 - 添加 allenai 研究文档和 README 说明
125 lines
9.7 KiB
Markdown
125 lines
9.7 KiB
Markdown
# 工程
|
|
|
|
- [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
|
|
|
|
- [Superpowers](https://github.com/obra/superpowers) ⭐100k - Claude Code 超能力插件
|
|
- [Everything Claude Code](https://github.com/affaan-m/everything-claude-code) ⭐89k - Claude Code 资源大全
|
|
- [Claude Code](https://github.com/anthropics/claude-code) ⭐80.3k - Anthropic 官方 Claude Code CLI 工具
|
|
- [Spec Kit](https://github.com/github/spec-kit) ⭐78.7k - GitHub 规范工具包
|
|
- [nanobot](https://github.com/HKUDS/nanobot) ⭐35k - HKUDS 自动化机器人框架
|
|
- [Awesome DESIGN.md](https://getdesign.md/) ⭐34.8k - Copy a DESIGN.md into your project, tell your AI agent "build me a page that looks like this" and get pixel-perfect UI that actually matches.
|
|
- [OpenSpec](https://github.com/Fission-AI/OpenSpec) ⭐32.5k - OpenAPI 规范生成工具
|
|
- [Page Agent](https://github.com/alibaba/page-agent.git) ⭐16.4k - 纯 JS 实现的 GUI agent。使用自然语言操作你的 Web 应用。无须后端、客户端、浏览器插件。
|
|
- [Agent Skills for Context Engineering](https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering) ⭐14k - 上下文工程的 Agent 技能
|
|
- [Claude Plugins Official](https://github.com/anthropics/claude-plugins-official) ⭐13.1k - Claude 官方插件目录
|
|
- [Compound Engineering Plugin](https://github.com/EveryInc/compound-engineering-plugin) ⭐10.7k - Claude Code 复合工程插件
|
|
- [VoltAgent](https://github.com/VoltAgent/voltagent) ⭐7.6k - VoltAgent 是一个端到端的 AI Agent 工程平台
|
|
- [MasteringRAG](https://github.com/Steven-Luo/MasteringRAG) ⭐650 - RAG 掌握指南
|
|
|
|
### RAG / LLM 框架
|
|
|
|
- [n8n](https://github.com/n8n-io/n8n) ⭐180k - n8n 工作流自动化平台
|
|
- [Dify](https://github.com/langgenius/dify) ⭐134k - Dify LLM 应用开发平台
|
|
- [LangChain](https://github.com/langchain-ai/langchain) ⭐130k - LangChain 框架
|
|
- [OpenWebUI](https://github.com/open-webui/open-webui) ⭐128k - Open WebUI 聊天界面
|
|
- [RAGFlow](https://github.com/infiniflow/ragflow) ⭐75.6k - RAGFlow 开源 RAG 引擎
|
|
- [Autogen](https://github.com/microsoft/autogen) ⭐55.9k - Microsoft Autogen 多智能体框架
|
|
- [Flowise](https://github.com/FlowiseAI/Flowise) ⭐50.9k - Flowise 可视化 LLM 工作流
|
|
- [LlamaIndex](https://github.com/run-llama/llama_index) ⭐47.8k - LlamaIndex RAG 框架
|
|
- [crewAI](https://github.com/crewAIInc/crewAI) ⭐46.6k - crewAI 多智能体框架
|
|
- [Quivr](https://github.com/QuivrHQ/quivr) ⭐39k - Quivr AI 知识管理
|
|
- [SemanticKernel](https://github.com/microsoft/semantic-kernel) ⭐27.5k - Microsoft Semantic Kernel
|
|
- [FastGPT](https://github.com/labring/FastGPT) ⭐27.4k - FastGPT 知识库问答平台
|
|
- [LangGraph](https://github.com/langchain-ai/langgraph) ⭐27k - LangGraph 状态图框架
|
|
- [Haystack](https://github.com/deepset-ai/haystack) ⭐24.6k - Haystack NLP 框架
|
|
- [Hindsight](https://github.com/vectorize-io/hindsight) ⭐5.3k - 向量检索后处理工具
|
|
- [FlashRAG](https://github.com/RUC-NLPIR/FlashRAG) ⭐3.4k - FlashRAG 高效 RAG 框架
|
|
|
|
### 推理部署
|
|
|
|
- [Milvus](https://github.com/milvus-io/milvus) ⭐43.4k - Milvus 向量数据库
|
|
- [FastChat](https://github.com/lm-sys/FastChat) ⭐39.4k - LMSYS 大模型系统组织
|
|
- [SGLang](https://github.com/sgl-project/sglang) ⭐24.8k - SGLang 高效 LLM 调度语言
|
|
- [TensorRT-LLM](https://github.com/NVIDIA/TensorRT-LLM) ⭐13.2k - NVIDIA TensorRT LLM 推理优化
|
|
- [Xorbits Inference](https://github.com/xorbitsai/inference) ⭐9.1k - Xinference 模型推理平台
|
|
- [CooperBench](https://github.com/cooperbench/CooperBench) ⭐11 - AI 模型性能基准测试
|
|
|
|
### SDK / 开发工具
|
|
|
|
- [Remotion](https://github.com/remotion-dev/remotion) ⭐40.1k - React 视频编程框架
|
|
- [docker-credential-pass](https://github.com/docker/docker-credential-helpers) ⭐1.3k - Docker 凭证管理
|
|
- [Anthropic SDK Java](https://github.com/anthropics/anthropic-sdk-java) ⭐259 - Anthropic Java SDK
|
|
|
|
### 设计工具
|
|
|
|
- [Pencil](https://github.com/evolus/pencil) ⭐9.7k - 开源 UI 原型设计工具
|
|
|
|
### 资源集合
|
|
|
|
- [Jujutsu](https://github.com/jj-vcs/jj) ⭐27.1k - a version control system
|
|
- [gitbucket](https://github.com/gitbucket/gitbucket) ⭐9.4k - GitBucket Git 服务平台
|
|
- [top-rss-list](https://github.com/weekend-project-space/top-rss-list) ⭐6k - 优质 RSS 源列表
|
|
- [awesome-n8n](https://github.com/restyler/awesome-n8n) ⭐2.8k - n8n 社区节点资源
|
|
- [WildCard](https://github.com/flmsdcj/WildCard) ⭐7 - GitHub WildCard 工具
|
|
|
|
### 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/)
|
|
|
|
## 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
|