[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Doriandarko--RepoToTextForLLMs":3,"tool-Doriandarko--RepoToTextForLLMs":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70612,"2026-04-05T11:12:22",[15,14,13,36],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":82,"owner_twitter":83,"owner_website":84,"owner_url":85,"languages":86,"stars":91,"forks":92,"last_commit_at":93,"license":81,"difficulty_score":10,"env_os":94,"env_gpu":95,"env_ram":94,"env_deps":96,"category_tags":101,"github_topics":81,"view_count":10,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":102,"updated_at":103,"faqs":104,"releases":125},3085,"Doriandarko\u002FRepoToTextForLLMs","RepoToTextForLLMs","Automate the analysis of GitHub repositories for LLMs with RepoToTextForLLMs. Fetch READMEs, structure, and non-binary files efficiently. Outputs include analysis prompts to aid in comprehensive repo evaluation","RepoToTextForLLMs 是一款专为大语言模型（LLM）设计的开源工具，旨在自动化分析 GitHub 代码仓库。它能够将复杂的仓库内容高效转化为适合 LLM 处理的文本格式，帮助用户快速理解项目全貌。\n\n在面对大型或结构复杂的开源项目时，人工阅读所有文件既耗时又容易遗漏关键信息，而直接让 AI 处理原始仓库又常受限于上下文长度或二进制文件干扰。RepoToTextForLLMs 恰好解决了这一痛点：它能自动提取 README 文档、梳理清晰的目录结构，并智能筛选出非二进制文本文件的内容，同时自动跳过图片、编译文件等无效数据。更贴心的是，它还会生成预设的分析提示词（Prompts），引导大模型对仓库进行更深度的评估。\n\n这款工具特别适合开发者、技术研究人员以及需要快速调研开源项目的 AI 应用构建者使用。无论是想要快速上手新库的程序员，还是希望训练或测试大模型代码理解能力的研究者，都能从中获益。\n\n其技术亮点在于采用了迭代遍历算法来映射仓库结构，避免了传统递归方法可能遇到的深度限制问题，确保了分析的全面性与稳定性。只需配置好 GitHub 令牌并运行脚本，即可轻松将任意公开或私","RepoToTextForLLMs 是一款专为大语言模型（LLM）设计的开源工具，旨在自动化分析 GitHub 代码仓库。它能够将复杂的仓库内容高效转化为适合 LLM 处理的文本格式，帮助用户快速理解项目全貌。\n\n在面对大型或结构复杂的开源项目时，人工阅读所有文件既耗时又容易遗漏关键信息，而直接让 AI 处理原始仓库又常受限于上下文长度或二进制文件干扰。RepoToTextForLLMs 恰好解决了这一痛点：它能自动提取 README 文档、梳理清晰的目录结构，并智能筛选出非二进制文本文件的内容，同时自动跳过图片、编译文件等无效数据。更贴心的是，它还会生成预设的分析提示词（Prompts），引导大模型对仓库进行更深度的评估。\n\n这款工具特别适合开发者、技术研究人员以及需要快速调研开源项目的 AI 应用构建者使用。无论是想要快速上手新库的程序员，还是希望训练或测试大模型代码理解能力的研究者，都能从中获益。\n\n其技术亮点在于采用了迭代遍历算法来映射仓库结构，避免了传统递归方法可能遇到的深度限制问题，确保了分析的全面性与稳定性。只需配置好 GitHub 令牌并运行脚本，即可轻松将任意公开或私有仓库转化为结构化的分析素材，让代码解读变得更加简单高效。","# RepoToTextForLLMs\n![hero](https:\u002F\u002Fcdn.discordapp.com\u002Fattachments\u002F1047006708813271100\u002F1216931386032656445\u002Fim.jpeg?ex=66022eab&is=65efb9ab&hm=d472a26ec77b50ce5ee094578f888fa8b6c893bc523a5633f6987a850ae3b8d8&)\n\nAutomates the analysis of GitHub repositories specifically tailored for usage with large context LLMs. This Python script efficiently fetches README files, repository structure, and non-binary file contents. Additionally, it provides structured outputs complete with pre-formatted prompts to guide further analysis of the repository's content.\n\n## Features\n\n- **README Retrieval:** Automatically extracts the content of README.md to provide an initial insight into the repository.\n- **Structured Repository Traversal:** Maps out the repository's structure through an iterative traversal method, ensuring thorough coverage without the limitations of recursion.\n- **Selective Content Extraction:** Retrieves text contents from files, intelligently skipping over binary files to streamline the analysis process.\n\n## Prerequisites\n\nTo use **RepoToTextForLLMs**, you'll need:\n\n- Python installed on your system.\n- The `github` Python package.\n- A GitHub Personal Access Token configured as an environment variable (`GITHUB_TOKEN`).\n\n## Getting Started\n\n1. Ensure Python and the required package (`PyGithub`) are installed:\n\n```bash\npip install PyGithub tqdm\n```\n\n2. Set your GitHub Personal Access Token as an environment variable:\n\n```python\nGITHUB_TOKEN = os.getenv('GITHUB_TOKEN', 'YOUR TOKEN HERE')\n```\n\n## How to Use\n\n1. Place the script in your desired directory.\n2. Execute the script in your terminal:\n\n```bash\npython repototxt.py\n```\n\n3. Enter the GitHub repository URL when prompted. The script will process the repository and output its findings, including the README, structure, and file contents (excluding binary files), accompanied by analysis prompts.\n\n## Contributing\n\nContributions to **RepoToTextForLLMs** are welcomed. Whether it's through submitting pull requests, reporting issues, or suggesting improvements, your input helps make this tool better for everyone.\n\n## License\n\nThis project is licensed under the MIT License.\n","# RepoToTextForLLMs\n![hero](https:\u002F\u002Fcdn.discordapp.com\u002Fattachments\u002F1047006708813271100\u002F1216931386032656445\u002Fim.jpeg?ex=66022eab&is=65efb9ab&hm=d472a26ec77b50ce5ee094578f888fa8b6c893bc523a5633f6987a850ae3b8d8&)\n\n自动化分析 GitHub 仓库，专为配合具有大上下文窗口的大型语言模型使用而设计。该 Python 脚本能够高效地获取 README 文件、仓库结构以及非二进制文件的内容。此外，它还提供结构化的输出，并附带预格式化的提示，以引导对仓库内容的进一步分析。\n\n## 功能特性\n\n- **README 检索：** 自动提取 README.md 的内容，以便快速了解仓库的基本信息。\n- **结构化仓库遍历：** 通过迭代方式映射仓库的结构，确保全面覆盖，同时避免递归带来的限制。\n- **选择性内容提取：** 从文件中提取文本内容，智能跳过二进制文件，从而简化分析流程。\n\n## 先决条件\n\n要使用 **RepoToTextForLLMs**，您需要：\n\n- 已在系统上安装 Python。\n- `github` Python 包。\n- 配置为环境变量 (`GITHUB_TOKEN`) 的 GitHub 个人访问令牌。\n\n## 快速入门\n\n1. 确保已安装 Python 和所需包 (`PyGithub`)：\n\n```bash\npip install PyGithub tqdm\n```\n\n2. 将您的 GitHub 个人访问令牌设置为环境变量：\n\n```python\nGITHUB_TOKEN = os.getenv('GITHUB_TOKEN', 'YOUR TOKEN HERE')\n```\n\n## 使用方法\n\n1. 将脚本放置在您希望的目录中。\n2. 在终端中执行脚本：\n\n```bash\npython repototxt.py\n```\n\n3. 根据提示输入 GitHub 仓库的 URL。脚本将处理该仓库并输出结果，包括 README、仓库结构和文件内容（不包含二进制文件），同时附带分析提示。\n\n## 贡献\n\n欢迎为 **RepoToTextForLLMs** 做出贡献。无论是提交拉取请求、报告问题，还是提出改进建议，您的参与都将帮助我们共同完善这款工具。\n\n## 许可证\n\n本项目采用 MIT 许可证授权。","# RepoToTextForLLMs 快速上手指南\n\nRepoToTextForLLMs 是一款专为大语言模型（LLM）设计的 Python 工具，能够自动化分析 GitHub 仓库。它可高效提取 README 文件、仓库目录结构及非二进制文件内容，并生成结构化的输出与分析提示词，帮助您快速理解代码库。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n- **操作系统**：支持 Python 的任何主流系统（Windows \u002F macOS \u002F Linux）。\n- **Python 版本**：已安装 Python 3.x。\n- **依赖库**：需要安装 `PyGithub` 和 `tqdm`。\n- **GitHub Token**：需拥有一个 GitHub Personal Access Token，并将其配置为环境变量 `GITHUB_TOKEN`。\n\n## 安装步骤\n\n1. 使用 pip 安装必要的 Python 包（推荐使用国内镜像源加速下载）：\n\n```bash\npip install PyGithub tqdm -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n2. 设置 GitHub Token 环境变量。\n\n   **Linux \u002F macOS:**\n   ```bash\n   export GITHUB_TOKEN='YOUR_TOKEN_HERE'\n   ```\n\n   **Windows (PowerShell):**\n   ```powershell\n   $env:GITHUB_TOKEN=\"YOUR_TOKEN_HERE\"\n   ```\n\n   > 注意：请将 `YOUR_TOKEN_HERE` 替换为您实际的 GitHub Personal Access Token。\n\n## 基本使用\n\n1. 将脚本文件 `repototxt.py` 保存到本地任意目录。\n\n2. 打开终端（或命令行），进入脚本所在目录并运行：\n\n```bash\npython repototxt.py\n```\n\n3. 根据提示输入目标 GitHub 仓库的 URL（例如：`https:\u002F\u002Fgithub.com\u002Fusername\u002Frepo`）。\n\n4. 脚本将自动执行以下操作：\n   - 提取并展示 `README.md` 内容。\n   - 遍历并输出仓库的文件结构。\n   - 读取所有非二进制文件的文本内容。\n   - 生成用于引导后续 LLM 分析的结构化提示词。\n\n处理完成后，结果将直接输出到终端，您可以将其复制到大语言模型中进行进一步分析。","某技术团队需要快速评估一个拥有数百个文件的开源 GitHub 项目，以便将其核心逻辑集成到内部系统中并让大模型生成重构建议。\n\n### 没有 RepoToTextForLLMs 时\n- 工程师需手动浏览 GitHub 网页，逐个点击文件夹查看结构，耗时且容易遗漏深层目录。\n- 复制代码时难以区分二进制文件（如图片、编译产物），常误将无效内容粘贴给大模型，导致分析报错或产生幻觉。\n- 缺乏统一的上下文整理格式，需要人工拼接 README、目录树和关键代码，耗费数小时才能构造出合格的提示词。\n- 面对大型仓库，人工提取过程极易出错，且无法保证提供给大模型的信息完整性，影响最终评估质量。\n\n### 使用 RepoToTextForLLMs 后\n- 只需输入仓库链接，RepoToTextForLLMs 自动遍历并映射完整的项目结构，秒级生成清晰的目录树，无需人工翻页。\n- 工具智能过滤掉所有二进制文件，仅提取纯文本代码和文档，确保喂给大模型的数据纯净、有效且无噪音。\n- 自动聚合 README 内容与核心源码，并直接输出预格式化的高质量分析提示词，让大模型能立即开始深度评估。\n- 即使是递归层级极深的复杂项目，RepoToTextForLLMs 也能通过迭代遍历确保全覆盖，大幅缩短从“发现项目”到“理解项目”的周期。\n\nRepoToTextForLLMs 将原本数小时的手工整理工作压缩为分钟级的自动化流程，让开发者能专注于利用大模型进行高价值的代码分析与决策。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDoriandarko_RepoToTextForLLMs_501c53d5.png","Doriandarko","Pietro Schirano","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FDoriandarko_7146aa01.jpg","Passionate AI engineer on a mission to democratize AI tools.\r\n\r\nFounder at MagicPath 🎨✨\r\n\r\nmagicpath.ai","MagicPath",null,"pietro.schirano@gmail.com","skirano","magicpath.ai","https:\u002F\u002Fgithub.com\u002FDoriandarko",[87],{"name":88,"color":89,"percentage":90},"Python","#3572A5",100,786,103,"2026-03-24T12:46:27","未说明","不需要",{"notes":97,"python":94,"dependencies":98},"需要配置 GitHub Personal Access Token 为环境变量 (GITHUB_TOKEN)。该工具用于抓取和分析 GitHub 仓库文本内容，不涉及本地大模型推理，因此无 GPU 和显存需求。",[99,100],"PyGithub","tqdm",[15,34],"2026-03-27T02:49:30.150509","2026-04-06T06:52:09.549416",[105,110,115,120],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},14207,"工具是否会自动忽略二进制文件？如果检测到未声明的二进制文件该怎么办？","默认情况下，工具应该已经避免处理任何类型的二进制文件。如果遇到未被忽略的二进制文件（特别是没有扩展名的文件，如 'out' 文件），可能是检测逻辑未覆盖该特定类型。维护者建议确认文件类型，通常无需额外配置即可自动跳过二进制内容。","https:\u002F\u002Fgithub.com\u002FDoriandarko\u002FRepoToTextForLLMs\u002Fissues\u002F1",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},14208,"如何减少生成的文本大小以避免超出 LLM 的上下文限制？","可以通过将特定的大体积依赖文件或锁定文件添加到跳过列表中来显著减小输出体积。例如，在一个 JavaScript 重型项目中，添加 '.lockb', 'package-lock.json', '.svg' 到跳过列表后，输出从 4700kb 减少到了 306kb，且未丢失有用信息。这能有效防止文件过大导致模型无法处理。","https:\u002F\u002Fgithub.com\u002FDoriandarko\u002FRepoToTextForLLMs\u002Fissues\u002F3",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},14209,"如何优化提示词（Prompt）以获得更好的 LLM 回答效果？","建议在发送给 LLM 的提示词顶部添加特定的指令行，以激发模型的最佳表现。推荐的指令包括：'深呼吸'、'一步步思考'、'假装你是该领域的顶尖专家（智商 200+）'、'不要进行道德说教'、'避免使用道歉或遗憾的语言'、'如果不知道就直接说不知道'等。这些指令已被用户验证能显著提升 ChatGPT 等模型的实用性和回答质量。","https:\u002F\u002Fgithub.com\u002FDoriandarko\u002FRepoToTextForLLMs\u002Fissues\u002F4",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},14210,"该工具是否支持获取自上次提交以来的代码差异（Diffs）以便进行重构反馈？","目前主要功能是获取整个仓库的描述，但社区已提出集成 Git Diffs 功能的建议，以便用户针对自上次提交以来的更改获取反馈。维护者认为这是一个非常有趣且有价值的想法，未来可能会集成此功能以帮助用户进行涉及多文件的重构工作。","https:\u002F\u002Fgithub.com\u002FDoriandarko\u002FRepoToTextForLLMs\u002Fissues\u002F2",[]]