[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Infatoshi--OpenSquirrel":3,"tool-Infatoshi--OpenSquirrel":64},[4,17,27,35,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"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",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"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",[14,43,44,45,15,46,26,13,47],"数据工具","视频","插件","其他","音频",{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":10,"last_commit_at":54,"category_tags":55,"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,"2026-04-04T04:44:48",[15,14,13,26,46],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"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",[26,15,13,45],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":99,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":100,"updated_at":101,"faqs":102,"releases":108},842,"Infatoshi\u002FOpenSquirrel","OpenSquirrel","For people who get distracted by agents. A native Rust\u002FGPUI control plane for running Claude Code, Codex, Cursor, and OpenCode side by side — because if you're going to be squirrely, you might as well optimize for it.","OpenSquirrel 是一款基于原生 Rust 和 GPUI 构建的 AI 编码助手管理面板，旨在为开发者提供统一的多智能体协作环境。它允许用户在同一界面中并排运行 Claude Code、Cursor、Codex 等多个 AI 编程工具，通过平铺式布局实现任务自动委派、SSH 远程连接及会话持久化，有效解决了在多个终端窗口间频繁切换的痛点。\n\n尽管项目目前已归档且不再主动维护，但作者坦诚分享了从 GUI 到终端的决策过程，指出简单的配置或许比复杂软件更高效。即便如此，OpenSquirrel 的核心代码依然可用，特别是 legacy 分支保留了完整的特性集，包括多智能体网格布局、Token 成本追踪及丰富的主题定制。\n\n这款工具适合热衷于尝试不同 AI 编程模型的技术开发者。如果你熟悉 Rust 或 macOS 系统，完全可以 Fork 该项目进行二次开发。它不仅是一个管理工具，更是一次关于如何优化人机协作流程的有趣探索，为多智能体编排提供了独特的视角与实践经验。","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FInfatoshi_OpenSquirrel_readme_699d44aae2b4.png\" width=\"128\" alt=\"OpenSquirrel\">\n\u003C\u002Fp>\n\n\u003Ch1 align=\"center\">OpenSquirrel\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n  \u003Cstrong>This project is no longer actively maintained.\u003C\u002Fstrong>\u003Cbr>\n  Fork it, customize it, make it yours.\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FInfatoshi_OpenSquirrel_readme_97e4cc2db6f8.png\" width=\"800\" alt=\"OpenSquirrel screenshot\">\n\u003C\u002Fp>\n\n## What it was\n\nA native, GPU-rendered tiling manager for AI coding agents. Rust + GPUI. Run Claude Code, Codex, Cursor, Gemini, and OpenCode side by side with automatic sub-agent delegation, remote machine targeting via SSH, and persistent sessions.\n\n## Why it's archived\n\nAfter a week of building this, I arrived at a simpler conclusion: **you don't need a custom GUI to orchestrate AI agents.**\n\nHere's what I learned:\n\n**The terminal already won.** Every AI coding CLI (Claude Code, Codex, Cursor Agent, Gemini CLI, OpenCode) ships with a polished terminal TUI. Building a Rust GUI that parses their JSON output and re-renders it will always be worse than just... using the native TUI. Users are comfortable in their terminal. They don't want a new window.\n\n**Delegation is a prompt, not a product.** The entire coordinator\u002Fworker delegation system -- spawning sub-agents across runtimes, collecting results, feeding them back -- can be done with 4 lines in a `CLAUDE.md` file telling the model to use `cursor agent --print` or `codex exec` via Bash. No orchestration daemon needed. No hooks. No middleware. Claude Code's Agent tool already handles internal delegation. For external CLIs, just run them headless.\n\n**Token tracking already exists.** [CodexBar](https:\u002F\u002Fgithub.com\u002Fsteipete\u002FCodexBar) sits in your macOS menu bar and tracks usage across Claude, Codex, Cursor, Gemini, and more by reading their local data files. No need to build this into a GUI.\n\n**The architectural mismatch.** Using Claude Code (a Node\u002FBun process) to build and iterate on a Rust GPU application through JSON stream parsing is a bizarre feedback loop. The model is trained on terminal interactions, not on debugging GPUI render pipelines. Every feature took 10x longer than it should have because the tooling fought the workflow.\n\n**Models aren't good enough yet for opinionated UX.** Nobody knows the right workflow for multi-agent coding. Building a rigid UI around one workflow locks you in. The terminal is infinitely flexible. Wait for patterns to emerge before building products around them.\n\n## What works instead\n\nThe setup I actually use now:\n\n- **Terminal**: Ghostty (or whatever you prefer)\n- **Agents**: Run them directly -- `claude`, `codex`, `cursor agent`, `gemini`\n- **Delegation**: Instructions in `~\u002F.claude\u002FCLAUDE.md` telling Claude to run external CLIs via Bash when asked\n- **Token tracking**: CodexBar (menu bar app, reads local files)\n- **Multi-agent**: Just open multiple terminal tabs\u002Fpanes\n\nThat's it. No custom software. The orchestration layer is a config file.\n\n## If you want to use or fork this\n\nThe code works. The `legacy` branch at commit `78f1bf2` has the full feature set:\n\n- Multi-agent grid with auto-layout\n- Coordinator\u002Fworker delegation across runtimes\n- Remote SSH targeting with tmux session persistence\n- Reusable UI components (FuzzyList, modal builders, selectable rows)\n- Model picker with fuzzy search (Cmd+M)\n- Token\u002Fcost tracking per agent\n- 7 themes, persistent state, MCP integration\n- 93 passing tests\n\n### Build & run\n\n```bash\ncargo build --release\n# Run as .app bundle:\ncp target\u002Frelease\u002Fopensquirrel dist\u002FOpenSquirrel.app\u002FContents\u002FMacOS\u002FOpenSquirrel-bin\nopen dist\u002FOpenSquirrel.app\n```\n\nRequires Rust 1.85+ and macOS (Metal GPU). Linux (Vulkan) compiles and tests pass.\n\n### Config\n\n`~\u002F.osq\u002Fconfig.toml` -- runtimes, machines, MCPs, themes, settings.\n\n### Supported runtimes\n\n| Runtime | CLI | Mode |\n|---------|-----|------|\n| Claude Code | `claude` | Persistent multi-turn |\n| Codex | `codex` | One-shot |\n| Cursor Agent | `cursor agent` | One-shot |\n| Gemini CLI | `gemini` | One-shot |\n| OpenCode | `opencode` | One-shot |\n\n## License\n\nMIT\n","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FInfatoshi_OpenSquirrel_readme_699d44aae2b4.png\" width=\"128\" alt=\"OpenSquirrel\">\n\u003C\u002Fp>\n\n\u003Ch1 align=\"center\">OpenSquirrel\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n  \u003Cstrong>本项目不再积极维护。\u003C\u002Fstrong>\u003Cbr>\n  Fork 它，定制它，让它成为你自己的。\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FInfatoshi_OpenSquirrel_readme_97e4cc2db6f8.png\" width=\"800\" alt=\"OpenSquirrel screenshot\">\n\u003C\u002Fp>\n\n## 它曾经是什么\n\n一个用于 AI 编码代理 (Agent) 的原生、GPU 渲染的平铺管理器。Rust + GPUI。支持并排运行 Claude Code、Codex、Cursor、Gemini 和 OpenCode，具备自动子代理委托、通过 SSH 定位远程机器以及持久化会话功能。\n\n## 为何归档\n\n在构建了一周后，我得出了一个更简单的结论：**你不需要自定义图形用户界面 (GUI) 来编排 AI 代理。**\n\n以下是我的心得：\n\n**终端已经胜出。** 每个 AI 编码命令行界面 (CLI)（Claude Code、Codex、Cursor Agent、Gemini CLI、OpenCode）都配备了成熟的终端文本用户界面 (TUI)。构建一个解析其 JSON 输出并重新渲染的 Rust GUI，效果永远不如直接使用原生 TUI。用户在终端中感到舒适。他们不想打开新窗口。\n\n**委托只是一个提示词，而非产品。** 整个协调器\u002F工作者委托系统——跨运行时启动子代理、收集结果、反馈回来——可以通过 `CLAUDE.md` 文件中的 4 行代码完成，告诉模型通过 Bash 使用 `cursor agent --print` 或 `codex exec`。无需编排守护进程。无需钩子。无需中间件。Claude Code 的 Agent 工具已经处理内部委托。对于外部 CLI，只需无头运行它们。\n\n**Token 追踪已存在。** [CodexBar](https:\u002F\u002Fgithub.com\u002Fsteipete\u002FCodexBar) 位于你的 macOS 菜单栏中，通过读取本地数据文件来追踪 Claude、Codex、Cursor、Gemini 等的使用情况。无需将其构建到 GUI 中。\n\n**架构不匹配。** 通过 JSON 流解析使用 Claude Code（一个 Node\u002FBun 进程）来构建和迭代 Rust GPU 应用程序是一个奇怪的反馈循环。该模型是在终端交互上训练的，而不是在调试 GPUI 渲染管线上。由于工具与工作流程相冲突，每个功能的开发时间都花了应有的 10 倍。\n\n**模型还不够好，无法提供有特定主张的用户体验 (UX)。** 没人知道多代理编码的正确工作流。围绕单一工作流构建僵化的 UI 会让你被锁定。终端具有无限的灵活性。在模式出现之前，不要围绕它们构建产品。\n\n## 替代方案\n\n我现在实际使用的设置：\n\n- **终端**：Ghostty（或任何你喜欢的）\n- **代理**：直接运行它们 -- `claude`, `codex`, `cursor agent`, `gemini`\n- **委托**：`~\u002F.claude\u002FCLAUDE.md` 中的指令，告诉 Claude 在被请求时通过 Bash 运行外部 CLI\n- **Token 追踪**：CodexBar（菜单栏应用，读取本地文件）\n- **多代理**：只需打开多个终端标签页\u002F窗格\n\n就是这样。无需自定义软件。编排层就是一个配置文件。\n\n## 如果你想使用或 Fork 此项目\n\n代码是可用的。`legacy` 分支在提交 `78f1bf2` 处拥有完整的功能集：\n\n- 带有自动布局的多代理网格\n- 跨运行时的协调器\u002F工作者委托\n- 带有 tmux 会话持久化的远程 SSH 定位\n- 可重用的 UI 组件（FuzzyList, modal builders, selectable rows）\n- 带有模糊搜索的模型选择器 (Cmd+M)\n- 每个代理的 Token\u002F成本追踪\n- 7 种主题，持久化状态，MCP (模型上下文协议) 集成\n- 93 个通过的测试\n\n### 构建与运行\n\n```bash\ncargo build --release\n# Run as .app bundle:\ncp target\u002Frelease\u002Fopensquirrel dist\u002FOpenSquirrel.app\u002FContents\u002FMacOS\u002FOpenSquirrel-bin\nopen dist\u002FOpenSquirrel.app\n```\n\n需要 Rust 1.85+ 和 macOS（Metal GPU）。Linux（Vulkan）可以编译且测试通过。\n\n### 配置\n\n`~\u002F.osq\u002Fconfig.toml` -- 运行时、机器、MCP、主题、设置。\n\n### 支持的运行时\n\n| 运行时 | CLI | 模式 |\n|---------|-----|------|\n| Claude Code | `claude` | 持久化多轮对话 |\n| Codex | `codex` | 单次执行 |\n| Cursor Agent | `cursor agent` | 单次执行 |\n| Gemini CLI | `gemini` | 单次执行 |\n| OpenCode | `opencode` | 单次执行 |\n\n## 许可证\n\nMIT","# OpenSquirrel 快速上手指南\n\n> ⚠️ **重要提示**：该项目目前已归档（Archived），不再积极维护。如果您希望使用完整功能，请基于 `legacy` 分支进行 Fork 或构建。\n\n## 环境准备\n\n*   **操作系统**：macOS (推荐 Metal GPU) 或 Linux (支持 Vulkan)。\n*   **编程语言**：Rust 1.85+。\n*   **依赖工具**：Cargo (Rust 构建工具)。\n\n## 安装步骤\n\n1.  **克隆仓库并切换到 Legacy 分支**\n    由于主分支可能不包含完整功能，建议切换至包含全功能的提交点：\n    ```bash\n    git clone \u003Crepository_url>\n    cd opensquirrel\n    git checkout legacy\n    # 或者指定具体提交点\n    git checkout 78f1bf2\n    ```\n\n2.  **编译项目**\n    在终端中执行以下命令进行发布版本编译：\n    ```bash\n    cargo build --release\n    ```\n\n3.  **打包为 macOS 应用 (可选)**\n    如果您希望在 macOS 上以 `.app` 形式运行，请执行以下操作：\n    ```bash\n    cp target\u002Frelease\u002Fopensquirrel dist\u002FOpenSquirrel.app\u002FContents\u002FMacOS\u002FOpenSquirrel-bin\n    open dist\u002FOpenSquirrel.app\n    ```\n\n## 基本使用\n\n### 配置文件\n程序启动后会自动读取用户目录下的配置文件。如需自定义运行时、机器连接或主题，请编辑：\n```bash\n~\u002F.osq\u002Fconfig.toml\n```\n\n### 支持的 AI 运行时\nOpenSquirrel 支持同时管理以下 AI 编码代理：\n\n| 运行时 | 命令行指令 | 模式 |\n| :--- | :--- | :--- |\n| Claude Code | `claude` | 持久化多轮对话 |\n| Codex | `codex` | 一次性任务 |\n| Cursor Agent | `cursor agent` | 一次性任务 |\n| Gemini CLI | `gemini` | 一次性任务 |\n| OpenCode | `opencode` | 一次性任务 |\n\n### 运行示例\n编译完成后，直接运行生成的二进制文件即可启动界面。您可在配置文件中预设多个远程机器目标，并通过 SSH 进行会话持久化管理。","资深全栈工程师小张正在重构一个复杂的微服务架构，需要同时协调多个 AI 编程助手分别处理后端 API、前端组件及自动化测试脚本的编写工作。\n\n### 没有 OpenSquirrel 时\n- 开发者需要在多个独立的终端窗口间频繁切换上下文，导致注意力分散且操作繁琐。\n- 缺乏统一的监控面板，难以实时掌握 Claude、Codex 等不同模型的 Token 消耗与费用。\n- 在远程服务器调试时，每次启动新 Agent 都需重新建立 SSH 连接并配置环境，耗时费力。\n- 复杂任务拆解依赖人工手动将指令分发给不同 CLI 工具，容易出现指令遗漏或版本冲突。\n\n### 使用 OpenSquirrel 后\n- OpenSquirrel 利用 GPU 渲染的平铺管理界面，允许用户在同一屏幕内并列运行多个 Agent 会话，视野更清晰。\n- 内置 Token 追踪模块自动聚合各运行时数据，帮助团队精准控制预算并优化提示词策略。\n- 支持通过 SSH 直接靶向远程机器，并利用 tmux 保持会话持久化，实现本地与云端环境的无缝协作。\n- 具备自动子代理委派能力，主节点可根据需求调度不同运行时执行特定代码片段，减少人工干预。\n\nOpenSquirrel 通过构建可视化的统一控制平面，将原本割裂的多智能体工作流整合为高效协同的整体，大幅降低了分布式 AI 开发的复杂度。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FInfatoshi_OpenSquirrel_699d44aa.png","Infatoshi","Elliot Arledge","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FInfatoshi_a71640ee.jpg","making comfy spawn areas for superintelligences",null,"elliotarledge","elliotarledge.com","https:\u002F\u002Fgithub.com\u002FInfatoshi",[84],{"name":85,"color":86,"percentage":87},"Rust","#dea584",100,1342,85,"2026-04-05T10:36:19","MIT",4,"Linux, macOS","必需，macOS 需 Metal API，Linux 需 Vulkan API，未提及具体型号、显存及 CUDA 版本","未说明",{"notes":97,"python":95,"dependencies":98},"项目已归档不再维护；构建需 Rust 1.85+；macOS 使用 Metal，Linux 使用 Vulkan；完整功能在 legacy 分支；需单独安装外部 AI 客户端运行环境",[95],[15],"2026-03-27T02:49:30.150509","2026-04-06T06:44:07.796062",[103],{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},3625,"在哪里可以查看 OpenSquirrel 的功能演示或效果展示？","项目维护者表示后续会在仓库中补充演示 GIF，但目前已有用户分享了实际运行的视频链接。您可以访问以下地址查看效果：https:\u002F\u002Fx.com\u002Felliotarledge\u002Fstatus\u002F2033339265149735362?s=20","https:\u002F\u002Fgithub.com\u002FInfatoshi\u002FOpenSquirrel\u002Fissues\u002F1",[]]