[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-adhikasp--mcp-client-cli":3,"tool-adhikasp--mcp-client-cli":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",145895,2,"2026-04-08T11:32:59",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":32,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":141},5568,"adhikasp\u002Fmcp-client-cli","mcp-client-cli","A simple CLI to run LLM prompt and implement MCP client.","mcp-client-cli 是一款运行在终端的轻量级命令行工具，旨在让开发者直接在命令行环境中与大语言模型（LLM）交互，并调用各种外部服务。它基于模型上下文协议（MCP）构建，充当了 Claude Desktop 等图形化客户端的强力替代方案，让用户无需离开终端即可享受智能助手的服务。\n\n该工具主要解决了在开发工作流中频繁切换窗口、难以将 AI 能力无缝集成到脚本或自动化任务中的痛点。通过简单的配置，用户可以连接 OpenAI、Groq 或本地部署的 Llama 模型，并灵活挂载如网络搜索、内容抓取、YouTube 分析等丰富的 MCP 服务器插件。其独特亮点在于支持多模态输入，可直接管道传输图片文件供模型分析；同时内置提示词模板系统，能快速执行代码审查、生成提交信息等常用任务，并具备工具调用前的用户确认机制，确保操作安全。\n\nmcp-client-cli 特别适合习惯使用命令行的软件工程师、DevOps 人员及技术研究人员。对于希望将 AI 深度融入日常编码、调试及数据处理流程的用户而言，它提供了一个高效、可扩展且完全可控的交互入口，让智能辅助变得像执行普通 shell 命令一样","mcp-client-cli 是一款运行在终端的轻量级命令行工具，旨在让开发者直接在命令行环境中与大语言模型（LLM）交互，并调用各种外部服务。它基于模型上下文协议（MCP）构建，充当了 Claude Desktop 等图形化客户端的强力替代方案，让用户无需离开终端即可享受智能助手的服务。\n\n该工具主要解决了在开发工作流中频繁切换窗口、难以将 AI 能力无缝集成到脚本或自动化任务中的痛点。通过简单的配置，用户可以连接 OpenAI、Groq 或本地部署的 Llama 模型，并灵活挂载如网络搜索、内容抓取、YouTube 分析等丰富的 MCP 服务器插件。其独特亮点在于支持多模态输入，可直接管道传输图片文件供模型分析；同时内置提示词模板系统，能快速执行代码审查、生成提交信息等常用任务，并具备工具调用前的用户确认机制，确保操作安全。\n\nmcp-client-cli 特别适合习惯使用命令行的软件工程师、DevOps 人员及技术研究人员。对于希望将 AI 深度融入日常编码、调试及数据处理流程的用户而言，它提供了一个高效、可扩展且完全可控的交互入口，让智能辅助变得像执行普通 shell 命令一样自然便捷。","# MCP CLI client\n\nA simple CLI program to run LLM prompt and implement [Model Context Protocol (MCP)](https:\u002F\u002Fmodelcontextprotocol.io\u002F) client.\n\nYou can use any [MCP-compatible servers](https:\u002F\u002Fgithub.com\u002Fpunkpeye\u002Fawesome-mcp-servers) from the convenience of your terminal.\n\nThis act as alternative client beside Claude Desktop. Additionally you can use any LLM provider like OpenAI, Groq, or local LLM model via [llama](https:\u002F\u002Fgithub.com\u002Fggerganov\u002Fllama.cpp).\n\n![C4 Diagram](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fadhikasp_mcp-client-cli_readme_488a4062fa0c.png)\n\n## Setup\n\n1. Install via pip:\n   ```bash\n   pip install mcp-client-cli\n   ```\n\n2. Create a `~\u002F.llm\u002Fconfig.json` file to configure your LLM and MCP servers:\n   ```json\n   {\n     \"systemPrompt\": \"You are an AI assistant helping a software engineer...\",\n     \"llm\": {\n       \"provider\": \"openai\",\n       \"model\": \"gpt-4\",\n       \"api_key\": \"your-openai-api-key\",\n       \"temperature\": 0.7,\n       \"base_url\": \"https:\u002F\u002Fapi.openai.com\u002Fv1\"  \u002F\u002F Optional, for OpenRouter or other providers\n     },\n     \"mcpServers\": {\n       \"fetch\": {\n         \"command\": \"uvx\",\n         \"args\": [\"mcp-server-fetch\"],\n         \"requires_confirmation\": [\"fetch\"],\n         \"enabled\": true,  \u002F\u002F Optional, defaults to true\n         \"exclude_tools\": []  \u002F\u002F Optional, list of tool names to exclude\n       },\n       \"brave-search\": {\n         \"command\": \"npx\",\n         \"args\": [\"-y\", \"@modelcontextprotocol\u002Fserver-brave-search\"],\n         \"env\": {\n           \"BRAVE_API_KEY\": \"your-brave-api-key\"\n         },\n         \"requires_confirmation\": [\"brave_web_search\"]\n       },\n       \"youtube\": {\n         \"command\": \"uvx\",\n         \"args\": [\"--from\", \"git+https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-youtube\", \"mcp-youtube\"]\n       }\n     }\n   }\n   ```\n\n   Note:\n   - See [CONFIG.md](CONFIG.md) for complete documentation of the configuration format\n   - Use `requires_confirmation` to specify which tools need user confirmation before execution\n   - The LLM API key can also be set via environment variables `LLM_API_KEY` or `OPENAI_API_KEY`\n   - The config file can be placed in either `~\u002F.llm\u002Fconfig.json` or `$PWD\u002F.llm\u002Fconfig.json`\n   - You can comment the JSON config file with `\u002F\u002F` if you like to switch around the configuration\n\n3. Run the CLI:\n   ```bash\n   llm \"What is the capital city of North Sumatra?\"\n   ```\n\n## Usage\n\n### Basic Usage\n\n```bash\n$ llm What is the capital city of North Sumatra?\nThe capital city of North Sumatra is Medan.\n```\n\nYou can omit the quotes, but be careful with bash special characters like `&`, `|`, `;` that might be interpreted by your shell.\n\nYou can also pipe input from other commands or files:\n\n```bash\n$ echo \"What is the capital city of North Sumatra?\" | llm\nThe capital city of North Sumatra is Medan.\n\n$ echo \"Given a location, tell me its capital city.\" > instructions.txt\n$ cat instruction.txt | llm \"West Java\"\nThe capital city of West Java is Bandung.\n```\n\n### Image Input\n\nYou can pipe image files to analyze them with multimodal LLMs:\n\n```bash\n$ cat image.jpg | llm \"What do you see in this image?\"\n[LLM will analyze and describe the image]\n\n$ cat screenshot.png | llm \"Is there any error in this screenshot?\"\n[LLM will analyze the screenshot and point out any errors]\n```\n\n### Using Prompt Templates\n\nYou can use predefined prompt templates by using the `p` prefix followed by the template name and its arguments:\n\n```bash\n# List available prompt templates\n$ llm --list-prompts\n\n# Use a template\n$ llm p review  # Review git changes\n$ llm p commit  # Generate commit message\n$ llm p yt url=https:\u002F\u002Fyoutube.com\u002F...  # Summarize YouTube video\n```\n\n### Triggering a tool\n\n```bash\n$ llm What is the top article on hackernews today?\n\n================================== Ai Message ==================================\nTool Calls:\n  brave_web_search (call_eXmFQizLUp8TKBgPtgFo71et)\n Call ID: call_eXmFQizLUp8TKBgPtgFo71et\n  Args:\n    query: site:news.ycombinator.com\n    count: 1\nBrave Search MCP Server running on stdio\n\n# If the tool requires confirmation, you'll be prompted:\nConfirm tool call? [y\u002Fn]: y\n\n================================== Ai Message ==================================\nTool Calls:\n  fetch (call_xH32S0QKqMfudgN1ZGV6vH1P)\n Call ID: call_xH32S0QKqMfudgN1ZGV6vH1P\n  Args:\n    url: https:\u002F\u002Fnews.ycombinator.com\u002F\n================================= Tool Message =================================\nName: fetch\n\n[TextContent(type='text', text='Contents [REDACTED]]\n================================== Ai Message ==================================\n\nThe top article on Hacker News today is:\n\n### [Why pipes sometimes get \"stuck\": buffering](https:\u002F\u002Fjvns.ca)\n- **Points:** 31\n- **Posted by:** tanelpoder\n- **Posted:** 1 hour ago\n\nYou can view the full list of articles on [Hacker News](https:\u002F\u002Fnews.ycombinator.com\u002F)\n```\n\nTo bypass tool confirmation requirements, use the `--no-confirmations` flag:\n\n```bash\n$ llm --no-confirmations \"What is the top article on hackernews today?\"\n```\n\nTo use in bash scripts, add the --no-intermediates, so it doesn't print intermediate messages, only the concluding end message.\n```bash\n$ llm --no-intermediates \"What is the time in Tokyo right now?\"\n```\n\n### Continuation\n\nAdd a `c ` prefix to your message to continue the last conversation.\n\n```bash\n$ llm asldkfjasdfkl\nIt seems like your message might have been a typo or an error. Could you please clarify or provide more details about what you need help with?\n$ llm c what did i say previously?\nYou previously typed \"asldkfjasdfkl,\" which appears to be a random string of characters. If you meant to ask something specific or if you have a question, please let me know!\n```\n\n### Clipboard Support\n\nYou can use content from your clipboard using the `cb` command:\n\n```bash\n# After copying text to clipboard\n$ llm cb\n[LLM will process the clipboard text]\n\n$ llm cb \"What language is this code written in?\"\n[LLM will analyze the clipboard text with your question]\n\n# After copying an image to clipboard\n$ llm cb \"What do you see in this image?\"\n[LLM will analyze the clipboard image]\n\n# You can combine it with continuation\n$ llm cb c \"Tell me more about what you see\"\n[LLM will continue the conversation about the clipboard content]\n```\n\nThe clipboard feature works in:\n- Native Windows\u002FmacOS\u002FLinux environments\n  - Windows: Uses PowerShell\n  - macOS: Uses `pbpaste` for text, `pngpaste` for images (optional)\n  - Linux: Uses `xclip` (required for clipboard support)\n- Windows Subsystem for Linux (WSL)\n  - Accesses the Windows clipboard through PowerShell\n  - Works with both text and images\n  - Make sure you have access to `powershell.exe` from WSL\n\nRequired tools for clipboard support:\n- Windows: PowerShell (built-in)\n- macOS: \n  - `pbpaste` (built-in) for text\n  - `pngpaste` (optional) for images: `brew install pngpaste`\n- Linux: \n  - `xclip`: `sudo apt install xclip` or equivalent\n\nThe CLI automatically detects if the clipboard content is text or image and handles it appropriately.\n\n### Additional Options\n\n```bash\n$ llm --list-tools                # List all available tools\n$ llm --list-prompts              # List available prompt templates\n$ llm --no-tools                  # Run without any tools\n$ llm --force-refresh             # Force refresh tool capabilities cache\n$ llm --text-only                 # Output raw text without markdown formatting\n$ llm --show-memories             # Show user memories\n$ llm --model gpt-4               # Override the model specified in config\n```\n\n## Contributing\n\nFeel free to submit issues and pull requests for improvements or bug fixes.\n","# MCP CLI 客户端\n\n一个简单的命令行程序，用于运行大模型提示并实现 [模型上下文协议 (MCP)](https:\u002F\u002Fmodelcontextprotocol.io\u002F) 客户端。\n\n您可以在终端中方便地使用任何 [兼容 MCP 的服务器](https:\u002F\u002Fgithub.com\u002Fpunkpeye\u002Fawesome-mcp-servers)。\n\n这可以作为 Claude Desktop 之外的替代客户端。此外，您还可以通过 [llama](https:\u002F\u002Fgithub.com\u002Fggerganov\u002Fllama.cpp) 使用任何 LLM 提供商，如 OpenAI、Groq 或本地 LLM 模型。\n\n![C4 图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fadhikasp_mcp-client-cli_readme_488a4062fa0c.png)\n\n## 设置\n\n1. 通过 pip 安装：\n   ```bash\n   pip install mcp-client-cli\n   ```\n\n2. 创建 `~\u002F.llm\u002Fconfig.json` 文件以配置您的 LLM 和 MCP 服务器：\n   ```json\n   {\n     \"systemPrompt\": \"你是一位帮助软件工程师的 AI 助手...\",\n     \"llm\": {\n       \"provider\": \"openai\",\n       \"model\": \"gpt-4\",\n       \"api_key\": \"your-openai-api-key\",\n       \"temperature\": 0.7,\n       \"base_url\": \"https:\u002F\u002Fapi.openai.com\u002Fv1\"  \u002F\u002F 可选，适用于 OpenRouter 或其他提供商\n     },\n     \"mcpServers\": {\n       \"fetch\": {\n         \"command\": \"uvx\",\n         \"args\": [\"mcp-server-fetch\"],\n         \"requires_confirmation\": [\"fetch\"],\n         \"enabled\": true,  \u002F\u002F 可选，默认为 true\n         \"exclude_tools\": []  \u002F\u002F 可选，需排除的工具名称列表\n       },\n       \"brave-search\": {\n         \"command\": \"npx\",\n         \"args\": [\"-y\", \"@modelcontextprotocol\u002Fserver-brave-search\"],\n         \"env\": {\n           \"BRAVE_API_KEY\": \"your-brave-api-key\"\n         },\n         \"requires_confirmation\": [\"brave_web_search\"]\n       },\n       \"youtube\": {\n         \"command\": \"uvx\",\n         \"args\": [\"--from\", \"git+https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-youtube\", \"mcp-youtube\"]\n       }\n     }\n   }\n   ```\n\n   注意：\n   - 请参阅 [CONFIG.md](CONFIG.md) 以获取配置格式的完整文档\n   - 使用 `requires_confirmation` 来指定哪些工具在执行前需要用户确认\n   - LLM API 密钥也可以通过环境变量 `LLM_API_KEY` 或 `OPENAI_API_KEY` 设置\n   - 配置文件可以放在 `~\u002F.llm\u002Fconfig.json` 或 `$PWD\u002F.llm\u002Fconfig.json`\n   - 如果您想切换配置，可以用 `\u002F\u002F` 在 JSON 配置文件中添加注释\n\n3. 运行 CLI：\n   ```bash\n   llm \"北苏门答腊的首都是哪里？\"\n   ```\n\n## 使用方法\n\n### 基本用法\n\n```bash\n$ llm 北苏门答腊的首都是哪里？\n北苏门答腊的首都是棉兰。\n```\n\n您可以省略引号，但要注意 bash 特殊字符，如 `&`、`|`、`;`，这些可能会被您的 shell 解释。\n\n您还可以从其他命令或文件中管道输入：\n\n```bash\n$ echo \"北苏门答腊的首都是哪里？\" | llm\n北苏门答腊的首都是棉兰。\n\n$ echo \"给定一个地点，请告诉我它的首都是哪里。\" > instructions.txt\n$ cat instruction.txt | llm \"西爪哇\"\n西爪哇的首都是万隆。\n```\n\n### 图像输入\n\n您可以将图像文件通过管道传递，以便使用多模态 LLM 进行分析：\n\n```bash\n$ cat image.jpg | llm \"这张图片里有什么？\"\n[LLM 将分析并描述图片]\n\n$ cat screenshot.png | llm \"这张截图里有没有错误？\"\n[LLM 将分析截图并指出任何错误]\n```\n\n### 使用提示模板\n\n您可以使用预定义的提示模板，方法是使用 `p` 前缀，后跟模板名称及其参数：\n\n```bash\n# 列出可用的提示模板\n$ llm --list-prompts\n\n# 使用模板\n$ llm p review  # 审查 git 更改\n$ llm p commit  # 生成提交信息\n$ llm p yt url=https:\u002F\u002Fyoutube.com\u002F...  # 总结 YouTube 视频\n```\n\n### 触发工具\n\n```bash\n$ llm 今天 HackerNews 上的头条文章是什么？\n\n================================== Ai 消息 ==================================\n工具调用：\n  brave_web_search (call_eXmFQizLUp8TKBgPtgFo71et)\n 调用 ID：call_eXmFQizLUp8TKBgPtgFo71et\n  参数：\n    query：site:news.ycombinator.com\n    count：1\nBrave Search MCP 服务器正在 stdio 上运行\n\n# 如果工具需要确认，系统会提示您：\n确认调用工具吗？[y\u002Fn]：y\n\n================================== Ai 消息 ==================================\n工具调用：\n  fetch (call_xH32S0QKqMfudgN1ZGV6vH1P)\n 调用 ID：call_xH32S0QKqMfudgN1ZGV6vH1P\n  参数：\n    url：https:\u002F\u002Fnews.ycombinator.com\u002F\n================================= 工具消息 =================================\n名称：fetch\n\n[TextContent(type='text', text='内容 [已编辑]]\n================================== Ai 消息 ==================================\n\n今天 Hacker News 上的头条文章是：\n\n### [为什么管道有时会“卡住”：缓冲机制](https:\u002F\u002Fjvns.ca)\n- **分数**：31\n- **发布者**：tanelpoder\n- **发布时间**：1 小时前\n\n您可以在 [Hacker News](https:\u002F\u002Fnews.ycombinator.com\u002F) 上查看完整的文章列表\n```\n\n要绕过工具确认要求，可以使用 `--no-confirmations` 标志：\n\n```bash\n$ llm --no-confirmations \"今天 HackerNews 上的头条文章是什么？\"\n```\n\n要在 bash 脚本中使用，添加 `--no-intermediates` 标志，这样就不会打印中间消息，只显示最终结论。\n```bash\n$ llm --no-intermediates \"现在东京的时间是多少？\"\n```\n\n### 继续对话\n\n在您的消息前加上 `c` 前缀，即可继续上次的对话。\n\n```bash\n$ llm asldkfjasdfkl\n看起来您的消息可能是一个拼写错误或失误。您能否澄清一下，或者提供更多关于您需要帮助的内容的信息呢？\n$ llm c 我之前说了什么？\n您之前输入了“asldkfjasdfkl”，这似乎是一串随机字符。如果您原本想问一些具体的问题，或者有疑问，请告诉我！\n```\n\n### 剪贴板支持\n\n您可以使用剪贴板中的内容，方法是使用 `cb` 命令：\n\n```bash\n# 复制文本到剪贴板后\n$ llm cb\n[LLM 将处理剪贴板中的文本]\n\n$ llm cb \"这段代码是用什么语言写的？\"\n[LLM 将结合您的问题分析剪贴板中的文本]\n\n# 复制图像到剪贴板后\n$ llm cb \"你在这张图片里看到了什么？\"\n[LLM 将分析剪贴板中的图像]\n\n# 您还可以将其与继续对话结合使用\n$ llm cb c \"再跟我说说你看到的内容吧\"\n[LLM 将继续围绕剪贴板内容展开对话]\n```\n\n剪贴板功能适用于以下环境：\n- 原生 Windows\u002FmacOS\u002FLinux 系统\n  - Windows：使用 PowerShell\n  - macOS：使用 `pbpaste` 处理文本，使用 `pngpaste` 处理图像（可选）\n  - Linux：使用 `xclip`（必须安装才能支持剪贴板功能）\n- Windows Subsystem for Linux (WSL)\n  - 通过 PowerShell 访问 Windows 剪贴板\n  - 同时支持文本和图像\n  - 请确保您可以从 WSL 访问 `powershell.exe`\n\n支持剪贴板功能所需的工具：\n- Windows：PowerShell（内置）\n- macOS：\n  - `pbpaste`（内置）用于文本\n  - `pngpaste`（可选）用于图像：`brew install pngpaste`\n- Linux：\n  - `xclip`：`sudo apt install xclip` 或等效工具\n\nCLI 会自动检测剪贴板内容是文本还是图像，并进行相应处理。\n\n### 其他选项\n\n```bash\n$ llm --list-tools                # 列出所有可用工具\n$ llm --list-prompts              # 列出可用的提示模板\n$ llm --no-tools                  # 不使用任何工具运行\n$ llm --force-refresh             # 强制刷新工具能力缓存\n$ llm --text-only                 # 输出纯文本，不带 Markdown 格式\n$ llm --show-memories             # 显示用户记忆\n$ llm --model gpt-4               # 覆盖配置中指定的模型\n```\n\n## 参与贡献\n\n欢迎提交问题和拉取请求，以改进功能或修复 bug。","# mcp-client-cli 快速上手指南\n\n`mcp-client-cli` 是一个简单的命令行工具，用于运行大语言模型（LLM）提示并实现模型上下文协议（MCP）客户端。它允许你在终端中直接使用各种 MCP 兼容的服务端工具，支持 OpenAI、Groq 或本地 LLM（如 llama.cpp）。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：Windows、macOS 或 Linux（包括 WSL）\n- **Python 环境**：需安装 Python 3.8+ 及 `pip`\n\n### 前置依赖\n根据你是否需要使用剪贴板功能，可能需要安装以下工具：\n- **Linux**: `xclip` (文本剪贴板支持)\n  ```bash\n  sudo apt install xclip\n  ```\n- **macOS**: \n  - 文本：内置 `pbpaste`\n  - 图片（可选）：`pngpaste`\n    ```bash\n    brew install pngpaste\n    ```\n- **Windows**: 内置 PowerShell (无需额外安装)\n\n## 安装步骤\n\n1. **通过 pip 安装工具**\n   ```bash\n   pip install mcp-client-cli\n   ```\n   > **提示**：国内用户若遇到下载慢的问题，可使用清华源加速：\n   > ```bash\n   > pip install mcp-client-cli -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   > ```\n\n2. **配置 LLM 与 MCP 服务端**\n   \n   创建配置文件 `~\u002F.llm\u002Fconfig.json`（或在当前目录创建 `.llm\u002Fconfig.json`），填入你的 LLM API 密钥及需要启用的 MCP 服务。\n\n   示例配置：\n   ```json\n   {\n     \"systemPrompt\": \"You are an AI assistant helping a software engineer...\",\n     \"llm\": {\n       \"provider\": \"openai\",\n       \"model\": \"gpt-4\",\n       \"api_key\": \"your-openai-api-key\",\n       \"temperature\": 0.7\n     },\n     \"mcpServers\": {\n       \"fetch\": {\n         \"command\": \"uvx\",\n         \"args\": [\"mcp-server-fetch\"],\n         \"requires_confirmation\": [\"fetch\"],\n         \"enabled\": true\n       },\n       \"brave-search\": {\n         \"command\": \"npx\",\n         \"args\": [\"-y\", \"@modelcontextprotocol\u002Fserver-brave-search\"],\n         \"env\": {\n           \"BRAVE_API_KEY\": \"your-brave-api-key\"\n         },\n         \"requires_confirmation\": [\"brave_web_search\"]\n       }\n     }\n   }\n   ```\n   \n   **注意**：\n   - `api_key` 也可以直接通过环境变量 `LLM_API_KEY` 或 `OPENAI_API_KEY` 设置，无需写入文件。\n   - 配置文件支持使用 `\u002F\u002F` 进行注释。\n   - 详细配置项请参考项目自带的 `CONFIG.md`。\n\n## 基本使用\n\n安装配置完成后，即可在终端通过 `llm` 命令与大模型交互。\n\n### 1. 简单问答\n直接跟随提示词提问（若提示词包含特殊字符如 `&`, `|`，建议加上引号）：\n```bash\nllm \"What is the capital city of North Sumatra?\"\n```\n或者省略引号（适用于简单句子）：\n```bash\nllm What is the capital city of North Sumatra?\n```\n\n### 2. 管道输入\n可以从其他命令或文件读取输入：\n```bash\necho \"What is the capital city of North Sumatra?\" | llm\n```\n\n```bash\ncat instructions.txt | llm \"West Java\"\n```\n\n### 3. 图片分析\n支持将图片文件管道传输给多模态模型进行分析：\n```bash\ncat image.jpg | llm \"What do you see in this image?\"\n```\n\n### 4. 调用工具与确认\n当模型决定调用 MCP 工具（如搜索、抓取网页）时，如果配置了 `requires_confirmation`，系统会暂停并询问：\n```text\nConfirm tool call? [y\u002Fn]: y\n```\n若需在脚本中自动执行而不进行人工确认，可添加 `--no-confirmations` 标志：\n```bash\nllm --no-confirmations \"What is the top article on hackernews today?\"\n```\n\n### 5. 常用辅助命令\n- **查看可用工具**：\n  ```bash\n  llm --list-tools\n  ```\n- **查看预设提示词模板**：\n  ```bash\n  llm --list-prompts\n  ```\n- **使用模板**（例如生成 commit 信息）：\n  ```bash\n  llm p commit\n  ```\n- **延续上一轮对话**（在消息前加 `c `）：\n  ```bash\n  llm c \"what did i say previously?\"\n  ```\n- **读取剪贴板内容**（使用 `cb`）：\n  ```bash\n  llm cb \"What language is this code written in?\"\n  ```","资深后端工程师小林需要在晨会前快速调研最新的技术动态，并基于实时数据生成一份包含新闻摘要和代码建议的分析报告。\n\n### 没有 mcp-client-cli 时\n- **信息获取割裂**：需要手动打开浏览器搜索 HackerNews 或技术博客，再复制内容粘贴到聊天窗口，流程繁琐且中断心流。\n- **上下文切换频繁**：在搜索引擎、文档网站和本地代码编辑器之间反复跳转，难以将外部信息与当前项目代码直接关联。\n- **缺乏实时工具调用**：传统 LLM 客户端无法直接连接外部 API（如 Brave Search 或 YouTube），只能依赖模型过时的训练数据，无法获取今日最新资讯。\n- **多模态分析不便**：遇到报错截图或架构草图时，需专门打开支持图片的网页版界面，无法在终端内直接完成“看图说话”。\n\n### 使用 mcp-client-cli 后\n- **终端一站式闭环**：直接在终端输入 `llm \"今天 HackerNews 关于 Rust 的头条是什么？\"`，mcp-client-cli 自动调用 Brave Search MCP 服务获取实时结果并总结。\n- **无缝集成开发流**：通过管道符将本地日志文件或截图直接传给 mcp-client-cli（如 `cat error.png | llm \"分析报错原因\"`），无需离开命令行环境。\n- **灵活扩展能力**：轻松配置 YouTube MCP 服务，一条命令 `llm p yt url=...` 即可让 AI 总结最新技术大会视频，即时获取前沿知识。\n- **安全可控执行**：利用 `requires_confirmation` 机制，在执行敏感操作（如写入文件或调用付费 API）前强制人工确认，兼顾自动化与安全。\n\nmcp-client-cli 将大模型从单纯的聊天机器人升级为终端内的智能代理，让开发者能像调用本地命令一样自然地使用实时网络能力和多模态分析功能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fadhikasp_mcp-client-cli_d6a5772e.png","adhikasp","Adhika Setya Pramudita","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fadhikasp_832f58f6.jpg","I build things?","Grab","Jakarta",null,"https:\u002F\u002Fadhikasp.my.id","https:\u002F\u002Fgithub.com\u002Fadhikasp",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,672,82,"2026-03-30T16:30:03","MIT","Linux, macOS, Windows","未说明",{"notes":94,"python":92,"dependencies":95},"该工具是一个 CLI 客户端，本身不运行本地大模型，而是通过配置连接外部 LLM 提供商（如 OpenAI、Groq）或本地服务（如 llama.cpp）。在 Linux 上使用剪贴板功能需安装 xclip；macOS 处理图像需安装 pngpaste；Windows 和 WSL 依赖 PowerShell 访问剪贴板。配置文件中支持使用 \u002F\u002F 进行注释。",[96,97,98,99,100,101],"uvx","npx","xclip (Linux)","pbpaste (macOS)","pngpaste (macOS, 可选)","PowerShell (Windows\u002FWSL)",[14,35],[104,105,106,107],"langchain","llm","mcp","model-context-protocol","2026-03-27T02:49:30.150509","2026-04-08T23:34:33.281707",[111,116,121,126,131,136],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},25242,"运行 llm 命令时遇到崩溃或依赖错误怎么办？","这通常是一个依赖问题。建议删除整个项目并重新按照以下步骤操作：\n1. git clone 克隆仓库\n2. python3 -m venv venv 创建虚拟环境\n3. source venv\u002Fbin\u002Factivate 激活虚拟环境\n4. 将 mcp-server-config-example.json 重命名为 mcp-server-config.json\n5. 在配置 JSON 文件中设置您的 API 密钥（以及 base_url）\n6. 运行 pip3 install -e . 进行安装（注意末尾是点号，代表当前目录）\n\n此外，如果遇到描述类型为 NoneType 的错误，只需将 mcp 服务器名称用作描述即可修复。","https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fissues\u002F17",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},25243,"遇到 'create_react_agent() got unexpected keyword arguments' 报错如何解决？","这是由于调用了已弃用的参数导致的错误。该问题已在最新版本中修复，请升级您的 mcp-client-cli 到最新版本即可解决。","https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fissues\u002F37",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},25244,"运行时报错 '\"auto\" tool choice requires --enable-auto-tool-choice...' 如何处理？","这是因为后端服务未启用自动工具选择功能。如果您使用的是 vllm serve，需要在启动命令中添加运行选项：--enable-auto-tool-choice。","https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fissues\u002F25",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},25245,"mcp-client-cli 是否支持多步工具调用（例如先调用工具 A，结果传给工具 B）？","是的，支持。代码实现了递归调用模式，如果 LLM 模型检测到需要调用工具，它会一直执行直到不再需要为止。\n但效果也取决于使用的模型：Sonnet 在此类定义明确的多步任务中表现很好；而 Gemini 有时会在步骤之间要求人工确认，从而打断递归流程。\n如果您确定工作流完全符合特定模式，为了可预测性，也可以考虑使用管道命令（如 grep\u002Fsed）自行处理输出。","https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fissues\u002F10",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},25246,"如何为 mcp-client-cli 构建一个 Web UI 界面？","该项目主要专注于 CLI（命令行）用途。如果您想构建 Web UI，建议采取以下方案：\n1. 使用专注于提供 API 的项目作为后端，例如 MCP-Bridge (https:\u002F\u002Fgithub.com\u002FSecretiveShell\u002FMCP-Bridge)。\n2. 或者探索其他已经带有 UI 的 MCP 客户端，可以在 https:\u002F\u002Fwww.pulsemcp.com\u002Fclients 查看列表。","https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fissues\u002F9",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},25247,"代码结构复杂难以理解，是否有改进建议或文档说明？","该示例代码旨在设置一个 ReAct Agent 来调用 MCP 服务。对于不熟悉最新 Langchain API 的用户来说确实较难阅读。建议在文件顶部添加整体功能描述，并增加注释以提高可读性。维护者欢迎对代码结构和文档评论进行优化改进。","https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fissues\u002F1",[142,147,152,157,162],{"id":143,"version":144,"summary_zh":145,"released_at":146},154663,"v1.0.5","**完整更新日志**: https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fcompare\u002Fv1.0.3...v1.0.5","2025-12-02T09:09:32",{"id":148,"version":149,"summary_zh":150,"released_at":151},154664,"v1.0.4","**完整更新日志**：https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fcompare\u002Fv1.0.2...v1.0.4","2025-05-01T06:33:25",{"id":153,"version":154,"summary_zh":155,"released_at":156},154665,"v1.0.3","**完整更新日志**: https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fcompare\u002Fv1.0.2...v1.0.3","2025-05-01T06:32:58",{"id":158,"version":159,"summary_zh":160,"released_at":161},154666,"v1.0.2","## 变更内容\n* 由 @dwymark 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F21 中移除了文档文件上不必要的可执行位。\n* 由 @dwymark 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F22 中添加了 CONFIG.md，以更好地记录配置格式。\n\n## 新贡献者\n* @dwymark 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F21 中完成了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fcompare\u002Fv...v1.0.2","2025-05-01T06:18:19",{"id":163,"version":164,"summary_zh":165,"released_at":166},154667,"v","## 变更内容\n* 新功能：支持通过配置文件设置基础 URL，由 @RyoJerryYu 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F2 中实现。\n* 为 cli.py 添加注释，由 @hideya 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F3 中完成。\n* 将函数重构到单独的文件中，由 @adhikasp 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F4 中完成。\n* 新增“无中间步骤”功能，由 @tanevanwifferen 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F11 中实现。\n* 允许从 Bash 脚本覆盖模型选择，由 @tanevanwifferen 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F12 中实现。\n* 添加 CLI 测试，由 @adhikasp 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F14 中完成。\n* 添加 macOS 测试，由 @adhikasp 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F15 中完成。\n\n## 新贡献者\n* @RyoJerryYu 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F2 中完成了首次贡献。\n* @hideya 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F3 中完成了首次贡献。\n* @adhikasp 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F4 中完成了首次贡献。\n* @tanevanwifferen 在 https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fpull\u002F11 中完成了首次贡献。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fadhikasp\u002Fmcp-client-cli\u002Fcommits\u002Fv","2025-03-03T13:52:57"]