[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-awslabs--amazon-bedrock-agentcore-samples":3,"similar-awslabs--amazon-bedrock-agentcore-samples":126},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":9,"readme_en":10,"readme_zh":11,"quickstart_zh":12,"use_case_zh":13,"hero_image_url":14,"owner_login":15,"owner_name":16,"owner_avatar_url":17,"owner_bio":18,"owner_company":19,"owner_location":19,"owner_email":19,"owner_twitter":19,"owner_website":20,"owner_url":21,"languages":22,"stars":63,"forks":64,"last_commit_at":65,"license":66,"difficulty_score":67,"env_os":68,"env_gpu":69,"env_ram":69,"env_deps":70,"category_tags":79,"github_topics":81,"view_count":67,"oss_zip_url":19,"oss_zip_packed_at":19,"status":93,"created_at":94,"updated_at":95,"faqs":96,"releases":125},4970,"awslabs\u002Famazon-bedrock-agentcore-samples","amazon-bedrock-agentcore-samples","Amazon Bedrock Agentcore accelerates AI agents into production with the scale, reliability, and security, critical to real-world deployment.","agentcore-samples 是亚马逊云科技（AWS）提供的一套开源示例集合，旨在帮助开发者利用 Amazon Bedrock AgentCore 快速构建、部署并运营生产级的 AI 智能体。它主要解决了将 AI 智能体从原型阶段推向实际生产环境时面临的扩展性、可靠性及安全性挑战，让开发者无需重复编写底层基础设施代码，即可轻松实现大规模部署。\n\n这套资源非常适合正在使用 Strands Agents、CrewAI、LangGraph 或 LlamaIndex 等主流框架的软件开发者和架构师。无论您选择何种大语言模型（LLM），都能通过它无缝集成到现有的开发工作流中。其独特的技术亮点在于“框架无关”与“模型无关”的设计哲学，配合全新的 AgentCore CLI 命令行工具，极大地简化了创建、开发和部署流程。仓库内包含了丰富的 Python 和 TypeScript 实战样例，涵盖代码解释器、网关配置、记忆管理及身份验证等核心功能，并提供了从旧版工具迁移的详细指南。如果您希望跳过繁琐的基础设施搭建，专注于智能体逻辑本身并将其安全地应用于真实业务场景，agentcore-sample","agentcore-samples 是亚马逊云科技（AWS）提供的一套开源示例集合，旨在帮助开发者利用 Amazon Bedrock AgentCore 快速构建、部署并运营生产级的 AI 智能体。它主要解决了将 AI 智能体从原型阶段推向实际生产环境时面临的扩展性、可靠性及安全性挑战，让开发者无需重复编写底层基础设施代码，即可轻松实现大规模部署。\n\n这套资源非常适合正在使用 Strands Agents、CrewAI、LangGraph 或 LlamaIndex 等主流框架的软件开发者和架构师。无论您选择何种大语言模型（LLM），都能通过它无缝集成到现有的开发工作流中。其独特的技术亮点在于“框架无关”与“模型无关”的设计哲学，配合全新的 AgentCore CLI 命令行工具，极大地简化了创建、开发和部署流程。仓库内包含了丰富的 Python 和 TypeScript 实战样例，涵盖代码解释器、网关配置、记忆管理及身份验证等核心功能，并提供了从旧版工具迁移的详细指南。如果您希望跳过繁琐的基础设施搭建，专注于智能体逻辑本身并将其安全地应用于真实业务场景，agentcore-samples 将是理想的起步资源。","\u003Cdiv align=\"center\">\n  \u003Cdiv>\n    \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fagentcore\u002F\">\n      \u003Cimg width=\"150\" height=\"150\" alt=\"image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_amazon-bedrock-agentcore-samples_readme_dc06c3c31982.png\" \u002F>\n   \u003C\u002Fa>\n  \u003C\u002Fdiv>\n\n  \u003Ch1>\n      Amazon Bedrock AgentCore Samples\n  \u003C\u002Fh1>\n\n  \u003Ch2>\n    Deploy and operate AI agents securely at scale - using any framework and model\n  \u003C\u002Fh2>\n\n  \u003Cdiv align=\"center\">\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\u002Fgraphs\u002Fcommit-activity\">\u003Cimg alt=\"GitHub commit activity\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcommit-activity\u002Fm\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\"\u002F>\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\u002Fissues\">\u003Cimg alt=\"GitHub open issues\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\"\u002F>\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\u002Fpulls\">\u003Cimg alt=\"GitHub open pull requests\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues-pr\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\"\u002F>\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\u002Fblob\u002Fmain\u002FLICENSE\">\u003Cimg alt=\"License\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\"\u002F>\u003C\u002Fa>\n  \u003C\u002Fdiv>\n\n  \u003Cp>\n    \u003Ca href=\"https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002F\">Documentation\u003C\u002Fa>\n    ◆ \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faws\u002Fbedrock-agentcore-sdk-python\">Python SDK\u003C\u002Fa>\n    ◆ \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faws\u002Fagentcore-cli\">AgentCore CLI\u003C\u002Fa>\n    ◆ \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002Fbedrockagentcore-preview\">Discord\u003C\u002Fa>\n  \u003C\u002Fp>\n\u003C\u002Fdiv>\n\nWelcome to the Amazon Bedrock AgentCore Samples repository!\n\nAmazon Bedrock AgentCore is both framework-agnostic and model-agnostic, giving you the flexibility to deploy and operate advanced AI agents securely and at scale. Whether you’re building with [Strands Agents](https:\u002F\u002Fstrandsagents.com\u002Flatest\u002F), [CrewAI](https:\u002F\u002Fwww.crewai.com\u002F), [LangGraph](https:\u002F\u002Fwww.langchain.com\u002Flanggraph), [LlamaIndex](https:\u002F\u002Fwww.llamaindex.ai\u002F), or any other framework—and running them on any Large Language Model (LLM)—Amazon Bedrock AgentCore provides the infrastructure to support them. By eliminating the undifferentiated heavy lifting of building and managing specialized agent infrastructure, Amazon Bedrock AgentCore lets you bring your preferred framework and model, and deploy without rewriting code.\n\nThis collection provides examples and tutorials to help you understand, implement, and integrate Amazon Bedrock AgentCore capabilities into your applications.\n\n> **Migrating from the Starter Toolkit?** This repository is transitioning from the [Bedrock AgentCore Starter Toolkit](https:\u002F\u002Fgithub.com\u002Faws\u002Fbedrock-agentcore-starter-toolkit) to the new [AgentCore CLI](https:\u002F\u002Fgithub.com\u002Faws\u002Fagentcore-cli). Samples that still depend on the Starter Toolkit are in [`legacy\u002F`](.\u002Flegacy\u002F) and will be updated over the coming weeks. See [`MIGRATION.md`](.\u002FMIGRATION.md) for the full old-path to new-path mapping.\n\n## 🎥 Video\n\nBuild your first production-ready AI agent with Amazon Bedrock AgentCore. We’ll take you beyond prototyping and show you how to productionize your first agentic AI application using Amazon Bedrock AgentCore.\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=wzIQDPFQx30\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_amazon-bedrock-agentcore-samples_readme_93635a9bc41d.png\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n## 📁 Repository Structure\n\n### 🚀 [`getting-started\u002F`](.\u002Fgetting-started\u002F)\n\n**Your First Agent in Minutes**\n\nGet up and running with the [AgentCore CLI](https:\u002F\u002Fgithub.com\u002Faws\u002Fagentcore-cli) — the fastest way to create, develop, and deploy agents on Amazon Bedrock AgentCore.\n\n- **[`python\u002F`](.\u002Fgetting-started\u002Fpython\u002F)** — Python agent samples (Code Interpreter, Gateway, Memory, Identity, and more)\n- **[`typescript\u002F`](.\u002Fgetting-started\u002Ftypescript\u002F)** — TypeScript agent samples\n\n### 🧩 [`features\u002F`](.\u002Ffeatures\u002F)\n\n**AgentCore Capabilities Deep Dives**\n\nFocused examples for individual AgentCore capabilities:\n\n- **[Runtime](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fagents-tools-runtime.html)** — Secure, serverless runtime for deploying agents and tools at scale\n- **[Gateway](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fgateway.html)** — Convert APIs, Lambda functions, and services into MCP-compatible tools\n- **[Identity](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fidentity.html)** — Agent identity and access management across AWS and third-party apps\n- **[Memory](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fmemory.html)** — Managed memory infrastructure for personalized agent experiences\n- **[Tools](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fcode-interpreter-tool.html)** — Built-in Code Interpreter and Browser Tool\n- **[Observability](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fobservability.html)** — Trace, debug, and monitor agent performance with OpenTelemetry\n- **[Evaluation](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fevaluations.html)** — Built-in and custom evaluators for on-demand and online evaluation\n- **[Policy](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fpolicy.html)** — Fine-grained access control with Cedar policies\n\n### 💡 [`end-to-end\u002F`](.\u002Fend-to-end\u002F)\n\n**Complete Applications**\n\nProduction-ready use cases that combine multiple AgentCore capabilities to solve real business problems. Each includes deployment instructions, architecture diagrams, and testing guides.\n\n### 🔌 [`integrations\u002F`](.\u002Fintegrations\u002F)\n\n**Connect AgentCore to Your Stack**\n\n- **[`identity-providers\u002F`](.\u002Fintegrations\u002Fidentity-providers\u002F)** — Okta, Entra, Cognito, and other IdP integrations\n- **[`observability\u002F`](.\u002Fintegrations\u002Fobservability\u002F)** — Grafana, Datadog, Dynatrace, and other monitoring platforms\n- **[`data-platforms\u002F`](.\u002Fintegrations\u002Fdata-platforms\u002F)** — Data lake, warehouse, and analytics integrations\n- **[`ux-examples\u002F`](.\u002Fintegrations\u002Fux-examples\u002F)** — Streamlit, AG-UI, and other frontend patterns\n\n### 🏗️ [`infrastructure-as-code\u002F`](.\u002Finfrastructure-as-code\u002F)\n\n**Deployment Automation**\n\nProduction-ready templates for provisioning AgentCore resources with CloudFormation, AWS CDK, or Terraform.\n\n### 🚀 [`blueprints\u002F`](.\u002Fblueprints\u002F)\n\n**Full-Stack Reference Applications**\n\nComplete, deployment-ready agentic applications with integrated services, authentication, and business logic you can customize for your use case.\n\n### 📦 [`legacy\u002F`](.\u002Flegacy\u002F)\n\n**Starter Toolkit Samples (Pending Migration)**\n\nSamples that still depend on the [Bedrock AgentCore Starter Toolkit](https:\u002F\u002Fgithub.com\u002Faws\u002Fbedrock-agentcore-starter-toolkit) CLI. These will be migrated to the AgentCore CLI as SDK support rolls out. See [`MIGRATION.md`](.\u002FMIGRATION.md) for status.\n\n## Quick Start with the AgentCore CLI\n\nThe [AgentCore CLI](https:\u002F\u002Fgithub.com\u002Faws\u002Fagentcore-cli) is the recommended way to create, develop, and deploy agents on Amazon Bedrock AgentCore. It replaces the previous Starter Toolkit with a streamlined project-based workflow.\n\n### Step 1: Prerequisites\n\n- An [AWS account](https:\u002F\u002Fsignin.aws.amazon.com\u002Fsignin?redirect_uri=https%3A%2F%2Fportal.aws.amazon.com%2Fbilling%2Fsignup%2Fresume&client_id=signup) with credentials configured (`aws configure`)\n- [Node.js 20.x](https:\u002F\u002Fnodejs.org\u002F) or later\n- [`uv`](https:\u002F\u002Fdocs.astral.sh\u002Fuv\u002F) (for Python agents) or Node.js (for TypeScript agents)\n- Model Access: Anthropic Claude 4.0 enabled in [Amazon Bedrock console](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Fmodel-access-modify.html)\n- AWS Permissions:\n  - `BedrockAgentCoreFullAccess` managed policy\n  - `AmazonBedrockFullAccess` managed policy\n\n### Step 2: Install the CLI and Create a Project\n\n```bash\n# Install the AgentCore CLI\nnpm install -g @aws\u002Fagentcore\n\n# Create a new project (interactive wizard)\nagentcore create\ncd my-agent\n```\n\nThe `create` wizard scaffolds a ready-to-run project with your choice of framework (Strands Agents, LangGraph, Google ADK, OpenAI, and more) and language (Python or TypeScript).\n\n### Step 3: Develop Locally\n\n```bash\n# Start the local development server\nagentcore dev\n```\n\nYour agent is now running locally. The CLI watches for file changes and provides a local invocation endpoint for testing.\n\n### Step 4: Deploy to AWS\n\n```bash\n# Deploy to Amazon Bedrock AgentCore\nagentcore deploy\n\n# Test your deployed agent\nagentcore invoke\n```\n\n### Add More Capabilities\n\n```bash\nagentcore add memory           # Add managed memory\nagentcore add identity         # Add identity provider\nagentcore add evaluator        # Add LLM-as-a-Judge evaluation\nagentcore add online-eval      # Enable continuous evaluation\nagentcore deploy               # Sync changes to AWS\n```\n\nCongratulations! Your agent is now running on Amazon Bedrock AgentCore Runtime.\n\nFor the full CLI reference, see the [AgentCore CLI documentation](https:\u002F\u002Fgithub.com\u002Faws\u002Fagentcore-cli).\n\n## Running a Notebook\n\nSome samples in this repository are provided as Jupyter notebooks:\n\n1. Create and activate a virtual environment\n\n```bash\npython -m venv .venv\nsource .venv\u002Fbin\u002Factivate\n```\n\n2. Install dependencies\n\n```bash\npip install -r requirements.txt\n```\n\n3. Export\u002FActivate required AWS Credentials for the notebook to run\n\n4. Register your virtual environment as a kernel for Jupyter notebook to use\n\n```bash\npython -m ipykernel install --user --name=notebook-venv --display-name=\"Python (notebook-venv)\"\n```\n\nYou can list your kernels using:\n\n```bash\njupyter kernelspec list\n```\n\n5. Run the notebook and ensure the correct kernel is selected\n\n```bash\njupyter notebook path\u002Fto\u002Fyour\u002Fnotebook.ipynb\n```\n\n**Important:** After opening the notebook in Jupyter, make sure to select the correct kernel by going to `Kernel` → `Change kernel` → select \"Python (notebook-venv)\" to ensure your virtual environment packages are available.\n\n## 🔗 Related Links\n\n- [AgentCore CLI](https:\u002F\u002Fgithub.com\u002Faws\u002Fagentcore-cli)\n- [Amazon Bedrock AgentCore Documentation](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002F)\n- [Getting started with Amazon Bedrock AgentCore - Workshop](https:\u002F\u002Fcatalog.us-east-1.prod.workshops.aws\u002Fworkshops\u002F850fcd5c-fd1f-48d7-932c-ad9babede979\u002Fen-US)\n- [Diving Deep into Bedrock AgentCore - Workshop](https:\u002F\u002Fcatalog.workshops.aws\u002Fagentcore-deep-dive\u002Fen-US)\n- [Amazon Bedrock AgentCore pricing](https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fagentcore\u002Fpricing\u002F)\n- [Amazon Bedrock AgentCore FAQs](https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fagentcore\u002Ffaqs\u002F)\n\n## 🤝 Contributing\n\nWe welcome contributions! Please see our [Contributing Guidelines](CONTRIBUTING.md) for details on:\n\n- Adding new samples\n- Improving existing examples\n- Reporting issues\n- Suggesting enhancements\n\n## 📄 License\n\nThis project is licensed under the Apache License 2.0 - see the [LICENSE](LICENSE) file for details.\n\n## Contributors\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_amazon-bedrock-agentcore-samples_readme_c8c014d048b4.png\" \u002F>\n\u003C\u002Fa>\n","\u003Cdiv align=\"center\">\n  \u003Cdiv>\n    \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fagentcore\u002F\">\n      \u003Cimg width=\"150\" height=\"150\" alt=\"图片\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_amazon-bedrock-agentcore-samples_readme_dc06c3c31982.png\" \u002F>\n   \u003C\u002Fa>\n  \u003C\u002Fdiv>\n\n  \u003Ch1>\n      Amazon Bedrock AgentCore 示例\n  \u003C\u002Fh1>\n\n  \u003Ch2>\n    使用任意框架和模型，安全、规模化地部署与运行 AI 代理\n  \u003C\u002Fh2>\n\n  \u003Cdiv align=\"center\">\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\u002Fgraphs\u002Fcommit-activity\">\u003Cimg alt=\"GitHub 提交活动\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcommit-activity\u002Fm\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\"\u002F>\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\u002Fissues\">\u003Cimg alt=\"GitHub 开放问题\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\"\u002F>\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\u002Fpulls\">\u003Cimg alt=\"GitHub 开放拉取请求\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues-pr\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\"\u002F>\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\u002Fblob\u002Fmain\u002FLICENSE\">\u003Cimg alt=\"许可证\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\"\u002F>\u003C\u002Fa>\n  \u003C\u002Fdiv>\n\n  \u003Cp>\n    \u003Ca href=\"https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002F\">文档\u003C\u002Fa>\n    ◆ \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faws\u002Fbedrock-agentcore-sdk-python\">Python SDK\u003C\u002Fa>\n    ◆ \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faws\u002Fagentcore-cli\">AgentCore CLI\u003C\u002Fa>\n    ◆ \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002Fbedrockagentcore-preview\">Discord\u003C\u002Fa>\n  \u003C\u002Fp>\n\u003C\u002Fdiv>\n\n欢迎来到 Amazon Bedrock AgentCore 示例仓库！\n\nAmazon Bedrock AgentCore 不依赖于特定的框架或模型，使您能够灵活、安全且大规模地部署和运行先进的 AI 代理。无论您使用 [Strands Agents](https:\u002F\u002Fstrandsagents.com\u002Flatest\u002F)、[CrewAI](https:\u002F\u002Fwww.crewai.com\u002F)、[LangGraph](https:\u002F\u002Fwww.langchain.com\u002Flanggraph)、[LlamaIndex](https:\u002F\u002Fwww.llamaindex.ai\u002F) 或其他任何框架，并在任意大型语言模型（LLM）上运行，Amazon Bedrock AgentCore 都能为您提供相应的基础设施支持。通过消除构建和管理专用代理基础设施这一繁琐任务，Amazon Bedrock AgentCore 让您可以直接采用自己偏好的框架和模型，无需重写代码即可完成部署。\n\n本集合提供了示例和教程，帮助您理解、实现并将 Amazon Bedrock AgentCore 的功能集成到您的应用中。\n\n> **从 Starter Toolkit 迁移？** 本仓库正从 [Bedrock AgentCore Starter Toolkit](https:\u002F\u002Fgithub.com\u002Faws\u002Fbedrock-agentcore-starter-toolkit) 迁移到新的 [AgentCore CLI](https:\u002F\u002Fgithub.com\u002Faws\u002Fagentcore-cli)。仍依赖 Starter Toolkit 的示例位于 [`legacy\u002F`](.\u002Flegacy\u002F) 目录下，将在未来几周内逐步更新。请参阅 [`MIGRATION.md`](.\u002FMIGRATION.md)，了解完整的旧路径到新路径映射。\n\n## 🎥 视频\n\n使用 Amazon Bedrock AgentCore 构建您的第一个生产就绪型 AI 代理。我们将带您超越原型开发阶段，展示如何利用 Amazon Bedrock AgentCore 将您的首个代理式 AI 应用程序投入生产环境。\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=wzIQDPFQx30\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_amazon-bedrock-agentcore-samples_readme_93635a9bc41d.png\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n## 📁 仓库结构\n\n### 🚀 [`getting-started\u002F`](.\u002Fgetting-started\u002F)\n\n**几分钟内创建您的第一个代理**\n\n借助 [AgentCore CLI](https:\u002F\u002Fgithub.com\u002Faws\u002Fagentcore-cli)，这是在 Amazon Bedrock AgentCore 上快速创建、开发和部署代理的最佳方式。\n\n- **[`python\u002F`](.\u002Fgetting-started\u002Fpython\u002F)** — Python 代理示例（代码解释器、网关、记忆、身份等）\n- **[`typescript\u002F`](.\u002Fgetting-started\u002Ftypescript\u002F)** — TypeScript 代理示例\n\n### 🧩 [`features\u002F`](.\u002Ffeatures\u002F)\n\n**深入探索 AgentCore 各项能力**\n\n专注于 AgentCore 各项能力的示例：\n\n- **[运行时](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fagents-tools-runtime.html)** — 安全、无服务器的运行环境，用于大规模部署代理和工具\n- **[网关](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fgateway.html)** — 将 API、Lambda 函数和服务转换为兼容 MCP 的工具\n- **[身份](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fidentity.html)** — 跨 AWS 和第三方应用的代理身份与访问管理\n- **[记忆](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fmemory.html)** — 用于个性化代理体验的托管内存基础设施\n- **[工具](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fcode-interpreter-tool.html)** — 内置的代码解释器和浏览器工具\n- **[可观测性](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fobservability.html)** — 使用 OpenTelemetry 追踪、调试和监控代理性能\n- **[评估](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fevaluations.html)** — 内置及自定义评估器，用于按需和在线评估\n- **[策略](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fpolicy.html)** — 使用 Cedar 策略实现细粒度的访问控制\n\n### 💡 [`end-to-end\u002F`](.\u002Fend-to-end\u002F)\n\n**完整应用**\n\n结合多种 AgentCore 能力解决实际业务问题的生产级用例。每个用例都包含部署说明、架构图和测试指南。\n\n### 🔌 [`integrations\u002F`](.\u002Fintegrations\u002F)\n\n**将 AgentCore 与您的技术栈连接**\n\n- **[`identity-providers\u002F`](.\u002Fintegrations\u002Fidentity-providers\u002F)** — Okta、Entra、Cognito 等身份提供商集成\n- **[`observability\u002F`](.\u002Fintegrations\u002Fobservability\u002F)** — Grafana、Datadog、Dynatrace 等监控平台集成\n- **[`data-platforms\u002F`](.\u002Fintegrations\u002Fdata-platforms\u002F)** — 数据湖、数据仓库和分析工具集成\n- **[`ux-examples\u002F`](.\u002Fintegrations\u002Fux-examples\u002F)** — Streamlit、AG-UI 等前端模式\n\n### 🏗️ [`infrastructure-as-code\u002F`](.\u002Finfrastructure-as-code\u002F)\n\n**部署自动化**\n\n使用 CloudFormation、AWS CDK 或 Terraform 预制的生产级模板，用于预配 AgentCore 资源。\n\n### 🚀 [`blueprints\u002F`](.\u002Fblueprints\u002F)\n\n**全栈参考应用**\n\n完整的、可部署的代理式应用程序，集成了服务、身份验证和业务逻辑，您可以根据自己的需求进行定制。\n\n### 📦 [`legacy\u002F`](.\u002Flegacy\u002F)\n\n**Starter Toolkit 示例（待迁移）**\n\n这些示例仍依赖于 [Bedrock AgentCore Starter Toolkit](https:\u002F\u002Fgithub.com\u002Faws\u002Fbedrock-agentcore-starter-toolkit) CLI。随着 SDK 支持的逐步推出，它们将被迁移到 AgentCore CLI。有关状态，请参阅 [`MIGRATION.md`](.\u002FMIGRATION.md)。\n\n## 使用 AgentCore CLI 快速入门\n\n[AgentCore CLI](https:\u002F\u002Fgithub.com\u002Faws\u002Fagentcore-cli) 是在 Amazon Bedrock AgentCore 上创建、开发和部署代理的推荐方式。它以简化的项目式工作流取代了之前的 Starter Toolkit。\n\n### 第 1 步：先决条件\n\n- 一个已配置凭证的 [AWS 账户](https:\u002F\u002Fsignin.aws.amazon.com\u002Fsignin?redirect_uri=https%3A%2F%2Fportal.aws.amazon.com%2Fbilling%2Fsignup%2Fresume&client_id=signup)（使用 `aws configure` 配置）\n- [Node.js 20.x](https:\u002F\u002Fnodejs.org\u002F) 或更高版本\n- [`uv`](https:\u002F\u002Fdocs.astral.sh\u002Fuv\u002F)（用于 Python 代理）或 Node.js（用于 TypeScript 代理）\n- 模型访问权限：已在 [Amazon Bedrock 控制台](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Fmodel-access-modify.html) 中启用 Anthropic Claude 4.0\n- AWS 权限：\n  - `BedrockAgentCoreFullAccess` 托管策略\n  - `AmazonBedrockFullAccess` 托管策略\n\n### 第 2 步：安装 CLI 并创建项目\n\n```bash\n# 安装 AgentCore CLI\nnpm install -g @aws\u002Fagentcore\n\n# 创建新项目（交互式向导）\nagentcore create\ncd my-agent\n```\n\n`create` 向导会根据您选择的框架（Strands Agents、LangGraph、Google ADK、OpenAI 等）和语言（Python 或 TypeScript）搭建一个可直接运行的项目。\n\n### 第 3 步：本地开发\n\n```bash\n# 启动本地开发服务器\nagentcore dev\n```\n\n此时您的代理已在本地运行。CLI 会监听文件变化，并提供一个本地调用端点用于测试。\n\n### 第 4 步：部署到 AWS\n\n```bash\n# 部署到 Amazon Bedrock AgentCore\nagentcore deploy\n\n# 测试已部署的代理\nagentcore invoke\n```\n\n### 添加更多功能\n\n```bash\nagentcore add memory           # 添加托管内存\nagentcore add identity         # 添加身份提供商\nagentcore add evaluator        # 添加 LLM-as-a-Judge 评估\nagentcore add online-eval      # 启用持续评估\nagentcore deploy               # 将更改同步到 AWS\n```\n\n恭喜！您的代理现已在 Amazon Bedrock AgentCore 运行时上运行。\n\n如需完整的 CLI 参考，请参阅 [AgentCore CLI 文档](https:\u002F\u002Fgithub.com\u002Faws\u002Fagentcore-cli)。\n\n## 运行 Notebook\n\n本仓库中的一些示例以 Jupyter Notebook 的形式提供：\n\n1. 创建并激活虚拟环境\n\n```bash\npython -m venv .venv\nsource .venv\u002Fbin\u002Factivate\n```\n\n2. 安装依赖项\n\n```bash\npip install -r requirements.txt\n```\n\n3. 导出\u002F激活运行 Notebook 所需的 AWS 凭证。\n\n4. 将您的虚拟环境注册为 Jupyter Notebook 可使用的内核\n\n```bash\npython -m ipykernel install --user --name=notebook-venv --display-name=\"Python (notebook-venv)\"\n```\n\n您可以使用以下命令列出所有内核：\n\n```bash\njupyter kernelspec list\n```\n\n5. 运行 Notebook，并确保选择了正确的内核\n\n```bash\njupyter notebook path\u002Fto\u002Fyour\u002Fnotebook.ipynb\n```\n\n**重要提示：** 在 Jupyter 中打开 Notebook 后，请务必前往 `Kernel` → `Change kernel`，然后选择“Python (notebook-venv)”，以确保您的虚拟环境中的包可用。\n\n## 🔗 相关链接\n\n- [AgentCore CLI](https:\u002F\u002Fgithub.com\u002Faws\u002Fagentcore-cli)\n- [Amazon Bedrock AgentCore 文档](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002F)\n- [开始使用 Amazon Bedrock AgentCore - 工作坊](https:\u002F\u002Fcatalog.us-east-1.prod.workshops.aws\u002Fworkshops\u002F850fcd5c-fd1f-48d7-932c-ad9babede979\u002Fen-US)\n- [深入 Bedrock AgentCore - 工作坊](https:\u002F\u002Fcatalog.workshops.aws\u002Fagentcore-deep-dive\u002Fen-US)\n- [Amazon Bedrock AgentCore 定价](https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fagentcore\u002Fpricing\u002F)\n- [Amazon Bedrock AgentCore 常见问题](https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002Fagentcore\u002Ffaqs\u002F)\n\n## 🤝 贡献\n\n我们欢迎贡献！请参阅我们的 [贡献指南](CONTRIBUTING.md)，了解如何：\n\n- 添加新的示例\n- 改进现有示例\n- 报告问题\n- 提出改进建议\n\n## 📄 许可证\n\n本项目采用 Apache License 2.0 许可证授权——详情请参阅 [LICENSE](LICENSE) 文件。\n\n## 贡献者\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Famazon-bedrock-agentcore-samples\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_amazon-bedrock-agentcore-samples_readme_c8c014d048b4.png\" \u002F>\n\u003C\u002Fa>","# Amazon Bedrock AgentCore Samples 快速上手指南\n\nAmazon Bedrock AgentCore 是一个框架无关、模型无关的基础设施，助您安全地大规模部署和运营 AI 智能体。本仓库提供了丰富的示例和教程，帮助您快速集成 AgentCore 能力。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **AWS 账户**：已配置凭证 (`aws configure`)。\n*   **Node.js**：版本 20.x 或更高（用于安装 CLI）。\n*   **Python\u002FNode 运行时**：\n    *   Python 项目：推荐安装 [`uv`](https:\u002F\u002Fdocs.astral.sh\u002Fuv\u002F) 进行依赖管理。\n    *   TypeScript 项目：需安装 Node.js。\n*   **模型访问权限**：需在 [Amazon Bedrock 控制台](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Fmodel-access-modify.html) 中启用模型访问（例如 Anthropic Claude 系列）。\n*   **AWS 权限**：当前用户需具备以下托管策略：\n    *   `BedrockAgentCoreFullAccess`\n    *   `AmazonBedrockFullAccess`\n\n> **注意**：目前官方未提供特定的中国镜像源，请确保网络环境可正常访问 AWS 服务及 npm\u002Fpypi 源。如有需要，可自行配置国内通用的 npm 或 pip 镜像加速。\n\n## 安装步骤\n\n推荐使用 **AgentCore CLI** 来创建、开发和部署智能体。\n\n1.  **安装 CLI 工具**\n    使用 npm 全局安装 AgentCore CLI：\n    ```bash\n    npm install -g @aws\u002Fagentcore\n    ```\n\n2.  **创建新项目**\n    运行创建命令，跟随交互式向导选择框架（如 Strands Agents, LangGraph, OpenAI 等）和语言（Python 或 TypeScript）：\n    ```bash\n    agentcore create\n    cd my-agent\n    ```\n    *注：`my-agent` 为您在项目向导中输入的项目名称。*\n\n## 基本使用\n\n### 1. 本地开发\n在项目目录下启动本地开发服务器。CLI 会自动监听文件变化并提供本地调用端点供测试：\n```bash\nagentcore dev\n```\n\n### 2. 部署到 AWS\n当代码准备就绪后，将其部署到 Amazon Bedrock AgentCore Runtime：\n```bash\nagentcore deploy\n```\n\n### 3. 调用测试\n部署完成后，直接使用 CLI 调用已上线的智能体进行测试：\n```bash\nagentcore invoke\n```\n\n### 4. 扩展功能\n您可以随时通过 CLI 添加更多企业级能力（如记忆、身份认证、评估等），并同步部署：\n```bash\n# 添加托管记忆\nagentcore add memory\n\n# 添加身份提供商集成\nagentcore add identity\n\n# 添加 LLM 评估器\nagentcore add evaluator\n\n# 同步更改到 AWS\nagentcore deploy\n```\n\n恭喜！您已成功在 Amazon Bedrock AgentCore 上运行了一个生产级别的 AI 智能体。更多高级用法请参考仓库中的 `features\u002F` 和 `end-to-end\u002F` 目录。","某金融科技公司正在构建一个基于 LangGraph 的智能投顾系统，需要处理敏感用户数据并应对高并发咨询请求。\n\n### 没有 agentcore-samples 时\n- **架构重复造轮子**：团队需手动编写大量代码来搭建代理的身份验证、会话记忆和网关路由，耗费数周时间且容易出错。\n- **安全合规风险高**：缺乏原生的企业级安全控件，难以确保用户财务数据在传输和处理过程中的加密与隔离，审计通过困难。\n- **扩展性瓶颈明显**：自建的底层设施无法弹性应对市场波动带来的流量洪峰，导致高峰期响应延迟甚至服务中断。\n- **框架绑定严重**：基础设施代码与特定模型或框架深度耦合，一旦需要切换大模型或升级框架，几乎需要重构整个后端。\n\n### 使用 agentcore-samples 后\n- **快速落地生产**：直接复用官方提供的 Python 示例代码，几分钟内即可集成身份识别、记忆管理和 API 网关，将开发周期从数周缩短至几天。\n- **内生安全合规**：依托 Amazon Bedrock AgentCore 内置的企业级安全架构，自动实现数据加密和细粒度权限控制，轻松满足金融行业合规要求。\n- **弹性稳定运行**：利用其自带的规模化基础设施，系统可自动扩缩容以承载突发流量，确保在市场剧烈波动时服务依然稳定可靠。\n- **框架灵活解耦**：保持原有的 LangGraph 业务逻辑不变，无需重写代码即可无缝切换底层模型或框架，真正实现了“带码迁移”。\n\nagentcore-samples 通过提供开箱即用的生产级样板，让开发者摆脱繁琐的基础设施构建，专注于核心业务逻辑，从而安全、高效地将 AI 智能体推向大规模应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fawslabs_agentcore-samples_dc06c3c3.png","awslabs","Amazon Web Services - Labs","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fawslabs_9e60acf8.png","AWS Labs",null,"http:\u002F\u002Famazon.com\u002Faws\u002F","https:\u002F\u002Fgithub.com\u002Fawslabs",[23,27,31,35,39,43,47,51,55,59],{"name":24,"color":25,"percentage":26},"Jupyter Notebook","#DA5B0B",50.9,{"name":28,"color":29,"percentage":30},"Python","#3572A5",32.3,{"name":32,"color":33,"percentage":34},"TypeScript","#3178c6",9.3,{"name":36,"color":37,"percentage":38},"Shell","#89e051",3.3,{"name":40,"color":41,"percentage":42},"HTML","#e34c26",1.4,{"name":44,"color":45,"percentage":46},"JavaScript","#f1e05a",1.3,{"name":48,"color":49,"percentage":50},"HCL","#844FBA",0.7,{"name":52,"color":53,"percentage":54},"CSS","#663399",0.5,{"name":56,"color":57,"percentage":58},"Dockerfile","#384d54",0.2,{"name":60,"color":61,"percentage":62},"Java","#b07219",0.1,2580,1007,"2026-04-07T04:16:40","Apache-2.0",2,"Linux, macOS, Windows","未说明",{"notes":71,"python":72,"dependencies":73},"该工具主要依赖 AWS 云端运行环境而非本地硬件。核心要求包括：1. 已配置凭证的 AWS 账户；2. 安装 Node.js 20.x 或更高版本；3. 安装 AgentCore CLI (@aws\u002Fagentcore)；4. Python 项目推荐使用 'uv' 管理环境，TypeScript 项目需 Node.js；5. 需在 Amazon Bedrock 控制台启用模型访问权限（如 Anthropic Claude）；6. 需要特定的 AWS IAM 权限策略 (BedrockAgentCoreFullAccess, AmazonBedrockFullAccess)。若运行 Jupyter Notebook 示例，需手动创建虚拟环境并注册内核。","未明确指定版本 (需配合 uv 工具使用)",[74,75,76,77,78],"@aws\u002Fagentcore (CLI)","Node.js 20.x+","uv (Python 包管理器)","ipykernel (用于 Notebook)","jupyter (用于 Notebook)",[80],"Agent",[82,83,84,85,86,87,88,89,90,91,92],"agent","agentic-ai","agents","authentication","bedrock","core","gateway","identity-management","memory-management","production-code","runtime","ready","2026-03-27T02:49:30.150509","2026-04-07T18:40:16.930580",[97,102,107,112,117,121],{"id":98,"question_zh":99,"answer_zh":100,"source_url":101},22573,"调用部署的 Agent 时遇到错误：\"Authentication failed: Workload access token has not been set\"，但本地运行正常，如何解决？","该问题通常发生在 Docker 容器环境中，因为代码检测到运行在容器中且无法获取工作负载访问令牌。解决方案是在调用 `invoke_agent_runtime` 时显式传递 `runtimeUserId` 和 `runtimeSessionId` 参数。示例代码如下：\n\n```python\nresponse = agent_core_client.invoke_agent_runtime(\n    agentRuntimeArn=agent_arn,\n    runtimeSessionId=\"user-123456-conversation-12345678\",\n    payload=payload,\n    qualifier=\"DEFAULT\",\n    runtimeUserId=\"user-123456\",  # 必须添加此参数\n)\n```\n\n如果仍然报错，请检查是否正确配置了出站认证（outbound auth）以及环境变量。","https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fagentcore-samples\u002Fissues\u002F320",{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},22574,"运行 Farm Management Advisor 示例时出现 TypeError: _patch_asyncio.\u003Clocals>.run() got an unexpected keyword argument 'loop_factory'，怎么办？","这是一个已知的兼容性问题，通常由 asyncio 事件循环配置冲突引起。建议检查您的 Python 环境版本是否与项目要求一致，并确保安装了正确的依赖项。如果问题持续，请参考 CloudWatch 日志中的详细堆栈信息，或尝试更新 `bedrock-agentcore` SDK 到最新版本以获取修复补丁。","https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fagentcore-samples\u002Fissues\u002F416",{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},22575,"如何为 Amazon Bedrock AgentCore 配置双平台可观测性（同时导出到 CloudWatch 和 Braintrust）？","您可以创建一个简单的 CLI 脚本部署到 AgentCore Runtime，通过配置 OpenTelemetry (OTEL) 实现双出口。架构流程为：CLI 脚本 -> AgentCore Runtime -> AgentCore Gateway -> MCP 工具。需要在配置文件中指定 CloudWatch OTEL 端点和 Braintrust 的接入点。AgentCore Runtime 会自动处理迹线导出，无需编写 Lambda 函数。具体实现可参考 `01-tutorials\u002F06-AgentCore-observability` 目录下的演示代码。","https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fagentcore-samples\u002Fissues\u002F547",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},22576,"是否有针对 LLM 优化的文档文件（如 llms.txt）以便更好地集成 AgentCore？","是的，社区建议并已开始实施为 AgentCore 添加 `llms.txt` 文件。该文件将包含分类的文档链接（指南、示例、概念、参考等）和核心功能概述，帮助 LLM 更准确地理解框架结构。目前已有针对各个组件（如 browser, code-interpreter, gateway, identity, memory, observability, runtime）的独立文本文件生成，以提高可扩展性。您可以查看相关附件或仓库根目录获取这些文件。","https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fagentcore-samples\u002Fissues\u002F168",{"id":118,"question_zh":119,"answer_zh":120,"source_url":101},22577,"在 Docker 环境中调试 AgentCore 身份验证失败时，如何确认是否是令牌未设置的问题？","您可以在代码中添加调试日志，检查 `BedrockAgentCoreContext.get_work_load_access_token()` 的返回值。如果在 Docker 中该函数返回 `None`，而本地运行时调用的是 `_set_up_local_auth` 则正常，说明确实是容器环境下的令牌注入问题。此外，可以复制 `bedrock_agentcore` 的核心代码到您的项目中并加入断点或打印语句，观察 `auth.py` 第 154 行附近的执行流程。",{"id":122,"question_zh":123,"answer_zh":124,"source_url":111},22578,"AgentCore 的可观测性演示支持哪些具体的追踪场景？","当前的简单可观测性演示支持三种主要场景：1. 成功查询的完整链路追踪；2. 错误处理流程的捕获与分析；3. 仪表盘回顾与性能指标查看。演示脚本包含清晰的日志记录和相关性 ID（correlation IDs），便于在 CloudWatch X-Ray 和 Braintrust 中进行跨服务追踪。",[],[127,139,147,156,164,172],{"id":128,"name":129,"github_repo":130,"description_zh":131,"stars":132,"difficulty_score":133,"last_commit_at":134,"category_tags":135,"status":93},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",[80,136,137,138],"开发框架","图像","数据工具",{"id":140,"name":141,"github_repo":142,"description_zh":143,"stars":144,"difficulty_score":133,"last_commit_at":145,"category_tags":146,"status":93},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",[136,137,80],{"id":148,"name":149,"github_repo":150,"description_zh":151,"stars":152,"difficulty_score":67,"last_commit_at":153,"category_tags":154,"status":93},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",142651,"2026-04-06T23:34:12",[136,80,155],"语言模型",{"id":157,"name":158,"github_repo":159,"description_zh":160,"stars":161,"difficulty_score":67,"last_commit_at":162,"category_tags":163,"status":93},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。",107888,"2026-04-06T11:32:50",[136,137,80],{"id":165,"name":166,"github_repo":167,"description_zh":168,"stars":169,"difficulty_score":133,"last_commit_at":170,"category_tags":171,"status":93},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",[155,137,80,136],{"id":173,"name":174,"github_repo":175,"description_zh":176,"stars":177,"difficulty_score":133,"last_commit_at":178,"category_tags":179,"status":93},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[136,137,80,180],"视频"]