[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-chmod777john--swarm-ide":3,"tool-chmod777john--swarm-ide":64},[4,17,27,35,43,56],{"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},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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"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",[15,14,13,26,54],{"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":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":79,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":80,"languages":81,"stars":94,"forks":95,"last_commit_at":96,"license":78,"difficulty_score":10,"env_os":97,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":107,"github_topics":78,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":111},2237,"chmod777john\u002Fswarm-ide","swarm-ide","为 Agent Swarm 打造的 IDE ，支持 Kimi-2.5, GLM-4.7 等（即使不像 K2.5 那样经过强化学习的模型也能用）An IDE built for Agent Swarms, supporting Kimi-2.5, GLM-4.7, and more (compatible with models even without RL-reinforcement like K2.5).","Swarm-IDE 是一款专为\"Agent 蜂群”打造的集成开发环境，旨在让多智能体协作像人类微信群聊一样自然高效。它解决了传统框架中智能体结构僵化、交互不透明以及人类难以实时介入深层协作的痛点。无论是开发者还是 AI 研究人员，都能利用它轻松构建自组织的智能体网络。\n\n其核心亮点在于“液态拓扑”设计：系统不预设固定结构，而是允许智能体在运行中动态创建子代理（如同“生孩子”）并自由通信，从而自发演化出复杂的协作形态。用户拥有上帝视角，可以通过类似微信的界面随时与任意层级的子智能体直接对话，实时查看思维链路和工具调用参数，彻底打破智能体的“黑箱”状态。此外，Swarm-IDE 原生支持可视化拓扑图、流式状态展示及 MCP 协议扩展，兼容 Kimi-2.5、GLM-4.7 等多种模型。只需极简的通信原语，即可实现从简单任务到复杂层级嵌套的全自动协作，是探索下一代自主智能系统的理想实验场。","# Swarm-IDE: 自组织的Agent蜂群\n\n[English README](.\u002FREADME_EN.md)\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fstar-history.com\u002F#chmod777john\u002Fagent-wechat&Date\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchmod777john_swarm-ide_readme_f0da302fbe73.png\" alt=\"Star History Chart\" width=\"520\" \u002F>\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n[![Demo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchmod777john_swarm-ide_readme_26ea3b1dcbdb.jpg)](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1X163BQE5c\u002F?share_source=copy_web&vd_source=e0705640ea2f51669a392fb07684e286)\n\n## 🎬 视频【开源版 Kimi-K2.5 蜂群多 Agent】\n- Demo：\n\u003Cvideo src=\"https:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F4ebd88c6-bbdb-4714-87a5-54d1fed08db8\" width=\"100%\" controls>\u003C\u002Fvideo>\n- 详情视频： https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1X163BQE5c\u002F?share_source=copy_web&vd_source=e0705640ea2f51669a392fb07684e286\n\n## 加入微信群\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchmod777john_swarm-ide_readme_f8cef8743920.png\" alt=\"WeChat QR\" width=\"240\" \u002F>\n\n## 知乎文章\nhttps:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2000736341479138182\n\n## 优势\n- 任意动态创建 sub-agent\n- 可以向任意 agent 发送消息\n- 微信式聊天界面，随时介入任何子代理\n- 流式 graph 动态展现协作状态\n\n## 对比\n~~值得注意的是，本项目在 Kimi-Swarm 和 Claude Team **之前**就已经**独立**提出蜂群模式。尤其是 Claude Team，仔细对比会发现它的主要思想(动态派遣、人与任意 Agent 通信)和本项目的设计**不谋而合**，某程度说明作者的眼光和设计已达到先进水平，在静态 LangGraph 框架大行其道的当时能独立做出来这样的设计，相当超前了。笔者当时就把项目白皮书放到区块链了，如果担心笔者在吹牛，可亲自去看[区块链链时间戳](https:\u002F\u002Fviewblock.io\u002Farweave\u002Ftx\u002FBJ5GVAQBUXtv21jIEvuyqTsv9t93j7rlG47Lwcmtdu8).~~\n\n| 对比项 | Kimi-Swarm | Claude Agent Team | Swarm-IDE |\n| --- | --- | --- | --- |\n| 支持嵌套 Agent | ❌ | ❌ | ✅ |\n| 支持 Agent 间通信 | ❌ | ✅ | ✅ |\n| 支持人给 sub-agent 通信 | ❌ | ✅ | ✅ |\n| 支持群聊模式 | ❌ | ❌ | ✅ |\n| 支持可视化 | ❌ | ❌ | ✅ |\n| 是否开源 | ❌ | ❌ | ✅ |\n| 发布时间 | 2026.1.27 | 2026.2.6 | 2026.1.2 |\n\n\n## 界面设计\n- Graph 直接展示蜂群拓扑与实时通信链路\n- 树状多级对话列表：可以像微信一样选择任意 agent 对话（即使是深层次）\n- LLM history 面板：实时展示该 agent 的上下文，agent 不再是黑箱\n- 实时流式输出 tool-call 参数\n\n## 哲学\n- 极简原语：系统只依赖少量通信原语即可表达多 Agent 行为（核心是 create + send，复杂协作由此组合而来）。\n- 液态拓扑：拓扑不预设、在运行中自演化；遇到复杂任务时由 Agent 主动“雇佣”下属。\n- 扁平协作：人类可以像聊天一样介入任意层级，使复杂拓扑可观察、可调试、可介入。\n\n## 概念\n没有 nodes 和 edges 的复杂抽象，只需把系统理解为“很多个人”：\n\n每个人都能生孩子、也能和任意一个人说话。\n\n只要有这两种能力，就能实现任意结构\n\n## 运行方式\n提供两种方式：\n\n### 方式一：一键打开 Codespaces\n\n本系统要运行在 Linux 上，如果你没有 Linux 系统的话或者装环境遇到问题的话，可以尝试使用 GitHub 提供的免费虚拟机。点击链接创建虚拟机后，就可以执行后面的指令了\n\n[![Open in GitHub Codespaces](https:\u002F\u002Fgithub.com\u002Fcodespaces\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fcodespaces\u002Fnew?hide_repo_select=true&repo=chmod777john\u002Fswarm-ide)\n\n### 方式二：本地运行\n```\ncd swarm-ide\ncd backend\n\ncp .env.example .env.local\n# 在 .env.local 填写你的 KEY 和模型\n\ndocker compose up -d\ncurl -X POST http:\u002F\u002F127.0.0.1:3017\u002Fapi\u002Fadmin\u002Finit-db\nbun install\nbun dev\n```\n\n访问 http:\u002F\u002Flocalhost:3017\n\n点击 init-db ，然后创建 workspace 即可开始对话。\n\n直接跟他说\"创建 3 个儿子，给他们分别发消息，让他们再次自己创建 3 个孙子\"\n\n### MCP 配置\n后端会自动加载 MCP 配置文件，支持以下位置（按优先级）：  \n1) `MCP_CONFIG_PATH` 指定的文件  \n2) 项目根目录：`mcp.json` \u002F `.mcp.json`  \n3) `backend\u002F`：`backend\u002Fmcp.json` \u002F `backend\u002F.mcp.json`\n\n最小示例（stdio\u002Fhttp\u002Fsse 任选其一）：  \n```json\n{\n  \"mcpServers\": {\n    \"my-server\": {\n      \"type\": \"stdio\",\n      \"command\": \"python\",\n      \"args\": [\"-m\", \"your_mcp_server_module\"],\n      \"env\": { \"TOKEN\": \"xxx\" },\n      \"timeoutMs\": 30000\n    }\n  }\n}\n```\n\n字段说明（常用）：`type`、`command`\u002F`args`、`url`\u002F`httpUrl`\u002F`sseUrl`、`headers`、`env`、`disabled`、`timeoutMs`。\n\n### Skill 支持\n后端会自动扫描技能目录并注入到新 agent 的系统提示中：\n- 默认扫描路径：`skills\u002F` 或 `backend\u002Fskills\u002F`\n- 可通过 `AGENT_SKILLS_DIR` 指定自定义路径\n- 在 `SKILL.md` 的 frontmatter 里设置 `auto-load: true` 可让该技能**自动注入**到新 agent\n\n技能使用方式：\n- 对应技能会出现在 “Available Skills” 列表\n- 需要时调用 `get_skill` 获取完整内容\n\n## 环境变量说明\n后端读取 `backend\u002F.env.local`，你需要填写：\n- `OPENROUTER_API_KEY` \u002F `OPENROUTER_MODEL`（我使用的是 **OpenRouter Kimi 2.5**）\n- 其它连接项请参考 `backend\u002F.env.example`\n","# Swarm-IDE: 自组织的Agent蜂群\n\n[英文README](.\u002FREADME_EN.md)\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fstar-history.com\u002F#chmod777john\u002Fagent-wechat&Date\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchmod777john_swarm-ide_readme_f0da302fbe73.png\" alt=\"Star History Chart\" width=\"520\" \u002F>\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n[![Demo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchmod777john_swarm-ide_readme_26ea3b1dcbdb.jpg)](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1X163BQE5c\u002F?share_source=copy_web&vd_source=e0705640ea2f51669a392fb07684e286)\n\n## 🎬 视频【开源版 Kimi-K2.5 蜂群多 Agent】\n- Demo：\n\u003Cvideo src=\"https:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F4ebd88c6-bbdb-4714-87a5-54d1fed08db8\" width=\"100%\" controls>\u003C\u002Fvideo>\n- 详情视频： https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1X163BQE5c\u002F?share_source=copy_web&vd_source=e0705640ea2f51669a392fb07684e286\n\n## 加入微信群\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchmod777john_swarm-ide_readme_f8cef8743920.png\" alt=\"WeChat QR\" width=\"240\" \u002F>\n\n## 知乎文章\nhttps:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2000736341479138182\n\n## 优势\n- 任意动态创建 sub-agent\n- 可以向任意 agent 发送消息\n- 微信式聊天界面，随时介入任何子代理\n- 流式 graph 动态展现协作状态\n\n## 对比\n~~值得注意的是，本项目在 Kimi-Swarm 和 Claude Team **之前**就已经**独立**提出蜂群模式。尤其是 Claude Team，仔细对比会发现它的主要思想(动态派遣、人与任意 Agent 通信)和本项目的设计**不谋而合**，某程度说明作者的眼光和设计已达到先进水平，在静态 LangGraph 框架大行其道的当时能独立做出来这样的设计，相当超前了。笔者当时就把项目白皮书放到区块链了，如果担心笔者在吹牛，可亲自去看[区块链链时间戳](https:\u002F\u002Fviewblock.io\u002Farweave\u002Ftx\u002FBJ5GVAQBUXtv21jIEvuyqTsv9t93j7rlG47Lwcmtdu8).~~\n\n| 对比项 | Kimi-Swarm | Claude Agent Team | Swarm-IDE |\n| --- | --- | --- | --- |\n| 支持嵌套 Agent | ❌ | ❌ | ✅ |\n| 支持 Agent 间通信 | ❌ | ✅ | ✅ |\n| 支持人给 sub-agent 通信 | ❌ | ✅ | ✅ |\n| 支持群聊模式 | ❌ | ❌ | ✅ |\n| 支持可视化 | ❌ | ❌ | ✅ |\n| 是否开源 | ❌ | ❌ | ✅ |\n| 发布时间 | 2026.1.27 | 2026.2.6 | 2026.1.2 |\n\n\n## 界面设计\n- Graph 直接展示蜂群拓扑与实时通信链路\n- 树状多级对话列表：可以像微信一样选择任意 agent 对话（即使是深层次）\n- LLM history 面板：实时展示该 agent 的上下文，agent 不再是黑箱\n- 实时流式输出 tool-call 参数\n\n## 哲学\n- 极简原语：系统只依赖少量通信原语即可表达多 Agent 行为（核心是 create + send，复杂协作由此组合而来）。\n- 液态拓扑：拓扑不预设、在运行中自演化；遇到复杂任务时由 Agent 主动“雇佣”下属。\n- 扁平协作：人类可以像聊天一样介入任意层级，使复杂拓扑可观察、可调试、可介入。\n\n## 概念\n没有 nodes 和 edges 的复杂抽象，只需把系统理解为“很多个人”：\n\n每个人都能生孩子、也能和任意一个人说话。\n\n只要有这两种能力，就能实现任意结构\n\n## 运行方式\n提供两种方式：\n\n### 方式一：一键打开 Codespaces\n\n本系统要运行在 Linux 上，如果你没有 Linux 系统的话或者装环境遇到问题的话，可以尝试使用 GitHub 提供的免费虚拟机。点击链接创建虚拟机后，就可以执行后面的指令了\n\n[![Open in GitHub Codespaces](https:\u002F\u002Fgithub.com\u002Fcodespaces\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fcodespaces\u002Fnew?hide_repo_select=true&repo=chmod777john\u002Fswarm-ide)\n\n### 方式二：本地运行\n```\ncd swarm-ide\ncd backend\n\ncp .env.example .env.local\n# 在 .env.local 填写你的 KEY 和模型\n\ndocker compose up -d\ncurl -X POST http:\u002F\u002F127.0.0.1:3017\u002Fapi\u002Fadmin\u002Finit-db\nbun install\nbun dev\n```\n\n访问 http:\u002F\u002Flocalhost:3017\n\n点击 init-db ，然后创建 workspace 即可开始对话。\n\n直接跟他说\"创建 3 个儿子，给他们分别发消息，让他们再次自己创建 3 个孙子\"\n\n### MCP 配置\n后端会自动加载 MCP 配置文件，支持以下位置（按优先级）：  \n1) `MCP_CONFIG_PATH` 指定的文件  \n2) 项目根目录：`mcp.json` \u002F `.mcp.json`  \n3) `backend\u002F`：`backend\u002Fmcp.json` \u002F `backend\u002F.mcp.json`\n\n最小示例（stdio\u002Fhttp\u002Fsse 任选其一）：  \n```json\n{\n  \"mcpServers\": {\n    \"my-server\": {\n      \"type\": \"stdio\",\n      \"command\": \"python\",\n      \"args\": [\"-m\", \"your_mcp_server_module\"],\n      \"env\": { \"TOKEN\": \"xxx\" },\n      \"timeoutMs\": 30000\n    }\n  }\n}\n```\n\n字段说明（常用）：`type`、`command`\u002F`args`、`url`\u002F`httpUrl`\u002F`sseUrl`、`headers`、`env`、`disabled`、`timeoutMs`。\n\n### Skill 支持\n后端会自动扫描技能目录并注入到新 agent 的系统提示中：\n- 默认扫描路径：`skills\u002F` 或 `backend\u002Fskills\u002F`\n- 可通过 `AGENT_SKILLS_DIR` 指定自定义路径\n- 在 `SKILL.md` 的 frontmatter 里设置 `auto-load: true` 可让该技能**自动注入**到新 agent\n\n技能使用方式：\n- 对应技能会出现在 “Available Skills” 列表\n- 需要时调用 `get_skill` 获取完整内容\n\n## 环境变量说明\n后端读取 `backend\u002F.env.local`，你需要填写：\n- `OPENROUTER_API_KEY` \u002F `OPENROUTER_MODEL`（我使用的是 **OpenRouter Kimi 2.5**）\n- 其它连接项请参考 `backend\u002F.env.example`","# Swarm-IDE 快速上手指南\n\nSwarm-IDE 是一个支持自组织、动态创建子 Agent 的蜂群协作开发环境。它采用类似微信的聊天界面，允许用户随时介入任意层级的 Agent 对话，并实时可视化协作拓扑。\n\n## 1. 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Linux 或 macOS（Windows 用户建议使用 WSL2 或 GitHub Codespaces）。\n*   **核心依赖**：\n    *   [Docker](https:\u002F\u002Fwww.docker.com\u002F) 及 Docker Compose（用于启动后端服务）。\n    *   [Bun](https:\u002F\u002Fbun.sh\u002F)（JavaScript 运行时，用于运行前端和后端逻辑）。\n*   **API Key**：需要一个大模型服务商的 API Key（项目默认推荐 **OpenRouter**，支持 Kimi 2.5 等模型）。\n\n> 💡 **提示**：如果你没有本地 Linux 环境或配置困难，推荐使用 **GitHub Codespaces** 一键启动云端开发环境：\n> [![Open in GitHub Codespaces](https:\u002F\u002Fgithub.com\u002Fcodespaces\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fcodespaces\u002Fnew?hide_repo_select=true&repo=chmod777john\u002Fswarm-ide)\n\n## 2. 安装步骤\n\n### 第一步：克隆项目\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fchmod777john\u002Fswarm-ide.git\ncd swarm-ide\ncd backend\n```\n\n### 第二步：配置环境变量\n复制示例配置文件并填入你的 API 密钥：\n```bash\ncp .env.example .env.local\n```\n编辑 `.env.local` 文件，填写关键信息（以 OpenRouter 为例）：\n```ini\nOPENROUTER_API_KEY=你的_OPENROUTER_API_KEY\nOPENROUTER_MODEL=moonshotai\u002Fkimi-k2-0711-preview # 或其他支持的模型\n```\n*其他配置项可参考 `.env.example` 中的注释。*\n\n### 第三步：启动服务\n使用 Docker 启动后端依赖服务，并初始化数据库：\n```bash\ndocker compose up -d\ncurl -X POST http:\u002F\u002F127.0.0.1:3017\u002Fapi\u002Fadmin\u002Finit-db\n```\n\n安装前端依赖并启动开发服务器：\n```bash\nbun install\nbun dev\n```\n\n### 第四步：访问界面\n在浏览器中打开：\n```text\nhttp:\u002F\u002Flocalhost:3017\n```\n首次进入时，点击页面上的 **init-db** 按钮，然后创建一个新的 **Workspace** 即可开始使用。\n\n## 3. 基本使用\n\nSwarm-IDE 的核心理念是“像聊天一样管理蜂群”。你不需要编写复杂的图结构代码，只需通过自然语言指令让 Agent 自我演化。\n\n### 快速体验蜂群协作\n\n1.  在聊天窗口中，向主 Agent 发送以下指令：\n    > \"创建 3 个儿子，给他们分别发消息，让他们再次自己创建 3 个孙子\"\n\n2.  **观察动态拓扑**：\n    *   右侧 **Graph 面板** 将实时展示新生成的 Agent 节点及其通信链路。\n    *   左侧 **对话列表** 会像微信一样列出所有层级的 Agent（儿子、孙子等）。\n\n3.  **人工介入**：\n    *   点击左侧列表中任意一个深层级的“孙子”Agent。\n    *   直接发送消息干预其任务，观察它如何响应并继续协作。\n\n### 进阶配置（可选）\n\n*   **MCP 工具支持**：\n    在项目根目录或 `backend\u002F` 目录下创建 `mcp.json`，配置外部工具服务。系统会自动加载 `stdio`、`http` 或 `sse` 类型的 MCP 服务。\n\n*   **自定义技能 (Skills)**：\n    在 `skills\u002F` 目录下添加 `.md` 文件。若在文件头设置 `auto-load: true`，该技能将自动注入到新创建的 Agent 系统提示词中，增强其特定能力。\n\n---\n现在，你已经成功启动了 Swarm-IDE，可以开始探索动态多 Agent 协作的无限可能了。","某全栈开发团队正面临一个紧急需求：需要在 24 小时内构建并调试一个包含数据清洗、代码生成、自动化测试及文档撰写的复杂多智能体协作系统。\n\n### 没有 swarm-ide 时\n- **协作黑箱难调试**：传统框架（如 LangGraph）将 Agent 交互固化为静态节点，一旦子任务出错，开发者无法查看中间对话上下文，只能盲目重试。\n- **层级扩展极僵硬**：若需动态增加“孙子级”Agent 处理突发子任务，必须预先硬编码所有可能路径，无法在运行时让 Agent 自主“雇佣”下属。\n- **人工介入成本高**：人类无法直接插手特定子 Agent 的对话进行纠偏，往往需要停止整个工作流，修改提示词后重新从头运行。\n- **拓扑状态不可见**：缺乏可视化界面，无法实时感知哪个 Agent 正在阻塞、谁在向谁发送消息，排查问题如同盲人摸象。\n\n### 使用 swarm-ide 后\n- **全流程透明可观测**：通过流式 Graph 面板，开发者能实时看到蜂群拓扑演化及每条通信链路，LLM History 面板直接展示任意 Agent 的完整上下文，彻底消除黑箱。\n- **动态自组织协作**：主 Agent 可根据任务复杂度，即时创建嵌套的子孙级 Agent（如“让测试 Agent 再叫两个单元测试专家”），无需预设固定流程。\n- **微信式即时干预**：开发者像微信群聊一样，随时点开任意深层子 Agent 的对话框发送指令进行修正，无需中断整体任务，实现扁平化人机协作。\n- **技能热插拔注入**：新创建的 Agent 自动加载 `skills\u002F` 目录下的能力配置，配合 MCP 协议无缝调用外部工具，大幅降低编排门槛。\n\nswarm-ide 将复杂的多智能体编排从“静态代码定义”转变为“动态液态协作”，让开发者能像管理真人团队一样直观地掌控 AI 蜂群。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchmod777john_swarm-ide_26ea3b1d.jpg","chmod777john","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fchmod777john_97e078a0.png","Physics Department of Lanzhou University\r\n\r\nFullstack AI Developer\r\n\r\n微信 17342817097",null,"China, Beijing","https:\u002F\u002Fgithub.com\u002Fchmod777john",[82,86,90],{"name":83,"color":84,"percentage":85},"TypeScript","#3178c6",94.5,{"name":87,"color":88,"percentage":89},"CSS","#663399",4.8,{"name":91,"color":92,"percentage":93},"JavaScript","#f1e05a",0.7,1396,160,"2026-04-04T12:04:51","Linux","未说明",{"notes":100,"python":101,"dependencies":102},"1. 官方明确建议运行在 Linux 系统上；Windows\u002FmacOS 用户推荐使用 GitHub Codespaces。2. 核心后端运行依赖 Docker 和 Bun (JavaScript\u002FTypeScript 运行时)，而非直接的 Python 环境。3. 需配置 OpenRouter API Key 及模型信息。4. 支持通过 MCP 协议集成外部工具，若使用 Python 编写的 MCP 服务则需本地安装 Python。","未说明 (后端使用 Bun 运行时，MCP 服务可能依赖 Python)",[103,104,105,106],"Docker","Docker Compose","Bun","Node.js 环境 (隐含)",[15,13],"2026-03-27T02:49:30.150509","2026-04-06T05:36:52.016935",[],[]]