[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-cloudflare--workers-mcp":3,"similar-cloudflare--workers-mcp":58},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":18,"owner_email":18,"owner_twitter":18,"owner_website":19,"owner_url":20,"languages":21,"stars":30,"forks":31,"last_commit_at":32,"license":33,"difficulty_score":34,"env_os":35,"env_gpu":36,"env_ram":37,"env_deps":38,"category_tags":45,"github_topics":18,"view_count":34,"oss_zip_url":18,"oss_zip_packed_at":18,"status":48,"created_at":49,"updated_at":50,"faqs":51,"releases":57},5980,"cloudflare\u002Fworkers-mcp","workers-mcp","Talk to a Cloudflare Worker from Claude Desktop!","workers-mcp 是一款连接工具，旨在让开发者能够直接在 Claude Desktop、Cursor 等支持 MCP 协议的 AI 客户端中调用部署在 Cloudflare 上的 Worker 函数。它解决了本地 AI 助手无法直接访问云端自定义业务逻辑或 Cloudflare 平台服务的痛点，打破了本地环境与云端能力之间的壁垒。\n\n该工具特别适合熟悉 TypeScript 的云开发者和全栈工程师使用。其核心亮点在于自动化转换机制：开发者只需在 Worker 代码中编写标准的 TypeScript 类方法并添加注释，workers-mcp 即可通过构建步骤将这些方法自动转化为 AI 可识别和调用的“工具”。运行时，它启动一个本地 Node.js 代理服务器，负责在本地 AI 客户端与云端 Worker 之间建立通信桥梁，处理标准输入输出传输。这意味着你可以轻松地将随机数生成、数据库查询或任何自定义 API 暴露给 AI，让其协助你完成更复杂的云端任务，极大地扩展了编程助手的能力边界。","# `workers-mcp`\n\n> **Talk to a Cloudflare Worker from Claude Desktop!**\n\n> [!WARNING]  \n> You should start [here](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fagents\u002Fguides\u002Fremote-mcp-server\u002F) instead — and build a **remote** MCP server\n>\n> You can connect to remote MCP servers from Claude Desktop, Cursor, and other clients [using mcp-remote](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fagents\u002Fguides\u002Ftest-remote-mcp-server\u002F).\n\n### What is `workers-mcp`?\n\nThis package provides both the CLI tooling and the in-Worker logic to connect Claude Desktop (or any [MCP Client](https:\u002F\u002Fmodelcontextprotocol.io\u002F)) to a Cloudflare Worker on your account, so you can customise it to suit your needs. It works via a build step that can translate TypeScript methods of your Worker like this:\n\n```ts\nexport class ExampleWorkerMCP extends WorkerEntrypoint\u003CEnv> {\n  \u002F**\n   * Generates a random number. This is extra random because it had to travel all the way to\n   * your nearest Cloudflare PoP to be calculated which... something something lava lamps?\n   *\n   * @return {string} A message containing a super duper random number\n   * *\u002F\n  async getRandomNumber() {\n    return `Your random number is ${Math.random()}`\n  }\n  \n  \u002F\u002F ...etc\n}\n```\n\n...into MCP tools that a local Node.js server can expose to MCP clients. The Node.js server acts as a proxy, handling stdio transport locally, and calling the relevant method of your Worker running on Cloudflare. This allows you to expose any function or API in your app, or any service in [Cloudflare's developer platform](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fproducts\u002F), back to a LLM in your coding agent, Claude Desktop or other MCP client.\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcloudflare_workers-mcp_readme_cda92264abb5.png)\n\n> \u003Csub>Yes, I know that `Math.random()` works the same on a Worker as it does on your local machine, but don't tell Claude\u003C\u002Fsub> 🤫\n\n## Usage\n\n### Step 1: Generate a new Worker\n\nUse `create-cloudflare` to generate a new Worker.\n\n```shell\nnpx create-cloudflare@latest my-new-worker\n```\n\nI suggest choosing a `Hello World` worker.\n\n### Step 2: Install `workers-mcp`\n\n```shell\ncd my-new-worker # I always forget this bit\nnpm install workers-mcp\n```\n\n### Step 3: Run the `setup` command\n\n```shell\nnpx workers-mcp setup\n```\n\nNote: if something goes wrong, run `npx workers-mcp help`\n\n### Step 4..♾️: Iterating\n\nAfter changing your Worker code, you only need to run `npm run deploy` to update both Claude's metadata about your function and your live Worker instance.\n\nHowever, if you change the names of your methods, or their parameters, or add or remove methods, Claude will not see the updates until you restart it.\n\nYou shouldn't ever need to rerun `npx workers-mcp install:claude`, but it's safe to do so if you want to rule out Claude config as a source of errors.\n\n## Using with Other MCP Clients\n\n### Cursor\n\nTo get your Cloudflare MCP server working in Cursor, you need to combine the 'command' and 'args' from your config file into a single string and use type 'command'.\n\nFor example, if your config file looks like:\n\n```json\n{\n  \"mcpServers\": {\n    \"your-mcp-server-name\": {\n      \"command\": \"\u002Fpath\u002Fto\u002Fworkers-mcp\",\n      \"args\": [\n        \"run\",\n        \"your-mcp-server-name\",\n        \"https:\u002F\u002Fyour-server-url.workers.dev\",\n        \"\u002Fpath\u002Fto\u002Fyour\u002Fproject\"\n      ],\n      \"env\": {}\n    }\n  }\n}\n```\n\nIn Cursor, create an MCP server entry with:\n* type: `command`\n* command: `\u002Fpath\u002Fto\u002Fworkers-mcp run your-mcp-server-name https:\u002F\u002Fyour-server-url.workers.dev \u002Fpath\u002Fto\u002Fyour\u002Fproject`\n\n### Other MCP Clients\n\nFor Windsurf and other MCP clients, update your configuration file to include your worker so you could use the tools directly from the client:\n\n```json\n{\n  \"mcpServers\": {\n    \"your-mcp-server-name\": {\n      \"command\": \"\u002Fpath\u002Fto\u002Fworkers-mcp\",\n      \"args\": [\n        \"run\",\n        \"your-mcp-server-name\",\n        \"https:\u002F\u002Fyour-server-url.workers.dev\",\n        \"\u002Fpath\u002Fto\u002Fyour\u002Fproject\"\n      ],\n      \"env\": {}\n    }\n  }\n}\n```\n\nMake sure to replace the placeholders with your actual server name, URL, and project path.\n\n## Examples\n\nSee the `examples` directory for a few ideas of what to use this for:\n\n* `examples\u002F01-hello-world` is a snapshot taken after the installation instructions above\n* `examples\u002F02-image-generation` uses Workers AI to run the Flux image generation model. Claude is really good at suggesting prompts and can actually interpret the outcome and decide what new prompts to try to achieve the outcome you want.\n* TODO Browser Rendering\n* TODO Durable Objects\n","# `workers-mcp`\n\n> **从 Claude Desktop 与 Cloudflare Worker 对话！**\n\n> [!WARNING]  \n> 您应该先从[这里](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fagents\u002Fguides\u002Fremote-mcp-server\u002F)开始——构建一个**远程** MCP 服务器\n>\n> 您可以使用 mcp-remote，从 Claude Desktop、Cursor 和其他客户端连接到远程 MCP 服务器[参见测试远程 MCP 服务器的指南](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fagents\u002Fguides\u002Ftest-remote-mcp-server\u002F)。\n\n### 什么是 `workers-mcp`？\n\n该包提供了 CLI 工具和 Worker 内逻辑，用于将 Claude Desktop（或任何 [MCP 客户端](https:\u002F\u002Fmodelcontextprotocol.io\u002F)）连接到您账户上的 Cloudflare Worker，以便您可以根据自身需求进行自定义。它通过一个构建步骤实现，可以将 Worker 的 TypeScript 方法转换成如下形式：\n\n```ts\nexport class ExampleWorkerMCP extends WorkerEntrypoint\u003CEnv> {\n  \u002F**\n   * 生成一个随机数。这个随机数特别“随机”，因为它必须先传输到您最近的 Cloudflare PoP 进行计算，然后……嗯，好像跟熔岩灯有关？\n   *\n   * @return {string} 包含超级随机数字的消息\n   * *\u002F\n  async getRandomNumber() {\n    return `您的随机数是 ${Math.random()}`\n  }\n  \n  \u002F\u002F ...等\n}\n```\n\n……最终转化为 MCP 工具，供本地 Node.js 服务器暴露给 MCP 客户端使用。Node.js 服务器充当代理，在本地处理标准输入输出传输，并调用在 Cloudflare 上运行的 Worker 中的相关方法。这样一来，您就可以将应用中的任意函数或 API，或者 [Cloudflare 开发者平台](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fproducts\u002F) 中的任何服务，暴露给编码助手中的 LLM、Claude Desktop 或其他 MCP 客户端。\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcloudflare_workers-mcp_readme_cda92264abb5.png)\n\n> \u003Csub>是的，我知道 `Math.random()` 在 Worker 上和在您的本地机器上表现是一样的，但别告诉 Claude\u003C\u002Fsub> 🤫\n\n## 使用方法\n\n### 第一步：生成一个新的 Worker\n\n使用 `create-cloudflare` 生成一个新的 Worker。\n\n```shell\nnpx create-cloudflare@latest my-new-worker\n```\n\n建议选择一个“Hello World”类型的 Worker。\n\n### 第二步：安装 `workers-mcp`\n\n```shell\ncd my-new-worker # 我总是忘记这一步\nnpm install workers-mcp\n```\n\n### 第三步：运行 `setup` 命令\n\n```shell\nnpx workers-mcp setup\n```\n\n注意：如果出现问题，请运行 `npx workers-mcp help`。\n\n### 第四步..♾️：迭代开发\n\n更改 Worker 代码后，只需运行 `npm run deploy` 即可同时更新 Claude 关于您函数的元数据以及您正在运行的 Worker 实例。\n\n然而，如果您更改了方法名称、参数，或者增删了方法，Claude 将不会看到这些更新，直到您重新启动它。\n\n您通常不需要再次运行 `npx workers-mcp install:claude`，但如果想排除 Claude 配置作为错误来源，也可以安全地执行此操作。\n\n## 与其他 MCP 客户端配合使用\n\n### Cursor\n\n要让您的 Cloudflare MCP 服务器在 Cursor 中正常工作，您需要将配置文件中的“command”和“args”合并为一个字符串，并将其类型设置为“command”。\n\n例如，如果您的配置文件如下：\n\n```json\n{\n  \"mcpServers\": {\n    \"your-mcp-server-name\": {\n      \"command\": \"\u002Fpath\u002Fto\u002Fworkers-mcp\",\n      \"args\": [\n        \"run\",\n        \"your-mcp-server-name\",\n        \"https:\u002F\u002Fyour-server-url.workers.dev\",\n        \"\u002Fpath\u002Fto\u002Fyour\u002Fproject\"\n      ],\n      \"env\": {}\n    }\n  }\n}\n```\n\n那么在 Cursor 中，创建一个 MCP 服务器条目时：\n* 类型设置为 `command`\n* 命令设置为 `\u002Fpath\u002Fto\u002Fworkers-mcp run your-mcp-server-name https:\u002F\u002Fyour-server-url.workers.dev \u002Fpath\u002Fto\u002Fyour\u002Fproject`\n\n### 其他 MCP 客户端\n\n对于 Windsurf 和其他 MCP 客户端，请更新您的配置文件以包含您的 Worker，这样您就可以直接从客户端使用这些工具：\n\n```json\n{\n  \"mcpServers\": {\n    \"your-mcp-server-name\": {\n      \"command\": \"\u002Fpath\u002Fto\u002Fworkers-mcp\",\n      \"args\": [\n        \"run\",\n        \"your-mcp-server-name\",\n        \"https:\u002F\u002Fyour-server-url.workers.dev\",\n        \"\u002Fpath\u002Fto\u002Fyour\u002Fproject\"\n      ],\n      \"env\": {}\n    }\n  }\n}\n```\n\n请务必用您实际的服务器名称、URL 和项目路径替换占位符。\n\n## 示例\n\n请参阅 `examples` 目录，了解一些使用此工具的示例：\n* `examples\u002F01-hello-world` 是按照上述安装说明完成后的快照。\n* `examples\u002F02-image-generation` 使用 Workers AI 运行 Flux 图像生成模型。Claude 非常擅长提出提示词，并且能够解读生成结果，进而决定尝试哪些新的提示词来达到您期望的效果。\n* 待办：浏览器渲染\n* 待办：持久化对象","# workers-mcp 快速上手指南\n\n`workers-mcp` 是一个连接 Claude Desktop（或其他 MCP 客户端）与 Cloudflare Worker 的工具。它允许你将 Worker 中的 TypeScript 方法自动转换为 MCP 工具，让 AI 助手能够直接调用部署在 Cloudflare 边缘网络上的函数或 API。\n\n> **注意**：官方建议优先构建**远程** MCP 服务器。本指南基于本地代理模式，适用于快速开发和测试。\n\n## 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**：macOS, Linux 或 Windows (需配置好 Node.js 环境)\n*   **Node.js**：建议安装 LTS 版本 (v18+)\n*   **Cloudflare 账号**：已注册并登录\n*   **Wrangler CLI**：已安装并认证 (`npx wrangler login`)\n*   **MCP 客户端**：已安装 Claude Desktop、Cursor 或 Windsurf 等支持 MCP 协议的编辑器\u002F应用\n\n## 安装步骤\n\n### 1. 创建新的 Worker 项目\n\n使用 `create-cloudflare` 初始化一个新项目。建议选择 \"Hello World\" 模板以便快速开始。\n\n```shell\nnpx create-cloudflare@latest my-new-worker\n```\n\n### 2. 进入项目并安装依赖\n\n进入项目目录并安装 `workers-mcp` 包。\n\n```shell\ncd my-new-worker\nnpm install workers-mcp\n```\n\n> **提示**：国内开发者若遇 npm 下载缓慢，可临时切换镜像源：\n> `npm config set registry https:\u002F\u002Fregistry.npmmirror.com`\n\n### 3. 运行设置命令\n\n执行设置向导，该命令将配置本地代理并更新 Claude Desktop 的配置文件。\n\n```shell\nnpx workers-mcp setup\n```\n\n如果遇到问题，可运行 `npx workers-mcp help` 查看帮助信息。\n\n## 基本使用\n\n### 1. 编写支持 MCP 的 Worker 代码\n\n在你的 Worker 入口文件中（通常是 `src\u002Findex.ts`），继承 `WorkerEntrypoint` 并定义带有 JSDoc 注释的方法。这些注释将作为 AI 理解工具功能的依据。\n\n```ts\nimport { WorkerEntrypoint } from 'cloudflare:workers';\n\nexport class ExampleWorkerMCP extends WorkerEntrypoint\u003CEnv> {\n  \u002F**\n   * Generates a random number. This is extra random because it had to travel all the way to\n   * your nearest Cloudflare PoP to be calculated.\n   *\n   * @return {string} A message containing a super duper random number\n   *\u002F\n  async getRandomNumber() {\n    return `Your random number is ${Math.random()}`;\n  }\n  \n  \u002F\u002F 在此处添加更多方法...\n}\n```\n\n### 2. 部署并同步元数据\n\n修改代码后，只需运行部署命令。这将同时更新线上的 Worker 实例和 Claude 本地的函数元数据。\n\n```shell\nnpm run deploy\n```\n\n> **重要提示**：如果你修改了方法名称、参数或增删了方法，必须**重启 Claude Desktop** 才能识别变更。仅重新部署代码是不够的。\n\n### 3. 在 Claude Desktop 中调用\n\n打开 Claude Desktop，在对话框中直接描述你的需求，例如：“帮我生成一个随机数”或“调用 getRandomNumber 方法”。Claude 将自动通过 `workers-mcp` 代理调用你部署在 Cloudflare 上的函数并返回结果。\n\n### 4. 适配其他客户端 (如 Cursor)\n\n若需在 Cursor 中使用，需在设置中将 `command` 和 `args` 合并为单行字符串：\n\n*   **Type**: `command`\n*   **Command**: `\u002Fpath\u002Fto\u002Fworkers-mcp run your-mcp-server-name https:\u002F\u002Fyour-server-url.workers.dev \u002Fpath\u002Fto\u002Fyour\u002Fproject`\n\n请将路径、服务名和 URL 替换为你实际的项目信息。","某全栈开发者正在构建一个基于 Cloudflare 的全球天气数据聚合应用，需要让 AI 助手直接操作部署在边缘的实时数据接口。\n\n### 没有 workers-mcp 时\n- **上下文割裂**：开发者必须在 Claude Desktop 中编写代码，然后手动切换到终端执行 `npm run deploy`，无法在对话流中直接触发更新。\n- **调试效率低**：验证 Worker 中的新函数（如 `getWeatherData`）时，需反复复制粘贴 API 响应结果到对话框，AI 无法直接“感知”运行时的真实返回。\n- **工具链繁琐**：若要让 AI 调用自定义的边缘逻辑，需手动配置复杂的 HTTP 请求模板或编写额外的本地代理脚本，增加了维护负担。\n- **迭代周期长**：每次修改 Worker 方法签名后，开发者需人工通知 AI 更新上下文，否则 AI 会持续调用旧参数导致报错。\n\n### 使用 workers-mcp 后\n- **无缝交互**：开发者直接在 Claude 对话框中输入“部署并测试新的天气接口”，workers-mcp 自动将 TypeScript 方法转换为 MCP 工具并完成部署。\n- **实时感知**：AI 能直接调用 Worker 中暴露的 `getWeatherData` 等方法，获取来自全球边缘节点的真实数据，无需中间人转发。\n- **原生集成**：只需在 Worker 类中添加带注释的方法，workers-mcp 即可自动将其注册为 AI 可用工具，彻底省去了手动配置代理的步骤。\n- **自动同步**：当开发者重构代码或新增方法后，仅需重新部署，重启 Claude 即可自动识别最新的函数签名和参数，确保持续集成流畅。\n\nworkers-mcp 通过将云边端能力转化为 AI 原生工具，消除了本地大模型与云端无服务器函数之间的最后一道隔阂。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcloudflare_workers-mcp_cda92264.png","cloudflare","Cloudflare","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcloudflare_e3c846c2.jpg","",null,"https:\u002F\u002Fwww.cloudflare.com","https:\u002F\u002Fgithub.com\u002Fcloudflare",[22,26],{"name":23,"color":24,"percentage":25},"TypeScript","#3178c6",97.2,{"name":27,"color":28,"percentage":29},"JavaScript","#f1e05a",2.8,633,61,"2026-04-01T11:54:37","Apache-2.0",2,"未说明 (基于 Node.js，通常支持 Linux, macOS, Windows)","不需要","未说明",{"notes":39,"python":40,"dependencies":41},"该工具是一个基于 Node.js 的 CLI 工具，用于将 Cloudflare Worker 暴露为 MCP 服务器。主要依赖 Node.js 环境而非 Python。需要安装 Cloudflare 相关工具链 (如 create-cloudflare)。配置 MCP 客户端（如 Claude Desktop, Cursor）时需指定 workers-mcp 的路径及参数。若修改了 Worker 的方法名或参数，需重启客户端才能生效。","不需要 (基于 Node.js)",[42,43,6,44],"Node.js","npm","create-cloudflare",[46,47],"Agent","插件","ready","2026-03-27T02:49:30.150509","2026-04-10T04:37:26.643163",[52],{"id":53,"question_zh":54,"answer_zh":55,"source_url":56},27111,"MCP 服务器断开连接或访问 URL 时返回\"Unauthorized\"错误，如何解决？","该问题通常是因为 Claude 创建了非交互式 shell，导致未加载 `.zshrc` 配置文件，从而使 `nvm`（Node 版本管理器）未能正确初始化。Claude 可能使用了过旧的 Node 版本（如 v16），该版本不支持 `node:timers\u002Fpromises` 中的 `scheduler` 导出，进而引发语法错误：`SyntaxError: The requested module 'node:timers\u002Fpromises' does not provide an export named 'scheduler'`。\n\n解决方案：\n1. 检查 Claude 的日志文件（位于 `~\u002FLibrary\u002FLogs\u002FClaude`）确认具体的报错信息。\n2. 卸载不兼容的旧版 Node（例如 Node 16），确保系统默认使用支持该特性的较新版本（如 Node 20）。\n3. 或者手动配置环境变量，确保 MCP 服务器启动时使用正确的 Node 版本。","https:\u002F\u002Fgithub.com\u002Fcloudflare\u002Fworkers-mcp\u002Fissues\u002F4",[],[59,71,79,88,96,104],{"id":60,"name":61,"github_repo":62,"description_zh":63,"stars":64,"difficulty_score":65,"last_commit_at":66,"category_tags":67,"status":48},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",[46,68,69,70],"开发框架","图像","数据工具",{"id":72,"name":73,"github_repo":74,"description_zh":75,"stars":76,"difficulty_score":65,"last_commit_at":77,"category_tags":78,"status":48},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",[68,69,46],{"id":80,"name":81,"github_repo":82,"description_zh":83,"stars":84,"difficulty_score":34,"last_commit_at":85,"category_tags":86,"status":48},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",147882,"2026-04-09T11:32:47",[68,46,87],"语言模型",{"id":89,"name":90,"github_repo":91,"description_zh":92,"stars":93,"difficulty_score":34,"last_commit_at":94,"category_tags":95,"status":48},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",[68,69,46],{"id":97,"name":98,"github_repo":99,"description_zh":100,"stars":101,"difficulty_score":34,"last_commit_at":102,"category_tags":103,"status":48},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",[47,68],{"id":105,"name":106,"github_repo":107,"description_zh":108,"stars":109,"difficulty_score":65,"last_commit_at":110,"category_tags":111,"status":48},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",[87,69,46,68]]