[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-danilofalcao--cursor-deepseek":3,"tool-danilofalcao--cursor-deepseek":64},[4,17,26,36,44,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"status":16},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",[25,13],"插件",{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":16},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",90106,3,"2026-04-06T11:19:32",[15,35,14,13],"图像",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":10,"last_commit_at":42,"category_tags":43,"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",[13,15],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"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。",85052,"2026-04-08T11:03:08",[35,52,53,25,14,54,15,13,55],"数据工具","视频","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":32,"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",[14,35,13,15,54],{"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":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":78,"owner_location":79,"owner_email":80,"owner_twitter":78,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":32,"env_os":96,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":106,"github_topics":107,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":111,"updated_at":112,"faqs":113,"releases":114},5621,"danilofalcao\u002Fcursor-deepseek","cursor-deepseek","A high-performance HTTP\u002F2-enabled proxy server designed specifically to enable Cursor IDE's Composer to use DeepSeek's and OpenRouter's language models. This proxy translates OpenAI-compatible API requests to DeepSeek\u002FOpenRouter API format, allowing Cursor's Composer and other OpenAI API-compatible tools to seamlessly work with these models.","cursor-deepseek 是一款高性能代理服务器，专为让 Cursor IDE 的 Composer 功能无缝接入 DeepSeek、OpenRouter 及 Ollama 等大语言模型而设计。它核心解决了模型接口不兼容的痛点：通过将标准的 OpenAI 格式请求自动转换为目标模型所需的 API 格式，用户无需修改代码或等待官方原生支持，即可在熟悉的开发环境中直接调用这些高性价比或本地化的 AI 模型。\n\n这款工具特别适合希望降低 AI 使用成本、追求数据隐私或需要特定模型能力的开发者与技术研究人员。无论是进行智能代码生成、复杂逻辑推理，还是搭建私有化部署环境，cursor-deepseek 都能提供流畅的支持。其技术亮点包括原生支持 HTTP\u002F2 以提升响应速度、完整兼容流式输出与函数调用（Function Calling）、自动处理消息格式转换，并提供便捷的 Docker 容器化部署方案。配合 ngrok 等工具，用户还能轻松将本地服务暴露至公网，实现灵活的远程访问。对于想要突破模型限制、自由组合最佳 AI 助力的编程人员而言，这是一个实用且高效的桥梁工具。","# DeepSeek API Proxy\n\nA high-performance HTTP\u002F2-enabled proxy server designed specifically to enable Cursor IDE's Composer to use DeepSeek's, OpenRouter's and Ollama's language models. This proxy translates OpenAI-compatible API requests to DeepSeek\u002FOpenRouter\u002FOllama API format, allowing Cursor's Composer and other OpenAI API-compatible tools to seamlessly work with these models.\n\n## Primary Use Case\n\nThis proxy was created to enable Cursor IDE users to leverage DeepSeek's, OpenRouter's and Ollama's powerful language models through Cursor's Composer interface as an alternative to OpenAI's models. By running this proxy locally, you can configure Cursor's Composer to use these models for AI assistance, code generation, and other AI features. It handles all the necessary request\u002Fresponse translations and format conversions to make the integration seamless.\n\n## Features\n\n- HTTP\u002F2 support for improved performance\n- Full CORS support\n- Streaming responses\n- Support for function calling\u002Ftools\n- Automatic message format conversion\n- Compression support (Brotli, Gzip, Deflate)\n- Compatible with OpenAI API client libraries\n- API key validation for secure access\n- Docker container support with multi-variant builds\n\n## Prerequisites\n\n- Cursor Pro Subscription\n- Go 1.19 or higher\n- DeepSeek or OpenRouter API key\n- Ollama server running locally (optional, for Ollama support)\n- Public Endpoint\n\n## Installation\n\n1. Clone the repository\n2. Install dependencies:\n```bash\ngo mod download\n```\n\n### Docker Installation\n\nThe proxy supports both DeepSeek and OpenRouter variants. Choose the appropriate build command for your needs:\n\n1. Build the Docker image:\n   - For DeepSeek (default):\n   ```bash\n   docker build -t cursor-deepseek .\n   ```\n   - For OpenRouter:\n   ```bash\n   docker build -t cursor-openrouter --build-arg PROXY_VARIANT=openrouter .\n   ```\n   - For Ollama:\n   ```bash\n   docker build -t cursor-ollama --build-arg PROXY_VARIANT=ollama .\n   ```\n\n2. Configure environment variables:\n   - Copy the example configuration:\n   ```bash\n   cp .env.example .env\n   ```\n   - Edit `.env` and add your API key (either DeepSeek or OpenRouter)\n\n3. Run the container:\n```bash\ndocker run -p 9000:9000 --env-file .env cursor-deepseek\n# OR for OpenRouter\ndocker run -p 9000:9000 --env-file .env cursor-openrouter\n# OR for Ollama\ndocker run -p 9000:9000 --env-file .env cursor-ollama\n```\n\n## Configuration\n\nThe repository includes an `.env.example` file showing the required environment variables. To configure:\n\n1. Copy the example configuration:\n```bash\ncp .env.example .env\n```\n\n2. Edit `.env` and add your API key:\n```bash\n# For DeepSeek\nDEEPSEEK_API_KEY=your_deepseek_api_key_here\n\n# OR for OpenRouter\nOPENROUTER_API_KEY=your_openrouter_api_key_here\n\n# OR for Ollama\nOLLAMA_API_KEY=your_ollama_api_key_here\n```\n\nNote: Only configure ONE of the API keys based on which variant you're using.\n\n## Usage\n\n1. Start the proxy server:\n```bash\ngo run proxy.go\n# OR you can specify a model:\ngo run proxy.go -model coder\n# OR\ngo run proxy.go -model chat\n# OR for OpenRouter\ngo run proxy-openrouter.go\n# OR for Ollama\ngo run proxy-ollama.go\n```\n\nThe server will start on port 9000 by default.\n\n2. Use the proxy with your OpenAI API clients by setting the base URL to `http:\u002F\u002Fyour-public-endpoint:9000\u002Fv1`\n\n\n## Exposing the Endpoint Publicly\n\nYou can expose your local proxy server to the internet using ngrok or similar services. This is useful when you need to access the proxy from external applications or different networks.\n\n### Using ngrok\n\n1. Install ngrok from https:\u002F\u002Fngrok.com\u002Fdownload\n\n2. Start your proxy server locally (it will run on port 9000)\n\n3. In a new terminal, run ngrok:\n```bash\nngrok http 9000\n```\n\n4. ngrok will provide you with a public URL (e.g., https:\u002F\u002Fyour-unique-id.ngrok.io)\n\n5. Use this URL as your OpenAI API base URL in Cursor's settings:\n```\nhttps:\u002F\u002Fyour-unique-id.ngrok.io\u002Fv1\n```\n\n### Alternative Methods\n\nYou can also use other services to expose your endpoint:\n\n1. **Cloudflare Tunnel**: \n   - Install cloudflared\n   - Run: `cloudflared tunnel --url http:\u002F\u002Flocalhost:9000`\n\n2. **LocalTunnel**:\n   - Install: `npm install -g localtunnel`\n   - Run: `lt --port 9000`\n\nRemember to always secure your endpoint appropriately when exposing it to the internet.\n\n\n### Supported Endpoints\n\n- `\u002Fv1\u002Fchat\u002Fcompletions` - Chat completions endpoint\n- `\u002Fv1\u002Fmodels` - Models listing endpoint\n\n### Model Mapping\n\n- `gpt-4o` maps to DeepSeek's GPT-4o equivalent model\n- `deepseek-chat` for DeepSeek's native chat model\n- `deepseek\u002Fdeepseek-chat` for OpenRouter's DeepSeek model\n\n## Dependencies\n\n- `github.com\u002Fandybalholm\u002Fbrotli` - Brotli compression support\n- `github.com\u002Fjoho\u002Fgodotenv` - Environment variable management\n- `golang.org\u002Fx\u002Fnet` - HTTP\u002F2 support\n\n## Security\n\n- The proxy includes CORS headers for cross-origin requests\n- API keys are required and validated against environment variables\n- Secure handling of request\u002Fresponse data\n- Strict API key validation for all requests\n- HTTPS support through HTTP\u002F2\n- Environment variables are never committed to the repository\n\n## License\n\nThis project is licensed under the GNU General Public License v2.0 (GPLv2). See the [LICENSE.md](LICENSE.md) file for details.\n","# DeepSeek API 代理\n\n一款高性能、支持 HTTP\u002F2 的代理服务器，专为使 Cursor IDE 的 Composer 能够使用 DeepSeek、OpenRouter 和 Ollama 的语言模型而设计。该代理会将与 OpenAI 兼容的 API 请求转换为 DeepSeek\u002FOpenRouter\u002FOllama 的 API 格式，从而使 Cursor 的 Composer 以及其他兼容 OpenAI API 的工具能够无缝地使用这些模型。\n\n## 主要使用场景\n\n此代理旨在让 Cursor IDE 用户通过 Cursor 的 Composer 界面，利用 DeepSeek、OpenRouter 和 Ollama 强大的语言模型，作为 OpenAI 模型的替代方案。通过在本地运行此代理，您可以配置 Cursor 的 Composer 使用这些模型来进行 AI 辅助、代码生成和其他 AI 功能。它会处理所有必要的请求\u002F响应转换和格式转换，以实现无缝集成。\n\n## 特性\n\n- 支持 HTTP\u002F2，提升性能\n- 完全支持 CORS\n- 流式响应\n- 支持函数调用\u002F工具\n- 自动消息格式转换\n- 压缩支持（Brotli、Gzip、Deflate）\n- 兼容 OpenAI API 客户端库\n- API 密钥验证，确保安全访问\n- 支持 Docker 容器，并提供多变体构建\n\n## 前置条件\n\n- Cursor Pro 订阅\n- Go 1.19 或更高版本\n- DeepSeek 或 OpenRouter API 密钥\n- 本地运行的 Ollama 服务器（可选，用于 Ollama 支持）\n- 公网端点\n\n## 安装\n\n1. 克隆仓库\n2. 安装依赖：\n```bash\ngo mod download\n```\n\n### Docker 安装\n\n该代理同时支持 DeepSeek 和 OpenRouter 变体。请根据需求选择合适的构建命令：\n\n1. 构建 Docker 镜像：\n   - 对于 DeepSeek（默认）：\n   ```bash\n   docker build -t cursor-deepseek .\n   ```\n   - 对于 OpenRouter：\n   ```bash\n   docker build -t cursor-openrouter --build-arg PROXY_VARIANT=openrouter .\n   ```\n   - 对于 Ollama：\n   ```bash\n   docker build -t cursor-ollama --build-arg PROXY_VARIANT=ollama .\n   ```\n\n2. 配置环境变量：\n   - 复制示例配置文件：\n   ```bash\n   cp .env.example .env\n   ```\n   - 编辑 `.env` 文件，添加您的 API 密钥（DeepSeek 或 OpenRouter）。\n\n3. 运行容器：\n```bash\ndocker run -p 9000:9000 --env-file .env cursor-deepseek\n# 或者对于 OpenRouter\ndocker run -p 9000:9000 --env-file .env cursor-openrouter\n# 或者对于 Ollama\ndocker run -p 9000:9000 --env-file .env cursor-ollama\n```\n\n## 配置\n\n仓库中包含一个 `.env.example` 文件，展示了所需的环境变量。配置步骤如下：\n\n1. 复制示例配置文件：\n```bash\ncp .env.example .env\n```\n\n2. 编辑 `.env` 文件并添加您的 API 密钥：\n```bash\n# 对于 DeepSeek\nDEEPSEEK_API_KEY=your_deepseek_api_key_here\n\n# 或者对于 OpenRouter\nOPENROUTER_API_KEY=your_openrouter_api_key_here\n\n# 或者对于 Ollama\nOLLAMA_API_KEY=your_ollama_api_key_here\n```\n\n注意：请根据您使用的变体，仅配置其中一个 API 密钥。\n\n## 使用\n\n1. 启动代理服务器：\n```bash\ngo run proxy.go\n# 或者指定模型：\ngo run proxy.go -model coder\n# 或\ngo run proxy.go -model chat\n# 或者对于 OpenRouter\ngo run proxy-openrouter.go\n# 或者对于 Ollama\ngo run proxy-ollama.go\n```\n\n服务器默认会在端口 9000 上启动。\n\n2. 在您的 OpenAI API 客户端中使用该代理，将基础 URL 设置为 `http:\u002F\u002Fyour-public-endpoint:9000\u002Fv1`\n\n\n## 将端点公开\n\n您可以使用 ngrok 或类似服务将本地代理服务器暴露到互联网上。这在需要从外部应用程序或不同网络访问代理时非常有用。\n\n### 使用 ngrok\n\n1. 从 https:\u002F\u002Fngrok.com\u002Fdownload 下载并安装 ngrok。\n\n2. 在本地启动您的代理服务器（默认运行在端口 9000）。\n\n3. 在一个新的终端中运行 ngrok：\n```bash\nngrok http 9000\n```\n\n4. ngrok 会为您提供一个公网 URL（例如：https:\u002F\u002Fyour-unique-id.ngrok.io）。\n\n5. 将此 URL 作为 Cursor 设置中的 OpenAI API 基础 URL：\n```\nhttps:\u002F\u002Fyour-unique-id.ngrok.io\u002Fv1\n```\n\n### 其他方法\n\n您也可以使用其他服务来暴露您的端点：\n\n1. **Cloudflare Tunnel**：\n   - 安装 cloudflared\n   - 运行：`cloudflared tunnel --url http:\u002F\u002Flocalhost:9000`\n\n2. **LocalTunnel**：\n   - 安装：`npm install -g localtunnel`\n   - 运行：`lt --port 9000`\n\n请务必在将端点暴露到互联网时，采取适当的安全措施。\n\n\n### 支持的端点\n\n- `\u002Fv1\u002Fchat\u002Fcompletions` - 聊天完成端点\n- `\u002Fv1\u002Fmodels` - 模型列表端点\n\n### 模型映射\n\n- `gpt-4o` 映射到 DeepSeek 的 GPT-4o 等效模型\n- `deepseek-chat` 对应 DeepSeek 的原生聊天模型\n- `deepseek\u002Fdeepseek-chat` 对应 OpenRouter 上的 DeepSeek 模型\n\n## 依赖项\n\n- `github.com\u002Fandybalholm\u002Fbrotli` - Brotli 压缩支持\n- `github.com\u002Fjoho\u002Fgodotenv` - 环境变量管理\n- `golang.org\u002Fx\u002Fnet` - HTTP\u002F2 支持\n\n## 安全性\n\n- 代理包含用于跨域请求的 CORS 头部\n- 需要 API 密钥，并根据环境变量进行验证\n- 安全处理请求\u002F响应数据\n- 对所有请求进行严格的 API 密钥验证\n- 通过 HTTP\u002F2 支持 HTTPS\n- 环境变量绝不会提交到代码仓库中\n\n## 许可证\n\n本项目采用 GNU 通用公共许可证 v2.0（GPLv2）授权。详细信息请参阅 [LICENSE.md](LICENSE.md) 文件。","# cursor-deepseek 快速上手指南\n\n`cursor-deepseek` 是一个高性能代理服务器，旨在让 Cursor IDE 的 Composer 功能能够无缝使用 DeepSeek、OpenRouter 或 Ollama 的大语言模型。它通过将 OpenAI 兼容的 API 请求转换为上述模型的专用格式，让你在使用 Cursor 时拥有更多模型选择。\n\n## 环境准备\n\n在开始之前，请确保满足以下前置条件：\n\n*   **操作系统**：支持 Linux、macOS 或 Windows（需安装 Go 环境）。\n*   **Go 语言环境**：版本需为 Go 1.19 或更高。\n*   **Cursor 账号**：需要 Cursor Pro 订阅以使用自定义 API 端点功能。\n*   **API 密钥**：\n    *   DeepSeek API Key（推荐国内开发者直接使用）\n    *   或 OpenRouter API Key\n    *   或本地运行的 Ollama 服务（可选）\n*   **网络暴露工具（可选但推荐）**：如 `ngrok`、`cloudflared` 或 `localtunnel`，用于将本地服务暴露给外网以便 Cursor 访问。\n\n## 安装步骤\n\n你可以选择直接运行 Go 代码或使用 Docker 容器部署。\n\n### 方式一：直接运行（推荐开发调试）\n\n1.  **克隆仓库**\n    ```bash\n    git clone \u003Crepository-url>\n    cd cursor-deepseek\n    ```\n\n2.  **安装依赖**\n    ```bash\n    go mod download\n    ```\n\n3.  **配置环境变量**\n    复制示例配置文件并填入你的 API Key（只需配置其中一种）：\n    ```bash\n    cp .env.example .env\n    ```\n    编辑 `.env` 文件：\n    ```bash\n    # 使用 DeepSeek (推荐)\n    DEEPSEEK_API_KEY=your_deepseek_api_key_here\n\n    # 或者使用 OpenRouter\n    # OPENROUTER_API_KEY=your_openrouter_api_key_here\n\n    # 或者使用 Ollama\n    # OLLAMA_API_KEY=your_ollama_api_key_here\n    ```\n\n### 方式二：Docker 部署（推荐生产\u002F稳定运行）\n\n1.  **构建镜像**\n    根据你要使用的模型服务选择对应的构建命令：\n\n    *   **DeepSeek (默认)**:\n        ```bash\n        docker build -t cursor-deepseek .\n        ```\n    *   **OpenRouter**:\n        ```bash\n        docker build -t cursor-openrouter --build-arg PROXY_VARIANT=openrouter .\n        ```\n    *   **Ollama**:\n        ```bash\n        docker build -t cursor-ollama --build-arg PROXY_VARIANT=ollama .\n        ```\n\n2.  **配置环境变量**\n    ```bash\n    cp .env.example .env\n    # 编辑 .env 填入对应的 API KEY\n    ```\n\n3.  **启动容器**\n    ```bash\n    # DeepSeek 版本\n    docker run -p 9000:9000 --env-file .env cursor-deepseek\n\n    # OpenRouter 版本\n    # docker run -p 9000:9000 --env-file .env cursor-openrouter\n\n    # Ollama 版本\n    # docker run -p 9000:9000 --env-file .env cursor-ollama\n    ```\n\n## 基本使用\n\n### 1. 启动代理服务\n\n如果你选择了直接运行方式，使用以下命令启动服务（默认端口 9000）：\n\n```bash\n# 启动 DeepSeek 代理\ngo run proxy.go\n\n# 或者指定模型类型\ngo run proxy.go -model coder\ngo run proxy.go -model chat\n\n# 如果是 OpenRouter 或 Ollama 变体\n# go run proxy-openrouter.go\n# go run proxy-ollama.go\n```\n\n### 2. 暴露公网地址（关键步骤）\n\n由于 Cursor 需要访问该代理，而代理通常运行在本地，你需要将其暴露到公网。推荐使用 `ngrok`：\n\n1.  在新终端窗口运行：\n    ```bash\n    ngrok http 9000\n    ```\n2.  复制 ngrok 生成的 HTTPS 地址（例如：`https:\u002F\u002Fabc123.ngrok.io`）。\n\n*(也可使用 Cloudflare Tunnel: `cloudflared tunnel --url http:\u002F\u002Flocalhost:9000`)*\n\n### 3. 配置 Cursor\n\n1.  打开 Cursor 设置 (`Settings`) -> `General` -> `AI`。\n2.  找到 **Custom API Endpoint** (自定义 API 端点) 选项。\n3.  填入你的公网地址加上 `\u002Fv1` 后缀：\n    ```text\n    https:\u002F\u002Fabc123.ngrok.io\u002Fv1\n    ```\n4.  在 **API Key** 栏填入任意非空字符串（因为鉴权已在代理层的 `.env` 中处理，此处仅为满足 Cursor 格式要求，或者填入你配置的相同 Key）。\n5.  在模型选择下拉框中，你可以尝试输入以下映射名称：\n    *   `gpt-4o` (自动映射到 DeepSeek 对应模型)\n    *   `deepseek-chat`\n    *   `deepseek\u002Fdeepseek-chat` (OpenRouter 专用)\n\n配置完成后，即可在 Composer 中使用 DeepSeek 等模型进行代码生成和对话。","某全栈开发者正在使用 Cursor IDE 的 Composer 功能重构一个复杂的微服务架构，希望利用 DeepSeek-V3 模型卓越的代码逻辑能力来生成高并发处理模块。\n\n### 没有 cursor-deepseek 时\n- **模型选择受限**：Cursor Composer 原生仅支持 OpenAI 系列模型，无法直接调用性价比更高或在特定代码任务上表现更优的 DeepSeek 模型。\n- **工作流断裂**：若想使用 DeepSeek，开发者不得不频繁切换窗口，将代码复制到网页版对话框中生成，再手动粘贴回 IDE，严重打断心流。\n- **高级功能缺失**：直接在外部调用 API 难以享受 Composer 特有的多文件上下文关联和自动应用代码变更（Apply Changes）的便捷体验。\n- **成本与延迟焦虑**：依赖单一的 OpenAI 接口不仅费用高昂，且在网络波动时缺乏备选方案，导致开发效率不稳定。\n\n### 使用 cursor-deepseek 后\n- **无缝集成新模型**：通过本地部署该代理，开发者只需在 Cursor 设置中修改 Base URL，即可让 Composer 原生支持 DeepSeek 模型，无需改动任何操作习惯。\n- **沉浸式开发体验**：所有代码生成、解释和重构请求直接在 IDE 内完成，代理自动处理 API 格式转换，实现了从“复制粘贴”到“一键应用”的飞跃。\n- **完整特性支持**：完美保留了流式响应（Streaming）和函数调用能力，Composer 能像使用官方模型一样流畅地进行多轮对话和复杂任务规划。\n- **灵活可控的成本**：开发者可以自由切换 DeepSeek 或 OpenRouter 后端，在保证代码质量的同时大幅降低 Token 消耗，并利用 HTTP\u002F2 特性提升响应速度。\n\ncursor-deepseek 通过简单的协议转换，打破了 IDE 与优质开源模型之间的壁垒，让开发者能以最低成本享受顶级的 AI 编程辅助体验。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdanilofalcao_cursor-deepseek_cf3a994a.png","danilofalcao","Danilo Falcão","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdanilofalcao_2aab1e8b.jpg",null,"Brazil","danilo.falcao@sga.pucminas.br","https:\u002F\u002Ffcon.fedorapeople.org","https:\u002F\u002Fgithub.com\u002Fdanilofalcao",[84,88],{"name":85,"color":86,"percentage":87},"Go","#00ADD8",98.2,{"name":89,"color":90,"percentage":91},"Dockerfile","#384d54",1.8,610,45,"2026-04-08T00:34:06","NOASSERTION","Linux, macOS, Windows","未说明",{"notes":99,"python":100,"dependencies":101},"该工具是基于 Go 语言开发的代理服务器，无需 Python 环境。运行需要 Cursor Pro 订阅、DeepSeek\u002FOpenRouter API 密钥或本地运行的 Ollama 服务。若需从外部网络访问，需配置公网端点（如使用 ngrok、Cloudflare Tunnel 等）。默认监听端口为 9000。","不需要",[102,103,104,105],"Go 1.19+","github.com\u002Fandybalholm\u002Fbrotli","github.com\u002Fjoho\u002Fgodotenv","golang.org\u002Fx\u002Fnet",[15,25],[108,109,110],"cursor","deepseek","openrouter","2026-03-27T02:49:30.150509","2026-04-09T02:34:48.816116",[],[]]