[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-disler--just-prompt":3,"tool-disler--just-prompt":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160784,2,"2026-04-19T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":83,"forks":84,"last_commit_at":85,"license":76,"difficulty_score":32,"env_os":86,"env_gpu":87,"env_ram":88,"env_deps":89,"category_tags":100,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":101,"updated_at":102,"faqs":103,"releases":104},9698,"disler\u002Fjust-prompt","just-prompt","just-prompt is an MCP server that provides a unified interface to top LLM providers (OpenAI, Anthropic, Google Gemini, Groq, DeepSeek, and Ollama)","just-prompt 是一个轻量级的 MCP（模型控制协议）服务器，旨在为开发者提供统一接口，轻松调用 OpenAI、Anthropic、Google Gemini、Groq、DeepSeek 及 Ollama 等主流大语言模型。它有效解决了在不同模型提供商之间切换时需重复配置环境、适配各异 API 格式的痛点，让用户只需一套指令即可并行管理多个模型。\n\n这款工具特别适合需要频繁对比模型效果、进行批量测试或构建复杂 AI 工作流的开发者与研究人员。除了基础的文本和文件提示词发送功能外，just-prompt 还具备独特的“董事会与 CEO\"（ceo_and_board）模式：它能同时让多个模型扮演“董事会成员”提供观点，再由指定的强力模型担任\"CEO\"综合决策并输出最终结论，极大地简化了复杂问题的推理过程。此外，它支持自动修正模型名称、并行运行测试以及将结果直接保存为 Markdown 文件，配合简洁的提供商前缀（如 `o:` 代表 OpenAI），显著提升了开发效率与实验灵活性。通过简单的环境变量配置，用户即可快速搭建起属于自己的多模型调度中心。","# Just Prompt - A lightweight MCP server for LLM providers\n\n`just-prompt` is a Model Control Protocol (MCP) server that provides a unified interface to various Large Language Model (LLM) providers including OpenAI, Anthropic, Google Gemini, Groq, DeepSeek, and Ollama. See how we use the `ceo_and_board` tool to make [hard decisions easy with o3 here](https:\u002F\u002Fyoutu.be\u002FLEMLntjfihA).\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdisler_just-prompt_readme_6cb4d34c170a.png\" alt=\"Just Prompt Logo\" width=\"700\" height=\"auto\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdisler_just-prompt_readme_0b41d3ddc00e.png\" alt=\"Just Prompt Logo\" width=\"700\" height=\"auto\">\n\n\n## Tools\n\nThe following MCP tools are available in the server:\n\n- **`prompt`**: Send a prompt to multiple LLM models\n  - Parameters:\n    - `text`: The prompt text\n    - `models_prefixed_by_provider` (optional): List of models with provider prefixes. If not provided, uses default models.\n\n- **`prompt_from_file`**: Send a prompt from a file to multiple LLM models\n  - Parameters:\n    - `abs_file_path`: Absolute path to the file containing the prompt (must be an absolute path, not relative)\n    - `models_prefixed_by_provider` (optional): List of models with provider prefixes. If not provided, uses default models.\n\n- **`prompt_from_file_to_file`**: Send a prompt from a file to multiple LLM models and save responses as markdown files\n  - Parameters:\n    - `abs_file_path`: Absolute path to the file containing the prompt (must be an absolute path, not relative)\n    - `models_prefixed_by_provider` (optional): List of models with provider prefixes. If not provided, uses default models.\n    - `abs_output_dir` (default: \".\"): Absolute directory path to save the response markdown files to (must be an absolute path, not relative)\n\n- **`ceo_and_board`**: Send a prompt to multiple 'board member' models and have a 'CEO' model make a decision based on their responses\n  - Parameters:\n    - `abs_file_path`: Absolute path to the file containing the prompt (must be an absolute path, not relative)\n    - `models_prefixed_by_provider` (optional): List of models with provider prefixes to act as board members. If not provided, uses default models.\n    - `abs_output_dir` (default: \".\"): Absolute directory path to save the response files and CEO decision (must be an absolute path, not relative)\n    - `ceo_model` (default: \"openai:o3\"): Model to use for the CEO decision in format \"provider:model\"\n\n- **`list_providers`**: List all available LLM providers\n  - Parameters: None\n\n- **`list_models`**: List all available models for a specific LLM provider\n  - Parameters:\n    - `provider`: Provider to list models for (e.g., 'openai' or 'o')\n\n## Provider Prefixes\n> every model must be prefixed with the provider name\n>\n> use the short name for faster referencing\n\n- `o` or `openai`: OpenAI \n  - `o:gpt-4o-mini`\n  - `openai:gpt-4o-mini`\n- `a` or `anthropic`: Anthropic \n  - `a:claude-3-5-haiku`\n  - `anthropic:claude-3-5-haiku`\n- `g` or `gemini`: Google Gemini \n  - `g:gemini-2.5-pro-exp-03-25`\n  - `gemini:gemini-2.5-pro-exp-03-25`\n- `q` or `groq`: Groq \n  - `q:llama-3.1-70b-versatile`\n  - `groq:llama-3.1-70b-versatile`\n- `d` or `deepseek`: DeepSeek \n  - `d:deepseek-coder`\n  - `deepseek:deepseek-coder`\n- `l` or `ollama`: Ollama \n  - `l:llama3.1`\n  - `ollama:llama3.1`\n\n## Features\n\n- Unified API for multiple LLM providers\n- Support for text prompts from strings or files\n- Run multiple models in parallel\n- Automatic model name correction using the first model in the `--default-models` list\n- Ability to save responses to files\n- Easy listing of available providers and models\n\n## Installation\n\n```bash\n# Clone the repository\ngit clone https:\u002F\u002Fgithub.com\u002Fyourusername\u002Fjust-prompt.git\ncd just-prompt\n\n# Install with pip\nuv sync\n```\n\n### Environment Variables\n\nCreate a `.env` file with your API keys (you can copy the `.env.sample` file):\n\n```bash\ncp .env.sample .env\n```\n\nThen edit the `.env` file to add your API keys (or export them in your shell):\n\n```\nOPENAI_API_KEY=your_openai_api_key_here\nANTHROPIC_API_KEY=your_anthropic_api_key_here\nGEMINI_API_KEY=your_gemini_api_key_here\nGROQ_API_KEY=your_groq_api_key_here\nDEEPSEEK_API_KEY=your_deepseek_api_key_here\nOLLAMA_HOST=http:\u002F\u002Flocalhost:11434\n```\n\n## Claude Code Installation\n> In all these examples, replace the directory with the path to the just-prompt directory.\n\nDefault models set to `openai:o3:high`, `openai:o4-mini:high`, `anthropic:claude-opus-4-20250514`, `anthropic:claude-sonnet-4-20250514`, `gemini:gemini-2.5-pro-preview-03-25`, and `gemini:gemini-2.5-flash-preview-04-17`.\n\nIf you use Claude Code right out of the repository you can see in the .mcp.json file we set the default models to...\n\n```\n{\n  \"mcpServers\": {\n    \"just-prompt\": {\n      \"type\": \"stdio\",\n      \"command\": \"uv\",\n      \"args\": [\n        \"--directory\",\n        \".\",\n        \"run\",\n        \"just-prompt\",\n        \"--default-models\",\n        \"openai:o3:high,openai:o4-mini:high,anthropic:claude-opus-4-20250514,anthropic:claude-sonnet-4-20250514,gemini:gemini-2.5-pro-preview-03-25,gemini:gemini-2.5-flash-preview-04-17\"\n      ],\n      \"env\": {}\n    }\n  }\n}\n```\n\nThe `--default-models` parameter sets the models to use when none are explicitly provided to the API endpoints. The first model in the list is also used for model name correction when needed. This can be a list of models separated by commas.\n\nWhen starting the server, it will automatically check which API keys are available in your environment and inform you which providers you can use. If a key is missing, the provider will be listed as unavailable, but the server will still start and can be used with the providers that are available.\n\n### Using `mcp add-json`\n\nCopy this and paste it into claude code with BUT don't run until you copy the json\n\n```\nclaude mcp add just-prompt \"$(pbpaste)\"\n```\n\nJSON to copy\n\n```\n{\n    \"command\": \"uv\",\n    \"args\": [\"--directory\", \".\", \"run\", \"just-prompt\"]\n}\n```\n\nWith a custom default model set to `openai:gpt-4o`.\n\n```\n{\n    \"command\": \"uv\",\n    \"args\": [\"--directory\", \".\", \"run\", \"just-prompt\", \"--default-models\", \"openai:gpt-4o\"]\n}\n```\n\nWith multiple default models:\n\n```\n{\n    \"command\": \"uv\",\n    \"args\": [\"--directory\", \".\", \"run\", \"just-prompt\", \"--default-models\", \"openai:o3:high,openai:o4-mini:high,anthropic:claude-opus-4-20250514,anthropic:claude-sonnet-4-20250514,gemini:gemini-2.5-pro-preview-03-25,gemini:gemini-2.5-flash-preview-04-17\"]\n}\n```\n\n### Using `mcp add` with project scope\n\n```bash\n# With default models\nclaude mcp add just-prompt -s project \\\n  -- \\\n    uv --directory . \\\n    run just-prompt\n\n# With custom default model\nclaude mcp add just-prompt -s project \\\n  -- \\\n  uv --directory . \\\n  run just-prompt --default-models \"openai:gpt-4o\"\n\n# With multiple default models\nclaude mcp add just-prompt -s user \\\n  -- \\\n  uv --directory . \\\n  run just-prompt --default-models \"openai:o3:high,openai:o4-mini:high,anthropic:claude-opus-4-20250514,anthropic:claude-sonnet-4-20250514,gemini:gemini-2.5-pro-preview-03-25,gemini:gemini-2.5-flash-preview-04-17\"\n```\n\n\n## `mcp remove`\n\nclaude mcp remove just-prompt\n\n## Running Tests\n\n```bash\nuv run pytest\n```\n\n## Codebase Structure\n\n```\n.\n├── ai_docs\u002F                   # Documentation for AI model details\n│   ├── extending_thinking_sonny.md\n│   ├── llm_providers_details.xml\n│   ├── openai-reasoning-effort.md\n│   └── pocket-pick-mcp-server-example.xml\n├── example_outputs\u002F           # Example outputs from different models\n├── list_models.py             # Script to list available LLM models\n├── prompts\u002F                   # Example prompt files\n├── pyproject.toml             # Python project configuration\n├── specs\u002F                     # Project specifications\n│   ├── init-just-prompt.md\n│   ├── new-tool-llm-as-a-ceo.md\n│   └── oai-reasoning-levels.md\n├── src\u002F                       # Source code directory\n│   └── just_prompt\u002F\n│       ├── __init__.py\n│       ├── __main__.py\n│       ├── atoms\u002F             # Core components\n│       │   ├── llm_providers\u002F # Individual provider implementations\n│       │   │   ├── anthropic.py\n│       │   │   ├── deepseek.py\n│       │   │   ├── gemini.py\n│       │   │   ├── groq.py\n│       │   │   ├── ollama.py\n│       │   │   └── openai.py\n│       │   └── shared\u002F        # Shared utilities and data types\n│       │       ├── data_types.py\n│       │       ├── model_router.py\n│       │       ├── utils.py\n│       │       └── validator.py\n│       ├── molecules\u002F         # Higher-level functionality\n│       │   ├── ceo_and_board_prompt.py\n│       │   ├── list_models.py\n│       │   ├── list_providers.py\n│       │   ├── prompt.py\n│       │   ├── prompt_from_file.py\n│       │   └── prompt_from_file_to_file.py\n│       ├── server.py          # MCP server implementation\n│       └── tests\u002F             # Test directory\n│           ├── atoms\u002F         # Tests for atoms\n│           │   ├── llm_providers\u002F\n│           │   └── shared\u002F\n│           └── molecules\u002F     # Tests for molecules\n│               ├── test_ceo_and_board_prompt.py\n│               ├── test_list_models.py\n│               ├── test_list_providers.py\n│               ├── test_prompt.py\n│               ├── test_prompt_from_file.py\n│               └── test_prompt_from_file_to_file.py\n└── ultra_diff_review\u002F         # Diff review outputs\n```\n\n## Context Priming\nREAD README.md, pyproject.toml, then run git ls-files, and 'eza --git-ignore --tree' to understand the context of the project.\n\n# Reasoning Effort with OpenAI o‑Series\n\nFor OpenAI o‑series reasoning models (`o4-mini`, `o3-mini`, `o3`) you can\ncontrol how much *internal* reasoning the model performs before producing a\nvisible answer.\n\nAppend one of the following suffixes to the model name (after the *provider*\nprefix):\n\n* `:low`   – minimal internal reasoning (faster, cheaper)\n* `:medium` – balanced (default if omitted)\n* `:high`  – thorough reasoning (slower, more tokens)\n\nExamples:\n\n* `openai:o4-mini:low`\n* `o:o4-mini:high`\n\nWhen a reasoning suffix is present, **just‑prompt** automatically switches to\nthe OpenAI *Responses* API (when available) and sets the corresponding\n`reasoning.effort` parameter.  If the installed OpenAI SDK is older, it\ngracefully falls back to the Chat Completions endpoint and embeds an internal\nsystem instruction to approximate the requested effort level.\n\n# Thinking Tokens with Claude\n\nThe Anthropic Claude models `claude-opus-4-20250514` and `claude-sonnet-4-20250514` support extended thinking capabilities using thinking tokens. This allows Claude to do more thorough thought processes before answering.\n\nYou can enable thinking tokens by adding a suffix to the model name in this format:\n- `anthropic:claude-opus-4-20250514:1k` - Use 1024 thinking tokens for Opus 4\n- `anthropic:claude-sonnet-4-20250514:4k` - Use 4096 thinking tokens for Sonnet 4\n- `anthropic:claude-opus-4-20250514:8000` - Use 8000 thinking tokens for Opus 4\n\nNotes:\n- Thinking tokens are supported for `claude-opus-4-20250514`, `claude-sonnet-4-20250514`, and `claude-3-7-sonnet-20250219` models\n- Valid thinking token budgets range from 1024 to 16000\n- Values outside this range will be automatically adjusted to be within range\n- You can specify the budget with k notation (1k, 4k, etc.) or with exact numbers (1024, 4096, etc.)\n\n# Thinking Budget with Gemini\n\nThe Google Gemini model `gemini-2.5-flash-preview-04-17` supports extended thinking capabilities using thinking budget. This allows Gemini to perform more thorough reasoning before providing a response.\n\nYou can enable thinking budget by adding a suffix to the model name in this format:\n- `gemini:gemini-2.5-flash-preview-04-17:1k` - Use 1024 thinking budget\n- `gemini:gemini-2.5-flash-preview-04-17:4k` - Use 4096 thinking budget\n- `gemini:gemini-2.5-flash-preview-04-17:8000` - Use 8000 thinking budget\n\nNotes:\n- Thinking budget is only supported for the `gemini-2.5-flash-preview-04-17` model\n- Valid thinking budget range from 0 to 24576\n- Values outside this range will be automatically adjusted to be within range\n- You can specify the budget with k notation (1k, 4k, etc.) or with exact numbers (1024, 4096, etc.)\n\n## Resources\n- https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fapi\u002Fmodels-list?q=list+models\n- https:\u002F\u002Fgithub.com\u002Fgoogleapis\u002Fpython-genai\n- https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fapi-reference\u002Fmodels\u002Flist\n- https:\u002F\u002Fapi-docs.deepseek.com\u002Fapi\u002Flist-models\n- https:\u002F\u002Fgithub.com\u002Follama\u002Follama-python\n- https:\u002F\u002Fgithub.com\u002Fopenai\u002Fopenai-python\n\n## Master AI Coding \nLearn to code with AI with foundational [Principles of AI Coding](https:\u002F\u002Fagenticengineer.com\u002Fprincipled-ai-coding?y=jprompt)\n\nFollow the [IndyDevDan youtube channel](https:\u002F\u002Fwww.youtube.com\u002F@indydevdan) for more AI coding tips and tricks.","# Just Prompt - 一款面向 LLM 提供商的轻量级 MCP 服务器\n\n`just-prompt` 是一个模型控制协议 (MCP) 服务器，为包括 OpenAI、Anthropic、Google Gemini、Groq、DeepSeek 和 Ollama 在内的多家大型语言模型 (LLM) 提供商提供统一的接口。请查看我们如何使用 `ceo_and_board` 工具，借助 o3 轻松做出艰难决策：[点击观看](https:\u002F\u002Fyoutu.be\u002FLEMLntjfihA)。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdisler_just-prompt_readme_6cb4d34c170a.png\" alt=\"Just Prompt Logo\" width=\"700\" height=\"auto\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdisler_just-prompt_readme_0b41d3ddc00e.png\" alt=\"Just Prompt Logo\" width=\"700\" height=\"auto\">\n\n\n## 工具列表\n\n该服务器提供了以下 MCP 工具：\n\n- **`prompt`**：将提示发送至多个 LLM 模型\n  - 参数：\n    - `text`：提示文本\n    - `models_prefixed_by_provider`（可选）：带有提供商前缀的模型列表。若未提供，则使用默认模型。\n\n- **`prompt_from_file`**：从文件中读取提示并将其发送至多个 LLM 模型\n  - 参数：\n    - `abs_file_path`：包含提示的文件的绝对路径（必须是绝对路径，不能是相对路径）\n    - `models_prefixed_by_provider`（可选）：带有提供商前缀的模型列表。若未提供，则使用默认模型。\n\n- **`prompt_from_file_to_file`**：从文件中读取提示，发送至多个 LLM 模型，并将响应保存为 Markdown 文件\n  - 参数：\n    - `abs_file_path`：包含提示的文件的绝对路径（必须是绝对路径，不能是相对路径）\n    - `models_prefixed_by_provider`（可选）：带有提供商前缀的模型列表。若未提供，则使用默认模型。\n    - `abs_output_dir`（默认值：“.”）：用于保存响应 Markdown 文件的绝对目录路径（必须是绝对路径，不能是相对路径）\n\n- **`ceo_and_board`**：将提示发送至多个“董事会成员”模型，并由“CEO”模型根据它们的响应做出决策\n  - 参数：\n    - `abs_file_path`：包含提示的文件的绝对路径（必须是绝对路径，不能是相对路径）\n    - `models_prefixed_by_provider`（可选）：用作董事会成员的模型列表。若未提供，则使用默认模型。\n    - `abs_output_dir`（默认值：“.”）：用于保存响应文件和 CEO 决策的绝对目录路径（必须是绝对路径，不能是相对路径）\n    - `ceo_model`（默认值：“openai:o3”）：用于 CEO 决策的模型，格式为“提供商:模型”\n\n- **`list_providers`**：列出所有可用的 LLM 提供商\n  - 参数：无\n\n- **`list_models`**：列出特定 LLM 提供商的所有可用模型\n  - 参数：\n    - `provider`：要列出模型的提供商（例如，“openai”或“o”）\n\n## 提供商前缀\n> 每个模型都必须以提供商名称作为前缀\n>\n> 使用简称可加快引用速度\n\n- `o` 或 `openai`：OpenAI\n  - `o:gpt-4o-mini`\n  - `openai:gpt-4o-mini`\n- `a` 或 `anthropic`：Anthropic\n  - `a:claude-3-5-haiku`\n  - `anthropic:claude-3-5-haiku`\n- `g` 或 `gemini`：Google Gemini\n  - `g:gemini-2.5-pro-exp-03-25`\n  - `gemini:gemini-2.5-pro-exp-03-25`\n- `q` 或 `groq`：Groq\n  - `q:llama-3.1-70b-versatile`\n  - `groq:llama-3.1-70b-versatile`\n- `d` 或 `deepseek`：DeepSeek\n  - `d:deepseek-coder`\n  - `deepseek:deepseek-coder`\n- `l` 或 `ollama`：Ollama\n  - `l:llama3.1`\n  - `ollama:llama3.1`\n\n## 功能特性\n\n- 面向多个 LLM 提供商的统一 API\n- 支持从字符串或文件中读取文本提示\n- 并行运行多个模型\n- 自动校正模型名称，使用 `--default-models` 列表中的第一个模型\n- 可将响应保存到文件中\n- 轻松列出可用的提供商和模型\n\n## 安装说明\n\n```bash\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fyourusername\u002Fjust-prompt.git\ncd just-prompt\n\n# 使用 uv 安装\nuv sync\n```\n\n### 环境变量\n\n创建一个 `.env` 文件来存放你的 API 密钥（可以复制 `.env.sample` 文件）：\n\n```bash\ncp .env.sample .env\n```\n\n然后编辑 `.env` 文件以添加你的 API 密钥（或在你的 shell 中导出它们）：\n\n```\nOPENAI_API_KEY=your_openai_api_key_here\nANTHROPIC_API_KEY=your_anthropic_api_key_here\nGEMINI_API_KEY=your_gemini_api_key_here\nGROQ_API_KEY=your_groq_api_key_here\nDEEPSEEK_API_KEY=your_deepseek_api_key_here\nOLLAMA_HOST=http:\u002F\u002Flocalhost:11434\n```\n\n## Claude Code 安装\n> 在所有这些示例中，请将目录替换为 just-prompt 目录的路径。\n\n默认模型设置为 `openai:o3:high`、`openai:o4-mini:high`、`anthropic:claude-opus-4-20250514`、`anthropic:claude-sonnet-4-20250514`、`gemini:gemini-2.5-pro-preview-03-25` 和 `gemini:gemini-2.5-flash-preview-04-17`。\n\n如果你直接从仓库使用 Claude Code，可以在 `.mcp.json` 文件中看到我们已将默认模型设置为……\n\n```\n{\n  \"mcpServers\": {\n    \"just-prompt\": {\n      \"type\": \"stdio\",\n      \"command\": \"uv\",\n      \"args\": [\n        \"--directory\",\n        \".\",\n        \"run\",\n        \"just-prompt\",\n        \"--default-models\",\n        \"openai:o3:high,openai:o4-mini:high,anthropic:claude-opus-4-20250514,anthropic:claude-sonnet-4-20250514,gemini:gemini-2.5-pro-preview-03-25,gemini:gemini-2.5-flash-preview-04-17\"\n      ],\n      \"env\": {}\n    }\n  }\n}\n```\n\n`--default-models` 参数用于设置当 API 端点未显式指定模型时使用的默认模型。列表中的第一个模型还将在需要时用于模型名称校正。此参数可以是一个由逗号分隔的模型列表。\n\n启动服务器时，它会自动检查你环境中可用的 API 密钥，并告知你可以使用哪些提供商。如果缺少某个密钥，相应的提供商将被列为不可用，但服务器仍会启动，并且你可以继续使用那些可用的提供商。\n\n### 使用 `mcp add-json`\n\n复制以下内容并粘贴到 Claude Code 中，但不要运行，直到你先复制 JSON：\n\n```\nclaude mcp add just-prompt \"$(pbpaste)\"\n```\n\n待复制的 JSON：\n\n```\n{\n    \"command\": \"uv\",\n    \"args\": [\"--directory\", \".\", \"run\", \"just-prompt\"]\n}\n```\n\n自定义默认模型设置为 `openai:gpt-4o`：\n\n```\n{\n    \"command\": \"uv\",\n    \"args\": [\"--directory\", \".\", \"run\", \"just-prompt\", \"--default-models\", \"openai:gpt-4o\"]\n}\n```\n\n设置多个默认模型：\n\n```\n{\n    \"command\": \"uv\",\n    \"args\": [\"--directory\", \".\", \"run\", \"just-prompt\", \"--default-models\", \"openai:o3:high,openai:o4-mini:high,anthropic:claude-opus-4-20250514,anthropic:claude-sonnet-4-20250514,gemini:gemini-2.5-pro-preview-03-25,gemini:gemini-2.5-flash-preview-04-17\"]\n}\n```\n\n### 使用 `mcp add` 并指定项目范围\n\n```bash\n# 使用默认模型\nclaude mcp add just-prompt -s project \\\n  -- \\\n    uv --directory . \\\n    run just-prompt\n\n# 使用自定义默认模型\nclaude mcp add just-prompt -s project \\\n  -- \\\n  uv --directory . \\\n  run just-prompt --default-models \"openai:gpt-4o\"\n\n# 使用多个默认模型\nclaude mcp add just-prompt -s user \\\n  -- \\\n  uv --directory . \\\n  run just-prompt --default-models \"openai:o3:high,openai:o4-mini:high,anthropic:claude-opus-4-20250514,anthropic:claude-sonnet-4-20250514,gemini:gemini-2.5-pro-preview-03-25,gemini:gemini-2.5-flash-preview-04-17\"\n```\n\n## `mcp remove`\n\nclaude mcp remove just-prompt\n\n## 运行测试\n\n```bash\nuv run pytest\n```\n\n## 代码库结构\n\n```\n.\n├── ai_docs\u002F                   # AI模型详细信息的文档\n│   ├── extending_thinking_sonny.md\n│   ├── llm_providers_details.xml\n│   ├── openai-reasoning-effort.md\n│   └── pocket-pick-mcp-server-example.xml\n├── example_outputs\u002F           # 不同模型的示例输出\n├── list_models.py             # 列出可用LLM模型的脚本\n├── prompts\u002F                   # 示例提示文件\n├── pyproject.toml             # Python项目配置文件\n├── specs\u002F                     # 项目规格说明\n│   ├── init-just-prompt.md\n│   ├── new-tool-llm-as-a-ceo.md\n│   └── oai-reasoning-levels.md\n├── src\u002F                       # 源代码目录\n│   └── just_prompt\u002F\n│       ├── __init__.py\n│       ├── __main__.py\n│       ├── atoms\u002F             # 核心组件\n│       │   ├── llm_providers\u002F # 各提供商的具体实现\n│       │   │   ├── anthropic.py\n│       │   │   ├── deepseek.py\n│       │   │   ├── gemini.py\n│       │   │   ├── groq.py\n│       │   │   ├── ollama.py\n│       │   │   └── openai.py\n│       │   └── shared\u002F        # 共享工具和数据类型\n│       │       ├── data_types.py\n│       │       ├── model_router.py\n│       │       ├── utils.py\n│       │       └── validator.py\n│       ├── molecules\u002F         # 高层功能\n│       │   ├── ceo_and_board_prompt.py\n│       │   ├── list_models.py\n│       │   ├── list_providers.py\n│       │   ├── prompt.py\n│       │   ├── prompt_from_file.py\n│       │   └── prompt_from_file_to_file.py\n│       ├── server.py          # MCP服务器实现\n│       └── tests\u002F             # 测试目录\n│           ├── atoms\u002F         # 原子层的测试\n│           │   ├── llm_providers\u002F\n│           │   └── shared\u002F\n│           └── molecules\u002F     # 分子层的测试\n│               ├── test_ceo_and_board_prompt.py\n│               ├── test_list_models.py\n│               ├── test_list_providers.py\n│               ├── test_prompt.py\n│               ├── test_prompt_from_file.py\n│               └── test_prompt_from_file_to_file.py\n└── ultra_diff_review\u002F         # 差异对比审查输出\n```\n\n## 上下文引导\n阅读README.md和pyproject.toml，然后运行`git ls-files`以及`eza --git-ignore --tree`命令，以了解项目的整体背景。\n\n# OpenAI o系列的推理力度\n\n对于OpenAI o系列推理模型（`o4-mini`、`o3-mini`、`o3`），你可以控制模型在生成可见答案之前进行的*内部*推理量。\n\n在模型名称后（紧接*提供商*前缀之后）添加以下后缀之一：\n\n* `:low`   – 最小化内部推理（更快、更便宜）\n* `:medium` – 平衡模式（若未指定则默认使用此模式）\n* `:high`  – 彻底推理（较慢、消耗更多token）\n\n示例：\n\n* `openai:o4-mini:low`\n* `o:o4-mini:high`\n\n当存在推理力度后缀时，**just‑prompt**会自动切换到OpenAI *Responses* API（如果可用），并设置相应的`reasoning.effort`参数。如果安装的OpenAI SDK版本较旧，则会优雅地回退到Chat Completions端点，并嵌入一条内部系统指令来近似请求的推理力度。\n\n# Claude的思考token\n\nAnthropic公司的Claude模型`claude-opus-4-20250514`和`claude-sonnet-4-20250514`支持通过思考token扩展其思考能力。这使得Claude能够在回答问题之前进行更为深入的思考过程。\n\n你可以通过在模型名称后添加以下格式的后缀来启用思考token功能：\n- `anthropic:claude-opus-4-20250514:1k` - 为Opus 4使用1024个思考token\n- `anthropic:claude-sonnet-4-20250514:4k` - 为Sonnet 4使用4096个思考token\n- `anthropic:claude-opus-4-20250514:8000` - 为Opus 4使用8000个思考token\n\n注意事项：\n- 思考token功能仅适用于`claude-opus-4-20250514`、`claude-sonnet-4-20250514`和`claude-3-7-sonnet-20250219`等型号。\n- 有效的思考token预算范围为1024至16000。\n- 超出此范围的值将自动调整至有效区间内。\n- 你可以使用k记法（如1k、4k等）或具体数字（如1024、4096等）来指定预算。\n\n# Gemini的思考预算\n\nGoogle的Gemini模型`gemini-2.5-flash-preview-04-17`支持通过思考预算扩展其思考能力。这使得Gemini能够在给出响应之前进行更加深入的推理。\n\n你可以通过在模型名称后添加以下格式的后缀来启用思考预算功能：\n- `gemini:gemini-2.5-flash-preview-04-17:1k` - 使用1024个思考预算\n- `gemini:gemini-2.5-flash-preview-04-17:4k` - 使用4096个思考预算\n- `gemini:gemini-2.5-flash-preview-04-17:8000` - 使用8000个思考预算\n\n注意事项：\n- 思考预算功能仅适用于`gemini-2.5-flash-preview-04-17`型号。\n- 有效的思考预算范围为0至24576。\n- 超出此范围的值将自动调整至有效区间内。\n- 你可以使用k记法（如1k、4k等）或具体数字（如1024、4096等）来指定预算。\n\n## 资源\n- https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fapi\u002Fmodels-list?q=list+models\n- https:\u002F\u002Fgithub.com\u002Fgoogleapis\u002Fpython-genai\n- https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fapi-reference\u002Fmodels\u002Flist\n- https:\u002F\u002Fapi-docs.deepseek.com\u002Fapi\u002Flist-models\n- https:\u002F\u002Fgithub.com\u002Follama\u002Follama-python\n- https:\u002F\u002Fgithub.com\u002Fopenai\u002Fopenai-python\n\n## 掌握AI编程\n学习如何利用AI进行编程，掌握基础的[AI编程原则](https:\u002F\u002Fagenticengineer.com\u002Fprincipled-ai-coding?y=jprompt)。\n\n关注[IndyDevDan YouTube频道](https:\u002F\u002Fwww.youtube.com\u002F@indydevdan)，获取更多AI编程技巧与窍门。","# Just Prompt 快速上手指南\n\nJust Prompt 是一个轻量级的 MCP（Model Control Protocol）服务器，旨在为各种大语言模型（LLM）提供商提供统一的接口。它支持 OpenAI、Anthropic、Google Gemini、Groq、DeepSeek 和 Ollama，允许你并行向多个模型发送提示词，甚至模拟\"CEO 与董事会”的决策模式。\n\n## 环境准备\n\n在开始之前，请确保你的系统满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (WSL)\n*   **Python 环境**：推荐安装 `uv` (高性能 Python 包管理器)，项目依赖此工具进行依赖管理。\n    *   安装 uv: `curl -LsSf https:\u002F\u002Fastral.sh\u002Fuv\u002Finstall.sh | sh`\n*   **API Keys**：你需要至少一个 LLM 提供商的 API Key。\n*   **Ollama (可选)**：如果使用本地模型，需确保 Ollama 服务正在运行 (`http:\u002F\u002Flocalhost:11434`)。\n\n## 安装步骤\n\n### 1. 克隆项目并安装依赖\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyourusername\u002Fjust-prompt.git\ncd just-prompt\n\n# 使用 uv 同步安装依赖\nuv sync\n```\n\n### 2. 配置环境变量\n\n复制示例配置文件并填入你的 API Keys：\n\n```bash\ncp .env.sample .env\n```\n\n编辑 `.env` 文件，填入对应的密钥：\n\n```ini\nOPENAI_API_KEY=your_openai_api_key_here\nANTHROPIC_API_KEY=your_anthropic_api_key_here\nGEMINI_API_KEY=your_gemini_api_key_here\nGROQ_API_KEY=your_groq_api_key_here\nDEEPSEEK_API_KEY=your_deepseek_api_key_here\n# Ollama 通常不需要 Key，只需确认地址\nOLLAMA_HOST=http:\u002F\u002Flocalhost:11434\n```\n\n> **注意**：启动服务器时，它会自动检测哪些 Key 有效。缺失 Key 的提供商将被标记为不可用，但不会阻止服务器启动。\n\n## 基本使用\n\nJust Prompt 主要作为 MCP 服务器运行，通常配合支持 MCP 的客户端（如 Claude Code）使用。\n\n### 1. 模型命名规范\n\n所有模型名称必须加上**提供商前缀**。可以使用全称或简写：\n\n| 简写 | 全称 | 示例 |\n| :--- | :--- | :--- |\n| `o` | `openai` | `o:gpt-4o-mini` |\n| `a` | `anthropic` | `a:claude-3-5-haiku` |\n| `g` | `gemini` | `g:gemini-2.5-pro-exp-03-25` |\n| `q` | `groq` | `q:llama-3.1-70b-versatile` |\n| `d` | `deepseek` | `d:deepseek-coder` |\n| `l` | `ollama` | `l:llama3.1` |\n\n**高级用法（推理控制）：**\n*   **OpenAI o-series**: 添加 `:low`, `:medium`, `:high` 后缀控制推理深度 (例: `o:o3:high`)。\n*   **Claude**: 添加思考 Token 数量 (例: `a:claude-opus-4-20250514:4k`)。\n*   **Gemini**: 添加思考预算 (例: `g:gemini-2.5-flash-preview-04-17:1k`)。\n\n### 2. 集成到 Claude Code\n\n你可以将 Just Prompt 添加为 MCP 服务器，以便在 Claude Code 中直接调用多模型能力。\n\n**方法 A：使用 JSON 配置添加**\n\n复制以下 JSON 配置（根据需要修改 `--default-models`），然后在终端执行：\n\n```bash\nclaude mcp add just-prompt \"$(pbpaste)\"\n```\n\n**剪贴板内容示例（设置默认模型列表）：**\n\n```json\n{\n    \"command\": \"uv\",\n    \"args\": [\"--directory\", \".\", \"run\", \"just-prompt\", \"--default-models\", \"openai:o3:high,anthropic:claude-opus-4-20250514,gemini:gemini-2.5-pro-preview-03-25\"]\n}\n```\n\n**方法 B：使用命令行参数添加**\n\n```bash\n# 添加到当前项目范围 (-s project)\nclaude mcp add just-prompt -s project \\\n  -- \\\n  uv --directory . \\\n  run just-prompt --default-models \"openai:gpt-4o\"\n```\n\n### 3. 核心功能示例\n\n一旦集成成功，你可以在对话中使用以下工具：\n\n*   **并行提问 (`prompt`)**:\n    向多个模型发送同一段文本，对比回答。\n    > \"请使用 `prompt` 工具，向 `o:gpt-4o` 和 `a:claude-3-5-sonnet` 发送提示词：'解释量子纠缠'。\"\n\n*   **文件输入输出 (`prompt_from_file_to_file`)**:\n    读取本地文件作为提示词，并将多个模型的回答保存为 Markdown 文件。\n    > \"使用 `prompt_from_file_to_file` 读取 `\u002Fabs\u002Fpath\u002Fto\u002Fprompt.txt`，发送给默认模型列表，结果保存到 `\u002Fabs\u002Fpath\u002Fto\u002Foutput` 目录。\"\n\n*   **CEO 决策模式 (`ceo_and_board`)**:\n    让多个模型扮演“董事会成员”提供意见，再指定一个更强的模型（如 o3）作为\"CEO\"综合意见做出最终决策。\n    > \"使用 `ceo_and_board` 工具，基于文件 `\u002Fabs\u002Fpath\u002Fto\u002Fdecision_context.txt`，让默认模型列表作为董事会，由 `openai:o3` 担任 CEO 做出最终决定，结果保存在当前目录。\"\n\n*   **查询可用资源**:\n    *   `list_providers`: 列出当前环境中已配置可用的提供商。\n    *   `list_models`: 列出特定提供商（如 `openai`）下的所有可用模型。","某初创公司的技术负责人需要在产品上线前，快速评估一个高风险架构决策，希望同时听取多个主流大模型的意见并得出最终结论。\n\n### 没有 just-prompt 时\n- **切换繁琐**：开发者需分别登录 OpenAI、Anthropic、Google 等不同网页控制台，反复复制粘贴同一段提示词，操作极其割裂。\n- **格式混乱**：从不同平台复制的回答格式不一（有的带 Markdown 有的不带），整理对比时需要大量手动调整排版。\n- **决策困难**：面对五六个模型各执一词的分析结果，缺乏机制来综合权衡，难以快速形成统一的执行方案。\n- **本地集成难**：若想将多模型对比融入本地自动化脚本，需为每家厂商单独编写 API 调用代码，维护成本极高。\n\n### 使用 just-prompt 后\n- **一键并发**：通过 `prompt_from_file` 工具，只需指定本地提示词文件，即可并行调用 GPT-4o、Claude 3.5、Gemini 等所有配置好的模型，秒级获取多方反馈。\n- **统一输出**：利用 `prompt_from_file_to_file` 功能，所有模型的回复自动以标准 Markdown 格式保存至指定目录，天然便于横向对比阅读。\n- **智能决策**：调用独特的 `ceo_and_board` 工具，让多个模型扮演“董事会成员”提供建议，再由指定的高阶模型（如 o3）担任\"CEO\"综合各方意见输出最终决策报告。\n- **屏蔽差异**：无需关心各厂商 API 的细节差异，仅用 `provider:model` 简写前缀（如 `o:gpt-4o`）即可统一调度，极大简化了本地工作流。\n\njust-prompt 将分散的多模型调用转化为标准化的流水线作业，特别是其“董事会 +CEO\"机制，让复杂的技术决策从“众说纷纭”变成了“有据可依”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdisler_just-prompt_6cb4d34c.png","disler","IndyDevDan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdisler_796943fa.png","Betting the next 10 years of my career on AGENTIC software.\r\n\r\nJoin the journey on YT.",null,"https:\u002F\u002Fgithub.com\u002Fdisler",[79],{"name":80,"color":81,"percentage":82},"Python","#3572A5",100,722,127,"2026-04-18T21:27:02","Linux, macOS, Windows","非必需（仅在使用本地 Ollama 且运行大型模型时可能需要 GPU，云端 API 无需 GPU）","未说明（取决于是否运行本地模型，纯 API 调用模式对内存无特殊要求）",{"notes":90,"python":91,"dependencies":92},"该工具是一个轻量级 MCP 服务器，主要通过 API 连接各大模型厂商（OpenAI, Anthropic, Google, Groq, DeepSeek）或本地 Ollama。安装需使用 'uv' 包管理器同步环境。必须配置对应服务商的 API Key（通过 .env 文件），若使用 Ollama 需确保本地服务在 localhost:11434 运行。支持通过命令行参数指定默认模型及推理强度\u002F思考令牌预算。","3.8+ (通过 uv 管理，具体版本由 pyproject.toml 定义，通常兼容主流 Python 3 版本)",[93,94,95,96,97,98,99],"uv","openai","anthropic","google-generativeai","groq","ollama","pytest",[35,14],"2026-03-27T02:49:30.150509","2026-04-20T04:07:39.883513",[],[]]