[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-firecrawl--firecrawl-app-examples":3,"tool-firecrawl--firecrawl-app-examples":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",153609,2,"2026-04-13T11:34:59",[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。",108322,"2026-04-10T11:39:34",[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":68,"owner_location":68,"owner_email":76,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":108,"forks":109,"last_commit_at":110,"license":68,"difficulty_score":32,"env_os":111,"env_gpu":112,"env_ram":112,"env_deps":113,"category_tags":116,"github_topics":117,"view_count":32,"oss_zip_url":68,"oss_zip_packed_at":68,"status":129,"created_at":130,"updated_at":131,"faqs":132,"releases":133},7106,"firecrawl\u002Ffirecrawl-app-examples","firecrawl-app-examples","🔥 This repository contains complete application examples, including websites and other projects, developed using Firecrawl.","firecrawl-app-examples 是一个专为开发者打造的实战代码库，汇集了基于 Firecrawl 构建的完整应用示例，涵盖各类网站项目及其他创新场景。在利用 AI 处理网页数据时，许多用户往往卡在“如何从原始数据提取过渡到实际落地应用”这一环节，而该资源库正是为了解决这一痛点而生。它通过提供可直接运行和参考的成品代码，直观展示了 Firecrawl 在不同业务逻辑中的集成方式，帮助用户快速理解如何将爬虫能力转化为具体的产品功能。\n\n这套示例非常适合正在探索 Web 数据采集与自动化流程的软件工程师、全栈开发者以及技术研究人员。无论你是想快速搭建原型，还是寻找特定场景下的最佳实践，都能在这里找到灵感。其独特的技术亮点在于“开箱即用”的完整性：每个示例都包含了从环境配置到项目运行的详细指引，用户只需克隆仓库、进入对应目录并按说明操作，即可在本地复现整个应用流程。这种以真实项目为导向的学习方式，极大地降低了技术门槛，让开发者能够跳过繁琐的理论摸索，直接聚焦于核心业务逻辑的实现与创新。","# Firecrawl App Examples Repository\n\nThis repository contains example applications developed using Firecrawl. These examples demonstrate various implementations and use cases for Firecrawl.\n\n## Getting Started\n\nTo explore these examples:\n\n1. Clone this repository to your local machine.\n2. Navigate to the specific example directory you're interested in.\n3. Follow the README instructions within each project directory for setup and running the application.\n",null,"# Firecrawl 应用示例快速上手指南\n\n本指南帮助中国开发者快速运行 `firecrawl-app-examples` 仓库中的示例项目，探索 Firecrawl 在不同场景下的实现方案。\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*   **操作系统**：Linux, macOS 或 Windows (推荐 WSL2)\n*   **Node.js**：版本 >= 18.x (推荐使用 nvm 管理版本)\n*   **包管理器**：npm, yarn 或 pnpm\n*   **Firecrawl API Key**：您需要拥有有效的 Firecrawl API 密钥（可在 [firecrawl.dev](https:\u002F\u002Fwww.firecrawl.dev) 获取）\n\n> **国内加速建议**：\n> 如果下载依赖较慢，建议配置国内镜像源：\n> *   **npm**: `npm config set registry https:\u002F\u002Fregistry.npmmirror.com`\n> *   **yarn**: `yarn config set registry https:\u002F\u002Fregistry.npmmirror.com`\n\n## 安装步骤\n\n1.  **克隆仓库**\n    将示例仓库克隆到本地机器：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fmendableai\u002Ffirecrawl-app-examples.git\n    cd firecrawl-app-examples\n    ```\n\n2.  **选择示例项目**\n    浏览目录结构，进入您感兴趣的具体示例文件夹（例如 `simple-scraper` 或其他具体案例）：\n    ```bash\n    cd \u003Cexample-directory-name>\n    ```\n    *(请将 `\u003Cexample-directory-name>` 替换为实际的文件夹名称)*\n\n3.  **安装依赖**\n    在项目目录下安装所需的 Node.js 依赖：\n    ```bash\n    npm install\n    ```\n    *(如果您使用 yarn 或 pnpm，请相应替换为 `yarn` 或 `pnpm install`)*\n\n4.  **配置环境变量**\n    大多数示例需要配置 API 密钥。请在项目根目录创建 `.env` 文件（如果不存在），并填入您的密钥：\n    ```bash\n    cp .env.example .env\n    ```\n    编辑 `.env` 文件，确保包含：\n    ```env\n    FIRECRAWL_API_KEY=your_actual_api_key_here\n    ```\n\n## 基本使用\n\n完成上述配置后，即可运行示例应用。具体的启动命令可能因示例而异，请优先查阅该项目目录下的 `README.md`。\n\n通用的运行命令通常如下：\n\n```bash\nnpm run dev\n```\n或者\n```bash\nnode index.js\n```\n\n**最简单的测试示例逻辑**：\n如果示例代码中包含直接调用脚本，您通常会看到类似以下的输出，表示成功抓取了目标网页内容：\n\n```javascript\n\u002F\u002F 伪代码示例，展示核心调用逻辑\nimport { FirecrawlApp } from '@mendable\u002Ffirecrawl-js';\n\nconst app = new FirecrawlApp({ apiKey: process.env.FIRECRAWL_API_KEY });\n\nconst scrapeResult = await app.scrapeUrl('https:\u002F\u002Fexample.com');\nconsole.log(scrapeResult.data.markdown);\n```\n\n运行成功后，终端将输出抓取到的网页 Markdown 内容或结构化数据。请根据具体示例项目的文档调整目标 URL 和参数。","一家电商数据团队需要快速构建竞品价格监控系统，实时抓取并分析多个竞争对手网站的商品信息。\n\n### 没有 firecrawl-app-examples 时\n- 开发人员需从零开始研究 Firecrawl API 的认证机制与请求格式，耗费大量时间查阅文档和调试代码。\n- 缺乏现成的网页渲染与反爬虫处理参考，面对动态加载内容的网站时束手无策，导致数据抓取成功率极低。\n- 数据存储与清洗逻辑完全自行设计，容易因结构定义不当引发后续解析错误，增加了维护成本。\n- 团队内部缺乏统一的项目脚手架，不同成员开发的脚本风格迥异，难以协作整合或复用代码。\n\n### 使用 firecrawl-app-examples 后\n- 直接克隆仓库中成熟的示例项目，立即获得包含完整认证流程与错误处理的生产级代码模板。\n- 参考示例中针对动态网站的解决方案，快速配置浏览器渲染参数，轻松突破反爬限制获取完整商品数据。\n- 复用示例中标准化的数据清洗与存储模块，确保输出格式统一，大幅降低数据入库后的清洗工作量。\n- 基于现有示例目录结构进行二次开发，团队成员迅速对齐编码规范，显著提升了协作效率与项目迭代速度。\n\nfirecrawl-app-examples 通过将抽象的 API 能力转化为可运行的完整应用，让开发者从重复造轮子中解放出来，专注于业务逻辑创新。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffirecrawl_firecrawl-app-examples_9deea5f3.png","firecrawl","Firecrawl","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffirecrawl_07a2c527.png","Web data API for AI","hello@firecrawl.dev","firecrawl_dev","firecrawl.dev","https:\u002F\u002Fgithub.com\u002Ffirecrawl",[81,85,89,93,96,100,104],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",72.6,{"name":86,"color":87,"percentage":88},"TypeScript","#3178c6",17,{"name":90,"color":91,"percentage":92},"Python","#3572A5",7.2,{"name":94,"color":95,"percentage":32},"JavaScript","#f1e05a",{"name":97,"color":98,"percentage":99},"HTML","#e34c26",0.8,{"name":101,"color":102,"percentage":103},"CSS","#663399",0.3,{"name":105,"color":106,"percentage":107},"Dockerfile","#384d54",0,713,199,"2026-04-10T04:55:32","","未说明",{"notes":114,"python":112,"dependencies":115},"该仓库仅包含示例应用集合，具体的运行环境需求（如操作系统、依赖库、资源要求等）需参考各个示例项目目录下的独立 README 文件。使用前需先克隆仓库并进入特定示例目录查看详细说明。",[],[14,13,16,35,15,52],[118,119,120,121,122,123,124,125,126,127,128],"ai","ai-scraping","data","examples","html-to-markdown","llm","markdown","rag","scrapers","web-crawler","templates","ready_partial","2026-03-27T02:49:30.150509","2026-04-13T22:44:34.374122",[],[]]