[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-mpaepper--llm_agents":3,"tool-mpaepper--llm_agents":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",150720,2,"2026-04-11T11:33:10",[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":76,"owner_location":77,"owner_email":76,"owner_twitter":72,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":32,"env_os":89,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":95,"github_topics":96,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":101,"updated_at":102,"faqs":103,"releases":109},6658,"mpaepper\u002Fllm_agents","llm_agents","Build agents which are controlled by LLMs","llm_agents 是一个轻量级开源库，旨在帮助开发者从零构建由大语言模型（LLM）驱动的智能代理。它深受 LangChain 启发，但刻意剥离了复杂的抽象层，仅用极少代码实现了智能代理的核心逻辑，让用户能更直观地理解其运作机制。\n\n该工具主要解决了现有框架过于庞大、难以快速上手和深入理解代理内部原理的问题。通过 llm_agents，用户可以轻松搭建一个具备“思考 - 行动 - 观察”循环能力的智能体：模型根据提示词制定计划，调用自定义工具（如执行 Python 代码、谷歌搜索或 Hacker News 检索）获取信息，并将结果反馈给模型以进行下一轮推理，直至得出最终答案。\n\nllm_agents 特别适合希望深入学习 LLM 代理架构的开发者、研究人员以及教育者。对于想要快速原型验证或定制专属工具链的技术人员来说，它提供了极高的灵活性和透明度。其独特的技术亮点在于极简的设计哲学，不仅支持开箱即用的常用工具，还允许用户自由扩展或裁剪功能模块，无需依赖繁重的环境配置，是探索智能代理技术的理想入门选择。","## LLM Agents\n\nSmall library to build agents which are controlled by large language models (LLMs) which is heavily inspired by \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhwchase17\u002Flangchain\u002F\" target=\"_blank\">langchain\u003C\u002Fa>.\n\nThe goal was to get a better grasp of how such an agent works and understand it all in very few lines of code.\n\nLangchain is great, but it already has a few more files and abstraction layers, so I thought it would be nice to build the most important parts of a simple agent from scratch.\n\nSome more infos are in \u003Ca href=\"https:\u002F\u002Fnews.ycombinator.com\u002Fitem?id=35446171\">this Hacker News discussion from April 5th 2023\u003C\u002Fa> and the \u003Ca href=\"https:\u002F\u002Fwww.paepper.com\u002Fblog\u002Fposts\u002Fintelligent-agents-guided-by-llms\u002F\">related blog post\u003C\u002Fa>.\n\n### How it works\n\nThe agent works like this:\n\n* It gets instructed by a prompt which tells it the basic way to solve a task using tools\n* Tools are custom build components which the agent can use\n    * So far, I've implemented the ability to execute Python code in a REPL, to use the Google search and to search on Hacker News\n* The agent runs in a loop of Thought, Action, Observation, Thought, ...\n    * The Thought and Action (with the Action Input to the action) are the parts which are generated by an LLM\n    * The Observation is generated by using a tool (for example the print outputs of Python or the text result of a Google search)\n* The LLM gets the new information appended to the prompt in each loop cycle and thus can act on that information\n* Once the agent has enough information it provides the final answer\n\nFor more details on how it works, check out \u003Ca href=\"https:\u002F\u002Fwww.paepper.com\u002Fblog\u002Fposts\u002Fintelligent-agents-guided-by-llms\u002F\">this blog post\u003C\u002Fa>\n\n### How to use it\n\nYou can install this library locally by running: \n\n```\npip install -r requirements.txt\npip install -e .\n```\n\ninside it's directory after cloning it.\n\nYou also need to provide the following env variables:\n\n* `OPENAI_API_KEY` to use the OpenAI API (obtainable at: https:\u002F\u002Fplatform.openai.com\u002Faccount\u002Fapi-keys)\n* `SERPAPI_API_KEY` to use the Google Search in case you use that tool (obtainable at: https:\u002F\u002Fserpapi.com\u002F)\n\nYou can simply export them in bash like: `export OPENAI_API_KEY='sh-lsdf....'`\n\nThen you can run the script `python run_agent.py` and ask your question.\n\nTo construct your own agent do it like this:\n\n```python\nfrom llm_agents import Agent, ChatLLM, PythonREPLTool, HackerNewsSearchTool, SerpAPITool\n\nagent = Agent(llm=ChatLLM(), tools=[PythonREPLTool(), SerpAPITool(), HackerNewsSearchTool()])\nresult = agent.run(\"Your question to the agent\")\n\nprint(f\"Final answer is {result}\")\n```\n\nOf course, you can also build your custom tools or omit tools, for exmaple if you don't want to create a SERPAPI key.\n","## LLM 代理\n\n一个用于构建由大型语言模型（LLMs）控制的代理的小型库，其设计深受 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhwchase17\u002Flangchain\u002F\" target=\"_blank\">langchain\u003C\u002Fa> 的启发。\n\n我的目标是更好地理解这类代理的工作原理，并用极少量的代码将其完整实现。\n\nLangchain 非常优秀，但它已经包含了许多文件和抽象层。因此，我想从头开始构建一个简单代理的核心部分，以更清晰地掌握其实现细节。\n\n更多信息请参阅 \u003Ca href=\"https:\u002F\u002Fnews.ycombinator.com\u002Fitem?id=35446171\">2023年4月5日的 Hacker News 讨论\u003C\u002Fa>以及相关的 \u003Ca href=\"https:\u002F\u002Fwww.paepper.com\u002Fblog\u002Fposts\u002Fintelligent-agents-guided-by-llms\u002F\">博客文章\u003C\u002Fa>。\n\n### 工作原理\n\n该代理的工作流程如下：\n\n* 它通过一个提示词接收指令，指示如何使用工具来解决任务。\n* 工具是代理可以调用的自定义组件。\n    * 目前已实现的功能包括：在 REPL 中执行 Python 代码、使用 Google 搜索以及在 Hacker News 上搜索。\n* 代理在一个“思考—行动—观察—思考—…”的循环中运行：\n    * “思考”和“行动”（以及传递给动作的输入）由 LLM 生成。\n    * “观察”则是通过调用工具得到的结果（例如，Python 输出或 Google 搜索的文本结果）。\n* 在每次循环中，LLM 会将新信息追加到提示词中，从而基于这些信息采取行动。\n* 当代理获得足够的信息后，它会给出最终答案。\n\n有关详细工作原理，请参阅 \u003Ca href=\"https:\u002F\u002Fwww.paepper.com\u002Fblog\u002Fposts\u002Fintelligent-agents-guided-by-llms\u002F\">这篇博客文章\u003C\u002Fa>。\n\n### 使用方法\n\n克隆本仓库后，在其目录下运行以下命令即可本地安装该库：\n\n```\npip install -r requirements.txt\npip install -e .\n```\n\n此外，您还需要设置以下环境变量：\n\n* `OPENAI_API_KEY`：用于调用 OpenAI API（可在 https:\u002F\u002Fplatform.openai.com\u002Faccount\u002Fapi-keys 获取）。\n* `SERPAPI_API_KEY`：如果您打算使用 Google 搜索工具，则需要此密钥（可在 https:\u002F\u002Fserpapi.com\u002F 获取）。\n\n您可以在 Bash 中直接导出这些变量，例如：`export OPENAI_API_KEY='sh-lsdf....'`。\n\n然后，您可以运行脚本 `python run_agent.py` 并提出您的问题。\n\n要构建您自己的代理，可以按照以下方式操作：\n\n```python\nfrom llm_agents import Agent, ChatLLM, PythonREPLTool, HackerNewsSearchTool, SerpAPITool\n\nagent = Agent(llm=ChatLLM(), tools=[PythonREPLTool(), SerpAPITool(), HackerNewsSearchTool()])\nresult = agent.run(\"您想问代理的问题\")\n\nprint(f\"最终答案是 {result}\")\n```\n\n当然，您也可以创建自定义工具，或者根据需求省略某些工具，比如不需要创建 SERPAPI 密钥时。","# llm_agents 快速上手指南\n\n`llm_agents` 是一个受 LangChain 启发但更加轻量的 Python 库，旨在通过极简的代码构建由大语言模型（LLM）控制的智能体。它支持“思考 - 行动 - 观察”循环，允许代理使用工具（如执行 Python 代码、Google 搜索、Hacker News 搜索）来完成任务。\n\n## 环境准备\n\n在开始之前，请确保满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：建议 Python 3.8 及以上\n*   **前置依赖**：\n    *   `pip` 包管理工具\n    *   Git（用于克隆仓库）\n*   **API 密钥**：\n    *   `OPENAI_API_KEY`：必须提供，用于调用 OpenAI 模型。\n    *   `SERPAPI_API_KEY`：可选，仅在使用 Google 搜索工具时需要。\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone \u003Crepository_url>\n    cd \u003Crepository_directory>\n    ```\n    *(注：请将 `\u003Crepository_url>` 替换为实际的项目仓库地址)*\n\n2.  **安装依赖并配置本地开发环境**\n    ```bash\n    pip install -r requirements.txt\n    pip install -e .\n    ```\n    > **提示**：国内用户若下载依赖较慢，可添加清华源加速：\n    > `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n    > `pip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n3.  **配置环境变量**\n    在终端中导出所需的 API 密钥：\n    ```bash\n    export OPENAI_API_KEY='sk-...'\n    export SERPAPI_API_KEY='your_serpapi_key' # 如需使用 Google 搜索工具\n    ```\n    *(Windows PowerShell 用户请使用 `$env:OPENAI_API_KEY=\"sk-...\"`)*\n\n## 基本使用\n\n### 方式一：运行示例脚本\n安装完成后，直接运行项目自带的测试脚本进行提问：\n```bash\npython run_agent.py\n```\n\n### 方式二：编写自定义 Agent\n你可以在自己的 Python 脚本中快速构建一个包含特定工具的 Agent。以下示例展示了如何组合聊天模型、Python 执行器、Google 搜索和 Hacker News 搜索工具：\n\n```python\nfrom llm_agents import Agent, ChatLLM, PythonREPLTool, HackerNewsSearchTool, SerpAPITool\n\n# 初始化 Agent，加载所需工具\nagent = Agent(llm=ChatLLM(), tools=[PythonREPLTool(), SerpAPITool(), HackerNewsSearchTool()])\n\n# 运行任务\nresult = agent.run(\"Your question to the agent\")\n\nprint(f\"Final answer is {result}\")\n```\n\n你可以根据需求自由增减 `tools` 列表中的组件，或者编写自定义工具类来实现特定功能。","某初创公司的数据分析师需要快速整合实时网络搜索、技术社区动态和本地代码计算，以生成一份关于\"AI 大模型最新基准测试”的综合简报。\n\n### 没有 llm_agents 时\n- 分析师需手动在谷歌搜索新闻、浏览 Hacker News 查找讨论，再切换至本地 IDE 编写 Python 脚本处理数据，流程割裂且耗时。\n- 面对多源信息，人工汇总容易遗漏关键细节或产生理解偏差，难以保证报告的全面性与时效性。\n- 若需重复执行类似任务，必须重新走一遍繁琐的“搜索 - 复制 - 编码 - 运行”流程，无法实现自动化复用。\n- 开发自定义自动化脚本门槛高，需自行处理 API 调用、上下文管理及错误重试逻辑，投入产出比低。\n\n### 使用 llm_agents 后\n- 只需向 llm_agents 输入自然语言指令，它即可自动串联谷歌搜索、Hacker News 检索和本地 Python REPL 执行，一站式完成全流程。\n- llm_agents 通过“思考 - 行动 - 观察”循环自主决策，能根据搜索结果动态调整下一步操作，确保信息挖掘深度与准确性。\n- 任务实现完全自动化，后续仅需修改提示词即可复用该代理处理不同主题的调研，大幅提升工作效率。\n- 借助其极简架构，开发者可轻松集成自定义工具或剔除不需要的模块（如免配置 SERPAPI），快速构建轻量级专属智能体。\n\nllm_agents 的核心价值在于将复杂的多步骤任务编排简化为几行代码，让开发者能以最低成本赋予 LLM 自主调用工具解决实际问题的能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmpaepper_llm_agents_39077e71.png","mpaepper","Marc Päpper","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmpaepper_c5b00de7.jpg","Software development and machine learning in Python",null,"Hamburg, Germany","https:\u002F\u002Fwww.paepper.com","https:\u002F\u002Fgithub.com\u002Fmpaepper",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,1042,84,"2026-04-10T00:37:08","MIT","未说明",{"notes":91,"python":89,"dependencies":92},"该工具本身代码轻量，主要依赖外部 API。运行前必须配置环境变量 OPENAI_API_KEY（用于调用大模型）和 SERPAPI_API_KEY（如需使用 Google 搜索功能）。工具通过循环调用 LLM 生成思考、行动及观察结果来完成任务，支持自定义工具或省略部分工具（如不使用 SERPAPI）。",[93,94],"openai","serpapi",[14,35],[97,98,99,100],"deep-learning","langchain","llms","machine-learning","2026-03-27T02:49:30.150509","2026-04-11T23:22:27.870700",[104],{"id":105,"question_zh":106,"answer_zh":107,"source_url":108},30077,"如何正确安装项目依赖并解决 requirements.txt 缺失包的问题？","安装时需要分两步执行：首先运行 `pip install -r requirements.txt` 安装基础依赖，然后运行 `pip install -e .` 安装 llm_agents 包本身。此外，如果遇到缺少 BeautifulSoup 的错误，请确保 requirements.txt 中包含 bs4，或者手动安装它。维护者已根据反馈更新了 README 文档。","https:\u002F\u002Fgithub.com\u002Fmpaepper\u002Fllm_agents\u002Fissues\u002F9",[]]