nx
Nx 是一款专为现代软件开发设计的单体仓库(Monorepo)管理平台,旨在帮助团队高效管理包含多个项目的复杂代码库。无论是 TypeScript 项目还是混合多种语言的工程,Nx 都能通过智能缓存机制,仅构建和测试受代码变更影响的部分,从而显著缩短构建时间并加速持续集成(CI)流程。
它主要解决了大型项目在扩展过程中面临的构建缓慢、CI 资源浪费以及维护困难等痛点。通过“增量构建”理念,Nx 无需大幅改动现有配置即可接入,自动识别任务依赖关系,确保开发效率随项目规模增长而线性提升。此外,Nx 还引入了创新的“自愈式 CI"功能,利用 AI 代理自动检测流水线失败原因、提出修复方案并验证,极大减少了人工排查成本。
Nx 特别适合中大型开发团队、全栈工程师以及需要管理多应用架构的技术组织使用。其核心亮点包括基于 Rust 打造的高性能引擎、支持 Vite、Webpack、Gradle、.NET 等多种技术栈的插件系统,以及专为自主 AI 代理优化的命令行接口,让 AI 能像人类开发者一样理解上下文并协同工作。如果你希望在不牺牲灵活性的前提下实现快速交付与智能化运维,Nx 是一个值得尝试的开源解决方案。
使用场景
某中型电商团队正在维护一个包含前端 React、后端 NestJS 和共享工具库的大型单体仓库(Monorepo),日常面临多人协作与频繁发布的挑战。
没有 nx 时
- 每次修改共享代码,团队必须手动全量构建所有项目,导致本地等待时间长达 20 分钟,严重打断开发心流。
- CI 流水线缺乏智能缓存机制,即使只改动了一行代码,也要重新运行所有单元测试和端到端测试,资源浪费严重且排队时间长。
- 当 PR 构建失败时,开发人员需花费大量时间排查是环境差异还是代码逻辑错误,修复过程依赖人工反复试错。
- 新加入的 AI 编程助手因无法理解复杂的项目依赖图,经常生成破坏模块间引用的代码,导致集成困难。
使用 nx 后
- Nx 自动分析依赖关系,仅构建和测试受影响的模块,将本地反馈循环从 20 分钟缩短至 2 分钟以内。
- 利用远程缓存技术,CI 直接复用其他机器已完成的构建结果,仅运行变更部分,发布速度提升 50% 以上。
- 集成的自愈型 AI 代理能自动检测 CI 失败根因,提出修复方案并验证通过,大幅减少人工介入排查的时间。
- Nx 专为 AI 代理优化的上下文接口,让自动化助手精准掌握项目结构,生成的代码天然符合依赖规范,不再引发集成冲突。
Nx 通过智能增量构建与 AI 原生协作能力,将大型单体仓库的开发效率提升了数倍,让团队真正实现了“快速构建,极速交付”。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
Nx 是一个面向 TypeScript 及多语言代码库的单仓库解决方案。它基于 Rust 构建,具备卓越性能,并可通过 TypeScript 进行扩展。Nx 会缓存未发生变化的内容,仅运行受影响的部分,并内置 CI 解决方案。您可以从简单起步,随着业务增长逐步扩展。
快速入门
请访问 Nx 快速入门文档,开始您的旅程。
为什么选择 Nx?
- 增量式设计 - 在任何 npm/pnpm/yarn 工作区中运行
npx nx init。Nx 会自动识别您现有的package.json脚本,缓存其输出,并仅执行受影响的部分,无需对现有配置进行任何修改。 - 原生支持 AI 的工具链 - Nx CLI 针对自主 AI 代理进行了优化,使其能够获取所需上下文并像人类一样高效工作。了解更多 »
- 多语言插件系统 - 可选插件可自动发现任务、配置缓存输入输出,并根据您实际使用的工具生成代码骨架。支持 Vite、Webpack、Jest、Vitest、ESLint、Gradle、Maven、.NET、Go 等技术栈,以及更多其他技术。查看完整列表 »
- 集成 CI 解决法 - 将 Nx 与您的 CI 提供商(GitHub Actions、GitLab、Azure 等)连接,即可实现远程缓存、跨机器的任务分配、仅运行受影响部分以及自动拆分端到端测试等功能。了解更多 »
- 自愈型 CI - 在您的 CI 流水线中部署 AI 代理,它可以检测失败、分析根本原因、提出修复方案并自动验证。本地代理通过 MCP 协议与 CI 系统连接,从而实现故障的自主检测与修复。了解更多 »
哪些企业使用 Nx?
从初创公司到财富 500 强企业,众多组织都在使用 Nx。查看我们的成功案例 »
想要参与贡献吗?
如果您想提交 bug 或 PR,请先阅读我们的贡献指南。
核心团队
| 维克托·萨夫金 | 杰森·让 | 本杰明·卡巴内斯 | 杰克·许 |
|---|---|---|---|
![]() |
![]() |
![]() |
![]() |
| vsavkin | FrozenPandaz | bcabanes | jaysoo |
| 詹姆斯·亨利 | 乔恩·卡米苏利 | 马克斯·克莱斯 | 尤里·斯特鲁姆普洛纳 |
|---|---|---|---|
![]() |
![]() |
![]() |
![]() |
| JamesHenry | cammisuli | MaxKless | juristr |
| 菲利普·富尔彻 | 凯莱布·乌克勒 | 科伦·费里 | 史蒂文·南斯 |
|---|---|---|---|
![]() |
![]() |
![]() |
![]() |
| philipjfulcher | barbados-clemens | Coly010 | llwt |
| 米罗斯拉夫·约纳斯 | 列奥斯维尔·佩雷斯·埃斯皮诺萨 | 扎卡里·德罗斯 | 克雷戈里·科波拉 |
|---|---|---|---|
![]() |
![]() |
![]() |
![]() |
| meeroslav | leosvelperez | ZackDeRose | AgentEnder |
| 仇·陈 | 妮可·奥利弗 | 拉雷斯·马泰伊 | 阿尔坦·斯塔尔克 |
|---|---|---|---|
![]() |
![]() |
![]() |
![]() |
| nartc | nixallover | rarmatei | StalkAltan |
| 乔什·范艾伦 | 奥斯汀·法斯尔 | 路易·温 |
|---|---|---|
![]() |
![]() |
![]() |
| joshvanallen | fahslaj | lourw |
版本历史
22.7.0-beta.112026/04/0822.7.0-beta.102026/04/0222.6.42026/04/0122.7.0-beta.92026/03/3122.7.0-beta.82026/03/3122.7.0-beta.72026/03/2822.6.32026/03/2722.7.0-beta.62026/03/2722.6.22026/03/2622.7.0-beta.52026/03/2722.7.0-beta.42026/03/2422.7.0-beta.32026/03/2322.7.0-beta.22026/03/2122.6.12026/03/2022.7.0-beta.12026/03/1922.7.0-beta.02026/03/1922.6.02026/03/1822.6.0-rc.22026/03/1722.6.0-rc.12026/03/1722.6.0-rc.02026/03/16常见问题
相似工具推荐
openclaw
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。 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。 OpenClaw 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
stable-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。 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。
everything-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。 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。 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
ComfyUI
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。 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。 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。
markitdown
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。 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。 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
LLMs-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。 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。 LLMs-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






















