penx
PenX 是一款由人工智能驱动的个人数据枢纽，致力于为用户提供一个安全、私密的本地优先数据存储方案。在数据泄露频发且云端服务日益复杂的今天，PenX 解决了用户难以在保障隐私的前提下，高效管理和结构化个人数据的痛点。它允许用户完全掌控自己的数据，所有信息优先存储在本地设备，同时支持跨平台实时同步，确保数据既安全又随时可用。
这款工具非常适合注重隐私保护的普通用户、需要整理结构化数据的研究人员，以及希望构建本地优先应用的开发者使用。其独特的技术亮点在于采用了“本地优先”架构，结合 PGLite 技术在浏览器端实现轻量级数据库运行，无需依赖重型后端即可处理复杂数据。此外，PenX 基于 Next.js、TypeScript 和 tRPC 等现代技术栈构建，不仅开源透明，还深度集成了 AI 能力，能够智能辅助用户梳理和分析数据。无论是作为个人的第二大脑，还是作为开发者的隐私计算实验田，PenX 都提供了一个友好且强大的选择。
使用场景
自由职业设计师林浩需要跨设备管理大量客户项目资料、设计灵感碎片及合同文档，同时确保敏感数据绝不泄露给第三方云服务。
没有 penx 时
- 数据分散在本地硬盘、手机备忘录和多个网盘中，查找特定项目的历史版本如同大海捞针。
- 担心将包含客户隐私的设计稿上传至公有云 AI 工具进行分析，始终不敢利用智能化手段整理素材。
- 在不同设备间同步文件依赖手动操作或不可靠的第三方同步盘，常出现版本冲突或同步延迟。
- 缺乏统一的结构化数据库，导致客户报价、工期记录等关键信息只能靠零散的 Excel 表格维护，极易出错。
- 离线环境下无法访问核心数据，一旦网络波动，整个工作流程被迫中断。
使用 penx 后
- 所有项目数据自动汇聚于 penx 构建的本地优先数据中心，通过 AI 语义搜索秒级定位任意历史素材。
- 依托隐私优先架构，林浩放心地让 penx 内置的 AI 自动标签化设计灵感并提取合同关键条款，数据全程不离本地。
- 借助实时同步技术，他在平板上修改的设计备注瞬间同步至台式机，彻底消除版本混乱焦虑。
- 利用结构化数据存储能力，客户信息与项目进度自动关联生成可视化视图，管理效率提升数倍。
- 无论身处高铁还是无网工作室，penx 均能保障全功能流畅运行，网络恢复后自动静默同步变更。
penx 让个人数据在绝对安全的前提下焕发智能活力，真正实现了“数据主权归用户，智能服务随人行”。
运行环境要求
- 未说明 (基于 Next.js/TypeScript，通常支持 Linux
- macOS
- Windows)
未说明
未说明
快速开始
简介
一个以本地优先、隐私优先为核心的结构化数据存储平台。
特性
- 本地优先
- 隐私优先
- 开源
- 跨平台
- 实时同步
- AI驱动
核心技术栈
- Next.js
- TypeScript
- tRPC
- Prisma
- PGLite
开发
Web端
克隆仓库后，在根目录下执行以下命令：
# 安装依赖
pnpm install
# 复制 .env.local.example 到 .env.local
copy apps/web/.env.local.example apps/web/.env.local
# 启动Web服务
pnpm dev
⚖️ 许可证
版本历史
v1.1.112025/09/18v1.1.102025/09/17v1.1.92025/09/11v1.1.82025/09/02v1.1.72025/08/12v1.1.62025/08/09v1.1.52025/08/09v1.1.42025/08/08v1.1.32025/08/05v1.1.12025/07/31v1.1.02025/07/31v1.0.112025/07/28v1.0.102025/07/28v1.0.92025/07/27v1.0.82025/07/25v1.0.72025/07/23v1.0.62025/07/22v1.0.52025/07/22v1.0.42025/07/21v1.0.32025/07/18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
ML-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。 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。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。
scikit-learn
scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最
keras
Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。 无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。 Keras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。