[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-phodal--aigc":3,"tool-phodal--aigc":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",146793,2,"2026-04-08T23:32:35",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-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。\n\n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。\n\nLLMs-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",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":91,"oss_zip_packed_at":91,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":107},5707,"phodal\u002Faigc","aigc","《构筑大语言模型应用：应用开发与架构设计》一本关于 LLM 在真实世界应用的开源电子书，介绍了大语言模型的基础知识和应用，以及如何构建自己的模型。其中包括Prompt的编写、开发和管理，探索最好的大语言模型能带来什么，以及LLM应用开发的模式和架构设计。","aigc 是一本专注于大语言模型（LLM）真实世界应用的开源电子书，旨在帮助读者从理论走向实践，系统掌握构建 AI 应用的核心能力。它深入探讨了 Prompt 的编写技巧与管理模式，提出了\"Prompt 即代码”的理念，并详细解析了面向大模型的软件架构设计（如 Unit Mesh）与开发流程重构。\n\n在生成式 AI 迅速发展的背景下，许多开发者面临如何将模型能力高效落地、如何设计适配 AI 的软件工序等挑战。aigc 通过总结 Thoughtworks 团队及开源社区的实战经验，提供了一套完整的方法论，涵盖了从基础提示词工程到特定场景模型微调（LLMOps）的全链路解决方案。书中不仅包含理论知识，还关联了多个配套开源项目，如可视化的 Prompt 管理工具 ClickPrompt、自动化流程框架 ChatFlow 以及 AI 原生架构单元 Unit Mesh，让读者能够边学边练。\n\n这本书特别适合希望深入理解 LLM 应用开发的软件工程师、架构师及技术研究人员，同时也适合对 AI 产品化感兴趣的设计师和产品经理。无论你是想优化现有的交互模式，还是计划从零构建基于大模型的智能应用，aig","aigc 是一本专注于大语言模型（LLM）真实世界应用的开源电子书，旨在帮助读者从理论走向实践，系统掌握构建 AI 应用的核心能力。它深入探讨了 Prompt 的编写技巧与管理模式，提出了\"Prompt 即代码”的理念，并详细解析了面向大模型的软件架构设计（如 Unit Mesh）与开发流程重构。\n\n在生成式 AI 迅速发展的背景下，许多开发者面临如何将模型能力高效落地、如何设计适配 AI 的软件工序等挑战。aigc 通过总结 Thoughtworks 团队及开源社区的实战经验，提供了一套完整的方法论，涵盖了从基础提示词工程到特定场景模型微调（LLMOps）的全链路解决方案。书中不仅包含理论知识，还关联了多个配套开源项目，如可视化的 Prompt 管理工具 ClickPrompt、自动化流程框架 ChatFlow 以及 AI 原生架构单元 Unit Mesh，让读者能够边学边练。\n\n这本书特别适合希望深入理解 LLM 应用开发的软件工程师、架构师及技术研究人员，同时也适合对 AI 产品化感兴趣的设计师和产品经理。无论你是想优化现有的交互模式，还是计划从零构建基于大模型的智能应用，aigc 都能为你提供清晰的路线图和可落地的技术参考，助力你在 AI 2.0 时代轻松驾驭大模型潜力。","# 构筑大语言模型应用：应用开发与架构设计\n\n> aka. Unlocking the Potential of Large Language Models: Real-World Use Cases\n\n2023 年的上半年里，我（@phodal）和 Thoughtworks\n的同事们（如：@[tianweiliu](https:\u002F\u002Fgithub.com\u002Ftianweiliu)、@[teobler](https:\u002F\u002Fgithub.com\u002Fteobler)、@[mutoe](https:\u002F\u002Fgithub.com\u002Fmutoe)\n等）、\n开源社区的同伴们（如：\n卷王@[CGQAQ](https:\u002F\u002Fgithub.com\u002FCGQAQ)、@[genffy](https:\u002F\u002Fgithub.com\u002Fgenffy)、 @[liruifengv](https:\u002F\u002Fgithub.com\u002Fliruifengv)\n等)\n一起，创建了一系列的流行的或者不流行的开源项目。它们涉及了：\n\n- LLM 能力的充分运用\n  - Prompt 编写：Prompt 学习与编写模式\n  - Prompt 管理：Prompt 即代码\n- LLM 下的软件开发工序及应用架构设计\n  - 新的交互设计：Chat 模式\n  - 大模型友好的工序：基于 AI 2.0 （ChatGPT + Copilot）如何去设计软件开发流程\n  - LLM 应用架构的设计与落地：Unit Mesh\n- 面向特定场景的 LLM 应用\n  - 基于开源模型构建自己的模型：特定场景的模型微调 + LLMOps\n  - 上下文工程（prompt 工程）：LLM 应用的核心\n\n围绕于上述的一系列内容，我们也在思考软件开发能给我们带来了什么。所以，我重新整理了过去半年的一些思考、文章，重新编写了这本开源电子书，希望能够帮助到大家。\n\n关注我的微信公众号（搜索 phodal-weixin），获得更多及时的更新：\n\n![微信公众号](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fphodal_aigc_readme_f6ed7fd76ff7.jpg)\n\n我们发起的相关开源项目如下（包括但是不限于）：\n\n| 名称                                                                         | 描述                                                                                       | 类型          | Stars                                                                                          |\n|----------------------------------------------------------------------------|------------------------------------------------------------------------------------------|-------------|------------------------------------------------------------------------------------------------|\n| [理解 Prompt](https:\u002F\u002Fgithub.com\u002Fprompt-engineering\u002Funderstand-prompt)       | 基于编程、绘画、写作的 AI 探索与总结。                                                                    | 文档          | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fprompt-engineering\u002Funderstand-prompt) |\n| [Prompt 编写模式](https:\u002F\u002Fgithub.com\u002Fprompt-engineering\u002Fprompt-patterns)       | 如何将思维框架赋予机器，以设计模式的形式来思考 prompt。                                                          | 文档          | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fprompt-engineering\u002Fprompt-patterns)   |\n| [ClickPrompt](https:\u002F\u002Fgithub.com\u002Fprompt-engineering\u002Fclick-prompt)          | 用于一键轻松查看、分享和执行您的 Prompt。                                                                 | 应用          | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fprompt-engineering\u002Fclick-prompt)      |\n| [ChatVisualNovel](https:\u002F\u002Fgithub.com\u002Fprompt-engineering\u002Fchat-visual-novel) | 基于 ChatGPT 的定制化视觉小说引擎                                                                    | 应用          | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fprompt-engineering\u002Fchat-visual-novel) |\n| [ChatFlow](https:\u002F\u002Fgithub.com\u002Fprompt-engineering\u002Fchat-flow)                | 打造个性化 ChatGPT 流程，构建自动化之路。                                                                | 框架          | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fprompt-engineering\u002Fchat-flow)         |\n| [Unit Mesh](https:\u002F\u002Fgithub.com\u002Funit-mesh\u002Funit-mesh)                        | 基于 AI 为核心的软件 2.0 思想的软件架构。                                                                | 架构          | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Funit-mesh\u002Funit-mesh)                  |\n| [Unit Minions](https:\u002F\u002Fgithub.com\u002Funit-mesh\u002Funit-minions)                  | AI 研发提效研究：自己动手训练 LoRA                                                                    | 微调教程、指南、数据集 | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Funit-mesh\u002Funit-minions)               |\n| [Unit Runtime](https:\u002F\u002Fgithub.com\u002Funit-mesh\u002Funit-runtime)                  | 一个 ChatGPT 等 AI 代码的运行环境，可一键启动并实时交互，帮助您快速构建和测试 AI 代码。                                     | 基础设施        | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Funit-mesh\u002Funit-runtime)               |\n| [DevTi](https:\u002F\u002Fgithub.com\u002Funit-mesh\u002Fdevti)                                | 基于 LLM 的微调来提供全面智能化解决方案，助力开发人员高效完成开发任务，以实现自动化用户任务拆解、用户故事生成、自动化代码生成、自动化测试生成等等。             | 微调代码        | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Funit-mesh\u002Fdevti)                      |\n| [AutoDev](https:\u002F\u002Fgithub.com\u002Funit-mesh\u002Fauto-dev)                           | 一款 Intellij IDEA 的 LLM\u002FAI 辅助编程插件。AutoDev 能够与您的需求管理系统（例如 Jira、Trello、Github Issue 等）直接对接。 | IDEA 插件     | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Funit-mesh\u002Fauto-dev)                   |\n| [ArchGuard Co-mate](https:\u002F\u002Fgithub.com\u002Farchguard\u002Fco-mate)                  | 基于人工智能技术的架构副驾驶、设计和治理工具                                                                   | 架构协同应用      | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Farchguard\u002Fco-mate)                    |\n\n我们在 QCon\n上的演讲：[演讲：探索软件开发新工序：LLM 赋能研发效能提升](https:\u002F\u002Fqcon.infoq.cn\u002F2023\u002Fguangzhou\u002Fpresentation\u002F5319)\n\n> LLM（如 ChatGPT + GitHub\n> Copilot）作为一种创新的工具组合，为我们带来了全新的机遇。它能够帮助业务人员和开发者在需求、架构、编码、测试等环节提高效率和质量，实现从设计到验证的端到端流程。在本次分享中，我将向大家介绍\n> LLM 在研发效能方面的应用场景和实践案例，展示它是如何在各个环节中发挥作用的。同时，我们还将分享如何构建私有化的 LLM\n> 工程化方式，使其更好地适应组织的需求。欢迎对 LLM + 研发效能感兴趣的朋友们参加本次分享，与我们一起探讨研发效能的未来。\n\n我们在 Bilibili 上的大语言模型微调相关的视频：\n\n- LLaMA\n  系列在线视频： 《[代码辅助生成](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1Rh411u74H\u002F)》 、《[测试代码生成](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1jg4y1G7Xc\u002F)》 、《[详细需求生成](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1Us4y1N7rd\u002F)》 、《[文本转 SQL](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1uv4y1H7bg\u002F)》\n- ChatGLM 系列在线视频： 《[LoRA 大比拼：ChatGLM vs LLaMA，谁更会写需求文档？](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1fv4y1n7Y3\u002F)》\n\n欢迎大家一起来参与我们的开源项目，一起来探索 LLM + 软件开发的未来。\n","# 构建大语言模型应用：应用开发与架构设计\n\n> 别名：释放大语言模型的潜力——现实世界用例\n\n2023年上半年，我（@phodal）与Thoughtworks的同事们（如：@[tianweiliu](https:\u002F\u002Fgithub.com\u002Ftianweiliu)、@[teobler](https:\u002F\u002Fgithub.com\u002Fteobler)、@[mutoe](https:\u002F\u002Fgithub.com\u002Fmutoe)等），以及开源社区的伙伴们（如：卷王@[CGQAQ](https:\u002F\u002Fgithub.com\u002FCGQAQ)、@[genffy](https:\u002F\u002Fgithub.com\u002Fgenffy)、@[liruifengv](https:\u002F\u002Fgithub.com\u002Fliruifengv)等）一起，创建了一系列热门或不那么流行的开源项目。这些项目涵盖了以下方面：\n\n- LLM能力的充分利用\n  - Prompt编写：Prompt学习与编写模式\n  - Prompt管理：Prompt即代码\n- LLM下的软件开发流程及应用架构设计\n  - 新的交互设计：Chat模式\n  - 大模型友好的流程：基于AI 2.0（ChatGPT + Copilot）如何设计软件开发流程\n  - LLM应用架构的设计与落地：Unit Mesh\n- 面向特定场景的LLM应用\n  - 基于开源模型构建自己的模型：特定场景的模型微调 + LLMOps\n  - 上下文工程（prompt工程）：LLM应用的核心\n\n围绕上述内容，我们也一直在思考软件开发能为我们带来什么。因此，我重新整理了过去半年的一些思考和文章，编写了这本开源电子书，希望能对大家有所帮助。\n\n关注我的微信公众号（搜索phodal-weixin），获取更多及时更新：\n\n![微信公众号](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fphodal_aigc_readme_f6ed7fd76ff7.jpg)\n\n我们发起的相关开源项目如下（包括但不限于）：\n\n| 名称                                                                         | 描述                                                                                       | 类型          | Stars                                                                                          |\n|----------------------------------------------------------------------------|------------------------------------------------------------------------------------------|-------------|------------------------------------------------------------------------------------------------|\n| [理解Prompt](https:\u002F\u002Fgithub.com\u002Fprompt-engineering\u002Funderstand-prompt)       | 基于编程、绘画、写作的AI探索与总结。                                                                    | 文档          | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fprompt-engineering\u002Funderstand-prompt) |\n| [Prompt编写模式](https:\u002F\u002Fgithub.com\u002Fprompt-engineering\u002Fprompt-patterns)       | 如何将思维框架赋予机器，以设计模式的形式来思考prompt。                                                          | 文档          | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fprompt-engineering\u002Fprompt-patterns)   |\n| [ClickPrompt](https:\u002F\u002Fgithub.com\u002Fprompt-engineering\u002Fclick-prompt)          | 用于一键轻松查看、分享和执行您的Prompt。                                                                 | 应用          | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fprompt-engineering\u002Fclick-prompt)      |\n| [ChatVisualNovel](https:\u002F\u002Fgithub.com\u002Fprompt-engineering\u002Fchat-visual-novel) | 基于ChatGPT的定制化视觉小说引擎                                                                    | 应用          | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fprompt-engineering\u002Fchat-visual-novel) |\n| [ChatFlow](https:\u002F\u002Fgithub.com\u002Fprompt-engineering\u002Fchat-flow)                | 打造个性化ChatGPT流程，构建自动化之路。                                                                | 框架          | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fprompt-engineering\u002Fchat-flow)         |\n| [UnitMesh](https:\u002F\u002Fgithub.com\u002Funit-mesh\u002Funit-mesh)                        | 基于AI为核心的软件2.0思想的软件架构。                                                                | 架构          | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Funit-mesh\u002Funit-mesh)                  |\n| [UnitMinions](https:\u002F\u002Fgithub.com\u002Funit-mesh\u002Funit-minions)                  | AI研发提效研究：自己动手训练LoRA                                                                    | 微调教程、指南、数据集 | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Funit-mesh\u002Funit-minions)               |\n| [UnitRuntime](https:\u002F\u002Fgithub.com\u002Funit-mesh\u002Funit-runtime)                  | 一个ChatGPT等AI代码的运行环境，可一键启动并实时交互，帮助您快速构建和测试AI代码。                                     | 基础设施        | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Funit-mesh\u002Funit-runtime)               |\n| [DevTi](https:\u002F\u002Fgithub.com\u002Funit-mesh\u002Fdevti)                                | 基于LLM的微调来提供全面智能化解决方案，助力开发人员高效完成开发任务，以实现自动化用户任务拆解、用户故事生成、自动化代码生成、自动化测试生成等等。             | 微调代码        | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Funit-mesh\u002Fdevti)                      |\n| [AutoDev](https:\u002F\u002Fgithub.com\u002Funit-mesh\u002Fauto-dev)                           | 一款Intellij IDEA的LLM\u002FAI辅助编程插件。AutoDev能够与您的需求管理系统（例如Jira、Trello、Github Issue等）直接对接。 | IDEA插件     | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Funit-mesh\u002Fauto-dev)                   |\n| [ArchGuardCo-mate](https:\u002F\u002Fgithub.com\u002Farchguard\u002Fco-mate)                  | 基于人工智能技术的架构副驾驶、设计和治理工具                                                                   | 架构协同应用      | ![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Farchguard\u002Fco-mate)                    |\n\n我们在QCon上的演讲：[演讲：探索软件开发新流程：LLM赋能研发效能提升](https:\u002F\u002Fqcon.infoq.cn\u002F2023\u002Fguangzhou\u002Fpresentation\u002F5319)\n\n> LLM（如ChatGPT + GitHub Copilot）作为一种创新的工具组合，为我们带来了全新的机遇。它能够帮助业务人员和开发者在需求、架构、编码、测试等环节提高效率和质量，实现从设计到验证的端到端流程。在本次分享中，我将向大家介绍LLM在研发效能方面的应用场景和实践案例，展示它是如何在各个环节中发挥作用的。同时，我们还将分享如何构建私有化的LLM工程化方式，使其更好地适应组织的需求。欢迎对LLM + 研发效能感兴趣的朋友们参加本次分享，与我们一起探讨研发效能的未来。\n\n我们在Bilibili上关于大语言模型微调的相关视频：\n\n- LLaMA系列在线视频：《[代码辅助生成](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1Rh411u74H\u002F)》、《[测试代码生成](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1jg4y1G7Xc\u002F)》、《[详细需求生成](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1Us4y1N7rd\u002F)》、《[文本转SQL](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1uv4y1H7bg\u002F)》\n- ChatGLM系列在线视频：《[LoRA大比拼：ChatGLM vs LLaMA，谁更会写需求文档？](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1fv4y1n7Y3\u002F)》\n\n欢迎大家一起来参与我们的开源项目，共同探索LLM + 软件开发的未来。","# aigc 快速上手指南\n\n本指南基于 `aigc` 项目（即《构筑大语言模型应用：应用开发与架构设计》）及其关联的开源生态整理而成。该项目并非单一的可执行工具，而是一套涵盖 Prompt 工程、LLM 应用架构（Unit Mesh）、微调教程及辅助开发插件的综合解决方案。\n\n以下是针对核心组件的快速入门指引。\n\n## 环境准备\n\n由于本项目包含文档、Web 应用、IDE 插件及模型微调代码，请根据您想体验的具体组件准备相应环境：\n\n### 1. 通用要求\n- **操作系统**：Windows \u002F macOS \u002F Linux\n- **网络环境**：建议配置科学上网环境以访问 Hugging Face、GitHub 及部分 LLM API；若使用国内模型（如 ChatGLM），可参考各子项目中的国内镜像源配置。\n- **账号准备**：\n  - GitHub 账号（用于克隆代码）\n  - OpenAI API Key（如需使用 ChatGPT 相关示例）或 国内大模型 API Key（如百度文心、阿里通义等，视具体子项目支持情况而定）\n\n### 2. 组件特定依赖\n- **对于 Prompt 学习与文档类**：仅需浏览器和 Markdown 阅读器。\n- **对于 Web 应用（如 ClickPrompt, ChatFlow）**：\n  - Node.js (推荐 v18+)\n  - npm 或 yarn\n  - pnpm (推荐)\n- **对于 IDE 插件（AutoDev）**：\n  - IntelliJ IDEA (2020.3 及以上版本) 或其他 JetBrains 全家桶产品\n- **对于模型微调（Unit Minions, DevTi）**：\n  - Python 3.9+\n  - PyTorch\n  - CUDA (如需本地 GPU 训练，显存建议 16GB+)\n  - Transformers, Accelerate, PEFT 等库\n\n## 安装步骤\n\n请选择您感兴趣的核心组件进行安装：\n\n### 方案 A：体验 Prompt 管理与执行工具 (ClickPrompt)\n这是一个用于查看、分享和执行 Prompt 的 Web 应用。\n\n```bash\n# 1. 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fprompt-engineering\u002Fclick-prompt.git\ncd click-prompt\n\n# 2. 安装依赖 (推荐使用 pnpm)\npnpm install\n\n# 3. 启动开发服务器\npnpm dev\n```\n*注：若无 pnpm，可使用 `npm install` 和 `npm run dev`。*\n\n### 方案 B：安装 IDEA 智能编程插件 (AutoDev)\n这是直接集成在开发环境中的 LLM 辅助编程工具。\n\n1. 打开 IntelliJ IDEA。\n2. 进入 `Settings` (偏好设置) -> `Plugins`。\n3. 在 Marketplace 搜索栏输入 `AutoDev`。\n4. 点击 `Install` 并重启 IDE。\n5. *可选：从源码构建*\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Funit-mesh\u002Fauto-dev.git\n   cd auto-dev\n   # 使用 Gradle 构建 (需配置好 Java 环境)\n   .\u002Fgradlew buildPlugin\n   ```\n\n### 方案 C：探索架构与微调代码 (Unit Mesh \u002F Unit Minions)\n适合希望深入研究 AI 2.0 架构或自行训练 LoRA 模型的开发者。\n\n```bash\n# 1. 克隆架构示例仓库\ngit clone https:\u002F\u002Fgithub.com\u002Funit-mesh\u002Funit-mesh.git\ncd unit-mesh\n\n# 2. 克隆微调教程与数据集仓库\ngit clone https:\u002F\u002Fgithub.com\u002Funit-mesh\u002Funit-minions.git\ncd unit-minions\n\n# 3. 安装 Python 依赖 (建议在虚拟环境中进行)\npip install -r requirements.txt\n# 注意：具体的 requirements.txt 可能位于子目录中，请根据实际文件结构调整路径\n```\n\n## 基本使用\n\n### 1. 使用 ClickPrompt 管理提示词\n启动服务后，访问 `http:\u002F\u002Flocalhost:5173` (默认端口)。\n- **创建 Prompt**：在界面中选择“新建”，输入您的 System Prompt 和 User Prompt。\n- **执行测试**：配置您的 API Key，点击运行即可实时查看大模型返回结果。\n- **模式复用**：将常用的思维框架保存为模板，通过变量替换快速生成不同场景的 Prompt。\n\n### 2. 在 IDEA 中使用 AutoDev\n安装重启后，IDE 侧边栏会出现 AutoDev 图标。\n- **需求对接**：在插件设置中绑定 Jira、Trello 或 GitHub Issue 账号。\n- **代码生成**：选中一段代码或注释，右键选择 `AutoDev` -> `Generate Code`，或直接在对话框输入自然语言需求（如：“为当前类生成单元测试”）。\n- **任务拆解**：输入用户故事，插件将自动拆解为开发任务列表并生成初步代码结构。\n\n### 3. 实践 Unit Mesh 架构理念\n阅读 `unit-mesh` 仓库中的文档，理解“软件 2.0\"架构：\n- **核心思想**：将 LLM 作为核心计算单元，传统代码作为编排层。\n- **落地步骤**：\n  1. 定义清晰的 Prompt 接口（Prompt as Code）。\n  2. 设计包含 `LLM Agent` 的业务流程。\n  3. 利用 `Unit Runtime` 运行和测试生成的 AI 代码逻辑。\n\n### 4. 开始模型微调 (进阶)\n参考 `unit-minions` 中的教程进行 LoRA 微调：\n- 准备特定场景的数据集（如需求文档、测试用例）。\n- 修改配置文件，指定基座模型（如 LLaMA 或 ChatGLM）和数据路径。\n- 运行训练脚本：\n  ```bash\n  python train.py --config configs\u002Flora_config.json\n  ```\n- 评估微调后的模型在特定任务（如 SQL 生成、故事创作）上的表现。\n\n---\n*提示：更多详细案例、视频演示及深度文章，请访问各子项目的 GitHub 页面或关注作者微信公众号 \"phodal-weixin\"。*","某初创团队正急于将大语言模型能力集成到其客服系统中，但缺乏系统的架构设计和 Prompt 工程经验。\n\n### 没有 aigc 时\n- **Prompt 编写混乱**：开发人员凭直觉编写提示词，缺乏统一模式，导致模型输出不稳定且难以维护。\n- **架构设计缺失**：直接调用 API 硬编码业务逻辑，未采用如 Unit Mesh 等适配 AI 的架构，系统扩展性极差。\n- **流程效率低下**：缺乏自动化工具链，从需求拆解到代码生成全靠人工，开发周期长且容易出错。\n- **模型微调门槛高**：面对特定垂直场景，团队不知如何收集数据训练 LoRA 模型，只能依赖通用模型的泛化能力，效果不佳。\n- **知识沉淀困难**：宝贵的调试经验和最佳实践散落在个人笔记中，无法形成类似\"Prompt 即代码”的团队资产。\n\n### 使用 aigc 后\n- **模式化 Prompt 管理**：参考《Prompt 编写模式》建立标准化模板，将提示词版本化管理，显著提升了输出的一致性与可控性。\n- **落地先进架构**：依据书中指导引入 Unit Mesh 架构，重构了以 AI 为核心的软件流程，使系统能灵活应对复杂的对话交互。\n- **自动化研发流**：利用 DevTi 和 ChatFlow 等配套项目，实现了用户故事自动拆解及测试代码生成，研发效率提升数倍。\n- **定制化模型微调**：跟随 Unit Minions 指南，团队成功基于开源模型微调出专属客服模型，大幅提高了特定业务场景的准确率。\n- **体系化知识复用**：通过电子书与开源案例库，团队快速掌握了上下文工程核心，将个人经验转化为可复用的组织资产。\n\naigc 不仅提供了从理论到实战的完整路线图，更通过一系列开源工具帮助团队构建了可持续演进的 LLM 应用生态。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fphodal_aigc_52e56837.png","phodal","Fengda Huang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fphodal_711c6ec0.jpg","I'm digging holes.","@Thoughtworks","Hangzhou","h@phodal.com","phodal_huang","https:\u002F\u002Fwww.phodal.com\u002F","https:\u002F\u002Fgithub.com\u002Fphodal",[84],{"name":85,"color":86,"percentage":87},"Rust","#dea584",100,1637,183,"2026-04-08T06:07:44",null,5,"","未说明",{"notes":96,"python":94,"dependencies":97},"该 README 文档主要是一个关于大语言模型应用开发与架构设计的电子书或项目合集介绍，列出了多个子项目（如 ClickPrompt, Unit Mesh, AutoDev 等）。文档本身并未提供名为 'aigc' 的单一工具的具体运行环境需求、依赖库版本或硬件要求。不同的子项目（如微调教程、IDEA 插件、Web 应用）可能有各自独立的环境配置，需参考对应子项目的仓库文档。",[],[14,35],[64,100,101,102,103],"chatgpt","ebook","llm","opensource","2026-03-27T02:49:30.150509","2026-04-09T09:31:18.035395",[],[108,112,116],{"id":109,"version":110,"summary_zh":91,"released_at":111},163259,"v0.1.0","2023-06-28T09:51:33",{"id":113,"version":114,"summary_zh":91,"released_at":115},163260,"v0.0.2","2023-06-26T01:52:02",{"id":117,"version":118,"summary_zh":91,"released_at":119},163261,"v0.0.1","2023-06-24T03:07:38"]