[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-rizethereum--claude-code-requirements-builder":3,"similar-rizethereum--claude-code-requirements-builder":36},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":7,"owner_avatar_url":15,"owner_bio":7,"owner_company":7,"owner_location":7,"owner_email":7,"owner_twitter":7,"owner_website":7,"owner_url":16,"languages":7,"stars":17,"forks":18,"last_commit_at":19,"license":20,"difficulty_score":21,"env_os":22,"env_gpu":23,"env_ram":23,"env_deps":24,"category_tags":27,"github_topics":7,"view_count":21,"oss_zip_url":7,"oss_zip_packed_at":7,"status":31,"created_at":32,"updated_at":33,"faqs":34,"releases":35},6483,"rizethereum\u002Fclaude-code-requirements-builder","claude-code-requirements-builder",null,"claude-code-requirements-builder 是一款专为 Claude Code 设计的智能需求收集系统，旨在将模糊的功能想法转化为严谨的技术文档。它解决了传统开发中需求描述不清、上下文缺失以及非技术人员难以准确表达技术细节的痛点。\n\n该工具特别适合产品经理、设计师以及希望规范开发流程的开发者使用，用户无需具备深厚的代码知识即可参与需求定义。其核心亮点在于“代码感知”与“两阶段问答”机制：首先，AI 会自动分析现有代码库架构，提出 5 个高层上下文问题；随后基于代码分析结果，再提出 5 个针对性的专家级问题。所有问题均采用简单的“是\u002F否”格式，若用户不确定可直接回复\"idk\"，系统将智能启用最佳默认值。\n\n完成问答后，claude-code-requirements-builder 会自动生成包含具体文件路径、技术模式及约束条件的完整需求规格说明书。通过这种渐进式的发现过程，它确保了最终文档既符合业务目标，又与技术现状高度契合，大幅提升了功能开发的准确性与效率。","# Claude Requirements Gathering System\n\nAn intelligent requirements gathering system for Claude Code that progressively builds context through automated discovery, asks simple yes\u002Fno questions, and generates comprehensive requirements documentation.\n\n## 🎯 Overview\n\nThis system transforms the requirements gathering process by:\n- **Codebase-Aware Questions**: AI analyzes your code first, then asks informed questions\n- **Simple Yes\u002FNo Format**: All questions are yes\u002Fno with smart defaults - just say \"idk\" to use defaults\n- **Two-Phase Questioning**: 5 high-level questions for context, then 5 expert questions after code analysis  \n- **Automated Documentation**: Generates comprehensive specs with specific file paths and patterns\n- **Product Manager Friendly**: No code knowledge required to answer questions\n\n## 🚀 Quick Start\n\n```bash\n# Start gathering requirements for a new feature\n\u002Frequirements-start add user profile picture upload\n\n# Check progress and continue\n\u002Frequirements-status\n\n# View current requirement details\n\u002Frequirements-current\n\n# List all requirements\n\u002Frequirements-list\n\n# End current requirement gathering\n\u002Frequirements-end\n\n# Quick reminder if AI strays off course\n\u002Fremind\n```\n\n## 📁 Repository Structure\n\n```\nclaude-requirements\u002F\n├── commands\u002F                     # Claude command definitions\n│   ├── requirements-start.md    # Begin new requirement\n│   ├── requirements-status.md   # Check progress (alias: current)\n│   ├── requirements-current.md  # View active requirement\n│   ├── requirements-end.md      # Finalize requirement\n│   ├── requirements-list.md     # List all requirements\n│   └── requirements-remind.md   # Remind AI of rules\n│\n├── requirements\u002F                 # Requirement documentation storage\n│   ├── .current-requirement     # Tracks active requirement\n│   ├── index.md                 # Summary of all requirements\n│   └── YYYY-MM-DD-HHMM-name\u002F   # Individual requirement folders\n│       ├── metadata.json        # Status and progress tracking\n│       ├── 00-initial-request.md    # User's original request\n│       ├── 01-discovery-questions.md # 5 context questions\n│       ├── 02-discovery-answers.md   # User's answers\n│       ├── 03-context-findings.md    # AI's code analysis\n│       ├── 04-detail-questions.md    # 5 expert questions\n│       ├── 05-detail-answers.md      # User's detailed answers\n│       └── 06-requirements-spec.md   # Final requirements\n│\n└── examples\u002F                     # Example requirements\n```\n\n## 🔄 How It Works\n\n### Phase 1: Initial Setup & Codebase Analysis\n```\nUser: \u002Frequirements-start add export functionality to reports\n```\nAI analyzes the entire codebase structure to understand the architecture, tech stack, and patterns.\n\n### Phase 2: Context Discovery Questions\nThe AI asks 5 yes\u002Fno questions to understand the problem space:\n```\nQ1: Will users interact with this feature through a visual interface?\n(Default if unknown: YES - most features have UI components)\n\nUser: yes\n\nQ2: Does this feature need to work on mobile devices?\n(Default if unknown: YES - mobile-first is standard)\n\nUser: idk\nAI: ✓ Using default: YES\n\n[Continues through all 5 questions before recording answers]\n```\n\n### Phase 3: Targeted Context Gathering (Autonomous)\nAI autonomously:\n- Searches for specific files based on discovery answers\n- Reads relevant code sections\n- Analyzes similar features in detail\n- Documents technical constraints and patterns\n\n### Phase 4: Expert Requirements Questions\nWith deep context, asks 5 detailed yes\u002Fno questions:\n```\nQ1: Should we use the existing ExportService at services\u002FExportService.ts?\n(Default if unknown: YES - maintains architectural consistency)\n\nUser: yes\n\nQ2: Will PDF exports need custom formatting beyond the standard template?\n(Default if unknown: NO - standard template covers most use cases)\n\nUser: no\n\n[Continues through all 5 questions before recording answers]\n```\n\n### Phase 5: Requirements Documentation\nGenerates comprehensive spec with:\n- Problem statement and solution overview\n- Functional requirements from all 10 answers\n- Technical requirements with specific file paths\n- Implementation patterns to follow\n- Acceptance criteria\n\n## 📋 Command Reference\n\n### `\u002Frequirements-start [description]`\nBegins gathering requirements for a new feature or change.\n\n**Example:**\n```\n\u002Frequirements-start implement dark mode toggle\n```\n\n### `\u002Frequirements-status` or `\u002Frequirements-current`\nShows current requirement progress and continues gathering.\n\n**Output:**\n```\n📋 Active Requirement: dark-mode-toggle\nPhase: Discovery Questions\nProgress: 3\u002F5 questions answered\n\nNext: Q4: Should this sync across devices?\n```\n\n### `\u002Frequirements-end`\nFinalizes current requirement, even if incomplete.\n\n**Options:**\n1. Generate spec with current info\n2. Mark incomplete for later\n3. Cancel and delete\n\n### `\u002Frequirements-list`\nShows all requirements with their status.\n\n**Output:**\n```\n✅ COMPLETE: dark-mode-toggle (Ready for implementation)\n🔴 ACTIVE: user-notifications (Discovery 3\u002F5)\n⚠️ INCOMPLETE: data-export (Paused 3 days ago)\n```\n\n### `\u002Fremind` or `\u002Frequirements-remind`\nReminds AI to follow requirements gathering rules.\n\n**Use when AI:**\n- Asks open-ended questions\n- Starts implementing code\n- Asks multiple questions at once\n\n## 🎯 Features\n\n### Smart Defaults\nEvery question includes an intelligent default based on:\n- Best practices\n- Codebase patterns\n- Context discovered\n\n### Progressive Questioning\n- **Phase 1**: Analyzes codebase structure first\n- **Phase 2**: 5 high-level questions for product managers\n- **Phase 3**: Autonomous deep dive into relevant code\n- **Phase 4**: 5 expert questions based on code understanding\n\n### Automatic File Management\n- All files created automatically\n- Progress tracked between sessions\n- Can resume anytime\n\n### Integration Ready\n- Links to development sessions\n- References PRs and commits\n- Searchable requirement history\n\n## 💡 Best Practices\n\n### For Users\n1. **Be Specific**: Clear initial descriptions help AI ask better questions\n2. **Use Defaults**: \"idk\" is perfectly fine - defaults are well-reasoned\n3. **Stay Focused**: Use `\u002Fremind` if AI goes off track\n4. **Complete When Ready**: Don't feel obligated to answer every question\n\n### For Requirements\n1. **One Feature at a Time**: Keep requirements focused\n2. **Think Implementation**: Consider how another AI will use this\n3. **Document Decisions**: The \"why\" is as important as the \"what\"\n4. **Link Everything**: Connect requirements to sessions and PRs\n\n## 🔧 Installation\n\n1. Clone this repository:\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Frizethereum\u002Fclaude-code-requirements-builder.git\n```\n\n2. Copy the commands to your project:\n```bash\ncp -r commands ~\u002F.claude\u002Fcommands\u002F\n# OR for project-specific\ncp -r commands \u002Fyour\u002Fproject\u002F.claude\u002Fcommands\u002F\n```\n\n3. Create requirements directory:\n```bash\nmkdir -p requirements\ntouch requirements\u002F.current-requirement\n```\n\n4. Add to `.gitignore` if needed:\n```\nrequirements\u002F\n```\n\n## 📚 Examples\n\n### Feature Development\n```\n\u002Frequirements-start add user avatar upload\n# AI analyzes codebase structure\n# Answer 5 yes\u002Fno questions about the feature\n# AI autonomously researches relevant code\n# Answer 5 expert yes\u002Fno questions\n# Get comprehensive requirements doc with file paths\n```\n\n### Bug Fix Requirements\n```\n\u002Frequirements-start fix dashboard performance issues\n# Answer questions about scope\n# AI identifies problematic components\n# Answer questions about acceptable solutions\n# Get targeted fix requirements\n```\n\n### UI Enhancement\n```\n\u002Frequirements-start improve mobile navigation experience\n# Answer questions about current issues\n# AI analyzes existing navigation\n# Answer questions about desired behavior\n# Get detailed UI requirements\n```\n\n## 🤝 Contributing\n\n1. Fork the repository\n2. Create your feature branch\n3. Add new commands or improve existing ones\n4. Submit a pull request\n\n### Ideas for Contribution\n- Add requirement templates for common features\n- Create requirement validation commands\n- Build requirement-to-implementation tracking\n- Add multi-language question support\n\n## 📄 License\n\nMIT License - Feel free to use and modify for your projects.\n\n## 🙏 Acknowledgments\n\nInspired by [@iannuttall](https:\u002F\u002Fgithub.com\u002Fiannuttall)'s [claude-sessions](https:\u002F\u002Fgithub.com\u002Fiannuttall\u002Fclaude-sessions) project, which pioneered the concept of structured session management for Claude Code.\n\n---\n\n**Remember**: Good requirements today prevent confusion tomorrow!\n","# Claude 需求收集系统\n\n一个针对 Claude Code 的智能需求收集系统，通过自动化发现逐步构建上下文，提出简单的“是\u002F否”问题，并生成全面的需求文档。\n\n## 🎯 概述\n\n该系统通过以下方式革新需求收集流程：\n- **代码库感知型提问**：AI 首先分析您的代码，然后提出有针对性的问题\n- **简单“是\u002F否”格式**：所有问题均为“是\u002F否”，并配有智能默认值——只需回答“不知道”即可使用默认值\n- **两阶段提问**：先提出 5 个高层次问题以获取上下文，再在代码分析后提出 5 个专家级问题  \n- **自动化文档生成**：根据具体文件路径和模式生成全面的规格说明\n- **产品经理友好**：无需任何编程知识即可回答问题\n\n## 🚀 快速入门\n\n```bash\n# 开始为新功能收集需求\n\u002Frequirements-start 添加用户头像上传功能\n\n# 查看进度并继续\n\u002Frequirements-status\n\n# 查看当前需求详情\n\u002Frequirements-current\n\n# 列出所有需求\n\u002Frequirements-list\n\n# 结束当前需求收集\n\u002Frequirements-end\n\n# 当 AI 走偏时快速提醒\n\u002Fremind\n```\n\n## 📁 仓库结构\n\n```\nclaude-requirements\u002F\n├── commands\u002F                     # Claude 命令定义\n│   ├── requirements-start.md    # 开始新需求\n│   ├── requirements-status.md   # 查看进度（别名：current）\n│   ├── requirements-current.md  # 查看当前需求\n│   ├── requirements-end.md      # 完成需求\n│   ├── requirements-list.md     # 列出所有需求\n│   └── requirements-remind.md   # 提醒 AI 遵守规则\n│\n├── requirements\u002F                 # 需求文档存储\n│   ├── .current-requirement     # 跟踪当前需求\n│   ├── index.md                 # 所有需求摘要\n│   └── YYYY-MM-DD-HHMM-name\u002F   # 单个需求文件夹\n│       ├── metadata.json        # 状态和进度跟踪\n│       ├── 00-initial-request.md    # 用户原始请求\n│       ├── 01-discovery-questions.md # 5 个上下文问题\n│       ├── 02-discovery-answers.md   # 用户答案\n│       ├── 03-context-findings.md    # AI 的代码分析\n│       ├── 04-detail-questions.md    # 5 个专家问题\n│       ├── 05-detail-answers.md      # 用户详细答案\n│       └── 06-requirements-spec.md   # 最终需求规格\n│\n└── examples\u002F                     # 示例需求\n```\n\n## 🔄 工作原理\n\n### 第一阶段：初始设置与代码库分析\n```\n用户：\u002Frequirements-start 为报表添加导出功能\n```\nAI 分析整个代码库结构，以理解架构、技术栈和模式。\n\n### 第二阶段：上下文发现问题\nAI 提出 5 个“是\u002F否”问题，以了解问题背景：\n```\nQ1：用户会通过可视化界面与该功能交互吗？\n（未知时默认：是——大多数功能都有 UI 组件）\n\n用户：是\n\nQ2：该功能是否需要在移动设备上运行？\n（未知时默认：是——移动优先是标准）\n\n用户：不知道\nAI：✓ 使用默认值：是\n\n[继续完成全部 5 个问题，然后记录答案]\n```\n\n### 第三阶段：目标性上下文收集（自主进行）\nAI 自主执行以下操作：\n- 根据发现的答案搜索特定文件\n- 阅读相关代码段\n- 详细分析类似功能\n- 记录技术约束和模式\n\n### 第四阶段：专家级需求问题\n在深入理解上下文后，AI 提出 5 个详细的“是\u002F否”问题：\n```\nQ1：是否应使用 services\u002FExportService.ts 中的现有 ExportService？\n（未知时默认：是——保持架构一致性）\n\n用户：是\n\nQ2：PDF 导出是否需要超出标准模板的自定义格式？\n（未知时默认：否——标准模板已覆盖大多数用例）\n\n用户：否\n\n[继续完成全部 5 个问题，然后记录答案]\n```\n\n### 第五阶段：需求文档生成\n生成全面的规格说明，包括：\n- 问题陈述和解决方案概述\n- 来自全部 10 个答案的功能性需求\n- 包含具体文件路径的技术要求\n- 应遵循的实现模式\n- 接受标准\n\n## 📋 命令参考\n\n### `\u002Frequirements-start [描述]`\n开始为新功能或变更收集需求。\n\n**示例：**\n```\n\u002Frequirements-start 实现暗黑模式切换\n```\n\n### `\u002Frequirements-status` 或 `\u002Frequirements-current`\n显示当前需求进度并继续收集。\n\n**输出：**\n```\n📋 当前需求：暗黑模式切换\n阶段：发现问题\n进度：已回答 3\u002F5 个问题\n\n下一步：Q4：此功能是否应在不同设备间同步？\n```\n\n### `\u002Frequirements-end`\n完成当前需求，即使尚未完全填写。\n\n**选项：**\n1. 根据现有信息生成规格说明\n2. 标记为未完成，留待后续处理\n3. 取消并删除\n\n### `\u002Frequirements-list`\n显示所有需求及其状态。\n\n**输出：**\n```\n✅ 完成：暗黑模式切换（可实施）\n🔴 活动：用户通知（发现阶段已完成 3\u002F5）\n⚠️ 未完成：数据导出（3 天前暂停）\n```\n\n### `\u002Fremind` 或 `\u002Frequirements-remind`\n提醒 AI 遵循需求收集规则。\n\n**当 AI 出现以下情况时使用：**\n- 提出开放式问题\n- 开始编写代码\n- 一次性提出多个问题\n\n## 🎯 特点\n\n### 智能默认值\n每个问题都包含基于以下内容的智能默认值：\n- 最佳实践\n- 代码库模式\n- 已发现的上下文\n\n### 渐进式提问\n- **第一阶段**：首先分析代码库结构\n- **第二阶段**：面向产品经理的 5 个高层次问题\n- **第三阶段**：自动深入研究相关代码\n- **第四阶段**：基于对代码的理解提出的 5 个专家问题\n\n### 自动文件管理\n- 所有文件自动生成\n- 进度跨会话跟踪\n- 可随时恢复\n\n### 即刻集成\n- 与开发会话链接\n- 引用 PR 和提交记录\n- 可搜索的需求历史\n\n## 💡 最佳实践\n\n### 对于用户\n1. **明确具体**：清晰的初始描述有助于 AI 提出更好的问题\n2. **善用默认值**：回答“不知道”完全没问题——默认值经过深思熟虑\n3. **保持专注**：若 AI 走偏，可使用 `\u002Fremind`\n4. **随时完成**：不必强迫自己回答每个问题\n\n### 对于需求\n1. **一次只处理一个功能**：确保需求聚焦\n2. **从实现角度思考**：考虑其他 AI 将如何使用这些需求\n3. **记录决策理由**：为什么这么做与做什么同样重要\n4. **全面关联**：将需求与会话和 PR 相关联\n\n## 🔧 安装\n\n1. 克隆本仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Frizethereum\u002Fclaude-code-requirements-builder.git\n```\n\n2. 将命令复制到您的项目中：\n```bash\ncp -r commands ~\u002F.claude\u002Fcommands\u002F\n# 或者仅用于特定项目\ncp -r commands \u002Fyour\u002Fproject\u002F.claude\u002Fcommands\u002F\n```\n\n3. 创建需求目录：\n```bash\nmkdir -p requirements\ntouch requirements\u002F.current-requirement\n```\n\n4. 如有必要，将其加入 `.gitignore`：\n```\nrequirements\u002F\n```\n\n## 📚 示例\n\n### 功能开发\n```\n\u002Frequirements-start 添加用户头像上传功能\n# AI 分析代码库结构\n# 回答关于该功能的5个是非题\n# AI 自主研究相关代码\n# 回答5个专家级是非题\n# 获取包含文件路径的全面需求文档\n```\n\n### Bug 修复需求\n```\n\u002Frequirements-start 修复仪表盘性能问题\n# 回答关于范围的问题\n# AI 定位存在问题的组件\n# 回答关于可接受解决方案的问题\n# 获取针对性的修复需求\n```\n\n### UI 优化\n```\n\u002Frequirements-start 改善移动端导航体验\n# 回答关于当前问题的提问\n# AI 分析现有导航\n# 回答关于期望行为的提问\n# 获取详细的UI需求文档\n```\n\n## 🤝 贡献指南\n\n1. Fork 本仓库\n2. 创建你的功能分支\n3. 添加新命令或改进现有命令\n4. 提交 Pull Request\n\n### 贡献建议\n- 添加常见功能的需求模板\n- 创建需求验证命令\n- 构建需求到实现的跟踪机制\n- 增加多语言问题支持\n\n## 📄 许可证\n\nMIT 许可证 - 欢迎在你的项目中自由使用和修改。\n\n## 🙏 致谢\n\n受 [@iannuttall](https:\u002F\u002Fgithub.com\u002Fiannuttall) 的 [claude-sessions](https:\u002F\u002Fgithub.com\u002Fiannuttall\u002Fclaude-sessions) 项目启发，该项目率先提出了针对 Claude Code 的结构化会话管理概念。\n\n---\n\n**请记住**：今天制定良好的需求，就能避免明天的混乱！","# Claude Requirements Builder 快速上手指南\n\n`claude-code-requirements-builder` 是一个专为 Claude Code 设计的智能需求收集系统。它能自动分析代码库上下文，通过简单的“是\u002F否”问答（支持默认值），生成包含具体文件路径和技术模式的综合需求文档，无需深厚的代码知识即可使用。\n\n## 环境准备\n\n*   **系统要求**：macOS, Linux 或 Windows (WSL)\n*   **前置依赖**：\n    *   已安装并配置好 [Claude Code](https:\u002F\u002Fclaude.ai\u002Fcode) CLI 工具。\n    *   本地拥有 Git 环境。\n    *   确保当前项目目录有读写权限。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    将工具源码下载到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Frizethereum\u002Fclaude-code-requirements-builder.git\n    cd claude-code-requirements-builder\n    ```\n\n2.  **部署命令文件**\n    将命令定义复制到 Claude 的全局命令目录（或当前项目的 `.claude\u002Fcommands\u002F` 目录）：\n    ```bash\n    # 全局安装（推荐）\n    cp -r commands ~\u002F.claude\u002Fcommands\u002F\n\n    # 或者仅针对当前项目安装\n    # cp -r commands \u002Fyour\u002Fproject\u002F.claude\u002Fcommands\u002F\n    ```\n\n3.  **初始化存储目录**\n    在项目根目录创建需求文档存储空间：\n    ```bash\n    mkdir -p requirements\n    touch requirements\u002F.current-requirement\n    ```\n\n4.  **配置忽略规则（可选）**\n    如果不想将生成的需求文档提交到版本控制，请将以下内容加入 `.gitignore`：\n    ```text\n    requirements\u002F\n    ```\n\n## 基本使用\n\n### 1. 启动需求收集\n使用 `\u002Frequirements-start` 命令并开始描述你的新功能或变更。AI 会先分析代码库结构，然后开始提问。\n\n```bash\n\u002Frequirements-start add user profile picture upload\n```\n\n### 2. 回答问题\n系统会分两阶段提问（共 10 个），所有问题均为 **Yes\u002FNo** 格式。\n*   直接回答 `yes` 或 `no`。\n*   如果不确定，输入 `idk`，系统将自动应用基于最佳实践的智能默认值。\n\n**示例交互：**\n> **AI**: Q1: Will users interact with this feature through a visual interface? (Default: YES)\n> **你**: yes\n>\n> **AI**: Q2: Does this feature need to work on mobile devices? (Default: YES)\n> **你**: idk\n> *(AI 自动记录为 YES 并继续)*\n\n### 3. 查看进度与状态\n随时检查当前需求的收集进度或查看详细信息：\n\n```bash\n# 查看进度并继续问答\n\u002Frequirements-status\n\n# 查看当前活跃需求的详情\n\u002Frequirements-current\n```\n\n### 4. 结束并生成文档\n当问答完成或你想提前结束时，运行结束命令。系统将生成包含问题陈述、功能需求、技术约束和验收标准的完整规格说明书。\n\n```bash\n\u002Frequirements-end\n```\n\n### 5. 其他常用命令\n\n```bash\n# 列出所有历史需求及其状态\n\u002Frequirements-list\n\n# 如果 AI 偏离轨道（如开始写代码或问开放性问题），提醒它遵守规则\n\u002Fremind\n```\n\n生成的文档将保存在 `requirements\u002FYYYY-MM-DD-HHMM-name\u002F` 目录下，其中 `06-requirements-spec.md` 为最终的需求规格说明书。","某电商初创团队的后端工程师需要在现有的 Node.js 项目中紧急添加“订单导出为 PDF\"功能，但面对数万行遗留代码，他难以快速理清架构依赖。\n\n### 没有 claude-code-requirements-builder 时\n- **盲目沟通成本高**：工程师需花费数小时手动翻阅代码库寻找现有的导出服务位置，再与产品经理反复确认技术细节，效率极低。\n- **需求文档缺失上下文**：传统需求文档往往只记录业务逻辑，缺乏具体的文件路径和代码模式参考，导致开发时频繁返工。\n- **非技术人员参与困难**：产品经理因不懂代码结构，无法准确回答关于技术实现的问题，导致需求定义模糊不清。\n- **易偏离既有架构**：在没有自动分析的情况下，新功能容易引入不一致的代码风格或重复造轮子，破坏系统稳定性。\n\n### 使用 claude-code-requirements-builder 后\n- **智能引导式问答**：工具先自动分析代码库，随后仅向用户提出简单的“是\u002F否”问题（如“是否复用现有的 ExportService？”），极大降低了沟通门槛。\n- **生成带路径的精确规格**：自动输出的需求文档直接包含具体文件路径（如 `services\u002FExportService.ts`）和现有代码模式，开发人员可直接对照编码。\n- **零代码知识门槛**：产品经理无需了解技术细节，只需对工具生成的上下文感知问题回答\"idk\"或“是”，即可完成专业级需求定义。\n- **确保架构一致性**：基于对代码库的深度扫描，工具强制新需求遵循现有架构规范，从源头避免了技术债务的产生。\n\nclaude-code-requirements-builder 通过将复杂的代码分析与简化的交互流程结合，让非技术人员也能协同产出具备工程落地性的高质量需求文档。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frizethereum_claude-code-requirements-builder_2ead6f74.png","rizethereum","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Frizethereum_97d1487a.png","https:\u002F\u002Fgithub.com\u002Frizethereum",1757,174,"2026-04-10T15:27:49","MIT",2,"Linux, macOS, Windows","未说明",{"notes":25,"python":23,"dependencies":26},"该工具并非独立的 AI 模型，而是一套用于 Claude Code 的提示词命令和工作流系统。运行前提是用户已安装并配置好 Claude Code 环境。安装过程仅需克隆仓库并将命令文件复制到 ~\u002F.claude\u002Fcommands\u002F 或项目本地 .claude\u002Fcommands\u002F 目录，无需安装额外的 Python 包、GPU 驱动或深度学习框架。",[],[28,29,30],"语言模型","Agent","插件","ready","2026-03-27T02:49:30.150509","2026-04-11T10:02:43.805639",[],[],[37,49,57,65,73,81],{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":43,"last_commit_at":44,"category_tags":45,"status":31},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",[29,46,47,48],"开发框架","图像","数据工具",{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":43,"last_commit_at":55,"category_tags":56,"status":31},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",[46,47,29],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":21,"last_commit_at":63,"category_tags":64,"status":31},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",150037,"2026-04-10T23:33:47",[46,29,28],{"id":66,"name":67,"github_repo":68,"description_zh":69,"stars":70,"difficulty_score":21,"last_commit_at":71,"category_tags":72,"status":31},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",[46,47,29],{"id":74,"name":75,"github_repo":76,"description_zh":77,"stars":78,"difficulty_score":21,"last_commit_at":79,"category_tags":80,"status":31},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",[30,29,47,46],{"id":82,"name":83,"github_repo":84,"description_zh":85,"stars":86,"difficulty_score":21,"last_commit_at":87,"category_tags":88,"status":31},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",[30,46]]