[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-simonw--claude-skills":3,"tool-simonw--claude-skills":64},[4,17,26,36,44,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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",144730,2,"2026-04-07T23:26:32",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"status":16},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",[25,13],"插件",{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":16},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",90106,3,"2026-04-06T11:19:32",[15,35,14,13],"图像",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":10,"last_commit_at":42,"category_tags":43,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-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。\n\n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。",85013,"2026-04-06T11:09:19",[35,52,53,25,14,54,15,13,55],"数据工具","视频","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":32,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[14,35,13,15,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":79,"owner_twitter":76,"owner_website":82,"owner_url":83,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":79,"difficulty_score":87,"env_os":88,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":93,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":94,"updated_at":95,"faqs":96,"releases":97},5267,"simonw\u002Fclaude-skills","claude-skills","The contents of \u002Fmnt\u002Fskills in Claude's code interpreter environment","claude-skills 是一个专门用于归档和分享 Claude 代码解释器环境中内置技能文件的开源项目。在 Claude 的代码执行环境里，`\u002Fmnt\u002Fskills` 目录存储了大量预置的功能模块，这些模块赋予了模型处理复杂任务的能力，但普通用户通常无法直接查看或下载它们。claude-skills 的出现正好解决了这一“黑盒”问题，它将这些内部技能文件整理成可访问的仓库，让用户能够透明地研究、学习甚至复用这些高质量的提示词与逻辑脚本。\n\n该项目特别适合开发者、AI 研究人员以及希望深入理解大模型运作机制的技术爱好者使用。通过查阅这些技能文件，用户可以洞察 Anthropic 如何构建和优化 Claude 的特定能力，从而为自己的应用开发提供灵感或直接参考。其独特的技术亮点在于获取方式极具创意：整个档案库并非通过后台导出，而是直接通过向 Claude 发送一条简单的自然语言指令（“打包\u002Fmnt\u002Fskills 下的所有文件”），由模型自主调用代码解释器功能生成并下载。这种“用 AI 提取 AI 内部知识”的方法，不仅展示了代码解释器的强大潜力，也为探索模型内部资源提供了一种新颖且高效","claude-skills 是一个专门用于归档和分享 Claude 代码解释器环境中内置技能文件的开源项目。在 Claude 的代码执行环境里，`\u002Fmnt\u002Fskills` 目录存储了大量预置的功能模块，这些模块赋予了模型处理复杂任务的能力，但普通用户通常无法直接查看或下载它们。claude-skills 的出现正好解决了这一“黑盒”问题，它将这些内部技能文件整理成可访问的仓库，让用户能够透明地研究、学习甚至复用这些高质量的提示词与逻辑脚本。\n\n该项目特别适合开发者、AI 研究人员以及希望深入理解大模型运作机制的技术爱好者使用。通过查阅这些技能文件，用户可以洞察 Anthropic 如何构建和优化 Claude 的特定能力，从而为自己的应用开发提供灵感或直接参考。其独特的技术亮点在于获取方式极具创意：整个档案库并非通过后台导出，而是直接通过向 Claude 发送一条简单的自然语言指令（“打包\u002Fmnt\u002Fskills 下的所有文件”），由模型自主调用代码解释器功能生成并下载。这种“用 AI 提取 AI 内部知识”的方法，不仅展示了代码解释器的强大潜力，也为探索模型内部资源提供了一种新颖且高效的范式。","# claude-skills\n\nSee [my blog post](https:\u002F\u002Fsimonwillison.net\u002F2025\u002FOct\u002F10\u002Fclaude-skills\u002F) for background on this project.\n\nAnthropic now have an official repository for Claude skills here:\n\nhttps:\u002F\u002Fgithub.com\u002Fanthropics\u002Fskills\n\nThe files that were previously archived in this repository can be found here:\n\nhttps:\u002F\u002Fgithub.com\u002Fanthropics\u002Fskills\u002Ftree\u002F83291af582d21f5418854fa628a76686203c2f7a\u002Fdocument-skills \n\n## Creating a skills archive with a prompt\n\nCreated by prompting [Claude.ai](https:\u002F\u002Fclaude.ai):\n\n> `Create a zip file of everything in your \u002Fmnt\u002Fskills folder`\n>\n[Run that prompt on Claude.ai](https:\u002F\u002Fclaude.ai\u002Fnew?q=Create%20a%20zip%20file%20of%20everything%20in%20your%20%2Fmnt%2Fskills%20folder)\n","# 克劳德技能\n\n有关该项目的背景信息，请参阅[我的博客文章](https:\u002F\u002Fsimonwillison.net\u002F2025\u002FOct\u002F10\u002Fclaude-skills\u002F)。\n\nAnthropic 现已在以下位置提供了 Claude 技能的官方仓库：\n\nhttps:\u002F\u002Fgithub.com\u002Fanthropics\u002Fskills\n\n此前在此仓库中归档的文件，现在可以在以下地址找到：\n\nhttps:\u002F\u002Fgithub.com\u002Fanthropics\u002Fskills\u002Ftree\u002F83291af582d21f5418854fa628a76686203c2f7a\u002Fdocument-skills \n\n## 使用提示创建技能存档\n\n通过向 [Claude.ai](https:\u002F\u002Fclaude.ai) 发送以下提示创建：\n\n> `将您 \u002Fmnt\u002Fskills 文件夹中的所有内容打包成一个 ZIP 文件`\n>\n[在 Claude.ai 上运行该提示](https:\u002F\u002Fclaude.ai\u002Fnew?q=Create%20a%20zip%20file%20of%20everything%20in%20your%20%2Fmnt%2Fskills%20folder)","# claude-skills 快速上手指南\n\n`claude-skills` 是一个用于归档和管理 Claude 技能（Skills）文件的工具库。随着 Anthropic 官方发布了新的技能仓库，本项目主要作为历史存档及快速打包工具的参考。\n\n## 环境准备\n\n- **操作系统**：Windows、macOS 或 Linux\n- **前置依赖**：\n  - 已注册并登录 [Claude.ai](https:\u002F\u002Fclaude.ai) 账号\n  - 现代浏览器（推荐 Chrome 或 Edge）\n  - 无需本地安装 Python 或 Node.js 环境，核心功能通过网页端提示词完成\n\n## 安装步骤\n\n本项目主要为文件存档和提示词集合，**无需传统意义上的本地安装**。\n\n1. **访问官方技能库**（推荐）：\n   目前 Anthropic 已托管官方技能仓库，建议直接访问最新源：\n   ```text\n   https:\u002F\u002Fgithub.com\u002Fanthropics\u002Fskills\n   ```\n\n2. **获取历史存档**（如需）：\n   若需使用本仓库归档的旧版技能文件，可克隆或下载：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fanthropics\u002Fskills.git\n   cd skills\n   # 切换到包含 document-skills 的历史提交\n   git checkout 83291af582d21f5418854fa628a76686203c2f7a\n   ```\n\n## 基本使用\n\n核心用法是通过特定的提示词（Prompt），让 Claude 自动将 `\u002Fmnt\u002Fskills` 目录下的所有技能文件打包为 ZIP 档案。\n\n1. 打开 [Claude.ai](https:\u002F\u002Fclaude.ai) 并新建对话。\n2. 在输入框中粘贴以下提示词并发送：\n   ```text\n   Create a zip file of everything in your \u002Fmnt\u002Fskills folder\n   ```\n3. Claude 将处理请求并提供一个可下载的 `.zip` 文件链接，点击即可保存所有技能文件到本地。\n\n> **提示**：您可以直接通过以下链接一键启动该对话：\n> https:\u002F\u002Fclaude.ai\u002Fnew?q=Create%20a%20zip%20file%20of%20everything%20in%20your%20%2Fmnt%2Fskills%20folder","一位数据分析师正试图让 Claude 在代码解释器环境中执行复杂的自定义数据清洗流程，但发现模型缺乏特定的领域处理逻辑。\n\n### 没有 claude-skills 时\n- 每次对话都需要重新向 Claude 详细描述复杂的数据清洗规则，耗费大量提示词额度且容易遗漏细节。\n- 模型无法持久化存储专用的处理脚本，导致每次新会话都要重新生成或粘贴相同的代码片段。\n- 遇到报错时，难以快速定位是通用逻辑错误还是特定技能缺失，调试过程如同在黑盒中摸索。\n- 团队协作困难，无法将经过验证的优秀处理逻辑打包共享给其他成员直接调用。\n\n### 使用 claude-skills 后\n- 只需将整理好的技能文件放入 `\u002Fmnt\u002Fskills` 目录，Claude 即可自动识别并加载预设的专业数据处理能力。\n- 复杂的清洗逻辑被封装为可复用的技能模块，新会话中无需重复指令，模型直接调用已有经验。\n- 基于官方归档的技能库，用户可以快速比对标准实现与自定义逻辑的差异，大幅缩短排查时间。\n- 通过简单的压缩命令即可打包整个技能环境，团队成员能一键部署完全一致的分析上下文。\n\nclaude-skills 通过将零散的提示工程转化为可持久化、可共享的代码技能库，彻底改变了开发者与 Claude 协作的深度与效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsimonw_claude-skills_269446b5.png","simonw","Simon Willison","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsimonw_1c2d8190.jpg",null,"Datasette","Half Moon Bay, California","https:\u002F\u002Fsimonwillison.net\u002F","https:\u002F\u002Fgithub.com\u002Fsimonw",921,134,"2026-04-02T15:29:48",1,"","未说明",{"notes":91,"python":89,"dependencies":92},"该项目并非本地运行的 AI 模型，而是一个用于归档 Anthropic 官方 Claude Skills 文件的仓库。技能文件需通过向云端服务 Claude.ai 发送提示词来生成 ZIP 压缩包，因此无需配置本地 GPU、Python 环境或安装依赖库。",[],[15,25],"2026-03-27T02:49:30.150509","2026-04-08T07:44:44.514766",[],[]]