[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-vignshwarar--AI-Employe":3,"tool-vignshwarar--AI-Employe":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"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",[15,14,13,26,54],{"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":79,"owner_location":80,"owner_email":79,"owner_twitter":81,"owner_website":79,"owner_url":82,"languages":83,"stars":104,"forks":105,"last_commit_at":106,"license":107,"difficulty_score":108,"env_os":109,"env_gpu":109,"env_ram":109,"env_deps":110,"category_tags":118,"github_topics":119,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":126,"updated_at":127,"faqs":128,"releases":129},3734,"vignshwarar\u002FAI-Employe","AI-Employe","Create browser automation as if you were teaching a human using GPT-4 Vision.","AI-Employe 是一款创新的浏览器自动化工具，旨在让用户像教导真人同事一样，通过自然语言和视觉示范来创建自动化工作流。它利用 GPT-4 Vision 的强大能力，让用户只需演示操作步骤，即可让 AI 学会并在浏览器中重复执行复杂任务。\n\n传统浏览器自动化代理常面临两大难题：一是难以精准定位网页元素，容易因页面结构变化而产生“幻觉”导致操作失败；二是 AI 在执行长流程时容易偏离既定目标。AI-Employe 独创性地引入了 MeiliSearch 全文索引技术，将网页 DOM 结构化存储，使 AI 能根据文本内容精准锁定操作对象，大幅提升了稳定性。同时，它采用“动作增强生成”策略，在用户创建流程时记录具体的 DOM 变更而非简单的屏幕录像，将这些真实操作数据作为上下文反馈给模型，确保 AI 始终紧扣任务目标，即使指令不够详尽也能准确执行。\n\n该项目基于 Next.js、Rust 和 Postgres 构建，目前以开源形式提供，适合具有一定技术背景的开发者、自动化研究人员以及希望探索前沿 AI 应用的产品设计师使用。虽然普通用户也可尝试，但当前版本需要配置 Firebase 和本","AI-Employe 是一款创新的浏览器自动化工具，旨在让用户像教导真人同事一样，通过自然语言和视觉示范来创建自动化工作流。它利用 GPT-4 Vision 的强大能力，让用户只需演示操作步骤，即可让 AI 学会并在浏览器中重复执行复杂任务。\n\n传统浏览器自动化代理常面临两大难题：一是难以精准定位网页元素，容易因页面结构变化而产生“幻觉”导致操作失败；二是 AI 在执行长流程时容易偏离既定目标。AI-Employe 独创性地引入了 MeiliSearch 全文索引技术，将网页 DOM 结构化存储，使 AI 能根据文本内容精准锁定操作对象，大幅提升了稳定性。同时，它采用“动作增强生成”策略，在用户创建流程时记录具体的 DOM 变更而非简单的屏幕录像，将这些真实操作数据作为上下文反馈给模型，确保 AI 始终紧扣任务目标，即使指令不够详尽也能准确执行。\n\n该项目基于 Next.js、Rust 和 Postgres 构建，目前以开源形式提供，适合具有一定技术背景的开发者、自动化研究人员以及希望探索前沿 AI 应用的产品设计师使用。虽然普通用户也可尝试，但当前版本需要配置 Firebase 和本地环境，更适合愿意动手部署的技术爱好者。随着后续对语音控制、云端版本及更多开放模型的支持，AI-Employe 有望成为连接人类意图与数字操作的智能桥梁。","## Install\n\nTry without Firebase authentication (temporary solution): https:\u002F\u002Fgithub.com\u002Fvignshwarar\u002FAI-Employe\u002Fissues\u002F2#issuecomment-1880328518\n\nOur stack consists of Next.js, Rust, Postgres, MeiliSearch, and Firebase Auth for authentication. Please sign up for a Firebase account and create a project.\n\nIn Firebase, navigate to Project settings -> Service accounts, generate a private key, and save it inside ```firebaseAdmin\u002Fcert\u002Fdev.json``` if it's for development or prod.json if it's for production.\n\nAfter that, make sure you install the dependencies before starting the app.\n\n\n\n- Copy the the .env.sample file to .env.production or .env.development\n- Fill the .env file with your credentials\n- Run `npm install`\n- Run `npm run db:deploy`\n- Run `npm run dev` (for development)\n- Run `npm run build` (for production)\n- Run `npm run start` (for production)\n\nOnce you have run 'dev' or 'build', you will find the extension built inside the `.\u002Fclient\u002Fextension\u002Fbuild` folder. You can then load this folder as an unpacked extension in your browser.\n\n## How it Works\n\nThere are several problems with current browser agents. Here, we explain the problems and how we have solved them.\n\n### Problem 1: Finding the Right Element\n\nThere are several techniques for this, ranging from sending a shortened form of HTML to GPT-3, creating a bounding box with IDs and sending it to GPT-4-vision to take actions, or directly asking GPT-4-vision to obtain the X and Y coordinates of the element. However, none of these methods were reliable; they all led to hallucinations.\n\nTo address this, we developed a new technique where we [index](https:\u002F\u002Fgithub.com\u002Fvignshwarar\u002FAI-Employe\u002Fblob\u002Fdb530101c9fd9a0f0d7ce3eeac033e70cb172541\u002Fserver\u002Fsrc\u002Fcommon\u002Fdom\u002Fsearch.rs#L9) the entire DOM in MeiliSearch, allowing GPT-4-vision to generate commands for which element's inner text to click, copy, or perform other actions. We then [search](https:\u002F\u002Fgithub.com\u002Fvignshwarar\u002FAI-Employe\u002Fblob\u002Fdb530101c9fd9a0f0d7ce3eeac033e70cb172541\u002Fserver\u002Fsrc\u002Fcommon\u002Fdom\u002Fsearch.rs#L46) the index with the generated text and retrieve the element ID to send back to the browser to take action. There are a few limitations here, but we have implemented some techniques to overcome them, such as dealing with the same text in multiple elements or clicking on an icon (we are still working on this).\n\n### Problem 2: GPT Derailing from Workflow\n\nTo prevent GPT from derailing from tasks, we use a technique that is akin to retrieval-augmented generation, but we kind of call it Actions Augmented Generation. Essentially, when a user creates a workflow, we don't record the screen, microphone, or camera, but we do record the DOM element changes for every action (clicking, typing, etc.) the user takes. We then use the workflow title, objective, and recorded actions to generate a set of tasks. Whenever we execute a task, we embed all the actions the user took on that particular domain with the prompt. This way, GPT stays on track with the task, even if the user has not provided a very brief title and objective; their actions will guide GPT to complete the task.\n\n## Roadmap\n\n- [x] Workflows\n- [x] Chat with what you see\n- [ ] More actions support scrolling, opening links in a new tab, etc.\n- [ ] Loop in workflows\n- [ ] Clever Tab management\n- [ ] Share workflows\n- [ ] Open source models support\n- [ ] Community shared workflows\n- [ ] Cloud version of AI Employe\n- [ ] Control browser by text\n- [ ] Control browser by voice\n- [ ] more to come...\n","## 安装\n\n尝试不使用 Firebase 身份验证（临时解决方案）：https:\u002F\u002Fgithub.com\u002Fvignshwarar\u002FAI-Employe\u002Fissues\u002F2#issuecomment-1880328518\n\n我们的技术栈包括 Next.js、Rust、Postgres、MeiliSearch，以及用于身份验证的 Firebase Auth。请注册一个 Firebase 账号并创建一个项目。\n\n在 Firebase 中，导航到“项目设置”->“服务账户”，生成私钥，并将其保存到 ```firebaseAdmin\u002Fcert\u002Fdev.json```（开发环境）或 ```prod.json```（生产环境）中。\n\n之后，请确保在启动应用之前安装好依赖项。\n\n\n\n- 将 .env.sample 文件复制为 .env.production 或 .env.development\n- 使用您的凭据填写 .env 文件\n- 运行 `npm install`\n- 运行 `npm run db:deploy`\n- 运行 `npm run dev`（用于开发）\n- 运行 `npm run build`（用于生产）\n- 运行 `npm run start`（用于生产）\n\n运行完 'dev' 或 'build' 后，您会发现扩展程序已构建在 `.\u002Fclient\u002Fextension\u002Fbuild` 文件夹中。随后，您可以将该文件夹作为未打包的扩展程序加载到浏览器中。\n\n## 工作原理\n\n当前的浏览器代理存在若干问题。在此，我们将解释这些问题以及我们是如何解决它们的。\n\n### 问题 1：找到正确的元素\n\n目前有多种方法可以实现这一目标，例如将 HTML 的简略形式发送给 GPT-3、通过 ID 创建边界框并将其传递给 GPT-4-vision 来执行操作，或者直接让 GPT-4-vision 获取元素的 X 和 Y 坐标。然而，这些方法均不可靠，且容易产生幻觉。\n\n为此，我们开发了一种新方法：将整个 DOM 索引到 MeiliSearch 中，这样 GPT-4-vision 就可以根据用户指令生成要点击、复制或其他操作的目标元素的内文内容。然后，我们使用生成的文本在索引中进行搜索，获取元素 ID 并将其返回给浏览器以执行相应操作。尽管这种方法仍有一些局限性，但我们已经采取了一些技术手段来克服这些问题，比如处理多个元素中出现相同文本的情况，或点击图标等操作（目前仍在优化中）。\n\n### 问题 2：GPT 偏离工作流\n\n为防止 GPT 偏离任务流程，我们采用了一种类似于检索增强生成的技术，不过我们称之为“动作增强生成”。具体来说，当用户创建工作流时，我们不会录制屏幕、麦克风或摄像头，而是记录用户每次操作（点击、输入等）所引起的 DOM 元素变化。接着，我们结合工作流标题、目标以及记录的操作生成一系列任务。每当我们执行一项任务时，都会将用户在该特定领域的所有操作嵌入到提示词中。这样一来，即使用户没有提供非常简洁的标题和目标，GPT 也能根据用户的实际操作步骤保持任务方向，顺利完成任务。\n\n## 路线图\n\n- [x] 工作流\n- [x] “所见即聊”\n- [ ] 支持更多操作，如滚动页面、在新标签页中打开链接等\n- [ ] 工作流中的循环功能\n- [ ] 智能标签管理\n- [ ] 分享工作流\n- [ ] 支持开源模型\n- [ ] 社区共享的工作流\n- [ ] AI Employe 的云端版本\n- [ ] 通过文本控制浏览器\n- [ ] 通过语音控制浏览器\n- [ ] 更多功能敬请期待……","# AI-Employe 快速上手指南\n\nAI-Employe 是一款基于 Next.js、Rust、Postgres 和 MeiliSearch 构建的智能浏览器代理工具，旨在解决传统浏览器自动化中元素定位不准和任务偏离工作流的问题。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (WSL2 推荐)\n*   **Node.js**: 建议版本 v18+ (用于运行 Next.js 前端)\n*   **Rust**: 最新稳定版 (用于后端服务)\n*   **数据库**: PostgreSQL\n*   **搜索引擎**: MeiliSearch\n*   **Firebase 账号**: 用于身份验证（需创建项目并生成服务账户密钥）\n*   **浏览器**: Chrome 或 Edge (用于加载扩展程序)\n\n> **提示**：国内开发者安装 `npm` 依赖时，建议使用淘宝镜像源加速：\n> `npm config set registry https:\u002F\u002Fregistry.npmmirror.com`\n\n## 安装步骤\n\n### 1. 配置 Firebase 认证\n1. 登录 [Firebase Console](https:\u002F\u002Fconsole.firebase.google.com\u002F) 创建新项目。\n2. 进入 **Project settings** -> **Service accounts**。\n3. 点击 **Generate new private key** 下载 JSON 密钥文件。\n4. 将文件重命名并放置于项目目录：\n   *   开发环境：`firebaseAdmin\u002Fcert\u002Fdev.json`\n   *   生产环境：`firebaseAdmin\u002Fcert\u002Fprod.json`\n\n### 2. 配置环境变量\n复制示例配置文件并根据实际情况填写凭证（包括数据库连接、Firebase 配置等）：\n\n```bash\ncp .env.sample .env.development\n# 编辑 .env.development 填入你的 credentials\n```\n\n### 3. 安装依赖与初始化\n执行以下命令安装依赖并部署数据库架构：\n\n```bash\nnpm install\nnpm run db:deploy\n```\n\n### 4. 启动开发服务\n启动本地开发服务器：\n\n```bash\nnpm run dev\n```\n\n> **注意**：如果您希望尝试无需 Firebase 认证的临时方案，请参考项目 Issue #2 中的相关评论。\n\n## 基本使用\n\n完成上述步骤后，即可在浏览器中加载并使用 AI-Employe 扩展。\n\n### 1. 加载扩展程序\n当 `npm run dev` 或 `npm run build` 成功运行后，编译好的扩展文件位于 `.\u002Fclient\u002Fextension\u002Fbuild` 目录。\n\n1. 打开 Chrome\u002FEdge 浏览器，访问 `chrome:\u002F\u002Fextensions\u002F`。\n2. 开启右上角的 **开发者模式**。\n3. 点击 **加载已解压的扩展程序**，选择 `.\u002Fclient\u002Fextension\u002Fbuild` 文件夹。\n\n### 2. 创建工作流\n1. 点击浏览器工具栏中的 AI-Employe 图标打开面板。\n2. 输入任务目标（例如：“查找某产品的价格并复制”）。\n3. 系统会自动记录您的 DOM 操作（点击、输入等），结合检索增强生成技术（Actions Augmented Generation），引导 AI 准确执行任务而不会偏离上下文。\n\n### 3. 生产环境部署（可选）\n如需部署生产版本，请执行：\n\n```bash\nnpm run build\nnpm run start\n```","某电商运营专员每天需登录后台，从数十个供应商页面手动抓取新品价格与库存数据并录入 Excel。\n\n### 没有 AI-Employe 时\n- 面对动态加载的网页元素，传统 RPA 脚本常因选择器失效而报错，维护成本极高。\n- 每次网站改版或布局微调，都需要重新编写代码定位元素，导致自动化流程频繁中断。\n- 人工重复操作耗时费力，且在高强度复制粘贴中极易出现数据抄写错误。\n- 缺乏智能上下文理解，一旦遇到弹窗或非常规按钮，脚本无法自主判断如何处理。\n\n### 使用 AI-Employe 后\n- 利用 GPT-4 Vision 结合 MeiliSearch 全文索引技术，精准识别页面文本内容，不再依赖易碎的选择器。\n- 通过“动作增强生成”技术记录操作流，即使页面微调，AI 也能根据历史行为逻辑自动适应新布局。\n- 用户只需像教导真人一样演示一次操作流程，AI-Employe 即可自动生成稳定运行的浏览器自动化任务。\n- 智能处理异常场景，如自动关闭促销弹窗或识别图标按钮，确保数据抓取全流程无人值守。\n\nAI-Employe 将原本需要数小时维护的脆弱脚本，转化为一次演示即可长期稳定运行的智能员工，彻底释放人力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fvignshwarar_AI-Employe_84ce59c9.png","vignshwarar","Vignesh","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fvignshwarar_4bf94587.png",null,"Paris","Vignesh_warar","https:\u002F\u002Fgithub.com\u002Fvignshwarar",[84,88,92,96,100],{"name":85,"color":86,"percentage":87},"TypeScript","#3178c6",72.2,{"name":89,"color":90,"percentage":91},"Rust","#dea584",26.1,{"name":93,"color":94,"percentage":95},"JavaScript","#f1e05a",0.9,{"name":97,"color":98,"percentage":99},"CSS","#663399",0.5,{"name":101,"color":102,"percentage":103},"HTML","#e34c26",0.2,586,55,"2026-03-15T17:33:04","AGPL-3.0",4,"未说明",{"notes":111,"python":109,"dependencies":112},"该项目主要基于 Next.js (JavaScript\u002FTypeScript) 和 Rust 构建，而非 Python。运行前需配置 Firebase 项目并生成服务账户密钥文件。数据库需执行 'npm run db:deploy' 进行部署。最终产物为浏览器扩展，需将 '.\u002Fclient\u002Fextension\u002Fbuild' 文件夹作为未打包的扩展程序加载到浏览器中使用。",[113,89,114,115,116,117],"Next.js","Postgres","MeiliSearch","Firebase Auth","Node.js (npm)",[54,26,15],[120,121,122,123,124,125],"automation","automation-testing","gpt-4","productivity","multimodal","rpa","2026-03-27T02:49:30.150509","2026-04-06T05:35:46.889086",[],[]]