用AI生成内容之后，怎么快速变成能直接用的Word文档，Open WebUI上这个工具专治这个问题。
它把模型输出的Markdown（带YAML头信息）或JSON规范吃进去，直接用python-docx在底层生成原生.docx文件，不走HTML或PDF那套中间格式。
封面页、带分割线的多级标题、表格样式、提示框、代码展示、签名栏、目录、页眉页脚，一应俱全。
目前支持七种模板（报告、白皮书、提案、信函、备忘录、会议纪要、空白），配色从单一强调色衍生，调一个色就能重绘整个文档风格。
用起来也简单：模型调用generate_document，传入Markdown或JSON，工具解析后通过Open WebUI文件API保存，对话里直接返回下载链接。
https://github.com/ianustec/openwebui-generate-documents
它把模型输出的Markdown（带YAML头信息）或JSON规范吃进去，直接用python-docx在底层生成原生.docx文件，不走HTML或PDF那套中间格式。
封面页、带分割线的多级标题、表格样式、提示框、代码展示、签名栏、目录、页眉页脚，一应俱全。
目前支持七种模板（报告、白皮书、提案、信函、备忘录、会议纪要、空白），配色从单一强调色衍生，调一个色就能重绘整个文档风格。
用起来也简单：模型调用generate_document，传入Markdown或JSON，工具解析后通过Open WebUI文件API保存，对话里直接返回下载链接。
https://github.com/ianustec/openwebui-generate-documents
流程图、甘特图、时序图，这些在技术文档里高频出现的可视化工具，多数Markdown编辑器要么原生不支持，要么将其划入付费订阅范畴。
Arya的出现打破了这层限制。这款开源在线编辑器将图表能力完全开放，不设任何收费门槛。PPT预览、HTML自动转换、Echarts图表渲染，甚至五线谱编辑都在它的功能清单内。
本地存储是默认策略，数据无需经过云端，隐私风险因此得到有效控制。导出维度覆盖PDF、PNG、JPEG三种常用格式。
在线版即开即用，有自建偏好的用户也可通过Docker或Cloudflare Pages完成私有化部署。A觉得真不错哈
🔗：https://github.com/nicejade/markdown-online-editor
Arya的出现打破了这层限制。这款开源在线编辑器将图表能力完全开放，不设任何收费门槛。PPT预览、HTML自动转换、Echarts图表渲染，甚至五线谱编辑都在它的功能清单内。
本地存储是默认策略，数据无需经过云端，隐私风险因此得到有效控制。导出维度覆盖PDF、PNG、JPEG三种常用格式。
在线版即开即用，有自建偏好的用户也可通过Docker或Cloudflare Pages完成私有化部署。A觉得真不错哈
🔗：https://github.com/nicejade/markdown-online-editor
Zotero装上PDF2zh，读英文论文那套"查词-切屏-找位置-接着读"的循环动作直接砍掉一整条链路。
整篇PDF一键翻完，中英对照也有，公式和图表该在哪儿还在哪儿。双栏论文转单栏之后，手机上看再也不用来回放大缩小。
翻译引擎不止一个，Bing、DeepSeek、智谱都能切。字体也放开了自定义，换成霞鹜文楷之后中文字形更稳，眼睛负担小一些。
🔗：https://github.com/guaguastandup/zotero-pdf2zh
整篇PDF一键翻完，中英对照也有，公式和图表该在哪儿还在哪儿。双栏论文转单栏之后，手机上看再也不用来回放大缩小。
翻译引擎不止一个，Bing、DeepSeek、智谱都能切。字体也放开了自定义，换成霞鹜文楷之后中文字形更稳，眼睛负担小一些。
🔗：https://github.com/guaguastandup/zotero-pdf2zh
Git命令行难记，可视化工具又大多收费，是个老矛盾了。
Gitnuro是GitHub上开源免费的桌面客户端，该有的功能一个没砍。提交、推送这些基础操作做成可视化点击，变基、交互式操作也照样能走通。
差异对比支持文本和图片，分支管理走完创建删除合并变基整套流程，暂存区可以按行按块操作，交互式变基、文件追溯、子模块都涵盖，主题配色也能调。搜索按提交信息、作者或commit ID都能定位。
🔗：https://github.com/JetpackDuba/Gitnuro
Gitnuro是GitHub上开源免费的桌面客户端，该有的功能一个没砍。提交、推送这些基础操作做成可视化点击，变基、交互式操作也照样能走通。
差异对比支持文本和图片，分支管理走完创建删除合并变基整套流程，暂存区可以按行按块操作，交互式变基、文件追溯、子模块都涵盖，主题配色也能调。搜索按提交信息、作者或commit ID都能定位。
🔗：https://github.com/JetpackDuba/Gitnuro
给 Claude Code 这类 AI 编程助手配上本地持久记忆，可行吗？
Obsidian Mind 给了个很直接的方案。
这个项目的核心逻辑，是把 AI 编程助手需要的项目背景、任务笔记、技术决策和踩坑记录，统统存进本地的 Obsidian 知识库里。这样一来，每次新会话就不用再跟 AI 重复解释项目结构、代码规范或者之前试过哪些失败的路了。
AI 编程助手在单次对话里上下文理解很强，但跨会话的记忆几乎为零。尤其是在需要长期维护的项目里，助手很容易忘记之前为什么做某个修改、哪些路径或者模块有坑不能碰、哪些调试命令已经验证过行不通。
选择 Obsidian 作为后端有几个实在的好处：本地优先，数据完全在自己手里；用 Markdown 格式存储，人类开发者自己补充和整理笔记也很方便；配合 Git 做版本管理，修改历史一目了然。它不像一个黑盒数据库，更像一份“团队工程日志”加上“AI 专用的记忆层”。
🔗：https://github.com/breferrari/obsidian-mind
Obsidian Mind 给了个很直接的方案。
这个项目的核心逻辑，是把 AI 编程助手需要的项目背景、任务笔记、技术决策和踩坑记录，统统存进本地的 Obsidian 知识库里。这样一来，每次新会话就不用再跟 AI 重复解释项目结构、代码规范或者之前试过哪些失败的路了。
AI 编程助手在单次对话里上下文理解很强，但跨会话的记忆几乎为零。尤其是在需要长期维护的项目里，助手很容易忘记之前为什么做某个修改、哪些路径或者模块有坑不能碰、哪些调试命令已经验证过行不通。
选择 Obsidian 作为后端有几个实在的好处：本地优先，数据完全在自己手里；用 Markdown 格式存储，人类开发者自己补充和整理笔记也很方便；配合 Git 做版本管理，修改历史一目了然。它不像一个黑盒数据库，更像一份“团队工程日志”加上“AI 专用的记忆层”。
🔗：https://github.com/breferrari/obsidian-mind
AI Agent 记不住事的话，可以试试这个纯本地方案Mnemosyne。
专为 Hermes Agent 打造，底层跑在 SQLite 上，查询延迟压到 1ms 以内。全程离线，零成本、零依赖，数据不用过别人的手。
速度上确实能打——写入 0.81ms、读取 0.076ms、搜索 1.2ms，比 Honcho、Zep、Mem0 这些方案快了 43 到 500 倍。
隐私方面很彻底，数据完全留在本地，断网照样用，没有 API 调用，也就不存在按量付费和数据外泄的问题。
安装体验也简单，pip install 一条命令搞定。不需要 Docker，不用配置数据库，不用写配置文件，更不用注册或付费。
记忆架构分了三个层次：工作记忆管热上下文，情景记忆做长期存储并支持向量加全文混合检索，暂存器放临时推理。LongMemEval 测试里召回率能到 98.9%。
自动整理功能也配了，调用 sleep() 就能把旧记忆压缩归档，从工作记忆平滑转入长期存储。
如果你之前用的是 Zep、Mem0、Honcho 或者 Hindsight，一条命令就能把历史数据迁过来。
适合本地 Agent 开发、重视数据主权、追求低延迟、必须离线运行的场景。长处是速度、隐私和成本，短板是暂时没有 Web 管理界面和团队协作功能。
做本地 Agent 的话，值得上手试一试。
🔗：https://github.com/mnemosyne-oss/mnemosyne
专为 Hermes Agent 打造，底层跑在 SQLite 上，查询延迟压到 1ms 以内。全程离线，零成本、零依赖，数据不用过别人的手。
速度上确实能打——写入 0.81ms、读取 0.076ms、搜索 1.2ms，比 Honcho、Zep、Mem0 这些方案快了 43 到 500 倍。
隐私方面很彻底，数据完全留在本地，断网照样用，没有 API 调用，也就不存在按量付费和数据外泄的问题。
安装体验也简单，pip install 一条命令搞定。不需要 Docker，不用配置数据库，不用写配置文件，更不用注册或付费。
记忆架构分了三个层次：工作记忆管热上下文，情景记忆做长期存储并支持向量加全文混合检索，暂存器放临时推理。LongMemEval 测试里召回率能到 98.9%。
自动整理功能也配了，调用 sleep() 就能把旧记忆压缩归档，从工作记忆平滑转入长期存储。
如果你之前用的是 Zep、Mem0、Honcho 或者 Hindsight，一条命令就能把历史数据迁过来。
适合本地 Agent 开发、重视数据主权、追求低延迟、必须离线运行的场景。长处是速度、隐私和成本，短板是暂时没有 Web 管理界面和团队协作功能。
做本地 Agent 的话，值得上手试一试。
🔗：https://github.com/mnemosyne-oss/mnemosyne
给 Codex 装完这几个前端插件，做出来的界面总算不像 AI 流水线上批量产出的塑料件了。
Taste-Skill
专门打理字体、配色、留白、圆角、组件比例这些细节，还能把已经写好的页面拉出来审计重构，专门对付那种一眼假的廉价 AI 味。
🔗 https://github.com/leonxlnx/taste-skill
GSAP Skills
Codex 最缺的就是动效能力，这个插件把 Timeline、ScrollTrigger、Flip、SplitText、SVG 动画全部补齐了。
🔗 https://github.com/greensock/gsap-skills
Product Design Skill
先把产品结构和设计方向敲定，生成几套不同风格的高保真参考图，你点头确认之后再动手写代码，别让 AI 蒙着眼睛瞎写前端。
Figma Skill
直接读取设计稿、品牌规范和组件库，把视觉参考像素级还原成响应式代码，省得 Codex 自己在那边凭空猜你要什么效果。
再加上 GPT- 本身在布局、视觉层级、设计判断上的能力提升，这套组合打下来，前端流程基本就跑通了，做出来的东西确实有点灵魂。
Taste-Skill
专门打理字体、配色、留白、圆角、组件比例这些细节，还能把已经写好的页面拉出来审计重构，专门对付那种一眼假的廉价 AI 味。
🔗 https://github.com/leonxlnx/taste-skill
GSAP Skills
Codex 最缺的就是动效能力，这个插件把 Timeline、ScrollTrigger、Flip、SplitText、SVG 动画全部补齐了。
🔗 https://github.com/greensock/gsap-skills
Product Design Skill
先把产品结构和设计方向敲定，生成几套不同风格的高保真参考图，你点头确认之后再动手写代码，别让 AI 蒙着眼睛瞎写前端。
Figma Skill
直接读取设计稿、品牌规范和组件库，把视觉参考像素级还原成响应式代码，省得 Codex 自己在那边凭空猜你要什么效果。
再加上 GPT- 本身在布局、视觉层级、设计判断上的能力提升，这套组合打下来，前端流程基本就跑通了，做出来的东西确实有点灵魂。
Go语言生态这回算是被微软给盯上了，它可不只是随便玩玩。
Microsoft Agent Framework的Go版本已经落地，目标很明确：帮开发者把AI智能体推到生产环境，连多智能体协作那种复杂活儿都能编排得明明白白，彻底告别只能演示的玩具阶段。
1️⃣ 主流大模型提供方几乎全支持，架构上避免了被单一厂商绑定。
2️⃣ 中间件机制够灵活，想扩展什么功能自己插进去就行。
3️⃣ 最直观的是可视化工作流，从顺序执行、并发处理到条件判断、检查点、人工干预，整个业务逻辑都能用图画出来。
假如你是个Gopher，又对Agent开发手痒，这个仓库值得去翻一翻。
🔗 https://github.com/microsoft/agent-framework-go
Microsoft Agent Framework的Go版本已经落地，目标很明确：帮开发者把AI智能体推到生产环境，连多智能体协作那种复杂活儿都能编排得明明白白，彻底告别只能演示的玩具阶段。
1️⃣ 主流大模型提供方几乎全支持，架构上避免了被单一厂商绑定。
2️⃣ 中间件机制够灵活，想扩展什么功能自己插进去就行。
3️⃣ 最直观的是可视化工作流，从顺序执行、并发处理到条件判断、检查点、人工干预，整个业务逻辑都能用图画出来。
假如你是个Gopher，又对Agent开发手痒，这个仓库值得去翻一翻。
🔗 https://github.com/microsoft/agent-framework-go
❤1
近40万首古诗词，直接封装成API扔给你，这是GitHub上刚挖到的chinese-poetry-api。
不用再自己折腾爬虫、清洗、建库那套脏活累活，调个接口就能拿到唐诗宋词元曲，连诗经楚辞这些老经典都给你收好了。
按朝代、作者、体裁筛，或者直接全文搜索、随机来一首，简繁体还能自由切。
Go写的后端，REST和GraphQL两套接口都支持，Docker一键拉起。做小程序、搞机器人、搞AI的，可以直接拿去用。
🔗 https://github.com/palemoky/chinese-poetry-api
不用再自己折腾爬虫、清洗、建库那套脏活累活，调个接口就能拿到唐诗宋词元曲，连诗经楚辞这些老经典都给你收好了。
按朝代、作者、体裁筛，或者直接全文搜索、随机来一首，简繁体还能自由切。
Go写的后端，REST和GraphQL两套接口都支持，Docker一键拉起。做小程序、搞机器人、搞AI的，可以直接拿去用。
🔗 https://github.com/palemoky/chinese-poetry-api
天天看人吹Codex和Claude Code，可替代品这不就来了？iPolloWork的仓库翻了一遍，它跟那些网红工具还真不在一个路子上。
能闭环。从编码到交付全包了，而且给的东西你还能接着动手改，不是一锤子买卖。
编码助手：解析仓库、定计划、动手写、自检查，流程是顺的。
办公三件套：文档、表格、幻灯片都能直接生成成品，不会只丢给你一段干巴巴的文字。
视觉设计：网页和幻灯片做完后，图片、文字、颜色在画布上随手就能调。
视频剪辑：内置了Studio和时间线，简单的编辑需求能就地解决。
🔗 https://github.com/Devin-AXIS/iPolloWork
能闭环。从编码到交付全包了，而且给的东西你还能接着动手改，不是一锤子买卖。
编码助手：解析仓库、定计划、动手写、自检查，流程是顺的。
办公三件套：文档、表格、幻灯片都能直接生成成品，不会只丢给你一段干巴巴的文字。
视觉设计：网页和幻灯片做完后，图片、文字、颜色在画布上随手就能调。
视频剪辑：内置了Studio和时间线，简单的编辑需求能就地解决。
🔗 https://github.com/Devin-AXIS/iPolloWork
下载软件装了不止一个，可谁也管不着谁，切来切去真够闹心的。
Varia倒挺省事，一个界面通吃HTTP下载、种子文件和在线视频。底层靠aria2和yt-dlp撑着，还做了个浏览器扩展，碰到想下的东西点一下就能扔进去。UI干净利落，没那些花里胡哨的装饰，免费党应该能get到。
贴链接、调选项、按开始，收工。因为核心还是那俩老伙计在跑，速度和功能性都没缩水。跑在你本地，代码开放，不用搞账号，也不碰你的数据。
🔗 https://github.com/giantpinkrobots/varia
Varia倒挺省事，一个界面通吃HTTP下载、种子文件和在线视频。底层靠aria2和yt-dlp撑着，还做了个浏览器扩展，碰到想下的东西点一下就能扔进去。UI干净利落，没那些花里胡哨的装饰，免费党应该能get到。
贴链接、调选项、按开始，收工。因为核心还是那俩老伙计在跑，速度和功能性都没缩水。跑在你本地，代码开放，不用搞账号，也不碰你的数据。
🔗 https://github.com/giantpinkrobots/varia
开源的《投资入门指南》，正愁美股、期权、加密币没处下手的，这路子对了。
里面有一句A哥特别认：投资不是赌一把翻身，是让你把今天流过的汗，换成以后日子里的底气。
别觉得这事儿多高深。往后养老、供书、看病、失业、买房、养家，哪样不得跟钱耗着？你躲不开一个问题，现在的收入，怎么扛住以后的日子。
🔗 ：https://github.com/xuchonglang/investing-for-beginners
里面有一句A哥特别认：投资不是赌一把翻身，是让你把今天流过的汗，换成以后日子里的底气。
别觉得这事儿多高深。往后养老、供书、看病、失业、买房、养家，哪样不得跟钱耗着？你躲不开一个问题，现在的收入，怎么扛住以后的日子。
🔗 ：https://github.com/xuchonglang/investing-for-beginners
收集公开情报，你得有一张好用的工具地图。
D4rk_Intel-OSINT-Investigative-Toolkit把散落在各处的OSINT资源整理成了按调查阶段划分的清单。
从笔记整理开始，到用户名关联、反向图片搜索、元数据分析、关系图谱、域名IP情报……每个阶段都有对应的工具和方法说明。
这个仓库包含：
身份关联工具（用户名、邮箱、电话）
图片取证与元数据提取（ExifTool、FotoForensics、Jimpl）
数据可视化与关系映射（Maltego、Gephi、Obsidian图谱）
泄露数据检查（HIBP、DeHashed）
地理定位与地图工具
域名/IP/DNS情报
社交媒体分析（Sherlock、Osintgram）
Telegram、车辆VIN、企业工商信息查询
还附带OSINT培训资源、CTF练习和社区链接。
专为安全研究员、威胁分析师、记者和取证人员设计。合法使用是前提。
🔗 https://github.com/techenthusiast167/D4rk_Intel-OSINT-Investigative-Toolkit
D4rk_Intel-OSINT-Investigative-Toolkit把散落在各处的OSINT资源整理成了按调查阶段划分的清单。
从笔记整理开始，到用户名关联、反向图片搜索、元数据分析、关系图谱、域名IP情报……每个阶段都有对应的工具和方法说明。
这个仓库包含：
身份关联工具（用户名、邮箱、电话）
图片取证与元数据提取（ExifTool、FotoForensics、Jimpl）
数据可视化与关系映射（Maltego、Gephi、Obsidian图谱）
泄露数据检查（HIBP、DeHashed）
地理定位与地图工具
域名/IP/DNS情报
社交媒体分析（Sherlock、Osintgram）
Telegram、车辆VIN、企业工商信息查询
还附带OSINT培训资源、CTF练习和社区链接。
专为安全研究员、威胁分析师、记者和取证人员设计。合法使用是前提。
🔗 https://github.com/techenthusiast167/D4rk_Intel-OSINT-Investigative-Toolkit
T3MP3ST这个开源框架把AI编码助手直接变成了进攻性安全测试的利器。
它通过多代理架构自动化完成从信息收集到报告生成的全流程，同时兼容云端和本地模型。
这个项目最核心的特点是什么？一个可复现的、无需额外API密钥的自动化红队平台。它允许你使用已有的AI编码代理（比如Claude Code或本地运行的Ollama）作为大脑，来驱动整个渗透测试的杀伤链。
多代理协同：针对不同安全任务（侦察、漏洞分析、报告）有专门的代理分工。
自动化工作流：能自动执行侦察、漏洞分析和生成报告。
灵活部署：既可以通过基于浏览器的作战室操作，也提供命令行接口。
模型兼容性强：支持Claude、OpenAI、Ollama等多种模型，甚至允许完全离线运行。
结果可验证：内置基准测试，所有宣称的指标（如在特定挑战集上达到90.1%的通过率）都可以通过一条命令重新计算验证。
当然，必须强调授权使用的底线。这个工具设计用于经过明确授权的渗透测试和研究，使用者需要对合法合规负全责。项目文档也坦诚地标注了哪些功能是稳定的，哪些还处于实验或规划阶段。
🔗：https://github.com/elder-plinius/T3MP3ST
它通过多代理架构自动化完成从信息收集到报告生成的全流程，同时兼容云端和本地模型。
这个项目最核心的特点是什么？一个可复现的、无需额外API密钥的自动化红队平台。它允许你使用已有的AI编码代理（比如Claude Code或本地运行的Ollama）作为大脑，来驱动整个渗透测试的杀伤链。
多代理协同：针对不同安全任务（侦察、漏洞分析、报告）有专门的代理分工。
自动化工作流：能自动执行侦察、漏洞分析和生成报告。
灵活部署：既可以通过基于浏览器的作战室操作，也提供命令行接口。
模型兼容性强：支持Claude、OpenAI、Ollama等多种模型，甚至允许完全离线运行。
结果可验证：内置基准测试，所有宣称的指标（如在特定挑战集上达到90.1%的通过率）都可以通过一条命令重新计算验证。
当然，必须强调授权使用的底线。这个工具设计用于经过明确授权的渗透测试和研究，使用者需要对合法合规负全责。项目文档也坦诚地标注了哪些功能是稳定的，哪些还处于实验或规划阶段。
🔗：https://github.com/elder-plinius/T3MP3ST
手上有服务器或者VPS的朋友，这条值得留意一下。
GitHub 上有个免费的仓库，整理了一套完整的 Linux 服务器安全加固指南，每一步都写得挺清楚的。
→ 服务器上线第一天就该做的安全配置
→ 常见攻击手段的防御方法
→ Linux 系统加固的通用实践
→ 几十条带详细解释的操作建议
项目已经攒了 29.5k Star，
🔗：https://github.com/imthenachoman/How-To-Secure-A-Linux-Server
GitHub 上有个免费的仓库，整理了一套完整的 Linux 服务器安全加固指南，每一步都写得挺清楚的。
→ 服务器上线第一天就该做的安全配置
→ 常见攻击手段的防御方法
→ Linux 系统加固的通用实践
→ 几十条带详细解释的操作建议
项目已经攒了 29.5k Star，
🔗：https://github.com/imthenachoman/How-To-Secure-A-Linux-Server
这个数据库工具不仅开源免费，还直接集成了AI能力。
你可以用大白话写查询，它自带一个类似Claude的代理，能自动读取你的表结构并帮你执行SQL。
名字叫 Tabularis ，别人收费的功能它直接白给。支持PostgreSQL、MySQL、SQLite，还有DuckDB、ClickHouse、Redis、Firestore等15种以上数据源。
它内置了一个MCP服务器，Claude、Cursor、Devin这些AI工具可以直接读取你的数据库结构，并在同一个应用里跑查询，不用切来切去。
🔗https://github.com/TabularisDB/tabularis
你可以用大白话写查询，它自带一个类似Claude的代理，能自动读取你的表结构并帮你执行SQL。
名字叫 Tabularis ，别人收费的功能它直接白给。支持PostgreSQL、MySQL、SQLite，还有DuckDB、ClickHouse、Redis、Firestore等15种以上数据源。
它内置了一个MCP服务器，Claude、Cursor、Devin这些AI工具可以直接读取你的数据库结构，并在同一个应用里跑查询，不用切来切去。
🔗https://github.com/TabularisDB/tabularis
GitHub 上星标最高的爬虫工具，没有之一。
Crawl4AI 能把任意网页转成干净的 Markdown 格式，专门为 LLM 设计，跑得比付费服务还快。
不需要 API Key，不用注册账号，也没有按页收费的套路。
作者说自己之前被一个月 16 美元的付费爬虫搞烦了，一气之下花几天时间自己撸了一个，结果直接火了。
目前 74.6k Star，Apache 2.0 协议。
https://github.com/unclecode/crawl4ai
Crawl4AI 能把任意网页转成干净的 Markdown 格式，专门为 LLM 设计，跑得比付费服务还快。
不需要 API Key，不用注册账号，也没有按页收费的套路。
作者说自己之前被一个月 16 美元的付费爬虫搞烦了，一气之下花几天时间自己撸了一个，结果直接火了。
目前 74.6k Star，Apache 2.0 协议。
https://github.com/unclecode/crawl4ai
有个 GitHub 仓库专门扒各大 AI 产品背后的系统指令，ChatGPT、Claude、Gemini、Copilot、Perplexity、Grok 全都有。
不是提示词合集，不是越狱教程，是这些产品真正在跑的那套底层规则。目前已经 60k Star，几乎每周都在更新。
用了这么久的 AI，我才意识到模型怎么回答，很大程度上取决于对话框后面那套巨大的指令文件。
整理的东西包括：
GPT- 和 Codex 的系统提示
Claude Fable 5、Opus 、Sonnet 5
Gemini Flash 和 AI Studio
Perplexity Computer 模式
GitHub Copilot、Cursor、Grok、Qwen 等更多
规则覆盖了工具怎么用、记忆怎么存、搜索怎么决策、安全边界在哪、代理怎么调度、语气风格怎么定。
大多数人把 AI 当黑盒，聪明人已经在读说明书了。
优势就是这么拉开的。A哥认为一个 GitHub 仓库能教你的东西，比瞎试几周提示词还多。
🔗https://github.com/asgeirtj/system_prompts_leaks
不是提示词合集，不是越狱教程，是这些产品真正在跑的那套底层规则。目前已经 60k Star，几乎每周都在更新。
用了这么久的 AI，我才意识到模型怎么回答，很大程度上取决于对话框后面那套巨大的指令文件。
整理的东西包括：
GPT- 和 Codex 的系统提示
Claude Fable 5、Opus 、Sonnet 5
Gemini Flash 和 AI Studio
Perplexity Computer 模式
GitHub Copilot、Cursor、Grok、Qwen 等更多
规则覆盖了工具怎么用、记忆怎么存、搜索怎么决策、安全边界在哪、代理怎么调度、语气风格怎么定。
大多数人把 AI 当黑盒，聪明人已经在读说明书了。
优势就是这么拉开的。A哥认为一个 GitHub 仓库能教你的东西，比瞎试几周提示词还多。
🔗https://github.com/asgeirtj/system_prompts_leaks
那个“模型越大，内存要求越高”的老规矩，是不是该被扔进垃圾桶了？
Colibri的出现，直接让这个说法站不住脚，它愣是在一台只有25GB内存、连显卡都没有的普通电脑上，把GLM-这个拥有7440亿参数的庞然大物给跑起来了。
它不是那种把整个模型一股脑全塞进内存的粗暴玩法，而是玩了一手漂亮的“按需加载”：
1.核心部件常驻内存
2.其他部分则放在硬盘里，随用随取
3.结果就是，顶级大模型就这么“屈尊”降到了咱们的日常设备上。
当然，这种操作并非没有代价，生成速度的快慢现在得看硬盘的脸色。
但话说回来，能在本地硬件上把这种量级的模型给“盘活”，这件事本身的象征意义就已经足够大了。
不再需要去云端排队，也不用眼馋那些天价的GPU集群，Colibri用开源的力量，硬生生把本地AI的极限又往上顶了一截。
🔗：https://github.com/JustVugg/colibri
Colibri的出现，直接让这个说法站不住脚，它愣是在一台只有25GB内存、连显卡都没有的普通电脑上，把GLM-这个拥有7440亿参数的庞然大物给跑起来了。
它不是那种把整个模型一股脑全塞进内存的粗暴玩法，而是玩了一手漂亮的“按需加载”：
1.核心部件常驻内存
2.其他部分则放在硬盘里，随用随取
3.结果就是，顶级大模型就这么“屈尊”降到了咱们的日常设备上。
当然，这种操作并非没有代价，生成速度的快慢现在得看硬盘的脸色。
但话说回来，能在本地硬件上把这种量级的模型给“盘活”，这件事本身的象征意义就已经足够大了。
不再需要去云端排队，也不用眼馋那些天价的GPU集群，Colibri用开源的力量，硬生生把本地AI的极限又往上顶了一截。
🔗：https://github.com/JustVugg/colibri
有人直接把价值数百万美元的计算成果，打包成了一个15TB的压缩包，放在网上任人下载。
项目叫The Well，里面塞满了16个物理模拟数据集，从恒星爆炸到湍流，从磁场流体到生物系统，基本把计算物理的硬骨头都啃了一遍。
以前你想搞到这种级别的数据？
要么去求国家实验室批机时，要么排队等上几周的HPC集群，要么养一个研究团队烧经费。
现在呢？一条命令就能拉下来，直接喂给AI模型当训练素材。
用神经网络的一次前向传播，替代掉那些又慢又贵的偏微分方程数值解。
背后撑场子的也不是什么野鸡团队，Flatiron Institute牵头，剑桥、普林斯顿、伯克利、NYU、东大、洛斯阿拉莫斯的人都在名单上。
传送门https://github.com/PolymathicAI/the_well/
项目叫The Well，里面塞满了16个物理模拟数据集，从恒星爆炸到湍流，从磁场流体到生物系统，基本把计算物理的硬骨头都啃了一遍。
以前你想搞到这种级别的数据？
要么去求国家实验室批机时，要么排队等上几周的HPC集群，要么养一个研究团队烧经费。
现在呢？一条命令就能拉下来，直接喂给AI模型当训练素材。
用神经网络的一次前向传播，替代掉那些又慢又贵的偏微分方程数值解。
背后撑场子的也不是什么野鸡团队，Flatiron Institute牵头，剑桥、普林斯顿、伯克利、NYU、东大、洛斯阿拉莫斯的人都在名单上。
传送门https://github.com/PolymathicAI/the_well/
AI代理翻车，根因往往不在模型本身。
更多时候，是那些藏在暗处的故障（幻觉、工具误调用、无声无息地跑偏），在酿成大祸之前，根本没人注意到。
一个叫iFixAi的开源项目，思路挺有意思：它不盯着最终输出好不好，而是直接去挖代理的"行为底细"。
跑45项专项检查，覆盖捏造事实、被恶意操纵、刻意欺骗、行为不可预测、决策过程不透明等维度，最后给你一个A到F的评级。
整个过程跑完不到5分钟，而且它不挑行业也不挑模型，自己的代理也好，第三方接口也罢，都能接进去测。
https://github.com/ifixai-ai/iFixAi
更多时候，是那些藏在暗处的故障（幻觉、工具误调用、无声无息地跑偏），在酿成大祸之前，根本没人注意到。
一个叫iFixAi的开源项目，思路挺有意思：它不盯着最终输出好不好，而是直接去挖代理的"行为底细"。
跑45项专项检查，覆盖捏造事实、被恶意操纵、刻意欺骗、行为不可预测、决策过程不透明等维度，最后给你一个A到F的评级。
整个过程跑完不到5分钟，而且它不挑行业也不挑模型，自己的代理也好，第三方接口也罢，都能接进去测。
https://github.com/ifixai-ai/iFixAi