传统RAG在处理不断变化的信息时有个明显的短板，它把数据当成静态的，但现实世界的事实会变。之前做Agent相关的项目时，这个问题一直让我挺头疼的。
Graphiti（Zep开源的项目）针对这个场景做了个设计：把对话、业务数据、文档自动构建成带时间维度的知识图谱，每条事实都记录它从什么时候开始有效、什么时候被更新替代。这样既能查当前状态，也能回溯某个时间点的情况。
它支持增量更新，不用每次全量重建，检索时混合了语义、关键词和图遍历几种方式。
我个人比较在意的是数据来源可追溯这一点，每个结论都能往回找到原始内容，排查问题时能省不少力气。
目前支持Neo4j、FalkorDB、Amazon Neptune这些图数据库后端，Python 以上就能跑。如果你正在做Agent相关的项目，又觉得传统RAG在动态数据上不太顺手，这个值得了解一下。
🔗传送https://github.com/getzep/graphiti

之前为了下载管理视频，试过好几个方案，要么不支持某些站点，要么管理界面太简陋。
MyTube算是我目前看到覆盖比较全的一个自托管方案。
它基于yt-dlp，支持YouTube、B站、Twitch这些常见平台，订阅频道后能自动下载新内容，不用手动一个个去拉。本地媒体库支持分类整理，界面UI做得还算干净。
比较意外的两个点是：内置了Cloudflare Tunnel，不用自己折腾端口转发和反向代理；整个项目是100%通过提示词生成的，零手写代码，目前已经有1.1k星标。Docker一键部署对不熟悉Node.js环境的人来说也比较友好。。
🔗https://github.com/franklioxygen/MyTube

之前做AI绘图时最费时间的环节，往往不是调参数，而是想一个合适的提示词。
这个 AI Image Prompts Skill 的思路比较直接，把 1 万多条精选提示词打包成一个技能，装进 Claude、Cursor、OpenClaw 这类 AI 助手里就能用。
你只需要用一句话描述想画什么，它会在库里匹配最接近的 3 个提示词，并附带示例图供参考。如果手头有现成的文章或脚本，也可以直接丢进去，它会根据内容主题定制提示词。
提示词本身不绑定具体模型，Midjourney、DALL-E、Flux、Stable Diffusion，包括 Nano Banana、Seedream、GPT Image 这些新模型都能用。库按社交媒体、产品营销、头像、海报、游戏素材等场景分了类，日常够用了。

整理论文和笔记攒到一定量之后，找特定内容就变成了一场记忆测试，得先想起来在哪篇文档里，再手动翻出来确认。
pdf-brain 的思路是给这些文件建一个本地知识库：PDF 和 Markdown 统一入库，用 Ollama 跑向量搜索，支持语义检索和混合检索（向量+全文）。
入库时会自动调用本地 LLM 提取标题、摘要、标签和概念，省去了手动整理的步骤。
对技术文档和研究论文来说，内置的 SKOS 分类体系比较实用，可以按层级概念组织，而不是仅依赖文件夹结构。搜索结果支持上下文扩展，能直接看到匹配内容周围的原文。
🔗https://github.com/joelhooks/pdf-brain

玩FPV图传的都知道，距离和延迟之间的取舍，向来是个让人反复折腾的难题。
OpenHD这套方案走的是另一条路，用市面常见的Wi-Fi网卡，但不走标准Wi-Fi协议，而是改成类似模拟图传的广播模式（wifibroadcast），在低延迟和长距离之间找到了一个比较实用的平衡点。
除了高清视频流，它还同时承载双向遥测、音频和RC控制信号，全部挤在同一条通道里传输。
对喜欢折腾硬件的玩家来说，支持树莓派等多种平台这点比较友好，OSD也可以按自己的习惯定制。
🔗https://github.com/OpenHD/OpenHD

各家大厂的工程博客其实藏着大量高质量的技术实践，但分散在几十个站点里，想系统性地翻一遍根本不现实。
Awesome Engineering Articles 这个精选列表直接解决了这个问题——把 Airbnb、Netflix、Uber、Stripe、Meta 等 40 多家公司的 300+ 篇技术文章按公司整理好，覆盖系统架构、AI/ML、数据库、性能优化、分布式系统这些方向，基本都是各团队在真实大规模场景下的踩坑记录和解决方案。
对做后端和基础架构的人来说，与其自己从头摸索，不如直接看看别人已经验证过的方法。
每篇文章都标注了年份和技术领域，按需筛选也比较方便。
🔗https://github.com/ashishps1/awesome-engineering-articles

Telegram必备的搜索引擎，极搜JISOU帮你精准找到，想要的群组、频道、视频、音乐

👉 t.me/jisou2?start=a_6657896970

商业 OAuth 服务按调用量收费的模式，对独立开发者和中小企业来说，开销会随着用户增长迅速膨胀。
OpenAuth 提供了一套可自托管的替代方案，基于 OAuth 2.0 标准，支持 GitHub、Google 等第三方登录，也内置了密码登录流程。
部署方式比较灵活，可以在 Node.js、Bun 上跑，也能丢到 AWS Lambda 或 Cloudflare Workers 上。
它本身是一个集中式的认证服务器，但可以嵌入到现有应用里，而不是必须单独部署。前端带了可主题化的 UI，不想自己设计界面的话可以直接复用。
认证完成后通过回调函数对接你自己的用户数据逻辑，不强制绑定特定的数据库或 ORM。
了解更多 https://github.com/anomalyco/openauth

商业无人机测绘软件按年订阅或按处理量收费的模式，对个人用户和小型团队来说确实不太友好，之前接触过几款，价格直接劝退。
OpenDroneMap 命令行工具提供了开源的替代流程：把无人机、气球或风筝拍的照片，处理成分类点云、带纹理的 3D 模型、带地理坐标的正射影像和数字高程模型（DEM）。
我自己试下来，最省事的运行方式是通过 Docker 一键启动，把图片放进指定目录就行，不用折腾环境依赖。
熟悉命令行的用户可以灵活调整参数，比如控制点云密度或输出分辨率。GPU 加速版镜像能明显提升特征提取速度，处理大批量数据时能省不少时间。
输出格式兼容 QGIS、CloudCompare 这些主流开源工具，省去了格式转换的麻烦。
🔗这里https://github.com/OpenDroneMap/ODM

之前为了下载管理视频，试过好几个方案，要么不支持某些站点，要么管理界面太简陋。
MyTube算是我目前看到覆盖比较全的一个自托管方案。
它基于yt-dlp，支持YouTube、B站、Twitch这些常见平台，订阅频道后能自动下载新内容，不用手动一个个去拉。本地媒体库支持分类整理，界面UI做得还算干净。
比较意外的两个点是：内置了Cloudflare Tunnel，不用自己折腾端口转发和反向代理；整个项目是100%通过提示词生成的，零手写代码，目前已经有1.1k星标。Docker一键部署对不熟悉Node.js环境的人来说也比较友好。。
🔗https://github.com/franklioxygen/MyTube

传统RAG在处理不断变化的信息时有个明显的短板，它把数据当成静态的，但现实世界的事实会变。之前做Agent相关的项目时，这个问题一直让我挺头疼的。
Graphiti（Zep开源的项目）针对这个场景做了个设计：把对话、业务数据、文档自动构建成带时间维度的知识图谱，每条事实都记录它从什么时候开始有效、什么时候被更新替代。这样既能查当前状态，也能回溯某个时间点的情况。
它支持增量更新，不用每次全量重建，检索时混合了语义、关键词和图遍历几种方式。
我个人比较在意的是数据来源可追溯这一点，每个结论都能往回找到原始内容，排查问题时能省不少力气。
目前支持Neo4j、FalkorDB、Amazon Neptune这些图数据库后端，Python 以上就能跑。如果你正在做Agent相关的项目，又觉得传统RAG在动态数据上不太顺手，这个值得了解一下。
🔗传送https://github.com/getzep/graphiti

以前管理AI代理的skill，Claude Code放一个目录，Codex放一个目录，Cursor又放一个目录，版本乱、重复多、不知道装了什么。
asm把这收拢了。一个CLI工具，覆盖19个AI编码代理的环境，install、search、audit、inspect全支持。--json和--yes让脚本和CI随便调，装之前还能过验证和安全检查。
skill散落各处、管理混乱的问题，一个命令就看清楚。
传送门这里https://github.com/luongnv89/asm

想靠AI代理挖YouTube数据，不用自己折腾yt-dlp和浏览器自动化。
youtube-skills，GitHub上约500星，专门给AI代理用的YouTube工具箱。装完之后，代理可以直接拿视频字幕、搜内容、扒频道列表、拉播放清单，全走API，不用管那些被屏蔽的IP和二进制依赖。
它对Claude Code、Cursor、Codex系代理都友好，注册送100次免费调用，不用绑卡。
https://github.com/ZeroPointRepo/youtube-skills

假设你有一份两百页的研究报告，想一眼看清核心概念之间的关联，不用自己翻索引。
knowledge_graph做这个的，GitHub上约千星。
丢进去一篇文章或PDF，它用本地LLM（Mistral 7B跑在Ollama上）把概念和关系拎出来，生成一张可交互的图谱。不需要OpenAI的key，零成本试水。
出来的图可以直接喂给Graph RAG做检索增强问答，比传统向量检索多了一层结构化的关联信息。