MedLLMsPracticalGuide

Если хочешь глубоко погрузиться в медицинские большие языковые модели, то среди огромного потока статей и разрозненных датасетов легко потеряться и не понять, с чего начать выстраивать системную базу знаний.

Проект MedLLMsPracticalGuide на GitHub как раз закрывает эту проблему, предлагая подробное практическое руководство по медицинским LLM, основанное на свежем обзорном материале из Nature Reviews Bioengineering.

В гайде разобран полный пайплайн от построения модели (предобучение, дообучение, промпт-инжиниринг) до прикладных сценариев использования. В том числе рассматриваются такие популярные архитектуры, как BioGPT и Med-PaLM.

В подборку включены ключевые медицинские датасеты вроде PubMed и MIMIC-III, а также детально разложены по шагам прикладные задачи: суммаризация текстов, вопрос-ответ, извлечение сущностей и другие даунстрим-таски.

Авторы не только собрали существующие open-source ресурсы, но и глубоко разобрали проблемы галлюцинаций, приватности и безопасности, а также направления будущего развития, включая мультимодальные модели и Agent-подходы.

И для начинающих исследователей, и для разработчиков, ищущих реальные кейсы внедрения, этот список точно стоит сохранить. Он экономит массу времени на ручной отбор материалов.

⭐️ Stars: 1.9k

➡️ Cсылка на GitHub

📱 @git_developer

ChatGPT MD

Иногда хочется прямо в заметках Obsidian общаться с AI, без постоянного переключения между окнами и без риска для приватности, который есть у онлайн-сервисов.

Недавно на GitHub попался плагин ChatGPT MD, который позволяет бесшовно интегрировать ChatGPT, OpenRouter и локальные большие языковые модели прямо в Obsidian.

Он поддерживает запуск диалогов прямо в любой заметке, умеет подтягивать другие заметки как контекст, а вся история переписки хранится полностью локально, без передачи через сторонние серверы.

Помимо OpenAI, можно подключать модели с платформы OpenRouter, включая Claude, Gemini, DeepSeek, либо использовать локальные модели через Ollama и LM Studio с полностью офлайн-режимом.

Для каждой заметки можно отдельно настраивать параметры модели. Есть поддержка рендеринга Markdown, автогенерации заголовков, переиспользования шаблонов и других функций.

Если ты хочешь эффективно использовать AI прямо в Obsidian и при этом держать диалоги и заметки в едином пространстве, этот плагин точно стоит попробовать.

📁 Language: #TypeScript 95.3%

⭐️ Stars: 1.2k

➡️ Cсылка на GitHub

📱 @git_developer

easy-llm-cli

Многие, кто привык писать код прямо в терминале, постоянно спотыкаются о то, что каждый AI-инструмент привязан к своему конкретному модели. В итоге в одном CLI гибко переключаться между разными LLM оказывается не так-то просто.

На GitHub нашёлся как раз подходящий опенсорс — Easy LLM CLI. Проект построен поверх Google Gemini CLI, но при этом полностью снимает ограничение на один единственный модельный бекенд.

Он умеет работать с Gemini, OpenAI, Claude, DeepSeek и даже с локальными моделями через Ollama.

Поддерживает MCP (Model Context Protocol) для подключения инструментов, умеет читать контекст кода прямо из репозитория и может автоматом выполнять Git-операции, рефакторить код или генерировать приложение.

Работает в Node.js-окружении, можно запускать через npx без установки. Модели настраиваются обычными переменными окружения — подставляешь нужный провайдер и работаешь.

Хороший вариант для тех, кто не хочет привязываться к одному вендору и любит решать задачи прямо из терминала.

📁 Language: #TypeScript 96.0%

⭐️ Stars: 1.1k

➡️ Cсылка на GitHub

📱 @git_developer

claude-mem

Писать код с Claude Code больше всего мешает его амнезия после перезапуска сессии. Каждый раз заново объяснять контекст проекта утомляет, жрет токены и ломает рабочий темп.

На GitHub есть проект claude-mem, который как раз решает эту проблему. Он добавляет Claude Code постоянную внешнюю память.

Инструмент автоматически фиксирует наши действия и вызовы тулов, собирает семантические сводки и сохраняет их, чтобы AI помнил ход разработки.

Поддерживается поиск по истории проекта обычным языком. Можно даже быстро найти конкретное исправление бага или цепочку принятых решений.

Механизм работает по принципу постепенного раскрытия: загружает детальный контекст только тогда, когда он реально нужен. Это заметно экономит токены при старте каждой сессии.

Устанавливается одной командой через плагинные инструкции Claude Code, а в комплекте идет локальный веб-интерфейс для просмотра памяти в реальном времени.

Есть и механизм приватности: чувствительные данные можно отфильтровать по тегам, чтобы ничего важного не покидало локальную машину.

Если ты активно ведешь разработку через Claude Code, этот модуль, который делает AI все более вкурсе твоего проекта, точно стоит добавить в рабочий процесс.

📁 Language: #JavaScript 68.9%

⭐️ Stars: 1.1k

➡️ Cсылка на GitHub

📱 @git_developer

openskills

Надо признать, что навыки Claude Code реально удобные, а вот заставить те же навыки работать в Cursor, Windsurf и прочих инструментах — та ещё морока.

И тут как раз попался OpenSkills, опенсорсный проект, который переносит систему навыков Claude Code во все AI-помощники для кодинга.

Через CLI он фактически воспроизводит весь механизм навыков Claude Code: тот же формат промтов, тот же маркет навыков, та же структура каталогов, только вызовы идут не через IDE, а через команды в терминале.

После установки одной командой можно подтянуть навыки из официального репозитория Anthropic: работа с PDF, редактирование Excel, создание документов и десятки других профнавыков. Можно ставить и кастомные навыки из любого GitHub-репо.

Если ты работаешь в Cursor, Windsurf или Aider и хочешь получить уровень навыков Claude Code, или просто хочешь шарить конфигурацию навыков между разными помощниками, этот инструмент точно стоит попробовать.

📁 Language: #TypeScript 92.5%

⭐️ Stars: 1.9k

➡️ Cсылка на GitHub

📱 @git_developer

all-agentic-architectures

Хочешь системно разобраться в архитектуре AI-агентов, но почти все доступные материалы либо тонут в абстрактных академических статьях, либо сводятся к примитивным демкам, которые сложно применить на практике.

Недавно на GitHub появился опенсорс-проект all-agentic-architectures, который по ощущениям тянет на полноценный практический учебник по современному дизайну AI-агентов.

В репозитории собрано 17 популярных архитектур агентов: от базовых подходов вроде ReAct и tool calling до продвинутых сценариев с мультиагентным взаимодействием, саморефлексией и коррекцией поведения.

Все примеры оркестрируются через LangGraph и подробно разбирают сложные паттерны: Tree of Thoughts (ToT), долгосрочную память, blackboard-архитектуру и другие нетривиальные модели мышления.

Проект включает полностью исполняемые Jupyter Notebook’и, которые превращают абстрактные идеи в наглядный, рабочий код, а не рассуждения на бумаге.

Отдельный плюс — встроенный подход к количественной оценке, где LLM используется для скоринга качества работы агента. Для продакшена это критически важная часть, о которой обычно забывают.

Отличная отправная точка для тех, кто хочет глубже понять внутреннюю логику агентных систем или ищет зрелые архитектурные паттерны для разработки сложных AI-агентов.

⭐️ Stars: 1.7k

➡️ Cсылка на GitHub

📱 @git_developer

shapash

Обучить модель машинного обучения — это только первый шаг. Самая болезненная часть начинается, когда нужно объяснить начальству или бизнес-команде, почему модель выдала именно такой прогноз. В случае с «черными ящиками» обычно просто нечего сказать.

Недавно я нашел на GitHub библиотеку Shapash — Python-инструмент, который как раз помогает сделать модель «понятной», превращая сложную алгоритмическую логику в наглядные визуализации.

Библиотека умеет генерировать интерактивную веб-панель, где наглядно показано, какие признаки и как влияют на работу модели. Поддерживается детальный разбор от глобального уровня до отдельных предсказаний. И самое важное — все графики сопровождаются понятными бизнес-лейблами, так что даже люди без техбэкграунда смогут быстро разобраться.

Работает с CatBoost, XGBoost, LightGBM и Sklearn — то есть покрывает основные ML-фреймворки.

Помимо визуализации, библиотека может одним вызовом собрать отдельный HTML-отчет для аудита. Есть даже легковесный предиктор для продакшена, который ставится через pip и сразу готов к использованию.

Если ты регулярно показываешь результаты моделей нетехническим командам или тебе нужна прозрачность для регуляторных проверок, этот проект реально экономит кучу времени на объяснениях.

📁 Language: #Python 14.3%

⭐️ Stars: 3.1k

➡️ Cсылка на GitHub

📱 @git_developer

agents . md

Когда пишешь код в Cursor или Windsurf, часто сталкиваешься с тем, что AI не понимает структуру проекта или продолжает использовать устаревшие команды сборки. В итоге сгенерированный код просто не запускается.

Причина в том, что README.md по сути пишется для людей. В нем полно контекста, который человек понимает автоматически, но для модели он расплывчат и неполон — там нет точных инструкций для выполнения.

Недавно на GitHub я наткнулся на проект AGENTS.md — это опенсорс, цель которого дать AI-программным агентам отдельную «инструкцию по эксплуатации».

Идея в том, чтобы четко разделить гайд для людей (quickstart, описание логики), и набор машинных инструкций по сборке, запуску тестов и кодстайлу. Они не мешают друг другу.

Логика очень простая: в корне проекта создается Markdown-файл, который явно объясняет AI, как собирать проект, как его тестировать и каким правилам оформления кода следовать.

Подход совместим с большинством современных AI-инструментов для разработки — VS Code, Cursor, Windsurf, Aider, GitHub Copilot и др.

Порог входа минимальный: достаточно создать файл AGENTS.md, вписать туда краткий обзор проекта, команды для тестов и важные замечания по безопасности.

В больших проектах можно раскладывать такие файлы по разным поддиректориям. AI будет автоматически читать ближайший по пути конфиг, что делает схему довольно гибкой.

По мере того как AI-ассистенты становятся стандартным инструментом разработки, наличие отдельной «машинной документации» может стать базовым навыком для каждого разработчика. Лучше начать пробовать уже сейчас.

📁 Language: #TypeScript 94.3%

⭐️ Stars: 9.9k

➡️ Cсылка на GitHub

📱 @git_developer

open-scouts

Если хочется отслеживать свежие опенсорс-проекты, движения по конкретным технологиям или хотя бы цены на какой-то товар, постоянно руками обновлять страницы, тупо трата времени. А если не следить, есть риск пропустить что-то важное.

Как раз на GitHub нашёлся опенсорс Open Scouts. По сути, это способ развернуть себе отряд AI-скаутов, которые круглосуточно шарят по интернету и мониторят нужную тебе инфу.

Поддерживаются кастомные задачи мониторинга: хочешь — ищешь новые рестораны рядом, хочешь, трекаешь новости по AI-индустрии. Всё можно повесить на расписание и гонять по крону автоматически.

Дальше подключается ИИ: он разбирает результаты поиска, собирает их в краткую выжимку в одну фразу и сразу шлёт всё это тебе на почту.

Проект построен на базе Next.js 16 и Supabase, для парсинга и обхода страниц интегрирован Firecrawl, есть Docker для развёртывания в один шаг, все данные при этом остаются у тебя.

Такая модель "повесил и забыл, дальше всё мониторит само" выглядит очень практичной, если нужно долго держать в фокусе какой-то рынок или область, но при этом не хочется тонуть в потоке мусорных обновлений.

📁 Language: #TypeScript 95.5%

⭐️ Stars: 586

➡️ Cсылка на GitHub

📱 @git_developer

Quant-Developers-Resources

Хочется в высокооплачиваемый кванто-финтех, но кажется, что порог входа зашкаливает, а материалы в сети раздробленные и хаотичные, вообще непонятно, с чего заходить.

Тут как раз пригодится опенсорс Quant-Developers-Resources: ребята собрали подробный гайд по входу в квантовую разработку и алготрейдинг.

Там покрыто все: от матбазы и стохастического анализа до языков программирования и ключевых тем по алгоритмической торговле, причём всё разложено по разделам под реальные требования собесов.

В репе даже есть подборка магистерских видеокурсов, которые авторы оценивают примерно в 200k долларов, плюс списки хедж-фондов и HFT-компаний, которые активно нанимают.

Контент довольно хардкорный и при этом очень полный — отлично подойдёт тем, кто целится в квантовые позиции или хочет системно закрыть пробелы по фининжинирингу.

⭐️ Stars: 256

➡️ Cсылка на GitHub

📱 @git_developer

FluidVoice

На macOS, если набирать текст голосом, встроенная диктовка часто распознаёт так себе и не умеет в AI-улучшения, поэтому по ощущениям всегда чуть не дотягивает.

Недавно на GitHub попался FluidVoice, опенсорсный speech-to-text, который работает полностью локально и при желании умеет подключать AI, чтобы улучшать качество распознавания.

Есть command mode: можно голосом управлять Маком и запускать разные действия. И есть writing mode: в любом приложении прямо в текстовом поле диктуешь или просишь переформулировать текст.

Под капотом используется модель Parakeet TDT v3 для транскрибации в реальном времени, заявлены автоопределение более чем 25 языков и запуск голосового ввода по глобальному хоткею в любой момент.

Во время транскрибации показывается плавающее окно с превью, а после распознавания текст автоматически вставляется в текущее приложение. Можно также подключить модели вроде OpenAI или Groq, чтобы не только точнее транскрибировать, но и сразу “причесать” текст.

Если часто пользуешься голосовым вводом или хочешь более умно управлять macOS голосом, штука выглядит как минимум достойной теста.

Сейчас поддерживаются только Mac на Apple Silicon, нужна macOS 14.0 и выше.

📁 Language: #Swift 99.9%

⭐️ Stars: 642

➡️ Cсылка на GitHub

📱 @git_developer

QOwnNotes

Когда пользуешься Notion, Evernote и похожими заметочниками, данные лежат у провайдера, и постоянно свербит: то приватность, то вдруг сервис прикроют. Плюс многие Electron-приложения реально прожорливые по памяти.

И вот на GitHub наткнулся на QOwnNotes, опенсорсный десктопный заметочник. Написан на C++, поэтому потребляет мало ресурсов, и при этом отлично дружит с Nextcloud/ownCloud.

Заметки хранятся локально как обычные Markdown-файлы в чистом тексте. А синхронизацию можно сделать через Nextcloud, ownCloud или вообще любой инструмент: Dropbox, Syncthing и т.д. В итоге данные полностью остаются у тебя, без привязки к чужому облаку.

Основные фичи:

🔸Нативная разработка на C++, заметно меньше нагрузки, чем у Electron-приложений;
🔸Поддержка нескольких папок с заметками и иерархии тегов;
🔸Подсветка Markdown и живой предпросмотр;
🔸Глубокая интеграция с Nextcloud/ownCloud, включая историю версий и корзину;
🔸Мощная система скриптов с установкой расширений из онлайн-библиотеки;
🔸Шифрование заметок (AES-256 или свой способ шифрования);
🔸Полная кастомизация раскладки интерфейса и хоткеев;
🔸Интерфейс на 60+ языках.

Работает на Windows, macOS и Linux, ставится через пакетные менеджеры или с сайта. Хороший вариант, если важны приватность и контроль над своими заметками.

📁 Language: #Cpp 93.5%

⭐️ Stars: 5.5k

➡️ Cсылка на GitHub

📱 @git_developer