收藏夹里那 20 个网站,90% 的人看了都会存下来。
修图、办公、做内容、写代码全沾边,挑自己用得上的留着。
先看处理图片和文件这一类,需求最集中。
免费 PDF、图片、文件工具箱
🔗 https://tinywow.com/
网页版 PS,不用装软件
🔗 https://www.photopea.com/
一键去掉图片背景
🔗 https://remove.photos/
一键擦掉图里多余的物体
🔗 https://cleanup.pictures/
免费版导出最高 720px,想要高清得开 Pro,5 美元一个月,按年买 36 美元。
图片放大、提升清晰度
🔗 https://letsenhance.io/
免费 PDF 工具大全
🔗
开会、做视频、搞内容,下面这几个能省不少手工活。
会议录音转文字、出纪要
🔗
像改文字一样剪音视频
🔗
快速录屏,做演示和反馈
🔗
免费图片、视频、音乐素材
🔗
免费视频、音乐、模板素材
🔗
日常上网防坑,这几个建议常备。
临时邮箱,不暴露真实邮箱
🔗
永久保存网页快照
🔗
找各种软件的替代品
🔗
查亚马逊商品历史价格
🔗
重复的活丢给自动化,想清楚的事画出来。
自动处理重复工作
🔗
自己搭自动化工作流
🔗
快速画流程图和草图
🔗
最后两个留给写代码的朋友。
程序员学习路线图
🔗
各种开发文档一处查
🔗
修图、办公、做内容、写代码全沾边,挑自己用得上的留着。
先看处理图片和文件这一类,需求最集中。
免费 PDF、图片、文件工具箱
🔗 https://tinywow.com/
网页版 PS,不用装软件
🔗 https://www.photopea.com/
一键去掉图片背景
🔗 https://remove.photos/
一键擦掉图里多余的物体
🔗 https://cleanup.pictures/
免费版导出最高 720px,想要高清得开 Pro,5 美元一个月,按年买 36 美元。
图片放大、提升清晰度
🔗 https://letsenhance.io/
免费 PDF 工具大全
🔗
开会、做视频、搞内容,下面这几个能省不少手工活。
会议录音转文字、出纪要
🔗
像改文字一样剪音视频
🔗
快速录屏,做演示和反馈
🔗
免费图片、视频、音乐素材
🔗
免费视频、音乐、模板素材
🔗
日常上网防坑,这几个建议常备。
临时邮箱,不暴露真实邮箱
🔗
永久保存网页快照
🔗
找各种软件的替代品
🔗
查亚马逊商品历史价格
🔗
重复的活丢给自动化,想清楚的事画出来。
自动处理重复工作
🔗
自己搭自动化工作流
🔗
快速画流程图和草图
🔗
最后两个留给写代码的朋友。
程序员学习路线图
🔗
各种开发文档一处查
🔗
论文里的公式看着不复杂,真要敲进 LaTeX,分式、上下标、矩阵一个个写,没多久就被括号绕晕。
OpenMathpix 是一款 Windows 公式截图工具,框选公式,或者粘贴、拖入图片,就能在本机识别成 LaTeX,并预览结果。
第一次使用下载约 120MB 的模型,之后可以离线识别,普通 CPU 就能跑,无需显卡,也不用另外安装 Python。
GitHub:https://github.com/JhuoW/OpenMathpix
我觉得识别后自动复制这个细节挺方便,截完就能回到文档里粘贴。历史记录有缩略图和搜索,之前截过的公式也能再找出来。
结果可以在 LaTeX、Markdown、纯文本和原图之间切换。需要识别正文、表格和整页排版时,还能另接 PaddleOCR 服务。
有便携安装包,界面能切换简体中文。写论文、整理数学笔记时,可以少花点时间手敲公式。
OpenMathpix 是一款 Windows 公式截图工具,框选公式,或者粘贴、拖入图片,就能在本机识别成 LaTeX,并预览结果。
第一次使用下载约 120MB 的模型,之后可以离线识别,普通 CPU 就能跑,无需显卡,也不用另外安装 Python。
GitHub:https://github.com/JhuoW/OpenMathpix
我觉得识别后自动复制这个细节挺方便,截完就能回到文档里粘贴。历史记录有缩略图和搜索,之前截过的公式也能再找出来。
结果可以在 LaTeX、Markdown、纯文本和原图之间切换。需要识别正文、表格和整页排版时,还能另接 PaddleOCR 服务。
有便携安装包,界面能切换简体中文。写论文、整理数学笔记时,可以少花点时间手敲公式。
让 AI 写代码前先查 GitHub,可能比反复试错更省钱。
开源工具 XERJ 会先下载与任务相关的代码仓库、建立索引,再让 AI 参考真实源码实现,减少凭记忆猜接口的情况。
项目方测试了 8 个任务、4 种语言:
只靠模型记忆:通过 11/16,花费 $11.18
grep 搜索源码:通过 16/16,输出 26,477 tokens
使用 XERJ:通过 16/16,输出 9,982 tokens,花费 $1.58
在这组测试中,XERJ 全部通过,输出 token 比 grep 少约 62%。
它更适合模型不熟悉的私有、小众或较新的代码库;热门开源项目未必能带来提升。
工具用 Rust 编写,本地运行,支持 Claude Code、Cursor 等 MCP 客户端,采用 Apache-2.0 协议。
🔗 https://github.com/xerj-org/xerj
开源工具 XERJ 会先下载与任务相关的代码仓库、建立索引,再让 AI 参考真实源码实现,减少凭记忆猜接口的情况。
项目方测试了 8 个任务、4 种语言:
只靠模型记忆:通过 11/16,花费 $11.18
grep 搜索源码:通过 16/16,输出 26,477 tokens
使用 XERJ:通过 16/16,输出 9,982 tokens,花费 $1.58
在这组测试中,XERJ 全部通过,输出 token 比 grep 少约 62%。
它更适合模型不熟悉的私有、小众或较新的代码库;热门开源项目未必能带来提升。
工具用 Rust 编写,本地运行,支持 Claude Code、Cursor 等 MCP 客户端,采用 Apache-2.0 协议。
🔗 https://github.com/xerj-org/xerj
Google Research 开源了 Harness²,让 Agent 自己去改外面那层配置,跑一轮下来在 WorkBuddy-Bench 上最多涨了 11.5 分。
它把模型外围拆成 8 个能改的部件:系统提示词、护栏、记忆、工具说明、子 Agent、Skill、脚本和插件。
做法是先提出几种改法,在同一个任务上各跑一遍,再根据几次执行的差异拼出更好的配置。整个过程不需要标准答案。
每个任务跑完,最后采用的配置和有证据支撑的经验都会存下来,后面的任务接着用。
测试模型是 GLM-5 和 Gemini 3.5 Flash。JobBench 最多提升 4.5 分,LAB 部分通过率最多提升 11.8 个百分点。
上手前提醒一句:执行器默认不限制联网。评测前最好先锁网,免得 Agent 直接搜到评分标准。
🔗 https://github.com/google-research/harness2
它把模型外围拆成 8 个能改的部件:系统提示词、护栏、记忆、工具说明、子 Agent、Skill、脚本和插件。
做法是先提出几种改法,在同一个任务上各跑一遍,再根据几次执行的差异拼出更好的配置。整个过程不需要标准答案。
每个任务跑完,最后采用的配置和有证据支撑的经验都会存下来,后面的任务接着用。
测试模型是 GLM-5 和 Gemini 3.5 Flash。JobBench 最多提升 4.5 分,LAB 部分通过率最多提升 11.8 个百分点。
上手前提醒一句:执行器默认不限制联网。评测前最好先锁网,免得 Agent 直接搜到评分标准。
🔗 https://github.com/google-research/harness2
用 DeepSeek Harness 跑 Agent 的,上下文里塞了什么,如今能一眼看清了。
插件叫 dsh-context,DSH 团队成员推荐过,还点了星。
装上之后能看 7 天的 token 和费用,另有 8 周活跃热力图。
每次请求由什么拼起来也能看:系统提示词、工具 schema、工具结果,都能展开看原文。
DSH 走的是插件化,这类工具才长得出得出来。
🔗 https://github.com/bowenliang123/dsh-context
插件叫 dsh-context,DSH 团队成员推荐过,还点了星。
装上之后能看 7 天的 token 和费用,另有 8 周活跃热力图。
每次请求由什么拼起来也能看:系统提示词、工具 schema、工具结果,都能展开看原文。
DSH 走的是插件化,这类工具才长得出得出来。
🔗 https://github.com/bowenliang123/dsh-context
安卓电视的桌面,现在能换成苹果 tvOS 26 那副样子了。
Tigris 走的是开源路线,液态玻璃 Dock、毛玻璃控制中心都有,连预装 App 也能删。
不太会装的,把仓库发给 Claude Code,让它照着说明帮你装。
🔗 https://github.com/lesnolie/Tigris
Tigris 走的是开源路线,液态玻璃 Dock、毛玻璃控制中心都有,连预装 App 也能删。
不太会装的,把仓库发给 Claude Code,让它照着说明帮你装。
🔗 https://github.com/lesnolie/Tigris
背英语单词不一定非要买厚厚的词汇书,这个开源项目把大量英语词库整理到了 GitHub。
English 收录了从中小学到研究生、博士阶段的词汇资料,涵盖中考、高考、四六级、考研,以及雅思、托福、GRE、商务英语、新概念等,号称整理了 190 多本词书。
每套词库都配有中文释义和 IPA 国际音标,还能导入 Anki、Quizlet、欧路、有道等背词工具,方便按自己的习惯制定复习计划。
备考、日常积累词汇都能用得上。不过,词库的版本和完整度建议自行核对,不能完全替代教材及官方考试大纲。
🔗 :https://github.com/lilinji/English
English 收录了从中小学到研究生、博士阶段的词汇资料,涵盖中考、高考、四六级、考研,以及雅思、托福、GRE、商务英语、新概念等,号称整理了 190 多本词书。
每套词库都配有中文释义和 IPA 国际音标,还能导入 Anki、Quizlet、欧路、有道等背词工具,方便按自己的习惯制定复习计划。
备考、日常积累词汇都能用得上。不过,词库的版本和完整度建议自行核对,不能完全替代教材及官方考试大纲。
🔗 :https://github.com/lilinji/English
OpenDataLoader PDF 把 PDF 转成 Markdown 的速度,能做到一页 0.015 秒,纯 CPU 跑得动,还开源免费。
项目走 Apache-2.0 协议,默认模式全在本地转,普通的电子版 PDF 用它正合适。
一旦遇上复杂表格、扫描件、公式这些硬骨头,就切到 hybrid 模式。
拿 200 份真实 PDF 测下来,这个模式综合得分 0.907,表格 0.928,直接排到第一。
几个常用工具拉出来比比:
docling 综合 0.882,每页 0.762 秒。
marker 综合 0.861,每页得耗 53.9 秒。
pymupdf4llm 每页 0.091 秒是快,可表格分只有 0.401。
输出上,Markdown、带坐标的 JSON、HTML 它都给,做 RAG 分块、标引用出处都省事。
扫描件 OCR 能认 80 多种语言。
另外它还有一手:把没有标签的 PDF 自动转成读屏软件能用的 Tagged PDF。
同样的事人工做一份,成本得 50 到 200 美元。
跑之前记得先装 Java 11 以上版本。
🔗 https://github.com/opendataloader-project/opendataloader-pdf
项目走 Apache-2.0 协议,默认模式全在本地转,普通的电子版 PDF 用它正合适。
一旦遇上复杂表格、扫描件、公式这些硬骨头,就切到 hybrid 模式。
拿 200 份真实 PDF 测下来,这个模式综合得分 0.907,表格 0.928,直接排到第一。
几个常用工具拉出来比比:
docling 综合 0.882,每页 0.762 秒。
marker 综合 0.861,每页得耗 53.9 秒。
pymupdf4llm 每页 0.091 秒是快,可表格分只有 0.401。
输出上,Markdown、带坐标的 JSON、HTML 它都给,做 RAG 分块、标引用出处都省事。
扫描件 OCR 能认 80 多种语言。
另外它还有一手:把没有标签的 PDF 自动转成读屏软件能用的 Tagged PDF。
同样的事人工做一份,成本得 50 到 200 美元。
跑之前记得先装 Java 11 以上版本。
🔗 https://github.com/opendataloader-project/opendataloader-pdf
想在本地养一个 Live2D AI 伴侣?试试开源项目 Open-LLM-VTuber。
它支持语音聊天、摄像头感知、屏幕截图和桌宠互动。接入本地模型后,还能离线运行,聊天数据留在自己的设备上。
主要特点:
支持自定义 Live2D 模型、性格 Prompt 和语音克隆
可接 Ollama、LM Studio、DeepSeek、Claude 等模型
支持透明桌宠、置顶和鼠标穿透
Windows、macOS、Linux 均可使用
没有独显也能用 CPU 运行,或通过云端 API 调用模型。
注意: 长期记忆功能暂时下线;手机远程访问需要配置 HTTPS。目前 v1 主要维护 Bug,新功能将集中在 v2.0。
🔗 https://github.com/Open-LLM-VTuber/Open-LLM-VTuber
它支持语音聊天、摄像头感知、屏幕截图和桌宠互动。接入本地模型后,还能离线运行,聊天数据留在自己的设备上。
主要特点:
支持自定义 Live2D 模型、性格 Prompt 和语音克隆
可接 Ollama、LM Studio、DeepSeek、Claude 等模型
支持透明桌宠、置顶和鼠标穿透
Windows、macOS、Linux 均可使用
没有独显也能用 CPU 运行,或通过云端 API 调用模型。
注意: 长期记忆功能暂时下线;手机远程访问需要配置 HTTPS。目前 v1 主要维护 Bug,新功能将集中在 v2.0。
🔗 https://github.com/Open-LLM-VTuber/Open-LLM-VTuber
「程序员延寿指南」这个项目很多人应该见过,熬夜、久坐、吃外卖的程序员,总想知道哪些养生说法真有研究撑着。
最近作者把它重新整理了一遍,GitHub 上已斩获 35000+ Star!饮食、运动、睡眠和日常习惯方面的 64 条研究做成了一张表,每条都附原始论文。
每条结论旁边还标了证据等级,从 A 到 D 分开,哪些证据扎实、哪些只能当参考,扫一眼就知道,后面再跟一句日常能照着做的建议。
GitHub:https://github.com/geekan/HowToLiveLonger
比如红肉那条,写明了八年里平均每天多吃至少半份红肉,全因死亡风险增加 10%,下面就是论文链接,想核对可以直接点过去看原文。
有在线阅读的网页,支持 8 种语言,也能下载仓库离线打开。还给 AI 准备了一个 Skill,问它健康问时会翻这份研究数据,回答附上论文出处。
每天在电脑前一坐一整天,又想给自己的作息找点靠谱依据的,可以从这张表翻起。
最近作者把它重新整理了一遍,GitHub 上已斩获 35000+ Star!饮食、运动、睡眠和日常习惯方面的 64 条研究做成了一张表,每条都附原始论文。
每条结论旁边还标了证据等级,从 A 到 D 分开,哪些证据扎实、哪些只能当参考,扫一眼就知道,后面再跟一句日常能照着做的建议。
GitHub:https://github.com/geekan/HowToLiveLonger
比如红肉那条,写明了八年里平均每天多吃至少半份红肉,全因死亡风险增加 10%,下面就是论文链接,想核对可以直接点过去看原文。
有在线阅读的网页,支持 8 种语言,也能下载仓库离线打开。还给 AI 准备了一个 Skill,问它健康问时会翻这份研究数据,回答附上论文出处。
每天在电脑前一坐一整天,又想给自己的作息找点靠谱依据的,可以从这张表翻起。
想用 Notebook LM 那套资料问答,又不想把文档传到 Google,就自己拿 Docker 起一个,模型也换成自己付钱的那家。
https://github.com/lfnovo/open-notebook
Open Notebook 是 Google Notebook LM 的开源自托管替代品,后端 Python + FastAPI,前端 Next.js + React,数据存在 SurrealDB 里。
把 PDF、视频、音频、网页、Office 文档收进 notebook,做全文和向量两路检索,再基于这些资料对、生成笔记、做 1 到 4 个说人的多说人播客。
https://github.com/lfnovo/open-notebook
Open Notebook 是 Google Notebook LM 的开源自托管替代品,后端 Python + FastAPI,前端 Next.js + React,数据存在 SurrealDB 里。
把 PDF、视频、音频、网页、Office 文档收进 notebook,做全文和向量两路检索,再基于这些资料对、生成笔记、做 1 到 4 个说人的多说人播客。
Mac 外接显示器,缩放、亮度不好调?可以试试开源工具 Crisp。
这款 MIT 菜单栏工具支持 2K 及以上屏幕开启 HiDPI,还能通过 DDC 调节亮度、自动跟随当前屏幕,并保存分辨率、亮度和排列预设。
另外还提供深色模式、Night Shift、ICC、虚拟屏等功能。
需要注意:硬件调光依赖显示器、线材和扩展坞支持 DDC;部分高级功能暂不支持。
🔗 https://github.com/didriksg/Crisp
这款 MIT 菜单栏工具支持 2K 及以上屏幕开启 HiDPI,还能通过 DDC 调节亮度、自动跟随当前屏幕,并保存分辨率、亮度和排列预设。
另外还提供深色模式、Night Shift、ICC、虚拟屏等功能。
需要注意:硬件调光依赖显示器、线材和扩展坞支持 DDC;部分高级功能暂不支持。
🔗 https://github.com/didriksg/Crisp
看 A 股不用再在多个软件间来回切换了。
开源项目 InStock 将日线行情、技术指标、筹码分布和 61 种 K 线形态识别整合到一起,还支持选股与回测。
提供 Web 界面,手机和电脑都能访问,也支持 Docker 部署。不过需要配置数据库,并等待行情抓取和计算任务完成。
🔗 https://github.com/myhhub/stock
开源项目 InStock 将日线行情、技术指标、筹码分布和 61 种 K 线形态识别整合到一起,还支持选股与回测。
提供 Web 界面,手机和电脑都能访问,也支持 Docker 部署。不过需要配置数据库,并等待行情抓取和计算任务完成。
🔗 https://github.com/myhhub/stock
想研究 A 股短线形态,可以看看这个开源小工具。
它专注于「碗口反弹」策略:先用 KDJ、趋势线、放量阳线等条件筛选,再与历史形态图做相似度匹配并排序。
基于 Python + AkShare,可本地查看 K 线,还支持推送结果到钉钉,并自动过滤 ST 和退市股。
适合个人复盘和调整参数,不是完整量化框架。形态相似也不代表后续一定上涨。
🔗 https://github.com/Dzy-HW-XD/a-share-quant-selector
它专注于「碗口反弹」策略:先用 KDJ、趋势线、放量阳线等条件筛选,再与历史形态图做相似度匹配并排序。
基于 Python + AkShare,可本地查看 K 线,还支持推送结果到钉钉,并自动过滤 ST 和退市股。
适合个人复盘和调整参数,不是完整量化框架。形态相似也不代表后续一定上涨。
🔗 https://github.com/Dzy-HW-XD/a-share-quant-selector
研究产业链,可以从下游需求反向寻找上游瓶颈。
serenity-stock-choke 将这套思路做成了 A 股 Agent Skill:判断行业所处阶段,定位供应链关键环节,再筛选可能受益的公司,最后生成结构化报告。
覆盖电力、光模块、半导体设备、军工、新能源车等领域。
它只是辅助研究工具,不预测大盘,也不提供买卖建议。公司产能和客户信息仍需自行核实。
🔗 https://github.com/fadewalk/serenity-stock-choke
serenity-stock-choke 将这套思路做成了 A 股 Agent Skill:判断行业所处阶段,定位供应链关键环节,再筛选可能受益的公司,最后生成结构化报告。
覆盖电力、光模块、半导体设备、军工、新能源车等领域。
它只是辅助研究工具,不预测大盘,也不提供买卖建议。公司产能和客户信息仍需自行核实。
🔗 https://github.com/fadewalk/serenity-stock-choke
画角色设定图时,正脸、侧脸、背影、手脚得一张张生成,换个角度衣服细节就对不上了,拼到一起像好几个人。
最近看到 H3 Character Sheet Designer 这个开源的 ComfyUI 节点,借 MiniMax H3 的图片参考能力,拿一张角色图就能出整套设定图。
除了主图,还能再加最多 3 张局部参考,比如脸、整套衣服或者鞋子。视角最多选 13 个,有 6 个头部视角、3 个全身视角,外加衣服正反面和手脚。
GitHub:https://github.com/ukr8b3g-cmyk/H3-Character-Sheet-Designer
新加的 7 视角预设我挺喜欢,左边上下两张头像,中间三张全身,右边上面手下面脚,排出来很像游戏美术交的那种设定稿。
作者附了一份现成的工作流,导入 ComfyUI 选好模型就能跑。模型要另外下载,README 里列好了每个文件该放进哪个文件夹。
做角色、画同人或者给短片定人设的,拿它出设定图能少拼好多张。
最近看到 H3 Character Sheet Designer 这个开源的 ComfyUI 节点,借 MiniMax H3 的图片参考能力,拿一张角色图就能出整套设定图。
除了主图,还能再加最多 3 张局部参考,比如脸、整套衣服或者鞋子。视角最多选 13 个,有 6 个头部视角、3 个全身视角,外加衣服正反面和手脚。
GitHub:https://github.com/ukr8b3g-cmyk/H3-Character-Sheet-Designer
新加的 7 视角预设我挺喜欢,左边上下两张头像,中间三张全身,右边上面手下面脚,排出来很像游戏美术交的那种设定稿。
作者附了一份现成的工作流,导入 ComfyUI 选好模型就能跑。模型要另外下载,README 里列好了每个文件该放进哪个文件夹。
做角色、画同人或者给短片定人设的,拿它出设定图能少拼好多张。
想把配音、声音克隆和语音转写放在一起处理?可以看看开源工具 VoiceStudio(原 OmniVoice Studio)。
它是一款本地桌面语音工作台,支持视频配音、翻译、听写、转写、音轨分离和批量处理,官方称默认引擎覆盖约 600 种语言。
支持 Windows、macOS 和 Linux,推理在本机完成,但首次使用需要下载模型。独显建议预留约 6GB 显存。
声音克隆请使用自己的声音或已获授权的录音。
🔗 https://github.com/debpalash/VoiceStudio
它是一款本地桌面语音工作台,支持视频配音、翻译、听写、转写、音轨分离和批量处理,官方称默认引擎覆盖约 600 种语言。
支持 Windows、macOS 和 Linux,推理在本机完成,但首次使用需要下载模型。独显建议预留约 6GB 显存。
声音克隆请使用自己的声音或已获授权的录音。
🔗 https://github.com/debpalash/VoiceStudio