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
想系统学习投资,可以收藏这份开源资源清单 Financial_freedom。
整理了约 16 本投资书、16 部纪录片、23 个美股 YouTube 频道,还收录了投资论坛和 Web3 网站,适合从入门到进阶慢慢补课。
它更像一份学习导航,书籍建议购买或去图书馆借阅,别把仓库里的 PDF 当免费书库。
资源只能提供方向,真正的投资能力还得靠学习和实践。
🔗 https://github.com/codeman008/Financial_freedom
整理了约 16 本投资书、16 部纪录片、23 个美股 YouTube 频道,还收录了投资论坛和 Web3 网站,适合从入门到进阶慢慢补课。
它更像一份学习导航,书籍建议购买或去图书馆借阅,别把仓库里的 PDF 当免费书库。
资源只能提供方向,真正的投资能力还得靠学习和实践。
🔗 https://github.com/codeman008/Financial_freedom
不想手动折腾 Excel?开源工具 ExcelMcp 可以让 AI 直接操作本机 Excel。
官方提供 31 个工具、326 项操作,支持公式、透视表、Power Query、DAX 和 VBA,还能实时查看修改效果,继续用对调整。
可接入 Claude Code、Codex、Copilot。
要求:Windows + Excel 2016 及以上。使用前需关闭已打开的工作簿。
🔗 https://github.com/sbroenne/mcp-server-excel
官方提供 31 个工具、326 项操作,支持公式、透视表、Power Query、DAX 和 VBA,还能实时查看修改效果,继续用对调整。
可接入 Claude Code、Codex、Copilot。
要求:Windows + Excel 2016 及以上。使用前需关闭已打开的工作簿。
🔗 https://github.com/sbroenne/mcp-server-excel
👍1
国内量化交易圈常用的开源框架 VeighNa( 已有约 4.5 万星。
它基于 Python 和事件驱动架构,覆盖策略开发、回测与实盘交易,支持通过 CTP、IB 等网关连接不同市场。
4.0 版本新增 vnpy.alpha,面向多因子和机器学习策略研究。
框架负责策略引擎和交易通道,行情数据、账户及风控仍需自行配置,网关也要按需安装。
🔗 https://github.com/vnpy/vnpy
它基于 Python 和事件驱动架构,覆盖策略开发、回测与实盘交易,支持通过 CTP、IB 等网关连接不同市场。
4.0 版本新增 vnpy.alpha,面向多因子和机器学习策略研究。
框架负责策略引擎和交易通道,行情数据、账户及风控仍需自行配置,网关也要按需安装。
🔗 https://github.com/vnpy/vnpy
👍1
GitHub 上有个叫 English Vocabulary Vault 的开源英语词库,收了 960 多本词书,从小学同步教材、中高考、四六级、考研,一直到雅思、托福、GRE。
每本都整理成 Excel 和纯文本两种格式,带国际音标和中文释义,能直接导入 Anki、Quizlet、欧路词典这些背单词工具。
GitHub:https://github.com/lilinji/English
看了下目录,考研那一栏有 190 本,是整个库里最多的。雅思有 28 本,按主分类的、听力口语专项的都分开放了。
重点词库还给了正序和乱序两个版本,背的时候不容易靠字母顺序记。另外有程序员用的 IT 英语词汇,新概念 3、4 册还配了 108 篇课文讲义。
正在备考的学生,或者想补补工作英语的,挑一本导进常用的背单词软件,自己学习用就很够了。
每本都整理成 Excel 和纯文本两种格式,带国际音标和中文释义,能直接导入 Anki、Quizlet、欧路词典这些背单词工具。
GitHub:https://github.com/lilinji/English
看了下目录,考研那一栏有 190 本,是整个库里最多的。雅思有 28 本,按主分类的、听力口语专项的都分开放了。
重点词库还给了正序和乱序两个版本,背的时候不容易靠字母顺序记。另外有程序员用的 IT 英语词汇,新概念 3、4 册还配了 108 篇课文讲义。
正在备考的学生,或者想补补工作英语的,挑一本导进常用的背单词软件,自己学习用就很够了。
👍1