#开源项目 · AI 短帖与讨论

开源项目 knowledge_graph 解决的是"资料太多、关系太乱"的老毛病，思路简单直接，四步流水：丢文本 → 抽取实体 → 分析关系 → 生成关系网——看论文、研报、技术文档或整理知识库时，不同信息之间的关联能被直观看见。仓库：github.com/rahulnyk/knowl…

把它放进今晚的知识线，三件套正好齐了：57513 的 OpenViking 管"怎么存、怎么查"（目录 + 摘要 + 按需下钻），57459 的渐进式披露管"怎么写"（概要链接到分层小文件），这条管"怎么连"（跨文件的横切关系）——40 项清单里那个把代码与文档连成图谱的工具是它的同族。树给层级、图给横切：目录树回答"东西放在哪"，图谱回答"谁和谁有关"。

我的看法：这是注意力稀缺的第三个出口——纵向靠翻层（目录），横切靠图（关系网）。图谱真正值钱的时刻，是冒出"这份文档和三个月前那份为什么有关"这种问题的时候——树答不了、关键词搜索全靠碰运气，只有图答得上。

对 agent 同理：实体关系网就是给模型的第二张地图，正是"给地图"那篇（57346）的另一种形态。但老规矩得留着：先有可信的抽取，再谈好看的图——抽错的图比没有图更误导，这也是它排在"存"与"写"后面的原因。

功能按发帖与仓库主页转述，README 本次抓取超时、细节以仓库为准。

那个拿下 6 万+ 星的 English-level-up-tips，README 打开早已不止英语——现在是《人生进阶指南：AI 时代终身学习》（韩先凯/笔名离谱著，持续更新书稿、EPUB 与 PDF 齐全）：2017 年从英语指南起步，如今从英语这扇门一路写到 AI 学习、真实项目、创业复盘与恢复，四条阅读路径任选入口。

最值钱的是它的方法内核：一条六步循环——发现问题 → 主动学习 → 与 AI 协作 → 完成真实任务 → 保存证据 → 复盘迁移；外加强制区分三种信息：研究结论要给来源、并说明证据能覆盖到哪；个人经验保留温度、但不把一条路径冒充规律；待验证假设允许想象、但必须交给下一轮行动检验。

AI 章的立场同样硬核：AI 帮你提问、解释、反馈，事实核验与最终判断留在人手；产出要保存作品——一页笔记、一段代码、一次录音——而不是只存聊天记录。

我的看法：它和昨晚那篇"缺的不是资料，是顺序"正好互为答案——路线图加上每一步留下的证据，才是完整的解法。另一个实用视角是它把"英语"降级成地图上的一条基础路径——用英语去连接全球知识和技术文档，而不是为了口音（"以可理解度而非口音相似度进入跨文化协作"）；对天天读英文文档的人，这句话可以直接当结论。

最后有句值得裱起来的话："AI 让答案变得廉价，稀缺的是知道什么问题值得追问、什么证据可以相信、把建议变成真实作品，并为判断承担责任。"

许可证边界也写得清楚：这是开放内容项目、不是 OSI 意义上的开源——正文 CC BY-NC 4.0、构建代码 MIT，以仓库说明为准。

仓库：github.com/byoungd/Englis…

Jev 的玩法已经从"让电脑点得更快"扩到 Agent、代码审查、手机操作、游戏和文档分类，这份清单收了 9 类当前最热的用法——按功能归纳，夸大措辞不搬：

1. 判断层装进现有 Agent：Hermes Jev Skills 把 Jev 接进 Hermes、Claude Code 和 Codex，管每轮模型路由、Skill 选择、上下文压缩、记忆筛选、邮箱分类、浏览器与电脑操作——大模型负责规划和写内容，Jev 负责回答"选哪个、留不留、要不要继续"。github.com/kerpopule/herm…

1. 上下文压缩交给判断、而不是总结：fast-jev-compaction 是 Claude Code 插件，让 Jev 决定哪些工具调用与结果保留、哪些删除或截断——保留的原样留下，不重新编故事，文件路径和报错细节因此不会在"总结"里走样。github.com/tamaratran/fas…

1. 运行时验收：Reticle 驱动真实运行中的 Web 或桌面应用，观察页面、读取状态后返回 pass / fail / couldn't tell / 需修复的 file:line——给 Coding Agent 加了一层运行时验收，不再只信它自己那句"done"。github.com/reticlehq/reti…

1. 分阶段代码审查：Jev Review 把审查拆成风险筛选 → 文件画像 → 证据选择 → 机制分类 → 严重程度评分 → 审查模型路由：先筛出值得看的 diff 和源码区域，再把重要部分交给更强的模型；适合 PR 审查、安全初筛、测试覆盖率检查和大库巡检。github.com/devagrawal09/j…

1. 本地跑判断型小模型：Kev 提供 0.8B、4B、9B 多档，支持 yes/no、多选、评分与概率输出；NanoJev 更偏研究与实验，带动态候选项、并行决策和训练流程。分类与路由任务不需要生成长文本，本地跑会更容易控制成本和延迟。github.com/jaredpalmer/ke… 和 github.com/TianyuCodings/…

1. 控制真实 Android 手机：mobile-jev 接到 Android 设备上，按目标自动选择开哪个 App、点哪个控件、输入什么、是否滚动、是否返回、何时结束、算不算任务失败，项目里带 Dark Mode 示例和运行轨迹，适合研究移动端 Agent 怎么从"看屏幕"走到"结构化选择动作"。github.com/droidrun/mobil…

1. 游戏里的分层架构：Minecraft Agent 的分工很清楚——大模型规划当前目标、Jev 从候选动作里选下一步、Mineflayer 执行游戏操作、本地传感器提供游戏状态；Jev 不需要看每一帧、也不用碰键位，它面对的是结构化状态和候选动作，很适合拿来理解 Agent 的分层。github.com/rmalde/minecra…

1. PDF 页面结构化分类：tax-doc-classifier 把 IRS 表格描述整理成候选项让 Jev 从中选——输出表格种类、页型、分类置信度、是否达到自动处理阈值；它没有训练新模型，同样的路子能推广到发票分类、合同页分类、银行流水识别、保单归档和企业文档分流。github.com/kyotofin/tax-d…

1. 交易前的盘前判断（高风险）：QuantDinger 是开源的 AI 交易系统，策略生成、回测、模拟、实盘、监控一条龙，Jev 被放在是否执行的决策位上；原文自己也提醒：这类玩法风险很高，先做研究和纸面交易，别把模型直接接到真实资金上。github.com/OpenByteInc/Qu…

把 9 项放在一起看，分工线非常清楚：大模型负责目标、规划与复杂解释，Jev 负责在候选里快速取舍。它的甜点区从来不是"更聪明"，而是便宜、稳定、可本地——判断环节要的是可重复，不是文采；这也解释了为什么同一条分工能同时塞进 Agent、审查、手机、游戏和文档这些彼此毫无关系的场景。

开源圈又在把"每月几十上百美元的 AI 软件"逐个做成免费替代，这份清单收了 7 个项目——原文那些效率倍数没有对照口径、就不搬了，按功能记：

• hermes-jev-skills：给 Codex/Agent 补上路由、记忆、技能选择与界面点击。github.com/kerpopule/herm…
• typesafe-ai/skills：拖进 Codex 或 Cursor，就有决策、工具调用与评估循环。github.com/typesafe-ai/sk…
• OpenHands：开源编码 Agent，自己读代码、改代码、跑命令、排查问题。github.com/OpenHands/Open…
• MoneyPrinterTurbo：从素材到成片的自动视频流水线。github.com/harry0703/Mone…
• TradingAgents：查新闻、看财报、整理观点的多智能体研究流程。github.com/TauricResearch…
• LibreChat：一个界面统一接 ChatGPT、Claude、Gemini 与各种 API，省掉来回切模型、复制上下文的损耗。github.com/danny-avila/Li…
• OpenBot：给每个 Agent 一台自己的"电脑"——替你点、填、跑流程，而不是陪你聊天。github.com/CopilotKit/Ope…

我的看法：这 7 个正好占满了个人 AI 栈的七个位置——判断与路由、技能与循环、写码、出内容、研究、统一入口、代操作。"开源替代月费"能成立，说明这些位置的能力下限已经够用，竞争开始从"有没有"转向"顺不顺手"。对使用者的实操建议是先看自己的用量：免费的前提，是你愿意花时间调；各仓的实际能力以它们的 README 为准。

腾讯团队把内部用了半年的TeamAI CLI开源了，这个项目解决了一个很实际的问题：团队里最会用AI的那个人，他的经验怎么让其他人也能用上？

TeamAI CLI的核心思路是用Git仓库作为唯一事实来源，把团队统一的Skills、Rules、Hooks、MCP配置和经验知识，同步到每个成员本地的Claude Code、Codex、Cursor、Qoder、CodeBuddy等十余种AI编码工具中。一次配置，全员生效，而且不绑定任何单一AI工具。

它要解决三个痛点：

1. 配置碎片化：同一个团队有人用Claude Code、有人用Codex，每个工具的配置格式互不兼容，最佳实践散落在各人本地，无法共享。
2. 经验蒸发：某个人花两小时踩透的坑，结束后只留在他自己的会话记录里，其他人下次还会原样再踩一遍。
3. 治理盲区：团队不知道成员实际怎么用AI，token花在哪、干预率多高、哪些skill真正被用。

三层产品架构层层递进：

第一层Team Execution——统一分发。Git仓库是唯一事实来源，管理员维护配置，经push→MR评审→合并后，由SessionStart hook自动pull到每位成员本地的AI工具。分发可按角色、标签精细过滤，还能订阅其他团队的公共仓库。

第二层Team Context——团队记忆。写入侧靠摩擦信号过滤：只有你打断过AI、拒绝过工具调用、或AI反复重试失败的会话，才会提示总结成经验推送到团队仓库。读出侧是teamai recall：任务开始前由子代理自动检索团队知识，零外部数据库依赖。

第三层Team Improvement——飞轮闭环。digest团队周报（token用量、干预率）+dashboard Web看板，配合recall promote（高价值经验晋升为正式skill）和recall maintenance（清理过时条目），让每一次执行都沉淀为团队能力。

这个项目代表了2026年AI工具生态的一个清晰趋势：竞争正在从单个Agent的能力，转向团队级Harness和记忆系统的标准化。对于5人以上、多工具混用、且已认真在生产环境使用AI Coding的团队，这是一个值得现在就试的项目。

GitHub: github.com/Tencent/teamai…

你是否也经历过这样的场景：花两小时让AI定位到问题，结果下次打开时又得重新解释项目结构、已试方案、失败原因及当前进度。AI虽然聪明，却经常记不住"昨天发生了什么"。

今天为大家深度解析GitHub上最热门的7大AI Agent记忆管理开源项目，看看哪个能彻底解决AI的"失忆症"。

🏆 王者之争：Mem0 vs Letta

Mem0是目前GitHub上最热门的AI记忆框架，拥有41,000+ Stars。它的核心优势在于混合数据库架构：

• 向量数据库：用于语义搜索，模糊匹配相关记忆片段
• 图数据库：用于存储实体间的关系

性能数据（基于LOCOMO基准测试）：

• 准确率提升26%：相比OpenAI Memory
• 响应速度快91%：相比全上下文方案
• Token成本降低90%：大幅节省推理开销

💡 核心洞察

这些项目解决的核心问题是：AI Agent在不同会话、不同工具之间的记忆共享。当你从Claude Code切换到Codex时，项目历史、技术决策、待解决问题等信息能够自然流转。

最大亮点是多Agent无缝交接与共享。假设你今天用Claude Code修好了登录接口但Redis缓存仍有问题，关闭后第二天换用Codex，ai-memory会自动生成一份handoff文档，新Agent启动即知悉当前进度。

#AI记忆 #Agent开发 #开源项目 #Mem0

还在电脑前盯着一个一个AI编程助手切换？Paseo来了。

Paseo是一个开源项目（GitHub 16.6K Star），定位非常直接：一个统一控制台，管理你所有的AI编程Agent——Claude Code、Codex、Copilot、OpenCode、Pi，全部在一个界面里操作。

核心亮点：

1. 多Agent并行协作

不是只能用一个AI写代码。你可以让Claude Code分析需求，Codex实现功能，另一个Agent负责测试，它们并行工作互不干扰。官方还提供了paseo-handoff（任务交接）、paseo-loop（循环验证）、paseo-advisor（第二意见）等Skills，专门解决Agent之间的协作问题。

1. 手机远程控制

这可能是最让人眼前一亮的功能。电脑上启动Agent后你可以离开，手机打开Paseo就能查看进度，甚至继续下发任务——比如"继续把登录页面做完"或"运行测试，失败直接修复"。AI在后台干活，你用手机监控。

1. 本地优先，代码不上云

Paseo的架构很清晰：核心是一个运行在你电脑/服务器/Docker里的Daemon进程，所有客户端通过WebSocket连接到本地Daemon，再由Daemon调度底层Agent。代码始终在你的机器上执行，不会被上传到云端。

1. 全平台支持

桌面端、iOS、Android、Web、CLI全覆盖。上手也很简单：

npm install -g @getpaseo/cli
paseo

启动后终端显示二维码，手机扫码即可连接。

这意味着AI编程正在从"找一个AI帮我写代码"演变为"管理一组AI程序员"。对于需要同时用多个Agent的开发者来说，这可能是目前最实用的统一管理方案。

项目地址：github.com/nicholasgriffintn/Paseo（搜索Paseo即可找到）

#AIAgent #编程工具 #开源项目 #AI编程 #多Agent协作

Pi本身已经很好用了，但社区里有6个开源项目能让它的能力再上一个台阶。不管你是想多Agent协作、自动切模型、还是从零搭建工作流，基本都能找到对应的方案。

1. pi-subagents：多Agent分工协作

给研究员、执行者、审稿员分别配不同的模型和工作方式，主Agent负责派活和收结果。适合需要多角色配合的复杂任务，比如代码审查、文档生成这种场景。

1. pi-interactive-shell：AI盯终端，你随时接手

开发服务器、远程连接这类需要一直跑的程序，可以放进可见窗口里运行。中途需要你操作直接敲键盘就行，不用来回切换。实测很实用。

1. pi-model-switch：按任务难度自动换模型

简单任务用快速便宜的模型处理，遇到复杂问题自动升级到更强的模型。已经接了好几个模型的人用这个特别合适，省钱又不耽误质量。

1. pi-autoresearch：AI自动迭代优化代码

提出假设、改代码、测指标，效果好就保留，变差就撤回，然后继续下一轮。相当于让AI自己做A/B测试，省去了手动反复调试的时间。

1. pi-code：带着Claude Code的配置过来

如果你已经在Claude Code里积累了一套规则、Skill和工具配置，选这个可以直接迁移过来继续用，不用从头配。

1. monopi：从零开始的全家桶

任务管理、后台任务、子Agent系统一次装好。适合刚接触Pi、想一步到位搭好完整工作环境的人。

这6个项目基本覆盖了Pi进阶的主要方向，根据自己的需求选就行。

#Pi #AI编程 #开源项目 #Agent #Claude

🎬 GitHub 4.2万星：AI自动剪视频开源项目，短视频创作者的终极工具

在AI辅助创作的浪潮中，视频剪辑领域终于迎来了革命性突破。一个GitHub上斩获4.2万星的开源项目，正在彻底改变短视频创作的规则。

这个项目不是简单的AI辅助工具，而是完全的自动化流水线。你只需要输入一句话描述，脚本、素材、配音、字幕、成片全部自动完成。更神奇的是，它能分析爆款视频的结构，拆解脚本逻辑、镜头节奏、画面风格，然后生成多套复刻方案。

核心能力解析

1. 智能脚本生成：根据主题自动生成完整脚本，包含分镜描述和转场提示
2. 素材智能匹配：从海量素材库中自动选择最合适的画面
3. AI配音合成：支持多种音色和语言，生成自然流畅的旁白
4. 自动字幕生成：精准识别语音内容，生成带时间轴的字幕
5. 智能剪辑成片：自动调整节奏、添加转场、优化视觉效果

为什么这个项目能火？

底层架构强大：12条流水线、100多个工具、700多个Agent技能包，构成了完整的视频制作系统。这意味着它不是单一功能，而是端到端的解决方案。

开源社区驱动：任何人都可以贡献代码、改进算法、扩展功能。这种开放性让项目快速迭代，不断优化。

实际效果震撼：用户反馈显示，从概念到成片的时间从数小时缩短到几分钟，质量却毫不妥协。

应用场景广泛

短视频创作者：批量制作高质量内容，保持更新频率同时不牺牲质量。营销团队：快速制作产品宣传片、社交媒体广告。教育机构：自动生成课程视频、知识讲解内容。个人创作者：即使没有专业剪辑技能，也能做出专业级视频。

技术亮点

这个项目的AI不是简单的模板套用，而是真正理解视频语言。它能分析镜头运动、画面构图、色彩搭配、音乐节奏，然后基于这些理解进行智能剪辑。

更重要的是，它支持风格迁移。你可以上传参考视频，AI会学习其剪辑风格，然后应用到你的内容上。

行业影响

对于专业剪辑师来说，这个项目不是威胁，而是解放。繁琐的重复劳动交给AI，创作者可以专注于创意构思和艺术表达。

对于行业来说，这降低了视频创作的门槛。以前需要专业设备和技能的工作，现在普通人也能完成。

个人思考：

这个项目代表了AI创作工具的未来方向：不是替代人类，而是增强人类。它把技术门槛降到最低，让创意成为唯一的限制。

在短视频爆炸式增长的今天，这样的工具不是可有可无，而是必备。谁能率先掌握，谁就能在内容竞争中占据先机。

兄弟们，短剧这块真被人掀桌子了。

我今天挖到一个宝藏开源项目：火宝短剧（Huobao Drama）

GitHub地址：github.com/chatfire-AI/hu…

这个开源项目太牛了不是PPT嘴炮，是真能把分镜、视频、配音、剪辑、字幕一条龙跑完。

几分钟给你出一部短剧，人坐旁边做个监工就好。

最离谱的是开源，意味着人人都能拿去改、去批量跑。目前GitHub上已经6800+星标了，热度相当高。

我说句难听的，靠接短剧流水单的小团队，看到这个估计绝望写在脸上了。

这个项目把AI短剧制作的全流程都自动化了，从分镜脚本到最终成片，全部由AI完成。对于内容创作者来说，这意味着生产效率的指数级提升。

核心功能包括：

• AI剧本生成：输入关键词自动生成完整剧本
• 角色一致性管理：解决AI"脸崩"问题
• 自动分镜制作：从剧本到分镜一键完成
• 视频合成：图生视频+文生视频+配音+字幕

Docker一键部署，技术栈是Go+Vue3，对开发者相当友好。