跨栏目检索
搜索中文标题、仓库名或关键词，再用分类、来源和日期缩小范围。
今天暂时没有新上架内容，你可以继续浏览历史归档。
abhishek25001011-boop/PortfolioPilot-AI · AI-powered portfolio builder that turns a single prompt into a personalized, recruiter-ready portfolio using open-source Gemma AI and Ollama..
PortfolioPilot AI 是一个面向开发者的 AI 作品集构建器，可将个人资料、技能与项目整理为可定制的作品集页面。它提供五种设计风格、编辑时实时预览、基于 Ollama 的内容生成与分区重写、作品集质量分析、PDF 简历导入、招聘者视角展示、本地草稿管理和 ZIP 导出。前端使用 React+TypeScript+Vite，后端为 Python FastAPI，AI 功能依赖可访问的 Ollama 服务器与配置的模型。
BlueRingsLabs/no-shortcuts · Free Course : Data, Machine Learning, Deep Learning and AI Engineering, the long way round: the math, the code, the systems and the security. 173 lessons, 166 runnable labs, no shortcuts. Free under CC BY-NC 4.0.
这是一门覆盖数据、机器学习、深度学习与 AI 工程的免费课程，按基础数学、数据工程、经典机器学习、深度学习、语言模型、AI 工程、强化学习、MLOps 与安全等十个部分组织，共 173 节课和 166 个可运行实验。课程强调从零推导与动手实现，涵盖数据平台、PyTorch 训练、从零构建 GPT、微调与量化、RAG 与 Agent、评测与 LLM 安全，以及生产部署中的追踪、CI/CD、监控与威胁建模，目标是让学习者具备数据工程师、数据科学家、机器学习工程师、深度学习工程师或 AI 工程师岗位所需的实际工作能力。
XYenon/ajevt-browser · A bounded Jev System-1 browser tool for Pi, OpenCode V2, Amp, and MCP, powered by agent-browser
ajevt-browser 是一个 TypeScript 编写的浏览器工具，基于 Vercel agent-browser，为 Pi、OpenCode V2、Amp 和 MCP 提供统一的 ajevt_browser 调用。单次调用会在有限候选中执行 observe/decide/validate/act 循环，由 Jev System-1 在受限操作空间内选择操作与目标，并经过概率、置信度与风险校验；支持文本与元素值校验器、域名白名单、敏感值脱敏、风险操作确认及结构化 handoff。
lordaashishh/tf-nlp-modern-stack · Complete TensorFlow NLP Guide 2026: BERT, GPT and LLM Downstream Tasks Explained
TemporalMind（仓库名 tf-nlp-modern-stack）是一个面向研究与教学的 NLP 仓库，以连续流水线的方式组织从原始文本清洗、分词与词表构建、主题建模，到 Transformer 下游任务（分类、序列标注、摘要、问答、句子对任务）以及现代 LLM 工作流（提示工程、检索增强生成、适配器与轻量微调）的可复现 notebook 与模块化工具。文档以韩英双语提供，并包含跨语言迁移实验与可复现的评测方法说明。项目自述为教育研究用途，不保证生产可用性。
andrelair-platform/retrieva-backend · Retrieva backend — Node/ESM Express + Drizzle/Postgres + LangChain RAG API for DORA TPRM (runs on the ktayl-solution minicloud platform)
Retrieva 的后端服务，基于 Node.js 20 / Express 5 提供 API，用 LangChain 经 LiteLLM 网关实现证据支撑的 RAG 与 DORA 第三方风险（TPRM）评估引擎。数据层使用 PostgreSQL + Drizzle 存储、Qdrant 向量检索，Redis/BullMQ 处理队列与缓存，并接入 Langfuse 追踪；服务以容器镜像方式通过 GitOps（ArgoCD + Kargo）部署在 k3s minicloud 平台。仓库包含本地开发命令、API 端点说明、环境变量清单和 Drizzle 迁移流程。
Mullassery/PyInterviewBot · Voice-first AI interview platform: Rust WebSocket audio gateway, Python ASR/LLM/TTS evidence engine, and TypeScript client. Candidates converse by voice; the system transcribes, extracts evidence, and adapts.
PyInterviewBot 是语音优先的 AI 人才评估平台：候选人通过语音听题和作答，系统在后台完成语音转写、证据提取、能力图谱更新，并据此自适应追问。项目由 Rust WebSocket 语音网关、Python ASR/LLM/TTS 编排与证据引擎、TypeScript 候选人/招聘方客户端组成，默认使用 faster-whisper、Ollama 和 Piper 等本地开源模型，也支持 mock 模式离线运行，并提供招聘方可查看转写和证据图谱的视图、与证据关联的报告和人工复核流程。项目自述为可用 MVP/早期原型，尚不具备生产部署所需的安全隔离能力。
ult666666/motionx-studio · Next.js and TypeScript studio website with a separate Python outreach-validation workflow: motion-first UI, testable rules, and human approval.
该仓库包含两个系统：一是用 Next.js App Router、TypeScript、Tailwind CSS v4 和纯 CSS 动画构建的创意工作室营销网站，带 Playwright 端到端测试，可部署到 Vercel，联系流程不依赖后端；二是用 Python 编写的外联引擎，先调研潜在客户并起草冷邮件，再经过确定性校验栈，只有通过才允许发送，其中包含收件人身份确认、邮件回读校验、状态流转保护和发送上限。
LakBud/vernLLM · The LLM call framework. Resilience, observability, and control for AIs.
vernLLM 是一个 TypeScript 的 LLM 调用框架，为每次模型调用提供统一接口与运行时治理能力。它通过适配器接入 OpenAI 兼容服务、Anthropic、Gemini、AWS Bedrock 以及任何可经 HTTP 访问的提供方，并在本进程内内置重试预算、熔断、多提供方回退、限流、缓存与中间件。仓库还包含 Redis 集成（熔断、限流、缓存）、OpenTelemetry 追踪与指标、Bedrock 适配器，以及日志、用量成本、路由、策略、输入输出检查等开发中的扩展包。
JiamanBettyWu/retrieval-lab · Two-stage RAG retriever measured against a computed oracle ceiling on BEIR
retrieval-lab 是一个检索质量实验项目：以 BEIR（NFCorpus、SciFact、FiQA）为基准，用 NDCG@10、MRR@10、Recall@100 等指标，对两阶段 RAG 检索器（双编码器召回 + 交叉编码器重排）的每一处改动进行测量，包括用 LoRA 微调编码器后发现效果变差的结果也如实保留。项目还计算 oracle 重排上限，区分“相对基线提升”与“占可用提升空间的百分比”，并讨论 qrel 密度、基线 NDCG 等混杂因素的归因分析；后续阶段计划把已验证的检索器接到生成器后面，用与人工标注校准的 LLM-as-judge 评测有据回答。
Da6ka/ai-in-ta-telegram-bot · Daily AI-in-recruitment news briefing, generated by Claude Code and delivered to Telegram (Cloudflare Worker + GitHub Actions).
该项目是一个基于 Claude Code 与 Cloudflare Worker、GitHub Actions 运行的 Telegram 机器人，面向招聘领域，每个工作日自动检索并生成 AI-in-recruitment 新闻、工具与研究简报，推送给订阅者。支持按需生成新简报、基于历史简报归档回答问题，并提供订阅管理、广播和隐私数据等命令。机器人采用白名单准入、单运营者模式，订阅人数上限为 50 人。
oigrex666/mcp-context-chronicler · Subconscious Memory 2026: AI Coding Context Engine with Hybrid Semantic Search & MCP
CogStack（仓库名 mcp-context-chronicler）是一个面向 AI 辅助开发的持久上下文引擎。它把编码会话中的决策、经验与工具用法分层记录为记忆，通过 FAISS 语义向量与 BM25 文本检索的加权混合搜索进行召回，并以 SQLite 本地持久化，同时提供 MCP 服务器接口供 AI 编程助手接入。README 还描述了 OpenAI、Claude 的嵌入与摘要集成、Web 可视化面板、多语言支持及文件导入导出的团队共享方式。
iammonth1997/paperwiki-research-compiler · AI Research Wiki 2026: Auto-Building Knowledge Base with Deep Citation Syntheses
PaperWiki 是一个面向研究场景的自主维基构建工具，能够将 PDF、网页、学术论文和原始文本摄入为互联知识，并借助本地 DeBERTa-v3 零样本分类器将查询路由到对应知识域。其核心能力包括：随时间持续复合的持久知识图谱、跨会话记忆、自动化的深度研究综述引擎（收集 15–30 条引用来源并生成 3000–5000 词带引用的综述文档）、多语言输出、响应式 Web UI，以及通过 OpenAI 或 Claude API 进行合成生成的可选集成。项目宣称可本地优先运行，分类与实体抽取在本地完成，但网页搜索与 LLM 合成可能访问外部 API。
Cognilogical/NeuroStrata · Cognitive Memory Architecture for Agents
NeuroStrata 是一个用 Rust 编写的单二进制程序，内置图与向量存储（LadybugDB），为 AI 编程 Agent 提供跨项目和跨会话的持久记忆。它用二进制层级的强制校验机制约束工作流程：目标进入 done 状态前必须产出一条已记录的经验；规则以记忆记录形式存储在命名空间中，并在动作执行前做语义匹配校验，可选用 podman 网络隔离容器进行 dry-run；团队记忆通过普通 git 传输，无需托管 API 或消息代理。默认全本地运行，嵌入模型可选本地 fastembed 或远程 OpenAI 兼容端点，缺失密钥时 fail-closed。
nekoai-lab/tsukineko-grimoire · Build your own paper grimoire: collect arXiv papers and ask in Japanese with citations.
Tsukineko Grimoire 是一个面向 AI 与机器学习论文的知识书库，前端使用 Next.js 和 TypeScript，后端使用 Firebase Auth、Firestore、Cloud Storage 和 Vertex AI Agent Builder。它支持用关键词或自然语言检索论文，日语查看标题和要旨，把论文加入个人书架，并就积累的论文群进行聊天提问；回答会附带引用，可跳转到代表图、结果表和 arXiv 原文。项目还通过 Firestore 缓存翻译结果，以降低 Translate API 成本。
senoldogann/web-research-stack · A production-ready web scraping and AI-powered research tool with full-stack capabilities.
该项目是一个生产就绪的全栈网页抓取与研究工具，后端采用 Python FastAPI，前端采用 React/Next.js，提供 CLI 与 REST API 两种接口。它包含本地网页研究工具（多角度搜索、抓取、站点地图、后台爬取与结构化抽取），并通过 stdio MCP 服务器暴露为 web_search、web_scrape 等工具；同时提供带引用的 LLM 研究能力，支持 SSE 实时进度、SQLite 历史与缓存、Docker 部署、Prometheus/Grafana 监控以及 SSRF 防护。
emredemir-maker/TalentFlow · AI-supported recruitment and candidate operations platform for structured hiring workflows and better decision quality.
TalentFlow 是一个面向招聘团队的 AI 辅助候选人运营与决策支持产品原型，旨在把分散在简历、表格、邮件和会议记录中的候选人信息集中起来，形成结构化招聘流程。它提供候选人画像与简历文档分析、AI 辅助评分、面试计划与实时记录、候选人沟通跟进、招聘漏斗分析，以及邮件和日历工作流集成；设计上强调人类在环，AI 仅用于提示信号和整理信息，最终招聘判断仍由团队负责。
privacydied/discord-llm-chatbot · Discord bot that integrates LLMs with multimodal capabilities including text chat, voice synthesis (TTS), speech recognition (STT), image analysis (VL), web content extraction, and RAG. The bot connects to Discord and processes messages through a central router that intelligently routes different input modalities to appropriate handlers.
基于 discord.py 2.x 的生产级 Discord 机器人，通过中央路由器处理文本聊天、RAG 检索、图像理解、OCR、语音合成与识别、网页与 X/Twitter 内容提取等多种输入模态。文本生成可接入 OpenAI/OpenRouter、NVIDIA NIM 或本地 Ollama，RAG 使用 ChromaDB，语音使用 Kokoro 与 faster-whisper/whispercpp，并提供图像/视频生成、记忆与服务器存档、Prometheus 指标等运维能力。
这篇文章讲的是在 Kubernetes 上跑 AI 任务的团队，常看到 GPU 全被占满、批处理队列越排越长，第一反应就是加 GPU。但作者提醒，GPU 被分配、在忙、和真正产出有价值的结果是三件不同的事，队列变长也可能是时机、服务容量或模型和硬件选型的问题。解决思路是先想清楚每个任务的截止时间和产出标准，再用错峰排队把现有四块 GPU 在两小时内跑完原本需要八块的四个任务，同时用接近真实负载的压测摸清可持续吞吐，并把 OpenCost 的成本数据和实际产出对上，算出每个合格结果花多少钱。这样读者能在花钱扩容之前，先确认现有容量是否已用足、瓶颈到底在哪。Kueue、vLLM、DistServe、OpenCost 等工具文中都有提到，具体接入方式原文未详细说明。
Kubernetes 里管“该开几个副本”和“每个副本该给多少 CPU/内存”的其实是好几套独立工具：HPA 按 CPU 百分比增减副本，VPA 按历史用量调整资源申请，KEDA 按 Kafka 队列积压决定副本数，Karpenter 按声明资源申请新机器。问题是它们各自跑各自的循环，看到的都是局部信息，还同时改同一批配置字段。比如 VPA 把 CPU 申请调小，HPA 的分母就跟着变小，同样的流量会被算成利用率超高，于是猛加副本，结果副本越来越多、每个越来越小，互相把对方越推越远；KEDA 加副本、HPA 又按低 CPU 减回来；GitOps 看到副本数和 Git 不一致还会把它改回去。作者认为水平和垂直扩缩本来就是一道联立方程，应该由一个统一控制面同时看 CPU、队列、延迟、节点价格和 Git 配置，一起给出副本数和资源申请。文中也提到生产集群 CPU 平均利用率只有约 8%，但这些方案的落地细节和可用性文中没有说明。
这篇文章讨论的是：当 AI 编程智能体让代码提交量暴增时，团队的交付系统会卡在哪里。作者提到 Anthropic 的代码合并量从 5 月每天约 2500 个涨到 9 月每天超过 3 万个，写代码不再是瓶颈，瓶颈变成了为人类速度设计的开发基础设施。文章用控制回路打比方：意图是目标值，智能体是控制器，验证就是传感器；控制器再快，如果传感器跟不上，它只会拿着过时信息反复重试，把本该被拦下的问题发布出去。作者提出传感器要具备三个特性：延迟（多久能出结果）、保真度（多接近真实系统）、带宽（能同时验证多少个改动），并用 StrongDM 的数字孪生宇宙举例说明保真度为什么最贵。对读者的用处是：如果你在规划智能体编程流水线，这篇文章提醒你先投资验证能力，而不是只堆智能体数量。文章是观点分析，未说明具体产品发布时间或可用状态。