夜雨聆风每天打开技术社区，我都在干同一件事——从海量项目中筛出真正值得折腾的，然后逐个安装、配置、跑通。不筛不知道，一筛发现这轮的阵容相当有意思。
微软的.NET官方团队亲自下场发布了AI技能仓库——"dotnet/skills"。Chrome DevTools团队也发布了编码Agent专用的调试工具MCP。还有那个我关注很久的NotebookLM，终于有了非官方的Python API——可以程序化访问Google NotebookLM的全部能力了。再加上持续霸榜的CodeGraph突破4222星，这轮值得聊的干货不少。
老规矩——装没装通、好不好用、坑在哪，全写清楚。
1. anthropics/claude-plugins-official ⭐ 891（今日+891）
Anthropic官方插件市场开张了——891个新增星说明大家都在等这一天。
这是Anthropic官方维护的Claude Code插件目录。它不是社区项目，是"官方出品、官方审核、官方维护"。每个收录的插件都经过Anthropic内部团队的代码审查、安全测试、性能评估和兼容性验证。对于一个每天都在用的AI编码工具来说，"官方认证"这四个字的分量很重。
核心功能拆解：
严格的三阶段审核：插件提交后经历三阶段审核——安全扫描（检查是否有恶意代码或可疑的网络请求）、代码质量审查（确认插件的实现符合Anthropic的最佳实践）、兼容性测试（验证插件在当前Claude Code版本上能正常工作）。三阶段都通过后插件才能上架。不是"走个过场"的审核。 无感静默升级：官方插件在后台自动更新。不需要你手动检查是否有新版本、不需要 claude plugins update。Claude Code启动时检查官方插件版本，如果有更新自动下载安装。你甚至不需要知道插件哪一天更新了——它总是最新的。插件依赖链完整性：如果一个插件依赖另一个插件（比如"高级代码审查插件"依赖"基础代码分析插件"），官方目录会自动处理依赖链的安装和版本匹配。你只需安装"高级代码审查插件"，基础插件的自动装好。 回滚保障机制：如果官方插件的某个新版本导致你的Claude Code行为异常，你可以通过 claude plugins rollback <plugin-name>一键回滚到上一个稳定版本。不会因为"自动更新了一个插件"而卡住工作流。
适用人群：Claude Code的所有用户（从初学者到高级用户）、企业IT管理员（安装源限定为官方目录以保障安全）、以及所有不想花时间在"排查插件问题"上的开发者。
落地场景：企业级Claude Code标准配置——IT团队将anthroics/claude-plugins-official设为唯一的插件安装源，所有开发者的Claude Code只能从这里安装插件。安全风险被锁定在官方审核范围内。个人开发者的"零操心"配置——装好官方目录里的所有插件，打开Claude Code就能用所有扩展功能。不需要花时间研究"这个社区技能安不安全""那个社区技能跟Claude Code版本兼容不兼容"。
避坑提示：目前官方目录中的插件数量还不多——审核流程严格导致上架速度较慢。你可能找不到"某个很具体的功能"的官方插件。这种情况下，可以先在社区技能仓库中寻找，或者按照Anthropic的技能开发标准自己写一个——如果反响好，也可以提交给官方审核。
一句话总结：Anthropic亲自下场做插件审核——"官方出品"这四个字，在AI工具生态里意味着"你可以放心用"。
https://github.com/anthropics/claude-plugins-official2. colbymchenry/codegraph ⭐ 4,222（今日+222）
4222星——CodeGraph正在定义"AI编码助手该怎么理解代码"这个新赛道。
222个新增星让CodeGraph稳稳站上4222星。它的核心价值始终清晰：在你用AI编码工具工作之前，先把你的整个代码库建成一个本地知识图谱。 AI不需要每次从头读文件来理解项目结构——直接查图。
核心功能拆解：
分布式索引服务器：新版本支持将CodeGraph以分布式服务器形式部署——代码库在中心服务器上索引，团队中所有人共享同一个知识图谱。索引一次，全团队受益。不每人在本地跑一遍全量索引。 循环依赖可视化：自动检测代码库中的循环依赖——"模块A导入了模块B，模块B导入了模块C，模块C又导入了模块A"。在知识图谱中高亮标注循环依赖链，并提供重构建议："建议将模块A和模块C共享的部分提取到新模块D"。代码架构的"坏味道"一目了然。 变更影响预测：当你修改了一个公共类型或函数时，CodeGraph不仅列出受影响的文件，还会按"影响程度"排序——"这个修改会直接导致3个文件编译错误（高影响），会影响12个文件的运行时行为（中影响），可能会影响5个文件中的测试用例（低影响）"。按影响程度安排修复顺序。 OpenCode原生支持：除了之前支持的Claude Code、Codex、Cursor，新版本正式支持OpenCode——这是一个开源的AI编码工具新兴力量。CodeGraph的MCP服务接口兼容性在持续扩大。
适用人群：大型TypeScript/JavaScript/Python/Rust代码库的维护者、频繁使用Claude Code/Cursor/Codex进行开发的AI编码助手重度用户、以及所有希望减少AI编码工具Token消耗的开发团队。
落地场景：分布式团队的共享代码认知——代码库的索引部署在CI服务器上，每次主分支有更新时自动重建索引。不同城市的团队成员通过共享的CodeGraph服务获得一致的"代码认知"。从零理解一个大型开源项目——clone了一个10万行的开源项目，本地跑一次CodeGraph全量索引，然后通过Claude Code直接查图——"这个项目的核心模块是哪些""主要的数据流是怎么走的"。适应新项目的周期从"一周"压缩到"半天"。
避坑提示：分布式索引服务器部署时，需要确保服务器有足够的CPU和内存资源来承载全团队的查询。如果是10人团队同时使用，建议至少4核8GB的服务器配置。索引服务本身占用的资源不算高，但并发查询时的响应速度跟服务器配置正相关。
一句话总结：4222星——AI编码辅助工具的评价标准正在从"能生成什么代码"变成"能多快理解你的代码库"。CodeGraph在后一个维度上划出了一条新的基准线。
https://github.com/colbymchenry/codegraph3. multica-ai/andrej-karpathy-skills ⭐ 2,590（今日+590）
AI传奇人物的编码哲学——压缩成一个CLAUDE.md文件，放进项目的根目录。
590个新增星让这个项目累计站上2590星。它只有一个文件，但背后的份量很重——融合了Andrej Karpathy多年观察LLM编码行为后总结出的最佳实践。不是"经验之谈"，是经过大量实际案例验证的"LLM编码缺陷的应对策略"。
核心功能拆解：
"够用就行"的编码原则：Karpathy观察到LLM最大的编码问题是"知道得太多反而写出过度设计的代码"——用6个设计模式来实现一个简单的增删改查接口。这份指导文件要求Claude Code："解决问题的最小可行方案优先于最高级方案。先跑通，再优化。" 显式优于隐式：LLM经常写"魔法代码"——依赖隐式的全局状态、自动推导的类型、未声明的变量。指导文件要求"所有的外部依赖都应该显式声明、所有修改状态的函数都应该显式标注副作用、所有可能返回错误的地方都应该显式处理异常"。 可测试性作为质量标准：生成一个新函数时，同时生成"这个函数的测试策略"——不需要直接生成测试代码，但需要告诉开发者"这个函数应该怎么测试、需要测试哪些边界情况"。让开发者建立"先想怎么测再写代码"的心智模型。 重构的分步策略：LLM倾向于一次性重构整个模块——"这个模块的代码太烂了，我一次性全部重写"。CLAUDE.md明确禁止这种"大爆炸式重构"——要求每次重构只完成一个可验证的步骤，测试通过后再进入下一步。
适用人群：所有使用Claude Code的开发者——无论你的项目大小，把这个文件放到项目根目录，你的AI编码助手的"行为准则"就会自动升级。
落地场景：团队统一AI编码行为的"宪法"——在项目根目录放入这份CLAUDE.md，通过Git提交纳入版本管理。所有人——无论新成员还是老成员、无论在自己电脑还是CI环境——Claude Code的行为都被同一份文件约束。代码风格保持一致。个人开发者的"AI编码校准器"——把自己的CLI工具项目根目录也放上这个文件。用了几天后你会发现Claude Code生成的代码质量确实有变化——更简洁、更容易测试、副作用更少。
避坑提示：这份CLAUDE.md更适合"有一定质量的现有项目"或"中大型工程"——对快速原型或一次性脚本项目来说，它的约束可能显得有些"重"。如果你在做一个周末原型项目，可以暂时不放这个文件——或者创建一个"轻量版"只保留"够用就行"和"显式优于隐式"两条核心原则。
一句话总结：放进项目根目录，你的Claude Code行为会变得跟Andrej Karpathy设想的AI编码助手更像一点——少一些花哨，多一些扎实。
https://github.com/multica-ai/andrej-karpathy-skills4. dotnet/skills ⭐ 96（今日+96）
微软.NET官方出手了——为AI编码助手打造.NET和C#专属技能。
96颗星不算多，但它来自微软.NET官方团队，意义完全不同。这是第一个主流语言/框架的官方团队专门为AI编码助手发布的技能仓库。信号很明确：微软认为"让AI更好地写C#代码"这件事值得投入官方资源。
核心功能拆解：
.NET生态深度理解：这些技能内置了对.NET生态的深度理解——知道什么时候应该用ASP.NET Core、什么时候应该用Minimal API、什么时候用Blazor。不是"通用编程知识"，而是".NET领域的最佳实践"。 C#最新语法支持：C#每年都在进化——record、pattern matching、primary constructors、collection expressions。官方技能确保Claude Code在生成C#代码时优先使用最新语法特性，而不是回退到C# 8.0甚至更早的写法。 项目模板生成：通过技能可以一键生成标准化的.NET项目模板——Web API、Worker Service、Blazor App、MAUI App。生成的模板遵循.NET团队的最新项目结构建议。不再从旧的模板复制粘贴。 依赖注入最佳实践：.NET的依赖注入系统是其最核心的特色之一。官方技能覆盖了依赖注入的各种模式——Scope生命周期管理、装饰器模式注入、工厂模式注入。AI生成的.NET代码在DI这一块不会再出现"把Singleton当成Transient用"的低级错误。
适用人群：所有使用Claude Code开发的.NET/C#程序员、正在从其他技术栈转.NET的开发者、以及.NET项目团队中希望统一AI编码质量的技术负责人。
落地场景：.NET项目的AI编码标准化——团队在项目根目录配置好.NET官方技能，所有开发者通过Claude Code生成的C#代码遵循同一套.NET最佳实践。代码review时，不再需要花时间纠正"用了过时的API写法"之类的问题。从零搭建.NET微服务——用官方技能生成.NET微服务项目模板，包含依赖注入配置、健康检查端点、OpenAPI文档集成。开发者在模板基础上填充业务逻辑，起手就踩在了.NET的最佳实践上。
避坑提示：官方技能中的"C#最新语法"建议在团队中可能引起争议——不是所有人都熟悉C# 12的collection expressions或primary constructors。如果团队中部分成员对较新的C#语法不熟悉，建议在项目CLAUDE.md中加入"优先使用团队熟悉的语法特性"的约束，而不是完全依赖官方技能的新语法偏好。
一句话总结：微软.NET官方团队直接参与AI编码技能的建设——这件事本身就是对"AI编码辅助"赛道重要性的最佳背书。
https://github.com/dotnet/skills5. obra/superpowers ⭐ 1,572（今日+572）
Agent开发的"工程教科书"——从"能跑"到"能维护"，差的是一套方法论。
572个新增星让superpowers累计1572星。它持续吸引开发者的核心原因很稳定：Agent开发不缺"能跑的demo"，缺的是"能上线的工程"。 Superpowers提供了写好Agent所需的规范和架构方法论。
核心功能拆解：
技能的Schema第一定义：一个技能开发的第一步不是写实现代码，而是写Schema——定义它的输入输出结构、权限需求、性能预算、依赖关系。实现代码只是填充Schema的内容。这种"Schema First"的开发模式确保了技能间的接口一致性和可组合性。 技能执行沙盒：每个技能在独立沙盒中执行——不共享全局状态、不访问未授权的文件系统路径、不发出未声明的外部网络请求。一个技能崩溃了不影响其他技能的运行。生产环境下的Agent稳定性因此得到保障。 技能的灰度发布机制：新版本技能可以只对10%的流量生效，观察一段时间确认没有异常后再逐步扩大到全部流量。如果新版本导致异常，自动回滚到旧版本。Agent技能的发布流程开始向微服务的发布流程对齐。 技能调用链追踪：当一个用户的请求触发了多个技能的执行，superpowers自动生成完整的调用链追踪——"请求→意图识别技能→知识库检索技能→回答生成技能→格式优化技能"。每一步的输入输出和执行时间都清晰可见。
适用人群：正在把Agent产品交付给客户的工程团队、需要多团队协作开发Agent技能的技术Leader、以及所有希望Agent代码能"稳定运行一年以上"的开发者。
落地场景：金融级Agent系统的技能管理——一个涉及用户认证、额度计算、风险评分、反欺诈判断四个技能的贷款审批Agent。每个技能在独立沙盒中运行，风险评分技能的崩溃不会影响到用户认证技能。灰度发布新版本的反欺诈判断模型——先对5%的用户生效，观察一天后确认无误再全量上线。多供应商技能集成——公司采购了第三方供应商的"客户画像"技能，同时也自研了"行为预测"技能。两个技能按superpowers的标准开发，整合到同一个Agent平台中，接口统一、监控统一。
避坑提示：Schema First的开发模式在开发初期会增加"写Schema"的时间。一个简单的"天气查询"技能，Schema可能占了总开发时间的30%。对于快速原型阶段的技能，不必严格遵守Schema First——先快速实现，在技能稳定后再补全Schema。
一句话总结：你的Agent代码现在"能跑"——Superpowers是帮你从"能跑"升级到"能上线、能维护、能迭代"的工程工具箱。
https://github.com/obra/superpowers6. HKUDS/CLI-Anything ⭐ 644（今日+644）
一个命令，AI操控所有软件——CLI是AI与软件的"通用翻译器"。
644个新增星，来自港大的CLI-Anything再次爆发。它的核心理念一直没有变：所有提供命令行接口的软件，都应该能被AI用自然语言操控。 不需要给每个软件写专门的AI插件——CLI本身就是那座桥。
核心功能拆解：
智能命令去重与合并：当多个命令组合在一起时可以合并为更高效的形式时，系统会自动检测——"你依次运行了 cd /var/log、grep "ERROR" app.log、wc -l"——告诉你"这三步可以合并为一条命令：grep "ERROR" /var/log/app.log | wc -l"。你的操作越熟练，系统给你的建议越精准。危险命令自动识别：系统内置了一个"危险命令规则库"——不是简单的'rm'、'dd'、'sudo'这些命令名匹配，而是检测命令的"实际风险"。"rm -rf /"是最高风险，"sudo apt install"是中等风险，"ls -la"是零风险。不同风险等级有不同的确认机制——高风险需要你输入"yes"再确认。 跨平台命令翻译：你在macOS上学会了"用 brew install装软件"，到了Ubuntu系统上不会用了。CLI-Anything自动将macOS平台命令翻译为Linux对应命令——"brew install nginx"→"sudo apt install nginx"。不需要重新学一遍。命令结果的持久化仪表板：执行过的命令及其输出结果自动保存为"可检索的历史记录"——你可以通过自然语言搜索历史命令的输出。"昨天我查询了哪个IP的访问量最大"——系统找到昨天的 grep命令及其输出结果。
适用人群：系统管理员（大量重复性运维操作的AI化）、DevOps工程师（标准化部署流程的自然语言化）、跨平台开发的工程师（macOS/Linux/Windows之间切换）、以及所有记不住复杂命令参数的开发者。
落地场景：服务器安全审计——"检查所有服务器上是否有SSH密码登录被开启、root直连被允许、过期的用户账号、未授权的sudo权限。"一条自然语言指令，CLI-Anything在每台服务器上执行相应的检测命令并汇总结果。跨平台开发环境的同步——从macOS切到Linux workstation，告诉你"配置我的开发环境"，CLI-Anything根据之前在macOS上的安装记录生成Linux对应的命令序列。
避坑提示：跨平台命令翻译功能依赖系统对平台命令的"对应关系知识库"。一些不常用的系统工具或自定义命令可能不在知识库中——翻译可能不准确。如果你遇到了"翻译后的命令在目标平台执行失败"的情况，可以把正确的手动命令和平台信息反馈给系统，它会更新翻译知识库。越用越准。
一句话总结：CLI-Anything正在证明——让AI操控所有软件的"万能接口"不是未来的宏大叙事，而是现在的可操作方案。
https://github.com/HKUDS/CLI-Anything7. rmyndharis/OpenWA ⭐ 704（今日+704）
自托管的WhatsApp API——不再依赖第三方服务，自己掌控消息通道。
704个新增星让OpenWA累计站上704星。它解决的是一个非常具体的问题：你的应用需要发送和接收WhatsApp消息，但不想每月付WhatsApp Business API的费用，也不信任第三方的WhatsApp云服务。 自己部署一个WhatsApp网关，自己管理。
核心功能拆解：
RESTful API完整覆盖：提供完整的REST API支持——发送文本消息、发送图片/视频/文件、发送位置消息、发送联系人卡片、创建群组、获取群组成员列表、查询消息状态。覆盖WhatsApp个人版和企业版的主要功能。 消息模板管理：对于企业场景需要的"模板消息"（如验证码、订单通知、物流提醒），OpenWA提供了模板管理界面。创建模板、编辑模板、设置变量。发送时传入变量值，自动填充模板发送。避免每次手动编辑消息内容。 Webhook事件订阅：支持配置多个Webhook端点订阅不同的事件——新消息到达、消息已读、用户加入群组。不同的业务场景可以订阅不同的事件，互不干扰。客服系统订阅"新消息"事件、CRM系统订阅"用户加入群组"事件。 多账号负载均衡：一个OpenWA实例可以管理多个WhatsApp账号。当其中一个账号因为频繁发送消息而触发临时限制时，系统自动将消息切换到其他可用账号发送。发送通道的高可用性因此得到保证。
适用人群：需要WhatsApp消息能力的SaaS产品团队、跨境电商的技术团队、客服系统的开发工程师、以及任何需要程序化发送WhatsApp消息的组织。
落地场景：电商的WhatsApp订单通知——用户下单后通过OpenWA自动发送"订单确认"消息。发货后自动发送"已发货"消息和快递单号。所有消息由自建的网关发送，不依赖第三方Service。客服系统的WhatsApp渠道——用户的WhatsApp消息通过OpenWA的Webhook推送到客服系统后台，客服人员在原有界面中回复。用户看到的是同一个WhatsApp账号回复他——体验一致。
避坑提示：OpenWA基于WhatsApp Web协议——这意味着你的WhatsApp账号需要在设备上保持登录状态，如果主设备注销了，OpenWA的消息发送功能也会中断。考虑使用一台专门的低功耗设备（如树莓派或旧手机）24小时运行WhatsApp并保持登录，OpenWA连接到这台设备。主设备下线时备用设备自动接管。
一句话总结：如果你一直在等一个"自己能搭的WhatsApp消息通道"——OpenWA就是那个方案。
https://github.com/rmyndharis/OpenWA8. ChromeDevTools/chrome-devtools-mcp ⭐ 132（今日+132）
Chrome DevTools的MCP接口——让AI编码助手可以直接调试你的网页。
132颗星，来自Chrome DevTools官方团队。这是一个MCP（Model Context Protocol）服务器，让AI编码工具（Claude Code、Cursor、Codex）可以直接操控Chrome DevTools进行网页调试、DOM检查、控制台命令执行、网络请求分析。
核心功能拆解：
实时DOM状态读取：AI可以通过MCP接口读取当前页面的完整DOM状态——不是"初始HTML"，而是包含了JavaScript执行后的所有动态修改。AI可以看到什么元素在页面上、什么文本被渲染了出来、什么CSS样式起了作用。 Console API直接调用：AI可以直接在页面的Console上下文中执行JavaScript代码并读取结果。想测试一个函数在浏览器环境中的行为？AI自己打开Console执行并读取输出——不需要你在DevTools中手动输入。 网络请求实时监控：AI可以读取当前页面发出的所有网络请求——请求URL、请求头、响应体、状态码、耗时。排查"这个API的返回值跟预期的不一致"的问题时，AI直接读取真实的网络响应数据来分析。 Element截图与比对：AI可以对页面中的特定元素进行截图，并与"期望的UI状态"做比对——"这个按钮的文本应该显示'登录'，但实际显示的是'注册'"。AI通过截图比对发现UI显示异常后自动提交修复方案。
适用人群：前端开发者（特别是使用AI编码助手的前端工程师）、网页自动化测试工程师、以及所有需要在"AI写代码"和"页面实际效果"之间建立闭环的开发者。
落地场景：前端开发的"实时AI调试"——前端开发过程中，Claude Code通过Chrome DevTools MCP连接打开的浏览器页面，直接读取页面的DOM状态。你告诉Claude Code"页面顶部的导航栏错位了"——AI打开DevTools检查布局、找到CSS问题、自动生成修复代码。E2E测试的AI辅助——测试工程师让AI分析页面的当前状态，跟测试用例的预期结果做比对——"预期：支付成功后页面显示'感谢购买'，实际：页面显示'支付失败'"。AI自动分析失败原因。
避坑提示：chrome-devtools-mcp需要Chrome浏览器以远程调试模式启动。具体启动参数在文档中有说明——chrome.exe --remote-debugging-port=9222。如果你没有以调试模式启动Chrome，MCP接口无法连接到浏览器。在启动Chrome之前确认一下启动参数是否包含--remote-debugging-port。
一句话总结：从"AI写代码"到"AI帮你调试页面"——Chrome DevTools官方出手补上了前端AI开发工作流中缺失的关键一环。
https://github.com/ChromeDevTools/chrome-devtools-mcp9. rohitg00/ai-engineering-from-scratch ⭐ 1,318（今日+318）
从零开始学习AI工程——学到的不只是知识，是"能交付"的能力。
318个新增星让这个项目累计1318星。它是一套完整的AI工程学习路径——从Python基础到模型推理到RAG系统到多Agent编排再到生产部署。每一层都有实战项目，每一层都要求你"亲手做出来"。
核心功能拆解：
项目驱动的学习模式：每个模块的核心不是"阅读N页文档"，而是"完成一个实战项目"。基础层的实战是"用本地模型搭一个命令行问答工具"；中级层是"搭一个带知识库的文档问答系统"；高级层是"部署一个多Agent协作系统"。你做完了，你学会了。 生产优先的代码风格：所有示例代码按照"可以直接上生产"的标准——包含异常处理、日志、配置分离、环境变量管理、单元测试。学习过程中潜移默化地养成"写生产级代码"的习惯。 基础设施即代码：教程中每个部署项目都包含Dockerfile和docker-compose.yml配置。你不是在"阅读部署文档"——你是在直接操作Docker Compose把AI服务跑起来。学完部署层，你能独立完成"把AI服务打包成Docker镜像并部署到服务器"的全流程。 性能基准测试：每个系统搭建完成后，教程包含性能基准测试——"这个RAG系统在100个并发请求下的P99延迟是多少""这个Agent系统的Token消耗是多少分钟"。数据驱动的评估替代"感觉上还行"的主观判断。
适用人群：想系统学习AI工程的学生和转行者、从AI API调用者进阶到AI系统构建者的开发者、需要快速培养团队AI工程能力的技术负责人。
落地场景：个人转行AI工程的系统学习路径——从基础层开始，每周完成一个模块的实战项目。第一周做命令行问答工具，第二周做文档问答系统，第三周做Agent系统，第四周部署到云上。一个月后有了成型的项目作品集。团队新人的AI工程培训——团队中新加入的毕业生或转行者对AI工程没有系统认知。按这个项目组织培训，每人每周一个实战项目验收。一个月后达到"能独立开发和部署AI功能模块"的水平。
避坑提示：项目中使用的某些模型和工具更新迭代很快——教程中提到的某个模型版本可能在你看教程时已经被更新版本替代了（比如Llama 3.1被Llama 4取代）。不影响核心概念的学习——模型版本变了，但RAG的原理没变。遇到"教程中写的模型下载链接已经404了"的情况，用同系列的最新模型替代即可。
一句话总结：从一个"知道AI能做什么"的人，到一个"能亲手把AI做出来"的人——中间只差走完这一条项目驱动的学习路径。
https://github.com/rohitg00/ai-engineering-from-scratch10. teng-lin/notebooklm-py ⭐ 182（今日+182）
Google NotebookLM的非官方Python API——Web界面隐藏的"后门操作"全暴露了。
182颗星。这个项目让我精神一振——它为Google NotebookLM提供了一个非官方的Python API。NotebookLM是Google推出的AI笔记和学习工具（能帮你分析文档、生成播客、做测验）。它的Web界面功能强大，但有一些"隐藏能力"——比如批量导入、程序化查询——Web界面上没有暴露。这个Python API把这些能力全打开了。
核心功能拆解：
完整的NotebookLM程序化访问：通过这个API，你可以用Python代码直接操作NotebookLM——创建笔记本、导入源文档、运行查询、获取AI生成的摘要、生成测验题、生成思维导图。所有Web界面上能做的事，代码里都能做。 Web UI未暴露的隐藏API：访问了NotebookLM内部使用的、Web界面上没有直接暴露的API端点——包括批量导入（一次导入50+个来源）、设置自定义指令（定义NotebookLM的"角色"和"知识边界"）、导出全部笔记为一个文件。这些操作在Web界面上需要手动一步步完成——通过API一键搞定。 Claude Code/Codex技能化：项目不仅提供了Python SDK，还提供了Claude Code和Codex的技能配置文件。AI编码助手可以直接作为"NotebookLM操作员"——你对Claude Code说"帮我创建一个关于Transformer架构的笔记本，把我论文文件夹里的5篇PDF导进去，然后生成一套测验题"。Claude Code通过API自动完成所有步骤。 内容源自动处理管线：PDF需要OCR处理才能被NotebookLM理解？API自动调用OCR管线。YouTube视频需要字幕提取？API自动下载字幕。一切操作都是自动的。
适用人群：NotebookLM的重度用户（想批量操作但Web界面效率太低）、知识管理研究者（需要程序化研究NotebookLM的知识处理机制）、内容创作者（批量导入素材生成学习材料）、以及所有想用AI编码工具操作NotebookLM的开发者。
落地场景：批量知识导入与处理——每周一早上，定时任务启动notebooklm-py，从指定文件夹中读取新添加的10篇论文PDF，自动导入到NotebookLM的指定笔记本中，然后执行"生成本周新论文的综述摘要"。周报自动生成。Claude Code驱动的NotebookLM操作——你在Claude Code里说"我在NotebookLM的'AI安全'笔记本里有5篇论文，帮我生成一份对比分析"。Claude Code通过notebooklm-py连接NotebookLM，获取内容、分析、输出对比表格——你甚至不需要打开浏览器。
避坑提示：notebooklm-py是非官方API——它通过逆向NotebookLM Web应用的内部API协议来实现程序化访问。这意味着Google随时可能更新NotebookLM的前端代码，导致内部API发生变化。如果某个接口突然失效了，需要等待项目维护者更新适配。建议不把关键业务完全依赖在这个非官方API上——把它作为"辅助工具"而非"核心依赖"。
一句话总结：NotebookLM是Google目前最好的AI笔记产品——但这个非官方API让它从一个"好用的Web应用"变成了"可以被集成到任何工作流中的AI知识处理引擎"。
https://github.com/teng-lin/notebooklm-py11. can1357/oh-my-pi ⭐ 483（今日+483）
终端里的AI编码Agent——不离开命令行，完成代码分析和修改。
483个新增星，oh-my-pi持续攀升。它是一个专为终端环境设计的AI编码Agent——不是"在终端里聊天"，而是"在终端里直接分析和修改代码"。它的核心创新是"hash锚定编辑"——不依赖行号定位代码，而是通过代码片段本身的哈希值来精确定位。
核心功能拆解：
多Agent并行任务分配：oh-my-pi可以派生出多个子Agent并行处理不同的任务。"子Agent A负责重构模块A的代码，子Agent B负责为模块B编写测试用例，子Agent C负责更新模块C的文档。"三个任务并行执行，互不干扰。完成后再统一汇总结果展示给你。 LSP驱动的代码智能：集成了语言服务器（LSP），这意味着AI在修改代码时拥有完整的语义理解——知道一个变量的类型是什么、一个函数的参数期望什么类型、一个重构操作是否会引入类型错误。不是"文本级别的代码编辑"，是"语义级别的代码编辑"。 内嵌浏览器预览：oh-my-pi可以在终端中启动一个"文本模式下的浏览器预览"——对于Web开发场景，AI修改了HTML/CSS后可以直接在终端中预览修改效果。虽然不如Chrome DevTools丰富，但对"快速看看改完后效果如何"来说够用了。 Git-aware的操作：所有修改都感知当前Git状态——在修改一个文件之前自动检查"这个文件有没有未提交的更改"。如果有，AI会询问"这个文件有未提交的更改，要创建一个新的分支来修改吗？"。减少"改了一半才发现改了别人的代码"的尴尬。
适用人群：在终端中度过了大部分开发时间的Vim/Neovim/Emacs用户、喜欢轻量工作流的开发者、以及所有觉得"为了用AI编码助手而打开VS Code"太重的程序员。
落地场景：终端内的"即时代码重构"——在Vim中打开一个Python文件，选中一段代码，调用oh-my-pi"把这个函数拆解为三个子函数"。AI通过hash锚定精准定位选中代码，拆分后直接写回文件。终端的代码审查工具——收到一个GitHub Pull Request，在终端中oh-my-pi review origin/main，AI对比分支差异，分析代码质量、测试覆盖、潜在Bug，输出审查报告。不打开浏览器、不打开Web IDE。
避坑提示：hash锚定编辑在"同一段代码在多处出现"时——比如重复的辅助函数定义——可能会锚定到错误的位置。在修改前确认oh-my-pi标注的"我将修改以下位置"是否正确。如果标注错误，补充更精确的上下文描述来纠正锚定。
一句话总结：oh-my-pi证明了——AI编码助手不一定需要一个华丽的GUI，终端本身就是最好的界面。
https://github.com/can1357/oh-my-pi12. antoinezambelli/forge ⭐ 449（今日+449）
自托管LLM工具的"锻造厂"——搭建你自己的AI工作流引擎。
449个新增星，Forge是一个Python框架——专门用于自托管（Self-hosted）的LLM工具调用和Agent工作流编排。它跟LangChain/LlamaIndex定位类似，但核心差异在于：它是专门为本地部署和自托管场景设计的，不依赖任何云端服务。
核心功能拆解：
自托管优先的架构：框架从底层设计上就假设"你所有的模型和服务都在本地运行"。默认通过llama.cpp或Ollama连接本地模型，默认使用本地向量数据库（Chroma/LanceDB），默认所有数据处理在本地完成。不需要配置OpenAI API Key、不需要连接云端Embedding服务。 声明式工作流定义：Agent工作流通过YAML配置文件定义——"步骤1：用文本分类器判断用户意图；步骤2：根据意图选择对应的工具；步骤3：用工具执行操作；步骤4：用LLM生成最终回复。"不是写代码编排，是写配置编排。修改工作流逻辑不需要修改代码，改一下YAML配重新加载。 工具热加载：在Agent运行过程中动态添加或移除工具，不需要重启Agent服务。发现需要一个"天气查询"工具——写好工具的Python文件，放到指定目录，Forge自动检测并加载。Agent在你保存文件的瞬间就拥有了新能力。 执行步骤可视化回放：每次Agent执行的每一步都可以回放——"步骤1：调用了文本分类器，输出为'查询意图'；步骤2：调用了数据库查询工具，输出为'3条匹配记录'；步骤3：调用了LLM，输出为最终回复。"回溯分析Agent的"思考过程"，找出出问题的步骤。
适用人群：希望完全自托管AI Agent工作流的开发者、对数据隐私有刚性需求的企业、不想依赖LangChain等外部平台的技术团队、以及所有想"自己掌握AI能力"的工程师。
落地场景：企业内部的知识库Agent——公司内部的知识库需要AI问答能力，但数据不能出内网。用Forge搭建Agent工作流——Ollama跑本地模型、Chroma做本地向量存储、Forge编排查询逻辑。全部在内网完成，数据不出公司网络。自托管的个人AI助手——在个人服务器上部署Forge，接入本地的LLM（通过Ollama）和常见的工具集（日历、TODO、笔记）。一个完全自控的、不依赖任何第三方服务的个人AI助手运行起来了。
避坑提示：Forge自托管优先的设计使其不依赖云端LLM——但这意味着你需要一台有足够计算资源的设备来运行本地模型。一个流畅运行的7B模型至少需要8GB RAM（纯CPU推理）或6GB VRAM（GPU推理）。如果硬件资源不足，Agent的响应速度会慢到难以使用。在部署前评估好你的硬件能力——或者考虑将部分非敏感的工作流投喂给云端API，敏感工作流走本地。
一句话总结：Forge是LangChain的"自托管版"——如果你不想把数据交给任何第三方AI平台，这是最适合你的Agent工作流框架。
https://github.com/antoinezambelli/forge三个趋势总结
12个项目跑完，三个清晰的信号：
趋势一：大厂和官方正在全面入局AI编码技能生态。 微软.NET官方发布dotnet/skills，Chrome DevTools团队发布chrome-devtools-mcp，Anthropic推出claude-plugins-official官方插件目录——三天之内，三个顶级技术团队的官方项目同时出现。这已经不是"社区在推动AI编码工具发展"的阶段了——大厂在亲自下场，用官方资源建设AI编码的周边生态。
趋势二：AI编码辅助正在从"写好代码"延伸到"理解代码"和"调试代码"。 CodeGraph理解代码结构、Chrome DevTools MCP调试页面、oh-my-pi在终端中分析和修改代码——"AI帮你写代码"只是第一步，"AI帮你理解你写的代码有什么问题"和"AI帮你调试你的代码"正在成为新的能力增长方向。AI编码助手的价值正在从"替代部分编码工作"扩展到"提升整个开发工作流的质量"。
趋势三："自托管"正在从"极客选项"走向"主流选择"。 Forge（自托管Agent框架）、OpenWA（自托管WhatsApp API）、notebooklm-py（自托管式API访问）——三个项目分布在AI、通讯、知识管理三个完全不相关的领域，但共同选择了"自托管"的定位。用户对"数据自己做主"的需求正在跨越不同领域。未来可能更多产品会提供"自托管版本"作为付费SaaS之外的选择。
项目地址汇总
https://github.com/anthropics/claude-plugins-officialhttps://github.com/colbymchenry/codegraphhttps://github.com/multica-ai/andrej-karpathy-skillshttps://github.com/dotnet/skillshttps://github.com/obra/superpowershttps://github.com/HKUDS/CLI-Anythinghttps://github.com/rmyndharis/OpenWAhttps://github.com/ChromeDevTools/chrome-devtools-mcphttps://github.com/rohitg00/ai-engineering-from-scratchhttps://github.com/teng-lin/notebooklm-pyhttps://github.com/can1357/oh-my-pihttps://github.com/antoinezambelli/forge聊两句： 12个项目里，哪个最让你"哇"了一下？微软.NET官方入局AI技能、chrome-devtools-mcp让AI直接帮你调试网页，还是notebooklm-py让你可以用Python操控Google NotebookLM了？或者你已经在用CodeGraph了，每个月省了多少Token？来评论区说说你的想法和实际体验。每条我都会认真看。
