2026-06-25

采集 119 精选 20

NousResearch/hermes-agent 是一个开源的、可扩展的智能体框架,旨在随用户需求演进,支持自主任务规划与工具调用。

GitHub NousResearch · ★202.2K
查看原文 →

Hugging Face Transformers 是一个广泛使用的开源库,支持文本、视觉、音频及多模态模型的推理与训练,是AI开发中不可或缺的基础设施。该库持续更新并集成前沿模型,显著降低了大模型应用门槛。

GitHub huggingface · ★161.9K
查看原文 →

Ollama 是一个用于本地运行大型语言模型的开源工具,支持 Kimi-K2.6、GLM-5.1、Qwen、Gemma 等主流模型的一键部署与管理。

GitHub ollama · ★174.9K
查看原文 →

Nub 是一个面向 Node.js 的一体化开发工具包,类似 Bun,但基于原生 Node.js 运行时,通过 `--require` 预加载机制集成 OXC 转译器、模块解析钩子和现代 Web API(如 Worker、Temporal)的 polyfill。

HN colinmcd · ↑216 · 63 comments
查看原文 →

Dify 是一个面向生产环境的开源平台,专为构建基于智能体(agentic)的工作流而设计,支持可视化编排、模型集成与应用部署。

GitHub langgenius · ★146.5K
查看原文 →

Open WebUI 是一个开源的、用户友好的本地化大模型交互界面,支持 Ollama、OpenAI API 等多种后端,便于快速部署和使用私有化 AI 服务。

GitHub open-webui · ★142.9K
查看原文 →

本文是一篇实践性教程,详细介绍了如何利用自动化红队测试(Automated Red Teaming)方法识别并修复AI智能体的安全漏洞,显著提升其安全性。

Dev.to Morgan Willis · ♥10 · 3 comments
查看原文 →

本文介绍了HolmesGPT这一AI驱动的SRE(站点可靠性工程)工具在真实GKE集群中端到端验证故障修复的实际应用,展示了其通过mirrord exec自动验证补丁有效性的能力。

Dev.to Eyal Bukchin · ♥17 · 1 comments
查看原文 →

本文介绍了开源的智能体AI技术栈(AAIF),解析了多个关键开源项目的核心功能与协作机制,并提供了面向开发者参与贡献的具体路径和实践建议。

Dev.to Marco Gonzalez · ♥15 · 0 comments
查看原文 →

llama.cpp 是一个在 C/C++ 中实现的轻量级、高效的大语言模型推理框架,支持在 CPU 上本地运行 LLM,无需 GPU。它以低资源占用和跨平台兼容性著称,广泛用于边缘设备和隐私敏感场景。

GitHub ggml-org · ★118.0K
查看原文 →

本文是一篇行业评论文章,指出尽管Claude Tag引发广泛关注,但AI社区尚未构建起关键的‘信任层’——即确保AI输出可靠、可验证、可审计的基础设施与实践体系。

Dev.to Daniel Nwaneri · ♥18 · 20 comments
查看原文 →

vLLM 是一个高性能、内存高效的大型语言模型推理与服务引擎,专为加速 LLM 部署而设计,支持 PagedAttention 等创新技术。

GitHub vllm-project · ★84.1K
查看原文 →

Langflow 是一个开源的低代码可视化平台,用于构建、调试和部署基于大语言模型的AI智能体与工作流。

GitHub langflow-ai · ★150.0K
查看原文 →

Firecrawl 是一个开源的 Web 数据获取工具,提供可扩展的 API,支持大规模网页搜索、爬取和交互。它旨在简化结构化网页数据提取流程,适用于 AI 应用的数据准备环节。

GitHub firecrawl · ★138.8K
查看原文 →

Anthropic指控阿里巴巴非法提取其Claude大模型的能力,引发关于AI模型知识产权与商业竞争的行业争议。

HN htrp · ↑145 · 268 comments
查看原文 →

Sipp 是一个面向混合AI应用的本地优先运行时,支持 WebGPU 加速,旨在提升本地 AI 应用的性能与隐私性;其开发涉及对 llama.cpp WebGPU 后端的贡献。

Dev.to Constant, Yuan Chen · ♥10 · 0 comments
查看原文 →

这是一本面向实践者的系统性指南,涵盖从大语言模型基础、架构优化到智能体系统构建与生产部署的全流程,强调全栈理解对开发自主AI系统的重要性。

HF Papers Haggai Roitman · 👍0
查看原文 →

本文提出iLLaDA——一种从零训练的80亿参数掩码扩散式大语言模型,采用全双向注意力机制,并在预训练和监督微调中全程保持掩码扩散目标,显著区别于主流自回归范式。

HF Papers Shen Nie · 👍0
查看原文 →

本文是一篇关于AI基础设施成本优化的实战反思,通过真实案例揭示了在AI产品开发中盲目堆砌功能导致预算失控的问题,并强调通过数据驱动决策精简功能以控制成本。

Dev.to Arpit Gupta · ♥7 · 2 comments
查看原文 →