PaddleOCR 是百度飞桨（PaddlePaddle）团队开源的多功能 OCR 与文档解析工具包，GitHub Stars 超 8.4 万，被 Dify、RAGFlow、Cherry Studio 等主流项目深度集成。它不只是一套光学字符识别引擎，更是一个覆盖"图片→结构化数据"完整流程的文档 AI 基础设施。 当前稳定版本为 PaddleOCR 3.6…
仓库攻略
231 篇 · 228 个项目 · 多模态
vLLM 是一个高吞吐量、内存高效的 LLM 推理与服务引擎，最初由 UC Berkeley Sky Computing Lab 开发，现已成长为全球最活跃的开源 AI 基础设施项目之一，拥有来自 2000+ 贡献者的社区支持。 核心突破是 PagedAttention 技术——受操作系统虚拟内存分页启发，将 KV Cache 切分成小块动态管理，显著减少显…
ianxiaoheiillustrations 是一个面向 AI Agent（尤其是 Codex）的中文正文配图生成 Skill。它指导 AI 把中文文章、帖子、博客、方法论内容里的判断、流程、状态和隐喻，转化成一张张白底、手绘、怪诞但清爽的 16:9 正文配图。 核心特点：生成的不是通用插画 prompt，也不是 PPT 信息图模板，而是先理解文章认知锚点…
pxpipe 是一个本地请求代理，专门用来降低 Claude Code（以及其他基于 Anthropic API 的 Agent）的 token 消耗。它通过将大量文本内容（系统提示词、工具文档、历史记录）渲染为图片，再通过视觉通道传输，从而大幅压缩输入 token 数量。 核心逻辑：一张图片的 token 成本由像素尺寸决定，而不是内容长度。实测 dens…
LiteLLM 是一个统一调用 100+ 大模型 API 的 Python 库 + AI Gateway（代理服务器），用 OpenAI 格式作为统一接口，抹平各 provider（OpenAI、Anthropic、Gemini、Bedrock、Azure、HuggingFace、VLLM、NVIDIA NIM 等）的 API 差异，同时提供成本追踪、虚拟 …
aiengineeringfromscratch 是一个从数学基础到多 Agent 生产部署的系统性 AI 工程课程，包含 503 节课程、20 个阶段，覆盖 Python / TypeScript / Rust / Julia 四种语言，MIT 许可证，完全免费。 它的核心理念是 Build It Before You Use It——在学习任何框架或工具…
lottie 是 Diffusion Studio 出品的开源 Skill（工具包），让 Claude Code 或 Codex 等 Coding Agent 通过自然语言指令直接生成可投产级别的 Lottie 动画 JSON 文件。 它的核心工作流是：你在对话中描述想要的动画效果（基于 SVG、截图或真实数据），Agent 调用 diffusionstud…
UnlimitedOCR 是百度开源的多模态文档解析模型，定位是「一键长文档解析」——单张图片、PDF 多页、整本手册均可一次性处理，输出结构化文本。发布于 2026 年 6 月，arXiv 论文编号 2606.23050。 官方将其定位为对 DeepSeekOCR 的进一步推进，核心能力： 传统 OCR + NLP 管道有三个常见痛点： 1. 多步骤串联：…
Open Generative AI（简称 OGA）是一个免费的、开源的 AI 图像与视频生成桌面应用，内置 200+ 模型（Flux、Midjourney、Kling、Sora、Veo、Seedance 2.5 等），无内容过滤器、无审查，MIT 协议可自托管，本质上是 MuAPI.ai 的前端桌面封装。 核心定位：绕过商业 AI 视频平台的内容限制，让用…
RuView 是一个基于 WiFi CSI（信道状态信息） 的空间智能感知系统——利用普通路由器发出的无线信号，经墙壁反射后的人体扰动来检测：有人在与否、呼吸频率、心率、跌倒、活动姿态、房间占用情况。全程不需要任何摄像头、麦克风或可穿戴设备。 核心技术：用 ESP32 板子 + Cognitum Seed（边缘 AI 协处理器）读取 WiFi CSI 数据，…
OOMWOO 是一个完全开源的自制扫地机器人项目，目标是用树莓派（Raspberry Pi 5）、ROS2、Home Assistant 和 3D 打印技术，打造一台价格亲民、支持 2D LiDAR 地图构建与自主导航的家用清洁机器人。Apache License 2.0（代码），Stars 3.4k，当前版本 v0（barebones 阶段）。 项目核心特…
unitymcp（MCP for Unity）是一个基于 Model Context Protocol（MCP）的 Unity 编辑器桥接工具，让 AI 助手（Claude、Codex、Cursor、VS Code 等 MCP 兼容客户端）能够直接操控 Unity Editor——创建场景和 GameObject、编写 C# 脚本、管理资产、运行测试、构建项…
obsidianskills 是由 kepano（Obsidian 核心插件开发者）维护的 Agent Skills 集合，让 AI 编程助手（Claude Code、Codex、OpenCode 等）能够理解并操作 Obsidian 的专有格式。遵循 Agent Skills 规范，以 .claude/skills/ 目录结构 + SKILL.md 元数据…
HyperFrames 是 HeyGen 开源的HTML 到 MP4 视频渲染框架，stars 33K+（另有同名仓库差异），周增 +651。核心能力：用写网页的方式定义视频——视频即 HTML，动画即 seekable 动画，渲染引擎通过 headless Chrome seek 到指定帧并用 FFmpeg 编码输出确定性 MP4。 设计上深度面向 AI …
aiwebsiteclonertemplate 是一个可复用的 AI 网站克隆模板项目，用 AI Coding Agent（推荐 Claude Code）将任意公开网站逆向重建为一个干净的 Next.js 现代代码库。 核心思路：给 AI Agent 一个 URL，Agent 自动完成截图、设计 token 提取、组件规格撰写、并行构建、最终组装——你只需要…
Open Design 是 Claude Design（Anthropic 2026 年 4 月发布的 AI 设计工具）的开源替代方案。它是一个本地优先的 Agentic 设计工作空间，让你的代码 Agent（Claude Code / Codex / Cursor 等）直接成为设计引擎，输出真实可用的原型页面、数据看板、演示文稿、图片和视频。 核心特点： …
UI UX Pro Max Skill 是一个面向 AI coding agent 的设计智能 Skill，核心功能是 Design System Generator（设计系统生成器）——根据你描述的项目类型，自动推理并输出完整的设计系统：页面模式、配色、字体、动效、行业反模式、交付检查清单，全部结构化输出。 它不是一次生成一个按钮样式，而是根据"我要做一个…
对照 CNN 的局部归纳偏置、ViT 的规模化学习、CLIP 的图文对齐与 Diffusion 的可控生成。 先掌握表征学习的变化，再进入生成模型；不建议把所有架构只按发表时间排列。