DEV TRENDS / DAILY DISCOVERIES

Jun 7, 2026 · What developers are building

Daily discoveries from developer communities, independent makers, and open source.

AI 编码 Agent 在会议室连续喊了三次「Mission Accomplished」

最近我开始大量使用 AI 编码工具处理一些重复性的开发工作。以前写代码的时候，人基本都坐在电脑前等结果。现在不一样了。很多任务交给 Agent 之后，我会直接让它在后台运行：修改代码修复问题编写测试重构模块然后去做别的事情。为了知道任务什么时候完成，我给完成通知设置了一个特别的声音。《红色警戒》里的经典语音： Mission Accomplished. 效果非常好。每次听到这个声音，我就知道 Agent 又干完了一件活。直到有一天。我离开工位去参加一个会议。会议刚开始没多久。突然。会议室外面传来一声： Mission Accomplished. 我愣了一下。心想：谁还在玩《红色警戒》？过了几分钟。又来一次： Mission Accomplished. 这次我感觉有点不对劲。然后。第三次： Mission Accomplished. 这时候我终于意识到：那是我的电脑。原来在我离开工位后，蓝牙耳机断开了连接。而 macOS 按照默认逻辑，自动把音频输出切换回了内置扬声器。与此同时，后台运行的几个 AI 编码任务陆续完成。于是电脑开始认真地向整个办公室汇报工作成果。 Mission Accomplished. Mission Accomplished. Mission Accomplished. 那一刻，所有人都知道我的 Agent 今天工作很努力。事后想想。问题其实不在通知音。也不在 AI Agent。 macOS 的行为完全符合预期。耳机断开了。系统总要找一个新的输出设备。大多数情况下，它会切换到内置扬声器。逻辑上没有任何问题。但现实里并不总是这样。很多时候，我们根本不希望声音继续播放。例如：在办公室在会议室在共享空间深夜工作离开工位时后台运行长时间任务时这些场景下。突然外放不是方便。而是尴尬。于是我开始寻找解决方案。我找到了一些音频路由工具。找到了一些自动化工具。甚至找到了一些需要编写脚本的方案。但始终没有找到一个足够简单的工具。我真正想要的功能只有一句话：当耳机断开并切换到内置扬声器时，立即静音。仅此而已。既然找不到。那就自己做一个。于是有了 QuietSwitch。它是一个运行在 macOS 菜单栏中的小工具。当检测到：耳机 → 内置扬声器这个切换发生时，立即自动静音。避免任何意外外放。没有账号。没有云服务。没有复杂配置。没有数据收集。只解决一个问题。有趣的是。我觉得这个问题未来可能会越来越常见。随着 AI Agent 和自动化工具越来越普及。越来越多的人会把任务交给电脑，然后离开工位。而任务完成通知、语音提醒、自动播放内容，也会越来越频繁地出现在人不在电脑前的时候。软件变得越来越智能。但有时候。我们需要的并不是更智能的软件。而是一个简单的保险丝。 QuietSwitch 就是这样一个小工具。它诞生于一次有点尴尬的会议事故。但我始终相信。很多好产品，最开始都只是开发者想解决自己的一个小麻烦。 App Store：

Original

DTDesktop productivityDTSoftware developmentDTAgent observability

Weekly Submissions

—

Tutti 是一个 macOS 菜单栏小工具，让你的多个扬声器同时播放同一段声音。

Tutti 一个声音，响遍全场 Tutti 是一个 macOS 菜单栏小工具，让同一份声音同时从多个输出设备播放。 macOS 的系统音频一次只能播放一个设备，想边外放边戴耳机、或者让客厅和卧室两组音箱一起响，系统自带的音量功能做不到，需要去 MIDI 里进行设置。 Tutti 补上了这个缺口。不用装任何虚拟音频驱动，也没有内核扩展，全部用苹果自带的 CoreAudio 框架实现。在菜单栏勾选多个输出，Tutti 会临时搭一个聚合设备，让每个设备同时发声；退出时原来的输出干净恢复，不留后台进程，也不留垃圾设备。使用场景家里多台蓝牙音响，同时播放一首歌曲，每个房间的音乐同步。一台 Mac 能同时连两副、甚至三副 AirPods。在咖啡馆不方便外放？你和朋友一人戴一副，一起看同一部电影、听同一首歌。老师上课时，可以通过耳机监听自己的声音，同时让现场的观众和学生听到功放的声音。直播、录课同理：自己戴耳机听，声音照常外放。任何"想让同一份声音同时去几个地方"的场景。核心功能多设备同步输出，在菜单栏勾选有线音箱、、蓝牙耳机、AirPods、显示器的任意组合，同一个声音同时播，完全同步。音量控制，一个主音量统一调全组，每个设备还能单独调音量和静音。蓝牙电量，连着的蓝牙耳机电量直接显示在面板里，不用再去系统里查。替代系统音量图标，可以把 Tutti 设成菜单栏那个音量图标，按音量键时弹的也是它自己的 OSD。快捷键增强，键盘音量键和滚轮直接控制整组输出，还能把常用的设备组合存成预设，一键切换。主要能力源码在 GitHub 上公开（PolyForm Noncommercial 许可）。支持 9 种语言，需要 macOS 13 及以上。 Github：

Original

DTDesktop productivityDTLifestyle & entertainmentDTDesktop app

Weekly Submissions

—

Scout4j：让 AI 编程助手先读懂 Java 后端项目，再动手改代码

Scout4j Scout4j 是一个面向 Java 企业后端项目的 AgentSkill，用来约束 AI 编程助手在修改代码前，先调查项目结构、读取本地约定、参考相邻实现，再制定计划、修改代码和验证结果。现在很多人已经开始用 Claude Code、Cursor、Codex 等 AI 编程工具处理真实业务代码。但在 Java 后端项目里，AI 很容易犯一个问题：还没看懂项目，就直接开始改。比如：没看现有分层结构，就新建一套不一致的代码；没看 mapper / repository 写法，就乱补 SQL；没理解事务边界，就把逻辑拆错位置；没确认 RPC / MQ / CDC / 下游依赖，就只改了表面代码；没跑针对性测试，就给出“已完成”的结论。 Scout4j 想解决的就是这个问题：给 AI 编程助手一套 Java 企业后端工作的流程约束。它会引导 Agent 按下面顺序工作： investigate → plan → edit → verify → summarize 也就是： 1. 先调查仓库结构和本地约定； 2. 再根据任务类型读取对应参考； 3. 然后制定修改计划； 4. 修改代码； 5. 最后做针对性验证和总结。适用场景 Scout4j 覆盖了一些常见 Java 后端任务：新增字段 / API / 数据库 schema； bug fix 和 code review；事务边界和一致性问题； RPC / 下游依赖的超时、重试、失败传播； MQ / CDC 消费和投影更新；数据修复 / backfill job；分页、性能和 SQL / mapper 一致性；单元测试、集成测试和验证策略。特点不绑定具体公司架构；不默认假设 Spring Boot、Maven、MyBatis、JPA、Kafka 或 DDD，除非目标仓库本身体现这些模式；重点不是“给出标准答案”，而是让 Agent 先读懂项目，再按项目已有风格改；提供了若干细分参考文档，例如 RPC、事务、数据修复、性能、测试等；包含一个轻量的 deoverfit 检查脚本，避免把私有 benchmark 或标准答案泄露进公开 skill；测试阶段已在 100+ 个 GitHub 开源企业级 Java 项目上验证，对 Agent 的代码修改质量、上下文遵循和验证完整性有明显提升。为什么做这个项目 AI 编程工具越来越强，但在企业后端项目里，真正危险的地方往往不是“不会写代码”，而是“没理解上下文就开始写代码”。 Scout4j 更像是给 AI 编程助手的一套工作纪律：不要一上来就 patch，先 scout 一遍项目。项目开源，MIT License。 GitHub：

Original

DTData & operationsDTSoftware developmentDTAgent extension

Weekly Submissions

—

smctl：给 Apple Silicon Mac 补上官方没有的风扇控制和电池限充（命令行工具）

smctl 是一个开源（MIT）命令行工具，给 Apple Silicon Mac 提供风扇曲线控制和电池充电限制——这两件事 macOS 官方都不开放：M 系列芯片没有任何风扇控制 API，电池也只有固定 80% 一档优化充电。解决的问题：长期插电的 MacBook 想把电量维持在自定义区间（如 smctl battery maintain 7080）延长电池寿命 Mac mini / Studio 当家用服务器时风扇策略不可控，smctl 支持手动转速和声明式风扇曲线（TOML 配置），所有命令可走 SSH，支持 json 输出 smctl sensors watch 实时查看全部温度传感器、风扇转速和封装功耗安全方面做了比较多的工作：daemon 被卸载或异常退出都会自动把硬件交还系统接管；带不可关闭的温度护栏，持续过热会强制风扇回到系统控制。所有 SMC 写入都有回读校验。安装：brew install leaperone/smctl/smctl （中文文档）

Original

DTSecurity & testingDTCLIDTContent / resource

Weekly Submissions

—

Github 照妖镜 — 输入 GitHub 用户名，AI 毒舌分析 + 给你的账号估个价

【开源自荐】Github 照妖镜 — 输入 GitHub 用户名，AI 毒舌分析 + 给你的账号估个价在线体验：具体介绍 Github 照妖镜是一个 AI 驱动的 GitHub 开发者档案分析工具。输入 GitHub 用户名或仓库链接，自动抓取公开资料、仓库和动态，生成一份包含 13 个维度的毒舌分析报告——外加一个独家公式算出你的 GitHub 账号值多少钱。预览核心功能 🪞 AI 毒舌分析 — 基于 DeepSeek，输出 Roast、技术栈、弱点、开源影响力、协作风格、活力指数等 13 张卡片 💰 账号估值 — 根据 Star、关注者、原创/Fork 仓库数量，用独家公式算出你的 GitHub 身价（¥/$） 📸 截图下载 — 支持按区段逐个下载 PNG，也支持一键全部下载 𝕏 分享到 X — 预填好文案的一键分享 🌐 中英文切换 — 实时切换 🏢 支持个人和组织 — 自动检测账号类型，使用不同的分析提示词 🆓 免费使用 — 通过 OpenCode 免费通道调用，无需付费技术栈 Python + Streamlit + DeepSeek + GitHub REST API

Original

DTContent creationDTSoftware developmentDTVertical agent

Weekly Submissions

—

X照妖镜 — 输入 X/Twitter 用户名，AI 秒出毒舌人格分析报告

【开源自荐】X照妖镜 — 输入 X/Twitter 用户名，AI 秒出毒舌人格分析报告在线体验：截图展示 <p float="left" width="45%" width="45%" </p 中文报告 @罗永浩，更多示例见项目 README。核心功能一键抓取 — 输入 @ 用户名，自动抓取个人资料 + 最新推文 AI 人格分析 — DeepSeek V4 生成 15 维报告：吐槽、长处、弱点、爱情观、金钱观、健康、MBTI 等账号价值评估 — 加权公式估算账号市场价值（粉丝数 + 互动 + 认证状态）截图即分享 — 一键下载 PNG，预填推文分享到 X 中英文切换 — UI 语言实时切换，报告语言自动跟随技术栈 Python Streamlit Playwright DeepSeek API OpenCode API html2canvas

Original

DTLifestyle & entertainmentDTVertical agentDTOpenCode

Weekly Submissions

—

Job Bro v0.3.0 - AI Agent 架构升级：评估器可联网搜索，结果实时流式返回

项目地址：上一期：v0.2.0 基于 Chrome 内置 AI 的职位分析助手一句话： Chrome 扩展，用 AI 分析 LinkedIn 职位 —— 五个维度评估，支持 API 与 Gemini Nano 本地双后端。v0.3.0 引入 AI Agent 架构，评估器可联网搜索公司信息，结果实时流式返回，支持断点续跑。 🚀 v0.3.0 新特性 1. AI Agent：评估器可调用搜索和网页工具问题：之前的评估器完全依赖 LLM 的预训练知识来评估公司风险、薪资水平等，对于新创公司、未公开信息只能猜测。解决：为风险、薪资、成长、偏好四个评估器配备 websearch（DuckDuckGo）和 readpage 工具。评估过程中，AI 会主动搜索公司裁员新闻、行业趋势、薪资数据等，并阅读实际网页获取真实信息。 salary 评估器 → 搜索 "senior frontend engineer salary Austin 2026" risk 评估器 → 搜索 "company X layoffs 2026" → 阅读相关文章去重机制：同一个 run 内对同一 URL 只取一次结果，多个评估器共享缓存。 2. 分阶段流水线 + 断点续跑旧的并行执行（Promise.all）改为 4 阶段流水线： | 阶段 | 评估器 | 依赖 | |||| | Stage 1 | 偏好评估 | 无 | | Stage 2 | 技能匹配 + 薪资评估 | 无 | | Stage 3 | 风险评估 + 成长评估 | 依赖 Stage 2 结果 | | Stage 4 | 总结评估 | 依赖全部完成 | 下游评估器可直接复用上游的研究成果。若中途失败（如网络超时），可点击「继续」从失败阶段重试，无需从头开始。 3. 实时流式结果以前需要等全部 6 个评估器跑完才能看到报告。现在每个评估器做完立即显示结果，还能实时看到 AI 正在「搜索中...」「阅读中...」的进度状态。 4. Offscreen Document + 结构化输出将 HTML 转 Markdown 的 DOM 解析移到 offscreen document，解决 MV3 Service Worker 无 DOM 访问的问题云端模型启用严格 JSON Schema 约束，输出更稳定推理模型（如 MiniMax）的 think 标签自动裁剪，jsonrepair 兜底解析 HTTP 504 自动重试 📦 历史功能回顾五种 AI 评估 | 维度 | 说明 | ||| | 薪资评估 | 基于职位、地点、经验估算薪资范围，与期望对比 | | 技能匹配 | 对比职位要求与你的技能栈，标注匹配/缺失/额外技能 | | 偏好评估 | 远程/混合、行业、公司规模等偏好匹配度 | | 风险评估 | 裁员历史、招聘活跃度、职位稳定性 | | 成长评估 | 技能提升空间、职业路径、学习资源 | 双后端：Cloud + Chrome AI | 方案 | API Key | 网络依赖 | Token 费用 | 数据隐私 | |||||| | Cloud (OpenAI) | 需要 | 需要 | 按量付费 | 数据上云 | | Chrome AI | 不需要 | 不需要 | 免费 | 数据不出设备 | Chrome AI 基于 Gemini Nano，开启后无需 API Key、零网络请求、数据完全本地处理，适合隐私敏感场景。智能对话追问对报告内容不满意？可直接追问，AI 会结合报告上下文进一步分析。Chrome AI 后端利用有状态 API 实现持久化会话，大幅减少延迟。 🧗 使用方式 1. 从 Chrome Web Store 安装（或 git clone + bun install && bun dev） 2. 打开任意 LinkedIn 职位页面 3. 点击侧边栏 Job Bro 图标 4. 点击「分析」，等待评估完成 5. 查看报告，或进一步追问 Chrome AI 前提：Chrome 127+，启用 chrome://flags/promptapiforgemininano，下载模型（约 4GB，浏览器自动管理） 🙏 致谢感谢社区反馈和贡献欢迎 Star、提 Issue、贡献新功能。让求职分析像打开一个网页一样简单。

Original

DTResearch & learningDTData & operationsDTAgent extension

Weekly Submissions

—

Pavemath - 关于道路数字计算的工具

提供点开即用无需登录的各类道路数字计算相关的计算器,比如沥青计算器一类。

Original

Weekly Submissions

—

我刚经历了3小时内增加500+用户的恐怖增长

【我刚经历了3小时内增加500+用户的恐怖增长】过去3小时之内，我的产品新增了500+的注册用户考虑到之前我们的产品目前一个多月也才实现了2000+的注册用户，新增的500+的注册用户对我们而言是一次不小的爆发，相当于之前大半个月的工作量我们的产品为什么突然实现了用户数量上的爆发？很多人以为这会是一个励志的故事：长期坚持不断打磨产品、跟进用户需求改善体验、所做的一切在市场上有了反馈、从此产品步入正轨。但遗憾的是，都不是。真实的情况是：我们买量了。但在三个小时后，我们决定结束这场闹剧。 1.预料之外的爆发我们在做的是一款叫“连连AI”的小程序，产品核心的功能在于让AI根据你的需求帮你找到合适的人并自动进行沟通。这样的话，当你有找人的需求时，无论是找程序员、设计师接单，还是找律师等，你都可以节省繁重的寻找和沟通过程。用户的爆发，始于一次偶然的提议。一个团队成员说，我们是不是可以在网上找一些人帮我们拉拉用户，我们按照注册用户数来付费。于是，我们在一个微信群里发了一条广告。一个小时内，新增的注册用户数就突破了100+，并在随后的一个小时内又突破了300+ 直接给钱的激励效果远超我们的想象，我们仅为一个注册用户支付2块钱左右，但大家仍然有充足的热情帮我们去做这些东西。即使我们完全有能力支付相应的费用，我们还是仅在三个小时内就决定停止这一切，停止所有“虚假的繁荣”。 2.激烈的心理斗争关于是否停止这一切，我们经历了激烈的心理斗争。用户增长的太快了，几个小时内就超过了我们几周所做的工作，而付出的东西又都在我们的预算范围内，这一切都很难让人拒绝。这会不会是一次产品火起来的契机？放任大家增长下去，会不会有意外的收获？所有的东西在我脑海中萦绕。但我们还是决定停止这一切，是因为两个数据： 1.绝大多数的注册用户并没有完成一次有效的行为。一个AI产品，用户只有完成对功能的体验和使用之后，用户才会有留存的可能。对“连连AI”这个产品而言，如果用户有需求并进行了发布，这时候能够体验到用AI帮你找人并自动沟通的过程，这个人才会具有后续留存的可能。但我们看到，绝大多数的用户只是注册了，并没有完成对功能的体验和使用，甚至连和Ai对话都没有，这意味着这部分用户以后是不可能再继续使用我们的产品的。当时我们为了修正这种情况，更改了规则，需要用户也完成一次找人功能的使用才算作有效用户，但很快我们又失望了。 2.绝大多数用户只是发了一些无意义的内容。这是一个极为典型的有政策，也有对策的场景，在我们要求用户需要与AI对话，向AI下达任务让AI去帮你找人才算作是有效用户后，我们看到的结果是大部分用户只是发布了一些无意义的内容。这显然不是我们希望的结果，我们很快意识到引来的这部分用户的人群画像是过于宽泛的，他们不知道能用产品来做什么。我们并非挑选用户，但可能过于宽泛的用户群体对我们也并非什么好的事情。于是，我们做出了停止的决定。 3.对初期产品最重要的是什么我们之前做的错误的一点，就是花了太多的时间和精力在用户增长上。因为“连连AI”的核心功能是根据你的需求帮你由AI自动进行匹配并沟通，我们需要不断扩大我们的用户池，否则便可能找不到相应的人。做用户增长没有错，但不应该将用户的增长情况作为初期最核心的指标。用户的增长情况这种规模性数据更多是金钱等资源投放之后的结果，但你还需要更多的其他数据来验证产品的PMF，例如留存、成功率和用户满意度等等。如果你初期花费了过多的精力在一个个地拉用户，而不是注重于收集用户的使用情况与反馈，那你可能将精力放错了地方。你只要能够在一个地方完成闭环即可，在一个场景中满足用户的需求。比如，我们能够专注把创业者找人、或程序员找外包这类场景做好的话，那会比漫无目的地拉用户来的快得多。程序员找外包这类场景中，最麻烦的就是去找订单和沟通需求的过程，如果能够有一个Agent 24小时帮助你在平台上搜集信息并自动沟通的话，会是一件很有价值的事情。但我们目前这个最基础的场景都没有做好，而是花费了过多的精力在用户增长上。完成一次功能的闭环，比用钱烧出来的用户增长数据的“虚假繁荣”重要的多。但用户的爆发也是有价值的。它让团队清醒过来，既然用户增长可以用钱解决，那自然应该花更多时间在其他方面，争取在其他方面构建起一定的壁垒。但我们之前不懂，对一个饥渴于流量的创业者而言，只有体会过一定的富足之后才会静下心来思考。就如同一个快要饿死的人，他只会一味地进食、进食、再进食。这便是我在本次用户增长后的思考，感谢你的阅读。

Original

DTBusiness & growthDTVertical agent

Weekly Submissions

—

MuJoCo Skills：面向 Robotics 环境搭建和操控技能库

我是这个仓库的作者：做这个项目的原因很简单：我自己还是机器人仿真的初学者，经常会用 AI 帮我创建 MuJoCo 仿真环境。这个过程一开始很有帮助。比如我可以让 AI 创建一个 Franka 机械臂抓取场景、UR5e 分拣场景、Go1 越障场景，或者 H1 人形机器人的行走布局。AI 很快能给出 MJCF 文件，也能帮我打开 viewer 检查。但问题也很明显：生成出来的场景经常“看起来像那么回事”，实际却不一定符合物理常识。我遇到过的问题包括：物体悬空机器人初始姿态不合理机械臂没有夹爪，却被要求做抓取末端执行器穿过桌面或传送带人形机器人一开始就倒下场景能加载，但不是一个可用的仿真环境所以我开始把这些经验沉淀成一个 MuJoCo Skill，让 AI Agent 在创建场景时不只是“写 XML”，而是按一个更可靠的流程工作。这个 Skill 目前主要帮助 AI 做这些事：构建 MJCF 场景做基础物理合理性检查启动 MuJoCo viewer 检查 actuator 做最小控制实验在不确定时询问用户，而不是猜测需求对常见场景进行更严格的验证 README 中的示例和场景检查是在 Codex GPT5.5 下验证的。我并不想把它包装成一个“自动生成完美仿真环境”的工具。它更像是一个给初学者和 AI Agent 使用的工作流约束：让 AI 在创建 MuJoCo 场景时少犯明显错误，也让使用者能更快得到一个可以继续学习和修改的起点。如果你也在用 AI 辅助机器人仿真，或者你对 MuJoCo、MJCF、机器人控制有经验，欢迎帮我看看这个仓库，也欢迎提建议：

Original

DTResearch & learningDTAgent extensionDTSkill / plugin

Weekly Submissions

—

PaperQuay：给桌面端文献阅读补上 AI 翻译、论文概览、内联笔记和 Agent 工作流

PaperQuay是面向桌面端的覆盖 PDF 阅读、全文翻译、论文概览、富文本笔记和 Agent 工作流 AI 辅助文献管理阅读工具。解决的问题：常规文献管理工具如 Zotero 等，主要提供基础的文献管理和 PDF 阅读能力；许多 AI 插件与 Zotero 的集成度不够，阅读、翻译、总结、笔记和文献整理往往分散在多个工具里，集成度不够，同时相互之间无法联动。 PaperQuay 希望把这些操作放回同一个桌面工作区：导入 PDF 后，可以管理元数据、分类、标签和附件；阅读时支持 PDF 批注、MinerU 结构块视图、全文翻译、块级译文缓存和划词翻译；速读时可以生成论文概览，包含背景、研究问题、方法、实验设置、主要发现、结论和局限等字段。笔记方面，PaperQuay 内置富文本 Notes 工作区，支持 [[笔记]] 双向链接、标签、@paper 文献引用、反向链接、本地自动保存和全文搜索，让论文笔记不再脱离文献上下文。 AI 工作流方面，PaperQuay 提供面向文献管理的 Agent 工作区，不只是普通聊天框。Agent 可以辅助批量重命名、元数据补全、智能标签、标签清洗、自动分类和论文总结，并展示工具调用过程和执行结果，方便用户确认后再执行。数据与隐私方面，PaperQuay 采用本地优先设计，文献库、笔记、批注、导入记录和 RAG 索引保存在本地 SQLite 数据库中，PDF 保存到用户配置的文献存储文件夹。Zotero 兼容是可选能力，可以从 zotero.sqlite 导入分类、标签和可用 PDF 附件，但不强依赖 Zotero。 <div align="center" <br / <subPaperQuay 文献阅读界面</sub </div <div align="center" <br / <subPaperQuay 管理文献界面</sub </div 安全和隐私方面做了比较多的工作：PaperQuay 采用本地优先设计，文献库、笔记、批注、翻译缓存、导入记录和 RAG 索引都保存在本地 SQLite 数据库中，PDF 文件存放在用户配置的本地文献目录里；AI 能力由用户自行配置模型服务，不强绑定云端账号。Agent 在执行批量重命名、标签清洗、元数据补全等文献库操作时，会展示工具调用过程和执行结果，方便用户确认，避免黑箱式修改本地文献库。

Original

DTResearch & learningDTData & operationsDTAgent extension

Weekly Submissions

—

@webc.site/math - 全球最小最快的网页 Markdown 公式渲染器

<a href=" target="blank" alt="npm" height="60" /</a  <a href=" target="blank" alt="github" height="60" /</a  <a href=" target="blank" alt="demo" height="60" /</a 3.5KB 搞定公式渲染！是时候放弃 KaTeX / MathJax，拥抱原生 MathML 了为什么说网页数学公式渲染一直以来都在“走弯路”？你敢相信吗？仅仅为了在网页里正常显示几个数学公式，你的项目就必须引入 260KB 甚至接近 1MB 的 MathJax/KaTeX 大礼包。更糟的是，这些库在浏览器的 JS 线程中动态计算字符宽度、对齐间距，并用绝对定位硬生生拼出成百上千个 DOM 节点来模拟排版。这不仅让用户的首屏加载缓慢，还极大地消耗了 CPU，造成严重的重绘卡顿。其实，时代早已经变了。自 2023 年 1 月起，随着 Chrome 109 正式支持 MathML Core，所有主流浏览器（Blink、Gecko、WebKit）早已完全实现了原生的数学公式排版。这意味着：我们不再需要向前端打包庞大的排版引擎，所有的公式排版，完全可以交由浏览器的底层 C++ 引擎去高效完成！ @webc.site/math 就是为此诞生的开源项目：一个仅有 3.5KB (Gzip) 的 TeXtoMathML 翻译器。我们只负责在几毫秒内将 TeX 语法转换为标准的 MathML 标签，把耗时的排版工作完全外包给浏览器本身。为什么它具有极强的破坏力？ 1. 包体积狂缩 20 到 70 倍 @webc.site/math 压缩后仅有 3.58 KB，而 KaTeX 压缩后为 75.15 KB，MathJax 更是高达 278.39 KB。这让你可以毫无压力地将其打包进任何轻量前端应用、小程序，或在 SSR/SSG 构建阶段直接静态生成，实现网页首屏的瞬间加载。 2. 渲染速度暴增 3 到 48 倍避开了 JS 排版计算后，它的编译性能达到了恐怖的 32.9 万次每秒（Ops/sec），是 KaTeX 的 3.6 倍，MathJax 的 48.8 倍。 3. LLM/AI 时代前端实时公式渲染的黄金搭档在当下的 AI 智能对话（LLM Chat）场景中，AI 正在以前端流式输出（Streaming）的方式吐出大量的技术公式。在这种高频重绘场景下，传统的 MathJax/KaTeX 会造成显著的延迟和发热。而本库极低的 CPU 消耗，保证了即使在低端移动设备上，AI 输出公式时的打字机效果依然丝滑顺畅。 4. 极为硬核的容错设计在处理用户或 AI 输入的公式时，如果有未闭合的 \left 或其他非法语法，本库会自动捕获异常并优雅退化为显示原始公式，绝不因为语法错误导致前端应用崩溃。真实公式渲染排版效果展示以下为浏览器使用 Latin Modern Math 字体原生渲染 TeX 公式转换后的 MathML 真实效果展示（导出为 SVG 矢量图）：欧拉恒等式 (Euler's Identity) 二次方程求解公式 (Quadratic Formula) 麦克斯韦方程之一 (Maxwell's Equation) 薛定谔方程 (Schrödinger Equation) 性能对比数据 1. 体积对比（Gzip 压缩后） 2. 编译速度对比 (Ops/sec) 快速上手 1. 替换 Markdown 文本中的公式 javascript import mdMath from "@webc.site/math/md"; const markdown = "欧拉恒等式：$$e^{i\\pi} + 1 = 0$$"; const html = mdMath(markdown); 2. 直接转换单个 TeX 公式 javascript import mathml from "@webc.site/math"; const html = mathml("e^{i\\pi} + 1 = 0", true); 3. 数学字体配置推荐（关键）虽然浏览器已原生支持 MathML，但为了达到印刷级别的精美排版，强烈建议配合 Latin Modern Math 数学字体使用（可使用 18s 字体包）： css / 引入在线数学字体 / @import url("//registry.npmmirror.com/18s/0.2.24/files/m.css"); math { fontfamily: m, sansserif; } 坦诚的局限性本库旨在满足 95% 场景下的日常需求，因此砍掉了少数冷门特性。它目前不支持化学公式扩展（如 \ce），复杂的自定义宏定义（如 \newcommand）。如果你的网站需要完美排版大学高等物理、化学论文级别的公式，可能仍需要使用 KaTeX。但对于个人博客、常规技术文档、AI 对话公式渲染等绝大多数场景，本库已经是极佳的替代选择。欢迎大家前往 GitHub 试用、反馈与交流！

Original

DTResearch & learningDTWeb appDTWeb

Weekly Submissions

—

基于.NET的浏览器引擎

C 一个用 C 和 SkiaSharp 构建的现代浏览器引擎 UpBrowser 一个用 C 和 SkiaSharp 构建的现代浏览器引擎。项目旨在帮助对浏览器底层原理感兴趣的开发者轻松学习（与庞大臃肿的chromium相比，UpBrowser更加轻量模块化，更易于学习）功能特性自制布局引擎：支持 CSS Block、Inline、Flexbox、Grid、Table 等布局模式文本渲染：使用 SkiaSharp 进行高质量文本渲染和测量 DOM 解析：基于 AngleSharp 的 HTML 解析器 JavaScript 支持：集成 Jint/v8 JavaScript 引擎硬件加速：支持 OpenGL GPU 加速开发计划 [ ] 完善 CSS 布局 [ ] 支持更多 CSS 属性 [ ] 性能优化 [ ] DevTools 调试工具 [ ] 网络请求支持 [ ] JS功能完善 [ ] 跨平台支持亮点与庞大臃肿的chromium相比，UpBrowser更加轻量模块化，更易于开发者学习浏览器底层原理 markdown 截图或演示视频

Original

DTResearch & learningDTData & operations

HelloGitHub Submissions

—

Tutti 是一个 macOS 菜单栏小工具，让你的多个扬声器同时播放同一段声音。

Swift Tutti 是一个 macOS 菜单栏小工具，让你的多个扬声器同时播放同一段声音。 Tutti 一个声音，响遍全场 Tutti 是一个 macOS 菜单栏小工具，让同一份声音同时从多个输出设备播放。 macOS 的系统音频一次只能播放一个设备，想边外放边戴耳机、或者让客厅和卧室两组音箱一起响，系统自带的音量功能做不到，需要去 MIDI 里进行设置。 Tutti 补上了这个缺口。不用装任何虚拟音频驱动，也没有内核扩展，全部用苹果自带的 CoreAudio 框架实现。在菜单栏勾选多个输出，Tutti 会临时搭一个聚合设备，让每个设备同时发声；退出时原来的输出干净恢复，不留后台进程，也不留垃圾设备。使用场景家里多台蓝牙音响，同时播放一首歌曲，每个房间的音乐同步。一台 Mac 能同时连两副、甚至三副 AirPods。在咖啡馆不方便外放？你和朋友一人戴一副，一起看同一部电影、听同一首歌。老师上课时，可以通过耳机监听自己的声音，同时让现场的观众和学生听到功放的声音。直播、录课同理：自己戴耳机听，声音照常外放。任何"想让同一份声音同时去几个地方"的场景。主要能力源码在 GitHub 上公开（PolyForm Noncommercial 许可）。支持 9 种语言，需要 macOS 13 及以上。 Github：亮点核心功能多设备同步输出，在菜单栏勾选有线音箱、、蓝牙耳机、AirPods、显示器的任意组合，同一个声音同时播，完全同步。音量控制，一个主音量统一调全组，每个设备还能单独调音量和静音。蓝牙电量，连着的蓝牙耳机电量直接显示在面板里，不用再去系统里查。替代系统音量图标，可以把 Tutti 设成菜单栏那个音量图标，按音量键时弹的也是它自己的 OSD。快捷键增强，键盘音量键和滚轮直接控制整组输出，还能把常用的设备组合存成预设，一键切换。 markdown 截图或演示视频

Original

DTDesktop productivityDTLifestyle & entertainmentDTDesktop app

HelloGitHub Submissions

—

ScreenshotCore

Turn any URL into screenshots, PDFs & videos. instantly.

DTData & operationsDTWeb appDTWeb

Jun 7, 2026 · What developers are building

No matching projects

Discuss this edition