Lovia 是一个轻量、模型无关的 Python Agent 框架。 < 特点：极简依赖。核心依赖只有 httpx、pydantic 和 pyyaml，其余按需安装即可。抽象很少。 Agent 是不可变配置，Runner 执行一次运行，@tool 就是带类型的函数；handoff 和 agentastool 组合多个 agent；插件负责打包其余能力。读得懂。关键流程集中，模型调用、工具执行、重试和持久化的顺序都很清楚。遇到意外行为时，可以顺着同一条链路查下去。模型接入轻。内置 OpenAI、Anthropic 及其兼容接口。不堆厚重适配层；要接新模型，实现一个小 Protocol 就够了。缓存友好的上下文管理。压缩只改变下一次模型调用能看到的内容，保持提示词前缀稳定，同时完整记录始终保留。生产控制点清楚。审批、预算、取消、运行中追加指令、重试、快照/恢复，都是明确的开关，可以按你的应用需要接入。扩展方式统一。 Skills、MCP、Todo、Memory 都是插件；要加入自定义的能力，也走同一套机制。简单示例： python from lovia import Agent, Memory, Skills, tool from lovia.workspace import Workspace from lovia.web import serve @tool def lighttraveltime(distancekm: float) str: """计算光走完一段距离需要多久。""" return f"{distancekm / 299792.458:.2f} 秒" agent = Agent( name="sciencewriter", instructions="你是一位科普作者，善于用生动的日常比喻讲清复杂的科学概念。", model="deepseekv4pro", tools=[lighttraveltime], workspace=Workspace.local(".", mode="readonly"), plugins=[ Skills("./skills"), Memory(), ], ) serve(agent, host="127.0.0.1", port=8000)

Original

DTAgent extensionDTAgent orchestrationDTSkill / plugin

Weekly Submissions

—

Polily TUI：一款真正有用的开源Polymarket 24/7 agentic 循环监控器

我大概持续开发了这个产品 Polily 三个多月了, 原因是去年我机缘巧合写过一个预测市场项目, 然后自己上头玩了小半年. 目前产品13.0 拥有完整的作用闭环, 我个人觉得挺好用的哈. 欢迎加星星, 或者给我买份汉堡支持下我哈, 有问题随时提issue. “粘贴 Polymarket 事件 URL，Polily 即可判断该事件是否值得您投入时间，评估其结构，查找定价错误，监控价格走势，并在市场结算时自动平仓。Polily 是一款监控代理，能够揭示 Polymarket 用户界面隐藏的信息——针对你正在考虑的每个事件。”

Original

DTSoftware developmentDTAgent observability

Weekly Submissions

—

lonlat: 在线地理编码-批量将地址转为坐标

网站地址：阮老师，这是一款完全运行在浏览器端的免费在线地理编码工具，旨在帮助 GIS 从业者、数据分析师、开发者等快速、批量地将地址转换为经纬度坐标。只需要上传包含地址的 CSV 文件，选择想要使用的地图平台，几秒到几分钟后即可获得转换结果，并支持在地图上可视化检查转换结果。核心功能与亮点支持五大主流地图平台地理编码服务：高德地图百度地图 Mapbox HERE OpenStreetMap 支持拖拽上传CSV 文件批量导入地址转换结果实时地图可视化，便于检查偏差支持导出为 CSV 或 GeoJSON 格式纯前端运行，数据永不上传服务器，隐私更安全完全免费，无需注册、无需 Key 无需安装任何软件，无需编写一行代码为什么要做这个工具？最早写了一个 QGIS 插件来实现这个功能，但随着 QGIS 版本升级和依赖库的变化，插件逐渐无法使用。市面上的地理编码解决方案要么需要复杂的 API 调用、要么收费昂贵、要么要把敏感地址数据上传到云端……所以决定做一个简单、免费、私密、可视化的纯浏览器端替代方案。效果截图

Original

DTSoftware developmentDTWeb appDTSkill / plugin

Weekly Submissions

—

PalBreed：Palworld 1.0 双向配种计算器

网站： PalBreed 是一个免费的 Palworld 1.0 双向配种查询工具，面向需要核对当前版本配种结果的玩家和攻略作者。主要功能：输入两个亲本，查询可能得到的子代；选择目标 Pal，反查全部直接亲本组合；提供可搜索的完整配种关系索引；单独说明固定特殊组合、同种亲本，以及 Katress/Wixen 的性别方向例外；公开数据版本、日期、来源状态、commit、哈希、记录规模和回归案例；支持英文和简体中文；免费使用，不需要账号。这是作者自荐。网站独立开发，与 Pocketpair 或 Palworld 官方无关。

Original

DTSoftware developmentDTWeb appDTWeb

Weekly Submissions

—

DetectRadar：网络环境一致性检测工具

DetectRadar 一个开源的网络环境一致性检测工具，可以核对出口 IP 与浏览器时区、语言等环境特征是否一致，检查 WebRTC、DNS、IPv6 泄露，并生成诊断报告和雷达图。在线体验：打开网页后，它会自动完成检测，并列出具体的环境冲突和泄露问题。

Original

DTData & operationsDTWeb appDTWeb

Weekly Submissions

—

MarcDown - 极简，上下分栏的md编辑器

软件名称 MarcDown 上下分栏的md编辑器应用平台 Windows MacOS Linux 是否收费开源免费软件截图应用简介 MarcDown是一款独特的上下分栏的Markdown编辑器，所谓上下分栏，就是源码在上面，渲染结果放在下面，支持表格，图片，公式，流程图，HTML的上源码下渲染，源码还可以一键折叠，从而使整个页面尽可能的“所见即所得”，同时也能很方便地查看/修改源码。 MarcDown并不是纯粹的“所见即所得”，而是将样式与源码渲染在一起的“实时渲染”，例如“”分割线，其背景是一整条编辑器宽度的线，但仔细看分割线的左端仍然还有“”的源码。 MarcDown的目标就是作为系统默认的md查看器，点击md文件，然后触发MarcDown，在替换掉默认的txt记事本的同时，有着跟txt记事本一样的简洁/快速，而且还有txt记事本没有的实时渲染能力，可以在同一个上下文中方便浏览图片，公式，流程图等渲染结果。 MarcDown的所有功能都是手工实现的，理论上实现一个md编辑器挺简单，只需要以CodeMirror库之类的为核心包一层即可。但MarcDown这里相当于实现了一遍CodeMirror，MarcDown的主打特性是上下分栏，对页面高度的控制有更精细的要求，用CodeMirror不太能满足需求，因此我手撕了从源码解析到排版渲染的整体流程，当然我在开发过程中大量使用了AI，AI确实提高了我的能力上限。我借鉴React的原理，将MarcDown的排版渲染分为reconcile调和过程和commit提交过程，调和过程只处理js逻辑，将新旧虚拟节点进行diff，在commit提交过程根据diff做真实Dom的最小改动，听起来性能不错，但实际上目前仍有不少逻辑还未做性能优化，普通的readme.md文件可以轻松打开，md文件超过一万行编辑就比较卡了。如果把可优化项做完的话，实时编辑一万行的md文件应该能达到流畅水准。 MarcDown github: Github

Original

DTSoftware developmentDTmacOSDTWindows

Weekly Submissions

—

Kite CLI - 快速的将本地项目部署到服务器上

文档介绍： npm: @kitecd/cli Kite CLI 快速的将本地项目部署到服务器上搭配 Vibe Coding 快速在服务器上进行部署验证👍🏻 服务端&本地都只需安装同一CLI即可 sh npm install g @kitecd/cli 启动服务 kite serve 本地推送项目 kite push 支持在面板上查看日志，执行回滚等项目管理项目详情，支持快速一键的完成回滚绑定日志查看

Original

DTData & operationsDTSoftware developmentDTCLI

Weekly Submissions

—

Claude Dreaming vs Hermes Skill：帮你重新认识 Agent Memory

Agent 最难的不是记住过去，而是判断过去应该变成什么。 Claude Dreaming 选择把经验压缩成更干净的事实，Hermes Skill 选择把经验固化成可复用的能力。一个偏保守，一个更激进。它们真正揭开的，是长期 Agent 的核心难题：什么应该被记住，什么应该被写成规则，什么又必须保持开放，留给下一次重新判断。

Original

DTAgent extensionDTSkill / plugin

Weekly Submissions

—

Tura：本地优先、多模型的终端 AI 编程智能体

GitHub：当前版本：v0.1.33 协议：AGPL3.0orlater Tura 是一个开源、本地优先的 AI 编程智能体，面向 Windows、macOS 和 Linux。它同时提供交互式 TUI 与可脚本化 CLI，能够读取和修改代码、运行命令及测试，并把任务、会话与执行记录持久化在本地。主要特点终端原生：既可在 TUI 中交互，也可通过 CLI 接入脚本和自动化流程。多模型路由：支持 OpenAI、Anthropic、Gemini、OpenRouter、Qwen、DeepSeek、Mistral 等提供商，也可配置本地 OpenAIcompatible endpoint。持久会话：任务中断后可以继续，并保留明确的任务状态、代码位置、补丁和测试信息。上下文管理：根据任务状态加载运行手册和能力，避免无关 skill、旧工具输出长期堆积在同一上下文。跨平台发布：提供 npm CLI，以及 Windows、macOS、Linux 的桌面/安装包发布。安装 CLI： bash npm install g turaai tura 相关设计说明：为什么很多“省 Token”插件并不解决真正的问题。披露：我是 Tura 项目的关联方。本次投稿使用了 AI 辅助核对投稿规则、重复项和文字表述。

Original

DTSoftware developmentDTAgent extensionDTAgent orchestration

Weekly Submissions

—

视频文案提取工具，支持 Agent 接入，支持抖音、小红书、快手、B站等

工具入口工具说明 Videosays 是一个视频文案提取和字幕转写工具。粘贴公开视频链接，即可将视频中的口播内容转换为纯文本、带时间轴文本、SRT 或 VTT 字幕，不需要先手动下载视频。目前支持抖音、小红书、快手、B站、YouTube、TikTok、Instagram、X 和微信视频号等平台。除了网页使用，Videosays 还提供 API、命令行工具和标准 SKILL.md，可以接入 Codex、Claude Code、OpenClaw 等 AI Agent 工作流，让 Agent 自动完成视频转写，并继续生成摘要、脚本拆解和选题笔记等内容。工具特点粘贴公开视频链接即可提取口播文案，不需要提前下载视频支持纯文本、时间轴、TXT、SRT 和 VTT 等结果格式支持多个国内外视频平台，可以统一整理不同来源的视频素材提供网页、API、CLI 和 Agent Skill 等多种使用入口可以把视频链接直接交给 AI Agent，自动等待任务完成并继续分析结果产品定位是视频转文字和内容整理，不提供无水印下载或绕过平台限制的能力使用方式网页使用打开 Videosays 粘贴支持平台的公开视频链接或分享文本创建转写任务完成后复制纯文本，或导出带时间轴的字幕文件 AI Agent 使用把下面的指令和视频链接发送给支持 Skill 的 Agent： Read install the Videosays Skill if your environment supports skills, and help me transcribe this public video link. 也可以通过命令行安装： npx skills add xwchris/videosaysagenttools npx videosays transcribe "视频链接"

Original

DTContent creationDTAgent extensionDTWeb app

Weekly Submissions

—

MyVoiceTyping：本地优先的中文语音输入工具

MyVoiceTyping 是一个面向 macOS 的开源中文语音输入项目，目标是把“说话”直接变成可用文字。它支持本地语音识别、标点恢复和输入文本润写，适合写作、聊天、会议纪要、日常办公等场景。和很多云端语音输入工具不同，它更强调本地优先和数据安全：默认尽量在本机完成识别、标点恢复和润写，减少敏感音频和文本外传。项目代码公开，配套的输入文本润写模型和调优数据集也公开，方便学习、审查和二次开发。相关链接：模型：数据集：自荐说明：我是项目维护者，希望推荐给关注开源 AI 工具、中文输入效率和本地隐私保护的读者。

Original

DTContent creationDTResearch & learningDTmacOS

Weekly Submissions

—

AI报表生成平台

灵犀BI：一个会"自我进化"的AI驱动BI平台——告别手写SQL，让数据自己开口说话如果你的团队还在为"这个指标到底怎么算"反复对齐口径，还在等数据组排期出报表——那么这篇文章值得你花 8 分钟读完。一、你大概率正在经历的三个痛点痛点 1：数据"有"，但"用不上" 公司早已上了 MySQL、PostgreSQL 甚至 Oracle，数据躺在里面好几年。但每次想回答一个简单的问题——"上个月各渠道的复购率是多少？"——你还是得： 1. 找数据分析师排期； 2. 等分析师理解你的业务口径； 3. 等他写完 SQL、跑完数、做完图表； 4. 然后发现口径不对，再来一轮。一圈下来，少则半天，多则一周。这不是数据驱动，这是"人力驱动等数据"。痛点 2：BI 工具上了，但没人用传统 BI 工具（Tableau、Power BI、Metabase 等）功能强大，但有两个致命问题：学习曲线陡峭：业务人员要学拖拽字段、配置图表、理解数据模型，最后往往还是回到 Excel；口径漂移：同一张表，张三拉的"月活"和李四拉的"月活"差了 20%，谁也说不清谁对。 BI 工具成了数据分析师的专属玩具，没有真正赋能到业务一线。痛点 3：AI 加持的 texttoSQL，用起来像"金鱼记忆" 2024 年以来，各种"自然语言查数据库"的工具层出不穷。但它们都有一个共同的问题：无状态。你问一次，它答一次，下次问类似问题（哪怕只是换个时间范围），它从零开始推理——完全记不住你上次纠正过的业务定义。每一次对话都是一次全新的猜谜游戏。二、灵犀BI 的方案：让 BI 从"工具"变成"同事" 灵犀BI（LingxiBI）是一个开源 AI 驱动的 BI 平台。它解决的问题不是"能不能用自然语言查数据"——这个门槛已经被大模型拉得很低了。它解决的是更根本的问题：如何让 AI 持续理解你的业务，越用越准，最终成为团队里那个"最懂数据的同事"。核心理念就一句话：接入数据库，与数据对话，让 AI 为你构建看板。工作流极其简单：接入数据源 → 用自然语言提问 → AI 生成 SQL 并执行 → 一键生成看板 → 持续迭代优化不需要手写一行 SQL，不需要配置数据模型，不需要学习任何 BI 工具。三、核心优势拆解：为什么它跟别的 texttoSQL 不一样？优势 1：自学习机制——越用越聪明（这是真正的差异化护城河）大多数 texttoSQL 工具是"问完即焚"的。灵犀BI 的杀手锏在于每一次对话都变成下一次回答的燃料。你提问 → AI 回答 → 后台自动提炼新增业务知识 → 存入知识库（按数据源隔离）→ 下次回答时智能召回 → 下一次回答更准确具体来说，这个闭环包含四层知识沉淀： | 知识层 | 说明 | 价值 | |||| | 知识库 | 表关系、字段含义、业务规则 | 让 AI 理解你的数据模型 | | Fewshot 示例 | 你对好回答点 👍，存为标准示例 | 模型下次严格遵循 | | 精选指标库 | 验证过的命名 SQL 定义 | 可复用的高可信定义，杜绝口径漂移 | | 列画像 | 枚举值、数值范围、数据样本 | AI 写 SQL 时更精准的过滤条件 | 人在回路的设计也很巧妙：对一次满意的回答点个 👍，系统自动把它转成 fewshot 示例——不需要你写任何规则或配置。这是真正的"无感训练"。优势 2：AI 看板——一句话生成，对话式迭代传统 BI 的看板搭建流程是：选图表类型 → 绑定数据源 → 配置维度/指标 → 调样式 → 发布。熟练工 30 分钟，生手半天。灵犀BI 的流程是：对着聊天框说一句话。比如： "帮我生成一个按月份统计各渠道销售额的趋势看板，加上环比增长率。" AI 直接给你一个基于 ECharts 的响应式 HTML 看板。不满意？继续对话调整——"把柱状图换成折线图"、"加上去年同期对比"、"把配色改成我们品牌色"。每次修改都有完整的版本历史，随时可以回滚到任意历史版本。看板的视觉风格（配色、排版、图表样式）还能存为可复用主题，下次一键套用。优势 3：不只是看数据——预警 + 分析，形成完整闭环很多 BI 工具的核心问题是：看板建好了，但没人天天盯着看。灵犀BI 补上了"从看到做"的最后一公里：多渠道预警：设定阈值规则 → 触发后 AI 自动撰写预警内容 → 通过邮件（附带 Excel 附件）+ 飞书交互卡片（HMACSHA256 加签）双通道推送。你不需要盯着看板，数据异常会自动找到你。 AI 数据分析总结：一键生成叙述式分析——核心结论、关键发现、趋势判断、异常检测、行动建议。而且禁止 AI 编造数据，所有结论严格基于真实数据和快照趋势。定时快照：自动采集指标快照，支撑趋势分析、同比、环比——这些都是 AI 分析总结的数据基础。优势 4：企业级多用户权限——不像个人玩具很多 AI 开源项目在"多用户"这件事上很敷衍。灵犀BI 的设计从一开始就是面向团队的： | 维度 | 设计 | ||| | 角色 | 管理员（管理基础设施）+ 成员（操作自己的内容） | | 内容隔离 | 报表、指标、会话、预警规则按用户隔离 | | 数据源授权 | 成员只能看到和查询被授权的数据源，服务端强制校验 | | 注册管控 | 首个注册即管理员，之后注册关闭，由管理员统一管理用户 | 这意味着：一个灵犀BI 实例，可以让财务看到财务数据源、运营看到运营数据源、管理层看到汇总看板——各取所需，互不干扰。优势 5：安全不是"做了"，而是"从架构层面做了" 对于一个直接连接生产数据库的工具，安全不是加分项，是底线。灵犀BI 的安全设计值得拿出来讲： SQL 白名单校验：只允许 SELECT / SHOW / DESCRIBE / EXPLAIN / CTE，任何写入语句直接拦截。查询硬限制：单查询超时 30 秒、行数上限 5 万行——防止大查询拖垮生产库。 SSRF 防护：飞书 Webhook URL 限制为官方域名，防止内网探测。认证与限流：JWT + bcrypt12，登录 5 次失败锁定 5 分钟。凭据保护：API 响应从不返回密钥/密码，始终掩码。四、技术架构：为什么选择 Rust + React？技术选型本身也是产品价值观的体现。 | 维度 | 选型 | 理由 | |||| | 后端 | Rust (Axum + SQLx + Tokio) | 零成本抽象、内存安全、极致性能。后台调度（快照/预警）天然适合 Rust 的异步模型 | | 前端 | React 19 + Vite + TypeScript + Tailwind CSS | 现代前端栈，响应式看板体验 | | 元数据库 | MySQL / MariaDB | 团队最熟悉的关系型数据库，运维成本低 | | 大模型 | 任意 OpenAI 兼容 API | 不绑定单一模型，DeepSeek / GPT4o / Qwen 自由切换 | | 部署 | Docker Compose 一条命令 | docker compose up d build 即可拉起全栈 | 架构上的几个设计决策也值得注意：无状态 API：只有元数据库持有状态，API 本身不存会话状态——水平扩展友好，多实例部署天然安全。原子调度：后台任务（快照采集、预警评估）通过数据库原子领取，避免多实例重复执行。 WebSocket 流式生成：AI 回答和看板生成都是流式推送，切走页面也不中断。五、快速上手：从 0 到第一个看板，5 分钟够不够？ bash 一条命令 docker compose up d build 打开浏览器接下来的操作全在界面上完成： 1. 创建管理员账户 2. 添加数据源（支持 MySQL / PostgreSQL / Oracle） 3. 配置大模型 API（任选 DeepSeek、GPT4o、Qwen 等） 4. 开始用自然语言提问在线体验环境也已公开： / admin123），可以直接上手感受。六、适合什么样的团队？ | 团队画像 | 匹配度 | 原因 | |||| | 10200 人技术团队 | ★★★★★ | 规模适中，数据需求频繁但建不起专业数据团队 | | 数据分析师团队 | ★★★★☆ | 可作为自助 BI 门户开放给业务方，解放分析师生产力 | | SaaS / 电商 / 金融等数据密集型行业 | ★★★★☆ | 预警 + 看板 + 多数据源天然契合高频数据监控场景 | | 已有传统 BI 但使用率低的团队 | ★★★★☆ | 零学习成本切入，可作为传统 BI 的轻量补充 | | 超大规模企业（5000+） | ★★★☆☆ | 目前处于早期阶段，语义检索等功能仍在路线图中，但架构设计已为扩展做好准备 | 七、开源生态与路线图灵犀BI 采用 MIT ，目前在 GitHub 积极迭代中。路线图中值得关注的方向：基于 Embedding 的语义检索（进一步提升知识召回精度）飞书多维表格（Bitable）同步更多通知渠道（钉钉、企业微信、Slack）多架构 Docker 镜像（GHCR）凭据静态加密更多图表类型与看板模板八、写在最后 2026 年，AI 已经很擅长写 SQL 了——这不是新闻。真正有价值的问题是：有了 AI 生成的 SQL 之后呢？灵犀BI 给出的答案是：持续学习、团队协作、闭环行动。不是把 AI 作为一个"查询接口"塞进产品，而是让 AI 成为整个数据工作流的中枢——从问问题、到做看板、到自动预警、到分析总结，每一步都在沉淀知识，让下一次做得更好。如果你的团队正在经历"数据有但用不上"的困境，不妨试试灵犀BI。MIT 开源，Docker 一行命令部署，没有任何试错成本。 GitHub：联系作者：macrogroot@outlook.com

Original

DTResearch & learningDTData & operationsDTLinux

Weekly Submissions

—

Coaction 3.0 是一个开源的 JavaScript/TypeScript 状态管理库。它保留了 Zustand 风格简洁的 Store API，同时将自动渲染依赖追踪、缓存计算状态和“可变式写法、不可变结果”整合进同一套响应式模型。当应用需要扩展时，同一份 Store 还可以运行在 Web Worker 或 SharedWorker 中，为页面和多标签页提供统一的状态与 Action 执行能力。核心要点无需手写 Selector：React 组件通过 observer() 自动追踪渲染期间实际读取的字段，只在相关状态变化时重新渲染。计算属性自动缓存：直接使用 Getter 定义派生状态，依赖未变化时不会重复计算，无需额外使用 useMemo 或 Reselect。可变式更新，不可变结果：在 set() 中直接修改草稿状态，最终仍生成不可变状态，兼顾开发体验与可预测性。 Action 可运行在 Worker 中：共享模式下，Action 在权威 Store 所在的 Worker 执行，页面端读取本地镜像，并自动等待状态同步完成。可靠的共享状态协议：3.0 使用版本化的 JSON 通信协议，通过 authority epoch、连续 sequence、断线重连和完整同步处理并发与状态缺口。按需选择运行时：提供 coaction/local、coaction/shared 和 coaction/adapter 独立入口，普通单线程应用无需引入完整的共享运行时。保留显式控制能力：仍支持传统 Selector、自动 Selector Map 和手动声明依赖的 computed API。覆盖主流前端生态：支持 React、Vue、Angular、Svelte 和 Solid，并提供 Zustand、Redux、MobX、Pinia、Jotai、Valtio、XState、Yjs 等集成。适合渐进式采用：可以先作为普通的本地状态库使用，之后再根据架构需要迁移到 Worker、SharedWorker或多标签页共享模式。

Original

DTSoftware developmentDTWeb

Weekly Submissions

—