2026年7月24日大家都在做什么

—

RepoMirror，将 GitHub 仓库同步至本地文件夹树的 macOS 桌面应用

RepoMirror 是一款专注于将 GitHub 仓库或其中指定目录镜像同步至本地文件夹树的 macOS 桌面应用。它基于 Tauri 2、React、TypeScript 与精简的 Rust 后端构建。它特别适合正在本地积累 AI Agent Skills、提示词、扩展与开源工具的人：把真正会使用的项目保留在磁盘上，按自己的方式归组，不必再手动逐个检查几十个 GitHub 项目有没有更新。功能选择一个默认根目录。可展开的路径型文件夹组，例如 tools/browser。支持 GitHub 仓库链接与 tree/<branch/<path 目录链接。批量添加来源，并可自定义目标文件夹名称。每个条目独立设置镜像模式；每次写入前提供逐文件预览。手动同步单个条目，或按顺序同步全部条目。配置导入与导出、持久化浅色/深色外观；不存储账号或令牌。 RepoMirror 使用 Mac 上已有的 git 可执行文件与凭据。只要 Git 已能在此机器上认证，私有仓库也可正常使用。

DT桌面效率DT软件开发DTAgent 能力扩展

—

Markstream Family：面向 AI 场景的高性能多框架流式 Markdown 渲染器

此前在 9999 中投稿时，介绍重点还是 markstreamvue。现在项目已经发展为 Markstream Family：同一套面向 AI 流式 Markdown 的设计，已经覆盖 Vue、React、Angular 和 Svelte 生态。这次投稿主要补充多框架生态与性能设计。 GitHub：文档与框架导航：支持的框架 | 生态 | 包 | 适用范围 | 当前阶段 | | | | | | | Vue | markstreamvue | Vue 3、Nuxt、VitePress | stable，主线实现 | | React | markstreamreact | React、Next.js、Remix | beta | | Angular | markstreamangular | Angular 20+ standalone | alpha | | Svelte | markstreamsvelte | Svelte 5、SvelteKit | beta / experimental | 各框架包共享 Markstream 的流式解析思路和面向 AI 输出的 API，针对各自运行时提供组件化渲染能力。Vue 版本目前成熟度与文档最完整，其他框架包也已经发布并可使用，但仍在持续完善。面向 AI 场景 Markstream 不是只把最终 Markdown 一次性转成 HTML，而是面向正在生成的内容：LLM token 流、SSE / WebSocket 输出、AI 聊天长回答，以及未闭合的代码块、公式、表格和 HTML 中间态。它支持直接传入持续增长的 content，也支持在高频流式场景中传入预解析的 nodes。同时支持 Mermaid、KaTeX、代码高亮、Monaco、流式 diff 和自定义组件，适合需要富 Markdown 内容的 AI 产品。性能优势流式解析与缓存：提供带 source / token cache 的流式解析路径，减少持续追加内容时不必要的重复工作。稳定处理中间态：对未闭合 code fence、数学公式和 HTML 标签提供 loading、暂存或收敛处理，降低流式输出中的反复销毁、闪烁和布局抖动。长内容虚拟化：通过节点滑动窗口限制常驻 DOM 的内容量，控制长对话和大文档的 DOM、内存与更新成本。分批挂载与帧预算：关闭虚拟化时可以按批次、延迟和单帧预算逐步挂载节点，避免大段内容集中阻塞主线程。重型节点按需处理：Mermaid、KaTeX 和增强代码块可按视口优先级延迟离屏工作，图表与代码块支持渐进式更新，让文字内容更早可见。平滑输出策略：支持 smooth streaming pacing、代码块流式更新，以及突发大块内容下的降级方案，把 DOM 工作量保持在可控范围。项目提供真实浏览器 benchmark 与 Web Vitals 回归脚本，覆盖 LCP、CLS、settle time、帧间隔 p95、long task、DOM 节点数、重型节点 readiness 和滚动稳定性等指标，用于持续防止性能退化。如果只渲染短小、完整的静态 Markdown，普通 Markdown 工具可能更轻；Markstream 的优势主要体现在 AI 持续输出、未完成 Markdown、长回答和富内容节点这些场景。

DT商业与增长DT软件开发DT库 / SDK

—

为 AI 数据流动而生：Fluxon 分布式键值缓存、RPC、消息队列与文件对象缓存加速层

当 GPU 算力持续提升，AI 系统的瓶颈正在从单点算子扩展到数据面。推理服务需要跨请求、跨进程、跨节点复用 KV Cache、latent cache 和前缀缓存；训练流水线需要在异构资源池之间传递中间态；模型文件、样本数据和 Checkpoint 需要在远端访问、本地缓存和跨集群迁移之间稳定流动。传统做法往往为这些问题分别引入缓存系统、消息队列、文件系统、对象存储网关和可观测性链路。每套系统都有自己的连接、容量、回收、路由和可观测性逻辑。随着模型规模、并发请求、训练流水线和数据集规模继续增长，数据面开销会持续膨胀，逐渐吞噬 CPU、I/O、内存和运维精力。 Fluxon 是面向 AI 训练与推理数据面的存传一体分布式系统。它将分布式键值缓存、RPC、消息队列和兼容 S3 的文件对象缓存加速层汇聚到同一套数据面加速底座中，让上述高频数据对象复用统一的缓存、传输、租约、容量治理和可观测性能力。缘起：从 VAE 弹性解耦的阵痛说起 Fluxon 最早的工程动机之一，来自 VAE 解耦异构训练中的跨资源池数据交接。我们希望让 Producer 与 Consumer 分布在不同资源池中独立扩缩容，通过中间态 Payload 完成异步交接，而不是让训练组件被固定通信组重新绑定。在这个场景里，NCCL 的边界非常清晰。它是固定成员集合内同步集合通信的利器，适合训练进程组内部的高性能通信；但面对动态成员、异步交接、背压、消息保活和跨资源池弹性调度时，固定成员通信模型会将原本希望解耦的训练组件重新耦合在一起。我们也尝试过将 MooncakeStore 这类面向 KV Cache 的高性能传输与缓存方案用于训练流水线中的大 Payload 搬运。它在特定缓存场景下有明确价值，但直接泛化为通用 AI 训练数据面时，会暴露出新的工程约束：高负载和长稳验证下，底层内存生命周期与传输状态一旦处理不完整，业务侧可能看到进程崩溃或任务中断。当 RDMA 网络发生抖动时，若缺乏向 TCP 等路径自动切换的兜底机制，训练流水线往往难以自愈；此外，若底层异常无法被稳定捕获并向上游透传，Producer / Consumer 容易陷入状态不一致、长时间阻塞或重复排查。这些经历让我们意识到，AI 数据面不能只追求某一段传输链路的峰值性能。它还必须具备严谨的错误传播、高可用的网络兜底、统一的对象生命周期管理，以及能够支撑业务动态加入退出的资源治理模型。既然现有方案难以同时覆盖弹性解耦、高性能搬运和故障兜底，Fluxon 选择从数据面加速底座重新设计这条路径。为什么需要统一 AI 数据面 AI 负载里的数据对象正在变得更大、更热、更频繁地跨边界流动。推理侧的高频缓存不再只是单进程内的临时对象。多副本推理服务、世界模型、多模态模型和长上下文场景下，这些缓存经常需要跨请求、跨进程、跨节点复用。若各实例独立管理缓存的驻留、回收与传输，显存与内存极易因数据冗余与重复驻留而迅速耗尽。训练侧的数据流也在变复杂。以 VAE 解耦异构训练为代表的跨资源池 Producer / Consumer 交接场景，会让 Producer 和 Consumer 分布在不同机器、不同资源池甚至不同子集群。若中间态 Payload 只能依赖传统 MQ、文件落盘或对象存储跨系统流转，数据链路会被拉长，容量治理也会更难。存储侧同样如此。高分辨率视频、轨迹样本、模型文件和 Checkpoint 需要同时支持远端访问、本地缓存、S3 转发和跨集群迁移。如果文件对象缓存和 KV 缓存分裂成两套系统，大对象会在多个系统之间反复拆分、复制、落地和重新索引。 Fluxon 关注完整的 AI 数据面生命周期：对象如何分配，放在哪里，怎么跨节点传输，什么时候驱逐，业务进程如何接入，问题发生时又如何定位。为什么“拼图式” AI 数据面走向瓶颈？传统 AI 数据面常见的拼法是：高频缓存用一套 KV 或自研缓存，中间态交接用 MQ 或对象存储绕一圈，文件数据再接入一套文件系统或对象缓存，可观测性系统单独采集每个组件的状态。这种方式在早期能快速拼出功能，但系统规模扩大后会暴露几个问题。第一，局部场景经验难以迁移。 MooncakeStore 针对 KV Cache 场景给出了专用设计，将缓存语义和 RDMA 传输绑定在特定路径上。面对更泛化的数据面场景，底层传输和容量治理很难直接平移。第二，资源统一管控和调度不够彻底。框架级缓存，例如 SGLang 的 L2，保留框架内索引以提供最低延迟访问；外部缓存，例如作为 L3 的 MooncakeStore，则负责跨实例复用。但这两层往往同处单机 CPU 内存，L2 内存难以进入统一索引、放置和驱逐治理，也会增加缓存穿越和对象交接开销。第三，本机进程间缺少共享内存快路径。以 MooncakeStore 作为 L3 接入为例，数据通路通常按 RDMA / TCP 组织，适合跨节点池化和远程预取。但若同机 Worker 或 Producer / Consumer 无法直接接入共享内存数据面，对象交接仍会绕行网络传输协议栈。第四，缺少动态弹性的 AI Infra 通信平面。 NCCL 等集合通信库是固定成员集合内同步通信的利器；以 VAE 解耦异构训练为例，跨资源池 Producer / Consumer 交接需要动态成员、异步交接、背压、消息保活和大 Payload 放置。固定成员通信模型会重新耦合训练组件，并放大连接和故障恢复复杂度。第五，业务进程和数据面资源治理耦合。业务进程动态启动、退出、扩缩容或异常时，如果它同时承担容量贡献、对象生命周期和跨节点连接，数据面容量和连接拓扑都会跟着业务生命周期波动，影响缓存复用、故障恢复和运维判断。第六，对象生命周期难以统一收口。缓存、消息和文件对象访问各自维护引用、租约、驱逐、路由和回收状态时，团队很难在一个地方判断对象是否仍被消费、何时可以释放、何时需要迁移或重建索引。组件越多，状态越容易散落在业务框架、缓存层和传输层之间。第七，可观测性（Observability）链路割裂。缓存命中、Owner 队列、传输路径、对象物化和业务进程延迟如果分散在不同系统中，性能问题发生时很难快速定位瓶颈。团队往往只能在多套指标和日志之间拼凑线索，排查成本会随组件数量上升。 Fluxon 的设计就是围绕这些问题展开：将数据面资源、对象生命周期、跨节点传输和业务接入分别抽象，再纳入数据面加速底座统一治理。 Fluxon 的方案 Fluxon 基于存传一体的数据面加速底座，向上提供三类入口： | 入口 | 面向场景 | 能力定位 | | | | | | 分布式键值缓存 / RPC | 推理缓存、状态共享、服务间调用、张量对象复用 | 统一键值读写与节点间 RPC，服务高频状态缓存与张量对象复用 | | 消息队列 | 跨资源池 Producer / Consumer 中间态交接（例如 VAE 解耦异构训练）、数据处理流水线 | 动态弹性的 AI Infra 通信平面，复用键值缓存数据面承载大 Payload | | 文件对象缓存加速层 | AI 数据、模型文件、Checkpoint、远端对象访问、S3 转发 | 兼容 S3 的文件对象缓存加速层，并与 KV/MQ 复用数据面加速底座，让张量、消息 Payload 和文件对象进入统一缓存与加速路径 | 三类入口共同复用同一套缓存、传输、租约、容量治理、对象生命周期和可观测性能力。这意味着，上述场景里的高频数据对象都可以在同一套数据面加速底座中获得统一的缓存与加速。各类 AI 负载不需要分别建设多套数据面路径。在同机资源治理上，Fluxon 更倾向于按真实物理资源组织缓存层级。同机 CPU 内存应优先进入共享内存和统一对象生命周期治理，减少业务框架里人为划分 L2 / L3 带来的额外链路；跨机、跨集群与远端对象访问，才应走分布式传输路径。这也是 Fluxon 和单点缓存、单点消息队列、单点文件接口最大的区别：Fluxon 的核心是数据面加速底座，API 是这套底座面向不同场景暴露出来的入口。架构分层：明确角色定位 Fluxon 将控制面、数据面资源与业务接入抽象为三类核心角色。这种分层不仅实现了资源治理与业务生命周期的解耦，也为 AI 数据面在大规模集群下的水平扩展（Scaleout）扫清拓扑与连接瓶颈。 Master（控制面）统一管控内存分配（Allocation）、对象放置、驱逐、路由和租约。它将关键决策收敛至控制面，确保多进程、多节点场景下对象生命周期的一致性，保障内存的精准回收。 Owner Client（数据面资源提供者）作为常驻节点贡献共享内存池，并承载 Owner 间的跨机通信。业务进程接入本机 Owner，由 Owner 完成跨机传输。这种本地代理 + 跨机骨干的结构，避免了业务进程直接互联带来的连接风暴。跨机连接被严格收敛在 Owner 之间，集群规模扩大时，网络拓扑复杂度、路由状态和数据搬运路径都更容易保持可控。 External Client（业务接入层）承载推理服务、MQ Producer / Consumer、FluxonFS、FluxonOps 等动态接入，不贡献集群容量。由于 External Client 不提供物理容量，业务侧的频繁启停、异常重启或弹性扩缩容，不会直接引发数据面的容量迁移与 Rebalance 震荡。计算服务的弹性与数据底座的稳定被隔离开，业务层也更容易实现无状态水平扩展。这三个角色共同构筑了 AI 数据面的底层稳定性与可扩展性：Master 作为决策者收敛全局状态，避免对象放置、路由和回收逻辑散落在业务进程里；Owner Client 作为提供者与承载者固化物理容量和跨机骨干，将跨机连接控制在数据面资源层；External Client 作为接入者承载弹性业务负载，而不扰动底层拓扑。边界一旦厘清，Fluxon 就能在不牺牲单机快路径的前提下，让缓存、消息与文件对象访问真正复用同一套可水平扩展的数据面加速底座。数据通路：本机共享内存、跨节点 P2P 与自动中继 Fluxon 同时覆盖本机对象交接、跨节点对象流动和复杂网络拓扑下的中继转发。本机路径上，业务进程优先接入 Owner 的共享内存池，通过 SHM / Busy Polling / Epoll UDS 降低对象交接成本。高频数据对象可以减少不必要的复制和重建。跨节点路径上，Owner 之间通过 P2P 传输数据，按部署选择 RDMA、TCP、QUIC 等路径，并支持跨节点、跨子集群的自动中继转发。当源 Owner 与目标 Owner 不能直接按理想链路互通时，数据面可以经由中继路径继续完成传输。业务进程不需要理解复杂网络拓扑，只需要接入本机 Owner；跨机数据搬运收敛到 Owner 间路径。这样的分层架构减少了业务进程之间的跨机连接扩散，也进一步提高了系统的可扩展性。这条设计让 Fluxon 可以同时服务单机内多进程复用、集群内跨节点复用和跨集群数据流转。前者关注共享内存和对象交接，后者关注连接收敛、路由自适应和跨机传输。底层引擎：用 Rust 构筑低开销、可控的数据面加速底座 GPU 算力的跃升与集群规模的扩大，让 I/O 与 CPU 逐渐成为 AI 系统里的显性瓶颈。连接处理、协议编解码、高并发传输、共享内存管理和可观测性采集都位于数据面热路径；若这些热路径充斥着解释执行、运行时调度、跨语言边界拷贝以及不受控的内存复制，GPU 侧节省下来的时间很容易被数据面开销吞噬。 Fluxon 将这些关键路径交给 Rust 实现，目标是把并发安全、内存生命周期和系统调用边界纳入更强的工程约束。并发能力：CPU 密集型路径不受 GIL 约束，更容易充分利用多核资源。延迟可控：没有 GC 停顿，减少热路径里的不可预测抖动。长稳安全：用所有权、生命周期和类型系统约束共享内存、连接状态和对象引用。代码可审计：强类型接口和明确状态机让底层数据面更容易被人工和工具审查。这种系统级底层掌控力，是支撑各类高频数据对象在同一套数据面加速底座上高效、安全流转的基础。对底层数据面来说，这比单纯追求某个接口的峰值性能更重要。统一可观测性（Observability） Fluxon 的可观测性底座选择了同样由 Rust 构建的 GreptimeDB。这与 Fluxon 的底层哲学高度契合：GreptimeDB 将 Metrics、Logs、Traces 三大可观测性支柱统一收敛于单一引擎，正如 Fluxon 将缓存、消息和文件对象访问统一收敛于同一数据面加速底座。基于 Prometheus 协议采集指标，结合链路追踪与结构化日志，Fluxon 内置 GUI 直观呈现集群拓扑、成员状态、关键延迟与队列深度。对数据面系统而言，可观测性不是锦上添花，而是治理能力的延伸。只有当问题能被精准定位到 Owner、External Client、传输路径、队列等待还是对象处理阶段，数据面底座才算真正可治理。统一的可观测性，正是 Fluxon 闭环数据面加速底座的关键一环。 FluxonKV：分布式键值缓存与 RPC 共用数据面加速底座 Fluxon KV/RPC 面向世界模型推理缓存、状态共享、服务间调用和张量对象复用。在多视角潜在空间预测、状态外推、前缀缓存复用等场景下，它覆盖更通用的 AI 数据面，范围超过单一 KV Cache 场景。 KV 和 RPC 共用同一套参数组织、缓存和通信路径。状态存储、对象复用和服务间调用不需要分别建设两套路径；高频调用和大对象复用可以在同一个角色模型里完成。读路径上，Fluxon 优先命中本地快路径，并在后台异步推进元数据同步。系统通过热点复用减少多级缓存的重复驻留与内存浪费，并借助批量回收策略将零散的控制面交互收敛为批量操作，削减控制面流量与计算开销，进而提升系统整体吞吐与长稳表现。对推理系统来说，这意味着各类高频状态缓存、张量对象和服务调用可以进入同一套数据面加速底座，不必在缓存系统和 RPC 系统之间反复转换。 FluxonMQ：动态弹性的 AI 数据流通信平面 Fluxon MQ 面向跨资源池 Producer / Consumer 中间态交接和数据处理流水线，VAE 解耦异构训练是其中一类典型场景。当 Producer 和 Consumer 分布在不同机器、不同资源池甚至不同子集群时，MQ 负责将消息保活、容量治理和跨集群放置汇聚到统一消息层。传统 MQ 多基于 TCP 与磁盘日志构建，其设计初衷并非面向大 Tensor Payload，因而缺乏原生的 RDMA 高速数据通路。面对几十 MB 甚至 GB 级中间态时，通用 MQ 很难同时满足低延迟交接、容量治理和高带宽搬运。 NCCL 这类集合通信适合固定成员集合内的同步通信；跨资源池 Producer / Consumer 交接需要动态成员、异步交接、背压、消息保活和大 Payload 放置。MooncakeStore 等优秀的专用缓存系统在 KV Cache 复用上表现卓越，但其核心的缓存驱逐语义，天然难以直接平替 MQ “消息未消费前必须保留”的语义诉求。它们的传输路径也通常依赖部署侧对 RDMA / TCP 的选择，难以承担数据面加速底座中的自动兜底、跨集群中继和弹性交接。这里的核心设计哲学在于：控制面做轻，仅保留消息壳、成员拓扑与 Offset；数据面做重，大 Payload 直接复用 KV 数据面进行搬运。这意味着，Fluxon 无需为消息队列另建第二套大对象传输链路。 Producer / Consumer 作为 External Client 动态加入，不改变集群容量。它们可以按业务负载扩缩容，而 Owner 仍然作为常驻数据面资源提供者保持稳定。 Lease 把消息保活绑定到消息通道，消费前的数据保留有明确时间边界。跨资源池和跨子集群场景下，Payload 放置可以结合消费侧位置，尽量缩短预取链路。 FluxonFS：兼容 S3 的文件对象缓存加速层 Fluxon FS 的定位是兼容 S3 的文件对象缓存加速层。它面向 AI 数据、模型文件、Checkpoint、高分辨率视频和轨迹样本，覆盖远端访问、缓存命中、S3 转发和跨集群迁移。 FS 的关键在于复用 KV/RPC 的缓存与通信能力。文件被切成 KeyValue 片段，进入 Fluxon 的缓存、传输和容量治理路径。这样，文件、对象和 KV 缓存从三套割裂系统收敛为数据面加速底座的不同入口。对 AI 数据平台来说，这条路径可以降低这些文件数据在远端访问、本地缓存和跨集群迁移之间切换的成本。上层仍然面向文件对象语义，下层则复用统一的数据面能力。 Benchmark 当前公开 Benchmark 图表覆盖 RPC、KV 和 FS（文件对象缓存加速层）三类路径。以下数据基于特定测试场景生成，重点呈现不同数据路径上的架构收益和性能边界。注：Benchmark 数据基于特定拓扑与 Payload 规模生成，实际业务收益受网络环境、对象大小及访问模式影响。 RPC Benchmark RPC Benchmark 比较 ZeroRPC、Fluxon TCP Thread 和 Fluxon RDMA 在 4 KB echo Payload 下的吞吐与端到端延迟。图中可以看到，Fluxon 的 RPC 路径在 P1 和 P8 面板下都显著降低延迟，并提升聚合吞吐。这个结果对应服务间调用路径。它说明 RPC 与 KV 共用的参数组织、路由和通信底座可以承载高频小 Payload 调用；实际业务处理函数的端到端耗时还会受到应用逻辑影响。 KV Benchmark KV Benchmark 展示 READAFFINITY、READZIPF 和 PUTONLY 三类场景。读多场景是当前公开结果的优势区间，尤其适合解释本地性、热点对象复用和跨节点对象定位带来的收益。在纯写 PUTONLY 场景下，当前性能约束主要集中在处理中元数据判重路径，而非 Payload 传输本身。这也是后续优化的核心方向之一。 FS Benchmark（文件对象缓存加速） FS Benchmark 比较 Fluxon FS 与 Alluxio，覆盖缓存预热条件下的小文件读、大文件读、小文件写和大文件写。图中最突出的区间是大文件写；小文件读取已表现出优势，大文件读取性能基本持平，小文件写入性能仍有进一步优化的空间。这组结果对应文件对象缓存加速层。Fluxon FS 的收益来自复用 KV/RPC 数据面，但小文件写仍会受到上层打开、写入、关闭和提交流程影响。为什么开源 Fluxon 开源的是一套面向 AI 数据面的完整数据面加速底座：Rust 核心实现、Python 接口、分布式键值缓存、RPC、消息队列、兼容 S3 的文件对象缓存加速层、部署工具链、测试栈和 Benchmark 都在同一个项目里组织。我们希望开发者能直接看到 Fluxon 如何组织控制面、数据面、业务接入、可观测性和测试，并理解这些接口背后的数据面加速底座。AI 基础设施正在从单模型、单服务、单集群走向更复杂的数据流动形态，缓存、消息和文件对象访问都需要重新放回同一条数据面链路里思考。 Fluxon 选择 Apache License 2.0 开源，希望和社区一起推进 AI 推理缓存、异构训练、文件对象缓存、跨节点传输、共享内存、Rust 数据面和可观测性体系的演进。下一步 Fluxon 仍在快速演进。短期内，我们会继续优化 KV Cache 在 SGLang 中的集成。为了满足 L2 对极低延迟访问的要求，接口层也会出现一些新增能力，让框架内索引、本机共享内存和数据面加速底座之间的协同更加直接。目前我们最新内部版本已经相比 SGLang+Mooncake baseline 形成了50%的吞吐优势。更长期看，Fluxon 希望成为 AI 系统里的数据面加速底座：让各类 AI 负载的数据对象和跨节点传输收敛到同一条可治理、可观测的路径中。我们期望算法工程师与模型服务开发者能将更多精力投入模型创新本身，而不是在底层数据流转的重复建设与被动补丁中反复消耗。Fluxon 愿意成为这块数据面加速底座，支撑 AI 时代更复杂、更自由的数据流动。 Fluxon 由中国电信人工智能研究院（TeleAI）AI Infra 团队研发，由中国电信首席科学家李学龙教授带领。Fluxon 已基于 Apache License 2.0 开源，GitHub AI 推理缓存、异构训练、Rust 数据面和分布式系统感兴趣的开发者参与。

DT安全与测试DT研究与学习DT库 / SDK

—

docs(issue 405): fix typo

暂无项目介绍。

—

告别画图软件！Tier List Maker：几秒钟把你的脑洞变成精美图表 📊

DT研究与学习DT桌面效率DT内容 / 资源

—

PDFtoWord让你告别无意义的复制粘贴

DT研究与学习DT商业与增长

—

Imagecolorpicker.io —— 超好用的在线取色神器

如果你是设计师、UI/UX从业者、内容创作者或喜欢配色的普通用户，Imagecolorpicker.io 绝对值得收藏！这款免费在线工具能让你从任何图片中瞬间提取精确颜色，再也不用为“这个颜色到底是什么代码”而烦恼了。🚀 核心功能一览：智能图像取色：支持上传照片、截图、粘贴图片或输入URL，秒级加载。精准颜色提取：点击图片任意位置，即可获取 HEX、RGB、HSL、HSV 等多种格式，一键复制！✨ 实时悬停预览：鼠标滑过就能实时看到颜色值，超级方便。调色板构建：将喜欢的颜色加入调色板，一键导出文本文件或本地保存。全浏览器运行：无需安装、无需注册，数据不离开你的设备，安全又快捷。突出优势：相比传统吸管工具，Imagecolorpicker.io 操作极简、速度飞快，支持多种图片格式（PNG、JPG、WebP等），还能处理网站截图和远程图片。颜色提取精度高，适合需要严谨品牌色匹配的设计场景。它真正做到了“所见即所得”，大大提升了工作效率！⏱️ 适合人群：平面设计师 & UI设计师（快速提取灵感色）前端开发者（调试网页配色）短视频/自媒体创作者（统一品牌视觉）装修爱好者、画手、电商运营等任何需要配色的人总之，这是一款轻量、强大、免费的实用工具，能帮你告别繁琐的颜色转换过程，让创意流动得更顺畅！💡

DT内容创作DT软件开发DTWeb 应用

—

fix: filewizard project link

暂无项目介绍。

—

linqq-handwritten annotation：给 Obsidian 笔记添加手写风格批注

linqqhandwritten annotation，一个给 Obsidian 添加彩色手写风格批注的开源插件，还原在纸质书上写批注的感觉，，能让md变得更加生动。适合经常使用 Obsidian 阅读资料、整理研究笔记、修改文章、提炼观点的用户。插件实现的效果：

DT研究与学习DTSkill / 插件

—

日本地铁主题日语打字游戏、支持在线实时对战-「免费」

暂无项目介绍。

DT生活与娱乐

—

Seedream 5.0 Pro：面向创作者和团队的专业级 AI 图像生成器

大家好，我想自荐一下我们最近在打磨的 AI 图像生成工具 Seedream 5.0 Pro，主要面向内容团队、设计师、电商卖家和需要高质量视觉素材的个人创作者。一、这是个什么工具？ Seedream 5.0 Pro 是一个基于多模态大模型的在线 AI 图像生成平台，更偏向「能直接用于工作」的专业视觉生产，而不是随便玩玩的图片生成器。它擅长理解复杂的文字描述和参考图，输出可直接用于广告、信息图、产品图、电商详情页、Pitch Deck、社媒素材等场景的成品图片。简单理解：你给它一段接近「设计 Brief」的描述，它给你一张尽量能直接拿去用的图。二、适合谁用？需要大量制作 Banner / 海报 / 详情页的运营、市场、电商团队需要快速出概念图、分镜、排版示意的设计师和创意团队需要讲复杂内容、做教程或报告的教育工作者、自媒体、B2B 团队想用 AI 改图、抠图、做风格统一视觉的个人创作者、自由职业者三、主要功能亮点 1. 高密度信息图 & 教学图支持生成时间轴、流程图、示意图、竖版科普海报等高信息量排版，能比较好地组织标题、小节、图标和说明文字，适合做教程、课程、知识卡片。 2. 标注驱动的「精修级」改图可以上传原图，然后在图上画框、打点、画箭头做标注，再在文案里用 @ 引用这些标注，精确描述「这一块要改」「那一块保持不变」，做局部替换、构图微调、风格统一、人物/产品细节修改等。 3. 更接近实拍质感的照片风格对光影、材质、皮肤、金属、玻璃、水滴等细节有比较强的还原能力，可以做产品广告图、人物写真风格图、电影感场景等，更适合「真的要给客户看」的场景。 4. 原生多语言生成支持多语言文案和排版，比如英文、中文、日文、西班牙文等，可以直接做本地化海报、社媒图、活动 KV，再人工校对文字。 5. 更偏「一张打磨好的图」的工作流 Pro 模型一次只出 1 张图，更适合把一张图反复打磨到可用，而不是一次性刷很多随机候选。四、计费和使用方式我们目前提供几档方案，适合不同强度的使用频率： Free 免费试用：注册即可得到一次性试用积分，用来体验 Seedream 4.5、5.0 Lite 和 5.0 Pro，适合先感受一下质量和工作流。 Starter：面向低频个人创作者，每月固定积分，用来稳定输出少量高质量图片。 Creator / Studio：面向内容团队、电商店铺和代运营公司，每月更多积分，方便支撑活动期的大批量制作。所有付费计划都支持访问 Seedream 5.0 Pro / 5.0 Lite / 4.5，且可下载生成历史，不额外加平台水印。五、和「一般 AI 画图网站」的差异更强调「排版结构」和「信息密度」，适合信息图 / 教学内容 / B2B 内容营销；对参考图和标注的支持更细：可以指定哪些元素必须保留，哪些允许替换；支持多语言本地化布局，方便做一份设计、多语言版本；重点优化了「一张能用于投放或提案的图」，而不是海量随机风格探索。六、使用链接和体验入口 Seedream 5.0 Pro：在线生成与试用入口（进入后选择 5.0 Pro 模型即可）非常欢迎大家用真实的工作流来「虐一虐」它，比如：把你现有的一张海报或产品图上传进去，用标注+文案的方式改版；试着用一段接近 Brief 的长 prompt 让它生成信息图或竖版科普海报；用不同语言做同一个活动的多语版本，再对比版式和可读性。如果你在使用过程中遇到任何问题，或者有希望优先优化的场景，也欢迎随时反馈，我们会根据真实用例持续迭代。

DT内容创作DT研究与学习DTWeb 应用

—

PeekTok，免费匿名浏览TikTok个人主页，播放/下载无水印视频

Peektok 是一款免费的 Web 工具，无需登录 TikTok 账号即可浏览公开的 TikTok 用户主页和视频。你可以查看用户头像、个人简介、粉丝数量以及最新发布的视频；支持直接在网页中播放任意公开视频，并查看完整的互动数据，包括播放量、点赞数、评论数和分享数。无需安装 App、无需登录、无水印播放。Peektok 不会存储用户搜索内容——搜索词在记录日志前会先进行哈希处理，同时也不会向被查看的用户发送任何浏览通知。仅支持浏览公开账号，可在任意浏览器中使用，目前支持 5 种语言。

GitZip Pro 是一款开源的浏览器扩展，用于从 GitHub 仓库中选择并下载指定的文件和文件夹。官方网站：已上架三大浏览器应用商店： Chrome Web Store: Edge Addons: Firefox Addons: GitZip Pro 的开发灵感来自 GitZip for GitHub，并向它最初提出的优秀理念致敬：让用户可以轻松下载 GitHub 仓库中真正需要的部分。在此基础上，GitZip Pro 提供了更加完整的“Pro”级下载体验，包括私有仓库支持、浏览器本地 ZIP 打包、下载历史与统计、<del智能忽略规则、</del文件大小显示、自定义文件名、界面个性化以及更多工作流程增强功能。功能 GitZip Pro 会在 GitHub 仓库文件列表中添加选择框。选择一个或多个文件和文件夹后，即可将它们下载为 ZIP 压缩包，同时保留仓库原有的目录结构。你也可以通过浏览器右键菜单快速下载单个文件或文件夹，无需克隆或下载整个仓库。功能：直接在 GitHub 页面选择多个文件和文件夹将选中的内容下载为 ZIP 压缩包保留仓库原有的目录结构通过右键菜单下载单个文件或文件夹直接在浏览器本地创建 ZIP 压缩包匿名访问和下载公开仓库可选择连接 GitHub，以提高 API 限额并访问私有仓库使用仓库名、分支、路径和日期等变量自定义 ZIP 文件名 <del使用内置预设或自定义忽略规则排除不需要的文件</del 可选择在仓库页面显示文件大小查看存储在本地的下载历史和统计信息配置下载完成通知和可选提示音自定义主题、强调色和下载按钮位置遇到临时网络错误或 GitHub API 限流时自动重试自动适配 GitHub 页面导航，无需手动刷新页面其他开源并上架三大浏览器应用商店，欢迎试用~

DT数据与运维DT软件开发DTWeb 应用

—

Satteri

一个 JS 的 Markdown 引擎，使用 Rust 语言开发，可以快速把 Markdown 语法转为 HTML，提供众多插件。

语言RustDT软件开发DTSkill / 插件原始工具

—

AsteroidOS

智能手表的开源操作系统，不基于安卓，而是基于 Linux。

DTLinux原始工具

—

GNU TeXmacs

一个跨平台的桌面编辑器，主要用于编写科技文档，提供数学内容的“所见即所得”。

开源的代码片段美化工具，在线试用。

DT软件开发原始工具

—

Email Builder

邮件模板的 React 拖拽编辑器，在线试用。

语言TypeScript原始工具

—

窗口交换

（WindowsSwap）

原文

DTWindows原始资源

—

从零开始构建 Redis

（英文）

原始资源

—

CSS Flexbox Playground

一个练习 CSS Flex 布局的网站，可以调整各种参数，实时预览效果。

DTWeb 应用DTWeb原始资源

—

free-stockdb：本地股票量化数据引擎，开箱即用，日K分钟K与ETF分钟数据并发请求+批量计算

C++ 30分钟构建本地量化数据库，开箱即用，日K分钟K与ETF分钟数据并发请求+计算 freestockdb 旨在解决传统量化数据 API（如 TuShare、BaoStock 等）常见的远程频率限制、网络波动、ip封禁、查询延迟以及无法批量。项目提供了一个高性能、本地优先（LocalFirst）的量化数据底座。定制的c++股票时序引擎，原生集成：批量查询+批量计算+多接口调用+一键同步+增量更新，避免反复造轮子。亮点 freestockdb一键启动的量化数据底座。对比：个人重新造轮子【需要35天(老手)】：需要解决数据下载，数据清洗，复权处理，存储设计，指标计算，板块映射，接口对接 freestockdb造好的轮子【30分钟】 ❤️双击更新双击启动直接调用5种接口对比挑战： freestockdb查询5000只股票，半年数据，30+指标计算，单行代码，一次性拿到。其他：在线api做不到。本地想做到，老手3天打底+解决n个bug。 1、数据：一个getdata，数秒内读取，全市场7000+只，长周期，多类别，多种复权数据，多fields筛选。 python result = getdata( code=7000codes, 7000+ 股票 / ETF start=anystart, 任意时间周期 end=anyend, frequency=anyfrequency, 分钟 / 日 / 周 / 月 fq=anyfq, 前复权 / 后复权 / 不复权 fields=anyfields, 任意单多字段筛选 asdf=False/True 返回list、dict、 DataFrame ) 2、指标: 一个 zb.get()，数秒内完成全市场7000+只，39种指标与5种指数计算 python result = zb.get( name="ma,kdj,macd,....", 同时计算39指标 / 5种指数计算 codes=7000codes, 单股 / 批量 / 全市场 start=anystart, 任意时间范围 end=anyend, frequency=anyfrequency,, 分钟 / 日 / 周 / 月 fq=anyfq, 前复权 / 后复权 / 不复权 n=["5,10,20", None, "12,26,9"], 每个指标独立参数 cross="withvalue" 原始指标 / 金叉信号 / 二者同时返回 ) 3、板块：一个 bk.get()，毫秒完成股票与板块/概念双向建模输出 python result = bk.get( x=codeorboardorcodes, 股票代码 / 板块名称或代码 / 批量股票 category=03, 概念板块 / 申万一级 / 申万二级 / 申万三级 fields="code,name,symbols" 任意单多字段筛选 ) 截图或演示视频演示：

DT数据与运维DT软件开发DT内容 / 资源

—

IM-Server 千万级分布式即时通讯系统

Java 基于 Netty + Protobuf 的千万级分布式 IM 系统基于 Spring Boot 3.5 + Netty + Protobuf 的分布式即时通讯系统，采用 Spring Cloud 微服务架构，支持单聊、群聊、好友管理、离线推送等核心功能。技术亮点包括：自定义 TCP 协议编解码、Redis 集群消息路由、策略模式多厂商推送适配（极光/华为/小米/APNs）、双层鉴权链路设计、XXLJOB 分布式定时任务。JDK 21 最新技术栈，模块拆分清晰，适合作为微服务架构的学习参考项目。亮点 1. 自定义 TCP 协议：魔数校验 + Protobuf 编解码 + 长度域解决粘包拆包 2. Redis 集群消息路由：用户节点映射 + Pub/Sub 跨节点转发 3. 策略模式推送适配：统一 PushChannel 接口，极光/华为/小米/APNs 热插拔 4. 双层鉴权链路：Gateway JWT 校验 + 业务服务 XUserId 防内网绕过 5. JDK 21 最新技术栈，模块拆分清晰，适合作为微服务架构学习参考 markdown 截图或演示视频

DT研究与学习DT软件开发

—

iCloud 与 Google Photos的开源替代方案

JS 把手机照片和视频自动增量同步到桌面的开源工具 Lynavo Drive 是一个基于局域网的开源媒体同步工具，将 iOS/Android 手机上的照片和视频自动增量同步到 macOS/Windows 桌面。它通过 mDNS 发现设备，再用二维码或六位配对码完成配对，支持可恢复传输与共享目录浏览，适合重视隐私、希望摆脱云端服务的个人用户。亮点本地优先：前台局域网同步无需登录或云端账号，数据直接留在自己的设备。自动增量：扫描手机媒体库，只处理未同步内容；移动端保持前台时，断线或桌面唤醒后可以继续未完成队列。跨平台：移动端覆盖 iOS/Android，桌面端覆盖 macOS/Windows，并提供 React Native、Electron 和 Go 组成的开源实现。实用的共享能力：可以浏览和下载桌面端暴露的本地共享目录，并导出桌面和移动端诊断信息。该项目是桌面端与移动端应用，主要通过图形界面完成配对和同步。截图或演示视频项目主页：产品预览：

DT软件开发DT桌面应用DTmacOS

—

CLI Schema：命令行程序的开放描述规范

类别：人工智能一个为命令行程序定义机器可读描述格式的开放规范命令行是最常见的可编程接口，但 help 文本只给人看，AI agent 调用 CLI 时只能靠猜参数。CLI Schema 定义了一份机器可读的 JSON 文档，完整描述一个 CLI 的命令树、参数、默认值、破坏性和确认要求。CLI 作者随二进制发布这份文档后，AI agent、IDE、shell 补全和文档生成器无需运行程序即可彻底理解它。规范本身 CC0 授权，已有官方 TypeScript SDK，Python 集成也在进行中。目前非常早期，适合关注与参与。亮点：安全语义是一等公民：intent.destructive、requiresConfirmation、confirmationSkip、dryRun 等字段让 agent 在执行前就知道命令危不危险，而不是事后猜。双发现机制（schema metacommand + 二进制旁的 .clischema.json sidecar 文件）支持不启动进程读取，对沙箱环境友好。与 MCP 面向新工具服务不同，它面向现存几十万个 CLI，两者互补不冲突。 json { "schemaVersion": 1, "name": "gh", "version": "2.45.0", "namespaces": [{ "segment": "repo", "commands": [{ "name": "delete", "summary": "Delete a GitHub repository", "intent": { "destructive": true, "requiresConfirmation": true, "requiresAuth": true }, "parameters": [{ "role": "confirmationSkip", "name": "yes", "type": "boolean" }] }] }] } 截图或演示视频：官网及规范示例

DT软件开发DTAgent 能力扩展DT命令行工具

—

Snake PC Info - Windows 硬件信息检测工具

Python Snake PC Info 开源的 Windows 硬件信息检测工具一个基于 Python + PyQt5 的 Windows 硬件信息检测工具，支持 CPU、内存、磁盘、S.M.A.R.T.、GPU、网络等全面检测，并新增硬件日志分析功能（扫描 Windows 系统事件日志中的硬件错误和警告）。内置 Python 环境，无需额外安装，开箱即用。亮点全面硬件信息检测 + 系统事件日志分析时间范围筛选：1天 / 3天 / 7天 / 30天一键导出 TXT 报告中英文切换 + 暗色/亮色主题内置 Python 环境，无需安装 markdown import json import os class TranslationLoader: """ 翻译加载器（单例模式）负责加载 locale/ 目录下的 JSON 语言文件 """ instance = None data = {} eventdata = {} currentlang = 'zh' def new(cls): if cls.instance is None: cls.instance = super().new(cls) return cls.instance def init(self): 避免重复初始化 if not hasattr(self, 'initialized'): self.initialized = True self.data = {} self.eventdata = {} self.currentlang = 'zh' def loadlanguage(self, lang='zh'): """ 加载指定语言的 JSON 文件 lang: 'zh' 或 'en' """ self.currentlang = lang localedir = os.path.join(os.path.dirname(file), 'locale') 加载界面文本 uifile = os.path.join(localedir, f'{lang}.json') if os.path.exists(uifile): try: with open(uifile, 'r', encoding='utf8') as f: self.data = json.load(f) except Exception as e: print(f"[TranslationLoader] 加载 {uifile} 失败: {e}") self.data = self.loadfallback('zh') else: self.data = self.loadfallback('zh') 截图或演示视频

DT数据与运维DT软件开发DTWindows

—

TimeLink

美感至上的时间线编辑器

—

观影数据库

一个管理自己院线观影记录的网站，统计特效厅比例、花费、影院等信息。

DT数据与运维DTWeb 应用DTWeb

—

AI Tarot - Free Online AI Tarot Reading

AI Tarot combines traditional tarot wisdom with cutting-edge AI technology, revealing the truth and

原文

—

PriceRadar

一键检索全球 App Store 和 Google Play 订阅价格。发掘低价区的隐藏折扣，为您节省高达 80% 的软件订阅费用。

—

yorukot / superfile

Pretty fancy and modern terminal file manager

原文

语言GoDT软件开发DT终端

1.9万

CoreBunch / Instatic

The open-source alternative to Webflow, Framer and WordPress. Agentic self-hosted visual CMS outputting clean static pages. Users, roles, plugins, content, database, it's all there.

原文

语言TypeScriptDT数据与运维DTAgent 能力扩展DTSkill / 插件

4126

mattpocock / skills

Skills for Real Engineers. Straight from my .agents directory.

原文

语言ShellDTAgent 能力扩展DTSkill / 插件DT内容 / 资源

18.6万

Lordog / dive-into-llms

《动手学大模型Dive into LLMs》系列编程实践教程

语言Jupyter NotebookDT研究与学习DT软件开发DT内容 / 资源

4.5万

diegosouzapw / OmniRoute

Never stop coding. Free MIT AI gateway: one endpoint, 290+ providers (90+ free), 500+ models — Kimi, Claude, GPT, OpenAI, Gemini, GLM, DeepSeek, MiniMax. Works with Claude Code, Codex, Cursor, OpenCode, Cline & Copilot. Quota-aware auto-fallback, RTK+Caveman compression saves 15-95% tokens, MCP/A2A, Desktop/PWA. Built by 500+ contributors

原文

语言TypeScriptDT软件开发DTAgent 能力扩展DTAgent 可观测性

OtterMind / Chat2DB

🔥🔥🔥 AI-driven database tool and SQL client, The hottest GUI client, supporting MySQL, Oracle, PostgreSQL, DB2, SQL Server, DB2, SQLite, H2, ClickHouse, and more.

原文

语言JavaDT数据与运维