Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

GitHub 上 Social Analyzer 这个开源工具，有点厉害！只需要输入一个用户名称，它能在 1000+ 社交媒体网站上自动查找该用户的所有个人资料。并且自动提取其中数据进行详细分析，还支持多账号之间关联的分析，生成可视化关系图谱。 GitHub：除此之外，还支持按国家、类型或 Alexa 排名筛选搜索平台，精准定位到目标。提供了 Web 界面、命令行以及 API 使用方式，通过 npm 或 pip 安装即可使用。

GitHubDaily

80,322 subscribers

102,558 Aufrufe • vor 8 Monaten •via X (Twitter)

Wissenschaft & Technologie

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

平时喜欢阅读电子书或 PDF 书籍，时间长了之后数量越来越多，分散在各个文件夹，有些还忘记了阅读进度。为了解决这些问题，可以使用 BookLore 这个开源项目一键部署个人图书馆，统一管理所有电子书。它不仅提供直观的界面来浏览、阅读和追踪我们的 PDF 和电子书阅读进度，还能自动从网络获取图书详情。 GitHub：同时支持自定义阅读设置，以及支持多用户管理，可与家人或朋友共享图书资源。通过 Docker 一键部署，简单配置一下即可使用，并提供详细的安装教程视频，轻松上手体验。

平时喜欢阅读电子书或 PDF 书籍，时间长了之后数量越来越多，分散在各个文件夹，有些还忘记了阅读进度。为了解决这些问题，可以使用 BookLore 这个开源项目一键部署个人图书馆，统一管理所有电子书。它不仅提供直观的界面来浏览、阅读和追踪我们的 PDF 和电子书阅读进度，还能自动从网络获取图书详情。 GitHub：同时支持自定义阅读设置，以及支持多用户管理，可与家人或朋友共享图书资源。通过 Docker 一键部署，简单配置一下即可使用，并提供详细的安装教程视频，轻松上手体验。

GitHubDaily

34,274 Aufrufe • vor 1 Jahr

工作中经常查询数据库获取相关数据，每次都要写 SQL 语句挺烦的，如果涉及多表关联查询更麻烦。可以试下，OpenChatBI 这个开源的智能 BI 工具，用自然语言就能查询和分析数据，告别手写 SQL 的烦恼。基于 LangGraph 和 LangChain 构建，通过自然语言描述，理解后自动转换为 SQL 语句，还能执行查询、生成可视化图表。 GitHub：除此之外，还支持通过 MCP 配置接入外部工具扩展功能，以及对知识库整合可以回答复杂问题。提供了直观的 Web UI 界面，通过 pip 或 uv 安装后配置 LLM 和数据库连接即可使用。

工作中经常查询数据库获取相关数据，每次都要写 SQL 语句挺烦的，如果涉及多表关联查询更麻烦。可以试下，OpenChatBI 这个开源的智能 BI 工具，用自然语言就能查询和分析数据，告别手写 SQL 的烦恼。基于 LangGraph 和 LangChain 构建，通过自然语言描述，理解后自动转换为 SQL 语句，还能执行查询、生成可视化图表。 GitHub：除此之外，还支持通过 MCP 配置接入外部工具扩展功能，以及对知识库整合可以回答复杂问题。提供了直观的 Web UI 界面，通过 pip 或 uv 安装后配置 LLM 和数据库连接即可使用。

GitHubDaily

22,040 Aufrufe • vor 8 Monaten

最近我发现了一个使用 n8n + Scrapeless + Claude AI 搭建的自动化系统，值得跟大家分享一下。该系统每天帮我们筛选出几十个潜在客户，理论上能支撑一个 $30K+/月的 B2B 业务。在这个系统的工作流中，采用的是 Scrapeless 进行数据处理，它不仅能抓取 Google 数据，还能爬取指定网站并检索其子页面。目前 Scrapeless 已在 n8n 平台上正式集成，搜索并选择相关节点即可配置使用。工具地址：以下是完整工作流步骤： ✅ 全程无需复杂代码 ✅ 全自动评分 + 筛选 + 推送 1. 关键词搜索（Scrapeless Google）：用行业关键词（如「软件公司」）发起 Google 搜索 2. 处理搜索结果：用 n8n 的 Item Lists 节点逐一处理公司链接。 3. Scrapeless Crawl：提取每个公司网站的详细信息，确保数据全面。 4. 数据清洗 + 结构化：通过Code节点对爬取到的数据进行清洗和结构化。 5. Claude AI 打分分析：将清洗后的信息送进 Claude，分析并评分（如潜力评分、行业匹配度） 6. 线索筛选：利用 Filter 节点设定条件，只保留高评分、数据完整的客户。 7. 即时通知：配置 Discord 通知，团队第一时间接收到新线索推送。大家可通过最下方链接查看此工作流的详细教程，或者在 Scrapeless 的内置 playground 中进行测试。 Scrapeless 提供了多个核心工具，以帮助优化数据采集过程。其中，Deep SerpApi 支持 20 多种 Google SERP 类型，如 Google Search、Google Trends、Google 航班/酒店等。此外，基于自研 Chromium 内核的 Crawl 功能具有高度可定制化、会话管理和反检测隐身能力，支持进行大规模的单页及递归爬取。同时其验证码识别功能免费使用，能够大大节省成本。详细教程：

最近我发现了一个使用 n8n + Scrapeless + Claude AI 搭建的自动化系统，值得跟大家分享一下。该系统每天帮我们筛选出几十个潜在客户，理论上能支撑一个 $30K+/月的 B2B 业务。在这个系统的工作流中，采用的是 Scrapeless 进行数据处理，它不仅能抓取 Google 数据，还能爬取指定网站并检索其子页面。目前 Scrapeless 已在 n8n 平台上正式集成，搜索并选择相关节点即可配置使用。工具地址：以下是完整工作流步骤： ✅ 全程无需复杂代码 ✅ 全自动评分 + 筛选 + 推送 1. 关键词搜索（Scrapeless Google）：用行业关键词（如「软件公司」）发起 Google 搜索 2. 处理搜索结果：用 n8n 的 Item Lists 节点逐一处理公司链接。 3. Scrapeless Crawl：提取每个公司网站的详细信息，确保数据全面。 4. 数据清洗 + 结构化：通过Code节点对爬取到的数据进行清洗和结构化。 5. Claude AI 打分分析：将清洗后的信息送进 Claude，分析并评分（如潜力评分、行业匹配度） 6. 线索筛选：利用 Filter 节点设定条件，只保留高评分、数据完整的客户。 7. 即时通知：配置 Discord 通知，团队第一时间接收到新线索推送。大家可通过最下方链接查看此工作流的详细教程，或者在 Scrapeless 的内置 playground 中进行测试。 Scrapeless 提供了多个核心工具，以帮助优化数据采集过程。其中，Deep SerpApi 支持 20 多种 Google SERP 类型，如 Google Search、Google Trends、Google 航班/酒店等。此外，基于自研 Chromium 内核的 Crawl 功能具有高度可定制化、会话管理和反检测隐身能力，支持进行大规模的单页及递归爬取。同时其验证码识别功能免费使用，能够大大节省成本。详细教程：

GitHubDaily

73,758 Aufrufe • vor 1 Jahr

兄弟们这个有点强啊而且是完全开源的感觉比OpenAI的演示的那个视觉能力还有点强 Molmo 一个开源的多模态模型，能够识别图像中的物体、场景和活动，并生成准确的描述。 Molmo还支持用户通过2D指向交互，例如用户可以通过手势或点击与图像中的对象进行互动。 Molmo使用的图像字幕数据集完全由人类注释者收集。模型能够根据输入的变化自动调整处理方式，适应不同类型的用户交互和数据格式。 Molmo在开源权重和数据模型中表现最佳，能够与一些专有系统（如GPT-4o、Claude 3.5和Gemini 1.5）相媲美。

兄弟们这个有点强啊而且是完全开源的感觉比OpenAI的演示的那个视觉能力还有点强 Molmo 一个开源的多模态模型，能够识别图像中的物体、场景和活动，并生成准确的描述。 Molmo还支持用户通过2D指向交互，例如用户可以通过手势或点击与图像中的对象进行互动。 Molmo使用的图像字幕数据集完全由人类注释者收集。模型能够根据输入的变化自动调整处理方式，适应不同类型的用户交互和数据格式。 Molmo在开源权重和数据模型中表现最佳，能够与一些专有系统（如GPT-4o、Claude 3.5和Gemini 1.5）相媲美。

小互

44,263 Aufrufe • vor 1 Jahr

管理网站的 SSL 证书颇为头疼，经常会忘记续期导致网站报错，如果有多个网站更加烦人。偶然之间在 GitHub 上发现了一款提供一站式 SSL 证书管理工具：All in SSL，自动完成证书的申请、续期和部署全过程。 GitHub：提供了可视化证书管理界面，可一目了然掌握所有状态，并且支持多种通知方式，可通过邮件、钉钉等进行提醒操作。提供一键安装脚本即可使用，也可在宝塔面板、1Panel 等平台部署使用。

管理网站的 SSL 证书颇为头疼，经常会忘记续期导致网站报错，如果有多个网站更加烦人。偶然之间在 GitHub 上发现了一款提供一站式 SSL 证书管理工具：All in SSL，自动完成证书的申请、续期和部署全过程。 GitHub：提供了可视化证书管理界面，可一目了然掌握所有状态，并且支持多种通知方式，可通过邮件、钉钉等进行提醒操作。提供一键安装脚本即可使用，也可在宝塔面板、1Panel 等平台部署使用。

GitHubDaily

42,513 Aufrufe • vor 1 Jahr

很早前，我们就可以利用 AI 快速抓取网站内容进行提问和理解，但颇为繁琐且技术小白难以上手。现在有了开源工具 sitemcp 后，这一应用场景将变得非常简单。它能一键抓取整个网站内容并将其转化为 MCP 服务器，再搭配 Claude 等 MCP 客户端，就能直接对网站内容进行对话提问。 GitHub：主要功能： - 支持一次性抓取整个网站，并缓存到本地 - 可设置并发数提高抓取速度 - 支持多种工具命名策略，便于 AI 客户端调用 - 提供路径匹配功能，可选择性抓取特定页面 - 支持内容选择器，确保提取页面中最有价值的内容可通过命令行一键安装使用，并无缝集成到各种 MCP 客户端。

很早前，我们就可以利用 AI 快速抓取网站内容进行提问和理解，但颇为繁琐且技术小白难以上手。现在有了开源工具 sitemcp 后，这一应用场景将变得非常简单。它能一键抓取整个网站内容并将其转化为 MCP 服务器，再搭配 Claude 等 MCP 客户端，就能直接对网站内容进行对话提问。 GitHub：主要功能： - 支持一次性抓取整个网站，并缓存到本地 - 可设置并发数提高抓取速度 - 支持多种工具命名策略，便于 AI 客户端调用 - 提供路径匹配功能，可选择性抓取特定页面 - 支持内容选择器，确保提取页面中最有价值的内容可通过命令行一键安装使用，并无缝集成到各种 MCP 客户端。

GitHubDaily

27,123 Aufrufe • vor 1 Jahr

当接手一个新项目，面对大量没有注释说明的代码，要去理解当中业务处理逻辑，既耗时又耗力。最近在 GitHub 上发现了 Davia 这个开源工具，可用它为我们的代码库生成直观可视化的文档。只需指向项目路径并描述要生成什么文档，它就会自动分析代码并实时生成文档页面。 GitHub：除此之外，还支持类似 Notion 的编辑体验，以及可交互的白板图表，瞬间让让代码结构和逻辑一目了然。通过克隆代码到本地，安装相关依赖后，配置 API 密钥即可使用，支持 Anthropic、Google 等主流 AI 模型服务商。

当接手一个新项目，面对大量没有注释说明的代码，要去理解当中业务处理逻辑，既耗时又耗力。最近在 GitHub 上发现了 Davia 这个开源工具，可用它为我们的代码库生成直观可视化的文档。只需指向项目路径并描述要生成什么文档，它就会自动分析代码并实时生成文档页面。 GitHub：除此之外，还支持类似 Notion 的编辑体验，以及可交互的白板图表，瞬间让让代码结构和逻辑一目了然。通过克隆代码到本地，安装相关依赖后，配置 API 密钥即可使用，支持 Anthropic、Google 等主流 AI 模型服务商。

GitHubDaily

32,675 Aufrufe • vor 8 Monaten

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

歸藏(guizang.ai)

61,710 Aufrufe • vor 2 Jahren

在医院拍完胸部 X 光后，经常还需要排队等待拿结果给医生查看分析，折腾下来基本都要一个多小时。最近在 GitHub 上看到的 MedRAX 这款开源的医学影像分析智能体，正在试图改变我们这种传统方式。它集成了多个专业的胸部 X 光分析工具，基于 LangChain 和 LangGraph 框架构建，使用 GPT-4o 作为核心大模型。整合了视觉问答、图像分割、病灶定位、报告生成、疾病分类等 7 大类专业工具，无需额外训练即可智能调用这些工具完成复杂的医学影像分析任务。 GitHub：主要特性： - 视觉问答：使用 CheXagent 和 LLaVA-Med 进行复杂的医学影像理解和推理； - 精准分割：采用 MedSAM 和 PSPNet 模型识别解剖结构； - 病灶定位：通过 Maira-2 模型在影像中精确定位病变位置； - 报告生成：基于 SwinV2 Transformer 自动生成详细的医学诊断报告； - 疾病分类：利用 DenseNet-121 检测 18 种病理类别； - 综合评估：提供包含 2,500 个复杂医学查询的 ChestAgentBench 基准测试。克隆仓库并安装依赖后，运行即可启动 Gradio 界面使用，需要配置 OpenAI API 密钥，支持本地和云端部署。

在医院拍完胸部 X 光后，经常还需要排队等待拿结果给医生查看分析，折腾下来基本都要一个多小时。最近在 GitHub 上看到的 MedRAX 这款开源的医学影像分析智能体，正在试图改变我们这种传统方式。它集成了多个专业的胸部 X 光分析工具，基于 LangChain 和 LangGraph 框架构建，使用 GPT-4o 作为核心大模型。整合了视觉问答、图像分割、病灶定位、报告生成、疾病分类等 7 大类专业工具，无需额外训练即可智能调用这些工具完成复杂的医学影像分析任务。 GitHub：主要特性： - 视觉问答：使用 CheXagent 和 LLaVA-Med 进行复杂的医学影像理解和推理； - 精准分割：采用 MedSAM 和 PSPNet 模型识别解剖结构； - 病灶定位：通过 Maira-2 模型在影像中精确定位病变位置； - 报告生成：基于 SwinV2 Transformer 自动生成详细的医学诊断报告； - 疾病分类：利用 DenseNet-121 检测 18 种病理类别； - 综合评估：提供包含 2,500 个复杂医学查询的 ChestAgentBench 基准测试。克隆仓库并安装依赖后，运行即可启动 Gradio 界面使用，需要配置 OpenAI API 密钥，支持本地和云端部署。

GitHubDaily

191,718 Aufrufe • vor 8 Monaten

开发爬虫和做数据采集，代理服务器几乎是刚需：不然 IP 很容易被封。可惜网上多数“免费代理”早就失效。在 GitHub 上刚好发现 Proxifly 这个开源项目：每 5 分钟自动抓取、更新并验证免费代理，把可用性这件事直接做到了位，省掉大量排查成本。目前覆盖 60 个国家，提供 806 个可用代理，支持 HTTP、HTTPS、SOCKS4、SOCKS5 等协议，并按协议类型与国家/地区清晰分类，找起来很快。 GitHub：官网：此外还做了去重，避免重复代理拉低体验；同时提供 JSON、TXT、CSV 三种格式下载。也支持通过 npm 安装，直接在代码里调用，有需要可以去看看。

开发爬虫和做数据采集，代理服务器几乎是刚需：不然 IP 很容易被封。可惜网上多数“免费代理”早就失效。在 GitHub 上刚好发现 Proxifly 这个开源项目：每 5 分钟自动抓取、更新并验证免费代理，把可用性这件事直接做到了位，省掉大量排查成本。目前覆盖 60 个国家，提供 806 个可用代理，支持 HTTP、HTTPS、SOCKS4、SOCKS5 等协议，并按协议类型与国家/地区清晰分类，找起来很快。 GitHub：官网：此外还做了去重，避免重复代理拉低体验；同时提供 JSON、TXT、CSV 三种格式下载。也支持通过 npm 安装，直接在代码里调用，有需要可以去看看。

Joruno

61,400 Aufrufe • vor 2 Monaten

周末有空想看一下美剧或国外电影，但是找到的资源又没有中文字幕，确实挺让人烦恼的。可以看一下，Lingarr 这个开源工具，它能自动翻译字幕文件到我们想要的目标语言，解放我们双手。支持 DeepL、OpenAI、Ollama 等 11 种翻译服务，我们可以根据自身需求和预算灵活选择。还能与 Plex、Jellyfin 等媒体服务器无缝集成，自动监控发现新字幕文件，实现字幕自动化翻译。 GitHub：提供 RESTful API，可集成到任何应用中使用，同时支持大批量并发字幕翻译任务。通过 Docker 即可快速部署，适合有 NAS 或有 Jellyfin 这些媒体服务器的同学使用。

周末有空想看一下美剧或国外电影，但是找到的资源又没有中文字幕，确实挺让人烦恼的。可以看一下，Lingarr 这个开源工具，它能自动翻译字幕文件到我们想要的目标语言，解放我们双手。支持 DeepL、OpenAI、Ollama 等 11 种翻译服务，我们可以根据自身需求和预算灵活选择。还能与 Plex、Jellyfin 等媒体服务器无缝集成，自动监控发现新字幕文件，实现字幕自动化翻译。 GitHub：提供 RESTful API，可集成到任何应用中使用，同时支持大批量并发字幕翻译任务。通过 Docker 即可快速部署，适合有 NAS 或有 Jellyfin 这些媒体服务器的同学使用。

GitHubDaily

27,570 Aufrufe • vor 8 Monaten

Auto PY to EXE 这个可将 Python 项目打包成可执行文件的开源工具，比之前分享的 pyfuze 工具更加容易上手。提供了直观的图形界面操作，只需选择脚本文件、配置相关选项，点击转换按钮即可完成整个打包过程，告别复杂的命令行操作。 GitHub：同时可保存常用打包设置，实时显示转换进度和详细日志信息。跨平台支持 Windows、macOS 和 Linux 系统，可通过 pip install auto-py-to-exe 快速安装使用。

Auto PY to EXE 这个可将 Python 项目打包成可执行文件的开源工具，比之前分享的 pyfuze 工具更加容易上手。提供了直观的图形界面操作，只需选择脚本文件、配置相关选项，点击转换按钮即可完成整个打包过程，告别复杂的命令行操作。 GitHub：同时可保存常用打包设置，实时显示转换进度和详细日志信息。跨平台支持 Windows、macOS 和 Linux 系统，可通过 pip install auto-py-to-exe 快速安装使用。

GitHubDaily

21,397 Aufrufe • vor 1 Jahr

有时给朋友或同事发送几个 GB 大文件，用网盘上传下载速度限制，又要对方登录注册账号，确实麻烦。偶然看到 AltSendme 这个开源工具，采用点对点传输文件，不经过任何云服务器，试了试好用。全程端到端加密，文件在设备之间直接传输，无需注册账号，而且支持任意大小和格式的文件传输。 GitHub：此外，还支持断点续传功能，在传输过程中断，恢复后能自动从断点处继续传输。提供开箱即用安装包，支持 Windows、Linux 和 macOS 系统，以及支持包括中文、英文等多种语言。

有时给朋友或同事发送几个 GB 大文件，用网盘上传下载速度限制，又要对方登录注册账号，确实麻烦。偶然看到 AltSendme 这个开源工具，采用点对点传输文件，不经过任何云服务器，试了试好用。全程端到端加密，文件在设备之间直接传输，无需注册账号，而且支持任意大小和格式的文件传输。 GitHub：此外，还支持断点续传功能，在传输过程中断，恢复后能自动从断点处继续传输。提供开箱即用安装包，支持 Windows、Linux 和 macOS 系统，以及支持包括中文、英文等多种语言。

GitHubDaily

103,591 Aufrufe • vor 7 Monaten

介绍一个AI图表生成和美化应用Graphy。生成的图表非常漂亮，而且不用自己手动创建，用自然语言输入需求之后他会自动创建对应的图表。同时也支持对你上传的数据进行分析，给出对应的结论。做PPT必备家人们。这里使用：

介绍一个AI图表生成和美化应用Graphy。生成的图表非常漂亮，而且不用自己手动创建，用自然语言输入需求之后他会自动创建对应的图表。同时也支持对你上传的数据进行分析，给出对应的结论。做PPT必备家人们。这里使用：

歸藏(guizang.ai)

108,777 Aufrufe • vor 3 Jahren

日常运维工作监控服务器网络连接，使用 netstat、ss 这些工具虽然能显示连接信息，但缺乏实时更新和直观展示。最近找到了 RustNet 这款功能强大的网络监控开源工具，专为实时网络连接分析而设计，正好解决了这个痛点。支持实时监控 TCP、UDP 等连接状态和生命周期，还能深度解析数据包内容，自动识别 HTTP、HTTPS、SSH 等协议详情。 GitHub：除此之外，还提供高性能的并发包处理能力，以及高级过滤系统，支持 Vim 风格搜索和关键词过滤。提供了多种安装方式，推荐通过 Cargo 安装，同时需要管理员权限进行网络包捕获，有需要的同学可以看一下。

日常运维工作监控服务器网络连接，使用 netstat、ss 这些工具虽然能显示连接信息，但缺乏实时更新和直观展示。最近找到了 RustNet 这款功能强大的网络监控开源工具，专为实时网络连接分析而设计，正好解决了这个痛点。支持实时监控 TCP、UDP 等连接状态和生命周期，还能深度解析数据包内容，自动识别 HTTP、HTTPS、SSH 等协议详情。 GitHub：除此之外，还提供高性能的并发包处理能力，以及高级过滤系统，支持 Vim 风格搜索和关键词过滤。提供了多种安装方式，推荐通过 Cargo 安装，同时需要管理员权限进行网络包捕获，有需要的同学可以看一下。

GitHubDaily

24,494 Aufrufe • vor 9 Monaten

平时在终端分析日志时，手动写复杂的 grep 命令、切换不同工具、面对大量实时日志流，无论查看还是操作都让人挺头疼的。最近 GitHub 上有个 Gonzo 开源项目，试图改变我们分析日志的方式，把强大的日志分析能力直接搬进了终端界面。提供类似 k9s 的 TUI 界面，支持实时日志流处理、AI 智能分析和可视化图表，让日志分析变得更加直观高效。 GitHub：主要功能： - 实时日志流分析，支持从文件、stdin 或网络接收日志 - 原生 OTLP 支持，可直接接收 OpenTelemetry 协议日志 - 交互式仪表板，包含词频统计、严重性分布等实时图表 - AI 驱动的模式检测和异常分析，支持多种 AI 模型 - 高级过滤功能，支持正则表达式和属性搜索 - 热力图可视化，提供 60 分钟滚动窗口的时序分析可通过 Go 或 Homebrew 命令快捷安装，也提供了二进制文件，支持 Windows、macOS 以及 Linux 系统。

平时在终端分析日志时，手动写复杂的 grep 命令、切换不同工具、面对大量实时日志流，无论查看还是操作都让人挺头疼的。最近 GitHub 上有个 Gonzo 开源项目，试图改变我们分析日志的方式，把强大的日志分析能力直接搬进了终端界面。提供类似 k9s 的 TUI 界面，支持实时日志流处理、AI 智能分析和可视化图表，让日志分析变得更加直观高效。 GitHub：主要功能： - 实时日志流分析，支持从文件、stdin 或网络接收日志 - 原生 OTLP 支持，可直接接收 OpenTelemetry 协议日志 - 交互式仪表板，包含词频统计、严重性分布等实时图表 - AI 驱动的模式检测和异常分析，支持多种 AI 模型 - 高级过滤功能，支持正则表达式和属性搜索 - 热力图可视化，提供 60 分钟滚动窗口的时序分析可通过 Go 或 Homebrew 命令快捷安装，也提供了二进制文件，支持 Windows、macOS 以及 Linux 系统。

GitHubDaily

17,156 Aufrufe • vor 10 Monaten

🔥 卧槽！扔一个用户名，Maigret狂扫3000+网站把人扒干净！真正的OSINT终极武器！又挖到一款真·黑科技工具—Maigret（31.4k star）！输入任意用户名，它自动狂扫3000+网站，秒出一份完整人物档案！零API、零注册、支持AI总结，爽到飞起！🚀 亮点一览： - 3000+站点覆盖：社交、论坛、购物、开发、照片... 支持国家/标签过滤，一键全扫或精准扫 - 递归深挖：找到一个号，自动追踪关联用户名、ID、链接，把小号网络全揪出来 - 情报提取狠：真实姓名、位置、兴趣、其他账号等关键信息直接扒 - AI一键报告：--ai 参数接OpenAI，自动生成调查摘要，懒人福音 - 反封锁强：支持Tor、代理、Cloudflare绕过 - 输出丰富：HTML/PDF/JSON/关系图/Web UI 可视化 3秒上手： pip install maigret maigret 用户名 Windows直接下 standalone.exe 双击就跑，Docker / Telegram bot 也全都有。适用场景：查网友、合作对象、调查目标... 一个命令，半小时出报告，OSINT玩家必备！ ⚠️提醒：仅限合法教育用途，遵守当地法律，别乱来！

🔥 卧槽！扔一个用户名，Maigret狂扫3000+网站把人扒干净！真正的OSINT终极武器！又挖到一款真·黑科技工具—Maigret（31.4k star）！输入任意用户名，它自动狂扫3000+网站，秒出一份完整人物档案！零API、零注册、支持AI总结，爽到飞起！🚀 亮点一览： - 3000+站点覆盖：社交、论坛、购物、开发、照片... 支持国家/标签过滤，一键全扫或精准扫 - 递归深挖：找到一个号，自动追踪关联用户名、ID、链接，把小号网络全揪出来 - 情报提取狠：真实姓名、位置、兴趣、其他账号等关键信息直接扒 - AI一键报告：--ai 参数接OpenAI，自动生成调查摘要，懒人福音 - 反封锁强：支持Tor、代理、Cloudflare绕过 - 输出丰富：HTML/PDF/JSON/关系图/Web UI 可视化 3秒上手： pip install maigret maigret 用户名 Windows直接下 standalone.exe 双击就跑，Docker / Telegram bot 也全都有。适用场景：查网友、合作对象、调查目标... 一个命令，半小时出报告，OSINT玩家必备！ ⚠️提醒：仅限合法教育用途，遵守当地法律，别乱来！

开发者Hailey

98,647 Aufrufe • vor 1 Monat