徐伦 (@Jolyne_AI)
@Jolyne_AI
大厂在职牛马 · 独立开发者
每天挖真正好用的GitHub开源项目
专注 AI 工具 & 开发者效率
高密度干货 + 出海实战教程
62 正在关注 2.8K 粉丝
在 GitHub 上挖到一款硬核的开源项目管理看板：Kan，堪称 Trello 的高质量平替。
看板功能一应俱全：团队协作、项目管理、数据导入、标签与筛选、评论等都配齐。
GitHub：
官网：
支持直接从 Trello 导入现有项目，迁移顺滑省心；也能用 Docker 快速部署，几分钟就能跑起来。
显示更多
想用自己的域名收发邮件，要么自己搭一整套邮件服务器，麻烦；要么用第三方服务，隐私又不踏实。
Cloudflare 团队最近开源了 Agentic Inbox：完全跑在 Cloudflare Workers 上的自托管邮箱客户端，还内置 AI 助手。
部署到你的 Cloudflare 账户基本一键搞定：用自定义域名收发邮件；每个邮箱独立隔离存储；附件放对象存储，清晰可控。
GitHub：
AI 邮件助手会在新邮件到达后自动阅读，生成回复草稿，但不会自动发送，必须你确认后才会发出。
它还支持搜索历史邮件、整理对话；不同邮箱还能配置不同提示词，按你的习惯来。
如果你的域名在 Cloudflare 托管，又想要一个轻量、数据完全自持的邮箱方案，部署起来就能直接用。
显示更多
推荐一本 GitHub 上的免费机器学习与 AI 学习书：Machine Learning Q and AI。
全书围绕 30 个机器学习与人工智能的核心问题展开，从神经网络到模型部署，把关键知识点一次讲清。
GitHub：
在线阅读：
内容按 5 条主线系统梳理：神经网络、深度学习、计算机视觉、自然语言处理、模型部署，学起来更有路径、更不容易漏重点。
无需下载，打开就能免费读，适合从入门到进阶、再到实战落地的各层级开发者。
显示更多
分享一个 GitHub 上开源且免费的浏览器插件：MultiPost。
把你要发布的内容一键同步到多个社交平台：微博、知乎、小红书等十多个主流平台，省去重复粘贴的时间。
GitHub：
官网：
支持文字、图片、视频等多种形式；还能自动抓取网页内容、定时发布，并结合 AI 辅助生成内容，让多平台分发更高效、更省心。
显示更多
在 GitHub 挖到一个有意思的开源项目：Memvid。它不走传统向量数据库那套，而是把文本直接编码进视频文件里。
几百万段文本被压进一个 MP4：存储体积可压到原来的 1/10，语义搜索还能做到亚秒级响应，而且不需要数据库服务器。
GitHub：
官网：
它还内置对话能力，能围绕知识库做上下文感知问答；支持直接导入 PDF，自动索引、开箱即用。
全程可离线：视频生成后就能本地跑，不依赖网络。正在搭大型知识库的 AI 开发者，可以重点看看。
显示更多
在 GitHub 挖到一个很扎实的 IoT 项目合集：100 Days 100 IoT Projects，用 ESP32、ESP8266 和 Raspberry Pi Pico 做了 100 个物联网和嵌入式系统项目。
GitHub：
每个项目都包含完整的代码、电路图和详细说明，从基础的传感器读取到 Web 仪表盘全覆盖。
主要特点：
- 基于 MicroPython 开发，上手门槛低
- 涵盖 DHT11、PIR、超声波、气体传感器等常见模块
- 覆盖 ADC、PWM、Wi-Fi、WebSocket、蓝牙等核心概念
- 包含 Web 服务器、Blynk IoT、Telegram 通知等实用场景
- 支持 Wokwi 仿真测试，不需要实体硬件也能跑
已被 Adafruit Newsletter、 MicroPython Meetup 推荐收录。
想入门 IoT 开发或找实战案例的可以看看，项目持续更新中。
显示更多
跨平台视频下载利器：Lux。
Go 语言打造，站点覆盖很全：抖音、b 站、youtube、twitter，到腾讯视频、爱奇艺等主流平台基本都支持。
GitHub 地址：
内置 macos、windows、linux 的命令行用法，上手直接开下。
参数也足够灵活：输出格式、清晰度、字幕获取等下载选项都能按需调整。
显示更多
分享一本通俗好读的开源书《大模型基础》。
从大语言模型入门到架构演化，再到 Prompt 工程、参数高效微调、模型编辑、检索增强生成（RAG）等关键技术，一本串起来。
GitHub：
全书 6 章，每章以一种动物为线索，配合案例讲透核心方法，读起来更直观、更容易上手。
显示更多
LangChain 官方团队开源了一套从零到一打造 AI Agent 的实战教程：Agents From Scratch。
你将亲手做出一个“会管邮箱”的智能助手，按步骤掌握代理构建、评估体系、人机协作与记忆机制等关键能力，并最终接入真实的 Gmail API，真正可用、可上线。
GitHub：
你会学到什么：
- 一条从入门代理到进阶能力的完整路线图
- 邮件助手全流程实战：邮件分类、自动回复一步到位
- 代理如何评估：用 LLM 当裁判，建立可复用的评测方法
- 人机协作设计：关键操作可让用户审核把关
- 记忆机制落地：让代理逐步学习并贴合你的偏好
- Gmail API 集成与部署指南：打通真实业务场景
面向想系统学习 AI Agent 开发的开发者：配好环境就能跑，带测试方案，边做边学、快速成型。
显示更多
有位开发者给 12306 做了个购票查询 MCP 服务器：12306-mcp。
它提供简洁的 API，让 AI 助手也能直接查询 12306 车票信息。
GitHub：
目前已支持车票查询、列车信息过滤、过站查询和中转查询等能力。
更让人期待的是：借助 MCP，或许从路线规划、买票到订酒店，整套出行流程都能交给 AI 一站式搞定。
显示更多
最近在 GitHub 偶遇一本很不错的开源书：The Accidental CTO，忍不住想分享给大家。
作者不是科班出身，却一路把一个平台从零带到能扛住百万用户访问。书里讲的不是“最佳实践”的样板答案，而是踩坑、救火、复盘之后沉淀下来的真经验：凌晨三点服务器崩了怎么扛，数据库复制延迟怎么追，架构怎么一步步撑大。
它用故事把分布式系统的关键概念讲透，同时也把技术决策背后的取舍摊在台面上：为什么这么选、代价是什么、下一步该怎么演进。
GitHub：
你会看到的内容包括：
- 扩展实战：从几千用户到百万级的架构演进路径
- 分布式选型：分片、缓存、消息队列等何时该上、怎么权衡
- 可观测性：监控与告警如何在关键时刻“救命”
- 容错设计：熔断、重试、优雅降级等稳态技巧怎么落地
- 成本控制：规模上来后，云账单怎么管，自建怎么评估
- CAP 落地：一致性、可用性、延迟在真实系统里如何取平衡
如果你想了解“大规模系统到底是怎么被搭起来、跑起来、扛起来的”，这本书很值得一读：工程师、架构师、技术创业者都适合。
显示更多
想把强化学习学明白，很多网课只教你怎么调用接口，学完照样云里雾里。
去啃论文，又常被公式直接劝退；想系统补底层原理，门槛高、路线更不清楚。
最近我看到一本开源书《强化学习的数学基础》，给了一条很顺、很清晰的学习路径：从数学出发，把 RL 的核心逻辑讲透。
全书用最经典也最直观的网格世界做主线，把每个算法背后的推导拆开讲、一步步带你走，不跳步、不绕圈。
GitHub：
更难得的是，它的数学尺度拿捏得恰到好处：该严谨的地方讲到位，该简化的地方不硬扛，目标只有一个——让你真正吃透每个关键点。
对入门者友好，也适合想把 RL 基础打牢的 AI 开发者，配合视频一起学，效率会更高。
显示更多
最近公司里在推一套 AI 工作流，用起来体感还不错，在此分享给大家。
OpenSpec + Superpowers 工作流：AI 辅助开发从「写代码」到「按规格交付」的完整闭环。
两个工具，各司其职：
• OpenSpec 管规格和记忆
• Superpowers 管设计和执行
完整流程：
① 提案（OpenSpec）
/opsx:propose 生成提案 + 秘格 + 任务
② 审查（人工）
确认 proposal.md 需求和方向
③ 设计（Superpowers）
brainstorming 深入细节 → writing-plans 拆分原子任务
④ 构建（Superpowers）
TDD 先写测试再写代码 → 每个子代理读取 specs/ 获取上下文
⑤ 交付（Superpowers）
返回完成的功能
⑥ 归档（OpenSpec）
/opsx:archive 归档变更 → 更新 specs/ → 项目知识库同步更新
核心价值：
• OpenSpec 让每次变更都沉淀成规格文档，AI 不再重复摸索
• Superpowers 用头脑风暴深入细节 + TDD 保证代码质量
• 子代理读取 specs/ 执行任务，每个环节都基于统一上下文
• verification 跑过才算完，质量有保障
这套流程解决了 AI 开发最大的两个痛点：缺记忆和缺纪律。
显示更多
做爬虫、搞数据采集，代理服务器几乎是标配，不然 IP 分分钟被封。更麻烦的是，网上一堆“免费代理”基本都失效了。
我在 GitHub 刚好挖到一个开源项目：Proxifly。它每 5 分钟自动抓取、更新并验证免费代理，把“可用”这件事做得很扎实，省下大量筛选和排查时间。
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，需要什么直接找，速度很快。
GitHub：
官网：
另外还做了去重，避免重复代理拖累体验；支持 JSON、TXT、CSV 三种格式下载，也能通过 npm 安装，直接在代码里调用。需要稳定免费代理池的话，可以去看看。
显示更多
想系统学强化学习，最劝退的往往是两种资料：一种只讲概念，学完照样不会做；另一种公式堆满页，两章就读不下去。
开源教材 Mathematical Foundations of Reinforcement Learning 正好卡在中间：讲得清楚，推导严谨但不“吓人”，还配套大量视频，把经典算法从定义到实现一步步讲透。
它用数学视角把 RL 的核心框架梳理得很顺，用大量例子把抽象概念落地，让那些“看起来很玄”的更新公式变得能理解、能复现、能写出来。
GitHub：
你会收获什么：
- 核心概念一次打通：状态、动作、策略、价值函数等完整串联成体系
- 经典算法拆到细节：MC / TD / Q-learning 从原理到推导循序展开
- 50+ 集中英文视频配套：边看边做，理解与实现同步推进
- 大量网格世界示例：用直观实验对齐公式、更新规则和结果
- 推导规范但不绕：少跳步、不糊弄，难度控制得刚刚好
- 多语言代码实现：Python、R、C++ 等可直接对照复现
适合想把强化学习理论真正学扎实、并能落到实现的人；建议先具备基础概率论和线性代数再开始。
显示更多
