[3/31 - 4/6] GitHub Weekly Digest

📌 th-ch/youtube-music

簡介

YouTube Music 桌面版是一個使用 Electron 開發的應用程式，它以原生桌面的樣式呈現 YouTube Music 的介面，並提供自訂外掛功能，讓使用者能根據自身需求調整應用程式的樣式、內容和功能。此應用程式旨在提升 YouTube Music 的使用體驗，並提供更多客製化的選項。它支援 Windows、macOS 和 Arch Linux 系統。

主要功能

• 原生桌面介面：提供類似原生應用程式的使用者體驗。
• 自訂外掛框架：允許使用者安裝和管理外掛程式，擴充套件應用程式功能。
• 多樣化的外掛程式：包含廣告阻擋器、專輯色彩主題、環境模式、音訊壓縮器、歌詞支援、快捷鍵設定、Last.fm 和 ListenBrainz 整合等等。
• 支援多種作業系統：適用於 Windows、macOS 和 Arch Linux。
• 離線安裝：提供離線安裝方法，方便在沒有網路連線的情況下安裝。
• 可自訂主題：支援使用者自訂 CSS 檔案來更改應用程式的樣式。

如何使用

• 安裝: 根據您的作業系統，可以使用 Homebrew (macOS)、Scoop 或 Winget (Windows) 或 AUR (Arch Linux) 安裝。 亦可手動下載安裝程式。離線安裝需下載對應的安裝檔並執行。
• 使用外掛程式: 應用程式提供許多外掛程式，使用者可根據需求啟用或停用。
• 自訂主題: 使用者可以載入自訂 CSS 檔案來改變應用程式的視覺樣式。
• 開發自訂外掛: 程式碼範例提供如何建立自訂外掛程式，以擴充套件應用程式功能。 這需要熟悉 TypeScript 和 Electron 開發。
• 設定: 應用程式內提供設定選項，調整播放、外觀等設定。

📌 ahmedkhaleel2004/gitdiagram

簡介

• GitDiagram 是一款能將任何 GitHub 儲存庫在幾秒鐘內轉換成互動式圖表的工具。
• 它能快速地將 GitHub 儲存庫結構視覺化成系統設計/架構圖表。
• 使用者可以點選圖表中的元件直接導航到原始碼檔案和相關目錄。
• 此工具的開發初衷是為了方便探索大型開源專案的程式碼庫。
• 它支援公開和私有 GitHub 儲存庫。
• 圖表使用 Mermaid.js 產生，並利用 OpenAI 的 o3-mini 模型 (先前使用 Claude 3.5 Sonnet) 進行資訊提取和處理。
• 主要透過提示工程 (prompt engineering) 提取和處理資料，生成圖表程式碼。
• 提供圖表客製化和重新生成的功能。

主要功能

• 立即視覺化 (Instant Visualization): 將 GitHub 儲存庫結構轉換為系統設計/架構圖表。
• 互動性 (Interactivity): 點選元件即可直接導航到原始碼檔案和相關目錄。
• 快速生成 (Fast Generation): 由 Claude 3.5 Sonnet (現為 OpenAI o3-mini) 提供支援，快速且準確地生成圖表。
• 客製化 (Customization): 修改並重新生成圖表，支援自訂指令。
• API 存取 (API Access): 提供公開 API 供整合使用 (開發中)。
• 支援公開及私有倉庫。
• 透過 README 檔案及檔案樹結構提取資訊，增加圖表互動性。
• 後端使用 FastAPI, Python 開發，前端使用 Next.js, TypeScript, Tailwind CSS 等技術。

如何使用

• 線上使用: 將 hub 替換成 diagram 在任何 GitHub URL 中即可存取其圖表。
• 私有倉庫: 點選頁面上的 "Private Repos"，按照指示提供具有 repo 範圍的 GitHub 個人存取權杖。
• 本地部署:
  • 複製儲存庫：git clone https://github.com/ahmedkhaleel2004/gitdiagram.git
  • 安裝相依套件：pnpm i
  • 設定環境變數 (建立 .env 檔案)，包含 Anthropic API 金鑰和可選的 GitHub 個人存取權杖。
  • 執行後端：docker-compose up --build -d
  • 啟動本地資料庫：chmod +x start-database.sh 及 ./start-database.sh
  • 初始化資料庫結構：pnpm db:push

📌 unclecode/crawl4ai

簡介

Crawl4AI 是一個開源、高效能的網頁爬蟲和資料擷取工具，專為大型語言模型 (LLM)、AI 代理程式和資料管道而設計。它提供極快的速度、精準的資料擷取和簡便的部署方式，讓開發者能輕鬆獲取網頁資料。目前在 GitHub 上非常活躍，並擁有龐大的社群支援。 版本 0.5.0 引入了深度爬取、記憶體自適應排程器、多種爬取策略、Docker 部署、命令列介面等眾多功能。

主要功能

• Markdown 生成: 產生乾淨、結構化的 Markdown 檔案，並包含引用和參考文獻。支援自定義策略和 BM25 演演算法過濾無關內容。
• 結構化資料擷取: 支援所有 LLM (開源和商業) 進行結構化資料擷取，包含分塊策略 (基於主題、正規表示式、句子級別)、餘弦相似度比對和 CSS 選擇器。
• 瀏覽器整合: 支援多種瀏覽器 (Chromium、Firefox、WebKit)，提供完整的瀏覽器控制，包含會話管理、代理支援、動態視窗調整等功能。
• 爬蟲與擷取: 支援媒體檔案 (圖片、音訊、影片) 擷取，動態內容擷取 (執行 JavaScript)，螢幕截圖，以及完整的連結擷取和 iframe 內容擷取。包含快取機制和錯誤處理。
• 部署: 提供 Docker 部署方案，支援 JWT 身份驗證和可擴充套件架構，方便雲端部署。
• 其他功能: 隱身模式 (避免機器人偵測)、基於標籤的內容擷取、連結分析、CORS 支援等。

如何使用

• 安裝: 使用 pip install -U crawl4ai 安裝穩定版本，或使用 pip install crawl4ai --pre 安裝預覽版本。 crawl4ai-setup 完成後續設定。 如有瀏覽器相關問題，可手動安裝 python -m playwright install --with-deps chromium。
• Python 使用: 使用 AsyncWebCrawler 類別，搭配 arun 函式執行爬取，並取得 Markdown 結果。程式碼範例如下：

import asyncio
from crawl4ai import *

async def main():
    async with AsyncWebCrawler() as crawler:
        result = await crawler.arun(url="https://www.example.com")
        print(result.markdown)

if __name__ == "__main__":
    asyncio.run(main())

• 命令列介面: 使用 crwl 命令執行爬取，例如 crwl https://www.example.com -o markdown。 支援深度爬取、設定最大頁數等選項。
• Docker 部署: (目前版本已過時，新版本即將推出) 參考檔案中的 Docker 部署指南。

📌 jlowin/fastmcp

簡介

FastMCP 是一個快速且 Pythonic 的 MCP (Model Context Protocol) 伺服器建構工具，旨在簡化 MCP 伺服器的建立過程。MCP 伺服器提供標準化方式，讓大型語言模型 (LLM) 應用程式存取資料和功能，而 FastMCP 則以簡潔的 Python 程式碼實現此功能。它處理複雜的協定細節和伺服器管理，讓開發者專注於建立工具。目前 FastMCP 仍在積極開發中，核心功能已運作，但某些進階功能仍在開發中。 它已整合到官方的 MCP SDK 中，可於 github.com/modelcontextprotocol/python-sdk 取得。

主要功能

• 快速：高階介面意味著更少的程式碼和更快的開發速度。
• 簡單：使用最少的樣板程式碼建立 MCP 伺服器。
• Pythonic：對 Python 開發者來說感覺很自然。
• 完整性：致力於提供核心 MCP 規範的完整實作 (仍在開發中)。
• 支援 Resources：讓 LLM 存取資料，類似 REST API 的 GET 端點。
• 支援 Tools：讓 LLM 執行動作，類似 REST API 的 POST 端點，可以包含複雜的輸入處理和型別驗證(使用Pydantic)。
• 支援 Prompts：可重複使用的 LLM 互動模板，定義互動模式。
• 支援 Images：自動處理圖片資料，支援讀取、轉換和 MIME 型別。
• 提供 Context 物件：提供進度報告、日誌記錄和資源存取等功能。

如何使用

• 安裝: 使用 uv pip install fastmcp (建議) 或 pip install fastmcp。 macOS 使用者可能需要使用 Homebrew 安裝 uv (brew install uv)。
• 建立伺服器: 使用 FastMCP 類別建立伺服器例項，並使用裝飾器 @mcp.tool()、@mcp.resource() 和 @mcp.prompt() 定義工具、資源和提示。
• 開發模式: 使用 fastmcp dev server.py 啟動開發模式，提供互動式測試介面、詳細日誌和錯誤訊息以及效能監控。可使用 --with 指定相依性，--with-editable 掛載本地程式碼以進行即時更新。
• Claude Desktop 整合: 使用 fastmcp install server.py 將伺服器安裝到 Claude Desktop 中，可以使用 --name 自訂名稱，使用 -e 或 -f 設定環境變數。
• 直接執行: 使用 fastmcp run server.py 或直接執行 Python 程式碼 python server.py (需要自行管理相依性)。
• 伺服器物件名稱: 預設尋找 mcp、app 或 server 物件，否則使用 server.py:my_server 指定。
• 範例：參考 examples/ 目錄中的範例，例如 Echo 伺服器。

📌 microsoft/ai-agents-for-beginners

簡介

此課程包含十堂課，教授建構 AI 代理程式所需的一切基礎知識。每堂課涵蓋不同的主題，您可以從任何一課開始學習。本課程支援多種語言，並提供程式碼範例，範例使用 Azure AI Foundry 和 GitHub Model Catalogs 與語言模型互動，需要 Azure 帳戶或使用免費但有限制的 GitHub Models。課程也使用 Azure AI Agent Service、Semantic Kernel 和 AutoGen 等 Microsoft 的 AI 代理程式框架和服務。 課程包含書面教材、簡短影片和額外學習資源連結。

主要功能

• 提供十堂課，循序漸進教學。
• 每堂課包含書面教材、影片和程式碼範例。
• 支援多種語言，包含繁體中文。
• 使用 Azure AI Foundry 和 GitHub Models 作為程式碼範例的基礎。
• 涵蓋 AI 代理程式的各種設計模式，例如 Tool Use、RAG、Planning、Multi-Agent 和 Metacognition。
• 教學如何建立值得信賴的 AI 代理程式。
• 探討 AI 代理程式框架，例如 Azure AI Agent Service、Semantic Kernel 和 AutoGen。
• 提供額外的學習資源連結。
• 適用於初學者，無需預備知識。
• 涵蓋 AI 代理程式的應用場景和案例。

如何使用

• 前往課程頁面，選擇您想學習的章節。
• 每個章節包含書面教學、影片教學以及 Python 程式碼範例。
• 您可以 fork 此 repository 並在您的環境中執行程式碼範例。
• 需要 Azure 帳戶或使用 GitHub Models (免費/有限制)。
• 參考提供的額外學習資源，深入瞭解相關知識。
• 若遇到問題，可加入 Azure AI 社群 Discord 尋求協助。
• 程式碼範例位於 code_samples 資料夾中。
• 如有建議或發現錯誤，請提交 issue 或 pull request。