[6/30 - 7/6] GitHub Weekly Digest

📌 microsoft/generative-ai-for-beginners

簡介

此課程為 Microsoft Cloud Advocates 提供的 Generative AI 入門課程，包含 21 個教學單元，旨在教授建構 Generative AI 應用程式的基礎知識。課程涵蓋從 Generative AI 和大型語言模型 (LLM) 的基本概念到實際應用程式的開發，例如文字生成、聊天機器人、影像生成和搜尋應用程式等。課程支援多種語言，並提供 Python 和 TypeScript 的程式碼範例。 學習者需要一個 GitHub 帳號以及 Azure OpenAI 服務、GitHub Marketplace 模型目錄或 OpenAI API 之一。 課程也提供額外的學習資源和社群支援。

主要功能

• 提供 21 個教學單元，涵蓋 Generative AI 的各個面向。
• 每個單元包含簡短的影片介紹、書面教學、Python 和 TypeScript 程式碼範例以及額外的學習資源。
• 支援多種語言，方便全球學習者使用。
• 教學內容涵蓋各種 Generative AI 應用程式，例如文字生成、聊天機器人、影像生成、搜尋應用程式以及低程式碼 AI 應用程式。
• 涵蓋 prompt engineering 的技巧，以及如何負責任地開發 Generative AI 應用程式。
• 探討 Generative AI 應用程式的 UX 設計、安全性和生命週期管理。
• 提供使用 Azure OpenAI 服務、GitHub Marketplace 模型目錄和 OpenAI API 的程式碼範例。
• 提供社群支援平臺，方便學習者交流和獲得協助。

如何使用

• 建立一個 GitHub 帳號並複製此課程的程式碼庫。
• 根據課程提供的指示設定開發環境，選擇 Azure OpenAI Service、GitHub Marketplace Model Catalog 或 OpenAI API 作為程式碼執行環境。
• 按照課程順序或依據個人需求選擇單元進行學習。
• 每個單元包含影片、文字說明和程式碼範例，學習者可以參考這些資源學習相關概念並實作程式碼。
• 遇到問題可以參考額外的學習資源或加入 Azure AI Foundry Discord 伺服器尋求協助。
• 完成課程後，可以嘗試使用學習到的知識建構自己的 Generative AI 應用程式。
• 課程標示 "Learn" 單元為概念教學，"Build" 單元則包含程式碼實作範例。

📌 GraphiteEditor/Graphite

簡介

• Graphite 是一個免費且開源的向量和光柵圖形引擎，目前處於 Alpha 階段。
• 它結合了基於圖層的合成和基於節點的生成設計，提供完全非破壞性的編輯流程。
• Graphite 起源於向量編輯器，現正發展成為一個多功能的圖形工具箱，其架構更像遊戲引擎而非傳統創意應用程式。
• 它將工具與節點圖核心整合，提供使用者友善的工作流程，適用於向量、光柵及其他圖形型別。
• 未來規劃包含照片編輯、動態圖形、數位繪畫、桌面出版和視覺特效合成等功能。
• Graphite 致力於成為一個功能齊全且人人可用的藝術與設計工具。
• 專案完全由社群建立和資助。

主要功能

• 基於圖層的合成 (Layer-based compositing)
• 基於節點的生成設計 (Node-based generative design)
• 向量圖形編輯 (Vector graphics editing)
• 光柵圖形編輯 (Raster graphics editing)
• 非破壞性編輯流程 (Nondestructive editing workflow)
• 將持續擴充套件功能至照片編輯、動態圖形、數位繪畫、桌面出版和視覺特效合成等領域。

如何使用

• 目前資訊有限，需參考網站及其他檔案取得更詳細的使用說明。
• 專案仍處於 Alpha 階段，功能和介面可能持續更新。
• 可透過貢獻程式碼或捐款支援專案發展。
• 可訂閱電子報以獲取最新資訊。
• 可以參考提供的範例影片 Demo.Compilation.Video.mp4 (但檔案未提供)。
• 專案的程式碼也對開發者開放貢獻。

📌 NanmiCoder/MediaCrawler

簡介

MediaCrawler 是一個功能強大的多平臺自媒體資料採集工具，支援小紅書、抖音、快手、B站、微博、貼吧、知乎等主流平臺的公開資訊抓取。其核心技術基於 Playwright 瀏覽器自動化框架，無需 JS 逆向，利用保留登入態的瀏覽器上下文環境，透過 JS 表示式獲取簽名引數，大幅降低技術門檻。 該專案提供多種資料儲存方式，包括 MySQL 資料庫、CSV 檔案和 JSON 檔案。 此外，還有進階版 MediaCrawlerPro，提供更多功能和最佳化的架構設計，例如斷點續爬、多帳號和 IP 代理池支援等。

主要功能

• 支援多平臺：小紅書、抖音、快手、B站、微博、貼吧、知乎。
• 關鍵字搜尋：根據關鍵字搜尋相關帖子。
• 指定帖子 ID 爬取：根據 ID 爬取特定帖子。
• 二級評論爬取：獲取帖子的二級評論。
• 指定創作者主頁爬取：爬取指定創作者的主頁資訊。
• 登入態快取：儲存登入狀態以提高效率。
• IP 代理池：支援使用 IP 代理池，提升爬取穩定性。
• 生成評論詞雲圖：將評論資料生成詞雲圖。
• (MediaCrawlerPro) 斷點續爬功能。
• (MediaCrawlerPro) 多帳號 + IP 代理池支援。

如何使用

1. 安裝前置依賴：uv、Node.js (>= 16.0.0) 和 Python 相關套件 (使用 uv sync 或 pip install -r requirements.txt)。
2. 安裝 Playwright 瀏覽器驅動：uv run playwright install 或 playwright install。
3. 配置：修改 config/base_config.py 檔案中的設定，例如啟用評論爬取 (ENABLE_GET_COMMENTS) 等。
4. 執行爬蟲程式：使用 uv run main.py --platform [平臺] --lt [登入方式] --type [搜尋型別] 命令執行，例如 uv run main.py --platform xhs --lt qrcode --type search (小紅書關鍵字搜尋)。 python main.py ... 適用於原生 Python 環境。
5. 資料儲存：支援儲存至 MySQL 資料庫 (需自行初始化資料庫)、CSV 檔案或 JSON 檔案。 資料儲存位置在 data/ 目錄下。 使用 python db.py 初始化 MySQL 資料庫表格結構 (首次執行)。

📌 twentyhq/twenty

簡介

Twenty 是一款領先的開源 CRM 系統，旨在解決現有 CRM 系統價格昂貴且缺乏彈性的問題。它以使用者體驗為核心，從Notion、Airtable和Linear等工具汲取靈感，並藉由開源和社群的力量共同打造更完善的產品。Twenty 提供了一個全新的解決方案，讓使用者能自由掌控自己的客戶資料，並透過外掛生態系統持續擴充套件功能。

主要功能

• 客製化佈局：支援篩選、排序、分組、看板和表格檢視。
• 客製化物件和欄位：彈性調整資料結構以符合特定需求。
• 自定義許可權管理：透過自定義角色來管理使用者許可權。
• 工作流程自動化：利用觸發器和動作自動執行任務。
• 整合多種功能：支援電子郵件、日曆事件、檔案管理等功能。

如何使用

Twenty 提供兩種安裝方式：🚀 Self-hosting (自行託管) 和 🖥️ Local Setup (本地安裝)，詳細步驟請參考檔案說明。 使用者可以根據自身需求選擇合適的安裝方法。 目前已實作的功能包含客製化佈局、物件和欄位客製化、許可權管理以及工作流程自動化等，更多功能持續開發中。 如有任何特定需求，歡迎提交 issue 反饋。

📌 stanford-oval/storm

簡介

STORM 是一個大型語言模型 (LLM) 系統，能根據網路搜尋結果從頭撰寫類似維基百科的文章。其後續版本 Co-STORM 更進一步強化功能，允許人類與 LLM 系統協作，以獲得更一致且符合偏好的資訊搜尋和知識整理結果。雖然系統無法產生可直接發表的文章（通常需要大量編輯），但經驗豐富的維基百科編輯發現它在撰寫前的階段非常有幫助。超過七萬人體驗過我們的線上研究預覽版。

主要功能

• STORM: 將產生帶有引註的長篇文章分解成兩個步驟：預寫階段（收集參考資訊並產生大綱）和撰寫階段（使用大綱和參考資訊產生完整文章及引註）。
• STORM 的問答策略: 採用「Perspective-Guided Question Asking」和「Simulated Conversation」兩種策略，提升問題的深度和廣度，避免直接提示語言模型提問的低效。
• Co-STORM: 提出協作式論述協議，透過轉換管理策略支援人類與多種 LLM 代理（Co-STORM 專家、主持人）之間的順暢協作。
• Co-STORM 的動態思維導圖: 組織收集到的資訊，建立使用者與系統間共享的概念空間，以減輕長時間深入討論時的認知負擔。
• 模組化設計: STORM 和 Co-STORM 都以高度模組化的方式使用 dspy 進行實作，方便客製化。
• 支援多種模型和搜尋引擎: 支援 litellm 支援的所有語言模型和嵌入模型，以及多種搜尋引擎 (YouRM, BingSearch, VectorRM 等)。

如何使用

• 安裝: 使用 pip install knowledge-storm 安裝套件，或複製原始碼並安裝所需套件。
• API 使用 (STORM): 使用 STORMWikiRunner 類別，設定語言模型、搜尋引擎，並透過 run() 方法執行，引數 do_research, do_generate_outline, do_generate_article, do_polish_article 控制各階段執行與否。程式碼範例中使用了 You.com 搜尋引擎和 OpenAI 模型。
• API 使用 (Co-STORM): 使用 CoStormRunner 類別，設定語言模型、搜尋引擎，並使用 warm_start() 方法啟動，接著透過 step() 方法逐步進行協作式討論，並使用 generate_report() 生成報告。程式碼範例中使用了 Bing 搜尋引擎和 OpenAI 模型。
• 範例指令碼: examples 資料夾提供範例指令碼，方便快速上手。
• 客製化 (STORM): 可修改 knowledge_storm/storm_wiki/modules/* 中的模組，客製化知識整理、大綱產生、文章產生和文章潤飾等模組。
• 客製化 (Co-STORM): 可修改 knowledge_storm/collaborative_storm/modules/co_storm_agents.py 中的 LLM 代理和 knowledge_storm/collaborative_storm/engine.py 中的 DiscourseManager，客製化 LLM 代理策略和轉換管理策略。
• 設定 API 金鑰: 使用 secrets.toml 檔案設定 API 金鑰。