[10/6 - 10/12] GitHub Weekly Digest

📌 Stremio/stremio-web

簡介

• Stremio 是一個現代化的媒體中心。
• 它為您的影片娛樂提供一站式解決決方案。
• 使用者可以透過易於安裝的 Addons 來發現、觀看和組織影片內容。

主要功能

• 作為一個現代化的媒體中心。
• 提供一站式的影片娛樂解決方案。
• 允許使用者發現（Discover）影片內容。
• 支援觀看（Watch）影片內容。
• 具備組織（Organize）影片內容的能力。
• 所有影片內容均透過易於安裝的 Addons 提供。

如何使用

• 建置 (Build)：
  • 先決條件 (Prerequisites)：
    • Node.js 12 或更高版本。
    • pnpm 10 或更高版本。
  • 安裝依賴 (Install dependencies)：

    pnpm install

  • 啟動開發伺服器 (Start development server)：

    pnpm start

  • 生產環境建置 (Production build)：

    pnpm run build

• 使用 Docker 執行 (Run with Docker)：
  • 建置 Docker 映像 (Build Docker image)：

    docker build -t stremio-web .

  • 執行 Docker 容器 (Run Docker container)：

    docker run -p 8080:8080 stremio-web

📌 Infisical/infisical

簡介

• Infisical 是一個開源的金鑰管理平臺，旨在幫助團隊集中管理應用程式配置和機密資訊，如 API keys 和資料庫憑證，並管理內部的 PKI。
• 其使命是讓安全工具更易於所有開發人員使用，而非僅限於安全團隊，並透過重新設計開發者體驗來實現這一目標。

主要功能

• Secrets Management: 透過使用者友善的介面管理跨專案和環境的機密；支援原生整合 (如 GitHub, Vercel, AWS)、機密版本控制和即時復原、機密輪換、動態機密生成，並提供機密掃描與洩漏預防、Infisical Kubernetes Operator 和 Infisical Agent 用於注入機密。
• Infisical (Internal) PKI: 建立 CA 階層、配置憑證模板、發行和管理 X.509 憑證生命週期 (包含 CRL)；支援過期憑證警報，並提供 Infisical PKI Issuer for Kubernetes 和 Enrollment over Secure Transport (EST) 協議。
• Infisical Key Management System (KMS): 集中管理跨專案的加密金鑰，並支援使用 symmetric keys 來加密和解密資料。
• Infisical SSH: 發行 ephemeral SSH Certificates，以實現安全、短生命週期和集中式基礎設施存取。
• General Platform Features: 提供多種身分驗證方法 (如 Kubernetes Auth, GCP Auth, Azure Auth, AWS Auth, OIDC Auth, Universal Auth)、精細的存取控制 (RBAC, 額外許可權, 臨時存取, 請求流程, 審批流程)、完整的 Audit logs，並支援 Self-hosting、Infisical SDK (Node, Python, Go, Ruby, Java, .NET)、Infisical CLI 和 Infisical API。

如何使用

• 快速入門:
  • 使用 Infisical Cloud: 最快且最可靠的方式是免費註冊 Infisical Cloud。
  • 部署到本地/雲端: 支援在本地部署或雲端自託管。
• 本地執行 Infisical:
  • 確保系統已安裝 Git 和 Docker。
  • Linux/macOS:

    git clone https://github.com/Infisical/infisical && cd "$(basename $_ .git)" && cp .env.example .env && docker compose -f docker-compose.prod.yml up
    

  • Windows Command Prompt:

    git clone https://github.com/Infisical/infisical && cd infisical && copy .env.example .env && docker compose -f docker-compose.prod.yml up
    

  • 執行後，透過 http://localhost:80 建立帳戶。
• 機密掃描與洩漏預防:
  • 掃描完整 Git 歷史:

    infisical scan --verbose

  • 安裝 pre-commit hook: 掃描每次 commit 在推送到儲存庫之前。

    infisical scan install --pre-commit-hook

📌 TapXWorld/ChinaTextbook

簡介

• 本專案旨在集中開源中國義務教育資源，以促進其普及並消除地區間的教育貧困。
• 為解決國內教育資源獲取受限，以及部分人士販售帶有私人水印資源的問題而設立。
• 另一個主要目的是幫助海外華人子弟持續瞭解並接觸國內教育內容。
• 期望能培養更多非為考學目的而自主學習的人。

主要功能

• 提供從小學、初中到高中的全套數學教育資料。
• 涵蓋大學數學課程，包括高等數學、線性代數、離散數學及機率論等。
• 由於 GitHub 對單一檔案上傳有大小限制，超過 50MB 的大型檔案會被拆分為多個約 35MB 的部分。
• 提供專用的 mergePDFs-windows-amd64.exe 工具，用於合併這些被拆分的 PDF 檔案。
• 目標是確保教育資源的免費開放獲取，避免使用者需要購買附帶水印的資料。

如何使用

• 合併被拆分的檔案：
  1. 將 mergePDFs-windows-amd64.exe 下載至包含所有被拆分 PDF 檔案的相同資料夾中。
  2. 確保 mergePDFs-windows-amd64.exe 與所有拆分檔案（例如 義務教育教科書 · 數學一年級上冊.pdf.1 和 義務教育教科書 · 數學一年級上冊.pdf.2）位於同一目錄。
  3. 雙擊執行 mergePDFs-windows-amd64.exe 程式，它將自動完成檔案的合併。
• 下載檔案合併程式：
  • 您可以透過提供的連結下載 mergePDFs-windows-amd64.exe。
• 重新下載（適用於中國內地且網路狀況良好者）：
  • 您可以利用 tchMaterial 服務重新下載所需的教育資源。

📌 microsoft/BitNet

簡介

• bitnet.cpp 是 1-bit LLMs (例如 BitNet b1.58) 的官方推論框架。
• 提供一系列最佳化的核心 (kernels)，支援在 CPU 和 GPU 上對 1.58-bit 模型進行快速且無損的推論 (NPU 支援即將推出)。
• 在 ARM CPU 上，推論速度提升 1.37x 至 5.07x，能耗降低 55.4% 至 70.0%。
• 在 x86 CPU 上，推論速度提升 2.37x 至 6.17x，能耗降低 71.9% 至 82.2%。
• 能在一顆 CPU 上執行 100B BitNet b1.58 模型，速度可達人類閱讀水準 (每秒 5-7 tokens)。
• 顯著提升在本地裝置執行大型語言模型 (LLMs) 的潛力。
• 該專案基於 llama.cpp 框架，並利用 T-MAC 的 Lookup Table 方法構建其核心。

主要功能

• 專為 1.58-bit 模型提供最佳化的 inference kernels，確保快速且無損的推論效能。
• 支援在 CPU 和 GPU 硬體上執行模型，並計劃未來支援 NPU。
• 能夠在單一 CPU 上高效執行大型模型，例如 100B 的 BitNet b1.58 模型。
• 支援多種 1-bit LLMs，包括：
  • BitNet-b1.58-2B-4T (2.4B 引數)
  • bitnet_b1_58-large (0.7B 引數)
  • bitnet_b1_58-3B (3.3B 引數)
  • Llama3-8B-1.58-100B-tokens (8.0B 引數)
  • Falcon3 Family (1B-10B) 及 Falcon-E Family (1B-3B)。
• 針對不同模型和 CPU 架構 (x86/ARM) 支援特定的 kernel 型別 (I2_S, TL1, TL2)。

如何使用

• 環境要求:
  • python>=3.9, cmake>=3.22, clang>=18。
  • Windows 使用者需安裝 Visual Studio 2022 並啟用 C++ 桌面開發、C++-CMake 工具等選項。
  • Debian/Ubuntu 可使用 bash -c "$(wget -O - https://apt.llvm.org/llvm.sh)" 指令碼進行安裝。
  • 強烈建議使用 conda 管理環境。
• 從原始碼構建:
  1. 克隆儲存庫:

     git clone --recursive https://github.com/microsoft/BitNet.git
     cd BitNet

  2. 安裝依賴 (建議使用 conda):

     conda create -n bitnet-cpp python=3.9
     conda activate bitnet-cpp
     pip install -r requirements.txt

  3. 下載模型並設定環境 (例如 BitNet-b1.58-2B-4T 模型與 i2_s 量化型別):

     huggingface-cli download microsoft/BitNet-b1.58-2B-4T-gguf --local-dir models/BitNet-b1.58-2B-4T
     python setup_env.py -md models/BitNet-b1.58-2B-4T -q i2_s
     # 或使用 --hf-repo 引數指定 Hugging Face 上的模型

• 基本推論:
  • 使用 run_inference.py 指令碼執行推論，例如：

    python run_inference.py -m models/BitNet-b1.58-2B-4T/ggml-model-i2_s.gguf -p "You are a helpful assistant" -cnv

  • 可選引數包括 -n (預測 token 數量), -t (執行緒數量), -c (上下文大小), -temp (溫度), -cnv (對話模式)。
• 執行基準測試 (Benchmark):
  • 使用 e2e_benchmark.py 指令碼進行效能測試，例如：

    python utils/e2e_benchmark.py -m /path/to/model -n 200 -p 256 -t 4

  • 引數 -m 為必需 (模型路徑)，可選引數有 -n (生成 token 數), -p (提示 token 數), -t (執行緒數)。

📌 BeehiveInnovations/zen-mcp-server

簡介

Zen MCP 是一個模型上下文協議伺服器，旨在將您喜愛的 AI 開發工具（如 Claude Code, Codex CLI）連線到多個 AI 模型。它能增強程式碼分析、問題解決及協同開發，讓您的 CLI 能夠編排一個 AI 團隊，利用多個模型的能力來提升開發效率和品質。

主要功能

• 多模型協調 (Multi-Model Orchestration)：Zen MCP 讓您的 CLI 能夠排程 Gemini、OpenAI、Anthropic 等多種 AI 模型，為每個子任務選擇最佳 AI，實現更深入的洞察和更好的解決方案。
• CLI-to-CLI Bridge (clink)：透過 clink 工具連線外部 AI CLI，如 Gemini CLI、Codex CLI，並支援 CLI 子代理 (CLI Subagents) 進行隔離任務，保持主會話上下文的乾淨。
• 上下文連續性 (Conversation Continuity)：確保對話上下文在工具和模型之間無縫傳遞，支援複雜工作流程如多模型程式碼審查 → 自動化規劃 → 實作 → 提交前驗證。
• 上下文恢復魔法 (Context Revival Magic)：即使模型的上下文重置，其他模型也能「提醒」主模型之前的討論內容，實現無縫的對話接續。
• 專業程式碼審查 (Professional Code Reviews)：透過多模型共識和分級分析，提供具體可行的回饋。
• 智慧除錯助手 (Smart Debugging Assistant)：系統性地進行根本原因分析，並追蹤假設和信心水準。
• 擴充套件上下文視窗 (Extended Context Windows)：透過委託給具備更大上下文視窗的模型（如 Gemini 的 1M tokens），突破單一模型的限制。
• 本地模型支援 (Local Model Support)：支援在本地執行 Llama, Mistral 等模型，提供完全的隱私和零 API 成本。

如何使用

• 先決條件：需安裝 Python 3.10+、Git 和 uv。
• 獲取 API Keys：選擇一個或多個 AI 服務提供者（如 OpenRouter, Gemini, OpenAI, Ollama 等）並獲取其 API Keys。
• 安裝 Zen MCP：
  • 選項 A (推薦)：克隆 GitHub 儲存庫 git clone https://github.com/BeehiveInnovations/zen-mcp-server.git 並執行 ./run-server.sh 進行自動設定。
  • 選項 B (uvx)：將特定的 mcpServers 設定加入您的 ~/.claude/settings.json 或 .mcp.json 檔案中，並配置 API keys。
• 開始使用：在您的 CLI 中直接使用 Zen，透過強大的提示詞編排多個 AI 模型，例如：

  "Use zen to analyze this code for security issues with gemini pro"
  "Debug this error with o3 and then get flash to suggest optimizations"
  "clink with cli_name=\"gemini\" role=\"planner\" to draft a phased rollout plan"

• 提供者配置：在 .env 檔案中配置您的 API Keys 和其他設定。
• 工具配置 (Tool Configuration)： Zen MCP 預設僅啟用部分核心工具以最佳化上下文視窗使用。您可以編輯 .env 檔案或 mcpServers 設定中的 DISABLED_TOOLS 列表，以啟用或禁用特定的工具（如 analyze, refactor, secaudit 等）。
• 推薦 AI 堆疊：根據您使用的 CLI（如 Claude Code 或 Codex CLI），建議搭配特定的 AI 模型以獲得最佳效果，例如 Claude Code 搭配 Sonnet 4.5 進行協調，Gemini 2.5 Pro 或 GPT-5-Pro 進行深度思考。