[11/10 - 11/16] GitHub Weekly Digest

📌 sansan0/TrendRadar

簡介

• 🚀 「熱點助手」是一個輕量、易部署的專案，旨在讓使用者告別無效刷屏，只看真正關心的新聞資訊，最快30秒即可部署。
• 此專案以輕量化、易於部署為目標，讓使用者能夠主動獲取所需資訊，而非被動接受演演算法推薦。
• 它整合了多平臺新聞資訊，並支援自定義關注點，減少對單一 APP 的依賴。
• 專案資料主要來自 newsnow 提供的 API 介面。
• 專案的發展離不開社群貢獻者、點 star 的支持者、公眾號讀者以及資金贊助者的支援。

主要功能

• 全網熱點聚合: 預設監控知乎、抖音、bilibili、華爾街見聞等 11 個主流平臺熱點，並支援自行增加額外平臺。
• 智慧推送策略: 提供三種推送模式 (當日匯總 daily、當前榜單 current、增量監控 incremental)，並可選附加「推送時間視窗控制」功能，限制推送時間範圍和頻率。
• 精準內容篩選: 透過設定個人關鍵字（如：AI、比亞迪、教育政策），只推送相關熱點，支援「普通詞」、「必須詞(+)」和「過濾詞(!)」三種語法，並可片語化管理，配置於 frequency_words.txt。
• 熱點趨勢分析: 實時追蹤新聞熱度變化，包括時間軸追蹤、熱度變化、新增檢測(🆕 標記)、持續性分析和跨平臺對比。
• 個性化熱點演演算法: 重新整理全網熱搜，根據排名高（60%）、持續出現（30%）和排名品質（10%）進行權重調整，使用者可依需求自訂這些比例。
• 多管道即時推播: 支援企業微信、飛書、釘釘、Telegram、郵件、ntfy 等多種管道，將訊息直達手機和信箱。
• 多端適配與持久化: 提供 GitHub Pages 自動生成精美網頁報告（適配 PC/移動端），支援 Docker 部署，並可將歷史記錄儲存為 HTML/TXT 格式。
• AI 智慧分析 (v3.0.0 新增): 基於 MCP (Model Context Protocol) 協議，提供 AI 對話分析系統，支援自然語言查詢、13 種分析工具（如趨勢追蹤、跨平臺對比、智慧摘要等），並可接入多種 MCP 使用者端。

如何使用

• 零技術門檻部署:
  • Fork 本專案到您的 GitHub 帳戶。
  • 若需實時更新的網頁版，Fork 後前往倉庫的 Settings → Pages 啟用 GitHub Pages。
• 設定 GitHub Secrets:
  • 在您 Fork 後的倉庫中，進入 Settings > Secrets and variables > Actions > New repository secret。
  • 根據您需要的推送平臺（如 WeChat Work、Feishu、DingTalk、Telegram、Email、ntfy），設定對應的 WEBHOOK_URL 或 TOKEN/CHAT_ID 等環境變數。
• 配置檔案調整:
  • 編輯 config/config.yaml 檔案，配置推送模式、通知選項、以及時間視窗控制等。
  • 編輯 config/frequency_words.txt 檔案，新增您關心的關鍵字，支援普通詞、必須詞(+)、過濾詞(!)和片語功能。
• 手動測試新聞推播:
  • 進入您的 GitHub 倉庫的 Actions 頁面。
  • 找到 "Hot News Crawler" 工作流並點選 "Run workflow" 即可手動觸發一次推播測試。
• Docker 部署 (推薦):
  • 下載 config.yaml 和 frequency_words.txt 到本地的 config 目錄。
  • 使用 docker run 命令或 docker-compose 啟動容器，並透過 -v 掛載配置目錄和輸出目錄，透過 -e 設定各推播平臺的環境變數。
  • 從 v3.0.5 開始，Docker 環境變數可直接覆寫 config.yaml 中的核心配置。
• AI 智慧分析部署:
  • 可透過 Cherry Studio 提供 GUI 配置介面進行快速部署，或參考 README-Cherry-Studio.md。
  • 學習與 AI 對話的技巧，參考 README-MCP-FAQ.md，使用自然語言進行新聞資料查詢與深度分析。
• 管理與除錯: 部署後可使用 docker exec -it trend-radar python manage.py [command] 命令來檢視狀態、手動執行、檢視日誌、配置等。

📌 usestrix/strix

簡介

Strix 是一個開源的 AI 代理工具，旨在透過模擬真實駭客行為，動態執行程式碼、發現並利用實際的 PoC 驗證應用程式中的漏洞。它為開發者和資安團隊提供快速、精確的資安測試，避免了手動滲透測試的開銷和靜態分析工具的誤報。目前已無縫整合 GitHub Actions 和 CI/CD 流程，可在每個 pull request 自動掃描漏洞。

主要功能

• 全方位的駭客工具包： Strix 代理內建 HTTP Proxy、Browser Automation、Terminal Environments、Python Runtime、Reconnaissance、Code Analysis 和 Knowledge Management 等工具。
• 自動化漏洞驗證： 透過實際的 PoC (Proof-of-Concepts) 進行驗證，而非產生誤報。
• 針對開發者的 CLI： 提供易於使用的命令列介面，生成具備可操作性的報告。
• 自動修復與報告： 加速漏洞的修復流程。
• 廣泛的漏洞偵測能力： 可識別 Access Control、Injection Attacks (SQL, NoSQL, Command Injection)、Server-Side (SSRF, XXE)、Client-Side (XSS, Prototype Pollution)、Business Logic、Authentication (JWT, Session Management) 和 Infrastructure (Misconfigurations) 等多種漏洞。
• 代理團隊協作： 具備多代理協作編排，可進行分散式工作流、可擴充套件的測試和動態協調。
• 應用場景： 適用於 Application Security Testing、Rapid Penetration Testing、Bug Bounty Automation 和 CI/CD Integration。
• 企業平臺功能： 提供 Executive Dashboards、Custom Fine-Tuned Models、大規模掃描、第三方整合和企業級支援。

如何使用

• 前置條件：
  • Docker (執行中)
  • Python 3.12+
  • LLM provider key (例如 OpenAI API key 或使用本地 LLM)
• 安裝與首次掃描：

  pipx install strix-agent
  export STRIX_LLM="openai/gpt-5"
  export LLM_API_KEY="your-api-key"
  strix --target ./app-directory

  首次執行會自動拉取 sandbox Docker 映像，結果會儲存到 agent_runs/<run-name>。
• 基本用法：
  • 掃描本地程式碼庫：strix --target ./app-directory
  • 資安審查 GitHub 儲存庫：strix --target https://github.com/org/repo
  • 黑箱 Web 應用程式評估：strix --target https://your-app.com
• 進階測試場景：
  • 灰箱認證測試：strix --target https://your-app.com --instruction "Perform authenticated testing using credentials: user:pass"
  • 多目標測試 (原始碼 + 部署的應用程式)：strix -t https://github.com/org/app -t https://your-app.com
  • 聚焦測試與自定義指令：strix --target api.your-app.com --instruction "Focus on business logic flaws and IDOR vulnerabilities"
• Headless 模式： 在沒有互動式 UI 的情況下執行 Strix，適用於伺服器和自動化作業，使用 -n 或 --non-interactive 旗標。當發現漏洞時，CLI 會以非零程式碼退出。

  strix -n --target https://your-app.com
  

• CI/CD (GitHub Actions) 整合： 可將 Strix 新增到您的 CI/CD 流程中，在 pull request 時執行資安測試，例如使用以下 GitHub Actions workflow：

  name: strix-penetration-test
  on:
    pull_request:
  jobs:
    security-scan:
      runs-on: ubuntu-latest
      steps:
        - uses: actions/checkout@v4
        - name: Install Strix
          run: pipx install strix-agent
        - name: Run Strix
          env:
            STRIX_LLM: ${{ secrets.STRIX_LLM }}
            LLM_API_KEY: ${{ secrets.LLM_API_KEY }}
          run: strix -n --target ./

📌 666ghj/BettaFish

簡介

"微輿" (BettaFish) 是一個從0實現的創新型多智慧體輿情分析系統。它讓使用者能像聊天一樣提出分析需求，全自動分析國內外30+主流社媒與數百萬條大眾評論，旨在破除資訊繭房，還原輿情原貌，預測未來走向，並輔助決策。"微輿" 象徵著"小而強大，不畏挑戰"的精神。

主要功能

• AI驅動的全域監控： AI爬蟲叢集7x24小時不間斷作業，全面覆蓋微博、小紅書、抖音、快手等10+國內外關鍵社媒，實時捕獲熱點內容及海量使用者評論。
• 超越LLM的複合分析引擎： 融合設計的5類專業Agent、微調模型、統計模型等中介軟體，透過多模型協同工作，確保分析結果的深度、準度與多維視角。
• 強大的多模態能力： 突破圖文限制，能深度解析抖音、快手等短影片內容，並精準提取現代搜尋引擎中的天氣、日曆、股票等結構化多模態資訊卡片。
• Agent“論壇”協作機制： 賦予不同Agent獨特工具集與思維模式，引入辯論主持人模型，透過“論壇”機制進行鏈式思維碰撞與辯論，生成高品質集體智慧。
• 公私域資料無縫融合： 提供高安全性介面，支援內部業務資料庫與公開輿情資料無縫整合，為垂直業務提供“外部趨勢+內部洞察”的分析能力。
• 輕量化與高擴充套件性框架： 基於純Python模組化設計，實現輕量化、一鍵式部署；程式碼結構清晰，易於開發者整合自定義模型與業務邏輯，快速擴充套件與深度定製。

如何使用

• 快速開始 (Docker)
  • 複製一份 .env.example 檔案，命名為 .env，並按需配置環境變數。
  • 執行以下命令在後臺啟動所有服務：

    docker compose up -d

  • 配置資料庫 (PostgreSQL，引數如 DB_HOST=db, DB_PORT=5432 等) 和大模型 (LLM) API 服務，所有 LLM 呼叫使用 OpenAI 的 API 介面標準。
• 原始碼啟動指南
  • 環境要求： 確保安裝 Python 3.9+、Conda 或 uv、PostgreSQL/MySQL (推薦 PostgreSQL)。
  • 建立環境： 使用 Conda 執行 conda create -n your_conda_name python=3.11 並啟用。
  • 安裝依賴包： 執行 pip install -r requirements.txt (或 uv pip install -r requirements.txt)。
  • 安裝 Playwright 瀏覽器驅動： 執行 playwright install chromium 用於爬蟲功能。
  • 配置 LLM 與資料庫： 複製 .env.example 為 .env，填入資料庫連線資訊和各 Agent 的 LLM API 金鑰、BaseUrl 和模型名稱 (例如 INSIGHT_ENGINE_API_KEY=, INSIGHT_ENGINE_BASE_URL=)。
  • 啟動完整系統： 在專案根目錄啟用環境，執行 python app.py。系統將執行在 http://localhost:5000。
  • 單獨啟動 Agent： 可使用 streamlit run SingleEngineApp/query_engine_streamlit_app.py --server.port 8503 等指令獨立執行特定 Agent。
  • 爬蟲系統獨立使用： 進入 MindSpider 目錄，執行 python main.py --setup 初始化，隨後可執行 python main.py --broad-topic (話題提取) 或 python main.py --complete --date 2024-01-20 (完整爬蟲流程)。

📌 opencloud-eu/opencloud

簡介

• OpenCloud Server Backend是OpenCloud伺服器的主儲存庫。
• 此儲存庫包含後端服務的 golang 程式碼。
• 若需OpenCloud的一般資訊或安裝方式，請參考 OpenCloud on Github 及 OpenCloud GmbH。

主要功能

• 專案貢獻： OpenCloud伺服器依據 Apache 2.0 許可證發布，歡迎來自各方的貢獻。
• 多種參與方式： 參與專案的方式包含回報問題或錯誤、提出功能需求、撰寫檔案、編寫程式碼或擴充套件測試、程式碼審查、以及協助社群成員。
• 社群指引： 每一份貢獻都意義非凡且受到讚賞。請參考 Contribution Guidelines 以開始參與。
• 技術棧： OpenCloud後端透過 OpenID Connect 進行使用者認證，此為貢獻者需知的重要技術資訊。

如何使用

• 產生資源： 首先，執行 make generate 以產生例如 web UI 和內建 IDP 所需的 assets。
• 編譯二進位檔： 接著，執行 make -C opencloud build 來編譯 opencloud 二進位檔。
• 啟動本地測試例項： 編譯後會產生 opencloud/bin/opencloud，可透過以下兩步驟命令立即啟動為本地測試例項：

  opencloud/bin/opencloud init && opencloud/bin/opencloud server

• 伺服器配置： 此命令會建立伺服器配置（預設在 $HOME/.opencloud），並啟動伺服器。
• 更多安裝選項： 有關更多設定和安裝選項，請查閱 Development Documentation。

📌 Skyvern-AI/skyvern

簡介

• Skyvern 利用 LLMs 和 Computer Vision 自動化瀏覽器工作流程，提供簡易 API 端點，取代傳統脆弱的自動化方案。
• 不同於依賴 DOM 和 XPath 的舊方法，Skyvern 透過 Vision LLMs 學習並與網站互動，即使網站佈局改變也能順暢執行。
• 能夠將單一工作流程應用於多個網站，具備強大適應性與複雜情境的推理能力。

主要功能

• 卓越效能: 在 WebBench 基準測試中，準確度達到 64.4%，尤其在 Robotic Process Automation (RPA) 相關的 WRITE 任務上表現最佳。
• 任務 (Tasks): Skyvern 的核心建構塊，每個任務是一個單一請求，指示 Skyvern 導航網站並完成特定目標。
• 工作流程 (Workflows): 允許串聯多個任務，形成複雜的自動化流程，支援 Browser Task, Data Extraction, Validation, For Loops 等。
• 資料提取與表單填寫: 能夠精確地從網頁提取資料，並可透過 data_extraction_schema 定義輸出結構；原生支援填寫網站表單。
• 檔案下載與身份驗證: 支援從網站下載檔案，並自動上傳至 block storage；提供多種身份驗證方式，包括 2FA (TOTP, Email, SMS) 及主流密碼管理器整合 (Bitwarden, 1Password, LastPass)。
• 彈性 LLM 支援: 廣泛支援多種 LLM 服務供應商，如 OpenAI, Anthropic, Azure OpenAI, AWS Bedrock, Gemini, Ollama, OpenRouter 及 OpenAI-compatible 端點。
• 雲端服務 (Skyvern Cloud): 提供託管的雲端版本，無需管理基礎設施，具備並行執行、反機器人機制、代理網路及 CAPTCHA 解決方案。
• 第三方整合: 支援與 Zapier, Make.com, N8N 等主流自動化平臺連線。

如何使用

• 快速開始 (Skyvern Cloud):
  • 直接前往 app.skyvern.com 建立帳戶即可使用託管服務。
• 本地安裝與執行:
  • 安裝依賴項: 需 Python 3.11.x+, NodeJS & NPM。Windows 使用者需額外安裝 Rust、VS Code C++ dev tools 及 Windows SDK。
  • 安裝 Skyvern 套件: 執行 pip install skyvern。
  • 首次執行與服務啟動:
    • 進行資料庫設定: skyvern quickstart
    • 啟動服務與 UI: skyvern run all，然後訪問 http://localhost:8080。
• 透過程式碼執行任務:
  • 使用 Skyvern Python SDK 建立例項並呼叫 run_task 方法。

  from skyvern import Skyvern
  skyvern_client = Skyvern()
  task = await skyvern_client.run_task(prompt="Find the top post on hackernews today")
  print(task)

  • 可指定 api_key 和 base_url 以切換至 Skyvern Cloud 或本地服務。
• 自定義輸出 Schema:
  • 利用 data_extraction_schema 引數，以 JSON 格式定義任務輸出，確保結果結構一致。

  task = await skyvern_client.run_task(
      prompt="Find the top post on hackernews today",
      data_extraction_schema={
          "type": "object",
          "properties": {
              "title": {"type": "string", "description": "The title of the top post"},
              "url": {"type": "string", "description": "The URL of the top post"}
          }
      }
  )

• 高階瀏覽器控制:
  • 支援連線本地 Chrome 瀏覽器 (設定 browser_path 或 .env 變數 CHROME_EXECUTABLE_PATH) 或指定遠端 CDP URL。
• 除錯指令:
  • 提供一系列 CLI 指令，如 skyvern run server, skyvern status, skyvern stop all 等，便於服務管理與除錯。
• Docker Compose 部署:
  • 透過 Docker Compose 快速設定 Skyvern 環境，只需克隆儲存庫並執行 docker compose up -d 即可啟動服務。