关注我，记得标星⭐️不迷路哦～
✨ 1: OneResearchClaw
多源自动化研究报告生成
OneResearchClaw是一个旨在实现从异构输入到结构化研究报告全流程自动化的智能工具，其核心在于构建一个技能驱动的自主研究流水线。它能够统一处理多种来源的原始材料，包括会议音视频、各类文档（PDF, DOCX等）、表格、PPT演示文稿、多文件ZIP包，甚至直接摄取arXiv、YouTube、Bilibili等平台的云端链接，并自动识别输入类型进行内容扎根。项目具备将冗长会议或复杂材料自动拆分为多个独立主题并分别生成报告的能力，并支持通过“简单/中等/复杂”模式来精细控制研究深度。在正式检索前，OneResearchClaw会生成候选查询并允许用户进行确认和调整，以确保文献检索方向的精准性。为保证最终报告的质量，它引入了多模型审查与重写机制，通过迭代修正来提升报告的完整性、证据一致性和交付适用性。此外，该项目还支持将审查后的报告导出为Markdown、DOCX、PDF、PPTX以及音频等多种格式，并可选择中文或英文输出。其独特的Skill-Evolve功能，使得系统能够根据用户反馈持续进化和定制其技能集，从而实现工作流程的个性化和自适应优化。
地址：https://github.com/gaotiexinqu/OneResearchClaw
✨ 2: PPT-Design-Prompt
PPT图像设计提示转换
PPT-Design-Prompt是一个专注于将DESIGN.md格式的网页品牌指南转换为适用于演示文稿图像的工具。该项目的核心在于提供一个Python命令行转换器，能够将上游的品牌设计参考重新解释为可供图像模型和设计代理使用的演示文稿图像提示与指导，进而生成PowerPoint、Keynote、PDF演示文稿或视觉散文所需的图像资产，而非完整的幻灯片或用户界面实现。其主要功能包括将源DESIGN.md文件转换为ppt-image/<brand>/DESIGN.md格式，并提供一个通用的演示文稿图像设计指南。值得注意的是，该仓库的设计确保了本地下载的源文件默认保持本地化，明确了开源边界，提醒用户第三方品牌材料的版权和合法分发责任由其自行承担。
地址：https://github.com/Russell-cell/PPT-Design-Prompt
✨ 3: NanaDraw
AI驱动学术流程图生成编辑
NanaDraw是一个专注于将学术论文方法描述转化为可编辑流程图的工具。它能够从输入的文本描述或手绘草图自动生成管道图，并通过草稿、生成和装配三种独特的创作模式，满足从快速构思到精细化出版的不同需求，其中装配模式支持生成可导出至PPT的结构化可编辑图表。该项目集成了draw.io编辑器用于图表微调，并配备AI助手NanaSoul，支持通过自然语言操作画布。此外，NanaDraw提供一个内置的包含250多种学术论文参考图像的风格画廊，以及一个资产工坊，其中整合了Bioicons、用户自定义资产和AI生成的材料，大大提升了图表制作的效率和定制化程度。项目支持本地存储，无需云服务，确保数据隐私，并提供中英文双语用户界面。
地址：https://github.com/Shannon4Science/NanaDraw
✨ 4: auto-memory
AI编码助手会话记忆与召回
auto-memory是一个零依赖的Python命令行工具，旨在解决AI编程代理（如GitHub Copilot CLI）因上下文窗口限制而导致的“失忆”问题。它通过以只读方式从Copilot CLI的本地SQLite会话存储（session-store.db）中检索精确的历史会话数据和文件修改记录，为AI代理提供即时且无限的上下文回忆。该工具显著提高了效率，能够将AI代理的重新定位时间从数分钟缩短到秒级，并将提示令牌消耗降低高达200倍。其核心特点包括纯Python实现无外部依赖，严格只读以确保数据安全，对数据库模式进行校验以防止数据错误，并支持任何基于指令文件的AI代理集成，同时提供多层次的渐进式信息检索策略和全面的健康检查功能，有效应对AI编码过程中上下文丢失的挑战。
地址：https://github.com/dezgit2025/auto-memory
✨ 5: little-coder
为小型本地模型优化的编码代理
little-coder是一个专为在个人笔记本GPU上运行的5-25 GB小型本地模型优化的编程代理。它基于极简的pi代理框架构建，通过一系列专门设计的pi扩展和技能文件实现了高效的编码代理功能，这些功能旨在克服小型模型的限制，包括独特的写-改工具不变性、回合制工具技能和算法速查表注入、思维预算限制、输出修复、质量监控以及针对不同基准的定制化配置文件等。该项目在Aider Polyglot等基准测试中取得了显著成果，例如使9.7B的Qwen模型表现超越了前沿模型，并成功在8GB显存的GPU上运行22GB模型，展示了其在有限硬件资源下提供强大、可定制且高效智能编码能力的独特优势。
地址：https://github.com/itayinbarr/little-coder
这就是本期的内容，记得标星⭐️点赞
，关注我不迷路哦～
