静态站点生成器不少，但很多要么依赖一堆运行时（Ruby、Node），要么模板语法反人类。Zola 反其道而行：一个二进制文件，内部集齐了所有功能——不需要外部解释器、不需要 npm install。它是用 Rust 写的，快得离谱，配上一个名为 Tera 的模板引擎，做博客、文档站、作品集都极其顺手。
更新UPDATES
组件写着写着就乱了：按钮在 A 页面正常、在 B 页面崩；改一处样式，三处莫名回归；新人接手根本不知道有哪些组件可用。Storybook 解决的就是「组件看不见、测不了、文档散」的痛点。它把每个 UI 组件放进一个独立的「工作室」里，隔离渲染、交互调试、自动出文档，是前端圈公认的行业标杆。
写技术文档、做开源站点、搭产品官网，最烦的是：构建慢、配置重、内容用 Markdown 写却要迁就笨重的框架。VitePress 专治这个。它是 Vue 团队出品的静态站点生成器，基于 Vite，主打「快」——冷启动秒开、热更新即时、产物极简。你用 Markdown 写内容，它给你一个带搜索、暗色模式、多语言的现代文档站。
AI Agent 要回答「现在发生了什么」，不能只靠训练数据，它得能联网搜、能抓页面、能读懂动态内容。Firecrawl 一直是「给 AI 用的网页上下文 API」，现在官方把它做成了 MCP 服务：搜索、抓取、解析、爬取、地图、监控、甚至浏览器级交互，全部通过 MCP 协议暴露给任意客户端。和 Apify 偏「Actor 市场」不同，Firecrawl 更像一个统一的「网页上下文引擎」，返回干净 Markdown 或结构化 JSON。
设计稿和代码之间，永远隔着一道「翻译」。设计师在 Figma 里画好界面，前端拿到截图照着写，误差、返工、来回确认是常态。Figma-Context-MCP（Framelink）直接把这道墙拆了：它是一个 MCP 服务，让 Cursor、Windsurf 这类 AI 编码工具能直接读取 Figma 文件的布局与样式信息，把设计数据变成结构化上下文喂给模型，从而「一次成型」地写出还原度很高的 UI 代码，比贴截图准确得多。
想让 AI 帮你看竞品价格、抓社媒动态、汇总搜索结果，第一步往往是「去网上把数据搬回来」。自己写爬虫要处理反爬、登录、渲染、翻页，坑一堆。Apify MCP Server 把这件事变成了「调工具」：它把 Apify 平台上成千上万个现成爬虫、抓取器和自动化工具，通过 MCP 协议直接暴露给 AI Agent。无论是社交媒体、搜索引擎、地图还是电商，Agent 一句话就能调度对应工具把数据抓回来。
如果你想从更底层理解甚至定制 MCP，而不是只用一个高层框架，那官方 Python SDK 就是地基。它由 MCP 协议方亲自维护，提供服务端与客户端的完整实现，支持 stdio、Streamable HTTP、SSE 全部标准传输。无论是要暴露工具、资源、提示词给 LLM 应用，还是写客户端去连任意 MCP 服务，这个 SDK 都是事实标准。版本已进入 2.x，API 稳定，文档体系完整。
MCP 火了之后，大家发现「写个 MCP 服务」并不难，但要把工具、资源、提示词的 schema、校验、文档、传输层都弄对，琐碎活一点也不少。FastMCP 的出现就是为了解决这个：它是目前最流行的 Python 系 MCP 应用框架，口号是「The fast, Pythonic way to build MCP servers and clients」。你只要写一个普通 Python 函数，加个装饰器，FastMCP 就自动帮你生成工具 schema、参数校验和文档，几行代...
写代码时，最常见的卡点不是逻辑，而是「这个网页到底长什么样、按钮在哪、表单怎么提交」。过去让 AI 去操作网页，要么靠截图配视觉模型，要么硬写一堆 Playwright 脚本，token 烧得飞起还容易跑偏。Microsoft 推出的 Playwright MCP 换了个思路：它把浏览器里真实的「可访问性树」（accessibility tree）喂给大模型，让模型直接读懂页面结构并下达点击、输入、导航等指令，全程不需要看像素、不需要视觉模型。本质上是给 AI 配了一个标准化...
当 AI 编码助手要「帮我看看这个 issue、给这个 PR 提个 review、查一下 CI 为什么挂了」，它首先得能安全地访问 GitHub。官方出的 GitHub MCP Server 就是干这个的：把 GitHub 平台能力通过 MCP 协议暴露给任意 AI 客户端，读仓库、查代码、管 issue 和 PR、看 Actions 流水线、读安全告警，全用自然语言完成。它来自 GitHub 官方团队，意味着权限模型、API 边界都跟着官方最佳实践走，比第三方自己接 tok...
AI 编码智能体越用越多，管理成本也跟着涨：Claude Code 开在一个终端标签，Codex 开在另一个，每个会话结束就忘光上下文，同样的项目背景你一天要讲四遍。智能体干完活，改了哪些文件、跑了什么命令、花了多少钱，全靠你自己翻终端记录还原。人变成了智能体的保姆。 Multica 的解法是把智能体当成真正的队友来管：给它们建一块看板，把任务以工单的形式派出去，智能体自己认领、汇报进度、抛出阻塞，最后交回给你评审。开源可自托管，兼容你已经在用的所有智能体 CLI，GitHu...
配音这事现在卡在两头的尴尬里：商业语音服务按字符收费，克隆自己的声音还要过审上传身份证；本地开源方案又散落各处，TTS、克隆、转录、对齐各是各的项目，命令行加 Python 环境，普通人装三天就放弃。想给视频配个自己的声音，或者把一本小说转成有声书，没有一个顺手的工具。 VoiceStudio 把这条流水线打包成了一个桌面应用：开源、完全本地运行的语音工作台，覆盖语音克隆、声音设计、视频配音、听写、转录和有声书制作，支持 646 种语言。GitHub 上 8.9 万多 Sta...
做 RAG 或智能体的第一道坎就是网页抓取：requests 拿回来的是导航栏、页脚、广告脚本混杂的原始 HTML，直接塞给大模型既费 token 又拉低质量；传统爬虫框架解决的是「怎么爬」，从没认真解决「爬下来之后怎么喂给模型」。写一套干净的去噪、抽取、结构化流水线，每个项目都要重造一遍轮子。 Crawl4AI 是 GitHub 上星数最多的开源爬虫，专为大模型和 AI 智能体设计：把任何网站变成干净、LLM 友好的 Markdown。开源部分永久免费自托管，官方另有云服务...
企业里想做内部智能体，摆在面前的通常是两条路：要么让工程师写编排代码，几周起步；要么用拖拽画布平台，上手快但复杂逻辑根本搭不出来，节点连线连到第三屏就没人看得懂。真正想要的其实是第三种：像提需求一样说一句话，直接得到一个能跑的生产级智能体。 Nexent 基于 Harness Engineering 理念做了这个尝试：零代码、纯自然语言生成智能体，统一的工具、技能、记忆与编排开箱即用，还内置约束、反馈回路和控制面。项目 MIT 开源，支持 Docker 和 Kubernete...
让 AI 编程助手写一段用某个库的代码，它经常一本正经地编出不存在的 API：函数签名是两年前版本的，参数名是自己发明的。模型训练数据有时间截点，而前端框架、云 SDK 几乎每月都在改 API。你花在纠正幻觉上的时间，往往比查文档还多。 Context7 由 Upstash 开发，专门给 AI 智能体喂最新、版本精确的文档和代码示例——直接从源头拉取，塞进智能体的上下文里。提示词末尾加一句 use context7，或者装个规则自动触发就行。GitHub 上 6.3 万多 S...