本文涉及的许可证结论均于 2026-11-11 逐一核对各仓库 LICENSE 原文或 GitHub API。许可证会变更，落地前请再复核一次，本文不构成法律意见。 想把一个 GitHub 项目拿来二次开发、封装成付费产品，第一道筛选不是 star 数，也不是需求热度，而是 LICENSE 文件。很多看起来「开源」的项目其实不允许你卖，或者只允许你以特定方式卖。先分清楚这一层，能省掉后面绝大部分麻烦。
标签 开源 下的文章
国产开源企业智能体平台，RAG、工作流、MCP 工具调用都自带。 企业想上 AI，卡点往往不是模型而是“把内部文档变成可问答的知识，再包成一个能嵌进业务系统的应用”。MaxKB 就是把这个链条做成一个开箱可跑的镜像：一行 docker run 起服务，上传文档就能建知识库，拖工作流就能編排。它用 Python/Django 与 Vue 构建，GPLv3 协议，定位很明确——开源的企业级智能体平台。
把 MoE 专家层放 CPU、注意力层留 GPU，让单张小显存卡跑大模型。 本地跑大模型的硬限制是显存：想跑更大的 MoE 模型，要么买两张 4090，要么放弃。KTransformers 走的是另一条路——把 MoE 的专家 FFN 放到 CPU 内存，把注意力等热路径留在 GPU，用算子级优化把两边的数据搬运压到最低。它是清华 KVCache.AI 团队主导的项目，Python 编写，Apache-2.0，19,659 星（以 GitHub 为准）。
国产开源 AI Agent 平台，拖工作流、接知识库、对外发应用一条龙。 做企业内部问答，最难的往往不是模型，是“把文档洗干净、切开、存进向量库、再包成一个能分享的对话框”这一整套。FastGPT 把这一整套做成了可视化产品：知识库、Flow 编排、插件、对外分享窗口都在一个后台里。它是国内团队用得比较多的一套，TypeScript 编写，30,020 星（以 GitHub 为准），一行 docker compose 就能跑起来。
一个能装依赖、跑命令、改代码并自己验证结果的开源编程代理。 多数 AI 编程工具停在"建议"这一步：它给你一段代码，你去复制、粘贴、跑测试。Goose 把这条链路往后推了一格——它跑在你自己机器上，能读文件、执行命令、安装依赖、跑测试，把"改完"变成"改完并验证"。项目用 Rust 编写，Apache-2.0 许可，GitHub 星标 56,439（以 GitHub 为准）。模型不绑定厂商，接哪家的 Key 都行。需要注意仓库已从早期的 block/goose 迁到 aaif...
GPT-SoVITS 用一分钟语音就能训出一个像样的 TTS 模型，是目前中文语音克隆里最容易上手的一档。 做视频配音、有声书、角色语音的人都知道：商业 TTS 听着平，定制音色又贵。GPT-SoVITS 把门槛拉到了“一分钟素材 + 一张显卡”：少量样本微调后，合成出来的音色、语气、停顿都比较接近原声。它包含推理 WebUI 与训练工具，也有现成的整合包。
exo 把几台设备拼成一个 AI 集群，跑单台机器装不下的大模型，设备越多反而越快。 本地跑大模型的老问题是显存不够：一个 70B 级模型在单张卡上根本放不下。exo 的思路是把家里/办公室几台机器联起来，自动发现彼此，把模型切分到各台设备上。它现在以 MLX 作为推理后端，所以主要面向 Apple Silicon；官方还做了 Thunderbolt 5 的 RDMA 支持，宣称跨设备延迟大幅下降。
Awesome Copilot 是 GitHub 官方收的提示词/指令/Agent/技能集合，专治“每个项目重新教 Copilot 一遍规范”。 用 Copilot 的人都有这个体验：第一次让它按团队规范写代码，得把风格、分层、命名规则全讲一遍；第二天开新项目，又得重讲。这个仓库就是把这些东西变成可复用文件：自定义指令、提示词模板、Agent 配置、技能包，按场景分好类，拿来即用。
Superpowers 不只是几个技能，它是一整套“让 Agent 按软件工程方法做事”的技能框架，包含需求澄清、计划、TDD、审阅等环节。 大多数 Agent 技能是“加一个能力”：会读 PDF、会做 PPT。Superpowers 想解决另一个问题：Agent 干活没章法，一上来就写代码，写完不测、不审。它把一整个开发流程拆成可调用的技能，强制 Agent 先问清楚需求、写计划、写测试、再实现。仓库说明里把它定位为“技能框架 + 软件开发方法论”。
SGLang 是一个高吞吐的推理服务框架，靠 RadixAttention 做前缀缓存，适合把开源模型变成对外 API。 自己部署模型，难点不在“能跑起来”，而在“多人并发时不卡”。vLLM 是一个选择，SGLang 是另一个：它把前缀共享、结构化输出、多模态推理都做进了运行时。如果你的场景里大量请求有相同的系统提示词或相同的文档开头，它的缓存命中能把吞吐拉得很高。
faster-whisper 用 CTranslate2 重写了 Whisper 的推理，相同精度下更快、显存占用更低，是本地语音转写的实用选择。 要做字幕、做会议记录、批量转写课程录音，绕不开 Whisper。但原版实现跑起来慢，一个小时的音频在旧机器上要等很久。faster-whisper 是 SYSTRAN 维护的重实现：模型权重不变，推理后端换成 CTranslate2，支持 8 位量化与批处理。对没显卡的机器，这个差别很实在。
Docling 把 PDF、Word、PPT、Excel 转成结构清楚的 Markdown / JSON，表格与阅读顺序尽量不丢。 做 RAG 的人都知道，脏数据比模型差更致命：PDF 转出来表格变成一堆错位的字符，标题与正文分不开，结果检索永远召不回正确段落。Docling 就是专门解这个问题的：它不只做 OCR，而是识别文档结构（标题、段落、表格、列表、阅读顺序），再输出结构化结果。项目最初来自 IBM Research，现在已是一个独立开源项目。
LobeChat 是一套可自托管的 AI 聊天台，把各家模型、插件、知识库、多个 Agent 放进同一个界面。 如果你的日常是在五六个 AI 网站之间切，每个网站一套对话历史、一套文件上传，LobeChat 解决的就是这个。它自己不是模型，而是前端 + 服务端：你接自己的 API Key，它把对话、知识库、插件、Agent 统一管起来。项目现在已经往“多个超级 Agent 协作”的方向走，不只是聊天框。
Zoo Code 是 Roo Code 关停后的社区续作，保留「一个编辑器里养一队 Agent」的用法。 2026 年 5 月 15 日，Roo Code 官方扩展停止服务，很多习惯它的人一时间找不到替代。Zoo Code 就是那个时候接上来的社区分支：同样跑在 VS Code 里、同样用 BYOK、同样把任务拆给不同角色的 Agent。它目前仍在活跃提交，许可证是 Apache-2.0，可以自己改、自己发。这篇只讲它现在实际能做什么，以及它和已关停的原版到底差在哪。
终端优先、双 agent 切换的开源编码代理，仓库已迁到 anomalyco 名下。 OpenCode 的定位很简单：把 agent 放在终端里，用键盘把活干完，不管 IDE。它的仓库原在 sst/opencode，现在地址已转到 anomalyco/opencode，MIT 许可，TypeScript 写的，星标约 22.6 万（以 GitHub 为准），是所有开源编码 agent 里体量最大的。默认带两个 agent：build 有完整写权限，plan 只读、执行命令前会...