📬 又挖到一个好东西，它能把微信公众号变成 RSS，从此不用再进微信看文章。 4k star，Python 加 FastAPI 写的，自己部署，MIT 许可证。 关注的公众号一多就废了：消息折叠在一个入口里，一天不看就堆几十条，想找上个月看过的某篇文章，只能一直往上翻。而你其他的信息源，博客、新闻、播客，可能早就统一在 RSS 阅读器里了，唯独公众号是个孤岛。 WeRSS 把这座岛接了回来。扫码授权后它定时抓取你关注的公众号，生成标准 RSS 链接，丢进任意阅读器就和其他订阅混在一起看。文章还能导出成 Markdown、PDF、DOCX，想存档的直接落盘，不怕哪天原文被删。它也支持 Webhook 和 HTML 过滤规则，能把每篇文末那堆推广内容提前洗掉。 信息该由你决定怎么排，不是由 App 决定。 GitHub：

🎞️ 又挖到一个，给个故事主题就生成一条完整视频 GitHub 上 2.4K stars 做故事类短视频的流程很长：先写脚本，再一张张配图，然后录音，最后剪辑加字幕。一条几分钟的视频，一天就交代进去了。 story-flicks 把这条链路压成一次生成：输入故事主题，它生成故事内容，按分段数量逐段配图，再合成音频和字幕，出来就是一条成片。界面上能选模型提供商、视频语言、声音和故事分段数。 模型这块是解耦的，文本生成支持 OpenAI、阿里云、DeepSeek、Ollama 和 SiliconFlow，图像生成支持 OpenAI、阿里云和 SiliconFlow，想用便宜的国产模型也行。后端 Python 配 FastAPI，前端 React 加 Ant Design，Docker Compose 起。 内容生产的瓶颈，正在从执行转回创意本身。 GitHub：

📥 抖音、TikTok、B 站的解析下载，还给了一整套 API GitHub 上 19.3K stars，从 2021 年做到现在 做内容的人经常要存素材：看到一条好视频想留着当参考，或者要拿自己发过的作品做二次剪辑。手动录屏画质掉一档，找在线解析站又满屏广告。 这个项目把抖音、TikTok 和哔哩哔哩的网页数据接口都接了：网页端能批量解析，视频和图集都能下，还专门做了 iOS 快捷指令集成，手机上分享过去就能存。技术上用 X-Bogus 和 A_Bogus 处理抖音和 TikTok 的 Web API 请求签名。 后端是 FastAPI 配 HTTPX，Linux 部署脚本和 Docker 镜像都给了，Apache-2.0 协议。 要提醒的是，文档里那个演示站的在线下载功能已经关了，想用得自己部署一份。 工具本身中立，怎么用是使用者的事。 GitHub：

给 Claude、Cursor 手写 MCP 接口写到头秃？Prefect 开源的这个神器能救你一命。几行 Python 代码直接把函数转成 MCP 服务，不用搞啥繁琐的 JSON-RPC 协议了。 📦 PrefectHQ / fastmcp Prefect 团队（对，就是那个做工作流大厂）出品的高级 MCP 框架。直接把 MCP 的接入门槛压到了极致，甚至连官方 Python SDK 1.0 用的都是它的底子。 装饰器即插即用：写个普通 Python 函数加 @mcp.tool，类型推导、Schema 校验和 Docstring 文档全自动生成。 增强代码 REST API 一键转 MCP：原生支持从 OpenAPI / FastAPI 直接生成 MCP 服务，现有后端系统几分钟就能改成 AI 工具库。 开箱即用企业级功能：内置 OAuth 2.1 鉴权、OpenTelemetry 链路追踪，生产环境该有的东西全给你准备好了。 极简本地调试 CLI：命令行直接 fastmcp call 或 fastmcp list 测试，不需要为了调一个接口开一堆客户端。 🔗 传送门：

📝 炸裂，丢个视频链接进去，出来的是整理好的文字稿和摘要 GitHub 上 3K stars 想吸收一个两小时的播客或者长视频，倍速听完还是记不住重点。找现成的字幕，机器转的满篇错别字，还得自己顺一遍。 这个项目的流程是：丢链接进去，它优先扒平台原生字幕，没有字幕就用 Faster-Whisper 转录音频，然后再用大模型把转录文本优化一遍、生成多语言摘要，原文和摘要语言不一致时还顺手翻译。 来源覆盖 YouTube、TikTok、哔哩哔哩、Apple Podcasts、SoundCloud，以及其他 yt-dlp 支持的平台，本地文件也能传，默认单文件上限 200 MB。后端是 FastAPI 配 yt-dlp、FFmpeg 和 Faster-Whisper，本地装、Docker 部署都行。 信息过载的年代，能自动做摘要的工具就是时间机器。 GitHub：

📈 专门做 A 股港股美股的多智能体分析框架，中文的 GitHub 已经冲到 30.9K stars 大部分开源量化项目是给美股写的，拿回来分析 A 股，数据源接不上，财报格式对不上，最后光是清洗数据就得写一周。 TradingAgents-CN 是把 TauricResearch 那套多智能体分析搬成了中文版：数据源直接集成了 Tushare、AkShare、BaoStock 这些国内常用的，A 股、港股、美股都能分析，跑完能导出 Markdown、Word 和 PDF 的报告。大模型供应商支持好几家，最新版还加了火山方舟。 后端 FastAPI，前端 Vue 3，配 MongoDB 和 Redis，Docker 多架构镜像直接拉。 要说明的是它明确声明只用于数据分析、学习和研究，不提供实盘交易指令，也不构成投资建议。另外 app 和 frontend 两个目录是需要商业授权的，其余部分才是 Apache 2.0。 工具能帮你把功课做扎实，但按下买入键的永远是你自己。 GitHub：

如果你的团队在维护一个 monorepo，希望子项目各自有独立的钩子配置，同时又不想牺牲速度 prek 为这种场景做了专门设计 它是一个用 Rust 重写的 pre-commit 替代品，单个二进制文件，不依赖 Python 或任何运行时 但完全兼容你现有的 pre-commit 配置和钩子，无需重新编写检查规则 内置的 monorepo 模式允许每个子项目持有独立配置，还集成了 uv 管理 Python 环境 工具链共享机制让 Python、Node.js、Go、Rust 等环境在钩子间复用，减少重复安装 钩子按优先级并行运行，可以把整体执行时间压得更短 速度比原版提升了几倍，磁盘占用也减半 CPython、Apache Airflow、FastAPI 等知名项目已经换上了这套方案 如果你对 pre-commit 的速度不满意，prek 是一个可以直接迁移的高效选项。 GitHub

方便大家体验 @openclawby 数据服务 我们整理了一下 vibe coding的ai场景 仅供大家参考 逛了下 Clawby 的 Vibe 社区，发现几个挺有意思的 AI+交易产品。 核心是 Clawby Stock Report Generator——一个用 Vibe Coding 搓出来的美股分析报告生成器。 不是那种"趋势分析+免责声明"的废话生成器，而是真的有点东西。 它的数据流是这样的： 输入「AAPL」→ 后端 8+ 并发请求同时拉 10+ 维度数据： ├ 实时报价 & 市值 ├ 365 天日线 ├ 短成交量 / 短利息 / 借券费率 / FTDs ├ 暗池 Levels + Prints ├ 期权链 Max Pain ├ SEC 财务（EPS / 收入 / 净利润） ├ Reddit 情绪 └ 分红 / 拆股 / 流通股本 数据齐了 → LLM 流式生成报告 → 图表 + PDF 导出。 这个产品的架构也挺典型，基本是当下 Vibe Coding 做交易工具的标配模板： Frontend: Next.js 14 · React 18 · Tailwind CSS · Recharts Backend: Python · FastAPI · httpx Data: Clawby API（一个聚合了 10+ 维度的实时金融数据 API） LLM: OpenAI / Anthropic / DeepSeek / Ollama 任选 Deploy: Docker Compose · 零数据库依赖 它还支持自定义报告模板——4 个内置模板（全面分析/快速扫描/深度研究/财报），可以复制后改 Prompt 和章节结构。 外加 5 个交互式图表（价格走势 + MA、做空趋势、暗池分布、期权链、Reddit 情绪），以及 A4 格式的 PDF 导出。 如果你试过用 GPT 直接写分析报告，就知道"把数据喂给 LLM"和"LLM 自己从 API 拉数据"完全是两回事。 同一个社区里还有几个值得关注的产品： 🔹 Smart Money Index（聪明钱指数）—— 也是 Aaron水煎包的作品，追踪聪明钱和散户的资金流向差异 🔹 Clawby Tradingview MCP —— 把 Clawby 数据接入 TradingView 的 MCP 工具 🔹 Claw-poly —— 另一个数据聚合工具 这轮 Vibe Coding 做交易工具的趋势很明显： 不再是「AI 预测涨跌」这种伪命题，而是「AI 做数据聚合和翻译」——把 10 个维度的数据拉到一起，翻译成人类能读懂的叙事。 AI 不负责预测明天涨不涨。 AI 负责把你需要翻 5 个网站才能凑齐的信息，塞进一个对话框。 这才是目前 AI 交易最务实、最能落地的方向。 项目是 MIT 开源的，有兴趣可以去看源码： 也推荐去 Clawby Vibe 社区逛逛，上面还有不少类似的实验品。👉

🎓 兄弟们，又挖到一个宝藏课程：7 周从零搭出一套生产级 RAG 系统 GitHub 上 7.7k stars，全程动手写代码，不是幻灯片课 市面上的 RAG 教程大多直奔向量检索，demo 能跑，但是上线就崩。 这门课走的是公司里真实的路径：第一周先把 Docker、FastAPI、PostgreSQL、OpenSearch、Airflow 的基建搭起来，然后老老实实做 BM25 关键词检索，再叠上语义向量做混合检索，最后用 LangGraph 做 agentic RAG，还接了个 Telegram bot 随手提问。 跟完的产出不是 demo，是一个自动抓 arXiv 论文、能回答研究问题的完整系统。 学 RAG 最快的方式，是把它完整造一遍。 GitHub：