🎬 把剧本直接喂给 AI，自动拆成可生成的专业分镜！ PenShot 基于 LangGraph 多智能体协作，可将电影、短剧、动漫甚至小说，一键转换为镜头描述和 Sora / Veo / Runway / 可灵提示词。 真正的亮点是「连续性」：角色不变脸、场景不乱跳、剧情不断片。 ⚡️ pip install penshot，3 行代码即可接入。 🗂 #AI# #分镜# #视频生成# #开源项目#

华尔街量化系统被人用AI Agent复刻了，还专门适配了A股！ 这个项目叫 TradingAgents-CN，基于LangGraph打造的多Agent协作炒股框架，原版是美股学术项目，这个fork做了完整的中国市场适配。 目前 GitHub 22,400 Star，维护快一年了，不是那种扔出来就跑路的玩具项目。 它的架构直接照着顶级投行团队来搭的： ① 基本面分析师 — 财报、估值、行业对比 ② 技术面分析师 — K线形态、指标信号 ③ 新闻分析师 — 舆情、政策、事件驱动 ④ 风控经理 — 仓位管理、止损止盈 ⑤ 交易员 — 汇总所有意见，最终拍板下单中国化适配做得非常扎实：同时支持A股、港股、美股 数据源接akshare、yfinance、Finnhub等 三层缓存（Redis+MongoDB+File），稳得一批 Streamlit网页界面，实时看每个Agent分析过程 Docker一键部署，amd64和arm64都支持 1195次commit，认真在迭代，不是套壳演示。 但必须扎心提醒： 目前AI Agent炒股没有任何公开、经过长周期验证的稳定正收益案例。 LLM擅长处理文本，但对市场微观结构和真实风险的理解依然有限。 用来学习Agent架构、做量化研究、写论文 → 非常值得玩 直接拿去实盘梭哈 → 请先想清楚自己亏得起多少 22,400 | 4,600 GitHub地址： 想搞AI量化、研究多Agent协作的兄弟，这波可以冲！

华尔街直接被干懵了！有人把顶级投行那套多Agent量化交易系统，完整复制成了中国版！🔥 TradingAgents-CN，基于LangGraph的多AI Agent炒股框架，直接模拟了完整投研团队： 1️⃣ 基本面分析师 2️⃣ 技术面分析师 3️⃣ 新闻舆情分析师 4️⃣ 风控经理 5️⃣ 交易员 五位AI专家实时协作，A股、港股、美股全适配，三层缓存+Docker部署，Streamlit界面丝滑到飞起！🚀 1195次commit，整整维护近一年，量化&Agent玩家直接高潮！ 但别上头：仅供研究学习，别拿去实盘找死！ 🔗

华尔街直接被惊到了！ 有人把顶级投行多Agent量化交易系统，完整做成了中国版！ TradingAgents-CN —— 基于LangGraph的多AI Agent炒股框架 模拟完整投行研究团队： 基本面分析师 + 技术面分析师 + 新闻舆情分析师 + 风控经理 + 交易员 五位AI专家实时协作决策！ 已适配A股、港股、美股，三层缓存+Docker部署，Streamlit界面丝滑 1195次commit，认真维护近一年！ 量化&Agent玩家狂喜！ 但请理性：仅供研究学习，勿直接实盘！

🎁 Hugging Face 把一整套 AI Agent 课程免费开源了，从原理一路带到自己做出一个能跑的智能体 GitHub 揽获 3.1 万 stars，课程署名作者是 Ben Burtenshaw、Joffrey Thomas、Thomas Simonini 和 Sergio Paniego。 想入门 agent 的人最常卡在同一个地方：教程东一篇西一篇，看完一堆概念，还是不知道自己该动手做什么。这套课把顺序替你排好了，从智能体和大模型基础起步，中间过函数调用微调、可观测性与评估、智能体式 RAG，最后是游戏里的智能体。 框架不是只讲一个，smolagents、LlamaIndex 和 LangGraph 三套都带你走一遍。收尾是一个真项目：自己建智能体、测试、跑自动评估，通过了发认证，还能上学员排行榜。前置要求只有 Python 基础和对大模型的基本了解。 学 agent 最难的从来不是看不懂，是不知道下一步该学什么。 GitHub：

✨ 太强了，一套从零手写 AI Agent 的中文教程，16 章一路带到你能跑起来的项目 GitHub 上已经 7.4 万 star，Datawhale 社区出品 想入门 Agent 的人多半卡在同一个地方：ReAct 的论文看懂了，不知道怎么接检索；框架一会儿有人说用 Dify，一会儿有人说用 LangGraph，也没人讲清楚差在哪。资料东一篇博客西一个视频，学到第三周还在原地。 这套教程把基础理论、开发实践、高级技术、综合案例和毕业设计连成一条线，推理范式、主流框架和 RAG、MCP、A2A、SFT、GRPO 这些都在同一条路径上讲。跟到最后手里是三个能跑的东西：智能旅行助手、自动化深度研究智能体和一个赛博小镇。 配套代码、在线阅读和 PDF 都有，内容按知识共享的非商业协议放出来，自己学和团队内部用都没问题。 学完不是知道 Agent 是什么，是手里有三个跑得起来的东西。 GitHub：

巴菲特和芒格在同一个群里帮你选股，这事儿现在被人在 GitHub 上实现了。 这个叫 ai-hedge-fund 的开源项目在 GitHub 上暴涨到了 6.2万+ Star。开发者把巴菲特、芒格、西蒙斯、塔勒布等 12 位顶级投资大师的策略直接封装成了 AI Agent，甚至还配了风控经理和投资决策委员会。项目基于 MIT 协议开源，完全支持本地部署和自建回测。 大师组团开会：12 个 AI 大师智能体共同分析同只股票并展开辩论 全流程模拟：自带回测与风控模块，先看收益曲线再考虑出招 模型门槛极低：原生支持 DeepSeek、OpenAI、Anthropic 等 13 种大模型 API 开箱即用：终端一行命令拉起，还能用 LangGraph 自定义你的智囊团 🔗 项目地址：

以为 OpenAI 那种高门槛的 Deep Research 离普通人很远？LangChain 官方直接把底裤都给扒出来了。 LangChain 开源的 open_deep_research，说白了就是完全开源复刻了顶尖 AI 机构的“深度研报生成引擎”。基于 LangGraph 构建，采用了 Supervisor + Sub-Agent 的多智能体协作架构（MIT 协议）。不管你是接 OpenAI、Claude 还是挂 DeepSeek，几分钟就能在本地搭出一个能自主拆解课题、多线程联网搜资料、自动交叉验证并生成长篇研报的 AI 代理系统。 需求主动澄清：课题太模糊它不上杠，先提问把你需求搞明白再动手 任务并行拆解：主智能体切分子课题，派多个子 Agent 独立去抓资料 智能体开发者社区 - CSDN 上下文防暴击：子 Agent 自动清洗垃圾网页，只向上汇报高密度信息 模型自由切换：想省钱直接用开源大模型，不用被单一厂商绑定 GitHub：

用 AI Agent 写代码、做任务，同样的坑踩了好几次，每次开新会话它什么都不记得。 Acontext 做的事很直接，把 Agent 运行过程中学到的经验自动提取出来，存成 Markdown 技能文件。 这些文件能直接读也能直接改，运行 Agent 调工具时能拿到之前的经验，不用再从头踩。 GitHub： 支持自部署，提供 Python 和 TypeScript 两套开发包，兼容 Claude Code、LangGraph 等主流框架。 在做 Agent 开发的朋友，想让 Agent 越用越顺手可以看看这个。

刚把 Windows 上跑了半年的 Hermes 全部 profile 打包进 U 盘，531 个文件，插上 Mac mini 直接续命。过程比想象中简单，总结一下各大 AI 框架怎么搬。 Hermes Agent 核心就一个目录： %APPDATA%\Local\hermes。config、SOUL 人设、API key、聊天记录全在里面。 U 盘拷过去，macOS 上放到 ~/Library/Application Support/hermes/，不用重配，不用重登，打开就是原来那个人格。 Open Interpreter / Claude Code / Codex CLI 这类 CLI Agent 更简单。 配置文件一般在 ~/.open-interpreter、~/.claude、~/.codex，直接拷。 API key 在 .env 或者各自 config 里，macOS 上 pip install 装好就能跑。注意 Windows 的路径分隔符 \ 换成 /，别的不用动。 Docker 跑的 Agent（AutoGPT、LangGraph、CrewAI） 有 Docker 就更好办了。docker-compose.yml + volumes 目录整个打包，Mac mini 上装好 Docker Desktop，docker compose up -d 原地复活。数据卷随身走，环境零差异。 关键三步 1:找到数据目录（config/keys/sessions 在哪） 2:拷到 U 盘 3:Mac 上放回对应路径，装好依赖 别被"跨系统迁移"吓到，大部分 AI Agent 本质就是一堆文本文件加几个 API key。Windows 能跑，Mac 一样能跑。数据在你手里，想搬就搬。 兄弟们你们跨系统时候AI大模型是怎么操作的呢？重新在养吗？