欢迎

Pi Coding Agent 使用教程（二）：Skill、插件、MCP 与常用扩展 一、先理解四种扩展方式 能力 主要作用 是否直接增加工具 典型位置 Skill 给模型一套按需加载的知识和流程 通常否 ~/.pi/agent/skills/、.pi/skills/ Extension（插件） 用 TypeScript 改变 Pi 行为 是，可以 ~/.pi/agent/extensions/、.pi/extensions/ Prompt Template 保存可复用提示词 否 ~/.pi/agent/prompts/、.pi/prompts/ Theme 定制终端外观 否 ~/.pi/agent/themes/、.pi/themes/ Pi Package 打包并分发上述资源 视内容而定 npm 或 Git Pi 的“插件”在官方术语中通常指 Extension；npm/Git 上的 Pi Package 则可能同时包含多个 Extension、Skill、Prompt 和 Theme。 二、如何使用 Skill 2.1 创建一个最小 Skill 在项目中创建 .pi/skills/review/SKILL.md： # Review Skill 当用户要求代码审查时使用本 Skill。 ## 步骤 1. 先读取项目上下文和测试配置。 2. 只检查与任务相关的文件。 3. 按严重程度列出问题，并给出文件和行号。 4. 不要擅自修改代码，除非用户明确要求。 Pi 官方支持的 Skill 目录包括： ...

Pi Coding Agent 使用教程（一）：从安装到第一次完成任务 一、Pi Coding Agent 是什么 Pi Coding Agent 是一个运行在终端中的 Coding Agent。它通过模型调用工具读取文件、编辑文件和执行命令，帮助用户完成编程、文档维护、代码审查和自动化任务。 Pi 的定位不是把所有工作流都固化进核心，而是提供一个最小、可扩展的 Agent Harness： 默认提供 read、write、edit、bash 等工具；Windows 环境还可能提供 powershell。 支持交互式终端、Print、JSON、RPC 和 SDK 模式。 通过 Skill、TypeScript Extension、Prompt Template、Theme 和 Pi Package 扩展功能。 不默认内置 MCP、子 Agent、Plan Mode、权限弹窗和待办系统；这些能力可以通过 Extension、第三方 Package 或外部工具自行构建。 二、安装 2.1 使用 npm 安装 需要先安装 Node.js 和 npm，然后执行： npm install -g --ignore-scripts @earendil-works/pi-coding-agent --ignore-scripts 用于跳过依赖生命周期脚本；官方 README 说明，普通 npm 安装不依赖 Pi 的安装脚本。 2.2 使用官方安装脚本 在支持该脚本的环境中，也可以使用： curl -fsSL https://pi.dev/install.sh | sh 执行来源不明的脚本前，应先检查脚本内容和当前网络环境；生产环境或受限环境建议使用包管理器并固定版本。 ...

LLM 说明：此分类涵盖与大语言模型直接相关的框架、工具与应用。 ...

LLM This is top 10, for more click Top 100 Stars in LLM Ranking Project Name Stars Forks Language Open Issues Description Last Commit 1 ollama 158741 14061 Go 1942 Get up and running with OpenAI gpt-oss, DeepSeek-R1, Gemma 3 and other models. 2026-01-03T22:27:46Z 2 transformers 154551 31615 Python 1093 🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training. 2026-01-01T13:51:31Z 3 dify 124505 19361 Python 445 Production-ready platform for agentic workflow development. 2026-01-04T04:03:37Z 4 langchain 123311 20330 Python 207 🦜🔗 The platform for reliable agents. 2026-01-02T21:36:01Z 5 open-webui 119597 16840 Svelte 168 User-friendly AI Interface (Supports Ollama, OpenAI API, …) 2026-01-03T15:48:39Z 6 llama.cpp 92374 14357 C++ 343 LLM inference in C/C++ 2026-01-03T22:37:08Z 7 awesome-llm-apps 86402 12325 Python 1 Collection of awesome LLM apps with AI Agents and RAG using OpenAI, Anthropic, Gemini and opensource models. 2026-01-04T01:01:22Z 8 LLMs-from-scratch 82260 12349 Jupyter Notebook 0 Implement a ChatGPT-like LLM in PyTorch from scratch, step by step 2026-01-04T00:59:57Z 9 gpt4all 76998 8315 C++ 714 GPT4All: Run Local LLMs on Any Device. Open-source and available for commercial use. 2025-05-27T20:05:19Z 10 browser-use 74570 8908 Python 146 🌐 Make websites accessible for AI agents. Automate tasks online with ease. 2026-01-03T13:28:21Z ChatGPT This is top 10, for more click Top 100 Stars in ChatGPT ...

LLM This is top 10, for more click Top 100 Stars in LLM Ranking Project Name Stars Forks Language Open Issues Description Last Commit 1 ollama 152595 13172 Go 1779 Get up and running with OpenAI gpt-oss, DeepSeek-R1, Gemma 3 and other models. 2025-09-19T02:56:51Z 2 transformers 149964 30452 Python 1071 🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training. 2025-09-19T05:06:59Z 3 awesome-chatgpt-prompts 134206 17836 JavaScript 0 This repo includes ChatGPT prompt curation to use ChatGPT and other LLM tools better. 2025-09-11T10:31:45Z 4 langchain 115730 19015 Jupyter Notebook 129 🦜🔗 Build context-aware reasoning applications 2025-09-19T01:43:35Z 5 dify 114366 17571 TypeScript 461 Production-ready platform for agentic workflow development. 2025-09-19T03:32:37Z 6 open-webui 110319 15139 JavaScript 219 User-friendly AI Interface (Supports Ollama, OpenAI API, …) 2025-09-19T03:03:15Z 7 llama.cpp 86662 13075 C++ 343 LLM inference in C/C++ 2025-09-19T04:59:29Z 8 gpt4all 76695 8273 C++ 704 GPT4All: Run Local LLMs on Any Device. Open-source and available for commercial use. 2025-05-27T20:05:19Z 9 LLMs-from-scratch 71984 10411 Jupyter Notebook 6 Implement a ChatGPT-like LLM in PyTorch from scratch, step by step 2025-09-17T13:14:21Z 10 browser-use 70114 8189 Python 112 🌐 Make websites accessible for AI agents. Automate tasks online with ease. 2025-09-19T05:01:41Z ChatGPT This is top 10, for more click Top 100 Stars in ChatGPT ...

今天我们聊个实在的。Web UI确实漂亮，但对于我们这些恨不得在Vim里收发邮件的开发者来说，每切一次窗口都是对生产力的一次“打断施法”。 如果能直接在命令行里和代码助手对话，那该多爽？比如，用管道符 | 把一段代码直接传给它重构，或者用一个 alias 把它变成你自己的CLI工具。 这篇博客，就是为你准备的“懒人包”。我们将一步步搞定 Anthropic Claude 和 OpenAI Codex（我们会通过官方的OpenAI CLI来调用它）的命令行配置和使用。 Let’s do this. 第一站：驯服 Claude (通过 Python SDK) Anthropic 官方没有提供一个独立的CLI，但这根本不是问题。我们是开发者，我们自己造！最简单直接的方式就是用它的Python库写一个薄薄的封装。 1. 准备工作 Python 和 pip：确保你电脑里有这俩兄弟。没有的话，官网下一下。 Anthropic API Key：去 Anthropic官网 登录，在后台找到你的API密钥。 2. 安装 打开你的终端，一行命令搞定： Bash pip install anthropic 3. 配置 我们要做一个有素养的开发者，绝不把密钥硬编码在代码里。把它设置成环境变量： Bash # 把 'sk-...' 替换成你自己的API Key export ANTHROPIC_API_KEY='sk-...' # 为了让它永久生效，可以把这行命令加到你的 .bashrc, .zshrc 或其他shell配置文件里 echo "export ANTHROPIC_API_KEY='sk-...'" >> ~/.zshrc 4. 创建我们的 “CLI” 在你的工作目录下，创建一个名为 claude.py 的文件，然后把下面的代码复制进去。 Python import sys import anthropic # 检查是否有命令行参数作为输入 if len(sys.argv) < 2: print("用法: python claude.py \"你的问题\"") sys.exit(1) # 从命令行参数获取完整的prompt prompt = " ".join(sys.argv[1:]) try: # 初始化客户端 (它会自动从环境变量读取API Key) client = anthropic.Anthropic() # 发送请求 message = client.messages.create( model="claude-3-sonnet-20240229", # 你也可以换成 claude-3-opus-20240229 等其他模型 max_tokens=2048, messages=[ {"role": "user", "content": prompt} ] ) # 打印结果 print(message.content[0].text) except Exception as e: print(f"出错了: {e}") 5. 实战使用 现在，你的 claude.py 就是一个功能强大的CLI工具了！ ...

上次我们学会了如何创建账户、记录基本的收支。现在，是时候解锁 Beancount 的更多强大功能了！准备好了吗？我们一起来看看如何让你的 Beancount 账本变得更加高效和自动化！ 一、巧用“虚拟账户”：未来规划的好帮手 在 Beancount 里，除了我们平时接触的银行、现金这类“真实”账户，还有一种叫做虚拟账户 (Pad Account) 的概念。它们通常以 (AccountName) 的形式出现，就像是你账本里的一个特殊便签纸。虚拟账户不直接影响你银行卡里实际的钱，而是用来帮你做预算、追踪目标或者规划未来开销的。 场景示例：为一场旅行攒钱 假设你计划明年去旅行，想为此攒下 5000 块。你可以先建立一个虚拟的“旅游基金”账户： 接着，你可以每月从你的工资里“划拨”一部分钱到这个虚拟账户，表示这笔钱是专门给旅行准备的： 虽然你工商银行账户里的钱还在那里，但这笔 Beancount 记录清楚地告诉你，其中的 500 块已经“名花有主”，是为旅行预留的。等到你真的开始花这笔钱买机票、订酒店时，就可以这样记录： 通过这种方法，你的虚拟账户清晰地显示了资金的去向，也方便你追踪各个储蓄目标的进度，让财务规划变得可视化。 二、告别手动输入：让导入器帮你记账！ 手动输入每一笔交易，对于每天都有几十笔消费的朋友来说，简直是噩梦。Beancount 的导入器 (Importers) 功能就能解决这个问题！它可以帮你自动处理银行流水、信用卡账单，大大节省时间。 简单原理： 你从银行或信用卡公司下载交易记录文件（比如 CSV、OFX 或 QIF 格式）。 你需要编写一个 Python 脚本（也就是导入器），告诉 Beancount 如何“读懂”这些文件，并把它们转换成 Beancount 能识别的交易格式。 运行 bean-extract 命令，它就会自动生成 Beancount 格式的交易记录，你只需检查一下，然后粘贴到你的主账本文件里就行了。 来个概念性的导入器示例（代码仅供理解，实际使用需根据银行文件格式调整）： 假设你的银行流水 CSV 文件有 日期,描述,金额 这几列。你可以创建一个 my_bank_importer.py 文件： 在你的主 .bean 文件里，告诉 Beancount 这个导入器的存在： 然后，把你的银行流水 CSV 文件（比如 bank_statement.csv ）放到你的账本文件旁边，运行： Beancount 会生成一个新的 .bean 文件，里面就是你银行流水的交易记录，账户被暂时归类到 Income:Uncategorized 或 Expenses:Uncategorized。你只需要把这些内容复制到你的主账本，然后把临时的 Uncategorized 账户改成你实际的收入/支出账户就行了。这个过程虽然需要一点点折腾，但一旦搞定，简直是记账效率质的飞跃！ ...

告别糊涂账！用 Beancount 让你的钱袋子一目了然！ 嘿，各位理财小能手们，你们有没有过这样的烦恼：月底一看银行卡余额，心想“我的钱都去哪儿了？” 😤 各种消费软件、银行App，数据七零八碎，根本搞不清自己的财务状况？别担心，今天我要给大家介绍一个超酷的工具——Beancount！ Beancount 是什么？ 简单来说，Beancount 就是一个命令行复式记账工具。听到“命令行”和“复式记账”是不是有点懵？别怕，听我慢慢道来！ 复式记账：它可不是那种“收入减支出等于结余”的流水账。复式记账就像给你的每一笔钱都找到了“来龙去脉”。比如，你花 50 块钱买了一杯咖啡，这笔钱不仅从你的“银行账户”里出去，还会跑到你的“餐饮支出”账户里。一进一出，记录得清清楚楚，保证不会有钱悄悄溜走！ 命令行：别被这个词吓到！它只是意味着 Beancount 是一个基于文本文件的记账系统。你的所有账目都写在一个普通的 .bean 文件里，用代码编辑器就能打开。这有什么好处呢？ 数据都在你手里！ 不用担心某个 App 突然倒闭，你的数据就没了。你的账本永远是你的。 版本控制超方便！ 可以用 Git 来管理你的账本文件，每一笔修改都有记录，想恢复到哪个版本都行。 隐私性极佳！ 你的财务数据不会上传到任何云端服务器。 扩展性强大！ 社区里有很多插件，可以帮你实现各种骚操作。 所以，Beancount 不仅能帮你记清每一笔账，还能让你真正掌控自己的财务数据！它不像那些花里胡哨的 App，Beancount 追求的是极致的清晰和掌控感！ 为什么选择 Beancount？ 极简纯粹，专注数据本身： Beancount 没有花哨的界面，只有纯粹的文本数据。这让你能更专注于分析你的财务流向，而不是被各种图表和动画分心。 可定制性强： 你可以根据自己的需求创建各种账户，比如“零食账户”、“旅游基金账户”等等，灵活度爆表。 强大的报告功能： 虽然是文本文件，但 Beancount 可以生成各种专业的财务报表，让你对自己的资产负债、收入支出一目了然。 社区活跃，文档丰富： 有问题不用怕，强大的社区和完善的文档会帮你解决所有难题。 Beancount 极简上手教程：你的第一个账本！ 好了，说了这么多，是不是迫不及待想试试了？别急，我来教你如何开始你的第一个 Beancount 账本！ 步骤一：安装 Beancount 首先，你需要安装 Python。Beancount 是基于 Python 的。 如果你已经安装了 Python，打开你的命令行终端（Windows 用户是 CMD 或 PowerShell，macOS/Linux 用户是 Terminal），输入： 搞定！就是这么简单！ 步骤二：创建你的第一个账本文件 找个你喜欢的地方，创建一个文本文件，比如叫 my_accounts.bean。然后用你喜欢的代码编辑器（比如 VS Code、Sublime Text）打开它。 ...

AI排名 LLM This is top 10, for more click Top 100 Stars in LLM Ranking Project Name Stars Forks Language Open Issues Description Last Commit 1 transformers 146299 29502 Python 1073 🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training. 2025-07-02T02:11:03Z 2 ollama 145266 12262 Go 1601 Get up and running with Llama 3.3, DeepSeek-R1, Phi-4, Gemma 3, Mistral Small 3.1 and other large language models. 2025-07-01T16:46:15Z 3 awesome-chatgpt-prompts 129953 17222 JavaScript 0 This repo includes ChatGPT prompt curation to use ChatGPT and other LLM tools better. 2025-06-18T17:50:37Z 4 dify 105377 15904 TypeScript 696 Production-ready platform for agentic workflow development. 2025-07-02T03:38:45Z 5 open-webui 100908 13416 JavaScript 179 User-friendly AI Interface (Supports Ollama, OpenAI API, …) 2025-07-01T18:42:49Z 6 llama.cpp 82452 12235 C++ 309 LLM inference in C/C++ 2025-07-01T16:02:20Z 7 gpt4all 73723 8057 C++ 689 GPT4All: Run Local LLMs on Any Device. Open-source and available for commercial use. 2025-05-27T20:05:19Z 8 gpt_academic 68867 8358 Python 259 为GPT/GLM等LLM大语言模型提供实用化交互接口，特别优化论文阅读/润色/写作体验，模块化设计，支持自定义快捷按钮&函数插件，支持Python和C++等项目剖析&自译解功能，PDF/LaTex论文翻译&总结功能，支持并行问询多种LLM模型，支持chatglm3等本地模型。接入通义千问, deepseekcoder, 讯飞星火, 文心一言, llama2, rwkv, claude2, moss等。 2025-06-24T17:35:03Z 9 browser-use 64476 7361 Python 458 🌐 Make websites accessible for AI agents. Automate tasks online with ease. 2025-07-01T21:54:09Z 10 OpenHands 59693 6962 Python 296 🙌 OpenHands: Code Less, Make More 2025-07-02T01:07:49Z ChatGPT This is top 10, for more click Top 100 Stars in ChatGPT ...

Docker Compose 简介 Docker Compose 是 Docker 提供的一个工具，用于定义和运行多容器应用程序。它通过一个 YAML 文件（通常命名为 docker-compose.yml）来描述多个容器、服务、网络和卷的配置，简化了多容器应用的部署和管理。Docker Compose 适合开发、测试和生产环境，特别适用于需要协调多个容器的场景。 Docker Compose 简介 Docker Compose 是 Docker 提供的一个工具，用于定义和运行多容器应用程序。它通过一个 YAML 文件（通常命名为 docker-compose.yml）来描述多个容器、服务、网络和卷的配置，简化了多容器应用的部署和管理。Docker Compose 适合开发、测试和生产环境，特别适用于需要协调多个容器的场景。 Docker Compose模式下的容器迁移 在Docker Compose模式下，迁移涉及整个服务栈（多个容器、配置和数据卷）。以下是推荐方案： 1. 使用Docker Registry迁移镜像并结合Compose文件 方案概述： 将所有服务镜像推送到Registry，在目标环境使用docker-compose.yml文件拉取镜像并启动服务。 步骤： 在源环境推送所有服务镜像： docker-compose push 将docker-compose.yml文件传输到目标环境。 在目标环境拉取镜像并启动： docker-compose pull docker-compose up -d 优点： 安全性：Registry提供加密传输和认证。 简便性：Compose文件集中管理配置，一键部署整个服务栈。 注意事项： 确保Compose文件中的镜像标签与Registry一致。 数据卷需单独迁移。 2. 使用docker save和Compose文件迁移 方案概述： 将Compose项目中的所有镜像保存为tar文件，结合docker-compose.yml文件迁移，适合离线环境。 步骤： 在源环境保存所有服务镜像： docker save -o compose-images.tar $(docker-compose images -q | sort -u) 将tar文件和docker-compose.yml传输到目标环境。 ...