lsv

При работе с файлами в терминале обычно используют ls и cd, но они показывают только список. Чтобы посмотреть содержимое файла или быстро перейти по каталогам, приходится постоянно вводить команды, что не очень эффективно.

На GitHub нашёлся open-source инструмент lsv — трёхпанельный файловый браузер для терминала. Слева показывается родительский каталог, по центру текущий, справа идёт живой предпросмотр выбранного файла.

Управление полностью с клавиатуры. Конфигурация через Lua: темы, хоткеи, правила предпросмотра. Можно подключать внешние инструменты (например, bat, glow) для цветного рендеринга контента.

Поддерживаются файловые операции (создание, переименование, удаление), мультивыбор с копированием и вставкой, закладки для быстрого перехода по каталогам, командная панель и автодополнение.

Превью легко кастомизируется: glow для Markdown, viu для картинок, hexyl для бинарников и т.д. Конфиг гибкий.

Устанавливается через Cargo, работает на Windows, macOS и Linux, есть готовые шаблоны конфигурации из коробки.

📁 Language: #Rust 97.0%

⭐️ Stars: 71

➡️ Cсылка на GitHub

📱 @git_developer

Promptomatix

При работе с prompt’ами больше всего выматывает не придумывание, а бесконечный перебор вариантов. Поменял одно слово — результат стал хуже, добавил фразу — логика поехала. В итоге куча времени уходит на ручной тюнинг и пробу-ошибку.

Случайно на GitHub попался Promptomatix — фреймворк от Salesforce AI Research, выложенный в open source. Его цель как раз в том, чтобы избавиться от этой ручной возни с оптимизацией prompt’ов.

Он анализирует требования задачи, автоматически генерирует тренировочные данные и на основе фидбэка итеративно правит prompt, пока не выйдет на лучший результат.

Поддерживает несколько провайдеров моделей, включая OpenAI и Anthropic. Есть и CLI, и API для интеграции в проекты.

Также есть подробные Jupyter-туториалы — от базового использования до продвинутой кастомизации. Можно начать быстро через командную строку, а потом углубиться.

Если ты разрабатываешь LLM-приложения или уже устал вручную полировать prompt’ы, этот автоматизированный подход точно стоит попробовать.

📁 Language: #Python 99.5%

⭐️ Stars: 714

➡️ Cсылка на GitHub

📱 @git_developer

SvgPathEditor

Если занимаешься дизайном или фронтенд-разработкой, то SVG-пути приходится править постоянно. Обычно это выглядит так: бесконечно переключаешься между кодом и превью, меняешь координаты почти наугад. Медленно и утомительно.

Недавно на GitHub нашёл открытый инструмент SvgPathEditor. Он позволяет визуально редактировать SVG-пути прямо в браузере: перетаскиваешь точки мышкой и сразу видишь результат, чистый WYSIWYG.

Можно просто вставить код SVG-пути и редактировать его, либо создать путь с нуля: кликаешь, добавляешь команду и указываешь точки прямо на холсте.

Поддерживается drag-and-drop для контрольных точек, по клику на команду можно переключать относительные и абсолютные координаты, вставлять, удалять и преобразовывать типы команд. Есть операции масштабирования, панорамирования, поворота, округления координат, а также undo/redo.

Есть онлайн-версия, которая работает сразу из коробки, и возможность развернуть локально. Отлично подходит фронтенд-разработчикам для точной подгонки деталей иконок.

📁 Language: #TypeScript 65.5%

⭐️ Stars: 4.7k

➡️ Cсылка на GitHub

📱 @git_developer

Awesome local LLM

Если хочешь развернуть большую языковую модель локально, легко утонуть в куче инструментов и гайдов. То Ollama, то vLLM, плюс десятки фреймворков для дообучения. В итоге сложно понять, за что браться и какой стек вообще рабочий.

Случайно наткнулся на GitHub-проект Awesome local LLM. По сути, это энциклопедия по запуску LLM локально. Подборка очень полная и при этом хорошо структурирована, помогает быстро разложить весь стек по полочкам.

Внутри есть разделы по inference-платформам, inference-движкам, UI, самим языковым моделям, инструментам для разработки и ещё с десяток категорий. Плюс советы по выбору железа и полезные туториалы.

У каждого проекта указано количество GitHub Stars и короткое описание, так что можно быстро оценить популярность и понять, для чего он нужен. Также собраны обучающие ресурсы, включая YouTube-гайды и обзоры железа.

Если планируешь собирать локальное окружение под LLM или ищешь open source инструменты под конкретные задачи, эту подборку точно стоит сохранить.

⭐️ Stars: 613

➡️ Cсылка на GitHub

📱 @git_developer

nexa-sdk

Если хочется запустить быстрый, полностью офлайн и бесплатный AI-модель прямо на своём компе или телефоне, можно посмотреть в сторону Nexa SDK. Это open-source проект.

По сути, сейчас это одно из самых интегрированных и полноценных решений на рынке среди опенсорса, с нормальной экосистемой и инструментарием.

За счёт собственной технологии сжатия моделей он спокойно работает без интернета и за миллисекунды прогоняет поиск по тысячам локальных фотографий.

С обработкой десятков тысяч чувствительных документов тоже проблем нет. Все данные остаются на устройстве, так что по безопасности и приватности это сильно выигрывает у облачных API.

Есть полная совместимость с OpenAI API, поэтому его можно без боли встраивать в уже существующие дев-воркфлоу.

Плюс в комплекте идёт готовый CLI. Одна команда — и модель скачана и запущена. Вкатиться можно буквально за пару минут.

📁 Language: #Go 50.8%

⭐️ Stars: 6.5k

➡️ Cсылка на GitHub

📱 @git_developer

sokuji

При созвонах с зарубежными клиентами или просмотре иностранных стримов языковой барьер быстро становится проблемой. Большинство инструментов для синхронного перевода либо дорогие, либо дают посредственное качество.

В GitHub нашёл Sokuji — open-source инструмент, заточенный именно под реальный перевод речи в онлайне.

Он подключается к OpenAI, Google Gemini и другим популярным LLM, в реальном времени слушает микрофон и сразу воспроизводит переведённую речь.

Кроме десктопной версии есть браузерное расширение для Chrome и Edge, с нормальной поддержкой сценариев Google Meet и Microsoft Teams.

На Linux можно поднять виртуальное аудиоустройство и напрямую прокидывать переведённый звук в другие приложения. Есть поддержка сквозного аудиопотока и визуализации звука в реальном времени.

Доступны установочные пакеты для Windows, macOS и Linux. Браузерные расширения уже опубликованы в магазинах Chrome и Edge.

📁 Language: #TypeScript 60.2%

⭐️ Stars: 352

➡️ Cсылка на GitHub

📱 @git_developer

Reconya

Когда в домашней или корпоративной локалке висит куча IP-адресов и нужно понять, какие устройства вообще подключены, обычно приходится залипать в админке роутера. Наглядности ноль, деталей минимум.

Случайно на GitHub попался Reconya — опенсорсный проект для обнаружения устройств в локальной сети и их мониторинга в реальном времени.

Сделан на Go и HTMX. Автоматически сканирует сеть и находит все устройства: поддерживает активное сканирование IPv4 и пассивное прослушивание IPv6.

Умеет глубоко разбирать информацию об устройствах — показывает MAC-адрес, вендора железа, hostname и даже тип операционной системы.

В комплекте есть наглядная web-панель: видно топологию сети и онлайн-статус устройств.

Также есть скрипт установки в один клик — сам определяет тип системы, ставит зависимости и сразу запускается.

Подойдёт сетевым администраторам или тем, кто хочет проверить, не сидит ли кто-то лишний в домашнем Wi-Fi.

📁 Language: #Go 47.5%

⭐️ Stars: 895

➡️ Cсылка на GitHub

📱 @git_developer

BentoPDF

Когда нужно поработать с PDF, онлайн-инструменты из поиска обычно требуют загрузить файлы на их серверы и при этом упираются в кучу ограничений по функционалу. В итоге больше раздражения, чем пользы.

Случайно наткнулся на GitHub на BentoPDF — это open source PDF-тулбокс, где вся обработка происходит локально в браузере. Файлы никуда не отправляются.

Внутри больше 50 полезных инструментов: объединение и разбиение PDF, редактирование и конвертация, шифрование и сжатие. Можно создавать заполняемые формы, добавлять водяные знаки и номера страниц, делать OCR и вытаскивать текст.

Плюс поддерживаются разные форматы изображений для конвертации в PDF, включая HEIC и WebP. Можно работать с Markdown, JSON и другими форматами, а также чинить повреждённые PDF.

Есть Docker-образ для быстрого деплоя. Либо можно скачать готовую сборку и развернуть на любом веб-сервере. Поддерживается установка в подкаталог и упрощённый режим интерфейса.

📁 Language: #JavaScript 55.3%

⭐️ Stars: 7.7k

➡️ Cсылка на GitHub

📱 @git_developer

VideoPipe

Разрабатывать приложение для видеоаналитики с детекцией, распознаванием, трекингом, анализом поведения и прочими фичами, начиная с нуля, — это огромный объём работы.

На GitHub нашёл VideoPipe — опенсорсный фреймворк, заточенный именно под сборку видеоаналитических приложений. Функциональные узлы можно комбинировать как конструктор, собирая нужный пайплайн под задачу.

Фреймворк закрывает полный цикл: чтение и декодирование видео, многоуровневый инференс, трекинг объектов, анализ поведения, отправка данных, запись и скриншоты, наложение графики, кодирование и стриминг видео. Плюс есть поддержка интеграции мультимодальных LLM.

В комплекте больше 40 демо-примеров: распознавание и трекинг лиц, детекция автомобилей, оценка позы, face swap и другие сценарии. Есть подробные видеоуроки и документация.

Написан на C++, с минимальными зависимостями и хорошей переносимостью. Архитектура конвейерная: каждый узел работает независимо и свободно комбинируется. Поддерживаются разные inference-бэкенды, включая OpenCV, TensorRT и PaddleInference.

Если ты занимаешься видео-структурированием, умным видеонаблюдением, транспортной аналитикой или просто хочешь быстро собрать прототип video AI-приложения, этот фреймворк точно стоит посмотреть.

📁 Language: #Cpp 99.2%

⭐️ Stars: 2.1k

➡️ Cсылка на GitHub

📱 @git_developer

cocoindex

При разработке RAG-приложений или сборке базы знаний самая больная часть обычно не выбор модели, а дата-пайплайн.

Нужно писать кучу Python-скриптов для очистки данных, чанкинга и векторизации. А как только меняется исходный датасет, приходится гонять полный пересчёт — долго и дорого.

Недавно на GitHub попался CocoIndex — опенсорсный высокопроизводительный фреймворк для трансформации данных, заточенный под AI-сценарии.

Примерно в 100 строках Python можно описать весь процесс: чтение файлов, разбиение на чанки и загрузку эмбеддингов в векторное хранилище.

Поддерживаются разные источники и приёмники данных: локальные файлы, Amazon S3, Google Drive, а также векторные БД вроде Postgres, Qdrant и LanceDB.

Кроме этого, внутри уже есть готовые компоненты для текстового чанкинга, генерации эмбеддингов, парсинга PDF, построения графов знаний и других типовых трансформаций.

В проекте много примеров — больше 20 реальных кейсов: семантический поиск, графы знаний, рекомендации товаров, поиск по изображениям и т.д. Можно брать и использовать как есть.

📁 Language: #Rust 77.4%

⭐️ Stars: 4.6k

➡️ Cсылка на GitHub

📱 @git_developer

XL Converter

При работе с фотками и изображениями постоянно всплывают две боли: файлы слишком тяжёлые и формат не поддерживается. Найти инструмент, который умеет сжимать без потери качества, на практике не так просто.

На GitHub как раз попался открытый проект XL Converter. В одном интерфейсе он закрывает конвертацию между разными форматами изображений.

Поддерживается взаимное преобразование между JPEG XL, AVIF, WebP, JPEG, PNG и другими форматами. Есть параллельная обработка, так что можно гонять сразу пачку файлов.

Также есть поддержка lossless-транскодинга JPEG: размер JPEG-файлов уменьшается примерно на 16–22% без потери качества, и процесс полностью обратимый.

Помимо конвертации форматов, есть ресайз изображений. Можно менять размер по разрешению, в процентах или по минимальной стороне.

Доступны сборки под Windows и Linux, всё работает из коробки. Если часто приходится массово перегонять картинки между форматами, инструмент точно стоит посмотреть.

📁 Language: #Python 94.6%

⭐️ Stars: 399

➡️ Cсылка на GitHub

📱 @git_developer