装完才发现跑不动，这些工具的已知问题都写在哪儿了？

今天这批内容里，能装进本机的工具居多，它们公开的已知问题也一样多：validate 通过不等于图画对了，代理模式会碰到兼容 Issue，跨平台支持有缺口，运行还有一定的失败率。这些记录分布在仓库 Issue、README 的括注和作者的自述里，可靠程度并不一致。先把它们分开看，比照着功能列表选型更省事。

今天值得留下的线索

上下文压缩与跨会话记忆：同一个位置，三种可逆程度

LeanCTX、Headroom、claude-mem 都插在编码 agent 与模型之间，处理的东西不一样。LeanCTX 按内容类型分派：纯文本走模式化读取或密度压缩，代码走 tree-sitter，命令输出走模式库，缓存命中返回约 13 tokens 的引用。Headroom 另有两处设计：CacheAligner 只标记易变内容、不改写提示词，CCR 把原文留在本地供 headroom_retrieve 取回，压缩因此可以回退。claude-mem 记的是工具调用与观察项，压成摘要注入后续会话，默认落托管，想留本机要显式开本地 observer。同一位置叠加两层会怎样，三篇都没说。

• LeanCTX 原理拆解：本地压缩 AI 编码上下文它把「上下文浪费在哪」讲清楚：文件重读、命令输出、会话历史各占多少，以及 16 种读取模式、tree-sitter 解析、本地账本怎么落地，还列了接入方式的代价
• Headroom 怎么在本地压缩 AI 上下文文章拆解 Headroom 的压缩链路与缓存设计，说清省下的 token 来自哪：按内容类型分流、原文留在本地可检索、CacheAligner 只标记不改写。它
• claude-mem：给 AI 编码 agent 装跨会话记忆这类插件的价值不在功能列表，而在装之前知道会踩什么。文章把安装命令、provider 取舍和记忆落点讲清楚了，更实用的是把 Issue 里的版本错配、Windo

把代码库变成可看、可查的结构，验证能到哪一步

Archify 和 Graphify 都挂在编码助手里、都做本地解析，产出物不同。Archify 按图类型分渲染器，输出自包含 HTML，3.0 起交付前跑一轮结构校验并写回执；文章也写明 validate 通过不等于画得对，大工作流会撞上 1 MiB 缓冲。Graphify 输出 graph.json 与一份报告，每条边标 EXTRACTED 或 INFERRED，写明的和推导出来的能分开看，代价是语言覆盖与最低 Python 版本仓库里没写明。一个把可信度交给校验回执，一个写进边的标记。197 补的是从 fork 到 PR 的动作顺序。

• Archify 用 Agent 把描述和仓库变成交互式架构图把 Archify 从一句话或仓库到交互式 HTML 图的链路拆开看：装法、按类型分开的渲染器、交付前的校验回执，以及仓库里十几条真实 Issue 都摆了出来。
• Graphify：把代码库变成可查询的知识图谱收录它是因为把本地 AST 解析、可追溯边和查询命令讲得具体，还汇总了 Issue 里语言覆盖与平台兼容的坑。适合已用 Claude Code、Cursor 等
• 万字长文 ｜超详细的 GitHub 教程，从入门到精通这篇把 Git 与 GitHub 的分工、SSH Key 与 PAT 的取舍、提 PR 全流程和 Actions 计费倍率讲得比较实在，命令能直接照敲，适合刚上

一个核心撑多种入口，体积与平台覆盖跟着涨

OpenHuman 和 OpenDesign 都在本地跑，都用一套核心供多种入口。OpenHuman 是 Rust 写的 harness，桌面、浏览器、终端和 Rust 库共用同一个 core，编译期用 feature gate 裁能力；500 个 agent 同进程占用 1393 MiB。代价是 Early Beta，Windows 端 OAuth 登录问题还在 Issue 里。OpenDesign 能被外部 Agent 通过 MCP、CLI、skills 调用，也能自己把 Agent 拉起来，产物可导出 HTML、PDF、PPTX、MP4；3.4 GB 仓库体积、暂无 Linux 桌面版、约 15% 运行失败率都写在明面上。入口多一条，要适配维护的地方就多一处，两篇都认这笔账。

• OpenHuman：Rust 核心的开源 agent harness值得留的是它把 agent harness 的取舍讲清楚了：四种入口共用一个 core、Cargo feature gate 怎么裁体积、内存与启动的量化数字都
• OpenDesign：让编码 Agent 产出可交付的设计文件这篇的用处是给选型提供代价清单，不是功能宣传：3.4 GB 仓库体积、暂无 Linux 桌面版、BYOK 配置门槛、1162 个开放 Issue 和约 15%

检索、监控、扫描、编排：装完还要先定后端

LightRAG、txtai、changedetection.io、Maigret 和 CrewAI 用途差得远，卡点相似：跑起来前要先做几个不好回头的选择。LightRAG 要提前定存储后端，实体目前只按名称完全匹配合并。txtai 把向量、图与关系库合成一个对象，README 的例子里 1 万条文档约占 4.32 GB 内存，写入侧有每 2 秒 upsert 撞上 SQLite 锁的反馈。changedetection.io 的 AI 摘要与 Visual Selector 标注在订阅服务里，自托管版本是否包含，仓库没有说明。Maigret 默认只扫 500 站，剩下的时间和反爬代价自己承担。CrewAI 把重试幂等与工具授权留在了应用层。

• 给文档建知识图谱再问答的 RAG 框架（LightRAG）仓库规模、版本时间线与能力清单都写到了可核对的粒度，尤其是安装前提、参数位置和 Issue 里暴露的坑，能帮人少走一段配环境的弯路。适合愿意自选存储后端、给自家
• 用一个索引同时做语义搜索与 LLM 编排（txtai）txtai 值得留下，是它把选型最难问清的两件事摊开了：一套 embeddings 数据库同时覆盖向量、图与关系查询，以及为此付出的内存与写入代价。4.32GB
• 盯住网页改动并自动通知（changedetection.io）收录它是因为把能力边界与已知问题放在一起讲：README 标注为订阅/托管服务提供的 AI 摘要与 Visual Selector、JS 页面需另配抓取器，以及
• 用用户名在近六千个网站查找账号（Maigret）工具型选题里少见的把默认值、代价和做不到的地方写清楚了：默认只扫 500 站，-a 全量的时间与反爬成本、递归搜索依赖目标自己留了跳转链接、中文平台支持仍是待解
• CrewAI 与 adk-python、embabel 怎么选这篇把 CrewAI 的两层原语讲清楚了：Crews 管角色分工，Flows 管事件驱动，两者能嵌套，等于说清了它的抽象边界在哪。对 adk-python、em

流程写成 Skill 或教程之后，能带走的是顺序

187、188、198 都把制作过程收进 Skill：剪辑那条把 SOP 变成可复用的代码流程，动效那条列出导演层 Brief、分镜、物理、光源、节拍、自检这份清单，婚礼视频那条是 14 步引导，需要判断的地方会停下来等确认。186、192、193、194 把工具接进日常，小程序、笔记库、Grok Bot 各自的门槛不同：微信号、一个本地 Markdown 文件夹、套餐资格。196 和 197 与 AI 工具无关，但同属个人经验型长文，方法写得细，结果数字只有作者自己。这一组里，顺序可以照抄，效果不能照抄。

• 分享我用codex做AI自动化剪辑经验。价值在于把「用 Codex 自动剪视频」拆成可操作的链路：Agent、Skill、素材库的分工，HyperFrames、Remotion、ChatCut 的取舍
• 全网首发！用 Codex 自动生成顶尖动效视频把动效制作从换提示词转成一条链：导演层 Brief、分镜、主次景深、物理、光源、节拍音效、自检，再配可对照的参考库。做 AI 视频却常出「PPT 感」的人，可以
• AI婚礼视频定制教程+引导式skill把一个可接单的 AI 婚礼视频流程拆成 14 步带确认点的引导式 Skill，从故事采集卡到文案、配音、分镜、生图、视频、混音、组装都给了操作位置，成本拆解和抽
• 0基础速通！手把手教你用WorkBuddy开发出自己的第一个微信小程序小程序从电脑跑到别人手机上，中间要过开发者工具、AppID、上传、审核、后端、登录这几关。作者按操作顺序拆开写，试用版和正式版的差别、服务类目与备案的门槛都落到
• 从0到1 构建AI 知识工作流，Obsidian笔记入门把 Obsidian 从建库、frontmatter 规范、入口笔记一直串到 AI 的三层架构（raw/wiki/output），给的是命令、prompt 和边
• 超简单 Grok Bot。这是一份可以照着走的 Grok Bot 上手记录：从套餐门槛、Cursor 账号登录，到建第一个机器人、拉团队、装市场插件，步骤具体，末尾还附了与 Claude
• 万字长文｜Grok Bot 从入门到精通这篇把 Grok Bot 当成一套可照做的岗位搭建流程：岗位说明写什么、派活要交代哪五件事、Skill 什么时候沉淀、定时任务先怎么测、审批边界设在哪，步骤落到
• 两个月雅思6.5：零基础备考全拆解｜附所有踩过的坑，我敢说看这篇文章就够了一位四级未过线、六战雅思的作者给出的备考拆解，价值在于把听力精听、阅读拆句、口语串题、大作文三模板这些可执行动作写细了，并附工具与踩坑清单。适合基础薄弱、需要练

把这些内容放在一起看

• 176 与 179 在回答同一件事的两半：Archify 用校验回执说明产物结构合不合规，Graphify 用 EXTRACTED／INFERRED 标明每条边是读到的还是推出来的。两边都承认可信度有上限，一个是校验会放过问题，一个是语言覆盖有限。
• 178、182、181 争的是同一个位置。Headroom 的 CCR 让模型能取回原文，LeanCTX 用确定性引用替代重读，claude-mem 把摘要写进记忆库跨会话复用。三篇都没有交代两层叠加时谁先处理。
• 184 和 180 把维护面写在同一个地方：入口越多，要适配的组合越多。OpenHuman 用 feature gate 在编译期做减法，OpenDesign 的平台兼容表每多一列就多一份维护面。
• 185 和 191 都往一套存储里塞多种索引，麻烦也都在写入和迁移侧：LightRAG 的实体只按名称完全匹配合并，txtai 的 upsert 撞过 SQLite 写锁。

阅读时需要保留的判断

• 176、178、179、180、181、182、184、185、189、190、191 里的 star、fork、Issue 数、内存占用、压缩率、token 节省量、运行失败率，来自 GitHub 抓取快照或项目自身披露，诀.com 未独立验证，也没有复现。
• 187、188、198、186、193、194、196 的收益、耗时、成本、分数、成交单量均为作者自述，没有第三方记录可对照；其中 198 的成本与 188 的 API 花费还依赖具体模型版本和渠道。
• 190 的 AI 变更摘要与 Visual Selector 明确标注为订阅或托管服务的功能，开源自托管版本是否包含，仓库没有说明，这两项决定了它是否对得上需求。
• 189 默认只覆盖 500 个站点，递归搜索依赖目标自己在主页留了跳转链接，把它当成全量排查工具会高估结果。

按需求选择阅读顺序

先看插在 agent 与模型之间的那一层

三篇处理对象不同、可逆性也不同，先弄清哪一种压缩可以回退，再决定装不装

让助手看见代码结构

从边上标的是读到的还是推出来的，到交付前的校验回执，再到提 PR 的动作顺序

挑本地跑的 harness 与设计端

先看仓库体积、平台覆盖和运行失败率，这三项决定它能不能长期挂在你的机器上

只想知道 Agent 怎么用起来

从岗位怎么写、上手步骤怎么走，最后落到一个能交付出去的具体项目

今日全部收录

• Archify 用 Agent 把描述和仓库变成交互式架构图把 Archify 从一句话或仓库到交互式 HTML 图的链路拆开看：装法、按类型分开的渲染器、交付前的校验回执，以及仓库里十几条真实 Issue 都摆了出来。
• gptme：终端里的 AI agent 怎么装怎么用讲清 gptme 的安装前提、最短启动路径、结果落在哪里，也点明不自带模型额度、沙箱要额外配置 Docker 或 Wasmtime 这些边界。适合已经在终端里干
• LeanCTX 原理拆解：本地压缩 AI 编码上下文它把「上下文浪费在哪」讲清楚：文件重读、命令输出、会话历史各占多少，以及 16 种读取模式、tree-sitter 解析、本地账本怎么落地，还列了接入方式的代价
• Graphify：把代码库变成可查询的知识图谱收录它是因为把本地 AST 解析、可追溯边和查询命令讲得具体，还汇总了 Issue 里语言覆盖与平台兼容的坑。适合已用 Claude Code、Cursor 等
• OpenDesign：让编码 Agent 产出可交付的设计文件这篇的用处是给选型提供代价清单，不是功能宣传：3.4 GB 仓库体积、暂无 Linux 桌面版、BYOK 配置门槛、1162 个开放 Issue 和约 15%
• claude-mem：给 AI 编码 agent 装跨会话记忆这类插件的价值不在功能列表，而在装之前知道会踩什么。文章把安装命令、provider 取舍和记忆落点讲清楚了，更实用的是把 Issue 里的版本错配、Windo
• Headroom 怎么在本地压缩 AI 上下文文章拆解 Headroom 的压缩链路与缓存设计，说清省下的 token 来自哪：按内容类型分流、原文留在本地可检索、CacheAligner 只标记不改写。它
• CrewAI 与 adk-python、embabel 怎么选这篇把 CrewAI 的两层原语讲清楚了：Crews 管角色分工，Flows 管事件驱动，两者能嵌套，等于说清了它的抽象边界在哪。对 adk-python、em
• OpenHuman：Rust 核心的开源 agent harness值得留的是它把 agent harness 的取舍讲清楚了：四种入口共用一个 core、Cargo feature gate 怎么裁体积、内存与启动的量化数字都
• 给文档建知识图谱再问答的 RAG 框架（LightRAG）仓库规模、版本时间线与能力清单都写到了可核对的粒度，尤其是安装前提、参数位置和 Issue 里暴露的坑，能帮人少走一段配环境的弯路。适合愿意自选存储后端、给自家
• 0基础速通！手把手教你用WorkBuddy开发出自己的第一个微信小程序小程序从电脑跑到别人手机上，中间要过开发者工具、AppID、上传、审核、后端、登录这几关。作者按操作顺序拆开写，试用版和正式版的差别、服务类目与备案的门槛都落到
• 用用户名在近六千个网站查找账号（Maigret）工具型选题里少见的把默认值、代价和做不到的地方写清楚了：默认只扫 500 站，-a 全量的时间与反爬成本、递归搜索依赖目标自己留了跳转链接、中文平台支持仍是待解
• 盯住网页改动并自动通知（changedetection.io）收录它是因为把能力边界与已知问题放在一起讲：README 标注为订阅/托管服务提供的 AI 摘要与 Visual Selector、JS 页面需另配抓取器，以及
• 用一个索引同时做语义搜索与 LLM 编排（txtai）txtai 值得留下，是它把选型最难问清的两件事摊开了：一套 embeddings 数据库同时覆盖向量、图与关系查询，以及为此付出的内存与写入代价。4.32GB
• 分享我用codex做AI自动化剪辑经验。价值在于把「用 Codex 自动剪视频」拆成可操作的链路：Agent、Skill、素材库的分工，HyperFrames、Remotion、ChatCut 的取舍
• 全网首发！用 Codex 自动生成顶尖动效视频把动效制作从换提示词转成一条链：导演层 Brief、分镜、主次景深、物理、光源、节拍音效、自检，再配可对照的参考库。做 AI 视频却常出「PPT 感」的人，可以
• 从0到1 构建AI 知识工作流，Obsidian笔记入门把 Obsidian 从建库、frontmatter 规范、入口笔记一直串到 AI 的三层架构（raw/wiki/output），给的是命令、prompt 和边
• 超简单 Grok Bot。这是一份可以照着走的 Grok Bot 上手记录：从套餐门槛、Cursor 账号登录，到建第一个机器人、拉团队、装市场插件，步骤具体，末尾还附了与 Claude
• 万字长文｜Grok Bot 从入门到精通这篇把 Grok Bot 当成一套可照做的岗位搭建流程：岗位说明写什么、派活要交代哪五件事、Skill 什么时候沉淀、定时任务先怎么测、审批边界设在哪，步骤落到
• 两个月雅思6.5：零基础备考全拆解｜附所有踩过的坑，我敢说看这篇文章就够了一位四级未过线、六战雅思的作者给出的备考拆解，价值在于把听力精听、阅读拆句、口语串题、大作文三模板这些可执行动作写细了，并附工具与踩坑清单。适合基础薄弱、需要练
• 万字长文 ｜超详细的 GitHub 教程，从入门到精通这篇把 Git 与 GitHub 的分工、SSH Key 与 PAT 的取舍、提 PR 全流程和 Actions 计费倍率讲得比较实在，命令能直接照敲，适合刚上
• AI婚礼视频定制教程+引导式skill把一个可接单的 AI 婚礼视频流程拆成 14 步带确认点的引导式 Skill，从故事采集卡到文案、配音、分镜、生图、视频、混音、组装都给了操作位置，成本拆解和抽

本页由诀.com根据当日已收录内容进行编辑归纳；引用文章中的事实、案例和数据仍以对应来源页为准。