GitHub 一周热点汇总第32期(2024/07/14-07/20) ，本期内容包括动画图解算法教程、用LLM写完整报告、爬虫和和浏览器自动化库、自托管的AI编码助手和个性化AI记忆层，一起来看具体内容吧。
#1 hello-algo项目名称：hello-algo - 动画图解算法教程GitHub 链接：https://github.com/krahets/hello-algo上周 Star 数：7600+hello-algo旨在打造一本开源免费、新手友好的数据结构与算法入门教程。
一般来说算法给人的印象是相对枯燥和深奥，而本书通过动画图解的方式，让复杂的算法活了起来，内容清晰易懂、学习曲线平滑，引导初学者探索数据结构与算法的知识地图。
源代码可一键运行，帮助读者在练习中提升编程技能，了解算法工作原理和数据结构底层实现。项目中提供了12 种主流编程语言的源码，包括Java、Python、C++、Go、JavaScript、Rust 等 。只要你熟悉其中任意一门编程语言，就可以直接拿来上手使用。
项目提倡读者互助学习，欢迎大家在评论区提出问题与分享见解，在交流讨论中共同进步。
另外本项目还有同步的书籍，我之前也给大家推荐过，还送过福利，书确实还是挺不错的。
项目一直保持着很不错的 热度，最近这一周又再次迎来一波热度高峰。
#2 storm项目名称：storm - LLM写完整报告GitHub 链接：https://github.com/stanford-oval/storm上周 Star 数：2000+
STORM 是一个由大型语言模型（LLM）驱动的知识整合系统，它能够从零开始研究一个主题，并生成带有引用的完整报告。
STORM 的工作原理
STORM 将生成带引用的长篇文章分为两个步骤：
写作前阶段：系统进行基于互联网的调研，收集参考资料并生成提纲。写作阶段：系统利用提纲和参考文献生成带有引文的全文文章。STORM 将研究过程自动化的核心定义为自动提出好的问题。直接提示语言模型提出问题效果不佳。为了提高问题的深度和广度，STORM 采用了两种策略：
观点引导的提问：给定输入主题，STORM 通过调查类似主题的现有文章来发现不同的观点，并使用它们来控制提问过程。模拟对话：STORM 模拟维基百科作者和基于互联网资源的主题专家之间的对话，以使语言模型能够更新对主题的理解并提出后续问题。基于两个阶段的分离，STORM 使用dspy以高度模块化的方式实现。
最简单的使用本项目的方式就是通过pip来安装，当然也可以通过源码来安装，这样更便于自行修改和定制。
pip install knowledge-storm
虽然该系统无法生成通常需要大量编辑的可发布文章，但经验丰富的维基百科编辑发现它在撰写前阶段很有帮助。
#3 crawlee-python项目名称：crawlee-python - 爬虫和和浏览器自动化库GitHub 链接：https://github.com/apify/crawlee-python上周 Star 数：1900+本项目是crawlee的python库，Crawlee — 一个用于 Python 的网页抓取和浏览器自动化库，用于构建可靠的爬虫。提取 AI、LLM、RAG 或 GPT 的数据。从网站下载 HTML、PDF、JPG、PNG 和其他文件。适用于 BeautifulSoup、Playwright 和原始 HTTP。有头模式和无头模式。具有代理旋转功能。
crawlee 原先是 基于NodeJs的，所以通过NPM来安装，现在推出了python的版本，也方便了广大的python开发者，安装方式非常简单，通过PIP安装即可。
pip install crawlee
还有更多功能的附加可选依赖项，都将作为软件包附加内容提供，比如计划解析 HTML 并使用 CSS 选择器，请为crawlee额外安装beautifulsoup
pip install 'crawlee[beautifulsoup,playwright]'
验证Crawlee是否安装成功：
python -c 'import crawlee; print(crawlee.__version__)'
开始使用 Crawlee 的最快方法是使用 Crawlee CLI 并选择其中一个准备好的模版
pipx run crawlee create my-crawler#如果已经装好crawleecrawlee create my-crawler
以下是 的一些能力特点：
HTTP 和无头浏览器抓取的统一界面。根据可用的系统资源自动并行抓取。用 Python 编写，带有类型提示增强 DX（IDE 自动完成）并减少错误（静态类型检查）。出现错误或被阻止时自动重试。集成代理轮换和会话管理。可配置的请求路由将 URL 直接发送到适当的处理程序。要抓取的URL 的持久队列。表格数据和文件的可插入存储。强大的错误处理#4 tabby项目名称：tabby - 自托管的AI编码助手GitHub 链接：https://github.com/TabbyML/tabby上周 Star 数：1300+Tabby 是一款自托管的 AI 编码助手，为 GitHub Copilot 提供开源和本地替代方案。它具有许多与GitHub Copilot类似的关键功能。本项目的几个主要特性包括：
自包含，无需 DBMS 或云服务。OpenAPI接口，易于与现有基础设施（例如Cloud IDE）集成。支持消费级 GPU。现在在AI编码助手这个领域真的非常非常卷，就拿国内来说几乎每个涉足AI的大厂都有自己的产品。产品力和产品体验的角度Tabby不一定有什么特别优势，比较引人注目的还是开源和可以自托管这两点。
当然项目一直在不断进化功能，从Codestral集成到Answer Engine的引入，Tabby的功能不断更新，为开发者带来一次又一次的惊喜。
启动 Tabby 服务器的最简单方法是使用以下 Docker 命令：
docker run -it \\ --gpus all -p 8080:8080 -v $HOME/.tabby:/data \\ tabbyml/tabby \\ serve --model StarCoder-1B --device cuda --chat-model Qwen2-1.5B-Instruct
有没有发现，它用的chat模型是阿里的qwen2。
#5 mem0项目名称：mem0 - 个性化AI记忆GitHub 链接：https://github.com/mem0ai/mem0上周 Star 数：1200 +Mem0 可以用来开发长期、短期记忆，它能记住用户的偏好、过去的交互、事情的进展，可以为应用构建适应性的学习体验。使用场景包括虚拟陪伴、生产力工具、健康关怀或 AI Agent 客户支持等。
简单的说，Mem0 为大语言模型提供了一个智能、自我改进的记忆层，实现了跨应用的个性化 AI 体验。其核心功能包括多层次记忆、自适应个性化、开发者友好的 API、跨平台一致性，并且你可以在本地计算机上运行这个程序。
Mem0 是 RAG 发展的下一个阶段，相比 RAG 的核心区别：关注实体和实体关系；关注最近、最相关的；上下文连续性；适应性学习；动态更新信息。而普通 RAG 只是单纯的从静态的文档中检索信息。
核心功能包括：
多级内存：用户、会话和 AI 代理内存保留自适应个性化：基于交互的持续改进开发人员友好型 API：轻松集成到各种应用程序跨平台一致性：跨设备的统一行为托管服务：无忧托管解决方案在mem0的文档中还提供了一些例子来方便大家更好的理解其作用，比如个人AI助理、AI旅行助手、客服AI助手等，都包含说明和 示例的代码。
