开年！五款令人惊艳的开源项目-51CTO.COM

朋友们开工大吉啊！我刚从假期模式切换回来，完全无心工作有些不在状态，比如开机密码错了好几次😅。闲话少叙，下面就让我们一起看看，春节这段时间 GitHub 上又出了什么有趣、好玩的开源项目。

今年上来就是王炸一款一周飙升了 6,000 Star 的 Git 客户端，项目的作者是 GitHub 的“一号员工”，它的新型分支管理方式可能会让你眼前一亮。AI 可穿戴设备的价格被开源打下来了，仅需 100 美元的制作成本，或许不久的将来还可以更低。说到省钱这款低延迟的 JavaScript 运行时（LLRT），旨在满足日益增长的无服务器应用需求。

最后，还有一个 C 语言写的极简神经网络库和迷你 Python 项目集合，让刚接触编程的朋友也有可以把玩的开源项目。

图片

1. GitHub 热搜项目

1.1 新型的 Git 客户端：gitbutler

图片

主语言：TypeScript，Star：6.9k，周增长：6.3k

这是由 GitHub 联合创始人、《Pro Git》的作者 Scott Chacon 开源的 Git 客户端。它采用 Tauri/Rust/Svelte 构建，拥有较高的颜值。用户可以将多个分支上的改动，通过拖拽的方式快速地聚合到一个独立分支上，实现灵活地跨分支操作。目前仅支持 macOS 和 Linux 平台，Windows 版本还在开发中。

GitHub 地址→https://github.com/gitbutlerapp/gitbutler

1.2 开源 AI 可穿戴设备：ADeus

图片

主语言：TypeScript，Star：1.8k，周增长：1k

这是一款开源的 AI 可穿戴设备，相当于一个便携的 AI 助手。目前它的制作成本只有 100 美元，未来可能会更低。支持记录和处理你的个人数据，随时随地通过语音和你的个人 AI 进行聊天和问答，真正的个性化个人 AI。

GitHub 地址→https://github.com/adamcohenhillel/ADeus

1.3 JavaScript 低延迟运行时：llrt

图片

主语言：JavaScript，Star：6.5k，周增长：3.3k

这是由亚马逊开源的一种轻量级 JavaScript 运行时，它基于 QuickJS 和 Rust 语言构建，在节省内存和启动速度方面表现优异。与在 AWS Lambda 上运行的其他 JavaScript 运行时相比，LLRT 的启动速度提高了 10 倍以上，成本降低了 2 倍。

GitHub 地址→https://github.com/awslabs/llrt

1.4 迷你 Python 项目集合：python-mini-project

图片

主语言：Python，Star：1.6k，周增长：500

该项目包含了一系列迷你的 Python 小项目，并提供了简单的 Python 项目模板，帮助初学者开发出自己第一个 Python 程序。

GitHub 地址→https://github.com/ndleah/python-mini-project

1.5 开源的 AI 编程助手：continue

图片

主语言：TypeScript，Star：7.4k，周增长：500

这是一个支持 VSCode 和 JetBrains 的开源 AI 编程助手，可以接入 OpenAI、GPT-4、Gemini、CodeLlama 等多种不同的大语言模型。

GitHub 地址→https://github.com/continuedev/continue

2. HelloGitHub 热评

在这个章节，将会分享下本周 HelloGitHub 网站上的热门开源项目，欢迎与我们分享你上手这些开源项目后的使用体验。

2.1 开源的邮件列表和营销平台：listmonk

图片

主语言：Go

这是一个开箱即用的邮件营销平台，可以帮助你管理邮件订阅者、创建和发送邮件、分析营销数据。可查看邮件阅读率、链接点击率等，支持自托管适用于个人和企业。

项目详情→https://hellogithub.com/repository/8c2b582b4ad44c1d9d140c63e33f32b3

2.2 C 语言写的极简神经网络库：genann

图片

主语言：C

这是一个轻量、无依赖、单文件的 C 语言神经网络库，内含丰富的示例和测试。代码简洁易读，适合作为初学者学习神经网络的入门项目。

#include "genann.h"

/* Not shown, loading your training and test data. */
double **training_data_input, **training_data_output, **test_data_input;

/* New network with 2 inputs,
 * 1 hidden layer of 3 neurons each,
 * and 2 outputs. */
genann *ann = genann_init(2, 1, 3, 2);

/* Learn on the training set. */
for (i = 0; i < 300; ++i) {
    for (j = 0; j < 100; ++j)
        genann_train(ann, training_data_input[j], training_data_output[j], 0.1);
}

/* Run the network and see what it predicts. */
double const *prediction = genann_run(ann, test_data_input[0]);
printf("Output for the first test data point is: %f, %f\n", prediction[0], prediction[1]);

genann_free(ann);