这里汇总了代码库收录的「开发工具」场景开源项目，按 Star 总量排序，适合按方向系统性地挑选与对比工具。
共收录 159 个项目 · 第 8 / 8 页
xh 是一个用 Rust 编写的友好且快速的 HTTP 请求工具，旨在替代 httpie，提供更高效的命令行调试体验。
编辑点评xh 在保持类似 httpie 的简洁语法和彩色输出的同时，利用 Rust 实现了更高的性能和更低的资源占用。它支持语法高亮、下载进度、curl 命令转换等实用功能，非常适合日常接口调试和脚本自动化。缺点是与 httpie 在某些细节上仍有差异，插件生态相对较少。适合追求速度与稳定性的开发者。
Woodpecker 是一个用 Go 编写的轻量级 CI/CD 引擎，界面简洁、扩展性强，帮助团队快速实现代码构建、测试与自动部署。
编辑点评它提供了简单易用的容器化流水线，兼容多种代码托管平台，适合追求轻量、自托管 CI/CD 的团队。相比 Jenkins 等重型系统，Woodpecker 更注重简洁性和可扩展性，但生态和插件数量相对较少，需要一定自定义能力。
Terratest 是一个 Go 库，用于简化基础设施代码的自动化测试，支持测试 Terraform、Kubernetes、Docker 等云原生资源。
编辑点评基础设施代码也需要可靠的测试保障。Terratest 提供了一套实用的断言和工具函数，让开发者能用 Go 编写端到端测试，验证云资源是否按预期创建和运行。适合有 Go 基础、希望构建 IaC 测试回归体系的团队。注意测试真实环境会消耗云资源，建议结合短期环境或 Mock 策略使用。
一个功能增强的 Git/GitHub 命令行工具，提供交互式界面和丰富的命令补全，让开发者更高效地操作 GitHub 及其企业版。
编辑点评gitsome 将繁琐的 GitHub 操作封装成简洁的 CLI 命令，支持模糊补全、交互式菜单和常用工作流，适合习惯终端操作的开发者。其官方集成身份使其在 GitHub 桌面工具中占有独特位置，但项目更新较慢，新功能可能滞后于 GitHub API 变化。
受 Google Zanzibar 启发的开源细粒度授权数据库，用于可扩展地存储和查询权限数据。
编辑点评SpiceDB 是权限服务领域的重要开源实现，将 Zanzibar 的模型落地为可自托管的系统。它擅长处理大规模、关系型、细粒度的授权场景，如多租户 SaaS 或复杂 RBAC/ReBAC。相比自建权限逻辑，SpiceDB 提供一致的查询语义和良好的性能，但学习曲线较陡，需要理解 Schema 设计。适合需要严谨权限模型且重视可扩展性的团队，但小项目可能杀鸡用牛刀。
DevSecOps 终极资源库，汇集安全开发、CI/CD 集成、云安全与合规工具链，帮助团队构建安全的自动化交付流程。
编辑点评这是一个面向 DevSecOps 实践者的精选资源集合，覆盖从代码安全、供应链安全到云原生防护的完整链路。适合正在建设安全体系或希望将安全左移的开发与运维团队。优点是分类清晰、工具覆盖面广，能作为选型指南；但需注意部分资源可能更新滞后，建议结合实际环境验证后再采纳。
一个精心整理的 AI 课程与学习资源合集，汇集了关于人工智能的各类教程、课程和资料链接，帮助开发者系统学习 AI 知识。
编辑点评该仓库由 PyTorch 知名贡献者维护，链接质量高且覆盖面广，从机器学习基础到深度学习的进阶内容都有涉及。适合刚入门 AI 的开发者按图索骥，也适合有经验者查漏补缺。不过它只是资源导航，不包含原创教程，实际学习需要自行访问外部链接，部分内容可能需科学上网。
高性能源代码复制粘贴检测器，基于 Rust 引擎，支持 220+ 语言，可输出 SARIF/HTML/badge 报告，并集成 GitHub Action 与 AI 代理 MCP 服务。
编辑点评代码重复是维护成本的重要来源，jscpd 以 Rust 重写后性能出色，覆盖语言广，能直接嵌入 CI 流程。亮点是提供 MCP server，让 AI 编程助手也能感知重复代码，适合追求代码质量的团队。注意规则阈值需按项目调整，避免误报。
Smile 是一个基于 Java 的机器学习引擎，提供统计学习、数据挖掘、自然语言处理等丰富算法，帮助开发者快速构建智能应用。
编辑点评Smile 是 Java 生态中功能全面的机器学习库，覆盖分类、回归、聚类、降维、特征选择等经典算法，并自带可视化工具。适合需要将机器学习集成到 Java 服务或 Android 应用的场景。相比 Python 生态，其 API 设计更贴近 Java 习惯，但深度学习支持较弱，且社区活跃度不如 Python 主流框架。适合对性能有要求且希望避免跨语言调用的团队。
TensorFlow 2.x 入门实战教程与示例代码，涵盖 CNN、RNN、GAN、BERT 等经典模型，帮助开发者快速上手深度学习。
编辑点评这是 TF 2.0 时代广受欢迎的教程仓库，示例丰富且代码可直接运行，覆盖从基础模型到前沿架构。适合想系统学习 TensorFlow 2 的初学者，也适合需要参考实现的研究者。注意部分示例基于 TF 2.x 早期版本，新版本 API 可能需要微调。
Python 命令行工具，涉及智能体-os、agentic-AI、AI-智能体
编辑点评适用于AI/大模型、开发工具场景。使用 Python 开发，涉及智能体-os、agentic-AI、AI-智能体等技术方向。建议关注其社区活跃度和文档完善程度。
Rust 开源项目，涉及AI-agents、命令行、developer-tools
编辑点评适用于AI/大模型、开发工具场景。使用 Rust 开发，涉及AI-agents、命令行、developer-tools等技术方向。建议关注其社区活跃度和文档完善程度。
Goss 是一个用 Go 编写的快速、简单的服务器测试和验证工具，通过声明式 YAML 定义期望状态，快速检测服务器配置是否达标。
编辑点评Goss 让服务器测试变得异常简洁，无需写复杂脚本，声明式 YAML 即可覆盖端口、进程、文件、HTTP 等常见验证项，适合 CI/CD 中做快速的冒烟测试和基础设施验收。它的执行速度极快，相比传统测试工具开销更小。但注意它偏重单机验证，不擅长编排多服务联动测试，且语法能力相对有限，适合与 Ansible、Terraform 等配置管理工具搭配使用。
Docker Mastery 课程配套代码仓库，涵盖从本地开发到云端高可用的容器构建、编排、部署与管理实战示例。
编辑点评这是 Bret Fisher 的 Docker Mastery 课程官方配套仓库，适合系统学习 Docker 和 Compose 的开发者。内容覆盖本地开发、Swarm 集群到云上高可用，示例丰富，能帮助理解生产级容器化实践。注意仓库是课程辅助材料，需结合视频学习效果更佳；部分示例较老，使用时需留意版本差异。
mirrord 让你在本地或 AI 代理环境中运行任意进程，并使其像 Kubernetes Pod 一样拥有真实的环境变量、DNS、网络和流量，用于贴近集群的开发调试。
编辑点评它解决了本地开发环境与 Kubernetes 集群不一致的痛点，无需部署即可让本地进程接入集群网络和流量，非常适合微服务调试与远程开发。支持 AI 代理场景是亮点，但需注意对集群权限有一定要求，且复杂流量可能带来性能开销。适合需要频繁调试 Kubernetes 应用的开发者。
一个功能增强的 AWS 命令行工具，提供智能提示、自动补全和交互式帮助，极大提升云资源管理效率。
编辑点评saws 在官方 AWS CLI 基础上增加了类似 fish shell 的体验，支持命令自动补全、参数提示和文档快速查看，适合频繁操作 AWS 资源的开发者。它简化了学习曲线，减少查阅文档时间。不过项目更新较慢，需注意与最新 AWS 服务的兼容性。
DevSpace 是面向 Kubernetes 的极速开发工具，自动化部署流程，让你直接在集群内开发软件，显著提升云原生开发效率。
编辑点评DevSpace 解决了 Kubernetes 开发环境搭建复杂、热更新困难、部署流程冗长等痛点。它支持即时热重载、依赖服务启动和自动构建部署，适合需要频繁迭代的微服务团队。相比纯本地开发，它更贴近生产环境，但需要一定的 Kubernetes 基础，且对集群资源有一定要求。
一个全面的机器学习仓库，包含 30 多个 Notebook，覆盖不同概念、算法与技术，适合系统学习与实践。
编辑点评内容组织清晰，从基础到进阶覆盖常用算法，适合想系统梳理机器学习知识的学习者。Notebook 形式便于动手实践和修改调试，但部分内容可能依赖特定环境，建议结合官方文档使用。作为开源教程，社区维护可提供持续更新参考。
面向 CPU 的稀疏感知深度学习推理运行时，通过利用模型稀疏性实现高效低延迟的本地部署。
编辑点评DeepSparse 让 CPU 也能跑出接近 GPU 的推理性能，特别适合已有稀疏化模型或愿意做剪枝/蒸馏的团队。它无缝集成 ONNX，并提供稀疏微调工具链，能显著降低推理成本。但需要注意，其加速效果依赖模型本身的稀疏度，对稠密模型收益有限，且生态和硬件优化针对性较强，适合对性能敏感且可接受模型定制的场景。