typescript-go
TypeScript のネイティブ ポートの開発用のステージング リポジトリ。プレビュー プレビュー ビルドは、npm で @typescript/native-preview として入手できます。
HYSEN LABS ディレクトリ
開発ツールの厳選リポジトリを詳細タグと実用的な分析付きで紹介します。
TypeScript のネイティブ ポートの開発用のステージング リポジトリ。プレビュー プレビュー ビルドは、npm で @typescript/native-preview として入手できます。
Nix パッケージ コレクションと NixOS。 Nixpkgs は、数万個のソフトウェアを構築し、Linux ディストリビューションを実装する方法を説明します。
Claude Code、Codex、Gemini CLI、Cursor 用の 345 個の Claude Code スキルおよびエージェント スキルおよびプラグイン (30 個以上のエージェント、70 個以上のカスタム コマンド、330 個以上のスキル、カスタマイズ可能な参照、スクリプト)、およびその他 8 個のコーディング エージェント、エンジニアリング、マーケティング、製品、コンプライアンス、経営幹部レベルの勧告、研究、事業運営、商業および財務、および日常の生産性スキル。
Calibre 電子ブック マネージャーの公式ソース コード リポジトリ。
Web プロジェクト用のツールチェーン。プロジェクトを維持するための機能を提供することを目的としています。 Biome は、CLI および LSP 経由で使用できるフォーマッタとリンターを提供します。
無制限の OCR は、長いドキュメントと画像を 1 パスで解析し、ドキュメントと AI ワークフロー用の構造化テキストを生成します。
レスポンシブ Web 開発に役立つ改良された Web ブラウザ。 Web 開発者は開発ツールを持っている必要があります。
プロンプト、エージェント、RAG をテストします。 AI のレッド チーム化/侵入テスト/脆弱性スキャン。 GPT、Claude、Gemini、DeepSeek などのパフォーマンスを比較します。コマンドラインとCI/CD統合によるシンプルな宣言型構成。 OpenAI と Anthropic によって使用されます。
Claude Code を完全なゲーム開発スタジオ、49 の AI エージェント、72 のワークフロー スキル、実際のスタジオ階層を反映した完全な調整システムに変えます。
Claude Code、Codex、Cursor などのための公式 Compound Engineering プラグイン。
言語の自動検出と依存関係のない JavaScript 構文ハイライター。
video-use は、コーディング エージェントにビデオ プロジェクトのカット、配置、キャプション付け、レンダリングのためのコマンドを提供します。
高速かつメモリ効率の高い正確な注意。 FlashAttendant このリポジトリは、次の論文からの FlashAttendant および FlashAttendant-2 の公式実装を提供します。
将冷の离别化を暖かいスキルに、欢迎を追加数字生命1.0!冷たい別れを温かいスキルに変える?再生の時代を迎えています。デジタルライフ 1.0 へようこそ。
DataEase は、ダッシュボードの構築、複数のデータ ソースの統合、エンタープライズ グレードのセルフホスト展開オプションによるメトリクスの分析を行うためのオープンソース ビジネス インテリジェンス プラットフォームです。
Readest は、熱心な読者向けに設計された最新の機能豊富な電子ブック リーダーで、信頼性の高いクロスプラットフォーム アクセス、強力なツール、直感的なインターフェイスを提供し、読書体験を向上させます。
Floci は、ローカル マシン上で選択された AWS サービスをエミュレートするため、リモート アカウントなしでクラウド アプリケーションを開発およびテストできます。
Rust の SQL データベース: SQLite と互換性があり、Postgres も使用できるようになりました (実験的)。データベースの LLVM。
Huashu Design · Claude Code の HTML ネイティブ デザイン スキル · Claude Code 里 HTML 原生的设计スキル · 高保真原型 / 幻灯片 / アニメ画 + 20 设计哲学 + 5 维评审 + MP4 导出 · エージェントに依存しない。
PyTorch 用のグラフ ニューラル ネットワーク ライブラリ。このために、Cora データセットをロードし、事前定義された GCNConv を使用して単純な 2 層 GCN モデルを作成します。標準の PyTorch トレーニング手順と同様に、トレーニング ループでモデルを最適化できるようになりました。