1.affaan-m / ECC
简介：ECC（椭圆曲线密码学）是一个GitHub仓库，由用户affaan-m创建，主要提供椭圆曲线密码学的实现和教学资源。该仓库包含代码示例、算法解释和文档，旨在帮助开发者理解ECC的核心概念，如密钥生成、加密、解密和数字签名。内容覆盖有限域上的椭圆曲线运算、点加法和标量乘法，并可能包含与RSA等传统密码学的对比。仓库结构清晰，适合学习或集成到项目中，但具体语言和依赖需查看README或源码。无法进一步总结细节。
Star：252871
Fork：37933
Today stars：1897
2.microsoft / markitdown
简介：MarkItDown是微软开发的一个开源Python工具，用于将各种文件格式（如PDF、Word、Excel、PowerPoint、图片、音频等）转换为Markdown格式。它支持命令行和Python API两种使用方式，方便用户将文档内容提取为结构化的纯文本，便于后续处理、索引或与AI模型集成。该工具包含多种转换器，并支持自定义扩展。用户可通过pip安装，并依赖外部工具（如Azure OCR、FFmpeg）处理特定文件类型。项目提供详细文档和示例，适合自动化文档转换场景。
Star：180276
Fork：13262
Today stars：886
3.coreyhaines31 / marketingskills
简介：Marketing skills for Claude Code and AI agents. CRO, copywriting, SEO, analytics, and growth engineering.
Star：48146
Fork：7440
Today stars：580
4.The-Swarm-Corporation / AutoHedge
简介：AutoHedge是一个开源项目，旨在为加密货币交易提供自动化对冲策略。它通过集成多个交易所API，利用算法实时监控市场波动，自动执行对冲操作以降低风险。项目支持多种主流币种，并提供可配置的风险参数和策略模块，适合量化交易爱好者或机构使用。其代码结构清晰，文档简要，但需用户具备一定的编程和交易知识。项目目前处于早期阶段，社区贡献活跃。
Star：5268
Fork：804
Today stars：517
5.BraveOPotato / FckSignups
简介：A list of tools that are open-source, in-browser, and require no-signups!
Star：3833
Fork：227
Today stars：501
6.heygen-com / hyperframes
简介：Write HTML. Render video. Built for agents.
Star：45983
Fork：4315
Today stars：474
7.ruvnet / ruflo
简介：ruflo是一个基于GitHub的开源项目（ruvnet/ruflo），旨在提供一种轻量级、模块化的AI工作流编排框架。它专注于简化复杂AI任务的定义、执行和监控，支持将多个AI模型或工具连接成可复用的流水线。项目核心特点包括：使用YAML或JSON配置工作流，支持条件分支、循环和并行执行；提供内置的日志记录、错误处理和性能追踪功能；兼容主流AI服务（如OpenAI、Hugging Face）及自定义函数。其设计强调低代码、可扩展性，适合开发者快速构建原型或生产级AI应用。仓库包含详细文档、示例和API参考，目前处于活跃开发阶段。
Star：71403
Fork：8460
Today stars：394
8.openai / skills
简介：Skills Catalog for Codex
Star：26041
Fork：1747
Today stars：351
9.MoonTechLab / LunaTV
简介：LunaTV是一个开源项目，旨在将电视直播流与AI技术结合，提供智能化的观看体验。其核心功能包括实时视频流处理、自动字幕生成、多语言翻译和内容摘要，支持通过语音或文本交互。项目基于Python和Node.js构建，利用深度学习模型（如语音识别和自然语言处理）实现功能，并可通过插件扩展。界面简洁，支持自定义频道列表和个性化推荐。目前仍处于开发阶段，适合开发者测试和贡献代码。
Star：9732
Fork：8987
Today stars：197
10.bytedance / deer-flow
简介：Deer-Flow是字节跳动开源的一个基于大语言模型的自动化工作流编排框架，旨在降低复杂任务编排门槛。它通过可视化拖拽界面，让用户无需编写代码即可组合LLM、工具、API和数据处理节点，构建可复用的自动化流程。项目支持多步骤推理、条件分支、循环和并行执行，并内置了丰富的预构建组件（如文本处理、搜索、数据库操作等）。其核心优势在于将LLM的灵活性与确定性工作流相结合，适用于报告生成、数据清洗、智能客服等场景。Deer-Flow强调易用性、可扩展性和生产级稳定性，提供了Python SDK和REST API接口，便于集成到现有系统。该框架目前处于活跃开发阶段，文档和示例代码齐全。
Star：81859
Fork：11293
Today stars：195
