GitHub Разработчика

Readur Управлять разными документами - боль: под каждый формат свой просмотрщик, а чтобы что-то найти, приходится перелопачивать файлы вручную. Readur - open-source система управления документами с GitHub, которая собирает PDF, изображения и Office-файлы в одном месте и автоматически распознаёт текст. Достаточно перетащить файл — OCR сам извлечёт текст с поддержкой нескольких языков, после чего становится доступен полнотекстовый поиск. Поддерживается подключение WebDAV, локальных папок и S3-хранилищ с автосинхронизацией, есть теги, категории, мониторинг каталогов, уведомления и даже встроенная Swagger API-документация. Разворачивается одной командой через Docker, работает из коробки - хороший вариант для личного использования или командного документооборота. 📁 Language: #Rust 67.4% ⭐️ Stars: 466 ➡️ Cсылка на GitHub 📱 @git_developer

ScholArxiv Когда нужно читать научные статьи с телефона, обычный веб arXiv - то ещё испытание: мелкий шрифт и сплошные простыни текста. ScholArxiv - open-source проект на GitHub, который превращает arXiv в удобный мобильный ридер. Есть поиск, загрузка, избранное и нормальный режим чтения, плюс интеграция с Gemini: настраиваешь API и можешь прямо в приложении попросить ИИ кратко пересказать статью или разобрать сложные места. Есть готовый APK для Android, ставится сразу, интерфейс минималистичный, с тёмной темой - читать ночью комфортно. Отличная штука для исследователей и студентов, чтобы использовать свободные минуты и спокойно читать статьи с телефона. 📁 Language: #Dart 63.8% ⭐️ Stars: 1k ➡️ Cсылка на GitHub 📱 @git_developer

QOwnNotes Когда пользуешься Notion, Evernote и похожими заметочниками, данные лежат у провайдера, и постоянно свербит: то приватность, то вдруг сервис прикроют. Плюс многие Electron-приложения реально прожорливые по памяти. И вот на GitHub наткнулся на QOwnNotes, опенсорсный десктопный заметочник. Написан на C++, поэтому потребляет мало ресурсов, и при этом отлично дружит с Nextcloud/ownCloud. Заметки хранятся локально как обычные Markdown-файлы в чистом тексте. А синхронизацию можно сделать через Nextcloud, ownCloud или вообще любой инструмент: Dropbox, Syncthing и т.д. В итоге данные полностью остаются у тебя, без привязки к чужому облаку. Основные фичи: 🔸Нативная разработка на C++, заметно меньше нагрузки, чем у Electron-приложений; 🔸Поддержка нескольких папок с заметками и иерархии тегов; 🔸Подсветка Markdown и живой предпросмотр; 🔸Глубокая интеграция с Nextcloud/ownCloud, включая историю версий и корзину; 🔸Мощная система скриптов с установкой расширений из онлайн-библиотеки; 🔸Шифрование заметок (AES-256 или свой способ шифрования); 🔸Полная кастомизация раскладки интерфейса и хоткеев; 🔸Интерфейс на 60+ языках. Работает на Windows, macOS и Linux, ставится через пакетные менеджеры или с сайта. Хороший вариант, если важны приватность и контроль над своими заметками. 📁 Language: #Cpp 93.5% ⭐️ Stars: 5.5k ➡️ Cсылка на GitHub 📱 @git_developer

FluidVoice На macOS, если набирать текст голосом, встроенная диктовка часто распознаёт так себе и не умеет в AI-улучшения, поэтому по ощущениям всегда чуть не дотягивает. Недавно на GitHub попался FluidVoice, опенсорсный speech-to-text, который работает полностью локально и при желании умеет подключать AI, чтобы улучшать качество распознавания. Есть command mode: можно голосом управлять Маком и запускать разные действия. И есть writing mode: в любом приложении прямо в текстовом поле диктуешь или просишь переформулировать текст. Под капотом используется модель Parakeet TDT v3 для транскрибации в реальном времени, заявлены автоопределение более чем 25 языков и запуск голосового ввода по глобальному хоткею в любой момент. Во время транскрибации показывается плавающее окно с превью, а после распознавания текст автоматически вставляется в текущее приложение. Можно также подключить модели вроде OpenAI или Groq, чтобы не только точнее транскрибировать, но и сразу “причесать” текст. Если часто пользуешься голосовым вводом или хочешь более умно управлять macOS голосом, штука выглядит как минимум достойной теста. Сейчас поддерживаются только Mac на Apple Silicon, нужна macOS 14.0 и выше. 📁 Language: #Swift 99.9% ⭐️ Stars: 642 ➡️ Cсылка на GitHub 📱 @git_developer

Quant-Developers-Resources Хочется в высокооплачиваемый кванто-финтех, но кажется, что порог входа зашкаливает, а материалы в сети раздробленные и хаотичные, вообще непонятно, с чего заходить. Тут как раз пригодится опенсорс Quant-Developers-Resources: ребята собрали подробный гайд по входу в квантовую разработку и алготрейдинг. Там покрыто все: от матбазы и стохастического анализа до языков программирования и ключевых тем по алгоритмической торговле, причём всё разложено по разделам под реальные требования собесов. В репе даже есть подборка магистерских видеокурсов, которые авторы оценивают примерно в 200k долларов, плюс списки хедж-фондов и HFT-компаний, которые активно нанимают. Контент довольно хардкорный и при этом очень полный — отлично подойдёт тем, кто целится в квантовые позиции или хочет системно закрыть пробелы по фининжинирингу. ⭐️ Stars: 256 ➡️ Cсылка на GitHub 📱 @git_developer

open-scouts Если хочется отслеживать свежие опенсорс-проекты, движения по конкретным технологиям или хотя бы цены на какой-то товар, постоянно руками обновлять страницы, тупо трата времени. А если не следить, есть риск пропустить что-то важное. Как раз на GitHub нашёлся опенсорс Open Scouts. По сути, это способ развернуть себе отряд AI-скаутов, которые круглосуточно шарят по интернету и мониторят нужную тебе инфу. Поддерживаются кастомные задачи мониторинга: хочешь — ищешь новые рестораны рядом, хочешь, трекаешь новости по AI-индустрии. Всё можно повесить на расписание и гонять по крону автоматически. Дальше подключается ИИ: он разбирает результаты поиска, собирает их в краткую выжимку в одну фразу и сразу шлёт всё это тебе на почту. Проект построен на базе Next.js 16 и Supabase, для парсинга и обхода страниц интегрирован Firecrawl, есть Docker для развёртывания в один шаг, все данные при этом остаются у тебя. Такая модель "повесил и забыл, дальше всё мониторит само" выглядит очень практичной, если нужно долго держать в фокусе какой-то рынок или область, но при этом не хочется тонуть в потоке мусорных обновлений. 📁 Language: #TypeScript 95.5% ⭐️ Stars: 586 ➡️ Cсылка на GitHub 📱 @git_developer

Изоляция рунета ближе, чем ты думаешь

Loading … ██████████████] 99%

Роскомнадзору дали карт-бланш на блокировки, а «белые списки» сайтов тестируют уже в десятках регионов. И гайки будут закручиваться только сильнее. Чтобы в одночасье не лишиться доступа к свободному Интернету, просто сохрани Only Hack. Тут профессиональный хакер делится фишками, с которыми доступ к глобальной сети у тебя будет даже в случае ядерного апокалипсиса. Не жди момента «Х». Перестрахуйся подпиской.

agents . md Когда пишешь код в Cursor или Windsurf, часто сталкиваешься с тем, что AI не понимает структуру проекта или продолжает использовать устаревшие команды сборки. В итоге сгенерированный код просто не запускается. Причина в том, что README.md по сути пишется для людей. В нем полно контекста, который человек понимает автоматически, но для модели он расплывчат и неполон — там нет точных инструкций для выполнения. Недавно на GitHub я наткнулся на проект AGENTS.md — это опенсорс, цель которого дать AI-программным агентам отдельную «инструкцию по эксплуатации». Идея в том, чтобы четко разделить гайд для людей (quickstart, описание логики), и набор машинных инструкций по сборке, запуску тестов и кодстайлу. Они не мешают друг другу. Логика очень простая: в корне проекта создается Markdown-файл, который явно объясняет AI, как собирать проект, как его тестировать и каким правилам оформления кода следовать. Подход совместим с большинством современных AI-инструментов для разработки — VS Code, Cursor, Windsurf, Aider, GitHub Copilot и др. Порог входа минимальный: достаточно создать файл AGENTS.md, вписать туда краткий обзор проекта, команды для тестов и важные замечания по безопасности. В больших проектах можно раскладывать такие файлы по разным поддиректориям. AI будет автоматически читать ближайший по пути конфиг, что делает схему довольно гибкой. По мере того как AI-ассистенты становятся стандартным инструментом разработки, наличие отдельной «машинной документации» может стать базовым навыком для каждого разработчика. Лучше начать пробовать уже сейчас. 📁 Language: #TypeScript 94.3% ⭐️ Stars: 9.9k ➡️ Cсылка на GitHub 📱 @git_developer

shapash Обучить модель машинного обучения — это только первый шаг. Самая болезненная часть начинается, когда нужно объяснить начальству или бизнес-команде, почему модель выдала именно такой прогноз. В случае с «черными ящиками» обычно просто нечего сказать. Недавно я нашел на GitHub библиотеку Shapash — Python-инструмент, который как раз помогает сделать модель «понятной», превращая сложную алгоритмическую логику в наглядные визуализации. Библиотека умеет генерировать интерактивную веб-панель, где наглядно показано, какие признаки и как влияют на работу модели. Поддерживается детальный разбор от глобального уровня до отдельных предсказаний. И самое важное — все графики сопровождаются понятными бизнес-лейблами, так что даже люди без техбэкграунда смогут быстро разобраться. Работает с CatBoost, XGBoost, LightGBM и Sklearn — то есть покрывает основные ML-фреймворки. Помимо визуализации, библиотека может одним вызовом собрать отдельный HTML-отчет для аудита. Есть даже легковесный предиктор для продакшена, который ставится через pip и сразу готов к использованию. Если ты регулярно показываешь результаты моделей нетехническим командам или тебе нужна прозрачность для регуляторных проверок, этот проект реально экономит кучу времени на объяснениях. 📁 Language: #Python 14.3% ⭐️ Stars: 3.1k ➡️ Cсылка на GitHub 📱 @git_developer

all-agentic-architectures Хочешь системно разобраться в архитектуре AI-агентов, но почти все доступные материалы либо тонут в абстрактных академических статьях, либо сводятся к примитивным демкам, которые сложно применить на практике. Недавно на GitHub появился опенсорс-проект all-agentic-architectures, который по ощущениям тянет на полноценный практический учебник по современному дизайну AI-агентов. В репозитории собрано 17 популярных архитектур агентов: от базовых подходов вроде ReAct и tool calling до продвинутых сценариев с мультиагентным взаимодействием, саморефлексией и коррекцией поведения. Все примеры оркестрируются через LangGraph и подробно разбирают сложные паттерны: Tree of Thoughts (ToT), долгосрочную память, blackboard-архитектуру и другие нетривиальные модели мышления. Проект включает полностью исполняемые Jupyter Notebook’и, которые превращают абстрактные идеи в наглядный, рабочий код, а не рассуждения на бумаге. Отдельный плюс — встроенный подход к количественной оценке, где LLM используется для скоринга качества работы агента. Для продакшена это критически важная часть, о которой обычно забывают. Отличная отправная точка для тех, кто хочет глубже понять внутреннюю логику агентных систем или ищет зрелые архитектурные паттерны для разработки сложных AI-агентов. ⭐️ Stars: 1.7k ➡️ Cсылка на GitHub 📱 @git_developer