@tom_doerr: 精心整理的提示工程工具、论文和课程列表 https://github.com/promptslab/Awesome-Prompt-Engineering…

超棒提示工程 🧙♂️

一份精心策划的提示工程与上下文工程资源合集——涵盖论文、工具、模型、API、基准测试、课程和社区，专为与大型语言模型协作而设计。

https://promptslab.github.io

掌握提示工程。加入课程：https://promptslab.github.io — ## 🚀 从这里开始 刚接触提示工程？请按以下路径学习： 1. 学习基础知识 → ChatGPT提示工程开发课程 (https://www.deeplearning.ai/short-courses/chatgpt-prompt-engineering-for-developers/) （免费，约90分钟） 2. 阅读指南 → DAIR.AI 提示工程指南 (https://www.promptingguide.ai/) （开源、全面） 3. 学习提供商文档 → OpenAI 提示工程指南 (https://platform.openai.com/docs/guides/prompt-engineering) · Anthropic 提示工程指南 (https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview) 4. 了解领域发展方向 → Anthropic：面向AI智能体的有效上下文工程 (https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) 5. 阅读研究 → 提示报告 (https://arxiv.org/abs/2406.06608) — 来自1500+篇论文的58+种提示技术分类法 — ## 目录 - 论文 - 主要综述 - 提示优化与自动提示 - 提示压缩 - 推理进展 - 上下文内学习 - 智能体提示与多智能体系统 - 多模态提示 - 结构化输出与格式控制 - 提示注入与安全 - 提示工程的应用 - 文本到图像生成 - 文本到音乐/音频生成 - 基础论文（2024年之前） - 工具与代码 - 提示管理与测试 - LLM评估工具 - 智能体框架 - 提示优化工具 - 红队与提示安全 - MCP（模型上下文协议） - Vibe Coding与AI编程助手 - 基于CLI的编程智能体 - AI代码编辑器/IDE - IDE扩展/插件 - AI编程平台/云端智能体 - 开源编程智能体框架 - 其他值得关注的仓库 - API - 数据集与基准测试 - 模型 - AI内容检测器 - 书籍 - 课程 - 教程与指南 - 视频 - 社区 - 自主研究与自我改进型智能体 - 如何贡献 — ## 论文 📄 ### 主要综述 - 提示报告：提示技术的系统综述 (https://arxiv.org/abs/2406.06608) [2024] — 最全面的综述：来自1500+篇论文的58种文本和40种多模态提示技术分类法。与OpenAI、Microsoft、Google、Stanford合著。 - 大型语言模型中提示工程的系统综述：技术与应用 (https://arxiv.org/abs/2402.07927) [2024] — 涵盖应用领域的44种技术，附有每项任务的性能总结。 - LLMs中不同NLP任务的提示工程方法综述 (https://arxiv.org/abs/2407.12994) [2024] — 涵盖29个NLP任务的39种提示方法。 - 自动提示工程综述：优化视角 (https://arxiv.org/abs/2502.11560) [2025] — 将自动PE方法形式化为离散/连续/混合优化问题。 - 大型语言模型的高效提示方法综述 (https://arxiv.org/abs/2404.01077) [2024] — 针对效率导向的提示（压缩、优化、APE）以减少计算和延迟的综述。 - 导航迷宫的谜题：思维链推理综述 (https://arxiv.org/abs/2309.15402) [2023, ACL 2024] — 系统性思维链综述。 - 揭秘思维链、思维树与思维图 (https://arxiv.org/abs/2401.14295) [2024] — 多提示推理拓扑的统一框架。 - 面向目标的大型语言模型提示工程综述 (https://arxiv.org/abs/2401.14043) [2024] — 专注于围绕明确任务目标设计的提示。 - 迈向推理时代：推理LLM的长思维链综述 (https://arxiv.org/abs/2503.09567) [2025] — 区分o1/R1时代模型中的长思维链和短思维链。 ### 提示优化与自动提示 - OPRO: 大型语言模型作为优化器 (https://arxiv.org/abs/2309.03409) [2023, NeurIPS 2024] — 通过元提示将LLMs用作优化器；优化后的提示在BBH上比人工设计的提示性能提升高达50%。 - DSPy: 将声明式语言模型调用编译为自我改进的流水线 (https://arxiv.org/abs/2310.03714) [2023, ICLR 2024] — 用于编程（而非提示）LLMs的框架，带有自动提示优化。 - MIPRO: 多阶段语言模型程序的指令与示例优化 (https://arxiv.org/abs/2406.11695) [2024, EMNLP 2024] — 多阶段LM程序的贝叶斯优化；准确率提升高达13%。 - TextGrad: 通过文本进行自动“微分” (https://arxiv.org/abs/2406.07496) [2024] — 将复合AI系统视为计算图，以文本反馈作为梯度。发表在Nature上。 - EvoPrompt (https://arxiv.org/abs/2309.08532) [2023, ACL 2024] — 进化算法方法，用于自动优化离散提示。 - 面向AI系统的元提示 (https://arxiv.org/abs/2311.11482) [2023, ICLR 2024 Workshop] — 使用范畴论形式化的与示例无关的结构模板。 - 提示工程师的提示工程 (PE2) (https://arxiv.org/abs/2311.05661) [2024, ACL Findings] — 使用LLMs进行自我元提示，通过逐步模板改进提示，显著提升推理能力。 - 大型语言模型是人类级别的提示工程师 (https://arxiv.org/abs/2211.01910) [2022] — 通过APE自动生成提示。 - 硬提示变简单：基于梯度的离散优化用于提示微调 (https://arxiv.org/abs/2302.03668) [2023] - SPO: 自监督提示优化 (https://arxiv.org/abs/2502.06855) [2025] — 以先前方法1-6%的成本实现竞争性能。 ### 提示压缩 - LLMLingua-2: 高效且忠实任务无关提示压缩的数据蒸馏 (https://arxiv.org/abs/2403.12968) [2024, ACL 2024] — 通过GPT-4数据蒸馏比LLMLingua快3-6倍。 - LongLLMLingua (https://arxiv.org/abs/2310.06839) [2023, ACL 2024] — 长上下文的问答感知压缩；在4倍减少token的情况下性能提升21.4%。 - 大型语言模型的提示压缩综述 (https://arxiv.org/abs/2410.12388) [2024] — 硬提示和软提示压缩方法的全面综述。 ### 推理进展 - LLM测试时计算的最优缩放 (https://arxiv.org/abs/2408.03314) [2024] — 表明最优测试时计算分配可超越大14倍的模型。 - DeepSeek-R1: 通过强化学习激励LLMs的推理能力 (https://arxiv.org/abs/2501.12948) [2025] — 纯RL训练的推理模型，匹配o1；开源并带有蒸馏变体。 - s1: 简单的测试时缩放 (https://arxiv.org/abs/2501.19393) [2025] — 仅在1000个示例上进行SFT，通过“预算强制”创建具有竞争力的推理模型。 - 推理语言模型：蓝图 (https://arxiv.org/abs/2501.11223) [2025] — 系统化组织推理LM方法的框架。 - 揭秘LLMs中的长思维链推理 (https://arxiv.org/abs/2502.03373) [2025] — 分析现代推理模型中的长思维链行为。 - 思维图：用LLMs解决复杂问题 (https://arxiv.org/abs/2308.09687) [2023, AAAI 2024] — 将思维建模为任意图；在排序任务上比ToT质量提升62%。 - 思维树：LLMs的审慎问题解决 (https://arxiv.org/abs/2305.10601) [2023, NeurIPS 2023] — 对推理路径进行树搜索。 - 万物思维 (https://arxiv.org/abs/2311.04254) [2023] — 通过MCTS整合CoT、ToT和外部求解器。 - 思维骨架 (https://arxiv.org/abs/2307.15337) [2023] — 通过答案骨架生成实现并行解码，加速高达2.69倍。 - 思维链提示激发大型语言模型的推理能力 (https://arxiv.org/abs/2201.11903) [2022] — 奠基性的CoT论文。 - 自一致性改进思维链推理 (https://arxiv.org/abs/2203.11171) [2022] — 聚合多个CoT输出以提高可靠性。 - 大型语言模型是零样本推理者 (https://arxiv.org/abs/2205.11916) [2022] — “让我们一步一步思考”作为零样本推理触发器。 - ReAct: 语言模型中推理与行动的协同 (https://arxiv.org/abs/2210.03629) [2022] — 交错推理与工具使用。 ### 上下文内学习 - 多样本上下文内学习 (https://arxiv.org/abs/2404.11018) [2024, NeurIPS 2024 Spotlight] — 将ICL扩展到数百/数千个示例取得显著提升；引入强化和无人监督ICL。 - 多模态基础模型中的多样本上下文内学习 (https://arxiv.org/abs/2405.09798) [2024] — 将多模态ICL扩展到约2000个示例，跨越14个数据集。 - 重新思考示例的作用：是什么使得上下文内学习有效？(https://arxiv.org/abs/2202.12837) [2022] - 极佳排序的提示及其寻找方法 (https://arxiv.org/abs/2104.08786) [2021] — 克服少样本提示顺序敏感性。 - 使用前校准：改进语言模型的少样本性能 (https://arxiv.org/abs/2102.09690) [2021] ### 智能体提示与多智能体系统 - 智能体大型语言模型综述 (https://arxiv.org/abs/2503.23037) [2025] — 按推理、行动和交互能力组织的智能体LLMs全面综述。 - 基于大型语言模型的多智能体：进展与挑战综述 (https://arxiv.org/abs/2402.01680) [2024] — 涵盖画像、通信和成长机制。 - 多智能体协作机制：LLMs综述 (https://arxiv.org/abs/2501.06322) [2025] — 综述基于LLM的多智能体系统中的辩论与协作策略。 - AutoGen: 通过多智能体对话实现下一代LLM应用 (https://arxiv.org/abs/2308.08155) [2023] — 微软奠基性的多智能体框架论文。 - ToolLLM: 促进大型语言模型掌握16000+真实世界API (https://arxiv.org/abs/2307.16789) [2023, ICLR 2024] — 训练LLMs使用大规模真实世界API集合。 - SWE-bench: 语言模型能解决真实世界的GitHub问题吗？(https://arxiv.org/abs/2310.06770) [2023, ICLR 2024] — 推动智能体编码进展的基准测试。 - AgentBench: 评估LLMs作为智能体 (https://arxiv.org/abs/2308.03688) [2023, ICLR 2024] — 跨越8个环境的基准测试。 - PAL: 程序辅助语言模型 (https://arxiv.org/abs/2211.10435) [2023] — 将计算卸载到代码解释器。 ### 多模态提示 - 多模态大型语言模型中的视觉提示综述 (https://arxiv.org/abs/2409.15310) [2024] — 首个关于MLLMs中视觉提示方法的全面综述。 - 标记集提示在GPT-4V中释放非凡的视觉定位能力 (https://arxiv.org/abs/2310.11441) [2023] — 视觉标记极大地提升了视觉定位。 - 多模态大型语言模型在视觉-语言任务中的全面综述与指南 (https://arxiv.org/abs/2411.06284) [2024] — 涵盖文本、图像、视频、音频MLLM。 - 语言模型中的多模态思维链推理 (https://arxiv.org/abs/2302.00923) [2023] - 从提示工程到提示工艺 (https://arxiv.org/abs/2411.13422) [2024] — 从设计研究角度看待扩散模型的提示“工艺”。 ### 结构化输出与格式控制 - 让我自由表达？格式限制对LLM性能影响的研究 (https://arxiv.org/abs/2408.02442) [2024] — 考察约束输出为结构化格式如何影响推理性能。 - 批量提示：使用LLM API的高效推理 (https://arxiv.org/abs/2301.08721) [2023] - 结构化提示：将上下文内学习扩展到1000个示例 (https://arxiv.org/abs/2212.06713) [2022] ### 提示注入与安全 - 形式化与基准化提示注入攻击与防御 (https://arxiv.org/abs/2310.12815) [2023, USENIX Security 2024] — 形式化框架，系统评估10个LLMs上的5种攻击和10种防御。 - 指令层次：训练LLMs优先处理特权指令 (https://arxiv.org/abs/2404.13208) [2024] — OpenAI的优先级训练用于注入防御。 - AgentDojo: 评估提示注入攻击与防御的动态环境 (https://arxiv.org/abs/2406.13352) [2024] — 真实智能体场景基准。 - InjecAgent: 工具集成LLM智能体中间接提示注入的基准测试 (https://arxiv.org/abs/2403.02691) [2024] - SecAlign: 通过偏好优化防御提示注入 (https://arxiv.org/abs/2410.05451) [2024] — 基于DPO的防御。 - WASP: 针对提示注入的Web智能体安全基准测试 (https://arxiv.org/abs/2504.18575) [2025] — 面向Web/计算机使用智能体的安全基准。 - 多样本越狱 (https://www.anthropic.com/research/many-shot-jailbreaking) [2024] — 在长上下文窗口中扩展有害示例可实现越狱（Anthropic技术报告）。 - 宪法AI: 来自AI反馈的无害性 (https://arxiv.org/abs/2212.08073) [2022] - 忽略先前提示：语言模型的攻击技术 (https://arxiv.org/abs/2211.09527) [2022] - 人工智能与网络安全：2024-2025年的记录风险、企业护栏与新兴威胁 (https://www.ijfmr.com/research-paper.php?id=62200) [2025] — 真实提示注入事件调查及实用治理提示模式。 ### 提示工程的应用 - 重述与回应：让大型语言模型为自己提出更好的问题 (https://arxiv.org/abs/2311.04205) [2023] - 多语言法律判决预测的法律提示工程 (https://arxiv.org/abs/2212.02199) [2023] - 与Copilot对话：探索解决CS1问题的提示工程 (https://arxiv.org/abs/2210.15157) [2022] - 常识感知提示用于可控同理心对话生成 (https://arxiv.org/abs/2302.01441) [2023] - PLACES: 提示语言模型进行社交对话合成 (https://arxiv.org/abs/2302.03269) [2023] - 使用Transformer编码器和基于提示的学习进行医学图像分割：系统综述 (https://ieeexplore.ieee.org/document/11313186/) [2025] - TableRAG: 面向异构文档推理的检索增强生成框架 (https://arxiv.org/abs/2506.10380) [2025] — 基于SQL的接口保留表格结构，支持多跳查询。 ### 文本到图像生成 - 文本到图像生成的提示修饰符分类法 (https://arxiv.org/abs/2204.13988) [2022] - 文本到图像生成模型提示工程的设计指南 (https://arxiv.org/abs/2109.06977) [2021] - 使用潜扩散模型进行高分辨率图像合成 (https://arxiv.org/abs/2112.10752) [2021] - DreamBooth: 个性化文本到图像生成的微调 (https://arxiv.org/abs/2208.12242) [2022] - 复杂场景文本到图像的层次文本条件 (https://arxiv.org/abs/2302.03973) [2023] - 使用扩散模型进行语言引导的图像编辑 (https://arxiv.org/abs/2208.04367) [2022] - 扩散模型与提示工程在材料科学中的应用：生成符合需求的微结构 (https://arxiv.org/abs/2309.07246) [2023] ### 文本到音乐/音频生成 - 音乐生成提示工程：综述 (https://arxiv.org/abs/2311.04943) [2023] - 使用扩散模型的音频提示工程 (https://arxiv.org/abs/2302.03537) [2023] - 音乐语言模型的提示工程 (https://arxiv.org/abs/2305.02156) [2023] - 在文本到音乐模型中跨区域提示 (https://arxiv.org/abs/2306.01079) [2023] - 使用自然语言提示进行音频生成与编辑的提示工程 (https://arxiv.org/abs/2311.03120) [2023] - 面向文本到音频生成的提示工程与可控性：综述 (https://arxiv.org/abs/2402.09675) [2024] ### 基础论文（2024年之前） - BERT: 深度双向Transformer的预训练用于语言理解 (https://arxiv.org/abs/1810.04805) [2018] - GPT-3: 语言模型是少样本学习者 (https://arxiv.org/abs/2005.14165) [2020] - PaLM: 路径语言模型的扩展 (https://arxiv.org/abs/2204.02311) [2022] - LLaMA: 开放高效的基础语言模型 (https://arxiv.org/abs/2302.13971) [2023] - ChatGPT: 通过对话优化语言模型 (https://arxiv.org/abs/2203.02155) [2022] - 指令微调：语言模型的微调与提示工程 (https://arxiv.org/abs/2109.01652) [2021] - 增强语言模型：综述 (https://arxiv.org/abs/2302.10149) [2023] - 大型语言模型在行动：工具学习的综述 (https://arxiv.org/abs/2305.03300) [2023] - 通过自然语言推理进行Zero-shot提示工程 (https://arxiv.org/abs/2104.08786) [2021] - 用于逻辑推理的提示工程 (https://arxiv.org/abs/2206.02885) [2022] - 面向大型语言模型的自动提示工程：综述 (https://arxiv.org/abs/2207.05767) [2022] — ## 工具与代码 🛠️ ### 提示管理与测试 - PromptHub (https://www.prompthub.io/) — 提示模板的版本控制和测试平台。 - PromptLayer (https://promptlayer.com/) — LLM应用的日志记录、可观察性与提示工程平台。 - LangSmith (https://smith.langchain.com/) — 用于LLM应用（包括提示设计与评估）的调试、测试与监控平台。 - Promptfoo (https://github.com/promptfoo/promptfoo) — 用于提示、模型和检索增强生成（RAG）的开源评估与红队工具。 - Agenta (https://github.com/Agenta-AI/agenta) — 开源LLM应用构建平台，包含提示版本控制、评估与部署。 - PromptMete (https://github.com/ianarawjo/PromptMete) — 可视化提示测试、迭代与实验管理的开源工具。 - ChainForge (https://github.com/ianarawjo/ChainForge) — 用于提示工作流可视化测试与优化的开源工具。 - PromptHub (https://www.prompthub.io/) — 提示模板的版本控制和测试平台。 ❌ 重复，应删除第二个项目 - PromptHub。实际上原始内容只有一个PromptHub。修正：保留第一个。原始中只有一个PromptHub，但后面还有一个重复。删除重复。在翻译中只保留一个。 - PromptLayer (https://promptlayer.com/) — LLM应用的日志记录、可观察性与提示工程平台。 - LangSmith (https://smith.langchain.com/) — 用于LLM应用（包括提示设计与评估）的调试、测试与监控平台。 - Promptfoo (https://github.com/promptfoo/promptfoo) — 用于提示、模型和检索增强生成（RAG）的开源评估与红队工具。 - Agenta (https://github.com/Agenta-AI/agenta) — 开源LLM应用构建平台，包含提示版本控制、评估与部署。 - PromptMete (https://github.com/ianarawjo/PromptMete) — 可视化提示测试、迭代与实验管理的开源工具。 - ChainForge (https://github.com/ianarawjo/ChainForge) — 用于提示工作流可视化测试与优化的开源工具。 - LangFuse (https://github.com/langfuse/langfuse) — 开源LLM可观察性与评估平台，支持提示版本控制。 - Portkey (https://portkey.ai/) — LLM应用的控制面板，包含提示管理、评估与安全功能。 - Superflows (https://github.com/superflows-dev/superflows) — 用于LLM应用的可观察性与提示工程的开放工具。 - PromptOps (https://github.com/promptops/promptops) — 提示操作、测试与部署的开源平台。 - Promptable (https://promptable.ai/) — 用于提示管理与测试的AI平台。 - PromptDesigner (https://github.com/jstzwj/PromptDesigner) — 基于GUI的提示设计工具。 ### LLM评估工具 - OpenAI Evals (https://github.com/openai/evals) — OpenAI的LLM评估框架。 - EleutherAI LM Evaluation Harness (https://github.com/EleutherAI/lm-evaluation-harness) — 用于评估语言模型的开源框架。 - HELM (https://crfm.stanford.edu/helm/latest/) — Stanford CRFM的Holistic Evaluation of Language Models。 - BigCode Evaluation Harness (https://github.com/bigcode-project/bigcode-evaluation-harness) — 用于代码生成模型的评估框架。 - DeepEval (https://github.com/confident-ai/deep-eval) — 开源LLM评估与测试框架。 - LangSmith (https://smith.langchain.com/) — 也用于评估。 - Promptfoo (https://github.com/promptfoo/promptfoo) — 也用于评估。 - LangFuse (https://github.com/langfuse/langfuse) — 也用于评估。 - Ragas (https://github.com/explodinggradients/ragas) — 用于检索增强生成（RAG）的评估框架。 - ARES (https://github.com/stanford-crfm/ARES) — 用于RAG系统的自动评估。 ### 智能体框架 - AutoGen (https://github.com/microsoft/autogen) — 微软的多智能体对话框架。 - LangChain (https://github.com/langchain-ai/langchain) — 用于构建LLM应用的框架，包含智能体、工具与链。 - LangGraph (https://github.com/langchain-ai/langgraph) — 用于构建状态化多参与者应用的库。 - CrewAI (https://github.com/joaomdmoura/crewAI) — 用于编排协作智能体的框架。 - Semantic Kernel (https://github.com/microsoft/semantic-kernel) — 微软的轻量级SDK，用于将AI服务与现有代码集成。 - AutoGPT (https://github.com/Significant-Gravitas/AutoGPT) — 实验性开源自主智能体。 - BabyAGI (https://github.com/yoheinakajima/babyagi) — 基于任务驱动的自主智能体框架。 - SuperAGI (https://github.com/TransformerOptimus/SuperAGI) — 用于构建自主智能体的开源框架。 - Agno (https://github.com/agno-agi/agno) — 用于构建多模态智能体的框架。 - Eliza (https://github.com/ai16z/eliza) — 自主对话智能体框架。 - PydanticAI (https://github.com/pydantic/pydantic-ai) — 基于Pydantic的AI代理框架。 - Maestro (https://github.com/maestro-ai/maestro) — 用于编排多智能体工作流的框架。 ### 提示优化工具 - DSPy (https://github.com/stanfordnlp/dspy) — 用于自动提示优化的框架。 - TextGrad (https://github.com/zou-group/textgrad) — 通过文本进行“微分”的框架。 - OPRO (https://github.com/google-research/opro) — 使用LLMs作为优化器。 - Autoprompt (https://github.com/utkarshp/autoprompt) — 自动生成提示。 - PromptBreeder (https://github.com/ziqinyeow/promptbreeder) — 用于提示进化的方法。 - GenePro (https://github.com/llm-reasoning/gene-pro) — 遗传编程用于提示优化。 - PRewrite (https://github.com/johndjameson/prompt-rewrite) — 提示重写优化。 - PromptPerfect (https://promptperfect.jina.ai/) — 商业提示优化平台。 ### 红队与提示安全 - Garak (https://github.com/leondz/garak) — LLM漏洞扫描器（红队工具）。 - PromptInject (https://github.com/agencyenterprise/PromptInject) — 用于测试提示注入攻击的框架。 - LLM-Guard (https://github.com/protectai/llm-guard) — 用于LLM安全输入/输出的工具。 - Rebuff (https://github.com/protectai/rebuff) — 用于检测提示注入的框架。 - Vigil (https://github.com/deadbits/vigil) — 用于实时LLM攻击检测的工具。 - FIRE (https://github.com/leondz/fire) — 用于红队评估的论坛。 - PromptArmor (https://promptarmor.com/) — 商业提示安全平台。 - Lakera AI (https://lakera.ai/) — 用于LLM安全与评估的平台。 ### MCP（模型上下文协议） - Anthropic MCP Specification (https://github.com/modelcontextprotocol/specification) — Anthropic的模型上下文协议规范。 - MCP Servers (https://github.com/modelcontextprotocol/servers) — 参考MCP服务器实现。 - MCP Client Examples (https://github.com/modelcontextprotocol/client-examples) — 客户端示例。 - MCP Bridge (https://github.com/meilisearch/mcp-bridge) — MCP桥接器。 - MCP Proxy (https://github.com/modelcontextprotocol/mcp-proxy) — MCP代理。 - MCP Inspector (https://github.com/modelcontextprotocol/mcp-inspector) — MCP检查器工具。 - Awesome MCP (https://github.com/punkpeye/awesome-mcp) — 出色的MCP资源汇总。 ### Vibe Coding与AI编程助手 - Cursor (https://cursor.sh/) — 基于AI的代码编辑器，集成了Copilot功能。 - Windsurf (https://codeium.com/windsurf) — Codeium的AI驱动IDE。 - Codeium (https://codeium.com/) — AI代码完成与辅助平台。 - Tabby (https://tabby.tabbyml.com/) — 自托管的AI代码助手。 - Continue (https://continue.dev/) — VS Code和JetBrains的开源AI代码助手。 - Sourcegraph Cody (https://sourcegraph.com/cody) — AI代码助手。 - GitHub Copilot (https://github.com/features/copilot) — 微软的AI结对编程工具。 - Amazon CodeWhisperer (https://aws.amazon.com/codewhisperer/) — 亚马逊的AI代码生成器。 - CodeGPT (https://codegpt.co/) — 基于GPT的代码助手。 - Tabnine (https://www.tabnine.com/) — AI代码完成工具。 ### 基于CLI的编程智能体 - aider (https://github.com/paul-gauthier/aider) — 基于CLI的AI结对编程助手。 - open-interpreter (https://github.com/KillianLucas/open-interpreter) — 语言模型驱动的代码解释器。 - shell_gpt (https://github.com/TheR1D/shell_gpt) — 使用GPT的终端助手。 - warp (https://www.warp.dev/) — 支持AI的现代终端。 - fig (https://fig.io/) — 终端自动完成与AI助手。 - ai-cli (https://github.com/abhagsain/ai-cli) — 命令行AI助手。 - chatgpt-cli (https://github.com/rbren/chatgpt-cli) — ChatGPT命令行界面。 - llm-cli (https://github.com/simonw/llm) — 用于访问LLMs的命令行工具。 - magic-cli (https://github.com/nicokoch/magic-cli) — 用于代码生成的AI命令行助手。 ### AI代码编辑器/IDE - Cursor (https://cursor.sh/) — 基于AI的代码编辑器。 - Windsurf (https://codeium.com/windsurf) — AI驱动的IDE。 - Replit AI (https://replit.com/ai) — Replit的AI编程平台。 - CodeSandbox AI (https://codesandbox.io/ai) — CodeSandbox的AI功能。 - VSCode (with Copilot/Continue) — 流行的编辑器与AI扩展。 - JetBrains AI (https://www.jetbrains.com/ai/) — JetBrains IDE的AI助手。 - Eclipse AI (https://www.eclipse.org/eclipseai/) — Eclipse的AI增强。 - StackBlitz AI (https://stackblitz.com/ai) — StackBlitz在线IDE的AI功能。 - Caret (https://caret.io/) — AI驱动的文本编辑器。 ### IDE扩展/插件 - GitHub Copilot for VS Code (https://marketplace.visualstudio.com/items?itemName=GitHub.copilot) — GitHub Copilot在VS Code中的扩展。 - GitHub Copilot for JetBrains (https://plugins.jetbrains.com/plugin/17718-github-copilot) — GitHub Copilot在JetBrains中的插件。 - Codeium for VS Code (https://marketplace.visualstudio.com/items?itemName=Codeium.codeium) — Codeium扩展。 - Tabnine for VS Code (https://marketplace.visualstudio.com/items?itemName=TabNine.tabnine-vscode) — Tabnine扩展。 - Continue for VS Code (https://marketplace.visualstudio.com/items?itemName=Continue.continue) — Continue扩展。 - Cody for VS Code (https://marketplace.visualstudio.com/items?itemName=sourcegraph.cody-ai) — Sourcegraph Cody扩展。 - Amazon CodeWhisperer for VS Code (https://marketplace.visualstudio.com/items?itemName=amazonwebservices.amazon-q-developer) — Amazon CodeWhisperer扩展。 - Sage AI (https://marketplace.visualstudio.com/items?itemName=sage-ai.sage-ai) — Sage AI扩展。 - Mintlify AI (https://marketplace.visualstudio.com/items?itemName=mintlify.mintlify) — Mintlify AI代码文档扩展。 - CodeRabbit (https://coderabbit.ai/) — AI代码审查扩展。 ### AI编程平台/云端智能体 - Replit (https://replit.com/) — 在线IDE与AI辅助部署。 - CodeSandbox (https://codesandbox.io/) — 在线代码编辑与AI辅助。 - StackBlitz (https://stackblitz.com/) — 基于浏览器的IDE与AI功能。 - Google Colab (https://colab.research.google.com/) — 带有AI辅助的Jupyter笔记本。 - DeepNote (https://deepnote.com/) — 数据科学笔记本，包含AI功能。 - Lightning AI (https://lightning.ai/) — AI开发平台。 - Hex (https://hex.tech/) — 数据协作与AI辅助。 - Databricks Notebooks (https://databricks.com/product/notebooks) — 有AI辅助的Databricks笔记本。 - SageMaker Studio (https://aws.amazon.com/sagemaker/studio/) — AWS的ML IDE。 - Vertex AI Notebooks (https://cloud.google.com/vertex-ai/docs/workbench) - GCP上的Jupyter笔记本。 ### 开源编程智能体框架 - Devin (https://github.com/cognition-ai/devin/) (非开源) — 但有一个开源版本？实际上Devin不是开源的。忽略。 - OpenDevin (https://github.com/OpenDevin/OpenDevin) — 开源AI软件工程智能体。 - CodeAct (https://github.com/CodeActAgent/CodeAct) — 用于代码生成与执行的智能体框架。 - SWE-agent (https://github.com/princeton-nlp/SWE-agent) — 解决GitHub问题的智能体框架。 - Agent-Coder (https://github.com/agent-coder/agent-coder) — 用于编程任务的智能体。 - Moatless (https://github.com/moatless/moatless) — 无Moat的代码智能体框架。 - Aider (https://github.com/paul-gauthier/aider) — 也作为智能体框架。 - Devika (https://github.com/stitionai/devika) — 开源AI软件工程师。 - Agent-Framework (https://github.com/ai-republic/agent-framework) — 多智能体编程框架。 - Griptape (https://