朋友們開工大吉啊！我剛從假期模式切換回來，完全無心工作有些不在狀態，比如開機密碼錯了好幾次??。閑話少敘，下面就讓我們一起看看，春節這段時間 GitHub 上又出了什么有趣、好玩的開源項目。

今年上來就是王炸一款一周飆升了 6,000 Star 的 Git 客戶端，項目的作者是 GitHub 的“一號員工”，它的新型分支管理方式可能會讓你眼前一亮。AI 可穿戴設備的價格被開源打下來了，僅需 100 美元的制作成本，或許不久的將來還可以更低。說到省錢這款低延遲的 JavaScript 運行時（LLRT），旨在滿足日益增長的無服務器應用需求。

最后，還有一個 C 語言寫的極簡神經網絡庫和迷你 Python 項目集合，讓剛接觸編程的朋友也有可以把玩的開源項目。

圖片

1. GitHub 熱搜項目

1.1 新型的 Git 客戶端：gitbutler

圖片

主語言：TypeScript，Star：6.9k，周增長：6.3k

這是由 GitHub 聯合創始人、《Pro Git》的作者 Scott Chacon 開源的 Git 客戶端。它采用 Tauri/Rust/Svelte 構建，擁有較高的顏值。用戶可以將多個分支上的改動，通過拖拽的方式快速地聚合到一個獨立分支上，實現靈活地跨分支操作。目前僅支持 macOS 和 Linux 平臺，Windows 版本還在開發中。

GitHub 地址→https://github.com/gitbutlerapp/gitbutler

1.2 開源 AI 可穿戴設備：ADeus

圖片

主語言：TypeScript，Star：1.8k，周增長：1k

這是一款開源的 AI 可穿戴設備，相當于一個便攜的 AI 助手。目前它的制作成本只有 100 美元，未來可能會更低。支持記錄和處理你的個人數據，隨時隨地通過語音和你的個人 AI 進行聊天和問答，真正的個性化個人 AI。

GitHub 地址→https://github.com/adamcohenhillel/ADeus

1.3 JavaScript 低延遲運行時：llrt

圖片

主語言：JavaScript，Star：6.5k，周增長：3.3k

這是由亞馬遜開源的一種輕量級 JavaScript 運行時，它基于 QuickJS 和 Rust 語言構建，在節省內存和啟動速度方面表現優異。與在 AWS Lambda 上運行的其他 JavaScript 運行時相比，LLRT 的啟動速度提高了 10 倍以上，成本降低了 2 倍。

GitHub 地址→https://github.com/awslabs/llrt

1.4 迷你 Python 項目集合：python-mini-project

圖片

主語言：Python，Star：1.6k，周增長：500

該項目包含了一系列迷你的 Python 小項目，并提供了簡單的 Python 項目模板，幫助初學者開發出自己第一個 Python 程序。

GitHub 地址→https://github.com/ndleah/python-mini-project

1.5 開源的 AI 編程助手：continue

圖片

主語言：TypeScript，Star：7.4k，周增長：500

這是一個支持 VSCode 和 JetBrains 的開源 AI 編程助手，可以接入 OpenAI、GPT-4、Gemini、CodeLlama 等多種不同的大語言模型。

GitHub 地址→https://github.com/continuedev/continue

2. HelloGitHub 熱評

在這個章節，將會分享下本周 HelloGitHub 網站上的熱門開源項目，歡迎與我們分享你上手這些開源項目后的使用體驗。

2.1 開源的郵件列表和營銷平臺：listmonk

圖片

主語言：Go

這是一個開箱即用的郵件營銷平臺，可以幫助你管理郵件訂閱者、創建和發送郵件、分析營銷數據?？刹榭脆]件閱讀率、鏈接點擊率等，支持自托管適用于個人和企業。

項目詳情→https://hellogithub.com/repository/8c2b582b4ad44c1d9d140c63e33f32b3

2.2 C 語言寫的極簡神經網絡庫：genann

圖片

主語言：C

這是一個輕量、無依賴、單文件的 C 語言神經網絡庫，內含豐富的示例和測試。代碼簡潔易讀，適合作為初學者學習神經網絡的入門項目。

#include "genann.h"

/* Not shown, loading your training and test data. */
double **training_data_input, **training_data_output, **test_data_input;

/* New network with 2 inputs,
 * 1 hidden layer of 3 neurons each,
 * and 2 outputs. */
genann *ann = genann_init(2, 1, 3, 2);

/* Learn on the training set. */
for (i = 0; i < 300; ++i) {
    for (j = 0; j < 100; ++j)
        genann_train(ann, training_data_input[j], training_data_output[j], 0.1);
}

/* Run the network and see what it predicts. */
double const *prediction = genann_run(ann, test_data_input[0]);
printf("Output for the first test data point is: %f, %f\n", prediction[0], prediction[1]);

genann_free(ann);

項目詳情→https://hellogithub.com/repository/f9cdb751f3e54970ab060b347dfd7da4