不是又一个 Awesome List。
我花了几个月折腾各种 Agent 框架和工具，踩了无数坑，才搞明白一件事：你不需要 8000 个选项，你需要有人告诉你该用哪几个。
这个仓库记录的就是这些经验。每个领域我只推荐 2-3 个工具，附带我踩过的坑和安全方面的考量。不多，但够用。
awesome-mcp-servers 列了 8000 个，awesome-llm-apps 列了 100+ 个。 你只需要 5 个。
#1 LLM 网关 → LiteLLM
#2 记忆系统 → mem0
#3 知识库 → LlamaIndex
#4 浏览器 → browser-use
#5 工具系统 → 你的框架自带
pip install litellm mem0 llama-index browser-use装完就能跑。不需要再纠结了。
市面上的 Awesome Lists 有一个共同问题：它们把选择的负担推给了你。
列 100 个项目很容易，但对新手来说，100 个选项等于没有选项。你需要的不是更多信息，而是有人帮你做决定。
这个仓库就是那个帮你做决定的人。
每个领域我会告诉你：
- 用什么（2-3 个选择，不是 20 个）
- 为什么选它（真实的使用体验，不是复制官方 README）
- 有什么坑（我踩过的，你不用再踩）
- 安全上要注意什么（MCP 服务器有没有后门？数据去了哪里？）
我把 Agent 基础设施分成四层，按重要性排：
LLM 网关 — 你需要一个统一的方式调用各种 LLM API。我推荐 LiteLLM，100+ 厂商一个接口搞定。不想自己部署就用 OpenRouter，按量付费。
工具系统 — 终端执行、文件读写。这个框架自带，不需要额外装东西。
上下文管理 — 窗口就那么大，怎么塞更多信息？大多数框架内置的滑动窗口 + 摘要压缩就够用了。Token 特别紧张的话看看 LLMLingua，微软出的，能压缩 2-10 倍。
记忆系统 — mem0（57k Star）。让 Agent 跨会话记住你是谁、你的偏好。不过注意：默认走云端，敏感数据要配置成本地模式。
知识库 — LlamaIndex（50k Star）。让你的 Agent 能查阅自己的文档和代码库。数据量小的话 ChromaDB 够了，不用上大框架。
浏览器 — browser-use（96k Star）。让 Agent 能上网、操作网页。需要复用登录态的话看看 Nanobrowser。
Token 监控 — 用 LiteLLM 的话自带成本追踪，不需要额外工具。想看实时仪表盘可以试试 Tokentap。
Prompt 管理 — Git。就是 Git。Prompt 文件放仓库里，改了就 commit，最朴素也最靠谱。
多模型路由 — LiteLLM 内置 fallback，主模型挂了自动切备用的。
多 Agent — 大多数任务单 Agent + 好工具就够了。真需要的话 LangGraph 最灵活，MetaGPT 适合模拟团队协作。
MCP 生态 — 新兴标准，但安全问题没人管。我做了一个分级：官方的放心用，社区的看 Star 和维护频率，没听过的先在沙箱里跑。
可观测性 — LangSmith（LangChain 生态）、Phoenix（开源）。不是必须的，但出了问题能救命。
每个品类的详细评测在 categories/ 目录下。
这个仓库和其他 Awesome Lists 最大的区别：每个推荐工具我都做了安全评估。
不是专业审计，但至少检查了：
- 开源协议
- 数据流向（本地还是上云）
- 有没有已知的安全问题
- MCP 服务器有没有可疑行为
MCP 服务器我做了一个四级分级：
🟢 官方认证 Anthropic / 大厂出品，放心用
🟡 社区验证 100+ Star，活跃维护，可以用
🟠 社区早期 新项目，自己先审查
🔴 未验证 没人用过，别碰
详见 security/。
这部分可能是这个仓库最有价值的内容。
我花了很多时间在各种环境配置问题上，这些时间你不需要再花了。
WSL 用户（最常踩坑的群体）：
# localhost 连不上 Windows 的 LM Studio
# 因为 WSL2 是虚拟机，localhost 指向的是 WSL 自己
WIN_IP=$(cat /etc/resolv.conf | grep nameserver | awk '{print $2}')
curl http://$WIN_IP:1234/v1/models
# Clash/V2Ray 会劫持 API 请求
unset http_proxy https_proxy HTTP_PROXY HTTPS_PROXY
# API Key 别放 config.yaml，会被 Git 泄露
# 放 ~/.hermes/.envmacOS 用户：
# Apple Silicon 编译 llama-cpp-python 失败
CMAKE_ARGS="-DGGML_METAL=on" pip install llama-cpp-python通用：
# context_length 设太大，内存爆了
# 本地模型从 4096 开始，别上来就 32K
# 工具输出太长，token 疯涨
# 截断，只保留关键信息完整的踩坑记录在 setup/ 目录下，按平台分了四份。
你是谁？从哪开始？
独立开发者 — LiteLLM + mem0 + 终端/文件，月费 $20-50。详见 scenarios/indie-developer.md
前端工程师 — browser-use + 终端/文件，月费 $10-30。详见 scenarios/frontend-dev.md
数据科学家 — LlamaIndex + mem0，月费 $30-80。详见 scenarios/data-scientist.md
小团队（3-5人） — LiteLLM Proxy + mem0 + LlamaIndex，月费 $100-300。详见 scenarios/small-team.md
本地模型玩家 — Ollama / LM Studio / llama.cpp，月费 $0（电费除外）。详见 scenarios/local-model.md
categories/ 11 个领域的详细评测
security/ 安全审计报告
setup/ 4 个平台的配置指南和踩坑记录
scenarios/ 5 种用户画像的推荐方案
欢迎 PR，但有门槛：
- 必须附安全评估，不接受纯功能推荐
- 踩坑记录优先——你踩过的坑就是别人省下的时间
- 每个领域最多 3 个推荐，新增必须替换一个
- 推荐的工具你至少用过一周
Not another Awesome List. A curated, opinionated, security-audited guide to AI Agent infrastructure.
The problem: awesome-ai-agents lists 280 projects. awesome-mcp-servers lists 8000. You don't need more options — you need someone to decide for you.
The solution: each category, 2-3 picks. Every tool security-audited. Real pitfall documentation. Scenario-based recommendations.
Full documentation is in Chinese for now. English docs coming soon.
觉得有用就给个 Star，让更多人不用再做选择题。