最近逛GitHub发现三个风格迥异但实用性拉满的项目——一个专治大模型微调的万能工厂一个能让AI自动画出漂亮架构图的设计师还有一个给Git提交把关的质检员。本文从零开始手把手讲清楚每个项目是干什么的、适合谁用、怎么装、怎么用。 一、LlamaFactory —— 大模型微调的瑞士军刀仓库github.com/hiyouga/LlamaFactory定位统一高效的大语言模型LLM与多模态模型VLM微调框架Star30k | 被Amazon、NVIDIA、阿里云等巨头采用 它是什么如果把训练大模型比作开工厂LlamaFactory就是那条全自动流水线。传统微调需要你手动处理数据格式转换 → 模型加载 → 训练参数调优 → 显存优化 → 评估 → 导出 → 部署。每一步都可能踩坑。而LlamaFactory把这些全部封装好了你只需要填几张配置表就能启动训练。 核心能力一览能力维度具体支持模型覆盖100 模型包括Llama、Qwen、DeepSeek、Gemma、GLM、Phi、Mistral、Mixtral等训练阶段预训练Pre-training、监督微调SFT、奖励建模RM、PPO、DPO、KTO、ORPO、SimPO优化技术LoRA、QLoRA2/3/4/5/6/8bit、GaLore、BAdam、APOLLO、DoRA、LongLoRA、PiSSA多模态图像理解、视觉定位、视频识别、音频理解、工具调用推理加速集成vLLM、SGLang支持OpenAI风格的API部署界面工具自带Gradio Web UILlamaBoard零基础也能点鼠标训练 支持的模型家族节选模型系列规模模板名称Llama 3-3.31B/3B/8B/70Bllama3Qwen30.6B-235Bqwen3/qwen3_nothinkDeepSeek-R11.5B-671Bdeepseekr1Gemma 3270M-27Bgemma3GLM-4 / GLM-Z19B-355Bglm4/glmz1Phi-43.8B/14Bphi4_mini/phi4InternVL 2.5-3.51B-241Bintern_vlMiniCPM-o 2.68Bminicpm_o小提示对于base基础模型template可以选default、alpaca等对于instruct/chat对话模型必须用对应的template训练和推理时要保持一致。️ 安装配置方式一源码安装推荐# 克隆仓库gitclone--depth1https://github.com/hiyouga/LlamaFactory.gitcdLlamaFactory# 安装核心依赖pipinstall-e.# 安装评估指标依赖可选pipinstall-rrequirements/metrics.txt方式二Docker一键启动dockerrun-it--rm--gpusall--ipchost hiyouga/llamafactory:latest镜像基于Ubuntu 22.04 CUDA 12.4 Python 3.11 PyTorch 2.6.0开箱即用。Windows用户特别注意需要手动安装GPU版PyTorchpip uninstall torch torchvision torchaudio pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126 python-cimport torch; print(torch.cuda.is_available())# 输出True即成功 快速上手三步跑通LoRA微调以Qwen3-4B-Instruct为例第一步微调llamafactory-cli train examples/train_lora/qwen3_lora_sft.yaml第二步推理测试llamafactory-cli chat examples/inference/qwen3_lora_sft.yaml第三步合并导出llamafactory-cliexportexamples/merge_lora/qwen3_lora_sft.yaml️ 可视化界面新手友好llamafactory-cli webui启动后浏览器打开本地地址可以 选择模型和数据集️ 拖动滑块调整学习率、批次大小等参数 实时监控训练loss曲线 一键导出训练好的模型 显存需求参考方法精度7B模型14B模型70B模型全量微调bf16/fp16120GB240GB1200GB全量微调pure_bf1660GB120GB600GBFreeze/LoRA16bit16GB32GB160GBQLoRA8bit10GB20GB80GBQLoRA4bit6GB12GB48GBQLoRA2bit4GB8GB24GBQLoRA 4bit是平民玩家的福音7B模型只需6GB显存即可微调让个人开发者也能玩转大模型。 部署为API服务API_PORT8000llamafactory-cli api examples/inference/qwen3.yamlinfer_backendvllmvllm_enforce_eagertrue启动后你可以像调用ChatGPT API一样调用自己的模型importrequests responserequests.post(http://localhost:8000/v1/chat/completions,json{model:your-model,messages:[{role:user,content:你好}]})️ 二、archify —— AI驱动的架构图生成器仓库github.com/tt-a1i/archify定位Agent Skill智能体技能插件支持平台Claude Code、Cursor、Codex CLI、OpenCode、Raven、Warp、Zed等 它是什么archify是一个给AI编程助手用的画图技能。传统画架构图你需要打开draw.io或Excalidraw手动拖拽方框、连线、调颜色。而有了archify你只需要对AI说一句话“Use archify to map this repository’s runtime architecture.”AI就会自动分析代码结构生成一张可交互的、带深色/浅色主题的系统架构图。 能画什么图archify支持五种专业级技术图表图表类型英文名称用途说明️ 架构图Blueprint展示系统模块划分与依赖关系⏱️ 时序图Sequence展示模块间调用顺序与时间线 数据流图Signal Flow展示数据在系统中的流动路径 工作流图Workflow展示业务流程与状态转换♻️ 生命周期图Lifecycle展示资源或对象的生命周期管理 核心亮点1. 自然语言输入专业图表输出不需要懂任何绘图工具用大白话描述系统AI帮你转换成规范的架构图。2. 五种视觉预设一键切换Blueprint工程蓝图风格适合技术文档Signal Flow信号流风格适合展示数据走向Classic经典简洁风格适合分享Dark/Light深色/浅色主题适配不同场景3. 可交互非静态图片生成的不是死的PNG而是自包含的HTML文件 点击节点查看详情 追踪上游/下游依赖 播放引导故事按步骤讲解系统 对比变更前/变更后的架构差异4. 多格式导出支持导出为HTML可交互PNG / SVG静态图片插入文档WebM视频演示1200×630 分享卡片适合发社交媒体️ 安装方式方式一命令行安装需网络通畅npx skillsaddtt-a1i/archify-g-g表示全局安装所有项目可用。方式二手动安装网络受限时使用# 1. 下载源码并解压到本地假设路径为 /path/to/archify# 2. 复制到Agent的skills目录# Claude Code 示例cp-r/path/to/archify ~/.claude/skills/archify# Cursor 示例cp-r/path/to/archify ~/.cursor/skills/archify⚠️注意路径确保SKILL.md位于skills/archify/SKILL.md不要嵌套成skills/archify/archify/SKILL.md。 使用示例场景一分析现有仓库# 在Claude Code中直接说Use archify to map this repositorys runtime architecture.场景二根据描述生成# 描述你的系统让AI生成架构图Use archify to create a blueprint of a microservices system with API Gateway, Auth Service, Order Service, Payment Service, and a PostgreSQL database.场景三对比架构变更# 对比两个版本的架构差异Use archify to compare the architecture before and after adding a Redis cache layer. 输出内容archify生成的是一个自包含的HTML文件里面包含类型化的JSON IR中间表示确定性校验确保图表与代码一致完整的CSS/JS无需外部依赖离线可打开✅ 三、no-mistakes —— Git提交的AI质检网关仓库github.com/kunchenguid/no-mistakes定位本地Git代理 AI驱动的验证流水线核心理念让每一次提交都经过AI检查防止手滑把Bug推上生产环境 它是什么no-mistakes是一个安装在本地、工作在Git层面的安检门。传统开发中你写完代码直接git pushBug可能就这样溜进了远程仓库。no-mistakes在中间加了一层代理你 → git push no-mistakes → AI检查流水线 → 通过 → 推送到远程 ↓ 未通过 → 本地拦截显示问题 完整工作流程步骤动作说明1git push no-mistakes branch开发者推送代码到本地代理2创建隔离Worktree在干净环境中运行检查不影响你的工作区3AI代码审查检查代码质量、潜在Bug、安全问题4自动测试运行测试套件确保没有回归5文档检查确认相关文档已更新6Lint检查代码风格、格式校验7推送到远程全部通过后自动推送到origin8自动开PR可选自动在GitHub/GitLab创建Pull Request️ 安装配置跨平台安装# macOS / Linuxcurl-fsSLhttps://raw.githubusercontent.com/kunchenguid/no-mistakes/main/docs/install.sh|sh# Windows (PowerShell)# 下载release包或手动安装项目初始化# 进入你的项目目录cdyour-project# 初始化no-mistakes网关no-mistakes init如果是给上游仓库提PR需要指定fork地址no-mistakes init --fork-url https://github.com/your-username/your-fork.git 日常使用推送代码改用no-mistakesgitpush no-mistakes main# 或gitpush no-mistakes feature/new-login查看检查结果TUI界面no-mistakes会打开一个终端交互界面显示✅ 通过的检查项❌ 失败的检查项及详细错误 AI给出的修复建议查看帮助no-mistakes--help 适用场景场景价值 个人开发者给自己加一道质量保险减少提交后才发现Bug的尴尬 小团队没有专人做Code Review时AI先帮你筛一遍 学习者培养良好的提交习惯理解什么是干净的提交 企业团队在CI/CD之前增加本地预审减少流水线排队压力 支持的AI Agentno-mistakes可以接入多种AI编程助手做审查ClaudeCodexCursor其他支持OpenAI接口的模型 三剑客对比总结维度LlamaFactoryarchifyno-mistakes核心定位大模型微调框架架构图生成SkillGit提交质检网关目标用户AI开发者/研究员全栈工程师/架构师所有使用Git的开发者上手难度⭐⭐⭐ 中等⭐⭐ 简单⭐⭐ 简单是否需要GPU训练时需要❌ 不需要❌ 不需要主要输出微调后的模型权重可交互的HTML架构图干净的Git提交安装方式pip / Dockernpx skills add / 手动复制curl安装脚本社区活跃度 极高 高 高 写在最后这三个项目代表了AI辅助开发的三个不同维度LlamaFactory让你有能力定制AI——用自己的数据训练专属模型archify让你有能力可视化AI的理解——把抽象的代码结构变成直观的图表no-mistakes让你有能力约束AI的产出——确保AI生成的代码在提交前是干净的它们可以单独使用也可以组合成一套完整的工作流用 archify 理解项目架构 ↓ 用 Claude Code AI 编写代码 ↓ 用 no-mistakes 检查提交质量 ↓ 用 LlamaFactory 微调专属模型技术工具的价值不在于它有多复杂而在于它能否真正解决你工作中的痛点。希望这三个项目能给你的开发工作带来一些便利。你在用哪些提升效率的开源工具欢迎在评论区分享交流⭐ 觉得有用的话点赞收藏不迷路我们下篇见