hello-ai

图1：Hello-AI 项目 Logo

抢走你工作的不是 AI，而是掌握 AI 工具的人

如果有一天你被裁员，HR 递过来的解约书上写的理由是"AI 替代"——你会怎么想？这个场景正在无数个办公室里真实上演。但 xxxily/hello-ai 项目的作者（GitHub ID @xxxily，中文网名 Blaze）给了我们一个更值得深思的答案：真正淘汰你的从来不是 AI 本身，而是那些比你更早掌握 AI 工具的人。

这个观点源自刘慈欣的科幻小说《三体》中那句令无数人脊背发凉的台词："毁灭你，与你何干。"当降维打击来临，淘汰你这件事与你的能力、你的努力、甚至你本人毫无关系——只是因为你不在那个维度。项目以此为精神内核，构建了一套完整的 AI 工具学习体系。

背景：从信息焦虑到主动出击

2023 年 ChatGPT 爆发后，GitHub 上 AI 相关项目呈指数级增长。截至 2026 年 6 月，hello-ai 已收录超过 19,510 个 AI 开源项目，其中 9,490 个在近 6 个月内仍有活跃更新。面对如此海量的资源，普通开发者面临严重的"信息过载"——想找一个适合自己场景的 AI 工具，往往要在几十甚至上百个仓库之间来回跳转、试错。

hello-ai 的出现正是为了解决这个问题。但它的野心远不止做一个"AI 工具导航页"——它想做一个用 AI 自动维护的 AI 工具导航。整个项目从数据发现、质量评估到分类打标，全部由 AI Agent 驱动，真正实现了"用 AI 发现 AI"的闭环。

核心功能：三层架构打造的自动进化系统

探索发现层

项目维护了一个"知识主题池"（topics.json），包含 AGI、AI Agents、Multimodal 等 13 个大类下的数百个搜索关键词。通过 GitHub 检索脚本，系统定期轮询这些关键词，将搜索到的高星项目自动入库。入库不是终点：脚本还会从新发现的项目中反向提取未记录的主题词，持续扩充主题池，形成一个不断进化的正反馈循环。

数据流向是：topics.json → GitHub 检索脚本 → pending-projects.json（待审队列） → 人工/AI 评估 → projects.json（核心项目库）。

AI 评估层

这是项目的精髓所在。评估脚本（loop-eval.js）采用 Batch 模式，将 N 个待审项目合并为一个 Prompt，发送给 LLM（大语言模型）进行批量分析。评估维度包括：项目简介、功能描述、适用场景、优缺点总结。评估结果直接写入 projects.json，无需人工介入。

系统支持多种 LLM 提供商：OpenAI（GPT-4o-mini 等）、MiniMax、DeepSeek、Ollama（本地模型）。配置文件 .env.example 清晰地给出了各提供商的接入方式，用户可以自由切换。

动态更新层

项目配套的更新脚本（update-status.js）定期抓取已收录项目的最新 Star 数和活跃状态，自动剔除长期不更新的"僵尸"项目。同时，每次 README 更新时，文档站点（VitePress 构建）也会同步刷新，确保展示给用户的信息始终是最新的。

技术架构：Node.js + VitePress + MeiliSearch

从代码结构来看，这是一个典型的 Node.js 全栈项目：

• 核心脚本：位于 scripts/ 目录，包括 discover-and-evaluate.js（发现评估）、loop-eval.js（循环评估，含 TUI 交互模式）、update-status.js（状态更新）、generate-docs.js（文档生成）等。所有脚本均通过 package.json 的 npm scripts 统一管理。

• 文档站点：采用 VitePress 构建（docs:dev、docs:build），托管于 hello-ai.anzz.top，提供完整的项目文档和 AI 工具索引页面。

• 搜索能力：集成 MeiliSearch 全文搜索引擎（meilisearch-tui.js、meilisearch-index.js），支持本地快速检索。

• 前端：Vue 3 + Vite，构建产物发布至 dist/。

• 依赖精简：生产依赖仅 4 个（core-js、dotenv、node-telegram-bot-api、terser），开发依赖涵盖 Babel、Vite、VitePress、Playwright、Vitest 等。

分类体系：13 大赛道的全景地图

hello-ai 将收录项目分为 13 个大类，每个类下列出活跃项目数：

数据截止 2026-06-12，每日自动更新。

上手门槛：零部署，直接用

hello-ai 本身是一个纯静态文档项目，查看方式有两种：

1. 直接访问线上站点：https://hello-ai.anzz.top（推荐，实时更新）
2. 本地预览：克隆仓库后，运行 pnpm install && pnpm docs:dev，浏览器打开 localhost 即可预览 VitePress 站点。

对于想参与贡献的开发者，需要配置 .env 文件接入 LLM API Key（支持 OpenAI/MiniMax/DeepSeek/Ollama），然后运行评估脚本即可开始贡献自己的 AI 工具发现。上手门槛低，但前提是需要一个可用的 LLM API。

局限与思考

项目本身是 AI 工具的"索引"而非工具本身，用户仍需自行判断某个工具是否适合自己的场景。此外，AI 评估的质量高度依赖所使用的 LLM 模型能力——使用较弱的免费模型（如某些 Ollama 本地模型）可能导致评估结果不够准确。

另一个值得注意的是，项目数据存储在 Git 仓库的 JSON 文件中（data/projects.json 超过 600KB），随着收录项目增加，Git 操作会逐渐变慢，历史追溯价值也会被稀释。

行业意义：AI 时代的信息导航范式

hello-ai 的真正价值不在于收录了多少个项目，而在于它示范了一种自进化的信息组织方式：人类设定框架，AI 负责填充细节，系统自动淘汰过时内容。这可能是未来知识管理的一个方向——不再依赖人工维护，而是构建一个能够自我更新的数字生态。

在 AI 每天都在产生大量新工具的背景下，有一个"懂 AI 的 AI"帮你做信息筛选，价值不言而喻。如果你还在为"该学哪个 AI 框架"而焦虑，不妨先来这里看看——也许答案已经在等着你了。

图2：项目作者 @xxxily（Blaze）的 GitHub 头像