App-Discovery

📚 文档地址：app-discovery.anzz.top (国际站)
📚 文档地址：app-discovery.anzz.site (国内站)
🏠 项目地址：github.com/xxxily/app-discovery

这是个帮助自己发现全平台优质应用与开源替代品的项目，也希望能帮助到你。

📊 项目统计

此项目已收录应用软件相关的优质开源项目概况如下：

📁 收录总量：4058
🏷️ 分类概览：
- 🔥 热门推荐：1808
- 🚀 生产力与协作：861
- 🛠️ 系统工具与实用程序：2126
- 🎬 影音与多媒体：553
- 💬 社交通讯与资讯：245
- 🎨 图形图像与设计：151
- 🌐 网络工具与浏览器：364
- 🛡️ 安全、隐私与清理：541
- 👨‍💻 开发工具与编程：1022
- 🤖 AI 助手与增强应用：233
- 📚 学习、教育与阅读：130
- 💹 金融、理财与记账：53
- 🎮 娱乐、游戏与休闲：406
- 💎 个性化与美化：342
📅 最后更新：2026-04-14

概述

帮助自己也让更多人发现各个平台上的优质应用，这是这个项目的初衷。

在这个信息大爆炸的时代，寻找一款真正好用、干净且高效的应用变得越来越困难。本项目致力于通过 AI 代理自动收集、评估、分类和追踪全球最新、最热的各类应用软件（涵盖 Windows, macOS, Android, iOS, Linux, Web 等全平台）。

我们不仅关注主流商业应用，更侧重于挖掘那些高质量的开源替代品，帮助用户在提升效率的同时，拥有更好的隐私保护和更自由的软件选择。

核心特色：

🤖 自动化探索：应用的收集、打标、分类全部由 AI 代理和定时任务自动完成。
📦 全平台覆盖：不再局限于单一领域，实现跨平台的优秀应用聚合。
✨ 精品筛选：基于多维度的评分机制，剔除劣质与过时项目，只留下真正的精品。
🔄 动态追踪：实时更新 Star 数与活跃状态，确保信息的时效性。

欢迎你在这里探索，发现提升效率的利器！

🏗️ 架构与执行逻辑

本项目完全依靠自动化脚本与大语言模型协同工作。以下是系统的可视化运行架构图，展示了从数据发现到前端渲染的完整数据流向：

mermaid

graph TD
    classDef default fill:#f9f9f9,stroke:#e0e0e0,stroke-width:1px;
    classDef database fill:#e1f5fe,stroke:#4fc3f7,stroke-width:2px;
    classDef ai fill:#fff3e0,stroke:#ffb74d,stroke-width:2px;
    classDef process fill:#e8f5e9,stroke:#81c784,stroke-width:2px;
    
    subgraph Discovery [1. 探索发现层 - Discovery]
        T[(topics.json<br/>知识主题池)]:::database -->|提供轮询关键词| Fetch[GitHub 检索脚本]:::process
        Fetch -.->|反向扩充未记录新主题| T
        Fetch -->|高星级项目入库| Q[(pending-projects.json<br/>待审队列)]:::database
    end

    subgraph Evaluation [2. AI 评估层 - Evaluation]
        Q -->|一次提取 N 个项目| P[Batch 合并提词]:::process
        DB[(projects.json<br/>核心项目库)]:::database -.->|提供最新动态大/小类| P
        P --> LLM((LLM 大语言模型<br/>打标 / 摘要 / 分类)):::ai
        LLM --> Condition{AI 评分与判决}
    end

    subgraph Storage [3. 数据隔离层 - Storage]
        Condition -->|不相关或过差项目| R[(rejected-projects.json<br/>审计垃圾桶)]:::database
        Condition -->|合格的高质量项目| DB
    end

    subgraph Frontend [4. 视图呈现层 - Views]
        DB -->|全动态映射注入| Vite[VitePress Nav与Sidebar]:::process
        DB -->|按 Subcategory 聚合| Gen[generate-docs.js 生成器]:::process
        Vite --> Site([🌍 App-Discovery 网站入口])
        Gen -->|输出各分类下 Markdown| Site
    end

其核心运行机制、闭环数据流与系统架构概况详细如下：

1. 动态自演进的数据发现层 (Discovery)

Topic 动态挖掘： 借助 data/topics.json 中定义的主题种子列表，抓取引擎会按“最久未探索”的维度轮询 GitHub API 检索 Stars >= 500 的新仓库。
知识库自生长： 当从爬取的项目中发现未曾见过的新 Topic，系统会自动将其登记进 topics.json 并标记为级别2（次级探索目标）。
待处理队列： 发现的所有高可用全新仓库，都会流向待定池 data/pending-projects.json 准备受审。

2. 本地/云端 AI 批处理评估层 (Evaluation)

并发批量过审引擎： 核心脚本 discover-and-evaluate.js 每次从待审池抽取定量批次（可通过环境变量 EVALUATE_BATCH_SIZE 配置，比如一次评价 5~10 个）构建出合并 Prompt 交给 LLM。这种批处理设计能复用 Token 与上下文，规避频繁的接口频率限制。
动态分类路由： 系统绝不“硬编码”任何分类枚举。每次评估前都会动态读取主库 data/projects.json 中配置的有效 categories 与其子分类（Subcategories），将其注入 Prompt 指导 AI 做出归类。
打标与审计： AI 自动生成短评、标签、大类小类标记并写入主数据流。对于不合格的、AI 判定无意义或无法对应分类的项，将被记录到专门的 data/rejected-projects.json 隔离审计库之中。
客观热门榜单： 每日客观计算，强制重算最近更新、Star最高的头尾 30 名项目，自动将其覆盖到 🔥 热门推荐 中。

3. 前端自动化渲染与视图解耦 (View Generation)

轻量级自适应路由呈现： 本项目采用 VitePress 框架构建，其 Navbar (nav) 与 Sidebar (sidebar) 被完全改写为动态读取。当 projects.json 发生分类变动时，会自动抽取极简版的 categories.json 供前端导航按需加载。这既避免了由于大 json 造成的前端极慢解析，又能毫无迟滞地将最新分类精准呈递进前端侧边栏，避免数据与 UI 产生的视图错乱。
智能 Markdown 小类折叠： generate-docs.js 会自动遍历大类，并在生成各个大类文档页时，根据项目归属的 subcategory 将项目智能分组到 ## 标题 之下，确保大量展示时的整洁感。

4. 自动化驱动引擎 (Automation Process)

为了追求无人值守的完美流线（比如规避访问限流），您可选用 scripts/loop-eval.js 等进程守护型执行器，通过内置的 Sleep 等轮询机制，长期维持 发现 -> 暂存 -> AI评估 -> 静态页打包 面向开源大海的探索闭环。

🚀 本地部署与运行指南

完全欢迎您在本地自己跑通这套基于大模型自动扩展整理的分类知识库。非常容易上手：

1. 环境准备与依赖安装

需要 Node.js 环境（推荐 18.x 及以上版本）。

bash

git clone https://github.com/xxxily/app-discovery.git
cd app-discovery
npm install

2. 环境变量配置

复制一份环境配置模板并修改：

bash

cp .env.example .env

用编辑器打开 .env 调整以下核心参数：

GITHUB_TOKEN= (强烈建议配置)：搜索限流极高，不置为空很容易触发限流风控。
LLM_API_KEY=：你的大语言模型 API Key（用于分析和筛选项目）。
- 💡 零成本本地提示：如果你在使用本地部署大模型（如 Ollama + llama3），可以将其设为 local-fallback。
LLM_BASE_URL=：API转发地址（例如：https://api.openai.com/v1 或本地 http://127.0.0.1:11434/v1）。
LLM_MODEL=：要执行推理的模型名字。
DISCOVER_BATCH_SIZE / EVALUATE_BATCH_SIZE：可控每次探索拉取的个数，及一次批量合并扔给 AI 判断的项目个数。
LOOP_INTERVAL_SECONDS: 可调整 ai:loop-eval 循环模式每次休息的打底时间（默认 60 秒）。

3. 开始执行自动化作业

您可以按照需求来跑跑脚本：

单次试运行：
bash
```
npm run ai:discover-eval
```
开启无人守护循环模式 (推荐用于长久维护，持续探索+分类)：
bash
```
npm run ai:loop-eval
```
后台增量更新 Star 数与存活状态 (拉取库内项目进行信息修正)：
bash
```
npm run ai:update-status
```
重置所有分类并重新评估 (这会将 projects 移回 pending 队列，方便新老标准对齐)：
bash
```
npm run ai:re-evaluate-all
```
快速消耗完待审队列并自动退出 (跳过发现环节，适合配合上面的重置操作，不触发 GitHub API 请求风控)：
bash
```
npm run ai:consume-queue
```
单独提取轻量级分类数据 (用于前端导航与侧边栏渲染，注意该脚本在执行更新后通常会自动触发)：
bash
```
npm run ai:extract-categories
```

4. 动态生成页面与本地阅览

等待 AI 完成打标写档后，可以一键将数据变回网站！

bash

# 根据 projects.json 数据，生成各个大类的文档归组 Markdown
npm run ai:generate-docs

# 启动本地 VitePress Web 服务器（比如: 实时预览分类和数据）
npm run docs:dev

# 发布静态化预编译站点 (产出于 docs 目录下)
npm run docs:build

🌟 探索优质项目

请通过本站的系统导航，浏览这片由 AI 自动为你精选的开源应用绿洲。我们的爬虫和打分模型会定期搜罗 GitHub 上的热门项目，保持这份目录的鲜活度！

📚 在线访问：app-discovery.anzz.top (国际站)
📚 在线访问：app-discovery.anzz.site (国内站)

交流群

AI闲聊群，部分群组提供直接跟AI对聊的体验服务，可和更多志同道合的人交流讨论。

加电报群（Telegram）	加微信群（需注明：进AI群）

微信群不注明要进群，则不会邀你入群，避免给你造成信息骚扰
电报群地址：https://t.me/auto_gpt_ai

App-Discovery ​

📊 项目统计 ​

概述 ​

🏗️ 架构与执行逻辑 ​

1. 动态自演进的数据发现层 (Discovery) ​

2. 本地/云端 AI 批处理评估层 (Evaluation) ​

3. 前端自动化渲染与视图解耦 (View Generation) ​

4. 自动化驱动引擎 (Automation Process) ​

🚀 本地部署与运行指南 ​

1. 环境准备与依赖安装 ​

2. 环境变量配置 ​

3. 开始执行自动化作业 ​

4. 动态生成页面与本地阅览 ​

🌟 探索优质项目 ​

交流群 ​

App-Discovery

📊 项目统计

概述

🏗️ 架构与执行逻辑

1. 动态自演进的数据发现层 (Discovery)

2. 本地/云端 AI 批处理评估层 (Evaluation)

3. 前端自动化渲染与视图解耦 (View Generation)

4. 自动化驱动引擎 (Automation Process)

🚀 本地部署与运行指南

1. 环境准备与依赖安装

2. 环境变量配置

3. 开始执行自动化作业

4. 动态生成页面与本地阅览

🌟 探索优质项目

交流群