彭博：知情人士透露，中国两家私营数据机构克而瑞和中指研究院应政府要求暂停发布月度房屋销售数据

知情人士称，住建部指示两家公司暂停公开此类数据，直至另行通知。由于事涉非公开事宜，知情人士要求匿名。其中一名知情人士称，付费金融机构仍可访问这些数据，但前提是要对数据保密。

项目名称：StarMind（星智）

需求描述：

开发一款以安全和隐私保护为核心的 AI 驱动知识管理工具，MVP 从 GitHub 星标（Starred Repositories）切入。用户可通过 GitHub OAuth 安全授权登录，导入自己收藏的公开星标仓库，系统利用 AI 为每个仓库自动生成中文/英文摘要和智能标签，帮助用户更好地理解、分类与快速检索曾经收藏的开源项目。

该工具遵循最小权限和数据最小化原则，仅处理 GitHub 公开信息，不触碰用户私有仓库，所有敏感数据（如用户凭证、个人备注、AI 生成内容等）均采用加密存储；同时，AI 数据处理过程对用户透明，用户可选择是否启用 AI 增强功能，或自主管理数据的存储与隐私选项。

StarMind 提供简洁的搜索与标签过滤功能，让用户轻松回顾和管理有价值的收藏，同时支持数据导出与账号注销，充分保障用户对自己知识数据的所有权与控制权。产品在设计上立足本地化与隐私优先，为未来扩展更多内容源（如推文、视频、文档等）打下坚实基础，致力于成为用户可信赖的“第二大脑”。

开发一个 **Smart Open for Raycast Extension**，让用户无论是否在 Finder 中选中文件，都能通过自然语言输入或自动识别文件类型，快速获得最合适的本地应用推荐；当系统缺少对应软件时，扩展会自动从 Raycast Store、App Store、Homebrew 及多个 GitHub Awesome macOS 软件仓库中搜索可用工具，并支持一键安装。扩展采用本地文件头 / MIME 类型检测、关键词+规则的离线意图识别（可选启用 Raycast AI 增强语义），结合系统默认应用、最近使用、意图匹配度等进行智能排序，实现“自动识别 → 智能推荐 → 一键打开 / 安装”的全流程体验，覆盖从日常办公到专业逆向调试等多种使用场景，填补 macOS 在通用智能打开工具上的生态空缺。

开发一个独立的 Raycast 扩展，通过 TypeScript 实现完整的 macOS 系统清理能力，包括垃圾文件扫描与删除、应用卸载、磁盘使用分析以及 Touch ID 相关配置等核心功能，并结合 Raycast 原生界面提供实时预览、批量操作、进度展示与快捷键交互的现代化体验；整体功能参考开源项目 *Mole* 的设计理念，但不依赖其代码，实现更轻量、可扩展、原生融合的系统优化工具。

#知乎问答 问：怎么不声不响的把电脑弄坏？ 答：如果是win10或者win11系统，在C:\Windows\System32\config下路径下新建一个名为OSDATA的文件夹，然后重启。

一张全景镜头（FULL SHOT）时尚肖像，年轻东亚女子全身入镜，站在深蓝渐层虚化背景前，身着超大号蓝色西装，一手轻柔地抱着高贵的英国短毛灰猫。使用50mm镜头、f/2.2光圈、ISO 200拍摄，在工作室柔和控光下展现均匀的电影级光晕。冷调蓝色主色调衬托人物与空间的平衡感，前卫女性时尚杂志梦幻超现实风格，全高清质感。

一张中景镜头（MEDIUM SHOT）时尚肖像，聚焦年轻东亚女子的上半身与怀中英国短毛灰猫。深蓝渐层虚化背景与蓝色西装形成冷静层次，50mm镜头、f/2.2光圈、ISO 200设置下，光线柔和细腻，突显面部线条与服装质感。梦幻超现实的高级时尚杂志风格，全高清。

一张特写镜头（CLOSE-UP SHOT）时尚肖像，画面集中于年轻东亚女子的面部与英国短毛灰猫的毛发细节。保持她的面部特征完全一致，蓝色西装与深蓝渐层虚化背景呼应。使用50mm镜头、f/2.2光圈、ISO 200拍摄，柔和电影级光晕勾勒立体五官，梦幻冷调前卫时尚杂志风，全高清。

一张过肩镜头（OVER THE SHOULDER SHOT）时尚人像，从年轻东亚女子肩后取景，焦点落在她怀中高贵的英国短毛灰猫。蓝色西装的肩线作为前景，深蓝渐层背景虚化。使用50mm镜头、f/2.2光圈、ISO 200拍摄，柔光塑造空间深度，猫注视镜头，构图高级梦幻，全高清。

一张低角度镜头（LOW ANGLE SHOT）时尚肖像，从下方向上拍摄，强调年轻东亚女子的高挑身形与蓝色西装的挺拔廓形。怀中的英国短毛灰猫姿态优雅，深蓝渐层虚化背景强化空间层次。50mm镜头、f/2.2光圈、ISO 200设置下，柔光与阴影制造雕塑般视觉感受，前卫女性时尚杂志梦幻风，全高清。

一张荷兰镜头（DUTCH SHOT）时尚人像，画面轻微倾斜，年轻东亚女子怀抱英国短毛灰猫立于深蓝渐层虚化背景中。蓝色西装线条与光影倾斜呼应，形成动态张力。使用50mm镜头、f/2.2光圈、ISO 200拍摄，灯光柔和而不对称，前卫梦幻超现实女性时尚杂志风格，全高清。

一张航拍镜头（AERIAL VIEW）时尚肖像，从上方俯拍年轻东亚女子与怀中英国短毛灰猫。深蓝渐层虚化背景铺满画面，蓝色西装与猫的灰色毛发形成和谐冷色对比。50mm镜头、f/2.2光圈、ISO 200设置，柔和光线平衡，梦幻超现实高级时尚杂志风，全高清。

一张插入镜头（INSERT SHOT）时尚细节特写，聚焦年轻东亚女子的手轻抚英国短毛灰猫的瞬间。蓝色西装袖口与灰猫毛发交织在柔光中，景深极浅。使用50mm镜头、f/2.2光圈、ISO 200拍摄，质感细腻，冷调梦幻，超现实时尚编辑风，全高清。

一张定场镜头（ESTABLISHING SHOT）时尚肖像，展现年轻东亚女子与英国短毛灰猫在深蓝渐层虚化背景下的整体场景。蓝色西装与背景冷调统一，灯光柔和渐变，空间层次清晰。50mm镜头、f/2.2光圈、ISO 200拍摄，梦幻超现实前卫女性时尚杂志风格，全高清。

一张全景镜头（FULL SHOT）时尚肖像，年轻东亚女子全身入镜，站在深蓝色背景前，身着超大号蓝色西装，一手轻柔地抱着英国短毛灰猫。镜头以50mm焦距、f/2.2光圈、ISO 200设置拍摄，在工作室灯光控制下呈现均匀的电影级柔光。冷调蓝色主色调强化空间层次与构图的平衡感，梦幻超现实前卫女性时尚杂志风格，全高清质感。

一张中景镜头（MEDIUM SHOT）肖像照，聚焦女子上半身与怀中灰猫。50mm镜头、f/2.2光圈、ISO 200设置，背景深蓝渐层虚化，突出西装的立体线条与织物质感。柔光照亮皮肤与猫毛，形成细腻层次感。整体风格为梦幻冷调高级时尚编辑风，全高清。

一张特写镜头（CLOSE-UP SHOT）时尚人像，画面集中于女子的面部与灰猫的毛发细节。使用50mm镜头、f/2.2光圈、ISO 200拍摄，灯光柔和、电影级光晕勾勒面部曲线，保持面部特征完全一致。冷调蓝色与自然肤色形成对比，梦幻超现实时尚杂志风格，全高清。

一张过肩镜头（OVER THE SHOULDER SHOT）画面，从女子肩后取景，聚焦她怀中英国短毛灰猫。使用50mm镜头、f/2.2光圈、ISO 200拍摄，前景为蓝色西装肩线，背景深蓝虚化。柔光制造层次，猫注视镜头形成焦点。梦幻超现实时尚杂志风格，全高清。

一张低角度镜头（LOW ANGLE SHOT）人像，从下方向上拍摄，强调女子的力量与气场。50mm镜头、f/2.2光圈、ISO 200设置下，蓝色西装廓形在柔和光线中显得雕塑般立体。怀中灰猫安静依偎，冷色光影与阴影拉长构图。前卫女性时尚杂志梦幻风格，全高清。

一张荷兰镜头（DUTCH SHOT）时尚人像，画面轻微倾斜，构图打破平衡制造视觉张力。女子怀抱灰猫立于深蓝背景中，蓝色西装线条与光影倾斜呼应。50mm镜头、f/2.2光圈、ISO 200设置，柔光控制精准。整体风格前卫梦幻，超现实女性时尚杂志风，全高清。

一张航拍镜头（AERIAL VIEW）肖像，从上方俯拍，女子与灰猫形成紧密几何构图。50mm镜头、f/2.2光圈、ISO 200参数拍摄，深蓝背景铺满画面，蓝色与灰色形成和谐对比。光线平衡柔和，梦幻超现实时尚杂志视觉，全高清。

一张插入镜头（INSERT SHOT）细节特写，聚焦女子手轻抚英国短毛灰猫的瞬间。使用50mm镜头、f/2.2光圈、ISO 200设置，柔光散射，景深极浅，毛发与指尖细节清晰。梦幻前卫时尚编辑风格，超现实氛围，全高清质感。

一张定场镜头（ESTABLISHING SHOT）时尚肖像，展示深蓝背景与布光结构的完整空间。50mm镜头、f/2.2光圈、ISO 200设置，女子与灰猫置于中央，灯光柔和渐变，冷色调贯穿全画面。梦幻超现实女性时尚杂志风格，视觉平衡且层次丰富，全高清。

async def _scrape_details_with_progress(self, page: Page):
start_time = time.time()
with tqdm(total=len(self.products), desc="详情解析", unit="项", dynamic_ncols=True) as pbar:
for idx, item in enumerate(self.products, 1):
await self.scrape_details(page, item)
pbar.update(1)
self._update_remaining(pbar, start_time)

async def _download_images_with_progress(self):
start_time = time.time()
async with aiohttp.ClientSession() as session:
with tqdm(total=len(self.products), desc="图片下载", unit="张", dynamic_ncols=True) as pbar:
for idx, item in enumerate(self.products, 1):
await self.download_image(session, item)
pbar.update(1)
self._update_remaining(pbar, start_time)

@staticmethod
def _update_remaining(pbar, start_time: float):
elapsed = time.time() - start_time
rate = pbar.n / elapsed if elapsed > 0 else 0
remaining = (pbar.total - pbar.n) / rate if rate > 0 else 0
pbar.set_postfix_str(f"剩余 {remaining:,.1f}s")

def _export_csv(self):
if not self.products:
return
with open(CSV_FILE, "w", newline='', encoding="utf-8-sig") as f:
writer = csv.DictWriter(f, fieldnames=self.products[0].keys())
writer.writeheader()
writer.writerows(self.products)

def _export_json(self):
with open(JSON_FILE, "w", encoding="utf-8") as f:
json.dump(self.products, f, ensure_ascii=False, indent=2)


# ---------------------------- 脚本入口 ----------------------------

if name == "main":
parser = argparse.ArgumentParser(description="ETMOC 品牌爬虫")
parser.add_argument("--pages", type=str, default="1",
help="抓取页数，默认1页；传 all 表示全部页")
args = parser.parse_args()

# 解析页数参数
if args.pages.lower() == "all":
pages_limit = 0 # 全部页
else:
try:
pages_limit = int(args.pages)
except ValueError:
pages_limit = 1

scraper = ETMOCScraper(pages_limit=pages_limit)
asyncio.run(scraper.run_scrape())

import asyncio
import csv
import json
import time
from pathlib import Path
from typing import List, Dict
from tqdm import tqdm
from playwright.async_api import async_playwright, Page
import aiohttp
import argparse

# ---------------------------- 配置常量 ----------------------------

BASE_URL = "http://www.etmoc.com/firms/Brands" # 品牌列表页
OUTPUT_DIR = Path("etmoc_output") # 输出根目录
IMG_DIR = OUTPUT_DIR / "images" # 图片保存目录
CSV_FILE = OUTPUT_DIR / "brands.csv" # CSV 文件路径
JSON_FILE = OUTPUT_DIR / "brands.json" # JSON 文件路径

OUTPUT_DIR.mkdir(exist_ok=True)
IMG_DIR.mkdir(exist_ok=True)

# ---------------------------- 爬虫类 ----------------------------


class ETMOCScraper:
"""
ETMOC 烟草品牌爬虫
"""

def init(self, pages_limit: int = 1):
self.products: List[Dict] = []
self.pages_limit = pages_limit # 0 表示抓取全部页，1 表示默认1页

async def get_total_pages(self, page: Page) -> int:
"""获取品牌列表页的总页数"""
await page.goto(BASE_URL)
try:
await page.wait_for_selector(".pagination", timeout=5000)
pages = await page.query_selector_all(".pagination li a")
numbers = [int(await p.inner_text()) for p in pages if (await p.inner_text()).isdigit()]
total = max(numbers) if numbers else 1
except:
total = 1
# 如果设置了页数限制
return total if self.pages_limit == 0 else min(total, self.pages_limit)

async def scrape_page(self, page: Page, page_num: int) -> List[Dict]:
"""抓取单页品牌信息"""
url = f"{BASE_URL}?page={page_num}"
await page.goto(url)
await page.wait_for_selector(".product-list")
products = await page.query_selector_all(".product-list .item")
result = []
for product in products:
title_el = await product.query_selector("h3 a")
img_el = await product.query_selector("img")
if not title_el:
continue
title = (await title_el.inner_text()).strip()
href = await title_el.get_attribute("href")
img_url = await img_el.get_attribute("src") if img_el else ""
result.append({
"name": title,
"url": f"http://www.etmoc.com{href}",
"img_url": f"http://www.etmoc.com{img_url}" if img_url.startswith("/") else img_url
})
return result

async def scrape_details(self, page: Page, item: Dict) -> Dict:
"""抓取单个产品详情"""
await page.goto(item["url"])
try:
await page.wait_for_selector(".info", timeout=5000)
desc = await page.locator(".info").inner_text()
item["description"] = desc.strip()
except:
item["description"] = ""
return item

async def download_image(self, session: aiohttp.ClientSession, item: Dict):
"""下载单张图片"""
if not item.get("img_url"):
return
filename = IMG_DIR / f"{item['name'].replace('/', '_')}.jpg"
if filename.exists():
return
try:
async with session.get(item["img_url"]) as resp:
if resp.status == 200:
filename.write_bytes(await resp.read())
except:
pass

async def run_scrape(self):
async with async_playwright() as pw:
browser = await pw.chromium.launch(headless=True)
page = await browser.new_page()

total_pages = await self.get_total_pages(page)
print(f"将抓取 {total_pages} 页")

for p in tqdm(range(1, total_pages + 1), desc="分页抓取", unit="页"):
self.products.extend(await self.scrape_page(page, p))

print(f"共发现 {len(self.products)} 个产品")

await self._scrape_details_with_progress(page)
await self._download_images_with_progress()

self._export_csv()
self._export_json()
await browser.close()
print(f"完成。导出至 {OUTPUT_DIR.resolve()}")

直接输入一个命令 networkQuality 来检查你的 Mac 网络速度情况

为满足大规模GitHub star项目的自动化管理需求，现需开发一个基于GitHub Actions的周期处理系统：该系统每7天自动触发一次增量更新，每次仅处理最多50个新star项目（按star时间倒序获取），利用GitHub Models AI能力（严格遵守≤2并发限制）实现项目智能分类与摘要生成，通过SQLite数据库记录处理状态与最后时间戳确保连续性，最终将结构化结果（分类树形结构+项目摘要）自动更新至README.md实现知识沉淀，让超过 4000+项目能在约20个月内自然完成处理，形成免维护的长期自动化管理机制。

GitHub Stars智能管理自动化系统 PRD

一、文档信息

项目名称 GitHub Stars智能管理自动化系统
版本号 v1.0
提交日期 2025-08-18

二、背景与目标

问题陈述

- 用户拥有4000+ GitHub star项目需持续管理
- 手动分类/摘要耗时且难以维护
- AI API并发限制(≤2)导致批量处理困难
- GitHub Actions存在6小时执行超时限制

核心目标

构建自动化系统实现：

- 📌 免人工干预的增量式star项目管理
- 🤖 基于AI的智能分类/摘要生成
- ⚡️ 长期稳定的知识沉淀机制
- 🛡️ 严格的API调用约束合规

三、功能需求

1. 周期性增量处理引擎

功能点 详细要求
触发机制 每7天自动执行GitHub Action工作流
处理规模 单次最大50个新star项目
项目筛选 按star时间倒序获取最新项目
全量兼容 支持4000+项目跨周期自然完成处理

2. 智能AI处理模块

组件 技术规范
分类引擎 使用GitHub Models AI生成多级分类标签（如：
"Machine Learning/LLM"）
摘要生成 生成80-100字中文技术摘要（保留关键技术关键词）
API限制 严格遵循≤2并发请求
重试机制 指数退避重试策略（最大3次）

3. 知识沉淀系统

输出项 规范
README.md 分板块自动更新：<br>- 按分类树形结构组织<br>- 包含项目名称/链接/AI摘要<br>- 保留历史处理记录
知识图谱 结构化存储路径：
"data/knowledge_base.json"
状态看板 README头部显示：<br>- 已处理总数/待处理数<br>- 下次处理时间

4. 状态管理系统

组件 功能描述
时间戳追踪 持久化存储最后处理时间戳（
"last_timestamp"）
项目状态库 SQLite数据库记录：<br>-
"project_id"<br>-
"processing_status"<br>-
"category"<br>-
"last_updated"
断点续传 异常中断后自动恢复至最近检查点

四、技术架构

系统流程图

graph TD
A[定时触发] --> B[读取last_timestamp]
B --> C{新项目?}
C -->|无| D[更新状态看板]
C -->|有| E[获取新项目TOP50]
E --> F[AI处理池]
F --> G[分类&摘要生成]
G --> H[更新知识库]
H --> I[生成README]
I --> J[提交变更]
J --> K[更新last_timestamp]

数据流设计

sequenceDiagram
GitHub Action->>GitHub API: 请求star列表(时间过滤)
GitHub API-->>Processing Engine: JSON项目数据
Processing Engine->>AI Processor: 分发任务(≤2并发)
AI Processor-->>Processing Engine: {分类,摘要}
Processing Engine->>SQLite DB: 更新状态
Processing Engine->>Knowledge Base: 结构化存储
Processing Engine->>README.md: Markdown增量生成

五、验收标准

模块 验收指标
增量处理 1. 7天周期精准触发<br>2. 项目处理数≤50/次<br>3. 全量4000+项目20月内完成
AI处理 1. 严格≤2并发调用<br>2. 分类准确率≥85%<br>3. 摘要包含≥3个关键技术点
输出质量 1. README分类层级清晰<br>2. 历史记录永不丢失<br>3. 知识库JSON可被第三方解析
性能指标 1. 单次执行≤15分钟<br>2. 失败率≤5%<br>3. 自动恢复成功率100%

六、附录

风险控制矩阵

风险点 应对措施
API超限 令牌桶算法控制请求速率
处理超时 强制50项目上限+执行超时监控
分类漂移 人工反馈机制收集错误样本
数据丢失 双重备份(DB+JSON)+版本控制

输出示例

## 人工智能
### 自然语言处理
- [bert-base](https://github.com/google-research/bert)
» 摘要：Google开源的Transformer架构预训练模型，支持多语言...

### 计算机视觉
- [yolov7](https://github.com/WongKinYiu/yolov7)
» 摘要：实时目标检测SOTA模型，精度-速度平衡优化...

> 知识图谱状态：已处理 1250/4230 · 下次更新 2025-08-25

PRD批准

角色 签字 日期
产品经理 [签字区] 2025-08-18
技术负责人 [签字区] 2025-08-18
项目经理 [签字区] 2025-08-18

GitHub

GitHub - google-research/bert: TensorFlow code and pre-trained models for BERT

TensorFlow code and pre-trained models for BERT. Contribute to google-research/bert development by creating an account on GitHub.

完整需求文档

1. 核心目标

构建基于GitHub Actions的自动化系统，通过周期性的增量处理实现：

- ⭐️ GitHub star项目的智能分类与摘要生成
- 📚 自动化知识沉淀至README.md
- ⚡️ 长期免维护的项目管理

2. 关键需求

2.1 处理周期

- 🕒 频率：每7天自动执行一次
- ⏱ 单次限额：最多处理50个新star项目

2.2 数据处理

- 🔍 增量获取：
- 仅扫描自上次处理后的新增项目
- 按star时间倒序获取最新项目
- 🤖 AI处理：
- 使用GitHub Models AI能力
- 严格遵循并发限制（≤2请求）
- 输出结构化数据（分类标签+摘要文本）

2.3 存储与状态

- 🗃 状态追踪：
- 轻量SQLite数据库记录处理状态
- 持久化存储上次处理的截止时间戳
- 📌 断点续传：
- 意外中断后从断点自动恢复
- 避免重复处理

2.4 输出要求

- 📄 README.md自动更新：
- 按分类生成分级标题（如：
"## Machine Learning"）
- 结构化展示项目（名称+链接+AI摘要）
- 保留历史数据形成知识库

2.5 限制与优化

- ⛔ API约束：
- 处理中断时自动重试（指数退避）
- 失败项目记录到待重试队列
- 🚀 性能保障：
- 单次执行时间<15分钟（50个项目）
- 无状态设计降低资源消耗

3. 系统特性

特性 实现方案
零初始化 首次运行自动处理最新50个项目
弹性扩展 项目量激增时自动分周期消化
跨周期完成 4000+项目通过80周自然处理
全自动化 无需人工触发/配置更新

4. 技术规范

graph LR
A[GitHub Action定时触发] --> B[读取上次时间戳]
B --> C{有新项目？}
C -->|是| D[获取最新50个star]
C -->|否| E[跳过执行]
D --> F[AI并发处理≤2]
F --> G[更新SQLite状态]
G --> H[生成README片段]
H --> I[更新主README]
I --> J[提交新时间戳]

5. 输出示例

## 🌐 Web Development
- [next.js](https://github.com/vercel/next.js)
» 摘要：React框架，支持服务端渲染和静态导出...

## 🤖 Machine Learning
- [transformers](https://github.com/huggingface/transformers)
» 摘要：SOTA自然语言处理库，提供预训练模型...

6. 验收标准

- ✅ 每7天新增项目自动出现在README对应分类
- ✅ README保留历史所有已处理项目
- ✅ SQLite数据库时间戳与Git提交记录一致
- ✅ 4000+项目在20个月内完成全部处理

交付物：包含完整工作流配置的GitHub仓库，实现开箱即用的自动化管理能力，形成持续进化的项目知识图谱。

GitHub

GitHub - vercel/next.js: The React Framework

The React Framework. Contribute to vercel/next.js development by creating an account on GitHub.

这几个是我自己用 patch script patch 的，之前的 DLL patch 错了

ida.dll

5 MB

ida32.dll

4.9 MB

idapro.hexlic

2.1 KB

libida.so

6.6 MB

libida32.so

6.5 MB