微软开源的 MCP 教程「GitHub 热点速览」
<p><img src="https://img2024.cnblogs.com/blog/759200/202508/759200-20250812004827923-1429630059.png"></p><p>上周，最大的开源新闻就是 OpenAI 开源了 gpt-oss 推理模型。尽管模型能力不俗，但似乎并未带来“颠覆性”突破，也许是我们对大模型开源已经有些“审美疲劳”了。</p>
<p><img src="https://img2024.cnblogs.com/blog/759200/202508/759200-20250812004845972-892958013.png"></p>
<p>说回本周的热门开源项目，KittenTTS 是一款<strong>小巧却高质量的英文文本转语音模型</strong>，凭借自然流畅的语音效果，一周内收获了 6k Star。谷歌开源的 LangExtract 则利用大模型，通过简短提示和少量示例，能从非结构化文本中高效提取结构化信息。此外，<strong>微软开源的 MCP 教程</strong>，系统地帮助开发者掌握 MCP 原理与最佳实践。还有无需编写代码、可一键集成登录界面的身份认证中间件 Tinyauth。</p>
<p>最后，精准的网页内容截图库 snapdom 和<strong>开源的网页双语对照翻译浏览器插件</strong>，也是不错的开源项目。</p>
<ul>
<li>本文目录
<ul>
<li>1. 热门开源项目
<ul>
<li>1.1 开源的零代码身份认证中间件：Tinyauth</li>
<li>1.2 开源的网页双语对照翻译工具：kiss-translator</li>
<li>1.3 基于大模型的智能文本提取库：LangExtract</li>
<li>1.4 轻量小巧的文本转语音模型：KittenTTS</li>
<li>1.5 微软开源的 MCP 教程：mcp-for-beginners</li>
</ul>
</li>
<li>2. HelloGitHub 热评
<ul>
<li>2.1 精准的网页内容截图库：snapdom</li>
<li>2.2 在浏览器中运行的 JupyterLab：JupyterLite</li>
</ul>
</li>
<li>3. 结尾</li>
</ul>
</li>
</ul>
<h2 id="1-热门开源项目">1. 热门开源项目</h2>
<h3 id="11-开源的零代码身份认证中间件tinyauth">1.1 开源的零代码身份认证中间件：Tinyauth</h3>
<p><img src="https://img2024.cnblogs.com/blog/759200/202508/759200-20250812004901412-1973546311.png"></p>
<p><strong>主语言：Go</strong>，<strong>Star：4.4k</strong>，<strong>周增长：700</strong></p>
<p>这是一个 Go 语言开发的极简认证中间件，可通过 Docker 快速部署。它能为任何 Web 应用或服务一键添加登录界面或 OAuth 登录（Google、GitHub 等），无需修改现有代码，可无缝集成到 Traefik、Caddy、Nginx 等主流反向代理，极大简化了安全登录的实现流程。</p>
<blockquote>
<p>GitHub 地址→github.com/steveiliop56/tinyauth</p>
</blockquote>
<h3 id="12-开源的网页双语对照翻译工具kiss-translator">1.2 开源的网页双语对照翻译工具：kiss-translator</h3>
<p><img src="https://img2024.cnblogs.com/blog/759200/202508/759200-20250812004909925-351218625.png"></p>
<p><strong>主语言：JavaScript</strong>，<strong>Star：6.3k</strong>，<strong>周增长：2.2k</strong></p>
<p>这是一款开源的双语对照翻译浏览器插件。它为用户提供网页内容的快速双语对照翻译功能，便于在阅读外语网页时同步查看原文与译文，支持多翻译引擎（Google、DeepL、OpenAI 等）一键切换，且全部在本地调用 API，不经过第三方服务器、保护隐私。</p>
<blockquote>
<p>GitHub 地址→github.com/fishjar/kiss-translator</p>
</blockquote>
<h3 id="13-基于大模型的智能文本提取库langextract">1.3 基于大模型的智能文本提取库：LangExtract</h3>
<p><img src="https://img2024.cnblogs.com/blog/759200/202508/759200-20250812004918455-1900059966.gif"></p>
<p><strong>主语言：Python</strong>，<strong>Star：8.1k</strong>，<strong>周增长：4k</strong></p>
<p>这是一款由 Google 开源的 Python 库，可实现自动识别和提取文本内容。它内置源文本的精确定位与交互式可视化功能。用户只需提供简短提示和少量示例，便可借助大型语言模型（如 Gemini）从非结构化文本中高效、精准地提取结构化信息。</p>
<pre><code class="language-python">import langextract as lx
import textwrap
# 1. Define the prompt and extraction rules
prompt = textwrap.dedent("""\
Extract characters, emotions, and relationships in order of appearance.
Use exact text for extractions. Do not paraphrase or overlap entities.
Provide meaningful attributes for each entity to add context.""")
# 2. Provide a high-quality example to guide the model
examples = [
lx.data.ExampleData(
text="ROMEO. But soft! What light through yonder window breaks? It is the east, and Juliet is the sun.",
extractions=[
lx.data.Extraction(
extraction_class="character",
extraction_text="ROMEO",
attributes={"emotional_state": "wonder"}
),
lx.data.Extraction(
extraction_class="emotion",
extraction_text="But soft!",
attributes={"feeling": "gentle awe"}
),
lx.data.Extraction(
extraction_class="relationship",
extraction_text="Juliet is the sun",
attributes={"type": "metaphor"}
),
]
)
]
</code></pre>
<blockquote>
<p>GitHub 地址→github.com/google/langextract</p>
</blockquote>
<h3 id="14-轻量小巧的文本转语音模型kittentts">1.4 轻量小巧的文本转语音模型：KittenTTS</h3>
<p><img src="https://img2024.cnblogs.com/blog/759200/202508/759200-20250812004930160-1653497443.png"></p>
<p><strong>主语言：Python</strong>，<strong>Star 6.8k</strong>，<strong>周增长：6k</strong></p>
<p>这是一款轻量级文本转语音（TTS）模型，体积小于 25MB、无需 GPU 即可流畅运行。它能够将文本高质量地转换为自然流畅的语音，支持多种音色，适用于多种设备和场景。</p>
<blockquote>
<p>GitHub 地址→github.com/KittenML/KittenTTS</p>
</blockquote>
<h3 id="15-微软开源的-mcp-教程mcp-for-beginners">1.5 微软开源的 MCP 教程：mcp-for-beginners</h3>
<p><img src="https://img2024.cnblogs.com/blog/759200/202508/759200-20250812004937155-374914700.png"></p>
<p><strong>主语言：Other</strong>，<strong>Star 8.6k</strong>，<strong>周增长：600</strong></p>
<p>该项目是微软开源的 MCP 基础教程，内容围绕 Python、.NET、Java、TypeScript 等多种编程语言，通过丰富的代码实例与系统化的学习路径，帮助开发者掌握 MCP 原理与最佳实践。</p>
<blockquote>
<p>GitHub 地址→github.com/microsoft/mcp-for-beginners</p>
</blockquote>
<h2 id="2-hellogithub-热评">2. HelloGitHub 热评</h2>
<p>在此章节中，我们将为大家介绍本周 HelloGitHub 网站上的热门开源项目，我们不仅希望您能从中收获开源神器和编程知识，更渴望“听”到您的声音。欢迎您与我们分享使用这些<strong>开源项目的亲身体验和评价</strong>，用最真实反馈为开源项目的作者注入动力。</p>
<p><img src="https://img2024.cnblogs.com/blog/759200/202508/759200-20250812004950216-327051436.png"></p>
<h3 id="21-精准的网页内容截图库snapdom">2.1 精准的网页内容截图库：snapdom</h3>
<p><img src="https://img2024.cnblogs.com/blog/759200/202508/759200-20250812004945783-1112020843.png"></p>
<p><strong>主语言：JavaScript</strong></p>
<p>这是一个高效的网页截图 JavaScript 库，可将网页上的任意 Dom 元素快速、精确地转化为高质量图片，并支持导出为 PNG、JPG、WebP 或 Canvas 格式，适用于网页自动化测试、生成预览图、内容保存等场景。</p>
<blockquote>
<p>项目详情→hellogithub.com/repository/zumerlab/snapdom</p>
</blockquote>
<h3 id="22-在浏览器中运行的-jupyterlabjupyterlite">2.2 在浏览器中运行的 JupyterLab：JupyterLite</h3>
<p><img src="https://img2024.cnblogs.com/blog/759200/202508/759200-20250812005004571-329612790.gif"></p>
<p><strong>主语言：TypeScript</strong></p>
<p>这是一个完全在浏览器中运行的 JupyterLab，无需安装 Python 或配置服务器。它提供在线交互式 Python 编程环境，可作为静态文件部署到任何静态网站托管平台（如 GitHub Pages）。</p>
<blockquote>
<p>项目详情→hellogithub.com/repository/jupyterlite/jupyterlite</p>
</blockquote>
<h2 id="3-结尾">3. 结尾</h2>
<p>以上就是本期「GitHub 热点速览」的全部内容，希望这些开源项目能激发你的兴趣，帮助你找到下一个想要尝试的工具！如果你也发现了好玩、有趣的 GitHub 开源项目想要分享，欢迎来 HelloGitHub 与我们交流心得、讨论使用体验。</p>
<p><strong>往期回顾</strong></p>
<ul>
<li>仅一个 Python 文件，狂揽近 2 万 Star</li>
<li>一周 Star 破万的开源项目</li>
</ul>
</div>
<div id="MySignature" role="contentinfo">
<div>
<p style="border-top: #e0e0e0 1px dashed; border-right: #e0e0e0 1px dashed; border-bottom: #e0e0e0 1px dashed; border-left: #e0e0e0 1px dashed; padding-top: 5px; padding-right: 10px; padding-bottom: 10px; padding-left: 150px; background: url(https://images.cnblogs.com/cnblogs_com/xueweihan/859919/o_200924043112qrcode_for_gh_4fb030b35bb4_258.jpg) #e5f1f4 no-repeat 1% 50%; background-size:130px 130px;font-family: 微软雅黑; font-size: 13px" id="PSignature">
<br>
作者：削微寒
<br>
<strong>扫描左侧的二维码可以联系到我</strong>
<br>
<img alt="知识共享许可协议" style="border-width: 0" src="https://licensebuttons.net/l/by-nc-nd/4.0/88x31.png"><br>本作品采用署名-非商业性使用-禁止演绎 4.0 国际 进行许可。
</p>
</div><br><br>
来源：https://www.cnblogs.com/xueweihan/p/19033014
頁:
[1]