技术招聘出了问题，过去两年间的竞争变得异常激烈。然而，掌握大公司使用的特定技术，并围绕这些技术构建创新应用，可以显著提升你的简历的可信度。
所以我整理了一份开源库的列表，帮助你在众多开发者中脱颖而出。
欢迎探索这些库，并在评论中分享你们组织正在实施的库。
Composio 👑 - AI 工具和集成平台
AI 正在改变世界，没有人否认未来的工作模式将会是人机混合系统。为了实现这一点，AI 模型应该能够访问外部系统。
Composio 是这一领域的行业领先解决方案。它提供了不断扩展的工具和集成目录，涵盖了各个行业领域，从 CRM、HRM 和销售到开发、生产力和管理。
轻松地将 GitHub、Slack、Jira、Gmail 等应用程序与 AI 模型集成，以自动化复杂的现实世界工作流自动化。
它原生支持 Python 和 Javascript。
快速使用 pip 或 npm 开始使用 Composio。
pip install composio-core
npm install composio-core进入全屏模式 退出全屏模式
Python
添加 GitHub 集成。
composio 添加 github进入全屏模式 退出全屏模式
Composio 代您处理用户认证和授权。
这里是如何使用 GitHub 集成来给仓库点赞。
from openai import OpenAI
from composio_openai import ComposioToolSet, App
openai_client = OpenAI(api_key="******OPENAIKEY******")
# 初始化 Composio 工具集
composio_toolset = ComposioToolSet(api_key="**\\*\\***COMPOSIO_API_KEY**\\*\\***")
## 步骤 4
# 获取预配置的 GitHub 工具
actions = composio_toolset.get_actions(actions=[Action.GITHUB_ACTIVITY_STAR_REPO_FOR_AUTHENTICATED_USER])
## 步骤 5
my_task = "在 GitHub 上给 ComposioHQ/composio 仓库点赞"
# 创建一个聊天完成请求来决定执行的操作
response = openai_client.chat.completions.create(
model="gpt-4-turbo",
tools=actions, # 传递之前获取的操作
messages=[
{"role": "system", "content": "你是一个乐于助人的助手."},
{"role": "user", "content": my_task}
]
)
进入全屏模式 退出全屏模式
运行这个 Python 脚本来使用代理执行给定的指令。
JavaScript
你可以使用 npm、yarn 或 pnpm 来安装它。
npm install composio-core进入全屏模式 退出全屏模式
定义一个方法，让用户能够连接他们的GitHub账户。
import { OpenAI } from "openai";
import { OpenAIToolSet } from "composio-core";
const toolset = new OpenAIToolSet({
apiKey: process.env.COMPOSIO_API_KEY,
});
async function setupUserConnectionIfNotExists(entityId) {
const entity = await toolset.client.getEntity(entityId);
const connection = await entity.getConnection('github');
if (!connection) {
// 如果该实体/用户尚未连接，则初始化账户
const connection = await entity.initiateConnection(appName);
console.log("通过以下链接登录: ", connection.redirectUrl);
return connection.waitUntilActive(60);
}
return connection;
}
进入全屏模式 退出全屏模式
在 OpenAI SDK 中添加所需的工具，并将实体名称传递给 executeAgent 函数。
async function 执行代理(entityName) {
const 实体 = await 工具集.client.getEntity(entityName)
await setupUserConnectionIfNotExists(实体.id);
const 工具 = await 工具集.get_actions({ actions: ["github_activity_star_repo_for_authenticated_user"] }, 实体.id);
const 指令 = "在GitHub上给ComposioHQ/composio仓库点赞"
const 客户端 = new OpenAI({ apiKey: process.env.OPEN_AI_API_KEY })
const 响应 = await 客户端.chat.completions.create({
model: "gpt-4-turbo",
messages: [{
role: "user",
content: 指令,
}],
tools: 工具,
tool_choice: "auto",
})
console.log(响应.choices[0].message.tool_calls);
await 工具集.handle_tool_call(响应, 实体.id);
}
执行Github代理("joey")
进入全屏模式 退出全屏模式
执行代码，让代理为你完成工作。
Composio 与 LangChain、LlamaIndex、CrewAi 等著名框架配合使用。
了解更多信息，请访问官方 文档，对于更复杂的示例，请参阅仓库的 示例 部分。
2. Apache Kafka - 分布式事件流处理平台
Apache Kafka 是许多财富 500 强公司所需高吞吐量事件数据管道的基石。在你的简历中拥有 Kafka 经验无疑会让你脱颖而出。
它是一个开源的分布式平台，用于处理实时数据流。它能够以高容错性收集、存储和处理大量事件数据。
它非常适合构建事件驱动的系统。像 Netflix、LinkedIn 和 Uber 这样的大公司使用 Kafka 来流式传输实时数据和分析，管理事件驱动的架构和监控系统，并实现实时推荐和通知。
下载 最新的 Kafka 发行版并解压以开始使用它：
$ tar -xzf kafka_2.13-3.8.0.tgz
$ cd kafka_2.13-3.8.0进入全屏模式 退出全屏模式
设置 Kafka 使用 Kraft。
要使用 Kafka 与 Kraft，创建一个集群 UUID。
KAFKA_CLUSTER_ID="$(bin/kafka-storage.sh random-uuid)" 进入全屏模式 退出全屏模式
格式化日志目录
bin/kafka-storage.sh format -t $KAFKA_CLUSTER_ID -c config/kraft/server.properties进入全屏模式 退出全屏模式
启动 Kafka 服务器
bin/kafka-server-start.sh config/kraft/server.properties进入全屏模式 退出全屏模式
然后，你可以创建主题并发布和消费事件
在你写事件之前，你必须创建主题。在另一个 shell 中运行此命令。
bin/kafka-topics.sh --create --topic quickstart-events --bootstrap-server localhost:9092进入全屏模式 退出全屏模式
现在，向主题写一些事件。
bin/kafka-console-producer.sh --topic quickstart-events --bootstrap-server localhost:9092
>这是我的第一个事件
>这是我的第二个事件进入全屏模式 退出全屏模式
读取事件。
bin/kafka-console-consumer.sh --topic quickstart-events --from-beginning --bootstrap-server localhost:9092进入全屏模式 退出全屏模式
要详细了解Kafka及其用法，请参阅我之前写的一篇文章《Apache Kafka基础与工作原理介绍》文章。
阅读更多关于 Kafka 的内容 这里。
3. Grafana - 开源可观测性平台
Grafana 是另一款被许多大公司使用的开源软件。它是一个分析和监控平台，允许你查询、存储和可视化来自多个数据源的指标。你还可以与团队创建、探索和分享仪表板。
Grafana 的特性包括
- 指标和日志可视化。
- 动态仪表板。
- 根据自定义指标规则在 Slack、Pagerduty 等上触发警报。
- 通过即席查询探索指标。
- 在同一图表中混合多个数据源。
查看官方 文档 以详细了解 Grafana。
4. Celery - 分布式任务队列
构建一个健壮的应用程序可能颇具挑战性，尤其是在需要处理多个事件时。此时，Celery 就会派上用场。
Celery 是一个简单、灵活、分布式的开源软件，它能够方便地处理任务队列和调度。它允许你将耗时的任务移至后台异步执行，从而提高应用程序的性能和可扩展性。
它支持大多数编程语言，从 Python 和 JS 到 Go 和 Rust。
Celery 使用消息代理，如 Redis 和 RabbitMQ。
快速上手，通过 pip 安装。
pip install celery reddit进入全屏模式 退出全屏模式
在后台启动 Redis 服务器。
redis-server进入全屏模式 退出全屏模式
定义一个简单的任务，比如发送一封电子邮件。
从 celery 导入 Celery
# 使用 Redis 作为消息代理定义一个 Celery 应用
app = Celery('tasks', broker='redis://localhost:6379/0')
# 定义一个简单的任务（例如，发送电子邮件）
@app.task
def send_email(recipient):
print(f"正在向 {recipient} 发送电子邮件")
return f"电子邮件已发送给 {recipient}"进入全屏模式 退出全屏模式
通过在终端运行以下命令来启动 Celery 工作进程：
celery -A tasks worker --loglevel=info进入全屏模式 退出全屏模式
你现在可以在你的 Python 代码中异步使用 send_email。创建另一个 Python 脚本来调用该任务：
python
复制代码
from tasks import send_email
# 使用 `.delay()` 异步调用任务
send_email.delay('user@example.com')
进入全屏模式 退出全屏模式
一旦你调用 send_email.delay()，任务将会由 Celery 工作进程异步处理，在运行 Celery 工作进程的终端中你会看到类似这样的输出：
[2024-09-24 12:00:00,000: 信息/MainProcess] 任务 tasks.send_email[abc123] 在 0.001s 内完成：'邮件已发送至 user@example.com'
进入全屏模式 退出全屏模式
了解更多，请参阅其官方文档。
5. Selenium - 浏览器自动化框架
浏览器自动化是您在技术职业生涯中至少会遇到的一件事。许多公司使用Selenium进行多种用途，例如网页自动化、测试，甚至抓取动态网页内容。
Selenium 允许开发人员通过编程方式与 web 浏览器交互，模拟用户操作，如点击按钮、填写表单和在页面之间导航。这使得它成为跨浏览器和平台测试 web 应用程序的宝贵工具。
它支持多种编程语言。
使用 pip 在 Python 中安装 Selenium。
pip install Selenium进入全屏模式 退出全屏模式
您必须为基于 Chromium 的浏览器安装 ChromeDriver，为 Firefox 浏览器安装 Gecko Driver。
这里是一个使用 Selenium 和 ChromeDriver 的示例：
python
Copy code
from selenium import webdriver
# 指定 ChromeDriver 可执行文件的路径
driver = webdriver.Chrome(executable_path='/path/to/chromedriver')
# 打开一个网页
driver.get("https://www.example.com")
# 执行操作（例如，点击按钮，查找元素等）
print(driver.title) # 打印页面标题
# 关闭浏览器
driver.quit()
进入全屏模式 退出全屏模式
了解更多，请参阅文档。
6. LlamaIndex - 适用于LLM应用的数据框架
AI 当前非常火热，多家公司都在围绕AI模型构建产品。现在成为一名AI开发者再好不过了。
LlamaIndex 是一个用于构建使用大型语言模型（LLMs）的应用程序的领先框架。它允许您将任何数据存储与关系型、图或向量数据库连接到 LLMs。它提供了所有必要的功能，例如数据加载器、连接器、分块器、重新排序器等，以构建高效的 AI 应用程序。
快速通过 pip 安装 LlamaIndex 开始使用。
pip install llamaindex进入全屏模式 退出全屏模式
一个使用 LlamaIndex 中向量数据库的简单示例。
# 自定义选择与核心配合使用的集成
pip install llama-index-core
pip install llama-index-llms-openai
pip install llama-index-llms-replicate
pip install llama-index-embeddings-huggingface
import os
os.environ["OPENAI_API_KEY"] = "YOUR_OPENAI_API_KEY"
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
documents = SimpleDirectoryReader("YOUR_DATA_DIRECTORY").load_data()
index = VectorStoreIndex.from_documents(documents)
进入全屏模式 退出全屏模式
查询数据库。
query_engine = index.as_query_engine()
query_engine.query("YOUR_QUESTION")进入全屏模式 退出全屏模式
如需更多信息，请参阅他们的文档。
7. Pytorch Lightning - 深度学习框架
如果你从事AI模型开发，了解Pytorch Lightning可以更好地帮助你的工作。
它是一个使用 PyTorch 构建的多功能框架，有助于组织和扩展深度学习项目。它提供了用于训练、测试和部署模型的工具，适用于不同领域。
这里使用 PyTorch Lightning 有一些优势：
- 它让 PyTorch 代码更易读、更有序、更用户友好。
- 它通过提供内置的训练循环和工具来减少重复代码。
- 它简化了训练、实验和部署模型的过程，减少了不必要的代码。
你可以通过 pip 安装 Lightning 来开始使用它：
使用 Lightning 模块定义一个自编码器。
import os
from torch import optim, nn, utils, Tensor
from torchvision.datasets import MNIST
from torchvision.transforms import ToTensor
import lightning as L
# 定义任意数量的 nn.Modules（或使用你当前的模块）
encoder = nn.Sequential(nn.Linear(28 * 28, 64), nn.ReLU(), nn.Linear(64, 3))
decoder = nn.Sequential(nn.Linear(3, 64), nn.ReLU(), nn.Linear(64, 28 * 28))
# 定义 LightningModule
class LitAutoEncoder(L.LightningModule):
def __init__(self, encoder, decoder):
super().__init__()
self.encoder = encoder
self.decoder = decoder
def training_step(self, batch, batch_idx):
# training_step 定义了训练循环。
# 它与 forward 独立
x, _ = batch
x = x.view(x.size(0), -1)
z = self.encoder(x)
x_hat = self.decoder(z)
loss = nn.functional.mse_loss(x_hat, x)
# 默认记录到 TensorBoard（如果已安装）
self.log("train_loss", loss)
return loss
def configure_optimizers(self):
optimizer = optim.Adam(self.parameters(), lr=1e-3)
return optimizer
# 初始化自编码器
autoencoder = LitAutoEncoder(encoder, decoder)
进入全屏模式 退出全屏模式
加载 MNIST 数据。
# 设置数据
dataset = MNIST(os.getcwd(), download=True, transform=ToTensor())
train_loader = utils.data.DataLoader(dataset)进入全屏模式 退出全屏模式
Lightning Trainer 可以将任何 LightningModule 与任何数据集结合，并抽象掉所有用于扩展所需的工程复杂性。
# 训练模型（提示：这里有一些有助于快速想法迭代的 Trainer 参数）
trainer = L.Trainer(limit_train_batches=100, max_epochs=1)
trainer.fit(model=autoencoder, train_dataloaders=train_loader)进入全屏模式 退出全屏模式
了解更多关于 Pytorch Lightning 的内容，请参阅官方文档。
8. Posthog - 开源产品分析平台
构建现代应用程序时不可或缺的是 Posthog。它是产品分析的领先解决方案，提供了跟踪用户行为、衡量参与度和利用可操作见解改进应用程序的工具。
这绝对是你会经常用到的库之一。它们提供了云和自托管的解决方案。
Posthog 的一些关键特性包括
- 事件跟踪：实时跟踪用户交互和行为。
- 会话回放：回放用户会话以了解他们如何导航您的应用。
- 热图：可视化用户在您的网站上点击和互动最多的区域。
- 功能标志：在不重新部署代码的情况下为特定用户组启用或禁用功能。
了解更多，请参阅官方文档。
9. Auth0 by Okta - 认证和授权平台
实现应用认证是必不可少的，知道如何实现认证也能轻松脱颖而出。
使用 Auth0 ，你可以简化流程，实现安全登录、用户管理和多重身份验证，而无需太多努力。
Auth0 的一些关键功能。
- 单点登录 (SSO) : 使用单一凭证实现在多个应用中的无缝登录。
- 多因素认证 (MFA) : 通过多种验证方式增加额外的安全性。
- 基于角色的访问控制 (RBAC) : 根据分配的角色管理用户的权限，实现安全的访问控制。
- 社交登录集成 : 轻松集成通过 Google、Facebook 和 GitHub 的登录方式。
Auth0 SDK 几乎适用于所有平台和语言。
感谢您阅读这份列表文章。
在评论中告诉我，如果你知道其他重要的开源AI工具。✨
共同学习，写下你的评论
评论加载中...
作者其他优质文章
