Un pacchetto Python che dà accesso programmatico a Google NotebookLM: una CLI (nlm) e un server MCP con una quarantina di strumenti per creare notebook, aggiungere fonti e generare podcast, video, mappe mentali e riassunti da terminale o da un agente AI.
Perché guardarlo: Trasforma NotebookLM in un tassello automatizzabile: il tuo agente crea notebook, importa una ricerca e sforna un podcast senza aprire il browser. Ed è un caso di vibe coding onesto — l'autore dichiara di non essere uno sviluppatore — con circa 5.100 stelle e sviluppo attivo.
Alternativa open source a Semrush e Ahrefs: una suite SEO self-hosted (Docker o Cloudflare) per keyword, rank tracking, backlink e audit, che espone un server MCP e delle skill così un agente AI lavora direttamente sui dati SEO.
Perché guardarlo: Porta la SEO dentro il flusso agentico invece di lasciarla in un cruscotto a parte: l'agente interroga keyword e backlink reali via MCP. Self-hosted e pay-as-you-go (dati via DataForSEO), con controllo e costi prevedibili per PMI e freelance.
Toolkit open source di GitHub per lo spec-driven development: la CLI specify trasforma una specifica in piano e task eseguibili dagli agenti AI (Claude Code, Copilot, Gemini, Codex) invece di partire dal prompt.
Perché guardarlo: Sposta il baricentro dal prompt alla specifica: descrivi cosa e perché, l'agente costruisce a partire da un piano verificabile. Un modo concreto per portare disciplina nel vibe coding.
Strumento che scopre servizi di AI esposti in rete: mappa endpoint di modelli e servizi LLM raggiungibili, pensato per red team e assessment di sicurezza.
Perché guardarlo: Con gli LLM ovunque, gli endpoint dimenticati sono la nuova superficie d'attacco: aimap è il primo passo per sapere cosa hai davvero esposto.
Workspace open-source (ex MindsDB, oggi MindsHub Cowork) dove deleghi interi task — ricerca, report, operazioni schedulate — ad agenti che si connettono ai tuoi dati e restituiscono artefatti pubblicabili.
Perché guardarlo: Colpisce il punto giusto per le PMI attente ai dati: licenza MIT, deploy anche on-prem/VPC e un model router fra modelli frontier e open, per automatizzare i processi restando senza lock-in.
Workflow di sviluppo pronti alla produzione per Claude Code, guidati da agenti AI specializzati per qualità del codice e automazione.
Perché guardarlo: Un plugin che porta Claude Code da 'assistente' a 'processo': utile per rubare pattern di workflow e agent già rodati invece di reinventarli.
Utility Python che converte PDF, Office, immagini e audio in Markdown pulito, pensata per le pipeline LLM.
Perché guardarlo: Se fai RAG o alimenti agenti con documenti aziendali, il pre-processing è metà del lavoro: MarkItDown lo riduce a una riga di codice ed è mantenuto da Microsoft.
Agente di cybersecurity autonomo: unisce un LLM self-hosted (Ollama), una sandbox Docker in stile Kali Linux e una TUI per automatizzare recon e bug bounty, senza API key né cloud.
Perché guardarlo: È il modo più concreto di vedere un LLM locale che 'lavora' su un target: gira offline, non manda nulla in cloud e mostra come orchestrare tool di sicurezza con un agente.
Server MCP open source e locale che mappa il piano di esecuzione di un agente di coding (Claude Code, Codex, Cursor…) come flowchart interattivo prima che scriva codice.
Perché guardarlo: Vedere gli step di un agente come grafo prima che agisca è il modo più rapido per capire (e correggere) cosa sta per fare: meno sorprese, più controllo.
Skill per assistenti di coding (Claude Code, Codex, Gemini CLI…) che trasforma una cartella di codice, schemi SQL, script e documenti in un knowledge graph interrogabile — senza inviare il codice a nessuno.
Perché guardarlo: Per aziende sensibili sul codice è la promessa giusta: GraphRAG sull'intero repo restando in locale, con codice, schema DB e infrastruttura in un unico grafo.
Indice gerarchico dei documenti per un RAG 'vectorless': invece di embedding e ricerca per similarità, l'LLM naviga una struttura ad albero ragionando su quale sezione aprire.
Perché guardarlo: Rimette in discussione l'assunto 'RAG = vector database': niente indicizzazione vettoriale, meno infrastruttura e risposte più tracciabili su documenti lunghi.
Un comando per scoprire quali modelli (fra centinaia, con vari provider) girano sull'hardware che hai: valuta RAM, VRAM e formato per dirti cosa è realistico eseguire in locale.
Perché guardarlo: La domanda numero uno di chi vuole LLM in locale è 'ci gira sulla mia macchina?'. llmfit risponde subito, senza tentativi a vuoto di download da decine di GB.
Configurazione ottimizzata di un server Ollama per Mac Studio e altri Mac Apple Silicon: setup headless, avvio automatico, tuning delle risorse e gestione remota via SSH.
Perché guardarlo: Trasforma un Mac Studio nel tuo server di inferenza sempre acceso: la ricetta pronta per ospitare modelli locali in casa o in ufficio senza smanettare per giorni.
Python
MCP
Claude Code
TypeScript
Docker
Shell
Markdown
JavaScript
Ollama
Kali Linux
Node.js
Rust
Apple Silicon