🔗：官网 | 文档 | Github

把 Claude Code/OpenClaw 装进浏览器沙盒，给非开发者一个看得见、点得动、能托管的 AI 工作台。

✨ 特点

• Claude Code/OpenClaw 直接在浏览器里跑：不装客户端、不配 API Key、不学命令行，打开网页就能用 Claude Sonnet 4.6 / Opus，Minimax
• GUI 取代 CLI：能看到 Agent 在屏幕上点哪里、改哪个文件，过程可视化、随时介入。
• 每个用户独立云沙盒：Pro 给 2 核 / 4 GB / 50 GB，Max 给 4 核 / 8 GB / 200 GB，文件不会碰本地系统。
• Skills 即软件：内置 40+ Claude Code 兼容 Skills，覆盖 PDF、设计、视频、爬虫、社交发布，可调用 150+ AI 模型。
• Capymail 异步交付：长任务跑完结果发到邮箱，回邮件继续派活，像跟一个远程同事协作。
• Agent Teams（Max plan）：多 Agent 团队带 GUI 协作，目前 Research Preview 阶段。

⚙️ 机制

Happycapy 把 Claude Code/OpenClaw 部署在云端隔离容器里，每个登录用户拿到一个带持久化的文件系统。前端实时把 Agent 的步骤投到浏览器，用户用自然语言操作，Agent 在沙盒里调用 Skills 完成任务，结果可以直接展示也可以通过 Capymail 邮件送达。

开源仓库 Happycapy-skills（MIT，85 星，16 fork，7 位贡献者）以收录和适配上游 Skills 为主，自研代码不多；核心沙盒和路由层闭源。

👨🏻‍💻 使用场景

• 非技术同事做内容生产：市场同学描述「给我做一份 8 页产品发布 PPT，配封面图」，Agent 在沙盒里调 pptx 和 canvas-design Skills，30 分钟跑完发回邮箱。
• 个人开发者快速搭原型：开发者把 PRD 丢进去，Agent 调 next-best-practices Skill，写完代码直接在沙盒里跑前后端服务，不占本地端口。
• 研究员处理大批量数据：把一份 50 MB 的 CSV 上传，让 Agent 用 Python 清洗、画图、生成报告，结果以 PDF 邮件发回。
• 小团队跑日常自动化：把每周一抓竞品价格、整理成飞书表设为 定时任务，Agent 在沙盒里定时执行。
• 创作者多平台分发：用 happycapy-social-publisher Skill 一键把同一条内容改写后投到 13+ 社交平台。

🛣️ 路线图

• IOS App 公测：目前 Max plan 早鸟可用，预计 2026 年中开放给 Pro 用户。
• Agent Teams 正式发布：当前为 Research Preview，需要解决多 Agent 协作时的成本和稳定性。
• 更多 Skills 收录：开放外部贡献，Happycapy-skills 仓库持续合并社区 PR
• 企业版 / Team 计划：目前只有个人版，社区呼声较高的方向是协作沙盒和 SSO。
• 本地文件桥接：用户最常吐槽沙盒访问不了我电脑里的文件。

💬 社区评价

Happycapy 于 2026 年 2 月 11 日上线 Product Hunt，当天拿下 #1 Product of the Day。上线 20 天 ARR 突破 100 万美元，背后公司 Trickle 在 2025 年第四季度完成 1000 万美元以上融资。

我们正在从跟 AI 聊天走向用 AI 操作，赢家会是那些能把自动化做到可复用、可观测、默认安全的平台。Skills as the new software 这件事 Happycapy 押对了

Happycapy 解决的是本地跑 Agent 的摩擦力。不用配 server、不用管 API Key、不用学 CLI，打开浏览器就开始。

Claude 4 Sonnet 4.6 + 长期记忆 + 50+ Skills，每月 17 美元，目前 AI 订阅市场里性价比最高的方案，最接近真正的 AI 同事。

社区整体评价正面。最受欢迎的是先验证后执行机制（先读文件再改、先看目录再建）和可视化沙盒。主要改进建议集中在本地文件桥接、移动端覆盖、credit 用量透明度上。

🖊️ 作者背景

👤 Jarod Xu – Co-founder & CEO

• 教育：北京大学 MBA；南京邮电大学 通信工程 学士
• 职业经历：Trickle Co-founder & CEO（2018 至今，连续创业，做过 5+ 产品）；Ericsson Consulting Manager（2013–2017）；Ericsson Integration Engineer（2010–2013）
• 背景：早期 3 年烧掉 300 万美元做了 5 个失败产品后，2024 年 12 月把 Trickle 重做成「自然语言 → 全栈应用编译器」上线 Product Hunt，再用 14 天做出 Happycapy 第一版。

👤 Victoria Wu – Co-founder & Designer

• 教育：北京大学 MBA（2016–2018）
• 职业经历：Trickle 联合创始人 / Design 负责人（2018 至今）；Happycapy 联合创始人 / Designer
• 背景：主导产品视觉与交互，Capybara 形象和「Happycapy, HappyYou」品牌主张出自她手。

💰 定价

• Free：$0，有限 credits、Claude Code、MiniMax M2.7、150+ 模型、基础沙盒、自定义 Skill。
• Pro：$17/月（年付）或 $20/月，2000 credits、沙盒 2 核 / 4 GB / 50 GB、自动任务执行、Capymail。
• Max：$167/月（年付）或 $200/月，模型不限量（每周刷新 credits）、4 核 / 8 GB / 200 GB、iOS App 早鸟、Agent Teams（Research Preview）、优先客服。

定价对标 ChatGPT Plus 和 Claude Pro ，但拿到的是带沙盒的 Agent 而不是 Chat。

信息来源：TG频道@NewlearnerChannel

Happycapy: 在浏览器里跑 Claude Code 的「Agent 原生电脑」最先出现在666News。

官网 | Github

CleanShot X 的免费开源替代品，用 Swift 6 原生构建，功能不缩水。

✨ 特点

• 全模式截图：支持区域、全屏、窗口三种截图方式，区域截图实时显示尺寸标注，窗口截图单击即可捕获
• 录屏 + GIF：同时录制 MP4 视频和 GIF 动图，支持系统音频 + 麦克风双通道采集，3-2-1 倒计时启动
• 摄像头画中画：录屏时叠加摄像头画面，提供圆形、方形、竖向、横向 4 种形状，可拖拽调整位置和大小
• 高级标注编辑器：箭头、矩形、椭圆、文本、自由画笔、像素化模糊、高亮笔、编号计数器，配色器 + 撤销重做一应俱全
• 截图美化：添加背景色渐变、内边距、圆角、阴影效果，支持 Solid 和 Liquid Glass 两种风格，实时预览
• OCR 文字识别：即时 OCR 模式选区即复制，视觉 OCR 模式高亮文字区域可逐块点选
• 钉到屏幕：截图可固定为置顶悬浮窗，支持锁定模式实现点击穿透，适合做参考对照

⚙️ 机制

Capso 采用纯 Swift 6.0 + SwiftUI 构建，面向 macOS 15.0+，是一个完全原生的 Apple Silicon 应用。其架构亮点在于模块化 SPM 设计：主应用只是一个薄壳（Thin Shell），所有核心能力被拆分为 8 个独立的 Swift Package Manager 包，每个包可独立测试、独立复用。

主要依赖：Swift 6.0、SwiftUI、AppKit、ScreenCaptureKit、AVFoundation、Vision Framework、XcodeGen

项目使用 XcodeGen 管理工程配置，8 个 SPM 包各自独立编译测试。开发者可以单独将 CaptureKit 或 AnnotationKit 嵌入自己的应用，这是 Electron 或 Tauri 方案无法提供的粒度。代码风格整洁，遵循 Swift 6 Strict Concurrency 规范。

👨🏻‍💻 使用场景

• 独立开发者制作 App Store 素材：用截图 + 美化功能快速生成带圆角、阴影、渐变背景的宣传图，无需打开 Figma
• 技术博主录制教程：GIF 录屏 + 摄像头画中画 + 标注编辑器，一套工具完成从录制到标注的全流程
• 预算有限的用户：获得与 CleanShot X（$29）同级别的功能，完全免费，无试用期、无功能阎割、无订阅

🛣️ 路线图

• Spotlight / 放大镜 / 标尺工具：标注工具集持续扩充
• 滚动截图：基于 Accessibility API + Vision 拼接长页面
• 视频裁剪编辑器：录屏后直接在应用内剪辑
• 截图历史浏览器：回顾和管理历史截图记录
• Raycast / Shortcuts 集成：URL Scheme 自动化工作流支持

💬* 社区评价*

Capso 于 2026 年 4 月 10 日开源，目前在 GitHub 上已获得 238+ 星标，Fork 数 16，由 1 位核心贡献者开发，已发布 7 个版本（最新 v0.1.9）。在 Product Hunt 上线首日获得 261 票，30 条评论，拿下当日 #3 Product of the Day。

社区整体评价非常正面。用户最喜爱的是「免费 + 开源 + 原生 + 功能完整」的组合，主要改进建议集中在稳定性打磨和缺失的高级功能（如滚动截图）。

🖊️ 作者背景

Kevin (lzhgus) — 独立 macOS 开发者

Awesome Mac Apps 创始人。旗下已有 MacQuit（$4.99）、ImageMini Pro（$9.99）、Gauss（$4.99）等多款付费 macOS 原生工具。

信息来源：TG频道@NewlearnerChannel

Capso：免费开源的 macOS 截图与录屏工具最先出现在666News。

首个绕过 CoreML、在 Apple M4 神经引擎上实现完整反向传播的开源概念验证，证明 ANE 硬件本身具备训练能力，软件封锁才是真正壁垒。

✨ 特点

• 私有 API 直连：通过逆向工程 ANEClient、ANECompiler 等私有接口，完全绕过 CoreML，实现对 ANE 硬件的直接控制，吞吐提升 2–4x。
• 完整前向 + 反向传播：在 ANE 上运行 Transformer 的前向与 dx 梯度计算，权重梯度 dW 由 CPU（Accelerate cblas）并发处理，支持 Adam 优化器与 checkpoint 续训。
• 动态权重管道：将权重打包进空间维度，实现权重更新无需重新编译，突破 ANE 每进程约 119 次编译上限的约束。
• INT8 W8A8 量化：利用 MIL quantize/dequantize 算子在 L2 SRAM 缓存 INT8 激活值，M4 上实测 1.88x 吞吐提升（35.1 TOPS vs 18.6 TOPS）。
• GPU↔ANE 零拷贝流水线：基于 IOSurface 共享内存，GPU 负责 prefill，ANE 负责 decode，Stories110M 总延迟仅 8.8ms。
• 硬件基准体系：系统性揭示 Apple「38 TOPS」宣传存在虚高。ANE 实际将 INT8 反量化为 FP16 后执行，真实峰值为 19 TFLOPS FP16，并提供 SRAM 带宽、TFLOPS 峰值等详细测量数据。

⚙️ 机制

ANE 是一个图执行引擎，接受编译好的 MIL（Model Intermediate Language）计算图后原子执行，本身不暴露可编程的指令集。项目通过运行时 objc_msgSend 解析 AppleNeuralEngine.framework 中 40+ 个私有 Objective-C 类，构建出「MIL 程序生成 → 内存编译 → IOSurface I/O」的完整链路。训练时前向与反向 dx 计算在 ANE 完成，权重梯度 dW 由 CPU cblas 并行执行，Adam 更新在 CPU 完成后权重重新打包回 ANE 空间维度。全程无外部依赖，仅使用系统框架。

主要依赖：Objective-C + Foundation + IOSurface + Accelerate（纯系统框架，零第三方依赖），Python 仅用于训练监控 Dashboard（blessed 库）。

🧑‍💻 使用场景

• NPU 编译器研究者：希望深入了解 Apple ANE 的 MIL IR 格式、Kernel Fusion 策略和 SRAM 行为，可直接参考 inmembench.m、sramprobe.m、inmempeak.m 等基准工具，无需从零逆向工程。
• 边缘 AI 推理优化工程师：gpuprefillanedecode.m 实现的 GPU prefill + ANE decode 混合流水线（Stories110M 总延迟 8.8ms、功耗 2.8W），可作为低功耗本地部署方案的参考架构。
• Apple 平台 ML 开发者：需要在 CoreML 训练 API 限制之外实现设备端持续学习或个性化微调时，可通过 bridge/ane_bridge.h 提供的 C-callable API 接入 ANE 计算能力。
• 硬件性能研究者：验证 38 TOPS 虚高发现，或研究 Apple Silicon ANE 与 SME（Scalable Matrix Extension）在不同工作负载下的分工边界。
• 开源社区建设者：在本项目基础上构建更完整的运行时，如已涌现的 Orion（完整 ANE 训练 + 推理框架）、hybrid-ane-mlx-bench（Apple Silicon 推理策略系统评测）。

🛣 社区关注方向

• Mega-kernel 层融合：将完整 Transformer 层融合为单一 MIL kernel
• macOS 26 API 适配：Apple 更改了 compile API。Apple 据报将推出「Core AI」替代 CoreML
• 扩展到更大模型：Qwen3-0.6B（596M 参数）GQA 支持已合并，社区在探索 1B+ 参数范围的可行性
• 模型加载支持：目前只能从随机初始化训练，无法加载预训练权重

💭 感想

ANE 项目最有价值的地方，不在于能立即替代 MLX 或 llama.cpp。作者在 README 里写得很清楚，这从来不是目标。它真正做到的是把一个「不可能」命题变成了有据可查的事实：Apple Neural Engine 的硬件本身具备训练能力，6.6 TFLOPS/W 的功效比（约为 A100 的 80 倍）让人想知道，若 Apple 开放训练 API，边缘端持续学习会走向哪里。

技术完成度上，最扎实的是基准测试体系中 38 TOPS 虚高的实验性反驳、SRAM 带宽性能悬崖的量化分析，都是不多见的一手硬件数据。训练实现接近 PoC 状态。5–9% 的 ANE 利用率说明距离高效 NPU 训练还有很长的软件工程路要走。相比 MLX（GPU 路线，开箱即用）和 CoreML（推理受限但稳定），ANE 这条路适合想深入理解 Apple Silicon 底层的系统工程师，不适合期望开箱即用的应用开发者。

项目的另一面是方法论本身：逆向工程、基准分析、训练代码，全程与 Claude Opus 4.6 协作完成。 AI 可用性得到了另一次证明

信息来源：TG频道@NewlearnerChannel

ANE — 逆向工程解锁 Apple Neural Engine 训练能力最先出现在666News。

官网 ｜ Github

在一个界面同时对话多个 AI 模型，获取不同视角的答案

✨ 特点

• 多模型并行对话：同时向 Claude Sonnet 4、o3-mini、Gemini 2.5 Pro、DeepSeek R1 等多个模型提问，实时对比不同模型的回答
• Ambient Chat：可以从任何地方启动对话，Chorus 能看到你的屏幕，了解你正在做什么，无需额外解释
• MCP 支持：运行任何 MCP 服务器，支持网页搜索、终端命令执行、GitHub 集成等
• 本地和云端模型兼容：支持 OpenAI、Anthropic、Google、OpenRouter 以及通过 Ollama 运行的本地开源模型
• 文档处理：URL 自动提取、PDF/图片/文档上传、全文搜索
• Magic Projects：对话之间自动共享上下文
• BYOK：自带 API 密钥或使用代理服务
• 极速体验：毫秒级全文搜索、完整键盘快捷键支持、代码和 LaTeX 语法高亮

⚙️ 机制

• 前端：React 18.3 + Vite 5.4 + TypeScript 5.8
• 后端：Rust (Tauri 2.5) + SQLite
• UI 组件：Radix UI + Tailwind CSS 3.4
• 状态管理：Zustand + TanStack Query
• 桌面框架：Tauri 2（使用系统 WebView，不打包 Chromium）

主要依赖

• AI SDK：@anthropic-ai/sdk、@google/genai、openai、@modelcontextprotocol/sdk
• 实用工具：pdfjs-dist（PDF 处理）、cheerio（HTML 解析）、highlight.js（代码高亮）、katex（LaTeX 渲染）
• 开发工具：ESLint、Prettier、Vitest、Husky

数据存储

• 本地 SQLite 数据库存储所有数据
• 隐私优先：数据不离开设备
• 支持文件系统监控

👨🏻‍💻 使用场景

• 技术问题调试：同时询问多个模型，一个模型可能遗漏的错误，其他模型能发现
• 学术写作：避免单一模型的幻觉或道歉循环，通过多模型对比获得更可靠的答案
• 研究和学习：对比不同 AI 的观点和解释方式，获得更全面的理解
• 内容创作：利用不同模型的优势，Claude 擅长写作，GPT 擅长结构化，Gemini 擅长多语言
• 大文档分析：通过 URL 提取和 PDF 上传处理文档，配合全文搜索快速定位信息

🛣️ 路线图

根据 GitHub issues 和社区反馈，团队正在关注：

• RAG 模式：社区提出详细的大文档处理方案（40k+ tokens），可能采用云端 RAG 或本地向量数据库
• Ollama 优化：增强本地模型支持，自定义 API 地址配置
• 语音集成：类似 qspeak.app 的语音交互功能
• 本地爬虫：替代 Firecrawl 的本地网页抓取方案
• 成本追踪增强：已实现 OpenRouter 成本跟踪，未来可能支持更多提供商

💬 社区评价

Chorus 在 GitHub 上获得了 575+ 星标和 73 个 fork，开源仅两个月就积累了活跃的开发者社区。项目有 25+ 个 issues 讨论。

Garry Tan（Y Combinator 总裁兼 CEO）评价道：「这是关于 AI 如何改变个人计算的一个很酷的尝试。」

Hamel Husain（Answer.AI）称赞说：「Chorus 真的很酷。这是一个非常精致的应用，让你并排使用所有模型，’环境聊天’功能允许模型看到你电脑上正在做的一切。它就是好用。」

Alex Volkov（Thursd/AI）表示：「Chorus 对我来说已经成为不可或缺的 AI 工具！出色的键盘快捷键支持、对比模式、MCP、环境聊天、自带密钥支持、本地模型支持。它真的应有尽有！」

从社区反馈来看，用户最喜欢的是多模型并行对比功能和 Ambient Chat 的便利性，键盘快捷键和 MCP 集成也备受好评。不过也有改进空间：Windows 版本尚未发布（仅支持 Mac），MCP 服务器配置对新手有一定门槛，部分用户期待的 RAG 模式功能还在社区讨论阶段。总体而言，社区对产品持积极态度，维护者响应迅速，用户提出的成本追踪等功能已快速实现。

🖊️ 作者背景

Charlie Holtz – 联合创始人兼 CEO

• 教育：Brown University 计算认知神经科学学士（荣誉学位）
• 职业经历：
– Replicate 工程师（领导增长，构建数百万用户应用）
– Point72 量化研究员（最年轻的量化开发者，管理数十亿美元投资组合）
– Brown University Serre Lab 计算视觉研究助理
• 背景：结合技术专长和认知神经科学洞察，前飞盘运动员

Jackson de Campos – 联合创始人

• 教育：Brown University 计算机科学学士
• 职业经历：
– Netflix 机器学习软件工程师（扩展 Netflix 整个目录的视频理解模型推理）
– Amazon SDE 实习生
– Brown University 教学助理（逻辑系统课程）
• 背景：机器学习和大规模基础设施专家

公司：Melty Labs

• Y Combinator S24 批次
• 种子轮融资：50 万美元（2024）
• 团队规模：1-10 人
• 总部：旧金山，加州
• 产品线：Melty（AI 代码编辑器）→ Chorus（多模型 AI 对话应用）
• 哲学：开源优先、本地优先、隐私优先

团队特色

两位创始人在 Brown University 打飞盘时相识，共同的技术热情和互补的专业背景（认知神经科学 + 机器学习）为产品注入了独特视角。他们使用 Claude Code 构建产品，在博客中甚至把 Claude 称为「本月最佳员工」。

💰 定价

完全免费 + 开源

• MIT 许可证
• 自带 API 密钥（BYOK）：用户直接向 AI 提供商付费
• 可选代理服务：使用 Chorus 的代理
• 无订阅费用

🙋‍♂️ 感想

Chorus 刚发布时就吸引了我的注意力，相比其他套壳聊天软件，它的界面更精致，而且是首批支持 MCP 的产品之一。不过目前整体体验已经不如 Claude Desktop，因为 Claude 在桌面端提供了功能更强大的 Cowork 和 Code 模式。

但如果你需要对比不同模型的输出结果，或者当某个模型的答案不满意时希望能快速切换到另一个，Chorus 依然是个不错的选择——开源、免费、性能优秀，这三点在 AI 工具领域并不常见。

信息来源：TG频道@NewlearnerChannel

🎤 Chorus: 多模型 AI 对话的轻量级桌面应用最先出现在666News。

✨ Features

• 并行下载和安装包，性能更好
• Rust 编写
• 兼容 Homebrew 的 Formulae 和 Casks

📜 背后的故事

创建者Aalexykn 开始构建 Sapphire 是因为 Homebrew 无法满足他们的特定需求。他们发现 HomeBrew 非常缓慢，这促使他们用 Rust 启动了这个项目。

🛰️ 社区反馈

• 兴奋： 一些用户对更快、基于 Rust 的 Homebrew 替代品的前景感到兴奋，并赞赏开发者的积极性。
• 怀疑： 一些人质疑在没有明确的性能基准或功能差异的情况下，用 Rust 重写的必要性。他们想知道 Sapphire 旨在解决 Homebrew 的哪些具体问题。
• 对 Homebrew 的批评：许多评论者表达了对 Homebrew 的缓慢、冗长、依赖管理、强制更新和特有术语的不满。这些用户更愿意接受替代方案。
• 对特定功能的需求：用户要求更好的多用户支持、更具声明性的配置以及锁定软件包版本的功能。
• 对术语的担忧：强烈反对 Sapphire 使用 Homebrew 的啤酒相关术语，用户更喜欢标准的包管理词汇。
• Homebrew 维护者的观点： 一位 Homebrew 维护者承认该项目很有趣，并强调了 Homebrew 客户端执行背后复杂的底层基础设施。他们还指出，Homebrew 中的并行下载是出于对下载源的礼貌而做出的有意识的决定。

🛣️ 路线图

• 清理旧的下载内容、版本和缓存
• 前缀隔离： 支持将 /opt/sps 作为独立的安装路径
• sps init 辅助工具，用于初始化你的环境
• 持续进行错误修复和稳定性改进

⚠️  注意

目前 Sapphire 还在非常早期阶段，很多功能被标记为慎重使用，例如升级，从源代码构建 Formulae。不支持 x86 平台，只支持 ARM 平台。

信息来源：TG频道@NewlearnerChannel

Sapphire：Rust 版本的 Homebrew最先出现在666News。

✨ Features

• 在 Apple Silicon 上上创建并运行接近原生性能的 macOS 和 Linux 虚拟机，支持虚拟机显示桌面
• 提供 Python 库，并支持 AI 智能体集成，可在沙盒环境中执行智能化工作流
• 基于 Apple 的 Virtualization.Framework 构建，确保最佳性能

⚙️ 架构

CUA 包含三个核心产品

• Lume: CLI 工具，基于 Apple 的 Virtualization.Framework 构建的虚拟机引擎。一行命令即可启动带桌面显示的虚拟机
• Computer： Python 库，提供 Lume 启动的虚拟机交互接口
• Agent: 智能体框架，可在 Lume 启动的虚拟环境中执行自动化任务

还有一些 辅助库

• Core：提供其他 CUA 包使用的核心功能和实用工具
• PyLume：Lume 的 Python 接口绑定
• Computer Server： Computer-Use 接口的服务器组件，兼容 PyAutoGUI，支持 AI 框架如 Cua, Langchain, CrewAI, AutoGen
• SOM：Agent 识别 UI 元素的工具

👀 体验

当前 AI 与计算环境交互主要有几种方式：

• AI 操控浏览器功能多用于信息检索和研究。通过浏览器，AI 能获取广泛的网络资源，从而更全面地完成用户任务。
• 另一方面，AI 操控本地环境主要应用于代码开发场景，使 AI 能直接修改代码、执行命令和进行编译等操作。

CUA 允许 AI 代理在沙盒环境中同时操作多种工具，包括浏览器、VSCode 和终端等，完成更复杂、更综合的任务流程。这种沙盒化设计确保了安全性，用户不必担心 AI 代理的操作会对本地环境造成意外影响。

虽然沙盒环境需要更多计算资源（如使用 Lume 启动 macOS 虚拟机需要下载 50GB 的镜像），对个人用户来说成本相对较高，但对于希望将此类功能打包为服务提供给其他用户的开发者而言，安全可靠的沙盒环境是不可或缺的。

信息来源：TG频道@NewlearnerChannel

CUA: 供 AI 代理使用的 macOS 虚拟机最先出现在666News。

🔗 阅读原文 | GitHub | Documentation

💭 在分享歌曲时，你更习惯直接复制串流平台的链接，还是制作成精美的分享卡片？

📇 目前大部分音乐串流平台都能直接或间接地生成音乐分享卡片。像 Spotify、Apple Music、TIDAL、Deezer 等都能通过「曲线救国」的方式——分享到 Instagram Story 时以图片格式保存——来实现，但却难以对其进行进一步的自定义。

🛠️ 今天分享的 BeatPrints 是一款主打音乐卡片生成的开源 Python 项目。与常见的图形用户界面不同，BeatPrints 采用命令行工具的形式，通过与 Spotify 和 LRClib API 的集成，让你只需要简单的几步就能为喜欢的歌曲或专辑生成个性化的卡片。

🎨 在创建卡片的过程中，BeatPrints 提供了丰富的自定义选项。除了卡片本身类似宝丽来相片的形式外，BeatPrints 目前内置了 Light、Dark、Catppuccin、Gruvbox、Nord、Rosepine 和 Everforest 几套各具特色的主题。如果你不满意 Spotify 提供的原始封面，BeatPrints 还支持自定封面的功能，允许你上传照片来替换默认封面，进一步个性化你的分享卡片。

🌏 值得一提的是，BeatPrints 对多语言的支持也相对完善，它兼容了英文、日语、中文和韩语等多种语言，确保你所分享的歌曲都能正确显示歌名、歌手以及歌词等相关信息。在分享单曲而非专辑时，你能够选择最打动你的歌词片段，目前最多支持 4 行。

💻 目前 BeatPrints 支持通过 pip、poetry 或者 CLI 的方式来进行安装。在 GitHub 项目中，作者提供了示例代码及具体教程，感兴趣的朋友可自行尝试。

🔧 如果你像我一样不熟悉编程，那么也能参考这篇 文章。只需要几个简单的命令，就能完成从搜索歌曲到生成海报的全过程。

📍 首发频道｜小红书｜Twitter｜微信公众号

信息来源：TG频道@NewlearnerChannel

🎶 BeatPrints：为你喜欢的歌曲一键生成精美分享卡片最先出现在666News。