最近逛GitHub发现三个风格迥异但实用性拉满的项目——一个专治大模型微调的"万能工厂"，一个能让AI自动画出漂亮架构图的"设计师"，还有一个给Git提交把关的"质检员"。

本文从零开始，手把手讲清楚每个项目是干什么的、适合谁用、怎么装、怎么用。

---

🔧 一、LlamaFactory —— 大模型微调的"瑞士军刀"

仓库：github.com/hiyouga/LlamaFactory
定位：统一高效的大语言模型（LLM）与多模态模型（VLM）微调框架
Star：30k+ | 被Amazon、NVIDIA、阿里云等巨头采用

📖 它是什么？

如果把训练大模型比作开工厂，LlamaFactory就是那条全自动流水线。

传统微调需要你手动处理：数据格式转换 → 模型加载 → 训练参数调优 → 显存优化 → 评估 → 导出 → 部署。每一步都可能踩坑。而LlamaFactory把这些全部封装好了，你只需要填几张"配置表"，就能启动训练。

🎯 核心能力一览

能力维度	具体支持
模型覆盖	100+ 模型，包括Llama、Qwen、DeepSeek、Gemma、GLM、Phi、Mistral、Mixtral等
训练阶段	预训练（Pre-training）、监督微调（SFT）、奖励建模（RM）、PPO、DPO、KTO、ORPO、SimPO
优化技术	LoRA、QLoRA（2/3/4/5/6/8bit）、GaLore、BAdam、APOLLO、DoRA、LongLoRA、PiSSA
多模态	图像理解、视觉定位、视频识别、音频理解、工具调用
推理加速	集成vLLM、SGLang，支持OpenAI风格的API部署
界面工具	自带Gradio Web UI（LlamaBoard），零基础也能点鼠标训练

🏭 支持的模型家族（节选）

模型系列	规模	模板名称
Llama 3-3.3	1B/3B/8B/70B	llama3
Qwen3	0.6B-235B	qwen3 / qwen3_nothink
DeepSeek-R1	1.5B-671B	deepseekr1
Gemma 3	270M-27B	gemma3
GLM-4 / GLM-Z1	9B-355B	glm4 / glmz1
Phi-4	3.8B/14B	phi4_mini / phi4
InternVL 2.5-3.5	1B-241B	intern_vl
MiniCPM-o 2.6	8B	minicpm_o

💡 小提示：对于"base"基础模型，template可以选default、alpaca等；对于"instruct/chat"对话模型，必须用对应的template，训练和推理时要保持一致。

🛠️ 安装配置

方式一：源码安装（推荐）

# 克隆仓库
git clone --depth 1 https://github.com/hiyouga/LlamaFactory.git
cd LlamaFactory

# 安装核心依赖
pip install -e .

# 安装评估指标依赖（可选）
pip install -r requirements/metrics.txt

方式二：Docker一键启动

docker run -it --rm --gpus=all --ipc=host hiyouga/llamafactory:latest

镜像基于Ubuntu 22.04 + CUDA 12.4 + Python 3.11 + PyTorch 2.6.0，开箱即用。

Windows用户特别注意

需要手动安装GPU版PyTorch：

pip uninstall torch torchvision torchaudio
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
python -c "import torch; print(torch.cuda.is_available())"  # 输出True即成功

🚀 快速上手：三步跑通LoRA微调

以 Qwen3-4B-Instruct 为例：

第一步：微调

llamafactory-cli train examples/train_lora/qwen3_lora_sft.yaml

第二步：推理测试

llamafactory-cli chat examples/inference/qwen3_lora_sft.yaml

第三步：合并导出

llamafactory-cli export examples/merge_lora/qwen3_lora_sft.yaml

🖥️ 可视化界面（新手友好）

llamafactory-cli webui

启动后浏览器打开本地地址，可以：

• 📂 选择模型和数据集
• 🎚️ 拖动滑块调整学习率、批次大小等参数
• 📊 实时监控训练loss曲线
• 💾 一键导出训练好的模型

📊 显存需求参考

方法	精度	7B模型	14B模型	70B模型
全量微调	bf16/fp16	120GB	240GB	1200GB
全量微调	pure_bf16	60GB	120GB	600GB
Freeze/LoRA	16bit	16GB	32GB	160GB
QLoRA	8bit	10GB	20GB	80GB
QLoRA	4bit	6GB	12GB	48GB
QLoRA	2bit	4GB	8GB	24GB

💡 QLoRA 4bit是平民玩家的福音：7B模型只需6GB显存即可微调，让个人开发者也能玩转大模型。

🌐 部署为API服务

API_PORT=8000 llamafactory-cli api examples/inference/qwen3.yaml infer_backend=vllm vllm_enforce_eager=true

启动后，你可以像调用ChatGPT API一样调用自己的模型：

import requests

response = requests.post("http://localhost:8000/v1/chat/completions", json={
    "model": "your-model",
    "messages": [{"role": "user", "content": "你好"}]
})

---

🏗️ 二、archify —— AI驱动的架构图生成器

仓库：github.com/tt-a1i/archify
定位：Agent Skill（智能体技能插件）
支持平台：Claude Code、Cursor、Codex CLI、OpenCode、Raven、Warp、Zed等

📖 它是什么？

archify是一个给AI编程助手用的"画图技能"。

传统画架构图，你需要打开draw.io或Excalidraw，手动拖拽方框、连线、调颜色。而有了archify，你只需要对AI说一句话：

“Use archify to map this repository’s runtime architecture.”

AI就会自动分析代码结构，生成一张可交互的、带深色/浅色主题的系统架构图。

🎨 能画什么图？

archify支持五种专业级技术图表：

图表类型	英文名称	用途说明
🏛️ 架构图	Blueprint	展示系统模块划分与依赖关系
⏱️ 时序图	Sequence	展示模块间调用顺序与时间线
🌊 数据流图	Signal Flow	展示数据在系统中的流动路径
🔄 工作流图	Workflow	展示业务流程与状态转换
♻️ 生命周期图	Lifecycle	展示资源或对象的生命周期管理

🌟 核心亮点

1. 自然语言输入，专业图表输出

不需要懂任何绘图工具，用大白话描述系统，AI帮你转换成规范的架构图。

2. 五种视觉预设，一键切换

• Blueprint：工程蓝图风格，适合技术文档
• Signal Flow：信号流风格，适合展示数据走向
• Classic：经典简洁风格，适合分享
• Dark / Light：深色/浅色主题，适配不同场景

3. 可交互，非静态图片

生成的不是死的PNG，而是自包含的HTML文件：

• 🔍 点击节点查看详情
• 🔗 追踪上游/下游依赖
• 🎬 播放"引导故事"，按步骤讲解系统
• 📐 对比"变更前/变更后"的架构差异

4. 多格式导出

支持导出为：

• HTML（可交互）
• PNG / SVG（静态图片，插入文档）
• WebM（视频演示）
• 1200×630 分享卡片（适合发社交媒体）

🛠️ 安装方式

方式一：命令行安装（需网络通畅）

npx skills add tt-a1i/archify -g

-g 表示全局安装，所有项目可用。

方式二：手动安装（网络受限时使用）

# 1. 下载源码并解压到本地，假设路径为 /path/to/archify

# 2. 复制到Agent的skills目录
# Claude Code 示例：
cp -r /path/to/archify ~/.claude/skills/archify

# Cursor 示例：
cp -r /path/to/archify ~/.cursor/skills/archify

⚠️ 注意路径：确保 SKILL.md 位于 skills/archify/SKILL.md，不要嵌套成 skills/archify/archify/SKILL.md。

🚀 使用示例

场景一：分析现有仓库

# 在Claude Code中直接说：
Use archify to map this repository's runtime architecture.

场景二：根据描述生成

# 描述你的系统，让AI生成架构图
Use archify to create a blueprint of a microservices system 
with API Gateway, Auth Service, Order Service, Payment Service, 
and a PostgreSQL database.

场景三：对比架构变更

# 对比两个版本的架构差异
Use archify to compare the architecture before and after 
adding a Redis cache layer.

📁 输出内容

archify生成的是一个自包含的HTML文件，里面包含：

• 类型化的JSON IR（中间表示）
• 确定性校验（确保图表与代码一致）
• 完整的CSS/JS（无需外部依赖，离线可打开）

---

✅ 三、no-mistakes —— Git提交的AI质检网关

仓库：github.com/kunchenguid/no-mistakes
定位：本地Git代理 + AI驱动的验证流水线
核心理念：让每一次提交都经过AI检查，防止"手滑"把Bug推上生产环境

📖 它是什么？

no-mistakes是一个安装在本地、工作在Git层面的"安检门"。

传统开发中，你写完代码直接 git push，Bug可能就这样溜进了远程仓库。no-mistakes在中间加了一层代理：

你 → git push no-mistakes → AI检查流水线 → 通过 → 推送到远程
                                      ↓
                                   未通过 → 本地拦截，显示问题

🔄 完整工作流程

步骤	动作	说明
1	git push no-mistakes <branch>	开发者推送代码到本地代理
2	创建隔离Worktree	在干净环境中运行检查，不影响你的工作区
3	AI代码审查	检查代码质量、潜在Bug、安全问题
4	自动测试	运行测试套件，确保没有回归
5	文档检查	确认相关文档已更新
6	Lint检查	代码风格、格式校验
7	推送到远程	全部通过后，自动推送到origin
8	自动开PR	可选：自动在GitHub/GitLab创建Pull Request

🛠️ 安装配置

跨平台安装

# macOS / Linux
curl -fsSL https://raw.githubusercontent.com/kunchenguid/no-mistakes/main/docs/install.sh | sh

# Windows (PowerShell)
# 下载release包或手动安装

项目初始化

# 进入你的项目目录
cd your-project

# 初始化no-mistakes网关
no-mistakes init

如果是给上游仓库提PR，需要指定fork地址：

no-mistakes init --fork-url https://github.com/your-username/your-fork.git

🚀 日常使用

推送代码（改用no-mistakes）：

git push no-mistakes main
# 或
git push no-mistakes feature/new-login

查看检查结果（TUI界面）：

no-mistakes

会打开一个终端交互界面，显示：

• ✅ 通过的检查项
• ❌ 失败的检查项及详细错误
• 📝 AI给出的修复建议

查看帮助：

no-mistakes --help

🎯 适用场景

场景	价值
👤 个人开发者	给自己加一道质量保险，减少"提交后才发现Bug"的尴尬
👥 小团队	没有专人做Code Review时，AI先帮你筛一遍
🎓 学习者	培养良好的提交习惯，理解什么是"干净的提交"
🏢 企业团队	在CI/CD之前增加本地预审，减少流水线排队压力

🔌 支持的AI Agent

no-mistakes可以接入多种AI编程助手做审查：

• Claude
• Codex
• Cursor
• 其他支持OpenAI接口的模型

---

📊 三剑客对比总结

维度	LlamaFactory	archify	no-mistakes
核心定位	大模型微调框架	架构图生成Skill	Git提交质检网关
目标用户	AI开发者/研究员	全栈工程师/架构师	所有使用Git的开发者
上手难度	⭐⭐⭐ 中等	⭐⭐ 简单	⭐⭐ 简单
是否需要GPU	训练时需要	❌ 不需要	❌ 不需要
主要输出	微调后的模型权重	可交互的HTML架构图	干净的Git提交
安装方式	pip / Docker	npx skills add / 手动复制	curl安装脚本
社区活跃度	🔥🔥🔥 极高	🔥🔥 高	🔥🔥 高

---

🎯 写在最后

这三个项目代表了AI辅助开发的三个不同维度：

• LlamaFactory 让你有能力定制AI——用自己的数据训练专属模型
• archify 让你有能力可视化AI的理解——把抽象的代码结构变成直观的图表
• no-mistakes 让你有能力约束AI的产出——确保AI生成的代码在提交前是干净的

它们可以单独使用，也可以组合成一套完整的工作流：

用 archify 理解项目架构 
    ↓
用 Claude Code + AI 编写代码
    ↓
用 no-mistakes 检查提交质量
    ↓
用 LlamaFactory 微调专属模型

技术工具的价值不在于它有多复杂，而在于它能否真正解决你工作中的痛点。希望这三个项目能给你的开发工作带来一些便利。

---

💬 你在用哪些提升效率的开源工具？欢迎在评论区分享交流！

⭐ 觉得有用的话，点赞收藏不迷路，我们下篇见！