**你将拿到的信息差**：一个让 Claude Code、Codex 画出杂志级图表的开源技能，上线没多久就冲到近 5 万星（截至今日 GitHub trending 数据 49,920 星，单日再涨 1,083）；一个让你用 4GB 显存跑 70B 大模型、刚更新到 v3.0 的推理框架 AirLLM（36,257 星，今日 +541）；外加两个刚上架几天、还没被中文圈注意到的苗子级新工具——一个给 AI 编程代理上“本地护栏”，一个把 AI 塞进了 Cisco Packet Tracer。这四件，中文圈目前几乎没人写过。 --- ## 一、diagram-design：AI 画的图，终于能见人了 **仓库**：[github.com/cathrynlavery/diagram-design](https://github.com/cathrynlavery/diagram-design)（开源免费） **在线画廊**：[cathrynlavery.github.io/diagram-design](https://cathrynlavery.github.io/diagram-design/) 先说大多数人踩过的坑：让 Claude 或 ChatGPT“画个架构图”，拿回来的一定是那种圆角方块 + 渐变配色的“AI 味”图表，放进正式文档里自己都嫌丑。用 Mermaid 写代码吧，布局永远歪的；开 Figma 手调吧，30 分钟就没了。 作者是 Cathryn Lavery——写技术博客 littlemight.com，顺手经营电商品牌 BestSelf.co 的独立开发者。她的解法不是做一个画图软件，而是给 AI 编程工具做一个**画图技能（Skill）**：你说“给我画一张前端、后端、数据库加 Redis 缓存的架构图”，代理直接产出**一个自包含的 HTML + SVG 文件**——无构建步骤、无 JavaScript、无外部图片依赖，浏览器双击就能开。 几个真正值钱的设计： **1. 近 40 种图类型，全部三种皮肤**。README 里列了 39 种：架构图、时序图、状态机、ER 图、泳道图、金字塔、桑基图、鱼骨图、Wardley 地图、用户旅程图、数据库模式图……每种都有浅色、深色、完整排版三个变体。仓库首页简介甚至已经写到 44 种——迭代快到文档都追不上。 **2. 60 秒品牌适配**。说一句 "onboard diagram-design to https://yoursite.com"，它会去抓你的网站首页，提取主色、辅色、字体栈，映射成 paper（纸色）、ink（墨色）、accent（强调色）等语义角色，给你看一遍 diff，确认后写入 style-guide.md。此后每张图都自动长在你品牌的视觉体系里，还会输出一份“保真回执”，列明采样了哪些 URL 和字体。给多个客户做项目时，还能存成命名档案，互不串色。 **3. 老图搬家**。已有的 draw.io（含 `.drawio.png` 这种内嵌格式）、Mermaid 代码块、Excalidraw 白板文件，都能读进来重新绘制，并且带四个“旋钮”：格式（html/svg/png）、尺寸（文档内嵌、16:9 幻灯片、A4 打印……）、细节（faithful 保留 24 节点 / balanced 12 个 / simplified 7 个）、受众（工程师/混合/高管）。同一个源文件，给老板看的版本和给工程师看的版本可以一键各出一张。 **4. 反“AI 味”的偏执**。设计规范写死了：整图只有一个强调色，每图只允许 1–2 个视觉焦点，1px 细边框、无阴影、圆角不超 10px，所有坐标必须是 4 的倍数。仓库里甚至有一整套几何校验、渲染校验的 CI 脚本，防止文字溢出、色块遮挡——这是把“出版级排版”当工程问题来做。 **安装**（Claude Code 两步）： ```text /plugin marketplace add cathrynlavery/diagram-design /plugin install diagram-design@diagram-design ``` Codex、Factory Droid、Pi、Kiro、OpenCode 都有对应装法，README 写得清清楚楚。导出 PNG 需要一次性装 Playwright：`pip install playwright && playwright install chromium`。 **国内对比**：我们习惯 ProcessOn、亿图这类拖拽工具，或在飞书/语雀文档里贴 Mermaid 代码块。差距不在“能不能画”，而在两件事：一是品牌一致性——国内工具没有“读完你官网就换肤”的能力；二是工作流——它是代理技能，写文档的 AI 顺手就把图出了，不需要切换软件。**适用人群**：写技术文档、做汇报 PPT、给客户交付方案的后端/架构师/技术写作，尤其是用 Claude Code 或 Codex 的人。 ## 二、AirLLM：4GB 显存跑 70B，v3.0 又狠了一截 **仓库**：[github.com/lyogavin/airllm](https://github.com/lyogavin/airllm)（Apache 2.0，pip 免费安装） **机制一句话**：显存够不够，取决于模型的“一层”有多大，而不是模型整体有多大。 AirLLM 不是新面孔——2023 年 11 月就发了初版——但它这两天又爬上了 GitHub trending（今日 +541 星），因为更新是真狠： - **2026 年 6 月 v3.0**：支持 FP8 模型，DeepSeek-V3（671B）约 12GB 显存可跑，Qwen3-235B 约 3GB； - **2026 年 7 月**：支持 Kimi K3（2.8T 参数，作者称是当前最大开源模型），官方 README 给出的端到端实测是**单卡 3.72GB 显存**（RTX 6000 Ada）。稀疏 MoE 架构帮了大忙：每次只流式加载 token 实际路由到的那个专家，而不是整层。 原理并不玄：它每次只在 GPU 上保留**一层**权重，算完写回内存、立刻腾显存、再取下一层，用磁盘换显存： ```mermaid flowchart TD A["671B权重躺在硬盘里"] --> B["每次只取一层进显存"] B --> C["GPU算完这一层"] C --> D["结果写回内存"] D --> E["显存立刻腾空"] E --> B ``` 代价也得说清楚：**慢**。瓶颈在磁盘读取，适合离线批处理、跑评测、做数据合成，别指望拿来当聊天助手。开启 4bit/8bit 分块压缩后可获得最高 3 倍提速（README 引用了论文 arxiv:2212.09720 的做法），精度损失几乎可忽略——因为只压权重、不压激活值。 上手是真的简单： ```python from airllm import AutoModel model = AutoModel.from_pretrained("Qwen/Qwen3-235B-A22B") # 约3GB显存 ``` Llama 全系、Qwen 全系（含 MoE 和 FP8）、DeepSeek V2/V3/R1、Mistral、Phi、Gemma、ChatGLM、Baichuan 都在支持列表里，Mac（Apple Silicon）也能跑。 **国内对比**：国内玩家的常规路径是 llama.cpp/Ollama 加量化模型，或者按小时租云上 24GB 显卡。AirLLM 的差异化是**不量化也能小卡跑**——手里只有老 4GB 卡、或想在公司配发的低配工作站上离线跑大模型做数据处理的人，多了一条免费的路。**适用人群**：显卡寒酸但想本地跑大模型做批处理的后端、数据工程师、学生党。 ## 三、两个刚出土的苗子：AI 代理的“护栏”与“网工助手” 这两件是我在 GitHub 上按“最近三天新建”筛出来的，star 还是两位数，但方向都对： **laya-guard**（[github.com/scs0209/laya-guard](https://github.com/scs0209/laya-guard)，Python，12 星，截至发稿 10 小时前还在提交）：给 AI 编程代理上的**免费本地护栏**——代理的每一次工具调用都在本机判定（正则 + Laya 引擎），输出允许/人工复核/拦截三种结果。海外社区现在最焦虑的就是“代理拿到 shell 权限之后乱来”，企业方案全在云端网关上，端侧、免费、可审计的护栏还是空白位。想研究 agent 安全的人，这是极好的源码样本。 **agentpackettracer**（[github.com/safdev758/agentpackettracer](https://github.com/safdev758/agentpackettracer)，Python，10 星）：把本地 AI 助手**嵌进 Cisco Packet Tracer**，带一组经过校验的网络工具、支持多家模型提供商，还可选接入 headless Codex 工作进程。说白了：让 AI 在网络模拟器里替你敲拓扑、配设备。通信/网工背景的读者可以重点看——用 AI 学思科认证、验证组网方案的玩法，可能就从这类小仓库长出来。 ## 四、信息差总结 | 你以为 | 实际上 | |---|---| | AI 画图只能出“圆角方块丑图” | diagram-design 让代理产出出版级 SVG，还能读你官网自动换肤 | | 跑 70B 模型至少要两张 24GB 卡 | AirLLM 分层流式加载，4GB 单卡跑 70B，671B 约 12GB | | 本地跑大模型必须量化 | AirLLM 全精度分层加载，量化只作为 3 倍提速的可选项 | | Agent 安全靠云端审计 | laya-guard 把判定放到本机，每一次工具调用都有 allow/review/block | | Packet Tracer 只能手动敲 | agentpackettracer 让 AI 助手在模拟器里配网络 | ## 五、行动指南 1. 今天就能做：在 Claude Code 里执行上面两行安装命令，对它说“给我画一张我司系统的架构图”，对比一下你以前贴 Mermaid 的产出； 2. 花 60 秒做品牌适配：说 "onboard diagram-design to 你的官网"，之后所有图自动统一风格； 3. 本周末：`pip install airllm`，用你手头最小的卡跑一次 `Qwen/Qwen3-32B`，感受“分层加载”的真实速度，再决定要不要上 235B； 4. 关注两个苗子仓库：玩 agent 安全的看 laya-guard 的判定逻辑实现，通信背景的盯 agentpackettracer 的工具封装方式——这个量级的仓库，源码一小时能读完； 5. 谨慎项：AirLLM 别用于交互式对话场景（太慢）；diagram-design 的 PNG 导出依赖 Playwright + Chromium，公司内网环境先确认能装。 ## 参考来源 1. diagram-design 仓库：https://github.com/cathrynlavery/diagram-design 2. diagram-design 在线画廊（39 种图直接预览）：https://cathrynlavery.github.io/diagram-design/ 3. AirLLM 仓库（含 v3.0 与 Kimi K3 更新日志）：https://github.com/lyogavin/airllm 4. laya-guard 仓库：https://github.com/scs0209/laya-guard 5. agentpackettracer 仓库：https://github.com/safdev758/agentpackettracer ```mermaid flowchart TD A["你说：画张架构图"] --> B{"本项目首次出图？"} B -->|是| C["读你官网提取配色字体"] C --> D["写入style-guide存档"] B -->|否| E["直接套用品牌档案"] D --> F["输出自包含HTML加SVG"] E --> F ``` --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护。 > 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。