Pulpie：把网页正文提取这件事做便宜了

处理网页抓取的人都知道，从 HTML 里把正文扒出来，去掉导航、广告、侧边栏，这事看着简单但做起来费劲。以前大家用 Readability、Trafilatura 这类规则引擎，遇到结构奇怪的页面就翻车。后来有人上了自回归模型，准确率上去了，但推理成本也上去了。

Pulpie 换了个思路——用小编码器模型做一次前向传播，逐个标记 HTML 中的代码块，判断哪些是正文。在 L4 GPU 上每秒能处理 13.7 页，比自回归方案快 20 倍，成本只要二十分之一。质量上也不差，在 WebMainBench 上 ROUGE-5 F1 分数 0.862 到 0.873，接近最先进水平。

安装就一行 pip install pulpie，调用也是 Extractor().extract(html)。模型参数 210M，随便一张 GPU 都能跑。粗略算了下，处理 10 亿页文档大约需要 7900 美元，同等规模的解码器方案要 15.9 万。

Karakeep：自建书签收藏，AI 帮你分类

Karakeep 的前身是 Hoarder，改名后功能更完整了。它是一款自托管的书签管理工具，装在自己的服务器上，数据不出门。

基本功能就是你平时想要的：存链接、写笔记、存图片和 PDF，它会自动抓取标题、描述和缩略图。但它和其他书签工具的区别在于，它内置了 AI 来做自动分类和标签推荐。存的多了以后，想找某个东西不用逐条翻，搜索和筛选做得不错。

配套挺全——有 CLI 命令行工具、Chrome 和 Firefox 插件、Safari 扩展、iOS 和 Android 应用。可以从 floccus 同步数据，也可以用 yt-dlp 把视频相关的书签一并抓下来。适合那些先存着以后看的人。

OfficeCLI：让 AI 直接操作 Office 文档

OfficeCLI 解决的问题很具体：AI Agent 想读写 Word、Excel、PowerPoint 文件，但现有方案要么依赖 Office 全家桶安装，要么在文档格式转换上丢样式。

这个东西是个单一可执行文件，用 C# 写的，不需要装 Office，零依赖，跨平台。它把 .docx、.xlsx、.pptx 渲染成 HTML 或 PNG，这样 AI 就能看到文档的内容和排版，修改完再写回去。内置的 HTML 渲染引擎还原度不错。

用法也简单——一行命令让 AI Agent 接管 Office 文档的读写。对于做文档自动化、报告生成、数据分析管线的团队来说，这东西能省不少集成时间。