Hello-AI 原生 HTML 探索入口规划

1. 结论

建议新增一个独立的原生 HTML 探索入口 /explore/，定位不是替代 VitePress 文档站，而是把 Hello-AI 从“项目目录”升级为“AI 项目发现与决策工具”。

当前 VitePress 负责稳定的 SEO、分类文档、项目介绍和静态归档；新入口负责高交互探索、快速筛选、相似推荐、项目对比、潜力发现和任务导向的项目路线。

推荐第一阶段采用纯静态方案：

源码放在 public/explore/ 或根目录 explore/，最终产物进入 docs/explore/。
不改 .vitepress/config.js、导航和主题逻辑，避免影响原站。
新增一个数据生成脚本，从 data/projects.json 提取轻量探索数据，输出给原生 HTML 使用。
首屏先加载小数据包，项目详情和推荐按需加载，避免一次性吃下完整 projects.json。

2. 项目现状判断

仓库已经有很好的数据资产，但呈现方式偏“文档列表”。

已具备的能力：

package.json:45-63 已有 VitePress 构建、AI 发现、状态更新、文档生成、Meilisearch 索引等脚本。
scripts/generate-docs.js:12-87 会把分类项目按 subcategory 分组，按 stars 排序，生成 home/*.md 文档页。
scripts/generate-docs.js:208-272 会按更新时间过滤项目并写出 data/stats.json。
.vitepress/nav/zh.js:4-13 已从 data/categories.json 动态读取分类导航。
scripts/meilisearch-index.js:84-127 已配置 Meilisearch 搜索和过滤字段，包含 name、description、tags、topics、subcategory、categoryId、stars。
scripts/meilisearch-index.js:237-272 已经能把 data/projects.json 扁平化成搜索文档。

当前数据规模：

data/projects.json 当前约 17 MB，gzip 后约 3 MB。
当前唯一项目数约 18839。
当前活跃展示项目约 9090。
分类共 13 个，大类下基本都有 3 个子类。
约 5184 个项目缺少 topics，所以第一阶段不能完全依赖 topic 做精确推荐。

当前主要问题：

用户面对几千个项目时，很难知道“我现在应该看哪一个”。
大类和子类能帮助导航，但不能表达项目之间的替代关系、互补关系和使用场景。
按 stars 排序会放大老项目，新项目和垂直项目的潜力容易被淹没。
Markdown 长列表不适合频繁筛选、对比、收藏、回看和任务流探索。
项目详情缺少“为什么值得看”“适合谁”“和谁类似”“下一步怎么试”的决策信息。

3. 新入口的产品定位

3.1 一句话定位

Hello-AI Explore 是一个面向 AI 开发者和工具使用者的项目雷达：帮助用户从 9000+ 活跃项目中快速找到值得试、值得学、值得集成的项目。

3.2 和 VitePress 的关系

入口	主要价值	适合内容
VitePress 文档站	稳定、可索引、可阅读、可分享	项目介绍、分类列表、README、部署说明
`/explore/` 原生 HTML	高交互、快速决策、任务导向	搜索、筛选、潜力榜、相似项目、对比、收藏、路线

原则：VitePress 保持原样，新入口只复用数据，不侵入原主题、不改原路由、不破坏已有发布链路。

4. 用户价值设计

4.1 用户核心问题

新入口要优先回答这些问题：

我想做一个 Agent / RAG / 多模态应用，该从哪些项目开始？
某个项目很火，但有没有更轻、更活跃、更适合生产的替代品？
最近有什么新项目值得关注？
哪些项目 stars 不算最高，但更新活跃、主题聚焦、潜力大？
同类项目怎么快速比较？
我看过一个项目后，下一步还能看什么？

4.2 核心用户场景

场景	用户动作	新入口应该给的结果
快速找工具	输入 `mcp`、`rag`、`claude code`、`voice agent`	立即展示相关项目、标签筛选、同类推荐
探索趋势	打开首页	看到今日雷达、近期活跃、潜力项目、热门赛道
选型比较	勾选 2-4 个项目	并排比较 stars、更新时间、标签、场景、成熟度
深挖项目	点击项目卡片	详情抽屉展示价值摘要、信号、相似项目、GitHub 链接
主题学习	选择一个任务路线	看到从入门资源到生产工具的分层项目列表

5. 首屏吸引力设计

首屏不要再做单纯分类入口，要让用户打开后立刻看到“值得点”的内容。

推荐首屏结构：

顶部命令式搜索框
文案建议：Search AI projects, topics, stacks, use cases...
行为：
- 输入时即时返回项目、标签、分类、主题。
- 支持快捷查询词：agent、rag、mcp、voice、finetune、desktop。
- 搜索为空时展示热门探索路径。
今日项目雷达
用 4 个紧凑榜单抓注意力：
- 最近活跃：lastUpdated 最新且 stars 达标。
- 潜力项目：stars 不是最高，但更新近、标签聚焦、细分明确。
- 高星必看：每个大类只取少量代表项目，避免热门榜被单一赛道占满。
- 新收录：按 addedAt 展示新加入项目。
任务入口
不按分类问用户，而按意图问：
- 构建 AI Agent
- 搭建 RAG / 知识库
- 找本地模型和推理工具
- 做多模态生成
- 寻找开发者工具
- 学习 AI 工程
可视化概览
用一个轻量矩阵表达“赛道 x 成熟度/活跃度”，让用户感到这是项目地图，而不是长列表。
精简统计条
展示 18839 collected / 9090 active / 13 categories / updated 2026-05-10，让数据规模成为可信度来源。

6. 信息架构

建议新入口采用 5 个主要视图，全部在一个原生 HTML 应用中通过 URL hash 或 query state 切换：

6.1 Radar

默认页。负责吸引注意力和给出探索入口。

模块：

搜索框
今日雷达榜
潜力项目榜
新收录项目
分类热区
任务路径入口

6.2 Explorer

项目探索页。负责大规模筛选。

控件：

搜索
分类
子分类
标签
topic
stars 区间
更新时间
health
排序：相关度、潜力、最近活跃、stars、新收录

列表：

使用虚拟列表或分页渲染，避免一次性挂载几千个卡片。
卡片只显示决策关键字段：名称、描述、stars、更新时间、分类、标签、潜力信号、操作按钮。

6.3 Project Detail

项目详情抽屉或详情页。

内容：

项目名、GitHub 链接、分类、子类
一句话价值摘要
核心标签和 topics
Stars、最后活动、收录时间
适合场景
相似项目
可替代项目
可配套项目
加入对比、收藏、打开 GitHub

6.4 Compare

项目对比页。

字段：

名称
描述
stars
lastUpdated
category / subcategory
tags
topics
health
推荐理由
风险提示

第一阶段只做字段对比。第二阶段再做 AI 生成对比结论。

6.5 Collections

本地收藏和探索历史。

能力：

本地收藏项目，写入 localStorage。
最近浏览。
导出收藏列表为 Markdown。
分享当前筛选条件 URL。

7. 数据模型与加工方案

7.1 不直接加载完整 projects.json

data/projects.json 约 17 MB，字段包含很多生成和维护信息。新入口不能首屏直接加载完整文件，否则移动端体验会差。

建议新增 scripts/generate-explore-data.js，生成以下轻量文件：

文件	用途	首屏是否加载
`public/explore/data/stats.json`	总量、更新时间、分类计数	是
`public/explore/data/facets.json`	分类、子类、热门 tags、热门 topics	是
`public/explore/data/radar.json`	今日雷达、潜力榜、新收录、高星榜	是
`public/explore/data/catalog-lite.json`	活跃项目轻量列表	搜索页加载
`public/explore/data/project-details.json`	详情补充字段	点击详情时懒加载
`public/explore/data/related.json`	相似项目索引	点击详情时懒加载
`public/explore/data/search-index.json`	原生搜索倒排索引或预处理文本	搜索时加载

7.2 轻量项目字段

catalog-lite.json 建议保留：

json

{
  "id": "owner_repo",
  "name": "project-name",
  "owner": "owner",
  "url": "https://github.com/owner/repo",
  "description": "short summary",
  "categoryId": "agents",
  "categoryName": "智能体与编排",
  "subcategory": "Agent Frameworks",
  "tags": ["agent", "automation"],
  "topics": ["ai-agents", "llm"],
  "stars": 12345,
  "lastUpdated": "2026-05-09T00:00:00Z",
  "addedAt": "2026-05-02T00:00:00Z",
  "health": "Active",
  "scores": {
    "potential": 82,
    "freshness": 94,
    "maturity": 75,
    "focus": 68
  }
}

7.3 潜力评分

不要只按 stars 排名。建议第一阶段使用可解释的启发式评分：

text

potential =
  freshnessScore * 0.30 +
  focusScore * 0.20 +
  starScore * 0.20 +
  categoryBalanceScore * 0.15 +
  topicSignalScore * 0.10 +
  newnessBonus * 0.05

字段解释：

freshnessScore：lastUpdated 越近越高。
focusScore：tags/topics 数量适中且与分类一致时更高。
starScore：stars 取 log，避免高星项目碾压一切。
categoryBalanceScore：每个分类内部排名，避免所有榜单都被开发工具和学习资源占据。
topicSignalScore：topics 命中热门 AI 词时更高；缺失 topics 时降权但不直接淘汰。
newnessBonus：addedAt 较新时给小幅加分。

页面上不要把这个分数包装成绝对真理，建议命名为“潜力信号”或“Discovery Signal”。

7.4 相似推荐

已有 PROJECT_RECOMMENDATION_PLAN.md 规划了基于 Meilisearch 的相似推荐。新入口可以采用分层策略：

第一阶段，纯静态相似推荐：

基于 categoryId、subcategory、tags、topics 做 Jaccard / BM25-like 相似度。
每个项目只预计算 Top 8，输出 related.json。
排除自身，优先同子类，其次同大类，再允许跨类相关。

第二阶段，接入 Meilisearch：

复用 scripts/meilisearch-index.js:84-127 的 searchable/filterable 配置。
用项目字段组合查询，做更灵活的 “More Like This”。

第三阶段，向量化：

为项目描述、tags、topics 生成 embedding。
用向量搜索发现语义相关项目。

8. 原生 HTML 技术方案

8.1 文件组织建议

推荐直接放在 public/explore/：

text

public/explore/
  index.html
  assets/
    app.js
    search-worker.js
    style.css
  data/
    stats.json
    facets.json
    radar.json
    catalog-lite.json
    project-details.json
    related.json
    search-index.json

原因：

VitePress 会把 public/ 复制到 docs/，因此 /explore/ 能和现有站点一起发布。
不需要改 VitePress 配置。
原站构建失败风险最低。

如果后续希望完全独立构建，可以改成：

text

explore/
  src/
  scripts/
  dist/

然后在发布阶段复制到 public/explore/ 或 docs/explore/。

8.2 JS 架构

不引入框架时，仍然要保持模块边界：

app.js：入口、路由、状态管理。
data.js：数据加载和缓存。
search.js：查询解析、筛选、排序。
render.js：DOM 渲染。
components.js：项目卡片、详情抽屉、过滤器、榜单。
storage.js：收藏、浏览历史、本地偏好。
analytics.js：事件埋点。
search-worker.js：大列表搜索和排序放入 Web Worker。

8.3 性能原则

首屏只加载 stats.json、facets.json、radar.json。
搜索页再加载 catalog-lite.json。
详情和相似推荐点击后再加载。
对项目列表使用虚拟列表或分页，每次最多渲染 30-60 个卡片。
搜索输入 debounce 100-150ms。
大量排序和匹配放到 Web Worker。
页面状态写入 URL，方便分享和返回。
静态资源启用 gzip/brotli，由托管平台处理。

目标指标：

首屏 HTML + CSS + JS + radar 数据 gzip 后控制在 300 KB 内。
首屏可交互时间小于 2 秒。
搜索输入到结果刷新 p95 小于 150ms。
移动端列表滚动不明显卡顿。

9. 视觉与交互方向

不要做纯营销页，要做工具第一屏。视觉应该体现“雷达 / 控制台 / 地图”，但信息密度要高，避免只有酷炫没有用。

9.1 推荐视觉语言

黑白浅色优先，支持暗色。
主色可以沿用 Hello-AI 的科技蓝，但减少大面积渐变。
卡片圆角控制在 8px 左右。
重要操作用图标按钮加 tooltip。
项目卡片强调可扫描：标题、描述、标签、指标、动作一屏内完成。

9.2 关键交互

命令式搜索：任何时候按 / 聚焦搜索。
筛选器可折叠，移动端用底部抽屉。
项目卡片支持：打开详情、加入对比、收藏、访问 GitHub。
详情抽屉内显示相似项目，形成连续探索。
Compare Tray 固定在底部，用户可随时进入对比。
所有筛选状态同步到 URL。

9.3 注意力抓手

比“漂亮”更重要的是制造探索动机：

用“今日雷达”而不是“热门推荐”。
用“潜力信号”突出非头部项目。
用“替代品”和“配套项目”让每次点击都能继续探索。
用“任务路径”把用户从分类选择转为目标选择。
用“新收录”和“最近活跃”制造新鲜感。

10. 分阶段路线

Phase 0：数据体检与页面原型

目标：确认数据可用性，画出最小交互模型。

任务：

写一个只读分析脚本，统计字段缺失、分类分布、更新时间分布、tag/topic 热度。
确定 catalog-lite 字段。
做 /explore/index.html 静态原型，不接全量数据。
确认 public/explore/ 能被 VitePress 构建复制到 docs/explore/。

验收：

原 VitePress 页面和构建结果不变。
/explore/ 可访问。
原型能展示 radar mock 数据。

Phase 1：MVP 探索入口

目标：让用户能真正搜索、筛选、打开详情。

任务：

新增 scripts/generate-explore-data.js。
输出 stats.json、facets.json、radar.json、catalog-lite.json。
实现 Radar 和 Explorer 两个视图。
支持搜索、分类、子类、tags、stars、更新时间筛选。
实现项目详情抽屉。
实现收藏和最近浏览。

验收：

首屏不加载完整 data/projects.json。
能在 9000+ 活跃项目中流畅搜索和筛选。
项目卡片能跳转 GitHub。
所有筛选条件可通过 URL 分享。

Phase 2：潜力榜、相似推荐与对比

目标：从“能找”升级为“能判断”。

任务：

加入潜力评分。
生成 related.json。
项目详情加入相似项目、替代项目、配套项目。
实现 Compare Tray 和 Compare 视图。
支持导出收藏/对比为 Markdown。

验收：

任意项目详情都能给出 5-8 个相关项目。
用户能并排比较 2-4 个项目。
Radar 页每个榜单不会被单一大类垄断。

Phase 3：搜索增强

目标：提升搜索质量。

任务：

第一选择：继续优化前端倒排索引和排序。
可选增强：接入 Meilisearch 搜索 API。
添加查询建议和同义词映射，如 agent、agents、ai-agent、autonomous-agent。
对中文查询做常见映射，如“智能体”“知识库”“本地模型”“微调”。

验收：

输入常见英文/中文关键词都能返回合理结果。
搜索结果能解释命中原因：name、tag、topic、description。
搜索空结果时给出替代查询建议。

Phase 4：AI 选型助手

目标：让 Hello-AI 不只是目录，而是用户的 AI 项目选型助手。

任务：

为项目生成更结构化的 AI 摘要：适合场景、主要风险、上手路径。
添加“我想做什么”表单，例如“我要做客服 Agent，需要 Node.js，最好本地可跑”。
输出推荐项目组，而不是单个项目。
支持把推荐结果导出为 Markdown。

验收：

用户输入一个任务目标后，能得到 5-10 个分层推荐。
推荐结果包含主项目、替代品、配套库、学习资源。
每条推荐有可解释理由。

11. 内容与增长策略

新入口要吸引用户注意，需要有可反复访问的理由。

建议做 5 类可持续内容：

Weekly Radar：每周值得关注的项目自动生成。
Rising by Category：每个分类的潜力项目。
Toolchain Recipes：任务配方，例如“本地 RAG 栈”“Claude Code 周边”“MCP Server 开发”。
Alternatives：热门项目替代品，例如“AutoGPT alternatives”。
New & Active：新收录且近期活跃项目。

这些内容不一定都要人工维护，可以用数据脚本生成初稿，再逐步加入人工精选。

12. 数据埋点建议

现有 VitePress 已有统计脚本配置，见 .vitepress/config.js 的 head 配置。新入口可以复用同类统计，但应重点记录产品事件。

建议事件：

explore_view_radar
explore_search
explore_filter_change
explore_open_project
explore_open_github
explore_add_compare
explore_add_favorite
explore_view_related
explore_export_markdown

核心指标：

搜索使用率。
项目详情打开率。
GitHub 出站点击率。
相似推荐点击率。
对比功能使用率。
收藏功能使用率。
首屏跳出率。

13. 风险与应对

风险	表现	应对
数据包过大	移动端加载慢	拆分数据，首屏只加载 radar
原生 JS 失控	文件越来越难维护	从第一天按模块组织
推荐不准	用户不信潜力榜	展示命中原因和信号，不展示伪精确结论
stars 垄断榜单	长尾项目没有曝光	榜单按分类配额和 log stars 排序
topics 缺失	相似推荐质量不稳	tags、subcategory、description 共同参与
影响原站发布	docs 被覆盖或路由冲突	放 `public/explore/`，不改 VitePress 配置
SEO 变弱	SPA 内容不可索引	VitePress 保持 SEO，Explore 负责工具体验

14. ADR

Decision

新增 /explore/ 原生 HTML 静态探索入口，作为 VitePress 之外的独立用户体验层。

Drivers

当前数据规模已经超过普通 Markdown 目录的舒适浏览范围。
用户需要搜索、筛选、对比、推荐，而不是只看分类长列表。
原 VitePress 已承担文档与 SEO，不应该被高交互需求拖复杂。
纯静态原生 HTML 可以低成本部署，适合当前仓库。

Alternatives Considered

继续增强 VitePress 页面
优点：复用当前栈。
缺点：几千项目的交互、虚拟列表、复杂状态和搜索体验会和文档站模型冲突。
新建完整前端应用
优点：工程能力强，后续可扩展。
缺点：引入构建链和依赖，第一阶段成本偏高。
原生 HTML 静态入口
优点：轻量、独立、可直接发布、不会破坏原站。
缺点：需要控制 JS 模块复杂度，复杂 UI 需要自己维护。

Why Chosen

原生 HTML 静态入口最符合当前目标：先开辟新的探索展示方式，验证用户价值，不动原 VitePress。等功能被验证后，再决定是否升级为独立前端应用。

Consequences

需要新增数据生成脚本和一套静态资源。
需要明确数据拆分策略，不能直接加载完整 projects.json。
需要为原生 JS 制定模块边界，避免后续维护困难。

Follow-ups

实施前先确认最终源码目录采用 public/explore/ 还是 explore/ + copy。
Phase 1 完成后用真实页面性能决定是否继续纯前端搜索，或接入 Meilisearch。
Phase 2 后根据用户点击数据调整潜力评分。

15. 下一步建议

建议后续按这个顺序实施：

先做 scripts/generate-explore-data.js，把数据拆成小包。
再做 /explore/ 首屏 Radar，验证视觉方向和发布链路。
接着做 Explorer 搜索筛选和项目详情。
最后做相似推荐、对比、收藏和导出。

第一版不要追求 AI 助手。先把“几千项目能被快速探索”这件事做好，用户才会相信后续推荐和选型能力。

Hello-AI 原生 HTML 探索入口规划 ​

1. 结论 ​

2. 项目现状判断 ​

3. 新入口的产品定位 ​

3.1 一句话定位 ​

3.2 和 VitePress 的关系 ​

4. 用户价值设计 ​

4.1 用户核心问题 ​

4.2 核心用户场景 ​

5. 首屏吸引力设计 ​

6. 信息架构 ​

6.1 Radar ​

6.2 Explorer ​

6.3 Project Detail ​

6.4 Compare ​

6.5 Collections ​

7. 数据模型与加工方案 ​

7.1 不直接加载完整 projects.json ​

7.2 轻量项目字段 ​

7.3 潜力评分 ​

7.4 相似推荐 ​

8. 原生 HTML 技术方案 ​

8.1 文件组织建议 ​

8.2 JS 架构 ​

8.3 性能原则 ​

9. 视觉与交互方向 ​

9.1 推荐视觉语言 ​

9.2 关键交互 ​

9.3 注意力抓手 ​

10. 分阶段路线 ​

Phase 0：数据体检与页面原型 ​

Phase 1：MVP 探索入口 ​

Phase 2：潜力榜、相似推荐与对比 ​

Phase 3：搜索增强 ​

Phase 4：AI 选型助手 ​

11. 内容与增长策略 ​

12. 数据埋点建议 ​

13. 风险与应对 ​

14. ADR ​

Decision ​

Drivers ​

Alternatives Considered ​

Why Chosen ​

Consequences ​

Follow-ups ​

15. 下一步建议 ​

Hello-AI 原生 HTML 探索入口规划

1. 结论

2. 项目现状判断

3. 新入口的产品定位

3.1 一句话定位

3.2 和 VitePress 的关系

4. 用户价值设计

4.1 用户核心问题

4.2 核心用户场景

5. 首屏吸引力设计

6. 信息架构

6.1 Radar

6.2 Explorer

6.3 Project Detail

6.4 Compare

6.5 Collections

7. 数据模型与加工方案

7.1 不直接加载完整 projects.json

7.2 轻量项目字段

7.3 潜力评分

7.4 相似推荐

8. 原生 HTML 技术方案

8.1 文件组织建议

8.2 JS 架构

8.3 性能原则

9. 视觉与交互方向

9.1 推荐视觉语言

9.2 关键交互

9.3 注意力抓手

10. 分阶段路线

Phase 0：数据体检与页面原型

Phase 1：MVP 探索入口

Phase 2：潜力榜、相似推荐与对比

Phase 3：搜索增强

Phase 4：AI 选型助手

11. 内容与增长策略

12. 数据埋点建议

13. 风险与应对

14. ADR

Decision

Drivers

Alternatives Considered

Why Chosen

Consequences

Follow-ups

15. 下一步建议