每个开发者身边的 AI 开源导师，帮助你迈出参与开源的第一步。
大家好，我是一名计算机科学与技术专业的大三学生，也是一名正在探索 AI 应用开发的独立开发者。
过去一段时间，我一直在尝试将 AI 技术应用到真实开发场景中。在学习 GitHub 开源项目和参与技术社区的过程中，我发现很多新人并不是没有学习能力，而是不知道如何迈出参与开源的第一步。
因此，我尝试使用 TRAE 将自己的想法快速转化成一个可以真实体验的产品 Demo。
OpenSource Mentor = 每个开发者身边的 AI 开源导师
用户输入 GitHub 仓库地址后，AI 可以帮助快速了解：
- 项目定位与背景
- 技术栈构成
- 文件结构概览
- 核心模块解析
降低阅读陌生项目的门槛。
根据 GitHub Issue 信息，结合用户能力水平，帮助筛选：
- 适合新手的
good first issue - 当前可以参与的问题
- 推荐贡献方向
避免新人面对大量 Issue 无从选择。
围绕开源贡献流程提供辅助：
- 分析 Issue 需求
- 提供代码修改思路
- 指导 Pull Request 编写
帮助用户完成第一次开源贡献。
根据项目特点和用户水平，生成定制化的开源贡献学习路径，引导用户从了解项目到提交 PR，逐步推进。
随时向 AI 导师提问，解答关于项目、技术、贡献流程等各种问题。
| 类别 | 技术 |
|---|---|
| 前端框架 | React 18 + TypeScript |
| 构建工具 | Vite |
| 状态管理 | Zustand |
| 后端框架 | Express.js |
| 语言 | TypeScript |
| AI 能力 | LLM API（DeepSeek 兼容 OpenAI 格式） |
| 数据来源 | GitHub API |
| 部署 | Docker + Nginx |
- Node.js >= 20
- npm 或 pnpm
- GitHub Personal Access Token（可选，用于调用真实 GitHub API）
- LLM API Key（可选，用于真实 AI 分析）
git clone https://github.com/asJEI/opensource-mentor.git
cd opensource-mentor# 前端依赖
npm install
# 后端依赖
cd server
npm install
cd ..# 前端
cp .env.example .env
# 编辑 .env，填入你的配置
# 后端
cp server/.env.example server/.env
# 编辑 server/.env，填入你的配置💡 快速体验：保持
VITE_USE_MOCK=true，无需任何密钥即可使用 Mock 数据体验全部界面。
# 启动前端（终端 1）
npm run dev
# 启动后端（终端 2）
cd server
npm run dev前端默认运行在 http://localhost:5173，后端运行在 http://localhost:3001。
# 克隆项目
git clone https://github.com/asJEI/opensource-mentor.git
cd opensource-mentor
# 配置环境变量
cp .env.docker.example .env
# 编辑 .env 填入你的配置
# 启动服务
docker compose up -d --build访问 http://你的服务器IP:8082 即可使用。
| 变量 | 说明 | 默认值 |
|---|---|---|
VITE_USE_MOCK |
是否使用 Mock 数据 | true |
GITHUB_TOKEN |
GitHub API Token | (空) |
LLM_API_KEY |
大模型 API Key | (空) |
LLM_MODEL |
使用的模型 | deepseek-chat |
更多配置请参考 DEPLOY.md。
opensource-mentor/
├── src/ # 前端源码
│ ├── components/ # 通用组件
│ ├── pages/ # 页面组件
│ │ ├── Dashboard/ # 项目分析页
│ │ ├── Issues/ # Issue 推荐页
│ │ ├── CodeReview/ # 代码审查页
│ │ ├── Roadmap/ # 学习路线页
│ │ └── AiMentor/ # AI 导师对话页
│ ├── store/ # 状态管理（Zustand）
│ ├── services/ # API 服务层
│ └── styles/ # 全局样式
├── server/ # 后端源码
│ ├── src/
│ │ ├── routes/ # API 路由
│ │ ├── services/ # 业务逻辑
│ │ └── app.ts # 入口文件
│ └── package.json
├── Dockerfile # 前端 Dockerfile
├── Dockerfile.server # 后端 Dockerfile
├── docker-compose.yml # Docker Compose 配置
├── nginx.conf # Nginx 配置
└── DEPLOY.md # 部署文档
这个项目来源于我自己学习 AI 开发以及探索 GitHub 开源项目时的真实体验。
在尝试参与开源项目时，我发现最大的困难并不是不会写代码，而是面对一个陌生仓库时不知道：
- 应该先看什么？
- 哪些 Issue 适合自己？
- 如何符合社区规范提交贡献？
很多新人看到 GitHub 上优秀的开源项目，会产生参与兴趣，但最终因为学习成本过高而放弃。
目前新人参与开源通常需要经历：
阅读 README → 理解项目结构 → 寻找 Issue → 学习开发规范 → 修改代码 → 提交 PR
整个过程信息分散，需要大量经验积累。
OpenSource Mentor 希望利用 AI 的理解和分析能力，把复杂的开源参与流程变成一个更加友好的学习路径。
随着 AI Coding 工具的发展，代码生成越来越容易。
但是未来开发者真正需要提升的能力，不只是生成代码，而是：
- 理解真实项目
- 学习工程规范
- 参与团队协作
因此，我希望探索 AI 在开发者成长和开源生态中的价值，让 AI 不只是代码助手，也成为开发者成长过程中的导师。
在开发 OpenSource Mentor 的过程中，我和 TRAE 的合作方式更像是一位产品搭档。
最开始，我只是告诉 TRAE 我的想法：
"我希望做一个能够帮助新人参与 GitHub 开源项目的 AI 导师。"
然后通过不断拆解需求，让 TRAE 帮助我完善：
- 🎯 产品功能设计
- 🎨 页面交互规划
- 💻 前后端代码实现
- 🔧 功能调试优化
整个开发过程分为三个阶段：
通过自然语言描述需求，让 TRAE 协助完成产品原型设计，明确目标用户、使用流程、核心功能和页面结构。
使用 TRAE 完成前端页面搭建、组件开发、后端接口设计、GitHub API 接入以及 AI 分析流程实现。
开发过程中，我不断通过自然语言描述需求：
- "我希望这个页面增加什么功能"
- "这个流程应该如何优化"
- "这里出现的问题应该如何解决"
然后结合实际运行效果持续迭代。
完成基础功能后，通过 TRAE 继续进行 Bug 排查、UI 优化、交互调整和部署问题解决，最终完成在线 Demo 部署。
它让我真正感受到，AI Coding 工具并不是简单生成代码，而是能够帮助开发者降低从"想法"到"产品"的距离。
MIT License
Made with ❤️ and 🤖 TRAE