Awesome GitHub RepositoriesTemplate-Based Code Generators

curlconverter is a browser-based tool and JavaScript library that transforms curl commands into equivalent source code across more than 30 programming languages and HTTP client libraries. It parses curl command arguments into an abstract syntax tree and generates idiomatic code by applying per-language templates, making it a curl command transpiler rather than a simple converter. The tool operates entirely client-side without any server round-trips, ensuring all conversion happens privately in the browser without transmitting data externally. It can also function as a drop-in curl replacement

sqlboiler is a database-first ORM generator for Go that analyzes an existing database schema to produce strongly typed structures and query helpers. It functions as a schema-driven code generator, transforming database tables and relationships into executable Go source code. The project distinguishes itself through a type-safe query builder that uses chainable modifiers to construct SQL statements, eliminating the need for raw string concatenation. It utilizes customizable text templates to generate source code, allowing for the aliasing of schema entities and the creation of custom templates

Hygen is a code generator CLI and interactive template engine that scaffolds new files and injects code into existing ones using project-local templates. It operates as a Node.js code generator library that can be embedded inside custom binaries for tailored workflows, and also functions as a project scaffolding tool for bootstrapping new projects or folders from remote template repositories. The tool discovers templates by scanning a project's _templates directory at runtime, mapping folder and file names directly to generator commands and actions. It collects user input through interactiv

Ce projet propose des méthodologies et des guides pour le prompt engineering structuré, les workflows génératifs et les stratégies spécialisées de génération d'images. Il sert de framework pour optimiser les entrées destinées aux grands modèles de langage (LLM) pour des tâches de codage, d'écriture et d'analyse, ainsi que de bibliothèque de techniques pour contrôler les modèles de diffusion. Le projet se distingue par un framework de conception logicielle piloté par l'IA qui convertit les besoins métier en architectures techniques et en code via du prompting orienté domaine. Il implémente également des modèles de workflow d'IA générative utilisant des pipelines de prompts séquentiels et des frameworks cognitifs pour garantir des sorties de modèle prévisibles. La surface de capacités couvre l'architecture logicielle via la modélisation d'API orientée domaine et la génération de langages dédiés (DSL). Elle s'étend à la génération d'images, incluant la liaison structurelle d'images, l'entraînement de modèles personnalisés et le raffinement itératif par inpainting pour corriger les artefacts visuels. Le projet est implémenté sous forme d'une série de Jupyter Notebooks.