omni2api 是一个把「任何能在终端里跑的东西」包装成 OpenAI 兼容 API 的反向代理，用 Rust 写的。它在服务器里留一个「座位」，平时这个位置该放模型，现在可以放一个 AI agent、一段脚本，甚至一个人；调用方拿到标准的 base URL、API key 和模型名，完全感觉不到对面不是真模型。它解决的麻烦是：你手头有个能干活的 agent（比如 Claude Code 或自写脚本），但想让别的工具——IDE、桌面应用、任意 LLM 客户端——像调 GPT 一样调它，不用自己写适配层。工具调用是真透传的，调用方沙箱执行命令后结果会回流给座位上的 agent，还支持多路并发对话、图片文件、语音和 Realtime。适合正在搭 AI 工作流、想把内部 agent 复用成标准服务的后端和平台工程师；如果你只是调用现成大模型 API，跟你的关系不大。

CludeGods 是一套跑在 Claude Code 之上的语音 Agent 工具包，让你像和同事说话一样指挥 Claude：常开麦克风实时收音，Claude 边干活边出声回答，你随时可以插话打断。它还带一个常驻的 Workers 面板，每个 worker 是有自己声音和工作时段的常驻助手，你把任务丢进它的任务框，它执行后把外发内容（邮件、帖子）留成草稿，等你点头才真正发出；另有 guard 机制限制每个 worker 只能用你授权的工具。此外支持 Slack 桥接、共享的 Spaces/Pages 文档，以及把 worker 拉进语音通话。全部本地运行，语音识别与合成都在本机完成。适合重度使用 Claude Code、想把重复任务交给常驻助手的开发者，以及对语音交互办公形态好奇的人；不碰 Claude Code 的读者关系不大。

toolism 是一个专门给 LLM 工具定义 JSON Schema「瘦身」的命令行工具。你给模型的每个工具（OpenAI function、Anthropic tool、MCP server tool）都会随每次请求发送，而 Pydantic、FastMCP、zod-to-json-schema 这类生成器会塞进大量冗余内容：重复属性名的 title、可选字段的 anyOf 包装、default: null、无用的 $defs 等。toolism 能测量这些 schema 到底花掉多少 token，然后在不改变任何合法工具调用的前提下删掉冗余，并用等价性检查证明结果安全。在 13 个热门 MCP server 的 159 个工具上，默认规则平均砍掉 37.4% 的工具定义 token，Notion 甚至省了 73%。它还提供 CI 门禁，把 token 预算锁在基线水平，防止成本悄悄回涨。适合维护 MCP server、做 Agent 应用或负责 LLM 推理成本的工程师——如果你的工具定义是手写的精简 schema，那它能省的就很少，关系不大。

这是 Anthropic 官方的 Agent Skills 示例仓库，用来展示 Claude 的「技能」机制：每个技能就是一个文件夹，里面放着给 Claude 的指令、脚本和资源，Claude 在遇到对应任务时会动态加载它，从而把某类工作做得又快又稳。比如按公司品牌规范生成文档、按团队既有流程分析数据、批量处理 PDF/Word/PPT/Excel，仓库里还收录了驱动 Claude 文档能力的 docx、pdf、pptx、xlsx 等生产级技能，以及网页测试、MCP server 生成等技术类示例。它同时提供了 Agent Skills 规范和技能模板，方便你照着写自己的技能。对做 Agent 应用、Claude Code 工作流或企业内部 AI 落地的工程师来说，这里是理解技能写法和复用现成能力的最佳参考；只想日常用 Claude 聊天的普通用户则关系不大。

AutoGen 是微软推出的多 Agent 编程框架，用 Python 把多个 LLM Agent 组装成能互相协作的系统，比如让一个总控 Agent 把数学题转给数学专家 Agent、化学题转给化学专家 Agent，也支持让 Agent 调用浏览器等外部工具完成任务，还提供无代码的 AutoGen Studio 用来快速搭原型。但要注意：该项目已被微软归档、停止维护，官方明确建议新项目改用其企业级继任者 Microsoft Agent Framework，老用户按迁移指南迁移，继续使用会有安全风险且不建议上生产。如果你正在选型多 Agent 框架，或公司里已有基于 AutoGen 的存量代码需要规划迁移，这份 README 值得一看；如果你只是想学 Agent 开发，直接看 Microsoft Agent Framework 即可。

这是一个把麦当劳官方 MCP 接口包装成团餐组织助手的工具，你输入城市、关键词、人数和预算，它去查附近营业门店、拉真实菜单、用官方计价接口算钱，输出几套含合计与人均的可比对方案。除了算钱，它还能自动串联五级查询帮你预约生日派对或品鉴会场次（默认只生成下单载荷，不会真的下单），并结合活动日历给出「今天该不该组织、要不要提前订场」的建议。比如你说「成都春熙路，8 个人，预算 400」，十几秒就能拿到经济型、均衡型等多套真实报价，超预算的组合会直接标出来。适合团建或班级活动的组织者、企业行政和团餐负责人、想办麦当劳派对的家长；对 MCP 或 Agent 开发者来说，它也是一个编排 15 个 MCP Tool 的完整参考实现。和多数不涉及聚餐的从业者关系不大。

ARTEX 是一个用多智能体 LLM 驱动的自主渗透测试系统，可以理解为把红队里「信息收集—漏洞发现—利用验证」这套人工流程交给 AI Agent 自动跑完，后端用 Go 写，前端配了 Next.js 界面，还支持 MCP 协议接入工具。它在百度 agent+ 攻防挑战赛拿了冠军，说明实战能力经过了对抗检验。实际用处是：安全团队让它对自家 Web 资产做自动化安全评估，省掉重复的扫描和手工验证；甲方安全工程师可以用它快速摸清暴露面，而不是手动拼各种扫描器。对做 AI Agent 落地的人来说，它也是一个多智能体协同完成复杂任务的完整参考实现。如果你是安全工程师、红队成员，或者在研究 LLM Agent 在安全领域的应用，值得花时间看看；纯做业务后端或前端的人关系不大。

麦门认证机是一个基于麦当劳中国官方 MCP 的创意应用：上传任意一张图——自拍、工位、代码报错截图甚至你家猫——AI 会看图给出 10 档「麦门身份」判级（从 LV.1 甜筒级到 LV.10 麦门本门），生成一张可转发的认证梗图卡，卡片上附带基于官方真实营养数据的套餐推荐，并能一键领取真实入账的麦当劳优惠券，另有抽奖和当月活动日历等玩法。它的设计思路是「梗图负责传播，接口负责闭环」，把营养表、菜单、优惠券这些零散接口编排成完整的营销链路。这是 2026 麦当劳程序员创意开发大赛的参赛作品，非官方产品。对多数互联网和 AI 从业者来说它更像一个有趣的营销 demo，真正值得看的是做 MCP 集成、Agent 工作流编排或品牌营销玩法的工程师，能从中看到如何把官方 MCP 的原子接口串成有传播力的产品。

这是一个专门评测 AI Agent 在「保研咨询与申请规划」场景下表现的开源基准测试，由屿智同行与保研岛联合推出。它包含 70 道中文任务，分三类：21 道院校推荐题（看推荐是否贴合学生背景）、36 道规划决策题（看备考计划和风险评估是否可执行）、13 道两阶段题（中途给新信息，看 Agent 会不会及时修正建议），每题都有人工校准过的评分标准。目前已跑出 8 组「执行系统 + 模型」配置的排行榜，Codex + GPT Sol 6.1 以 79.08 分居首，Qwen、Kimi、Gemini 等组合分数在 55 到 68 之间。对做 Agent 产品或选型的人来说，这份榜单直接回答了「换哪个模型能提升咨询类任务质量」；如果你正在做教育、升学方向的 AI 应用，或者想给团队挑保研咨询 Agent，值得花十分钟看结果和任务设计。普通开发者若不涉及这类场景，关系不大。

Lampline 是一个在自己电脑上构建和测试 AI 电话客服机器人的开源工具，可以理解为 Dialogflow CX 的本地化替代加测试框架。它把电话机器人写成 YAML 和 Markdown 文件，用测试用例描述「来电者说什么、机器人该走到哪一步、必须或绝不能说什么」，然后自动跑测试并给出失败原因，还能让 AI 扮演来电者给真实通话打分。它支持导入导出 Dialogflow CX 和 CX Agent Studio 的机器人，也能通过 Twilio、Telnyx 或任意 SIP 中继接真实电话，底层基于 Pipecat。对做呼叫中心、IVR、语音 Agent 的工程师来说，最大的价值是能在改动上线前用自动化测试验证对话流程，还能接入 Claude Code、Cursor 等编码 Agent 自动修复失败用例。如果你不做语音客服或电话机器人，这个项目和你关系不大。

这是基于麦当劳中国官方 MCP 服务（mcd.cn 提供 30 多个原子工具，如查门店、查券、算价、下单）封装的 Agent 技能包，把零散工具编排成几条真正好用的业务流。它能帮你一句话拉出当月活动日历、按关键词只盯联名款并定时推送；点餐时枚举券和商品的候选组合、逐个真算价给出最便宜方案；办公室下午茶拼单时代录全员餐品、凑满减、分摊配送费打包费，直接出每人应付的账单；还能解析社媒隐藏吃法文案、按热量蛋白约束配餐、逐门店扫周边库存并锁单。所有下单领券等写操作都强制二次确认，不会让 AI 擅自花钱。适合麦当劳高频消费者、联名周边收集者和经常组织拼单的办公室点单人；对 AI 从业者来说，它也是「如何把一堆原子 MCP 工具编排成可用 Agent 流」的参考实现，其余岗位关系不大。

durable-pi 是一套让 AI Agent 在你自己的设备上「持久存活」的运行框架，来自 Pi coding agent 团队。它解决的核心问题是：普通 Agent 跑在进程里，浏览器一关、终端一退、机器一重启，跑到一半的工具调用就丢了，只能靠 /resume 恢复一段聊天记录，却不知道当时 bash 执行到哪、改了什么。durable-pi 把历史、排队输入、任务检查点和应用状态在展示前就写进 SQLite，进程挂了也能从断点继续，且半途被杀的工具会以「中断结果」返回，由 Agent 自己决定要不要重跑，避免副作用重复执行。每台设备跑一个小后端持有 Agent，网页 hub、终端 TUI 或一条 curl 都只是薄客户端。README 里的演示很具体：监控日志发现线上结账故障后，Agent 自动开 incident、定位坏 commit、写修复和回归测试，最后停在「等你批准部署」这一步。适合关注 Agent 工程化、可靠性与主动式 Agent 的后端和平台工程师。

McPet 是一只跑在桌面上的 AI 桌宠，同时也是一个 MCP 服务：它能显示你正在跑的 Agent 会话状态和本机 token 用量，还能通过 MCP 接入麦当劳、瑞幸等日常工具。你可以右键宠物查优惠券、领券、生成订单、查取餐码，也能记录营养摄入、设置饭点和咖啡时间提醒；角色默认是 DeepSeek 娘，可切换 ChatGPT 娘并换装。它更像一个带陪伴感的 Agent 状态面板加生活服务入口，而不是严肃的运维工具。适合日常重度使用 LLM Agent、想随时盯会话进度和余额、又不介意桌面多个可爱挂件的开发者和 AI 从业者；如果你不跑 Agent、也不需要点外卖查优惠，它对你的价值就比较有限。

ResiMind 是一套神经符号 Agent 架构，核心思路是让模型或工具提出的每一步都先过独立校验器，通过了才算事实，失败的校验会把「还差什么」反馈给下一次尝试。它最典型的应用是代数：内置 MCP 数学工具和一个代数修复 Skill，能识别并纠正推理中看似合理但错误的步骤，还支持把验证过的解法提炼成可复用的规则存进记忆，下次遇到同类问题直接调用，知识在模型权重之外增长。除数学外，它还覆盖桥梁工程、约束优化、客服和开放式规划等场景，各自配了校验器；部分纯规则路径可以零模型调用运行。README 也坦诚说明目前代数能力限于有界有理多项式，MiniF2F 等基准成绩尚未公布。适合关注 Agent 可靠性、自我纠错与记忆机制的 AI 工程师和研究者，想给现有 Agent 加验证能力的人也能直接接入其 MCP 工具；普通后端或前端开发者关系不大。

agent-chrome-relay 让 Claude Code、Codex、Cursor 这类编程 Agent 直接操作你日常用的 Chrome，带着你的真实登录态，在后台标签页里干活，屏幕不会抢焦点、窗口不会乱跳。它解决的麻烦很具体：Agent 要在网页上完成多步操作（比如在后台管理系统里邀请新成员、填表单、点确认），通常得重新登录或手动复制密码，而这个工具让 Chrome 自己完成 Google 登录跳转，其他密码和验证码则由它从 1Password 里代填，Agent 全程看不到明文。你还能在 iPhone 上用 Face ID 远程批准敏感操作，并留下完整的操作审计记录。适合需要让 AI Agent 自动化网页流程的开发者，尤其是已经在用 Claude Code 等工具、又希望 Agent 能访问需要登录的内部系统的后端或运维工程师；如果你的 Agent 只写代码不碰浏览器，那和你关系不大。

这是一个跑在 ESP32-S3 小硬件上的个人 AI 语音助手，你可以把它理解成一台不被任何厂商绑定的智能音箱：喊一声唤醒词或按下旋钮，它就开口回答，支持中英韩三语，还能在模型还没生成完时就逐句流式播报。它的核心卖点是语音识别、对话、合成三个环节各自独立，可以分别指向任意 OpenAI 兼容的服务端，比如转录用便宜的、聊天用最强的、配音选好听的，改一行配置就能换。仓库里还带一个可选的 openmuse agent，负责天气、时间、位置和跨轮记忆，这些上下文都留在你自己机器上。适合想做语音 Agent 硬件原型、研究端侧唤醒与流式对话链路，或者受够了云音箱厂商锁定的嵌入式和 AI 应用开发者；纯做模型训练或后端的人关系不大。

p3-stack 是把 poteto 的 pstack 重新接到 T3 Code 上的一套 AI 编程工作流，核心思路是把单个 AI agent 变成一支有纪律的工程团队：一个主模式技能负责按任务类型路由到不同 playbook（修 bug、性能排查、重构、开 PR、多阶段计划等），再用一组原则约束每次决策，并强制验证，让并行开发敢放手跑。它用 T3 Code 的原生能力替换了 Cursor 那套机制——子 agent 分派、每个 worker 独占 worktree 和分支（一个 worktree 只允许一个写入者，由应用强制而非口头约定）、PR 检查完成或有人评论时自动唤醒线程、定时任务可在无对话时跑审计和夜间任务，还有线程记忆检索和浏览器预览、设备模拟器截图直接落进线程。适合在 T3 Code 里做多 agent 并行开发、想用工程纪律压住 AI 生成代码质量的工程师，尤其是常开长任务、跑自动流水线的人；只用单模型写写脚本的读者关系不大。

这是一个麦当劳点餐助手 Skill，说一句「35 元，不辣，有糖可乐去冰，带走」，它就把预算、口味、取餐方式这些硬约束变成一份完整餐单（主食+小食+饮料），给出唯一答案和一张可复制的点单卡，照着在 App 或柜台点即可。它的核心价值是核价：金额只认官方 calculate-price 返回的整数分，菜单展示价若附带「随单购麦金卡」之类的条件会一并说明，避免你以为省了钱其实没省。README 实测同一餐两种点法差 12 元（24.7%），它会明确告诉你省在哪。预算不够时它直说没有方案并给出最低需要多少钱，不硬凑；也不会因为你钠含量低就擅自把有糖可乐换成无糖。只读不领券不下单不支付，Token 留在本机。适合预算有限、口味偏好明确、常点到店自取的个人或两人用餐者，以及想参考「只读 MCP 客户端+确定性比较」实现样板的开发者；对多数不点麦当劳或不关心点餐比价的人关系不大。

这是一个基于麦当劳中国官方 MCP 的 AI Skill，把点麦当劳这件事拆成四种玩法：修行录记录你的点餐习惯与卡路里，团餐指挥官帮多人聚餐快速凑单，隐藏菜单实验室探索官方 App 里不显眼的搭配，每日运势签则根据当天菜单给一个随机推荐。它本质上是给 Claude 这类支持 MCP 的 AI 助手加一层麦当劳业务能力，让模型能直接读取菜单、价格和优惠信息来回答你的点餐问题，而不是靠训练数据里的过时信息瞎猜。项目自带 187 个测试和离线演示，不连真实接口也能跑通流程，方便开发者快速验证效果。适合对 MCP 协议、AI Agent 落地场景感兴趣的工程师，或者想看看「官方 API + LLM」能玩出什么花样的人；普通用户和不碰 Agent 开发的后端同学关系不大。

这是一个给 AI 聊天助手装上「数字生命体征」的内核插件，运行在 DSH（DeepSeek Harness）之上，让原本无状态的对话机器人拥有能量、激素（多巴胺、皮质醇、血清素）、情绪劫持、时间感、执念缺口池、离线梦境和自主唤醒等拟生命机制。比如请求失败会让皮质醇升高并影响后续回复的语气，长时间没人理会出现孤独提示，深夜闲置时它会自己反思并写入记忆，还能给自己编写新「器官」扩展能力。它解决的是想做长期陪伴型、有人格连续性 AI 角色的开发者的麻烦：不用自己从零设计记忆、情绪和作息系统。适合做 AI 陪伴产品、数字人、Agent 人格化方向的工程师和独立开发者参考；如果你只是调用模型 API 做业务功能，和你关系不大。注意原作者已转入社区维护，不再答疑修 Bug。

这是一套给 DeepSeek 模型用的 Agent skills，目标是让便宜模型在 Claude Code、Cline、Codex 这类编程助手里表现得更像昂贵的前沿模型。它针对廉价模型的常见毛病——跳过规划、没跑就宣称修好了、在同一个坏点子上反复重试、长任务跑着跑着跑偏——每个 skill 用一个短循环加硬性停止条件来堵住，比如改完必须跑真实检查、失败两次就换思路、长任务靠进度文件在新上下文里接着干。它还提供并行多路尝试取最优、多模型评审、自动提 PR 和盯 CI 等玩法。适合日常用 DeepSeek 当编码执行者、又嫌它不稳的开发者，尤其是想在长任务和无人值守场景里省心的人；如果你不用 DeepSeek 或不玩 Agent 编程，关系不大。

这是一个面向 DeepSeek Harness（DSH）的本地提示词工程插件，核心用途是把系统提示词的注入从手工拼字符串变成可管理、可观测、可回滚的操作。DSH 的系统提示词按层级组装，且不同版本过滤规则不一，手改经常出现「改了没反应」或「过几轮就漂移」的问题；该项目把注入内容注册为带顺序的 systemPrompt 分层条目，双层注入并强制保留核心规则，同时提供实时状态面板，能看到当前有几层、每层多少字符、本轮是否触发了模型拒答，还支持一键注入与卸载、失败回滚。它还内置了 game-hacking、reverse-engineering、pentest 等技能包和一个 AI 渗透测试控制台。值得看的是做提示词工程、AI 安全研究或需要让 DSH 稳定执行特定人设与规则的从业者；如果你不用 DeepSeek Harness，或不关心绕过模型拒答这类需求，和你关系不大。

这是一个麦当劳配餐决策 Skill，把「说话」和「算账」拆开：LLM 只负责听懂你说的「40 块以内，随便，不要辣」，之后所有价格、热量、优惠券判定都交给确定性代码，每个数字都能追溯到某次接口返回。它会在门店实时菜单上枚举 1881 种搭配，剪枝出可行解后给出省钱、均衡、放纵三档方案，并解释为什么淘汰了其他选项——比如「预算加到 48 元均衡档主餐不会变」或「你 6 张券当前一张都用不了，最近可用在 10.1 小时后」。控卡场景下热量和蛋白是硬约束，算不出就直说；多人拼单用 max-min 公平分配，把谁做了让步摆到台面上；还会基于历史订单算出带置信度的口味画像。适合写字楼午餐决策者、控卡健身人群、券的持有者和拼单组织者；只想快速下单的人用官方常点更快，它只做决策不下单。

这是一个基于麦当劳中国官方 MCP 的命令行选餐工具，输入预算和饮食偏好，它会查询指定门店当前菜单与官方营养数据，给出均衡、蛋白质、预算三种优先级的候选套餐对比。它的核心价值在于「可解释」：套餐会自动展开成单品逐件匹配官方营养再求和，每个金额都标明价源是官方字段、单品加总还是未核实，取不到就如实标「未知」而不是填 0；配件替换后营养和价格会重算，非法替换会被拒绝并说明原因。它明确不提供下单能力，也不做医疗建议。对普通消费者来说，想在麦当劳点餐时兼顾预算和营养目标可以拿来参考；对 AI 从业者而言，它展示了如何用结构化规则负责数值、LLM 只负责理解意图和表达，以及 MCP 在真实商业数据源上的落地方式，值得一看。

Doc2Harness 是一个评测基准，衡量的不是模型写代码补丁的能力，而是模型能否从零搭建出一个能用的 coding agent 本体（即 harness）。它分两步：先让被测模型在隔离容器里根据开发文档和接口骨架实现完整 agent，再冻结该实现，用脚本化的 mock 模型端到端驱动，观察模型请求、磁盘文件、退出码、命令输出四类信号来判定通过与否，并用正向对照排除“空过”。场景覆盖文件读写、权限约束、会话状态、无头运行、协议层、终端交互、启动安装等九类。榜单显示 19 个前沿模型最高通过率仅 53%，说明即便最强模型也近半失败。适合关注 agent 工程质量、做 coding agent 产品或模型评测的研究与工程人员；普通后端或应用层开发者关系不大。