这是一个给 AI 智能体配真实硬件鼠标的 MCP 服务器，需要搭配专用的 uMouse 设备和固件，普通 USB 鼠标不行。它通过 USB HID 协议让 Claude、Codex 这类 Agent 客户端直接操控桌面：移动光标、点击、滚动、拖拽，支持多显示器的物理像素坐标和高精度模式，还能读取光标位置、按键状态和前台窗口信息。除了鼠标，它还带语音听写功能，按住设备上的语音键说话，识别结果会直接输入到当前聚焦的窗口，比如给 Agent 下口头指令或在微信里发语音转文字消息。同一台机器上只跑一个共享守护进程，多个 Agent 客户端可以共用，同一时间只有一个任务能接管键鼠。适合在 Windows 上做 computer-use、桌面自动化实验的 AI 应用开发者，以及想让 Agent 真正操作本机的从业者；没有 uMouse 硬件或不碰桌面自动化的人关系不大。

FDE Gym 是一个面向 LLM 时代的在线评测平台，可以理解为 LeetCode 式 OJ 的升级版：考的不再是写出正确代码，而是像 forward deployed engineer 那样把客户交付做完。每个案例都是一次真实客户交付——你拿到的只有一段含糊的客户诉求、一个已在运行的系统、文档和几个可以询问的客户方人员，需要自己判断真正要解决的问题、找出没写下来的规则，再指挥 coding agent 去改系统。提交后系统会在客户没展示过的流量上真实运行打分，改没改好一目了然，生产事故直接归零，占用客户人员时间也会扣分。适合想评估或练习 AI coding agent 实战能力的工程师、做 agent 评测与 benchmark 的团队，以及关心 FDE 这类岗位实际工作方式的人；只想刷算法题或找部署方案的读者关系不大。

Trina AX 是一个自托管的团队 AI 工作台：管理员在一台服务器上配好一次 Claude Code 和 Codex，全公司员工直接用浏览器或手机打开就能问，不用装终端、不用碰命令行。它解决的核心麻烦是——Claude Code 在空文件夹里不知道你是谁，每次都要先问六个问题；而 Trina 把公司文件夹、团队技能（一个 SKILL.md 就是一种写法规范，比如提案模板）和每个人的文件夹权限预先接好，新员工第一天问「写个提案」就能拿到贴合公司风格的成品。每次 AI 要读文件，服务器都会以提问者本人的身份做权限校验，你打不开的目录对你的 AI 同样不可见，销售看不到财务报表，AI 也就读不到。适合需要把 AI 编程助手安全地推广给非技术同事的团队负责人、IT 管理员，以及对数据不出内网有硬性要求的公司；如果你只是自己写代码用 Claude Code，关系不大。

这是一个把 Claude Code 多个 Agent 可视化成 3D 猫咪办公室的本地监控面板：每个 Agent 是一只坐在工位上的猫，有任务进来就醒来干活，屏幕上实时显示它在做什么，跑完后输出落到「CEO 询问」卡片里，猫再回去睡觉；空闲时完全不调用模型，0 token 消耗。它底层通过 tmux 驱动 `claude -p` 执行任务，前端用 three.js 程序化生成办公室场景，支持点猫派发预设任务、向 CEO 描述需求自动分发、token 计数和实时事件流。适合同时跑多个 Claude Code Agent、需要一眼看清各 Agent 状态和产出的开发者，尤其是把 Agent 当作长期后台助手用的人；如果你只偶尔单线用 Claude Code，这东西更多是个有趣的玩具而非刚需。

qgpu 是一个实验性项目：在 Qwen3.5-2B 的权重里直接塞进了一块 SIMT GPU——45 层编译出来的 transformer 排在 Qwen 自己 24 层之前，用 Gated DeltaNet 层的循环状态充当寄存器和显存。它不是插件也不是模拟器，模型自己逐 token 写出每次 CUDA kernel 启动的每一步，从分支、循环到 atomicAdd 和 warp shuffle 都能跑，参考解释器在 49 个测试 kernel 上与真实 NVIDIA Tesla T4 结果完全一致，而文本能力几乎不受影响。聊天时问它一个计算，它会现场编译 CUDA 到 PTX、降级成机器块，再由模型自己把每条指令的执行结果写出来，旁边还有面板实时显示 warp 调度和流水线。这更像一个展示「transformer 能当通用计算机器」的研究玩具，适合对模型内部机制、循环注意力或 AI 计算极限好奇的研究者和工程师；想实际做数值计算的人用不上它。

CoworkOS 是一个让人和 AI agent 长期协作干活的运行框架，可以理解为给 Agent 加了一套「项目管理 + 交接班」的外壳。它采用三层结构：Main Agent 负责定计划、分任务、验收结果，Coordinator Runtime 负责派发和跟踪子任务，可选的 Subagents 执行具体活儿，任务状态和日志会保留下来，中断后能接着干。它面向的是跨天、跨会话的复杂交付，比如写代码、做研究、产出文档和 PPT、操作 CAD 或 Blender 场景，人和 agent 可以在同一批文件上互相查看和修改，改动以候选形式待审后再合并。README 里还展示了用它跑模型后训练迭代循环的案例，五轮迭代把 Qwen3.6-35B-A3B 在八个 benchmark 上的均分从 33.19 提到 42.95。适合关注 Agent 工程化落地、想做长周期自动化流水线或 agent 驱动研究的工程师和研究者；只是日常用用 AI 编程工具的人关系不大。

Grim 是一个多人协作的 Markdown 笔记本，人和 AI agent 可以同时编辑同一篇笔记，光标实时可见。它的核心卖点是笔记就是普通的 Markdown 文件、存在 Git 仓库里，每次改动都有完整历史，不锁定在任何平台。给 AI agent 一个链接，它就能通过 HTTP 直接读写你的笔记，无需安装任何东西，也可以走 MCP 获得完整权限——比如让 Claude 或其他 agent 帮你整理会议纪要、和你一起写方案。适合需要人机协同写作的场景：团队共享文档、个人知识库，或者把 agent 当成实时协作的同事。如果你在做 AI 工作流、想让 agent 接入你的笔记系统，或者只是想要一个不依赖云服务、可自托管的协作编辑器，可以看看；普通只需要单人记笔记的用户关系不大。

这是 DeepSeek Harness 的一个社区插件，用来让模型自己管理上下文窗口。Harness 自带的自动压缩是按 token 压力和长度来裁剪历史的，分不清哪些消息属于刚做完的子任务；这个插件改成「黑板区块」模式：模型在跑代码时给消息打上区块标签，任务做完后自己写一段交接摘要，把该区块的原始消息替换成摘要，腾出上下文。原始对话仍完整保留在只读日志里，人类看到的记录不丢，重放也保持确定性。它不额外调用摘要模型，摘要由模型在程序里自己提交，因此省掉一次模型往返。要注意 README 里明确说，上下文变小不等于缓存命中率更高或账单更低，替换历史可能让缓存后缀失效。适合在 DeepSeek Harness 里跑长任务、多子任务 Agent，关心上下文成本和缓存命中率的 AI 应用工程师和 Agent 开发者看看；不直接用 Harness 的人关系不大。

YominPost 是一个自托管的 AI 社交媒体工作台，可以理解为开源版的 Postiz：你把一份素材丢进去，它自动改写成 X、LinkedIn、Instagram、Telegram 等每个平台各自地道的帖子，再经过风控检查、排期并真实发布。它不只是改写文字，还会按平台规则决定该发短文、thread、图文还是短视频，对草稿自我打分重写，并在发布前拦截提示词泄露、诱导互动、标签堆砌、重复内容和过密发布节奏这些容易导致账号被限流的行为。它通过 OAuth 真实连接各平台，也提供 Web 界面、CLI 和 MCP server，可接入 Claude Code、Cursor 等 Agent 使用，但发布动作始终需要人工在界面上确认。适合做海外多平台运营的市场、增长和自媒体从业者，尤其是想把 AI 写稿到发布串成一条流水线、又不想把账号 token 托管给第三方 SaaS 的人；只发单一平台或不涉及内容分发的工程师关系不大。

这是一个基于麦当劳中国 MCP 的点餐前体检工具，主打「下单前 30 秒算清热量、复购与券浪费」。它会读取你准备点的餐品，结合营养数据估算这一餐的热量，判断你最近是否在重复点同一家店的同款，并提醒你手里的优惠券是否被浪费——比如为了凑单多花的钱其实比不用券还贵。适合那些既想控制饮食、又不想被麦当劳的营销套路牵着走的上班族：中午打开点餐页犹豫不决时，让它快速给个参考，比自己翻营养表和算券规则省事得多。对多数互联网从业者来说，这更多是个有趣的生活小工具，和工作关系不大；但如果你在做 MCP 生态或 AI Agent 应用，看看它怎么把 MCP 工具串成一个有实际消费决策价值的场景，倒是有参考意义。

这是一个基于麦当劳中国官方 MCP Server 构建的 AI 助手 Skill，把领券、点餐、外送、派对预约、积分抽奖等 35 个接口串成 7 条完整工作流，让 AI 能在你的真实账号上安全跑完「从领券到下单」的全流程。它的核心价值在于解决「能调用 ≠ 会用」的问题：点餐链路上每一环的参数都必须来自上一环的返回值，项目把踩过的坑固化成 14 条硬约束，比如下单前必须算价并让用户确认、抽奖前先看消耗明细、绝不臆造商品编码、积分抽奖会溢出即将过期的积分时直接拒绝执行。它还附带一个零依赖的命令行通道，不接 AI 客户端也能用。对做 Agent 编排、MCP 集成的工程师来说，这是一个很好的「如何给有副作用的工具链加安全护栏」的参考实现；普通用户如果只是想点个麦当劳，直接用官方 App 更省事。

这是一个可嵌入的 TypeScript Agent Runtime，可以理解为 LangChain/LlamaIndex 那类 Agent 框架的「减法版」：它只负责跑 model→tool 循环、ReAct 状态机、工具调度、取消超时，以及带幂等恢复的 checkpoint 和 interrupt 执行屏障，HTTP、SSE、数据库、鉴权、会话 UI 全部留给宿主自己实现，且零生产依赖，不会给你的服务带来一棵依赖树。典型场景是：你已经在自己的后端里有会话存储和权限体系，只想借一个可靠的执行内核来跑 Agent，中途用户点「暂停审批」时挂起、之后从断点继续，且重复请求不会重复调用模型。它还内置了默认拒绝私网地址的 HTTP 工具和防路径逃逸的读文件工具，观测层只发中性事件、不记录 prompt。适合正在自建 Agent 产品或对话平台的后端/平台工程师，尤其是对依赖体积、checkpoint 一致性和安全边界有洁癖的团队；只想快速搭个 demo 的人用不上它。

这是给 Hermes Agent 用的插件，让你给主 Agent 配一支固定的「子代理团队」：比如一个 reviewer、一个 scout、一个 test-writer，每个都有自己的指令、工具集和模型。主 Agent 派活时只选名字，具体含义由你在配置里定，不用每次重写任务简报。它能并行派多个子代理干活，中途不打断就能给正在跑的子代理发消息纠偏，还能带着前次任务的上下文做后续追问，每次运行的结果都记在本地账本里。另外它提供一个 Kanban 的 teammates 泳道，卡片派出去后自动认领、跑完进 review 或标 blocked，适合把任务交接流程化。适合已经在用 Hermes 做任务委派、希望每次都是同一批「专家角色」且要留痕的 AI 应用工程师；如果你要的是带门禁和扇出的 DAG 工作流，它明确说不适用。对不碰 Hermes 的人基本无关。

touri 是一个本地优先的桌面应用，可以把它理解成 Codex、Claude Code、OpenCode 这些 AI 编程 CLI 的图形化驾驶舱：你可以在里面养多个持久化的 AI 助手，每个助手有自己的指令、记忆、技能和可分支的对话历史，还能用定时任务让它们按计划自动跑。所有数据存在本机 SQLite 里，不联网、不收集遥遥测，凭证走系统钥匙串。实际场景包括：把本地仓库接进 Projects 让 agent 受控地跑数据库和服务器并直接预览，用内置浏览器让 agent 操作网页且随时人工接管，以及通过 MCP 网关给不同会话分配独立令牌。agent 的运行环境隔离在容器里，审批粒度可调。适合已经在用 Codex 或 Claude Code CLI、又想要可视化管理多个 agent、定时任务和浏览器操作的开发者；如果你只是偶尔在终端里跑一下 AI 编程工具，这个项目和你关系不大。

这是一份可以直接丢进 AGENTS.md 的系统提示词，专门给 Claude Code、Codex、opencode 这类编码 Agent 用，解决的是同一个老毛病：模型动不动就加免责声明、说教、拒绝后还补一句「我可以给你一个弱化版」，或者在长对话里越聊越保守。它把提示词写成一份「宪法」而不是任务清单，规定角色、能力边界、安全策略、拒绝处理和会话纪律，核心思路是只在真正会造成具体、可预见伤害时才拒绝，其余一律按原始规格执行到底。比如问安全攻防问题它按从业者深度回答而不是上课，写创意内容不会自己把强度调低，长会话中立场不漂移。适合经常调教 Agent、受够了过度谨慎输出的 AI 工程师和重度 AI 编程用户，普通只用 AI 写写代码的人关系不大。

Cheatcode_ 是给 Claude Code、Codex、Cursor 这类 AI 编程工具「一键加技能」的商店加安装器。很多非开发者——产品经理、分析师、老师学生——听说 AI 应用能学会新技能、连上自己的工具，却卡在 GitHub 仓库、终端命令和 JSON 配置上；它就是夹在中间的那层：用大白话解释每个技能包和 MCP server 是干什么的，按岗位和工作场景（参考 O*NET 等职业框架）分类，点一个按钮就装进你选的 AI 应用，装之前会核对每个文件与源仓库的哈希是否一致，装完留有回执可精确卸载。目前索引了三千多个技能仓库、MCP server 和插件，覆盖 11 款 AI 应用，559 个 MCP server 在无凭据容器里实测过才上架。开源部分是 Mac 安装器、包格式和三个技能包（需求文档、发布沟通、合规规格）。值得看的是产品经理、业务分析师这类要靠 AI 干活但不想碰命令行的人，以及做 Agent 技能、MCP 生态分发的开发者；纯写代码的工程师关系不大。

neatroots 是一个跑在本机的 AI Agent 调试与观测工具，可以理解为给你的 Agent 装了一套本地版的「黑匣子 + 回放器」。它接收 Agent 通过 Neatlogs SDK 或 OpenTelemetry 发出的运行轨迹，用代码规则和决策模型自动检查每次运行——比如工具调用陷入死循环、连续报错、密钥泄露、空跑等——并给出出错原因和修复建议。界面上一次运行可以用聊天视图、Trace 树、时间线、会话四种方式查看，还能搜索历史运行、修改消息或模型后重放单次 LLM 调用甚至整轮 Agent。它通过 MCP 把这些能力交给 Claude Code、Codex、Cursor 等编程 Agent，让它们直接读取报错证据、改代码、重放验证，形成「跑一次、查问题、修代码、再回放」的闭环。数据默认留在本地，云端同步需手动开启。适合正在开发自定义 AI Agent、需要排查 Agent 行为异常的工程师，尤其是日常配合 Claude Code 等编程助手调试 Agent 的人；如果你不写 Agent，关系不大。

decision-cascade 是一个本地运行的决策引擎，思路是不让 LLM 生成自由文本，而是把状态编码成特征后由专门的决策头直接输出三种类型化结果：是/否（Noul）、选项（Choice）、分数（Score），每个答案都带概率分布和置信度，可校验、可校准（内置 ECE/Brier 指标）。相比让模型「想一段话再回答」，它没有自回归生成，延迟低且确定，一次前向就能并行处理多个问题。它对标付费 SaaS 产品 Jev，但完全开源、数据不出本机，还支持用自己领域的标注数据微调决策头（SFT + RLCD）来优化校准质量，并兼容 Cloudflare Clef、Perplexity 等项目共用的 SystemOne 协议，可当网关转发。适合需要在产品里做可审计、可校准的分类或打分决策、又在意隐私和成本的后端/AI 工程师；项目尚在 beta，开箱权重是随机的，需要自己标注训练，只想拿现成模型直接用的人会失望。

Delta MCP 是一个夹在你的 AI 应用（Claude Code、Cursor、Gemini CLI 等）和各种 MCP server 之间的代理层，让 AI 调用工具时更可控、更省 token。它对每个任务先做检查，改动要么全部生效要么全部不生效，执行后会从服务端读回实际变化并记录前后对比，出问题可以一键撤销，且会明确告诉你哪些操作无法回滚（比如已发出的消息）。它还支持定时任务，比如每天分析 Grafana 日志发报告、每周五关闭已完成工单，简单任务不需要 AI 参与，需要分析时才让模型介入。官方称多步任务能省下数倍 token。目前尚未正式发布，仅提供下载预告。对日常依赖 MCP 工具、担心 AI 误操作或想降低 token 成本的 AI 应用开发者、Agent 工作流搭建者值得留意；只做纯模型训练或不碰 MCP 的人关系不大。

这是一个把研究选题变成论文初稿的多智能体流水线，核心卖点是「不信任写作者」：它先从 OpenAlex、Crossref、Semantic Scholar、arXiv 检索真实文献并尽量抓取开放获取全文，再强制初稿里每条引用只能指向这个文献池中的论文，最后做三重校验——引用键能否解析、DOI 和元数据是否与真实记录一致、被引论文是否真的支持这句话（有全文时还会标出最匹配的段落页码）。除了写稿，它还生成证据表、做创新性诊断（指出最接近的已有论文和审稿人最可能的质疑）、模拟三位不同侧重的审稿人独立评审，并支持中英文写作与 GB/T 7714、APA 等引用格式导出。每个阶段都设有人工审批闸口，也可全自动跑完。对需要写文献综述或论文初稿、又担心 LLM 编造参考文献的研究生、高校科研人员和企业研究岗来说值得一看；只是想快速查文献或做普通写作的人关系不大。

Sparky 是一个完全跑在本地 Windows 电脑上的私人 AI 助手，可以理解为把 ChatGPT、ComfyUI、Whisper 和一个本地 RAG 知识库打包成一个桌面应用，数据默认不离开你的机器。它能聊天、看图、给文档（PDF、Office、代码）建索引并带编号引用地回答问题、联网搜索（默认关闭）、生成图片和带同步音轨的视频、离线语音听写与朗读，还能在聊天旁边实时写代码和多文件项目并预览。更进一步的是 Computer mode，它能浏览文件夹、截图、读写文件、执行 PowerShell，安全等级由你逐会话设定，敏感操作会弹审批卡片；也支持接入 MCP 工具和定时任务。适合对隐私敏感、想在无网或内网环境用大模型的个人开发者、研究者和办公用户，以及想本地跑 LLM 做 RAG、图像视频生成的 AI 爱好者；如果你只用云端服务、不关心数据出境，那它和你关系不大。

Malvex 是一个用 AI Agent 驱动的恶意软件分析框架，把 IDA、Ghidra、radare2、Frida、volatility3、YARA 等 126 个逆向与取证工具通过 MCP 串成一条流水线。你把二进制、内存转储、Office 文档或 pcap 丢给它，它会先分诊，再并行派出多个 Agent 分别做静态反编译、动态插桩、内存取证、网络流量分析和威胁情报关联，最后输出带证据的结论：IOC、MITRE ATT&CK 映射、YARA/Sigma 检测规则和攻击链图。它特别强调「LLM 输出不算证据」，模型提出的假设必须被静态或运行时证据复现才能标记为确认，避免 AI 幻觉污染分析报告。全部分析在本地跑，样本不上传，适合离线或气隙环境。值得看的是安全行业的逆向工程师、恶意软件分析师、蓝队检测工程师和事件响应人员，尤其是日常要在多个工具间手动切换、想用 Agent 自动化分诊和初筛的人；如果你不从事安全分析，和你关系不大。

这是一个 QQ 群消息降噪与待办提取工具：通过 NapCat（OneBot v11）只读接收白名单 QQ 群的新消息，用本地规则加可选 LLM 过滤闲聊，只把明确的通知、待办和紧急事项摘要后推送到微信（WxPusher 等十余种通道），并自动解析群里转发的 PDF、Office 文档和截图，跨群去重同一条通知。它自带手机端 PWA 待办台，能按截止时间、紧急/学业标签管理任务，还支持日历导出、时间冲突检测和模型用量成本统计。官方演示里，一个日均 500 条消息的假群最终只推送 30 次通知、生成 62 项待办。适合被班级群、工作群轰炸到看不过来的人，尤其是需要从群聊里捞截止时间和通知的学生、班主任或团队协调者；如果你的 QQ 群本来就不多，和你关系不大。

JOSIE-Voice 是一个跑在 Apple Silicon Mac 上的本地语音助手，可以理解成「完全离线的 Siri 替代品」：听、识别、说话全在本机完成，语音数据不出设备。它支持语音和文字两种模式，同一段对话可以随时切换，还能识别不同说话人。除了闲聊，它能直接操作 macOS 的 Reminders、Calendar、Maps 和 Messages，比如口头让它建提醒、查日程、发消息；文字模式下可拖入 PDF 提问，历史会话会存进侧边栏和 Library，并以 3D embedding 地图形式呈现。需要注意的是，目前仓库里还没有可下载的安装包，首个 DMG 要到 2026 年 12 月才发布，现在看到的界面截图都是 mockup。对关注本地部署语音 Agent、端侧多模态交互的工程师，以及想研究语音助手产品形态的从业者来说值得留意；普通用户暂时用不上。

Rna 是一个本地优先的 AI Agent 桌面工作台，面向需要跨多天推进的长线项目——比如写小说、做研究、开发一个代码库。它和常见的聊天框式工具最大的不同是以「项目」而非「会话」为单位：项目绑定一个文件夹、一份记忆和一套工具，Agent 会在后台持续干活，你回来时收到的是简短摘要而不是刷屏日志。内置本地记忆无需 Docker 即可检索历史对话和交付文件，还接入了六种网页搜索服务和 MCP 协议，并用一个极低成本的小模型先做「值不值得打扰你」这类判断，再调用主模型。适合需要让 Agent 长期跟进任务的独立开发者、研究者和内容创作者，如果你只是偶尔问几个问题，它对你意义不大。