PlantCraft 是一套面向流程工业（化工、制药、能源等工厂）的开源工业软件套件，把 Historian 数据采集、信号分析、报警管理、看板、流程模型和文档库整合到一个平台里，对标的是 OSIsoft PI 加各类商业组态软件的组合。它对工厂只读，不写 DCS/PLC，可离线部署；每个页面内置 AI 助手，能根据你的描述自动生成分析方法、报警规则、看板或模型，也能基于工厂自身数据和文档回答问题，还提供只读 MCP 接口让你自己的 AI 读取工厂数据。Analytics 会自动巡检所有控制回路和信号，优先报出最差的并说明原因，比如坏数据、回路振荡、阀门卡涩。适合流程行业的工艺工程师、仪表与控制工程师、工厂运维数据团队，以及做工业 AI 应用的开发者；纯互联网或通用 AI 岗位的人关系不大。

这个项目把罗马尼亚的法律体系整个搬进了 git 仓库：每部法律的每一条单独存成文件，法律每次修订生效当天生成一条 commit，而做出这次修订的那部法令就是 commit 的作者。于是你可以直接用 git blame 查某一段文字是哪部法律改的，用 git log 看某一条的完整修订史，也可以用配套工具查询任意历史日期当天生效的法律文本，比如 2014 年 10 月 18 日的《民法典》第 1112 条长什么样。数据覆盖宪法、法律、政府紧急法令等各类规范性文件，来源是罗马尼亚司法部的官方立法门户，每次修订都标注了出处页面。对做罗马尼亚市场合规、法律科技产品或跨境法务检索的人来说，这是一份可直接程序化查询的结构化法律语料；如果你的工作和罗马尼亚法律无关，那它基本用不上。

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。

这是一个由买方机构和高校联合推出的股票投资研究基准，用来检验 AI Agent 能不能在不偷看未来的前提下完成真实的投资研究工作。它把模型关进一个「时间冻结」的环境：语料库只包含某个历史截止日之前发布的财报、电话会、研报、持仓和新闻，共 343 万份文档版本，任何检索和计算都无法越界拿到之后的信息。任务由资深买方研究员设计，覆盖机会筛选、证据核对、盈利预测、估值决策、观点更新到完整研报，以及价格和波动率预测，共 86 项。评分不只看报告写得像不像样，还拆开检查证据链、假设、计算是否自洽，并把预测和后来的真实结果、模拟收益分开打分——比如让模型预测 Tesla 某季度交付量，分析满分但预测全错照样拿不到分。适合关注 AI Agent 在金融场景落地能力的研究员、做 Agent 评测的工程师，以及想了解大模型投资研究真实水平的从业者参考。

MapVerity 是一个数据管道字段级验证工具，专门解决医疗、保险、金融这类行业里「数据看着没问题但其实错了」的痛点——类型对、非空、在域内，但值就是错的。它把业务分析师已经在维护的 source-to-target mapping 表格直接编译成可执行的测试套件，对每个映射字段从源记录重新推导期望值，再和管道实际写入的结果比对，能处理 COBOL copybook、定宽文件、CSV、JSON、Parquet、S3、MongoDB、SQL 数据库和 REST API 等各种真实数据源。除了逐字段校验，它还能做数据变异测试，主动注入 15 类 ETL 故障来衡量你的测试套件到底能抓出多少、盲区在哪，并用基于公开缺陷数据训练的模型给转换函数打风险分、给出 SHAP 解释，把最可能出问题的检查排在前面跑。适合数据平台工程师、ETL 开发和数据质量负责人在 CI 里做发布门禁；如果你不负责数据管道的正确性验证，和你关系不大。

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。

这是一个用声音反推录音者地理位置的开源工具：任何户外录音里都藏着飞机螺旋桨发出的微弱音调（约60到400Hz），飞机掠过时音调会随多普勒效应下滑，下滑曲线的形状取决于你相对飞机轨迹的位置，结合当天的ADS-B历史航班数据，就能反解出录音地点。它把YouTube视频「I discovered a sound that leaks your exact location」里的方法自动化了，流程包括从音频中提取频谱、自动检测飞越事件、拉取当天航班数据、在网格上搜索匹配位置并精修，实测在100×150公里区域内能把真实位置排到第一，误差43米，还能从12小时的公开老鹰直播流中自动定位摄像头。适合对声学定位、信号处理或隐私安全感兴趣的人，比如做音频算法、关注位置隐私的研究者和工程师；普通AI从业者关系不大。

Frankensurf 是一个自托管的网页抓取工具，可以看作 Firecrawl 的免费替代品：一个容器、同一套 API，让 AI agent 用一次调用就能读取网页。它背后串起了 41 种抓取手段，从普通 HTTP 请求、Jina Reader、浏览器到隐身浏览器逐级升级，只有被网站拦截时才动用更贵的付费 API。和多数抓取器不同，它会验证拿到的是否为真实页面——遇到验证码、登录墙或空壳页面会明确报错并说明原因，而不是让 agent 拿着垃圾内容继续作答。在 150 个随机站点的测试中，它的读取成功率达 96%，高于 Firecrawl 云服务的 85%。它支持 MCP server、Python 库、命令行，也能直接替换任何配置了 Firecrawl URL 的工具，如 LangChain、Dify、n8n 等。适合需要给 agent 接入实时网页数据的 AI 应用开发者、做 RAG 或深度研究产品的团队，以及被 Firecrawl 付费方案困扰的自托管用户；如果你不涉及网页抓取，和你关系不大。

Ghostman 是一个跑在终端里的 API 调试工具，可以理解为 Postman 的轻量替代品：同样是构造 GET、POST 等 HTTP 请求、查看响应，但它不走 Electron 那套重型客户端，内存占用只有约 30MB，冷启动不到 200 毫秒，全程键盘操作，请求集合以纯文本存在本地，可以直接提交进 Git。它还内置了一个 webhook 监听服务，本地起一个端口就能实时抓取 Stripe、GitHub、Shopify 或微服务回调的 payload，省掉再开 ngrok 或 webhook.site 的麻烦，并附带 DNS、TTFB 延迟和状态码等指标。适合后端开发、接口联调和 DevOps 岗位里习惯终端工作流、反感 Postman 强制登录和资源占用的人；前端或纯 AI 岗位日常用 Postman 就够了，关系不大。

这是一个装在 Codex 里的对话技能，帮对 AI 芯片方向感兴趣的初学者做探索：先了解你的专业背景、可投入时间和设备，再带你认识芯片领域的不同方向，设计 15-30 分钟就能完成的轻量任务让你实际感受某类工作在干什么，或者围绕你已有的科研 idea 查找相近文献、整理可验证的检索关键词。它也支持切换到其他行业，比如你贴入机器人领域的资料或论文链接，它会明确说明实际读到了什么，而不是把芯片那套话术原样搬过去。项目明确声明输出只是探索建议，不是就业预测或能力测评，且目前是第一版草稿，测试多为模拟、真实用户验证尚未完成。适合电子信息、计算机相关专业的在校生，尤其是想了解 AI 芯片有哪些细分方向、要不要往这个方向走但缺乏信息渠道的大一大二学生；已经在行业内的人基本用不上。

这是对俄罗斯独立媒体 novayagazeta.ru 的抢救性存档：网站已宣布 2026 年 11 月 9 日关停服务器，该项目赶在截止日前把 2000 至 2026 年间的 93,933 篇文章连同配图抓取为 Markdown 文件，共 1.1 GB 文本和 8.3 GB 图片，按日期归档。它不依赖浏览器和第三方包，只用 Python 标准库直接读取页面内嵌的 JSON 数据，因此速度很快，约每秒 14 个请求，两万篇二十分钟即可完成；由于站点不公开完整索引，脚本还从 sitemap、Common Crawl、搜索接口和 Wayback Machine 等多个来源拼凑 URL，抓取可断点续跑。对做俄语语料、新闻文本挖掘或媒体史研究的人来说，这是一份现成的大规模语料库；如果你的工作与俄语内容、新闻数据无关，这个项目基本不用看。

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。

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。

AI-KIT 解决的是一个很具体的痛点：每次开新对话都要重新向 AI 解释你的项目背景。它给你的项目生成一套持久的「项目记忆」和针对不同技术栈的规则文件，让 ChatGPT/Codex、Claude Code、Cursor、Windsurf、Devin 等 11 种 AI 编程客户端都能读到同一份上下文，换工具不用重讲。除了基础的上下文工程，它还提供自适应模型路由策略、Docker 和 Kubernetes 就绪的容器指导，以及集成 Cloudflare 安全审计和 Strix 渗透测试的结构化安全审查流程。安装前可以先预览改动再应用，避免覆盖已有配置。对日常在多个 AI 编程工具间切换、又懒得反复粘贴项目说明的开发者来说值得一看；如果你只用单一工具且项目简单，关系不大。

jevfetch 是给 Claude Code、Codex 这类编码 Agent 用的网页读取工具，可以理解为 WebFetch 的替代品：它把网页切成若干块，用 TypeSafe 的判断模型 Jev 筛出真正回答问题的段落，连同标题路径原样返回给 Agent，而不是像 WebFetch 那样让小模型转述大意。这样既省上下文又保留原文，方便 Agent 直接引用。官方在 30 个文档问答上测试，相比 WebFetch 让 Agent 耗时减少约 47%，成本基本持平，且几乎不牺牲答案准确率；在 Exa 的编程问答集上，137 题全部答对。它适合经常让 Agent 查长文档、长网页找具体事实的开发者，比如查某个 API 参数的确切行为、某段配置的准确写法——这类场景下转述容易失真，逐字引用才可靠。如果你平时不用编码 Agent 读网页，这个项目和你关系不大。

这是一个教学用的可视化工具，把 AI Agent 聊天框背后那个「模型提议动作、框架执行、再喂回结果」的循环逐步画出来，连模型生成的每个 token 都能实时看到。它内置了简单的 harness，可以跑本地的 Gemma 4 E2B 或 Qwen3.5 小模型，也能接入 pi 这类编码 Agent 当 harness，让你对比不同模型的工具调用格式、思考 token、停止条件和采样温度差异。页面还支持给模型挂图片、音视频附件，以及一个在 Docker 沙箱里跑 Python 画图的工具。想搞清楚 function calling、ReAct 循环、人类在环确认、MTP 投机解码到底怎么运作的工程师和 AI 学习者，会从中看到比读论文更直观的机制；只想用 Agent 干活的人则不必看。