DecisionPivot 是一套专门评测 LLM 系统中「决策模型」的诊断型基准。所谓决策模型，是指读入一个案例和带固定选项的问题、一次前向输出各选项概率的小模型，它们在系统里负责路由请求、拦截危险工具调用、校验生成结果、判断何时转人工。这个基准的核心玩法是构造「对比组」：同一案例出现两到四次，只改动一个决定性的细节（比如运费让总价刚好越过或没越过限额），答案就随之翻转。它用 pair accuracy 揭穿只看表面模式的模型——这类模型单题准确率能到一半，成对几乎全错。此外还报告 5% 错误率下能自动接管多少工作、置信度校准误差等指标，覆盖生成前可答性、安全护栏、生成后校验、Agent 循环等七类决策点。适合做 LLM 应用评估、Agent 安全与可靠性、模型选型的算法和评测工程师看；如果你的工作不涉及给 LLM 系统加决策/守门环节，关系不大。

这是一个给 AI Agent 用的技能包，让 Codex 或 Claude Code 直接帮你剪出一支卡点匹配剪辑（match cut）风格的产品宣传片：同一个形状或动作在不同世界之间延续，每一刀严格卡在音乐节拍上，最后落到产品主镜头和片尾 Logo。你只需用自然语言说「给新款水杯做一支 20 秒宣传片」，它会先确认生图工具连通并说明各环节计费，再收集产品信息和官方图，给出切入角度、分镜结构、文案和预算，然后可以选一口气交付或在方案、粗剪、成片三个节点分别确认，最终给你 1080p mp4、ProRes 母版和分轨。README 里有折叠屏手机和巨无霸汉堡两支试作案例可看效果。适合做品牌营销、短视频运营或独立开发者，想快速产出高质量产品宣传片又请不起专业剪辑团队的人；纯后端或算法岗基本用不上。

这是一个本地运行的 MCP 服务，让 Claude Desktop、Cursor 等 AI Agent 能直接检索你的微信和钉钉聊天记录。它在本地解密客户端的 SQLite 数据库，用 FTS5 建全文索引，全程只读、数据不出本机，毫秒级响应。它能干的事很具体：按关键词搜「群里谁发过关于某需求的讨论」、按时间范围拉取上周某群的对话、汇总某天所有沟通生成日报、查群成员和联系人、找回群里发过的 Excel 或截图，还能做群活跃度统计、成员画像和沟通风格分析。对微信支持 4.x/3.x，对钉钉支持 7.x 的 V2/V3 版本。值得看的是需要频繁翻聊天记录找信息的人——比如用 AI 做知识管理、日报周报、项目复盘的从业者，或者想让 Agent 读取工作沟通上下文的 AI 工程师；如果你平时很少回头查聊天记录，这项目和你关系不大。

这是一个把 DeepSeek-V4.1-Flash 模型跑在两台 NVIDIA DGX Spark（GB10）上的推理部署方案，核心是作者自己改的 TensorFold 引擎分支，用 2.9bpw 量化加双机张量并行，实测解码速度约为标准 vLLM 部署的 2.1-2.3 倍：散文 57 tok/s、代码 92 tok/s，32K 长提示的预填充速度约 2,200 tok/s，还把上下文窗口拉到 1M token 并通过了百万级大海捞针测试。它面向需要长上下文和低延迟的场景，比如让 Agent 高频调用工具、对同一份长文档反复追问（前缀缓存让第二次提问的首字延迟从 13 秒降到 1 秒），支持强制工具调用、结构化输出和 4 路并发。适合手里有 DGX Spark 硬件、正在为本地大模型部署做性能选型的推理工程师和基础设施负责人参考；README 也注明完整硬件验证尚在进行中。如果你不打算在双机 GB10 上部署 DeepSeek，这个项目和多数人关系不大。

这是一个让你在免费的 Google Colab 上跑起 249GB 大模型 DeepSeek-V4.1-Flash 的方案，本质是把量化后的模型通过 llama.cpp 起成一个 OpenAI 兼容的接口，任何支持自定义 base URL 的客户端都能直接连上用。它做了不少优化：把 MoE 层里最常用的专家常驻 GPU、其余放内存按需换入，再配合投机解码和一批 llama.cpp 补丁，实测能跑到每秒 100 多 token，支持 26 万 token 上下文和图片输入，还能输出独立的推理过程。每次启动会拼入一批 uncensored 张量，去掉模型的安全限制。适合想低成本自托管大模型做实验的个人开发者、AI 编程工具用户，或者需要一个无审查接口接进自己工作流的人；如果你只是调用官方 API，或者没有 Colab 订阅，那和你关系不大。

Pathway 是一个用 Python 写的数据 ETL 框架，可以理解为「能同时处理批数据和实时流的 Flink 替代品」，底层由 Rust 引擎驱动，做增量计算，同一份代码既能本地开发调试，也能直接上生产跑 Kafka 流、日志监控或实时分析。它内置了 LLM 工具封装，能搭实时 RAG 管道，比如把 SharePoint、GDrive 里的文档变化自动同步进向量库，或者用 Ollama 搭私有 RAG，还支持多模态 RAG 和非结构化数据即时转 SQL。连接器覆盖 Kafka、PostgreSQL、Airbyte 等 300 多种数据源。适合数据工程师、做实时数仓或事件驱动告警的后端，以及需要让 RAG 知识库随数据源实时更新的 AI 应用开发者；如果你只做离线批处理或纯模型训练，关系不大。

这是一套给 Claude 用的求职技能包，把找工作拆成十一个环节：从抓取 Greenhouse、Lever、Ashby 等 40 多家公司公开职位并按匹配度排序，到针对每个岗位重写简历、生成公司调研简报、优化 LinkedIn 文案，再到替你起草给招聘经理的破冰邮件、模拟面试、算总包谈薪、跟进提醒和投递进度追踪。它解决的是海投石沉大海的痛点——与其投几百份简历没回音，不如先拿到 warm intro，让简历读起来就像职位描述本身。所有外发内容都先存为草稿等你确认，不会替你擅自发送；简历和求职信只重排真实经历，绝不编造。适合正在积极求职的工程师、产品经理等岗位候选人，尤其是想系统化管理投递流程、需要针对性改简历和准备面试的人；如果你暂时没有换工作打算，和你关系不大。

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。

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。

Prompt Poet 是一个低代码的 LLM prompt 模板工具，用 YAML 加 Jinja2 的组合来替代手写字符串拼接，让 prompt 从一段散乱的代码变成结构化的分块配置。每个块可以带名称、角色和截断优先级，模板渲染后自动按块组织，还内置 token 统计和缓存友好的截断策略。典型场景是聊天类应用：把系统指令、历史消息、few-shot 示例、用户查询分别做成独立块，当上下文超长时按优先级从旧到新丢弃历史消息，而不是粗暴截断整段 prompt；也可以按用户当前是语音还是文本、问题是否属于作业辅导来动态插入不同指令，或者把公共段落拆成可复用片段，在 A/B 测试新 prompt 时直接 include。适合需要维护复杂动态 prompt 的后端工程师和 prompt 工程师，尤其是做对话机器人、Agent 或长上下文应用的团队；如果你的 prompt 只是固定几行静态文本，这个工具意义不大。

node2vec 是图嵌入领域的经典算法实现，把网络中的节点映射成低维向量，让「图」这种结构化数据也能被机器学习模型直接使用。这个 Python 版本基于 networkx 和 gensim，通过带偏置的随机游走采样节点序列，再用 skip-gram 训练向量，还支持把节点对组合成边向量。典型场景包括：社交网络里找兴趣相似的用户、电商推荐中发现关联商品、风控里识别异常连接的账户，或者给下游的分类、聚类、链接预测任务提供特征。如果你在做图机器学习、知识图谱或推荐系统，需要把图结构转成稠密特征，这个库能省去自己实现游走和训练的功夫；它也常被用作理解后续 GraphSAGE、GAT 等方法的入门参照。纯做 NLP、CV 或大模型应用的读者关系不大，图数据不是你的输入就不用看。

这是一个 PyTorch 训练用的采样器，专门解决类别不平衡数据集的训练偏差问题。比如医疗影像里正常样本远多于罕见病样本，直接训练模型会倾向于把所有图都判为正常，表面准确率很高但少数类几乎全错。ImbalancedDatasetSampler 会在每个 epoch 采样时自动重加权，让少数类被抽到的概率提高，从而在不复制数据、不丢弃多数类样本的前提下平衡类别分布，配合数据增强还能缓解过拟合。相比手工做欠采样或过采样，它不用你先造一份平衡数据集，直接接进 DataLoader 就能用。适合正在处理欺诈检测、罕见病识别、缺陷检测这类长尾分布数据的算法工程师和深度学习从业者；如果你的项目数据本来就均衡，或者不做模型训练，那跟你就没什么关系。

这是一个可以自己部署的 RAG 搜索服务，用大白话讲就是把「联网搜索 + 网页正文提取 + 向量化 + 大模型生成答案」打包成一个 API，你给它一个问题，它先去 Google 等搜索引擎抓取相关内容，再抽取正文、算相关度、可选地做重排序，最后让 LLM 基于这些资料生成带引用的答案。相比直接调用各家搜索 API 再自己拼 RAG 管道，它省去了把这些环节串起来的工程量，参数里能控制检索条数、是否重排、过滤阈值等。适合想给内部知识库或产品快速加一个「能查网并回答」能力的后端和 AI 应用开发者，尤其是对数据出网敏感、希望全链路自托管的团队。如果你只是用现成的搜索产品或不涉及检索增强的开发工作，跟它的关系不大。

这是一个 Zsh 插件，让你在终端里用一句中文或英文注释直接生成对应的 shell 命令，类似把 GitHub Copilot 的补全体验搬进命令行。你只需要写下想做什么，比如「把所有文件按修改时间排序」或「根据 git diff 生成一条描述性提交信息并推送」，按下快捷键后 AI 就会把完整命令填到输入行，支持 OpenAI、Gemini、Groq、Mistral 以及本地 Ollama 等多种后端切换。它还提供一个可选功能：执行前先跑一遍命令收集上下文，让生成结果更贴合当前仓库状态，但要注意这可能在你确认前就改动系统。适合经常在终端里敲复杂命令、记不住 git 或 find 各种参数的运维、后端和 DevOps 工程师，能省去反复查手册的时间；如果你平时很少用命令行，或者不打算配置 API key，这个项目和你关系不大。