TradingAgents 是一个用多个 LLM Agent 模拟投资决策流程的金融交易框架，可以理解为把一家小型对冲基金的分工搬进了代码里：分析师负责读财报、新闻和宏观数据，研究经理汇总观点，交易员给出买卖信号，组合经理最终拍板并管理仓位。它接了 SEC EDGAR、FRED、Yahoo 等真实数据源，并强调 point-in-time 完整性，也就是回测时只用当时已公开的信息，避免未来函数污染结果。实际用途是做策略回测和决策流程实验，比如在某个历史日期跑一遍完整流程，看它当时会怎么判断某只股票，再和真实走势对比。适合量化研究员、AI Agent 应用开发者，以及想研究多 Agent 协作或 LLM 在金融场景落地的人；如果你不做交易相关工作，跟你的关系不大。

Strix 是一套开源的 AI 渗透测试工具，可以理解为「会自己动手的自动化黑客团队」：多个 AI Agent 协作，像真人安全研究员一样动态运行你的代码，做侦察、攻击、验证，最后给出能真正跑通的 PoC，而不是静态扫描器那种一堆误报的告警。它覆盖 OWASP Top 10 常见漏洞，包括越权、SQL 注入、SSRF、XSS、竞态条件、JWT 攻击和 API 鉴权缺陷等，还能自动生成修复补丁和合规报告。典型场景是把渗透测试从外包几周压缩到几小时，接入 CI/CD 在上线前拦住漏洞，或者自动化 Bug Bounty 研究快速产出可提交的 PoC。值得看的是应用安全工程师、DevSecOps 和负责安全合规的后端团队；如果你的岗位完全不涉及安全测试，和你关系不大。

ComfyUI 是目前最主流的本地 AI 内容生成引擎，用节点连线的方式把模型、参数和后处理串成可视化工作流，类似给 AI 生图/生视频搭积木，不用写代码。它原生支持几乎所有开源前沿模型，覆盖文生图（Flux、SDXL、Qwen Image）、图生视频（Wan、HunyuanVideo）、音频、3D 重建（Hunyuan3D）乃至文本生成，也通过 Partner nodes 接入 Nano Banana、Seedance 等闭源模型。作为针对消费级硬件优化最狠的推理引擎，它靠异步权重流式加载，4GB 显存也能跑大模型，还能把复杂工作流封装成简洁 UI 或通过 API 接进生产管线。适合视觉设计师、AIGC 内容团队、需要把生图生视频能力产品化的后端与算法工程师，以及想在本地高效跑扩散模型的研究者；如果你完全不碰生成式 AI，那和你关系不大。

这是一套免费开源的 AI 工程系统课程，覆盖 542 节课、20 个阶段，用 Python、TypeScript、Rust、Julia 四种语言带你从零手写模型内部结构、检索管线和 Agent 运行时，而不是调用现成库。比如你会自己实现 Transformer、搭 RAG 检索流程、写 Agent 调度逻辑，再配上测试和评估，把失败案例拆开看清楚。课程提供网站、交互实验、项目挑战和学习路线多种入口，也有中文版 README。适合想真正搞懂 LLM 应用底层原理的后端工程师、算法工程师和 AI 应用开发者——如果你只是想快速调 API 上线一个功能，这套从头造轮子的路径对你帮助有限，但若你负责排查 RAG 效果差、Agent 行为不稳定这类问题，它能补上你缺的那块底层认知。

vLLM 是目前最主流的开源大模型推理与服务引擎，可以理解为给 LLM 套上了一层高效的「调度+显存管理」外壳，让你用更少的 GPU 跑出更高的吞吐。它的核心卖点是 PagedAttention 和连续批处理，能把 KV cache 像操作系统管理内存一样切块复用，避免显存浪费，同时支持投机解码、量化（FP8、INT4、GPTQ 等）和多种并行策略。它提供 OpenAI 兼容的 API 服务，兼容 Hugging Face 上 200+ 模型架构，覆盖 Llama、Qwen、DeepSeek-V3 等主流 LLM、MoE、多模态和 embedding 模型，硬件上支持 NVIDIA、AMD、Intel GPU 以及 TPU、CPU 等。典型场景是：你想把一个开源模型部署成可对外提供服务的接口，或者在有限显存下压榨出更多并发。如果你是算法工程师、平台/基础设施工程师，或需要自建 LLM 服务的团队，这是绕不开的选型；纯做模型训练或只调用闭源 API 的人关系不大。

这是一个给 Claude Code 等 AI Agent 用的技能包，让 Agent 能并行搜索 Reddit、X、YouTube、Hacker News、TikTok、Polymarket、GitHub 等十几个平台最近 30 天的内容，再按点赞、upvote 和真金白银的赔率打分，最后合成一份简报。它解决的是各家 AI 搜索各有围墙的问题：Google 搜不到 Reddit 评论和 X 帖子，ChatGPT 搜不了 X 和 TikTok，Gemini 有 YouTube 却没有 Reddit，而这个技能把它们桥接起来。典型场景包括：见面前查一个人最近一个月的动态（发过什么推、上过什么播客、PR 合并情况）、销售通话前摸清一家公司近况、做产品前看社区真实在吐槽什么、出行前查园区哪些项目关闭。适合需要频繁做行业调研、竞品追踪、人物尽调的从业者，比如 AI 从业者、投资人、销售和产品经理；如果你的工作不依赖最新社区舆情，关系就不大。

这是一个给 Codex、Claude Code 等 AI Agent 用的家谱研究技能包，把 Agent 变成一位严谨的家族史调查员，专门查前苏联、苏联和俄罗斯帝国时期的档案：教会簿记、民事登记、军事档案、流放与镇压文件，以及未编索引的扫描件。它覆盖全部 15 个前加盟共和国，会按事件发生时的历史辖区（而非今天的地图）定位档案馆，处理革命前俄语、乌克兰语、波兰语、意第绪语等多种姓名变体和转写。核心价值在于证据纪律：每条结论都带可解释的状态（假设、单源、多源印证、矛盾、未决），同一份记录的副本和镜像被归入同一独立性分组，绝不重复计为独立佐证，同名者在缺乏区分证据前保持独立身份。适合有寻根需求、想让 AI 系统性查证家族史的个人，以及做东欧历史、档案研究的学者；对多数互联网和 AI 从业者关系不大。

Odysseus 是一个可以部署在自己服务器上的 AI 工作台，把聊天、Agent、深度研究、文档、邮件、笔记和日历整合到一个界面里，既能接本地模型也能调 API。它解决的是「AI 工具散落各处」的麻烦：比如你可以在同一个地方让 Agent 读网页做多步调研并生成带引用的报告，用盲测方式并排对比两个模型的回答，让邮件收件箱自动分类、打标签、写回复草稿，或者把定时任务交给 Agent 在日历提醒触发时执行。文档编辑器支持 AI 改写和建议，笔记和任务还能通过 CalDAV 同步到手机。适合想把日常 AI 工作流收拢到一处、又在意数据不出自己机器的个人开发者、独立研究者和小团队；如果你只是偶尔用 ChatGPT 聊天，或者公司已有统一的 AI 平台，那它跟你关系不大。

browser-use 是一个开源的浏览器 Agent 框架，让大模型像人一样操作浏览器：你用自然语言描述目标，它自己打开页面、点击、填表、过验证码。可以本地跑，接任意 LLM；也可以用它的云服务，拿到带隐身能力和住宅代理的浏览器，按小时计费。典型场景是那些没有 API、只能靠网页完成的活儿，比如自动抢预约名额、在多个网站比价下单、批量抓取动态渲染的数据，README 里的演示就是自动完成驾照考试预约。它还提供托管的 Agent API，适合不想自己搭基础设施的团队。值得看的是做自动化运营、数据采集、RAG 数据管道的工程师，以及想给产品加浏览器操作能力的 AI 应用开发者；如果你的工作和网页自动化、Agent 落地无关，那跟你的关系不大。

DeepInfer 是 DeepSeek 官方开源的高性能推理框架，也就是支撑 DeepSeek 线上大规模生产服务的那套推理引擎，目前支持 DeepSeek-V4.1-Flash 模型的离线推理。它把 FlashMLA、DeepGEMM、DeepEP 等自研算子和 MoE 专家并行、EPLB 负载均衡、投机采样、异步调度等生产级优化打包在一起，还提供确定性采样和结构化输出（按 JSON schema 或正则约束生成），保证不同 batch 组成下结果一致。适合需要在自有集群上高吞吐部署 DeepSeek 模型的团队，比如做推理服务的算法工程师、负责 GPU 集群利用率的 infra 工程师，以及需要复现 DeepSeek 官方性能基线做选型对比的人。注意它只开源了推理核心，KV cache 系统、Prefill/Decode 分离和负载均衡等完整服务组件并未包含，纯做应用层开发或轻量调用 API 的读者关系不大。

DOPPLERGEIST 是一个用 Python 写的音频取证工具：给它一段录到飞机飞过声音的音频，它能自动从录音里找出多普勒频移的轨迹，再拿去和历史 ADS-B 航班数据比对，反推出录音者当时可能站在哪里。整个流程全自动，不需要你手动标注事件时间窗或频率段，它会扫描整段录音、拉取附近航班档案、在城市尺度的地理范围内给候选位置排序，还带一个本地网页界面上传和查看结果。它明确会给出「证据不足、无法定论」的结论，而不是硬凑一个坐标。适合两类人：做 OSINT、音频取证、声学定位研究的安全与情报分析人员，以及对多普勒效应、信号处理建模感兴趣的工程师。如果你的工作和音频分析、地理定位无关，这个项目看看原理即可，实际用处不大。

LiteLLM 是一个 AI 网关，用统一的 OpenAI 格式调用 100 多家大模型服务，包括 OpenAI、Anthropic、Bedrock、Azure、VertexAI、vLLM 等，让你不必为每家模型单独适配 SDK、鉴权和请求格式。它既能作为 Python 库直接嵌进代码，也能部署成团队共用的代理服务，换模型供应商时不用改业务代码。除了转发请求，它还内置了虚拟密钥管理、按团队或项目的花费统计、内容护栏、负载均衡和调用日志，相当于给公司的大模型调用加了一层统一管控和计费的中间层。适合需要在生产环境里管理多家模型、控制成本和权限的团队，比如负责 LLM 应用的后端工程师、平台工程或 MLOps 岗位；如果你只是写写脚本调用单一模型，和你关系不大。

mem0 是给 AI Agent 和 AI 应用加装的「长期记忆层」，可以理解为对话版的持久化数据库：它自动从对话中抽取用户偏好、历史事件和事实，存起来并在下次交互时按需召回，让模型记住「你是谁、上次聊到哪」。它支持用户级、会话级和 Agent 级多层记忆，检索端融合语义、BM25 关键词和实体匹配，并带时间感知排序，能区分「现在状态」和「过去事件」。典型场景包括客服机器人复述历史工单、个人助理延续多轮偏好、医疗或游戏场景按用户行为调整策略。如果你在做面向 C 端的 AI 助手、客服系统，或需要跨会话保持上下文的 Agent 产品，值得花几分钟看它的记忆抽取与检索思路；纯做模型训练、推理部署或与 AI 无关的后端开发则关系不大。

LangChain 是目前最主流的 LLM 应用开发框架，可以理解为 AI 应用领域的 Spring 或 Express：它把各家大模型、向量库、检索器、工具封装成统一接口，让开发者用可组合的模块拼装出 RAG 问答、Agent 工作流等应用，换模型或换存储时不用重写业务代码。它配套的 Deep Agents 提供规划、子代理、文件系统等高层能力，LangGraph 负责编排复杂多步任务，LangSmith 则做评测、可观测和调试。典型场景包括：给企业内部知识库做带引用的问答机器人、让 Agent 自动调用多个 API 完成跨系统流程、在实验阶段快速对比 OpenAI 与 Anthropic 等不同模型的效果。如果你是做 LLM 应用的后端或算法工程师，尤其是需要把 demo 推向生产、关心可观测与模型可替换性的团队，这是绕不开的基础设施；只做模型训练或纯前端的读者关系不大。

Headroom 是一个在内容进入大模型之前先做压缩的工具，可以理解为给 LLM 调用加了一层「省流滤镜」：工具输出、日志、RAG 检索到的文档片段、JSON 数据和对话历史都会被压缩后再发给模型，官方实测编码类 agent 场景能省 21%–57% 的输入 token，重复的 JSON 数组和日志行能省 90% 以上，而回答质量基本不变。它提供库、代理和 MCP server 三种接入方式，也能一条命令包住 Claude Code、Cursor、Copilot 等编码 agent，无需改代码；压缩在本地完成，内容不外传。对日常跑 agent、被上下文窗口和 token 账单卡住的工程师，尤其是重度使用 Claude Code 或自建 RAG 管线的人，值得花两分钟看看；只偶尔调用一次模型的读者关系不大。

TokenEconomizer 是微软研究院和 UC Berkeley 联合推出的 Claude Code、Codex、GitHub Copilot CLI 等编码 Agent 插件，作用是给已经在跑的 Agent 省钱，不改 Agent 本身。它从你在同一仓库的历史会话里学习：把反复踩到的坑（比如必须先跑的构建步骤、这个仓库里能用的命令写法）沉淀成 Micro-skills，下次会话开场直接告诉 Agent，避免每次重新摸索；把长期没被调用的工具从请求里剔除，减少每轮都在发送的工具定义开销；当某一轮反复撞同一个错误时，用一个判断模型介入并给出转向提示，防止死循环烧钱。论文在 SWE-Bench 上测得平均成本降低 18.4%–30.9%，且多数组合下任务通过率不降反升。经常用 AI 编码助手在固定仓库里干活、又在意 API 账单的开发者值得看；如果你只是偶尔用一次 Agent，或者不负责控制 AI 编码成本，和你关系不大。

Dify 是一个开源的 LLM 应用开发平台，可以理解为「可视化搭建 AI 应用的低代码工作台」，类似把 LangChain 的编排能力、RAG 检索和 Agent 逻辑拖拽成画布上的节点。它内置数百种模型接入（GPT、Claude、DeepSeek、Llama 等），提供 Prompt 调试界面、文档知识库检索、Agent 工作流编排和调用链观测，支持云端、VPC 或私有化部署，让团队从原型直接走到生产而不必重写技术栈。典型场景比如：把公司内部文档做成能回答问题的客服机器人，或者编排一个多步骤的自动化流程——先检索资料、再调用工具、最后生成报告。如果你是做 AI 应用落地的产品经理、后端工程师或算法工程师，正在评估用什么框架快速搭出可上线的 LLM 产品，Dify 值得优先看；纯做模型训练或只关心推理部署的人关系不大。

这是一个围绕 Claude Code 的精选资源导航站，相当于 Claude Code 生态的 awesome-list：作者人工挑选了各类值得用的技能包、子代理、状态栏、插件和开发工具，并按用途分成几十个板块。它解决的是「Claude Code 装好之后不知道还能怎么玩」的问题——比如想给它加个显示 token 消耗的状态栏、找现成的 skills 来提升代码质量、接入通知和语音、做多代理编排，或者查成本监控和可观测性方案，都能在这里直接找到现成项目和教程，省去自己翻社区的时间。对已经在用或准备深度使用 Claude Code 的工程师、AI 应用开发者来说，这是个高密度的入口清单，适合收藏后按需翻查；如果你不用 Claude Code，或只是想找通用 LLM 资源，那和你关系不大。

Stashcard 是一个在终端里给 Steam 账号库存估价的工具，可以理解为「Steam 库存的记账本加晒图卡」：贴入一个 profile，它会扫描 CS2、Dota 2、TF2、Rust 等游戏的库存，同时抓取 Steam 市场和各大现金交易平台的价格，最后生成一张可直接发社交平台的 PNG 卡片，样式包括成绩单、游戏卡、库存图标墙、小票、市场比价表以及「今昔对比」和「两个账号对比」。它的每个数字都标注了报价来源和时间窗口，明确区分钱包余额和现金，查不到价的物品不会被当作零计入，数据缺失也会在卡片上注明。适合两类人：一是想知道自己 Steam 库存值多少钱、打算出货的玩家，可以用它比较各平台到手价、找出最划算的出售渠道；二是做 Steam 相关数据、饰品行情内容的开发者，卡片自带可离线复核的数据文件。对不碰 Steam 饰品的从业者来说，这个项目基本无关。

MinerU 是一个文档解析工具，可以把 PDF、扫描件、Word、PPT、Excel、EPUB、HTML 等格式的复杂文档转成 LLM 能直接读的 markdown 或 JSON，相当于给大模型准备「干净语料」的前置工序。它内置版面分析和 OCR，能处理双栏排版、表格、数学公式这类通用解析器容易翻车的场景，还提供从快速预览到高质量解析的多档解析策略，按需选择速度与质量。除了单文件转换，它还带本地文档库能力，支持内容检索、按页或块续读，并保留稳定的引用定位，方便 Agent 在长文档中引用出处。如果你在做 RAG 检索、文档问答、Agent 工作流，或者需要批量把公司内部资料、论文、合同喂给模型，它会直接命中你的痛点；纯做前端或业务后端开发的人则关系不大。

这是一个收集各大 AI 产品系统提示词的仓库，把 Anthropic、OpenAI、Google、xAI 等家聊天机器人和编程工具背后那段不对外公开的 system prompt 原文整理归档，涵盖 Claude Code、ChatGPT、Codex、Gemini、Cursor、Grok 等，且持续更新。对从业者来说，它是研究头部产品如何设计人设、约束行为、编排工具调用的现成素材：比如想搞清楚 Claude Code 的安全分类器怎么判断危险操作，或对比 ChatGPT 与 Gemini 在拒答策略上的差异，都能直接翻到原文。写 prompt 的人可以从中借鉴大厂的措辞和结构，做竞品分析或安全研究的人也能看到模型被注入了哪些隐藏指令。主要适合 prompt 工程师、AI 应用开发者和关注 AI 安全的研究者；如果你不写 prompt、也不做产品分析，看一眼标题即可，和日常工作关系不大。

MediaCrawler 是一个面向中文主流内容平台的多平台数据采集工具，支持小红书、抖音、快手、B站、微博、贴吧、知乎的笔记、视频、帖子及评论抓取。它基于 Playwright 浏览器自动化保留登录态，无需逆向各平台复杂的签名加密算法，大幅降低了爬虫技术门槛。具体能用在按关键词搜索内容、指定帖子ID抓取、采集二级评论、爬取创作者主页等场景，还支持登录态缓存、IP代理池和评论词云图生成，可顺带下载封面、视频和图文素材。典型使用者是做舆情监测、竞品分析、爆款内容拆解的运营和数据分析师，以及需要给 LLM 或 Agent 准备语料的 AI 应用开发者。需要注意的是，README 明确声明仅供学习研究、禁止商业用途，且爬取国内平台存在法律风险，动手前务必评估合规性；如果你只是想了解爬虫架构设计，它的代码结构也有参考价值。

这是一个逆向工程领域的资源导航站，把散落在各处的工具、实战案例和研究论文按六大方向整理成一份可检索的清单：网站、游戏、App、原生二进制、固件硬件和通信协议。它不是能直接跑起来的工具，而是帮你快速找到「该用什么、别人怎么做的」的索引，比如想分析某个游戏的加速规则、反编译一个二进制、或研究某个设备协议，都能在这里定位到对应的工具和案例。清单还收录了 200 多篇论文和大量 AI Agent、MCP 相关的逆向资源，方便对比不同方法的效果。适合安全研究员、移动/游戏逆向工程师、固件开发者，以及想用 AI 辅助逆向的从业者作为案头参考；如果你的工作与逆向分析无关，这个项目基本用不上。

Zenith 是给 Factorio 做的 3D 可视化客户端，它不是重制版，也不自己跑游戏逻辑：Factorio 本体以无窗口的 headless 服务器方式运行，一个桥接 mod 把实时游戏状态流给用 Godot 4 写的 3D 客户端渲染，操作再传回游戏，所以存档、研究、传送带、火车、虫子和 Space Age 的规则全部由原版游戏决定。它把 Factorio 的界面整个搬进 3D——背包、合成、机器面板、研究、地图、蓝图、电路网络、火车时刻表都用原版美术和快捷键重建，本体加 Space Age 四百多个实体都有 3D 模型，物品在传送带上流动、机械臂摆动、昼夜和灯光照常工作，还能加载你自己的存档而不改动原文件。适合两类人：想从全新视角欣赏自己工厂、或想拍延时和运镜视频的 Factorio 玩家（附带电影相机插件），以及对「用 mod 桥接把老游戏改造成 3D 客户端」这种技术方案好奇的开发者。和 AI 从业者关系不大。

Autopilot 是一个给游戏用的 AI 自动测试系统，由 Aura 团队开发，可以理解为「会自己玩游戏的 QA 测试员」。它接入 Unreal Engine 5、Unity 6、Godot 4 项目后，能自主学习游戏机制、探索关卡地图，并在一次次运行中越玩越好。实际场景是：游戏团队不用再靠人工反复跑图找 bug，让 Autopilot 自动把关卡走一遍，暴露卡关点、碰撞问题或流程漏洞，尤其适合关卡多、迭代快的项目。它支持 Windows 和 macOS，可绑定 Aura 账号统一管理用量，也允许自带模型密钥。对游戏开发工程师、技术美术和 QA 负责人来说，如果正苦恼于重复性 playtest 拖慢迭代节奏，值得花几分钟看看；纯后端或 AI 应用方向的从业者则关系不大。