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。

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。

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。

PredictorLab 是一个自托管的表格数据机器学习工具，可以理解为介于「傻瓜式 no-code 平台」和「昂贵的 DataRobot」之间的诚实版 AutoML：上传 CSV、指定要预测的目标，几分钟内得到带置信区间的模型和可直接调用的 REST/MCP 接口。它的核心卖点是防坑——Leakage Guard 会直接拦截数据泄漏（比如用 cancel_date 预测流失这种「偷看未来」的列）并给出大白话解释，自动做时间序列的 out-of-time 切分，用 conformal prediction 给出带覆盖率保证的区间，还能根据你输入的业务成本矩阵算出利润最大化的阈值，而不是只丢给你一个 AUC 数字。它面向三类人：没有数据科学团队但手上有历史数据的业务分析师和产品经理（不用写 Python 就能拿到能用的模型和决策建议）、需要快速给客户部署且数据不出服务器的咨询顾问和数据工程师，以及没时间搭训练管线的独立 DS。如果你只是想了解 AI 趋势或做纯 LLM 应用，这个项目和你关系不大。

save-session 是一个给 AI 编码助手做「会话书签」的小工具，解决的痛点很具体：你在 Claude Code、Codex、Pi、Antigravity、OpenCode 之间来回切换，一周后想找回某个会话，却发现 session id 是一串看不懂的字符，各家恢复命令还不一样，用错目录甚至会打开另一个项目的历史。它让你直接用项目名（比如「heap benchmark」）给当前会话起个记得住的名字存下来，之后按名字一查，就把原生的恢复命令和该在哪个目录执行一并告诉你，不用记任何 id 或参数。书签以纯 Markdown 形式存在本机，不依赖服务器或账号，同名冲突会自动加序号，识别不确定时会先问你而不是瞎猜。对每天在多个 coding agent 之间切换、靠会话积累上下文的工程师来说，这是个省心的备忘录；如果你只用单一工具或很少恢复旧会话，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。

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。

这是把《东南大学大学生手册（2025）》整理成可装进本地 Agent 的 Skill，让你直接问「这事按规定怎么办」，回答附带条款出处。它覆盖 48 个校级规章全文、教育部令第 41 号、部门电话网址清单，以及 9 张高频数值速查表（绩点、评奖、竞赛加分、研学分等），还做了口语词到规范术语的对照，方便检索。典型用法是查规定（旷课多少学时会处分）、算分值（5 人 SRTP 省级良好加几分）、判资格（绩点 3.0 能否评三好）、办事情（休学找谁带什么表）；手册没写的信息会引导到官方渠道而非编造。作者是学生自发整理，非官方发布，内容截至 2025 年 8 月版，并计划扩充各学院推免、转专业等官网不公开的细则。对东南大学本科生、尤其需要查规章算综测分的人很实用；其他学校学生或从业者基本无关。

CampusAsk 是一个针对 IIIT Delhi 校园规则的问答机器人，可以理解为「学校规章制度的带引用版搜索」：学生问「连续两个 F 会怎样」「违规停车罚多少」「大一有哪些课」这类问题，它只从官方 PDF 里找答案，并给出文档、版本、章节和页码链接，方便逐条核对；查不到就直说没找到，不编造。它还能处理口语化提问、拼写错误和 Hinglish，理解追问，甚至把学生自己的学分、CGPA 代入规则做测算——但算术由 Python 完成而非模型生成，且不承诺结果，只建议去教务确认。检索用 BM25 加同义词和纠错，课程表这类 PDF 解析会乱的表格则用 Gemini 从页面图像转录。对多数互联网和 AI 从业者来说，它更像一个做得比较扎实的 RAG 参考实现：如果你在做「带引用、可验证、能拒答」的企业知识库或文档问答，它的引用面板、相关性门槛、模型降级和反馈转测试集的闭环设计值得翻翻；只是想查 IIIT Delhi 规则的留学生也可以直接用。

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。

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。