Axiocairn MCP 是一个托管的 MCP 服务器，让 Claude、ChatGPT 等 AI 助手直接接入一套量化金融分析能力：你告诉它持仓（比如 50% NVDA、30% MSFT、20% SPY），它会算出行业集中度、HHI、日波动率、相对 SPY 的 Beta、下跌日 Beta 和个股相关性，并附上数据日期和统计窗口。它还能做 what-if 情景推演、估算交易成本与容量、检查回测纪律，以及读取平台自己发布的研报，且每条结论都标注数据日期和局限。对个人投资者或做组合研究的人来说，这相当于把「问 AI 我的持仓风险有多大」从泛泛而谈变成有数据支撑的量化回答；对量化研究员，它提供了一套可复用的研报与回测检查工具。适合关注美股组合风险、想在 AI 助手里做持仓分析的投研和量化从业者；纯技术岗或不碰投资的人关系不大。

ForgeKernel 是一个能自我进化的 GPU kernel 优化 agent：它先运行、计时并 profile 一个参考 kernel，把它的架构拆解成一份分阶段的优化任务清单，交给编码 agent 逐步实现，每产出一个被验证更优的 kernel，就顶替参考成为下一轮的起点，直到硬件上榨不出更多性能为止。过程中由 GPU 探针实测确认的硬件特性会沉淀成跨算子共享的知识库。论文里在 Hopper 和 Blackwell 上测试 27 个算子，22 个专家库 kernel（FlashAttention-4、cuDNN、DeepGEMM 等）中有 18 个被追平或超越，最高提升 170.6%，还在 NVIDIA 和华为 CANN 的多个 benchmark 榜单上拿到第一。适合关注算子性能、推理加速的 GPU kernel 工程师和推理框架开发者，以及想用 Agent 做自动优化的研究者；做业务应用或模型调优的人关系不大。

vulnerator-ai 是一个自主渗透测试 Agent：由 Nous Research 的 Hermes 模型充当大脑，通过 MCP 协议直接驱动 Kali Linux 容器里的 nmap、nuclei、ffuf、sqlmap 等安全工具，按 OODA（观察-判断-决策-行动）循环自主决定下一步动作，同时用 Playwright 控制真实浏览器做 Web 层面的探测。它刻意做得很轻——没有中心服务、没有 REST API、没有界面，四个容器就是全部。项目还提供一个 MCP 前门，让 Claude Code、Kiro 这类 AI 编程助手能触发、观察、干预或停止一次渗透任务。适合安全工程师、渗透测试人员和红队成员在**已获授权的目标**上做自动化侦察与漏洞挖掘；注意它默认不带范围限制和审计，越界使用风险自负。对不碰安全的从业者来说关系不大。

这是一套基于 ComfyUI 和 Qwen-Image 2.1 底模的本地出图配方，主打 NSFW 内容和精确姿势控制，同时打包成 agent skill，可直接在 Claude Code、Codex、Cursor、OpenClaw 里调用。它把散落的要素整合成可复现的流程：作者级提示词结构、专用 NSFW LoRA、136 个 3D 姿势库，以及通过 VNCCS 人偶骨骼旋转实现的姿势迁移——比如给一张已有角色图换姿势但保住脸和服装，或者用 3D 人偶摆好动作再一键出图，还提供 L0 到 L3 的大胆度阶梯让你逐级加料。需要 12GB 以上显存的 NVIDIA 卡或 32GB 以上统一内存的 Mac 才跑得动，模型约 16GB。对多数互联网和 AI 从业者来说这与工作关系不大；值得看的是做 AI 绘画工作流、ComfyUI 集成或 agent skill 封装的工程师，以及想在本地跑 Qwen-Image 出图的创作者。

Snapintosh 是一套 EL2 hypervisor 和配套工具链，能在搭载 Snapdragon X2 Elite 的 ASUS Zenbook A16 笔记本上跑起原版 macOS，并通过自研的 Adreno Metal/IOGPU 栈实现 GPU 加速渲染。它本质上是把 Asahi Linux 的 m1n1 思路反向应用到 x86 之外的 ARM 笔记本上：在 EL2 层模拟 Apple 的 AIC 中断控制器、ANS2 NVMe、DART 等设备模型，让未修改的 macOS 内核以为自己跑在 Mac 硬件上，同时把 Adreno GPU 的 shader 编译成 Apple AIR 指令供 Metal 使用。目前桌面能正常显示、键盘触控板和手势可用、系统装在内置 NVMe 上启动，但 Wi-Fi 只能通过 Mac 主机代理连接，音频、摄像头、蓝牙、睡眠和外接屏都不支持，流畅度也还在向 60Hz 目标推进。这项目对普通开发者没什么用，但如果你是做虚拟化、hypervisor、GPU 驱动或 ARM 平台系统移植的工程师，它在 EL2 monitor 设计、页表影子转换和 GPU 环形缓冲中介方面的实现是难得的参考。

EAGLE-4 是一套 LLM 推理加速方案，属于投机解码（speculative decoding）路线：先用一个小草稿模型快速猜出多个 token，再让目标大模型一次性校验，猜对就直接采纳，从而在不改变输出结果的前提下提速。它配套的 eagle-harness 会根据你实际的硬件、并发批量和负载自动决定猜测的深度和草稿树形状，不用手工调参。实测在 Qwen3.8-27B 上单请求最高 3.4 倍加速，并能接入 SGLang、vLLM、TokenSpeed 等主流推理引擎，高并发下也能保持收益。适合负责 LLM 服务部署和推理性能优化的工程师，尤其是需要在有限 GPU 上压低 token 成本、提升吞吐的团队；如果你不碰推理侧，这个项目和你关系不大。

QwenPU 是一个把「计算机」编译进大模型权重里的实验项目：它在 Qwen3.5-4B 的权重中硬编码了一颗 32 位 RISC-V CPU 和一个向量单元，让模型在自己的前向传播过程中，把另一个小模型 Karpathy 的 stories260K 当作 C 程序跑起来并写出故事。所有新增权重都不是训练出来的，而是由编译器逐个算出的，因此每一步都可精确复现。相比把每条指令拆成大量 token 的早期方案，向量单元把整行矩阵结果压缩成几个 token 流出，效率提升了一个数量级。目前它还处于早期阶段，完整检查点有 26.7 GB，需要 40 GB 以上显卡才能整体加载。对多数从业者来说这更像一个展示「权重即硬件」可能性的概念验证，值得花两分钟了解思路；真正会动手研究的是关注模型内部计算、权重编译和新型推理架构的研究者与工程师。

Indra OCR 是一个只有 100 万参数的轻量 OCR 模型，把 PDF 和图片转成 markdown、纯文本或带坐标框的 JSON，可以理解为 Tesseract 的现代替代品，但完全跑在 CPU 上，不需要 GPU 和 PyTorch。它支持 80 多种语言（含中日韩、阿拉伯文等），能识别手写、歪斜 45 度以内的扫描件，并输出每行每块的版面标签和阅读顺序，比如标题、列表、表格、脚注；遇到带文字层的数字 PDF，它只对缺失部分做 OCR。速度是它的主打卖点：32 核机器上约每秒 44 页，比 Tesseract 快 15 倍，4 核约 210 毫秒一页，精度在 OmniParseBench 上也超过 PaddleOCR 的完整流水线。适合需要批量处理文档的后端和数据工程岗位，比如把合同、发票、论文扫描件灌进 RAG 或数据管线的人；如果你只是偶尔转一两个文件，或者做的是手写、数学公式、复杂表格这类高难度场景，它未必是最优解，README 也明确建议那种情况用他们更大的 Chandra 模型。

agentring 让你的 AI agent 能直接给你的手机打电话，你也能反过来打电话找它。比如你让 Claude Code 跑一个耗时的数据库迁移，跑到一半失败了，它会像真实来电一样把你的手机（即使锁屏、省电模式下）打醒，一个语音 AI 接起电话告诉你发生了什么，你口头给出决策，转录文本回传给 agent 后它继续干活；反过来你也可以在 App 里主动呼叫 agent，边开车边问「CI 结果怎么样」。它通过 MCP 协议接入 Claude Code、Codex、opencode 等主流编程 agent，通话走自建 VoIP，不需要 Twilio 和电话号码，全程自托管。适合经常跑长任务、需要远程给 agent 下指令的 AI 工程师和重度 AI 编程工具用户；目前仅支持 Android，且处于 pre-release 阶段，只在一台 Pixel 6 上验证过，iOS 用户和纯后端开发者暂时关系不大。

HarborRL 是一个用强化学习训练工具调用型 Agent 的端到端框架，把模型服务、轨迹生成、工具执行、可验证奖励和策略更新串成一条可复现的流水线。它支持以 Qwen、GLM 为基座，用 GRPO、DAPO 等算法在沙箱隔离的任务上训练，覆盖 Terminal-Bench、SWE-Bench 等 200 多个任务，还能接入 Claude Code、Codex、LangGraph、SWE-agent 等 40 多个 harness 框架，通过模型×算法×任务×harness 的组合快速搭实验。它还提供本地 Web 控制台做配置校验、试运行和训练日志查看。适合做 Agent RL 研究或想给 coding agent 做后训练的算法工程师；如果你只调用现成模型 API、不碰训练，这个项目和你关系不大。

OpenVLHarness 是一个让多模态大模型（MLLM）变成「会用工具的视觉推理者」的框架，无需微调，模型通过原生工具调用就能在视觉空间里思考和写代码。它内置九种能力：用文字定位物体、OCR 读图、深度估计、相机轨迹、放大细看、文本与图片搜索、访问网页，以及一个 Python 编码代理，每种能力都返回模型可读的证据。配合多模态记忆，图片、框、掩码、深度图和网页引用在整道题中都可被后续工具和代码复用。例如模型可以先定位物体、估算深度再计算空间关系，或裁剪陌生物体做以图搜图并到网页验证答案。在四个领域 22 个基准上，七个骨干模型平均提升 9.7 到 12.6 分。适合做多模态 Agent、视觉推理评测或研究工具调用的算法工程师和研究员，普通后端或前端开发者关系不大。

CRAB 是一套让 AI Agent 不看源码、只靠观察行为来重写软件的工具包。它把目标程序当成黑盒：驱动 CLI、网页或 Android 应用运行，抓取输出、无障碍树和 API 交互，再由 Agent 归纳成行为规则并逐条对照原程序验证，最后生成一份规格说明书，交给另一个 Agent 按规格从零实现，再用同一套测试比对克隆版与原版的通过率。过程中它会主动注入故障（5xx、断网、超时、畸形响应等）逼出边界行为，检查覆盖率缺口，并拦截任何照抄原文的表达。实际效果上，它在没见过的网页应用上隐藏测试通过率约 97% 以上，CLI 工具更是 397/397。适合做逆向工程、竞品分析、遗留系统重写或需要 clean-room 复现的团队；普通后端或 AI 应用开发者若无此类需求，关系不大。

这是一个针对 Sony A7C II（固件 2.01）的桌面端固件修改工具，用 Python 写成，提供图形界面，把原本需要命令行操作的刷写流程做成了按钮。它能给相机解锁或添加官方固件里没有的功能，比如 FL2/FL3 色彩模式、自定义创意外观（可导入 LUT/DCP 文件）、电子快门声音、竖屏显示，并支持一键恢复原厂状态。项目明确声明与 Sony 无关联，且刷写有导致相机无法开机、影响保修的风险，恢复也不保证成功，仅支持 A7C II 这一个型号。和多数读者的关系不大：它面向的是摄影爱好者和固件逆向研究者，如果你是 AI 或互联网从业者，除非你恰好是 A7C II 用户并愿意承担变砖风险，否则扫一眼知道有这么个东西即可，不值得深入。

这是一个让 Claude Desktop 在 Windows 上多开的工具：每个窗口可以绑定不同的 API，比如一个窗口保留官方订阅登录，其余窗口走 cc-switch 指向的第三方或自定义 API，互不干扰。窗口数量不限，带一个仿 Anthropic 风格的小 GUI（内置中文），桌面快捷方式、任务栏、托盘图标都做了区分。会话数据在窗口间共享，新会话、置顶顺序、MCP 配置会镜像同步；同一会话在两个窗口打开时会弹通知提醒。它还内置了较强的代理与身份隔离能力：启动前用双源 GeoIP 校验出口 IP 并自动对齐时区、语言，运行中通过网络熔断机制监控代理漂移，同时加固 Chromium 的 DNS、QUIC、WebRTC 防泄漏。适合需要同时管理多个 Claude 账号、在官方订阅与第三方 API 之间切换的重度用户，以及做账号隔离、防关联的运营人员；只是偶尔用用 Claude 的人基本用不上。

这是一个本地运行的摄像头特效工具，能把你的摄像头画面实时变成动漫里的「瞬移消失」效果，类似给直播或视频通话加一层趣味滤镜。它用 MediaPipe 做人脸和手势识别，通过按键或手势触发烟雾、粒子等特效，让人物瞬间消失再出现，视频全程只在本机处理，不上传服务器。输出可以接到 OBS Virtual Camera，方便在直播场景里使用。适合想给直播、短视频或线上会议加点整活效果的内容创作者和主播，尤其是喜欢 Naruto、Goku 这类动漫梗的人；如果你不玩直播或不做视频内容，这个项目和你关系不大。另外要注意，打包版 EXE 需要联网激活邮箱许可证，本地源码版则没有这层限制。

Kindi 是一个专为低端显卡和 CPU 打造的 LLM 推理引擎，可以理解为 llama.cpp 的「老硬件特化版」。它主打让 1 GB 显存的古董 Quadro K420、GTX 1080、RTX 3080、AMD Radeon 780M 核显乃至纯 CPU 都能跑起 Prism ML 的 Ternary-Bonsai-2 系列三值权重模型（2B 到 27B），也实验性支持 Nemotron 3.5 Bolt E4B，并提供 OpenAI 兼容的服务接口，可直接接入各类聊天客户端、脚本和 AI 编程 Agent。它的实际价值在于榨干被遗忘的硬件：在 K420 上比 llama.cpp 快约 13 倍，CPU 上也快 1.6 到 2.7 倍，prompt cache 对多轮 Agent 场景的提速尤其明显（同一份 9,400 token 文档的第三个问题，0.42 秒对 3.10 秒），且默认输出与 llama.cpp 逐 token 一致。适合手里有闲置旧显卡、想在本地低成本跑小模型做实验的算法和平台工程师；如果你只用云端大模型或高端显卡，这项目和你关系不大。

这是论文 SuperMimic（用一个可微世界模型做人形机器人全身控制）的非官方复现，作者用 AI 编程助手在一小时内写完，目标是复现论文中 LAFAN1 数据集上的对比实验：让一台 29 自由度的 Unitree G1 人形机器人学会跟随 40 段参考动作（跳舞、跳跃、摔倒爬起、冲刺等），训练只花了约 1.5 个 GPU 小时，评估归一化回报达到 0.829，40 段全部成功；作为对照，论文里的 PPO 基线跑 18 小时、最多 8 卡都到不了 0.82。作者在 README 里坦承代码是快速 vibe coding 出来的「slop」，未经审查，风险自负。适合关注人形机器人全身控制、可微仿真或想快速验证论文结果的具身智能、强化学习研究者和工程师；如果你不做机器人控制或仿真训练，这个项目和你关系不大。

这是一套给护理科研用的 AI 技能包，可以理解为把护理论文从选题到投稿的全流程拆成了 18 个「搭子」：检索搭子帮你写检索式、去重题录，精读和拆解搭子负责读文献、做证据卡，选题设计搭子把模糊的护理问题转成可行的研究方案，数据就绪搭子核对量表编码、生成数据字典，统计搭子给出本地分析计划和结果台账，写作、润色、配图、汇报、模拟审稿、审稿回复等搭子则覆盖成稿到返修的后半程。它本质上是给宿主 AI（如 Codex）提供工作方法、模板和参考的提示词与脚本集合，本身不执行临床验证，也不替代作者和统计人员的责任。对护理方向的研究生、临床护理人员以及带教老师最实用——比如正在写横断面研究或系统综述、卡在检索式怎么写、审稿意见怎么回的人，可以直接照着对应搭子的模板推进；如果你不做护理科研，这个项目和你关系不大。

这是一组给 AI Agent 接上「伊朗互联网」的 MCP 服务器合集，共 71 个 server、883 个工具，覆盖 Digikala、Torob、Divar、Snappfood 等电商比价，Neshan 地图导航，Jobinja、Bama 招聘与二手车，以及德黑兰股市、Codal 公司披露、央行汇率、加密货币、税法和新闻等数据源，价格以 Toman 计。它解决的麻烦是：Claude、Cursor、Copilot 等客户端里的 Agent 默认摸不到伊朗本地网站，装上后就能直接查比价、找餐厅空位、看航班票价、查职位和公司财报。多数 server 只读、免登录，部分数据仅限伊朗境内 IP。值得看的是做伊朗市场调研、跨境电商比价、本地化 Agent 应用的开发者，以及需要频繁抓取伊朗公开数据的分析师；如果你的业务和伊朗无关，这个项目基本用不上。

Asamana 是一个由 AI 驱动的涌现式叙事引擎：你给它一个主题，它就生成一个共享世界和一群各有性格、记忆、情绪与目标的 AI 角色，角色之间自主互动，故事在没有剧本的情况下自然长出来。它把角色认知拆成感知、动机、决策、行动、反馈五个阶段，用结构化输出和共享上下文保证角色行为前后一致，避免长对话导致的上下文膨胀和幻觉扩散。配套前端可以实时观察世界、查看 2D 地图、关系网络和叙事流，也支持回放。适合做 AI 叙事、生成式 Agent、多智能体模拟研究的开发者和内容创作者，用来快速搭一个可观察、可调优的 Agent 世界；如果你不研究 Agent 或互动叙事，跟你的关系不大。

这是一个持续更新的逆向工程案例合集，收录了大量借助 AI 编码助手（如 Claude、Codex）配合 REA 这类工具完成的真实逆向项目。REA 的作用是把 coding agent 接到本地逆向工具上，让 AI 能直接分析二进制文件。合集里的案例非常具体：比如用 Claude 研究 Tapo 智能家居协议后做出局域网控制工具、逆向 Fractal Scape 耳机的 USB HID 协议写出独立控制端、把 1999 年的 MechWarrior 3 逐函数重建成现代 C++ 版本、以及给老游戏做兼容启动器。每个案例都标注了证据状态和验证程度，能帮你分辨哪些是实测、哪些只是作者自述。如果你是安全研究员、做设备协议开发或游戏复刻的工程师，或者单纯对「AI 辅助逆向」这个新工作流好奇，这份列表能快速给你提供参考案例；如果你不碰二进制分析，关系就不大。