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。

nesformer 把任天堂红白机的 6502 CPU 直接编译进了未经训练的 Qwen3.5 模型权重里：2 KB 工作内存、卡带程序 ROM 都存在模型的 Gated DeltaNet 状态中，玩一局游戏时，模型逐 token 预测 CPU 的执行日志，宿主程序负责画屏、读手柄和触发 vblank 中断。它基于此前把 CHIP-8 和 RISC-V 编译进 Qwen3.5-4B 的 Qwenputer，扩展到了能跑 Super Mario Bros.、Donkey Kong 这类 NROM 卡带游戏，输出帧与传统 6502 模拟器完全一致。速度很慢，一帧要 1 到 6 秒，600 帧约需 25 分钟。这本质上是个展示「Transformer 状态可当图灵机内存」的实验性研究项目，对做模型架构、状态空间模型或对 LLM 计算本质好奇的 AI 研究者和工程师值得一看；想拿它玩游戏或做实际应用的人可以跳过。

OpenManus 是 Manus 的开源复刻版，一个通用 AI Agent 框架，由 MetaGPT 团队开发，不需要邀请码就能自己跑起来。它能接收一句自然语言指令，自主拆解任务、调用工具去完成，比如让浏览器自动操作网页抓取信息、执行代码、生成图表，还内置了专门做数据分析和可视化的 DataAnalysis Agent，也集成了 Browser Use 来驱动真实浏览器。适合想研究 Agent 内部实现、或需要在本地搭建可定制 Agent 的开发者，比如做自动化办公、网页数据采集、数据分析流水线的人。如果你只是想体验 Manus 类产品，直接用官方产品更省事；但如果你是做 Agent 应用研发、想参考成熟 Agent 的架构设计，这个项目值得翻一翻代码。对多数非技术岗位的读者来说关系不大。

gpt4free（g4f）是一个把各家大模型聚合到统一入口的开源项目，可以理解为「模型界的聚合器」：你只对接它一个接口，背后能切换 GPT、Claude、Gemini、DeepSeek、Kimi 等不同厂商的模型，还附带本地网页聊天界面、Python/JavaScript 客户端和兼容 OpenAI 格式的 API。它主要解决的是反复在各家控制台申请 key、切换 SDK 的麻烦——比如你想快速对比同一个 prompt 在 DeepSeek v3.2 和 Gemini 3 上的输出差异，或者给内部工具接一个能随时换底层模型的统一网关，用它都能省不少事。适合需要频繁试用多模型、做模型对比评测的算法和应用开发者，以及想低成本搭一个聊天界面的独立开发者；如果你只用单一厂商的官方 API，或者对模型来源的合规性有严格要求，那它跟你关系不大，因为部分渠道来自逆向工程，稳定性与合规风险需要自行评估。

imozuru 是一个给 Claude Code 用的调研技能，解决的是「让 AI 查资料时只读搜索结果前几条就草草总结」的老毛病。它借鉴图书馆信息学里的信息探索理论，先摸清一个陌生领域的术语、关键人物和信息聚集的平台，再顺着引用、参考文献、作者一路追到原文，把原文完整存下来而不是只留摘要，最后按论点整理出带出处的摘录页和分层解说的详细报告，另有一个看板把所有调研汇总成一页。比如你想搞懂 Gaussian Splatting 或者某类音频混音的处理流程，它能挖到论文和一手文章并告诉你每个论点出自哪个文件哪一行，方便你亲自核对依据；还有个监视模式可以持续收集指定话题在 Qiita、arXiv 等来源的新内容。适合需要深入调研陌生技术领域、重视结论可溯源的工程师、技术写作者和研究者，如果你平时只是随手问 AI 几个问题，关系不大。

这是一本面向零基础读者的半导体制造入门电子书，用一条硅晶圆的旅程串起全书：从沙子到晶圆，经过光刻、薄膜、刻蚀、离子注入、CMP、清洗、金属化等工艺模块，再到完整的 CMOS 流程、先进晶体管结构和存储器工艺，最后到测试封装成为芯片。它刻意跳过艰深的物理推导，重点讲工艺流程、术语和产线上的实操经验，每章都配术语框和经验框，且提供简体中文、繁体中文、英文、日文、韩文五个版本。适合想快速搞懂芯片是怎么造出来的人：比如刚入职晶圆厂或设备公司的新人、需要和供应链或代工厂沟通的互联网与 AI 硬件从业者、做芯片投资或行业研究的人，以及单纯好奇「一颗芯片如何从沙子变成产品」的技术读者。如果你的工作完全不涉及硬件供应链，那它和你的日常关系不大。

Verdict 是一个只有 197 KB 的本地小模型，专门判断命令行工具调用到底成功了没有。它的出发点是「退出码为 0 不等于成功」：进程可能一个测试都没跑、返回了 HTTP 500、或者只做了 dry-run，却依然正常退出。Verdict 会读取命令、退出码、stdout 和 stderr，输出 success、failure、blocked 或 unknown 四种结论，帮助 Agent 区分「真失败」和「环境被挡住了」，从而决定该重试、该停下还是可以宣称完成。在 48 个训练时完全没见过的 CLI 家族上，它的准确率达到 93.2%，而只看退出码的基线只有 47.9%。推理纯 Python 标准库、CPU 上 0.5 毫秒出结果，不联网不上传日志。README 也明确说它只是辅助分类器，不能替代确定性检查。适合在做 coding agent、CI 流水线或工具调用编排、需要判断 Agent 是否谎报成功的从业者看一眼。

这是阿尔及利亚行政区划的地理数据包，把全国 69 个省（wilaya）、538 个区（daira）、1,541 个市镇（commune）的名称、编码、邮编、坐标和边界数据打包成 Python 和 TypeScript 两个库，功能完全对齐，且不依赖任何第三方运行时。它解决的是做阿尔及利亚相关产品时找不到权威、结构化地理数据的麻烦：比如你要做一个地址选择器，可以直接生成阿拉伯语或法语的下拉选项；用户输入「Warqla」能模糊匹配到「Ouargla」和「ورقلة」，阿拉伯语变音符号、法语重音、音译变体都能折叠处理。数据还覆盖了 1984 年 48 省、2019 年 58 省、2026 年 69 省三个历史时期的边界，方便做跨年代的数据对比，同时提供 GeoJSON 可直接喂给 Leaflet 或 MapBox 画地图。做北非市场业务的后端、前端或数据工程师，以及需要行政区划数据做分析的人值得看；和阿尔及利亚无关的从业者基本可以跳过。

Decision Forge 是一个把公司内部规章制度编译成可审计的决策训练数据的工具。它读取你们的员工手册、SOP、审批规则和权限表，先提炼出带原文引用的规则草案供业务方审核，再用这些规则去标注从工作流、工单、CRM 记录里还原出的决策场景，产出带来源溯源、标签可复现的样本，用来微调或评估 AI Agent。它解决的问题是：Agent 接手客户分配、文件共享、付款审批这类操作时，凭什么判断该做不该做——通用模型没有你们公司的判断标准，只能从内部文档里学。适合需要让 Agent 在生产环境里按公司规矩行事的团队，比如负责 Agent 落地的工程负责人、做决策类模型微调的算法工程师，以及需要向业务方交代 Agent 行为依据的 AI 治理岗位；如果你的工作和 Agent 决策、合规审计无关，这个项目暂时和你关系不大。

MemForge 是给 AI 编码代理用的记忆层，可以理解为 Claude Code、Codex 这类工具的「团队大脑」。它把散落在 Confluence、Jira、Teams 等系统里的 wiki、工单和聊天记录同步下来，用模型提炼成一条条带出处的短记忆，代理通过 MCP 检索这些记忆，而不是每次从零翻文档。它解决的具体麻烦是：新加入的代理只看得到本地代码库，对团队既有的技术决策、约定和历史一无所知；而直接把整篇文档塞进上下文又太占空间。MemForge 只返回精确的事实并附带原文出处，文档过期或两处说法冲突时会自动更新或标注。适合正在用 Claude Code、Codex 等 AI 编程工具、且团队知识散落在多个协作系统里的研发团队，尤其是需要让代理理解历史决策的工程师；单人开发者或不依赖 AI 编码代理的人关系不大。

CVEngine 是一个开源的外部攻击面评估平台，可以理解为把资产发现、漏洞扫描和威胁情报三件事合成一个持续循环的自动化安全工具：输入你的域名，它自动盘点所有暴露的域名、子域名、IP、端口、产品版本和 TLS 配置，再把当天正在被真实利用的 CVE 与你的实际暴露面匹配，直接给出「哪些漏洞真的能打到你」的结论，而不是一堆告警。它的核心价值在于证据驱动：AI 分诊加上只读验证，用 Nuclei、nmap 等工具复现漏洞并记录命令，按真实利用情况给每个 CVE 打出 fire、smoke、ice 评级，同时用时间线追踪新主机、端口变化和页面改动。适合安全运营、渗透测试、漏洞管理岗位以及做 bug bounty 的人使用，尤其是想自建攻击面管理又不想付商业 ASM 平台费用的团队；纯开发或产品岗位关系不大。

这是一份持续更新的 awesome 清单，收录了 149 个活跃的开源 AI 游戏开发工具，每天从 GitHub API 拉取真实数据刷新，只保留 100 星以上且一年内有提交的项目。它覆盖两大方向：一是用 AI 做游戏，从美术、3D 动画、音频、NPC 叙事到代码引擎、测试 QA、Agent 与 MCP server 都有分类；二是反编译、重混和魔改你自己拥有的游戏，包括 AI 逆向、decomp/recomp 项目、Agent 驱动的 modding 和 AI 替换素材。比如你可以用它找到给老游戏换 AI 生成贴图的工具，或者让 coding agent 读取你手头的游戏文件做二次创作。适合独立游戏开发者、游戏行业技术美术和程序、以及对 AI 逆向工程感兴趣的从业者快速选型；如果你完全不碰游戏开发，这份清单和你关系不大。

Franco 是一个跑在你本机上的自动外联销售代理，用你已有的 Claude Code 或 Codex 订阅驱动，不额外产生模型 API 账单。它接手一份客户名单，为每个客户找到写信的理由，从你自己的邮箱发出简短的邮件序列，再读取并处理回复，所有引用的事实都记录来源。它有三种工作方式：默认模式下模型会自己找企业、读官网、挑对人并起草个性化序列；模板模式则逐字发送你审核过的文案，合规页脚和退订规则由代码强制执行；还有一种漏斗模式，把客户分进最窄的销售漏斗再按既定故事写信。每封邮件默认都要你过目，也可以开自动发送，新战役一律先预览、签字后才发。适合做 outbound、冷邮件开发的销售和增长负责人，以及想用 AI 提效但要保留人工审核权的团队；纯技术岗或不做主动获客的人关系不大。

agentplay 是一个本地运行的 coding agent 会话回放工具，把散落在 ~/.claude、~/.codex、~/.cursor 等目录里的对话记录，转成一张可交互的地图和一条可播放的时间线，让你看清 agent 到底读了什么、改了什么、哪里失败、最终产出了什么。它兼容 Claude Code、Codex、Cursor、Copilot、OpenCode、Kiro、Gemini CLI 等主流工具，一条命令即可扫描本机已有会话并打开本地查看器，无需账号和 API key，数据不出机器。地图以放射树展示会话触及的仓库、文件、shell 命令、MCP 服务、子 agent、错误和产出的 commit/PR；时间线支持 1x 到 16x 回放，按 prompt、错误、编辑、token 消耗、上下文占用等分轨展示，还能按任务或单个子 agent 重新聚焦。适合重度使用 AI 编程助手、想搞清楚「agent 为什么改错文件」「上下文在哪一步撑爆」「哪个命令反复重试」的工程师和团队负责人；偶尔用一下 agent 的人关系不大。

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。

这是针对 PHP 两个高危漏洞 CVE-2026-109618/109619 的研究与攻防工具包，核心是利用 session.upload_progress 机制和 Zend 引擎 OOM 异常处理缺陷实现远程代码执行。漏洞影响 PHP 5.4 到 8.5 共 14 年的版本，覆盖约 78% 的网站，包括 WordPress、Laravel、Drupal 等主流框架的默认安装，多数利用链无需登录即可触发，其中一条对任何 mod_php 站点零依赖直接 RCE。仓库提供三条完整利用链的 PoC、可复现的实验环境，以及现成的 Suricata、Sigma、ModSecurity、OpenResty 检测规则，还给出最简缓解方案：在 multipart 请求中直接拦截 PHP_SESSION_UPLOAD_PROGRESS 字段。安全工程师、WAF/SOC 运维和 PHP 后端开发值得优先看，前者可直接导入检测规则并评估资产暴露面，后者需确认自己站点的 PHP 版本是否在受影响范围内并尽快打补丁；纯前端或非 PHP 技术栈从业者关系不大。

IDM 是一种让文生图模型「少步出图」的蒸馏方法，全称 Intrinsic Distribution Matching。它把分布匹配蒸馏（DMD）和生成器自身 EMA 特征空间里的矩匹配结合起来，不需要外挂 DINOv2 之类的外部特征编码器，训练出的同一份权重就能支持 1 步和 2 步采样。效果上，在 Z-Image 上 2 步生成一张图只要 0.3 秒（A100），Qwen-Image 也只要 0.44 秒，同时长文本渲染能力在同预算方法里最强，LongText-CN 达到 94.25%，比 Z-Image-Turbo++ 高 2.63 个百分点。它解决的是扩散模型出图慢、步数多导致延迟高的问题，适合对实时性有要求的线上文生图服务。值得看的是做推理加速、模型蒸馏或多模态生成方向的算法和工程同学，尤其是正在优化文生图延迟、又不想牺牲长文本渲染质量的人；如果你不碰图像生成，这项目和你关系不大。

这是一套面向中文读者的大模型入门教程，核心是用 PyTorch 从零手写一个 GPT-2：不调用任何现成 Transformer 模块，模型代码不到 200 行，加载 OpenAI 官方权重后能真正跑通推理和文本生成，并与 HuggingFace 实现逐项对齐验证。教程用「猫吃鱼」这个三词例子，把从分词、Embedding、自注意力到文本生成的完整链路拆成 15 篇文章，每篇配可运行脚本，还提供矩阵逐格计算的在线可视化，帮读者看清 Attention 公式里 Q、K、V 到底在算什么。它适合两类人：一是想搞懂大模型底层原理、但被论文和公式劝退过的算法工程师或学生，可以对照代码和动图把 Transformer 每个模块吃透；二是需要给团队做 LLM 基础培训的技术负责人，能直接拿它当教材。如果你只关心调用 API 或部署模型，这项目和你关系不大。

Construct 是给 AI Agent 用的一套工具：你用大白话描述一个东西，Agent 负责调研并写出一份精确、可校验的结构描述——它有哪些命名部件、真实尺寸、如何装配、如何开合运动，以及每个信息是实测还是推测。Construct 校验这份描述后，把它渲染成一个网页里的「光线全息」动画模型，同一份描述永远生成同一个结果，还能进一步导出带可动关节的 3D 模型、CAD 文件、3D 打印件或拼装套件。它兼容 Claude Code、MCP 客户端和任何 OpenAI 兼容接口，输出统一视觉风格，并对每个部件标注「已知/猜测」的可信度。典型场景包括：把自家吉他、老车复刻成可旋转分享的数字副本、给缺失零件画可打印的替换件、做家居改造前的规划模型，或为游戏和影视从真实物体出发设计新资产。对做 Agent 工作流、MCP 集成、游戏资产和数字孪生方向的开发者最相关，普通 AI 从业者也可当案例看看。