这是一套给「一人公司」做 AI 产品用的 Agent Skill 合集，把创业全流程拆成七步：MVP 验证、写商业计划书、查政策补贴、练路演、小红书抖音冷启动获客、定价成交、公司注册与合规。它有一个总入口，你只需说清楚自己在做什么、做到哪一步，它会判断你处于哪个阶段并调用对应的子 skill，每步产出还能串到下一步。比如先验证有没有人要再写 BP，拿到验证证据后直接喂给商业计划书和路演稿。政策查询只引用官方原文链接，不编造行业数据。适合正在中国做 AI 工具、Agent 应用的独立开发者和早期创业者，尤其是需要申请园区孵化器补贴、参加创业大赛、摸索冷启动获客的人；它明确不提供法律税务意见，也不针对面向 VC 的融资路演，纯技术岗或大厂员工基本用不上。

MemT-1.0 是一类把「长期记忆」直接做进模型计算里的记忆基础模型，可以理解为给 LLM 装上一块随交互不断演化的原生记忆区，而不是每轮都把完整历史塞回上下文。它包含动态本地记忆和可训练的超记忆两部分，推理时无需回看原始对话，持久状态大小恒定，在 128K 历史长度下比全量 KV cache 省约 66% 存储。项目提供基于 Qwen3.6-35B-A3B 的 Nano 和基于 DeepSeek-V4-Flash 的 Flash 两个规格，并在 11 个记忆基准上取得参数化记忆方法中的前两名，还演示了把过往编码经验存进原生记忆、在长程 agentic coding 中复用的做法。适合做 Agent 应用、长对话产品或关注记忆机制与推理成本的算法工程师看；如果你只做前端、运维或不涉及长上下文的常规 LLM 调用，关系不大。

TOMC Memory 是给 Claude Code、Codex、Cursor 这类 AI 编程助手补记忆的工具，解决的痛点很具体：每次开新会话都要重新解释项目背景，而且助手还会把过时的旧结论翻出来——比如你的技术栈从 Flask 换到 Django、再到 FastAPI，最后定在 Litestar，它只该告诉你最新答案。它把历史对话和笔记压缩后按需喂给助手，只保留每个事实的最新版本并附上出处，同时大幅削减输入 token：作者自己的测试显示，保留 40% 历史能把请求输入减少约三成且答案全对，长历史场景下也优于其他六种记忆方法。要注意它不会压缩助手正在进行的对话，一万 token 以下的短历史收益有限，而且靠词面匹配而非语义理解，改写式的更新可能漏掉。适合重度使用 AI 编程工具、经常开新会话又烦于重复交代上下文的工程师，以及研究 Agent 记忆和上下文压缩的人；偶尔用用 AI 聊天的人关系不大。

FlashAlign 是一个给大模型做「按需对齐」的工具，核心能力是 abliteration——也就是把模型的拒绝倾向削弱，让它更少说「我不能做这个」。它最实用的地方在于不用永久改权重：同一份模型权重，可以在不同请求上套用不同对齐档案，比如对已验证的用户和渠道放开限制，对其他请求保持原样，或者干脆全局开启。目前提供五个起步档案，覆盖 DeepSeek V4.1 Flash、GLM 5.3、Qwen3.8-27B、Gemma 4 等模型，兼容 vLLM、SGLang、llama.cpp 等主流推理引擎，也能接进 Hermes、OpenClaw 或自建 harness。它解决的麻烦是：想让模型在特定场景少拒绝，又不想为此单独维护一份改过权重的模型副本，还得防止被滥用。适合在本地或私有环境跑推理服务、需要针对不同调用方差异化控制模型行为的算法和平台工程师；如果你只是调用 API 或做应用层开发，跟你的关系不大。

BlinkMimic 是一个让 Unitree G1 人形机器人学会全身动作模仿的训练框架：给它一段参考动作数据（如 LAFAN1 数据集里的 40 段人体动作），它能训练出一个策略，让机器人在仿真里复现走路、摔倒爬起等全身动作。它的卖点是快——在单张 RTX 4090 上约 3 分钟就能把 40 段动作全部训到高完成度，明显快于 SuperMimic 和 InstantTrack 等同类方法。做法上它基于 mjlab / MuJoCo Warp，用一个可微世界模型做想象 rollout，再通过反向传播优化策略，并改进了优化器选择和仿真器的 reset 分配。对做 humanoid 机器人强化学习、动作模仿（motion tracking）的研究者和工程师来说，这是一份值得对照的加速方案；如果你不做人形机器人控制或仿真训练，和你的关系不大。

Keras 是一个面向深度学习的高级框架，主打「Deep Learning for humans」，用简洁的 API 帮你快速搭建和训练模型，覆盖计算机视觉、自然语言处理、时序预测、推荐系统等常见任务。Keras 3 最大的变化是变成多后端框架，同一份模型代码可以跑在 TensorFlow、JAX、PyTorch 上，推理还能切到 OpenVINO，相当于在 PyTorch 和 TensorFlow 之间不再二选一，还能按模型结构挑最快的后端拿性能收益。它兼容原有 tf.keras 代码，也能直接消费 tf.data 或 PyTorch 的 DataLoader，方便避免框架锁定。适合需要快速原型、跨框架迁移或在 JAX/PyTorch 上补一个成熟训练库的算法工程师和 ML 研究者；如果你只做纯推理部署或不写模型代码，关系不大。

PrivateGPT 是一个开源的 API 层，把本地跑的大模型包装成可直接用于生产的 AI 应用后端，可以理解为「本地版的 Claude/OpenAI API」：它自己不运行模型，而是对接任何 OpenAI 兼容的推理服务（Ollama、llama.cpp、vLLM 等），在其上补齐消息流式接口、文件与文档摄取、带引用的 RAG 检索、网页搜索与代码执行等内置工具、MCP 连接器、数据库和 CSV 的结构化访问等高层能力。典型场景是企业内网部署：比如把公司文档喂进去做带出处的问答，或让 Claude Desktop、Word/Excel 插件、n8n 工作流这些现成工具直接以本地模型为后端，数据不出机房。值得看的是需要私有化 AI 的后端和平台工程师、正在评估 on-premise 方案的技术负责人，以及想给内部工具快速接上本地模型的开发者；如果你只用云端 API 或不涉及 AI 应用开发，和你关系不大。

FoxProfile 是一个免费开源的反检测浏览器配置管理器，可以理解为自托管版的 GoLogin 或 MoreLogin：每个配置文件都是一个独立身份，各自拥有专属的设备指纹、cookies、代理、时区和语言，底层支持 Camoufox（Firefox 系）和 Chrome 两种引擎。它主要解决多账号运营和网页抓取时的关联风控问题——比如跨境电商卖家同时管理几十个店铺账号、广告投手跑多个投放账户，或者爬虫工程师需要让请求看起来来自不同真实设备，用它就能给每个账号绑定独立指纹和出口代理，还能一键检测出口 IP 与 Cloudflare、ipinfo 等数据源是否一致、是否被识别为机房 IP。项目提供桌面应用、REST API 和 MCP server，意味着 Claude、Cursor 等 AI Agent 可以直接驱动这些浏览器配置去点击、输入、截图。适合做多账号运营、网页自动化和数据采集的工程师，以及想省掉 GoLogin 订阅费的自托管玩家；纯做模型训练或后端开发的人关系不大。

heditor 是给 Claude Code、Cursor、Codex 这类 AI 编程 Agent 用的视频剪辑技能包，装上后你直接用自然语言下指令，比如「把这段剪成 podcast 风格」或「用 GTA 6 的感觉处理 12:30 到 13:40」，Agent 就会全程本地完成：分析画面找到说话人、按词级时间戳转录并挑出 30-70 秒的完整观点、帧级精剪并压缩停顿、为每条视频单独设计视觉方案，再用 HTML+GSAP 合成渲染，最后混音时保证人声始终在前、背景音乐和音效压在后面。它内置十几种命名风格，从电影感、惊悚监控录像、复古游戏 HUD 到纪录片、聊天 App、机场塔台，甚至能生成人物分身在不同场景间瞬移。适合做 Reels、Shorts、TikTok 竖屏内容的创作者和内容团队，以及想把口播素材批量变成成片的运营；如果你不做视频，跟你的关系不大。

MAFDET 是一个本地 LLM 聊天工具，核心卖点是利用你打字的时间提前干活：你还在输入时，它就同步维护 KV cache 把消息读完，甚至让模型提前开始推理，按 Enter 时大部分工作已经完成。实测在 Qwen3-4B 上把回车后的等待从 12.2 秒压到 3.2 秒，14B 从 108 秒降到 47 秒，答案正确率不变；中途删改、粘贴都不影响结果的正确性。它面向普通消费级硬件，参考机型是 6GB 显存的 RTX 2060，也支持 Apple Silicon 和纯 CPU 运行，提供 GUI 和终端两种界面。适合经常在本地跑 Qwen3 等推理模型、又被 prefill 和思考阶段漫长等待折磨的开发者和研究者；如果你不玩本地大模型，这个项目和你关系不大。

Morrow 是一个本地运行的求职工作台加自动投递引擎，可以理解为「帮你自动海投的求职管家」。它每天跑一遍完整流程：先按你的简历和目标岗位定制简历，再用浏览器自动登录 Naukri、Wellfound、Instahyre、Hirist 等招聘平台和公司官网投递，同时检查各平台资料是否完整、有没有待答的招聘方问卷，并生成一份面试学习计划。所有操作只有在页面上确认成功后才记为完成，每次投递保存的简历版本、结果和链接都会写进本地数据库和日报，数据不出你的机器。它依赖你已装好的 AI 命令行工具（Claude Code 或 Kiro）来生成回答，遇到不知道的问题会放进待办收件箱让你确认，而不是瞎编。适合正在海投、需要同时维护多个招聘平台资料的求职者，尤其是印度市场的程序员；如果你不找工作，这个项目和你关系不大。

这是一个自动更新的案例索引库，收录用 REA（reverse engineer anything）这个逆向工具做出来的优秀案例。REA 本身能把你的 coding agent 接到二进制文件、JavaScript/Electron 应用、.NET 程序集和网站的分析工具上，带证据地解释软件功能是怎么实现的；而这个仓库则把社区里用它「看懂、重建、复刻」出来的成果——官方案例、开源项目、博客和讨论——每天从全网抓取汇总，目前已有 264 条，还配了一个可按标签筛选和搜索的可视化页面。案例内容相当具体，比如 Notion 如何复制文本和 HTML、身份验证器如何生成登录码、DX-Ball 的声音定位算法、CTF 的 flag 校验器怎么写，以及用 REA 构建强化学习环境等。值得看的是安全研究、逆向工程、二进制分析岗位的从业者，以及想了解 AI agent 在真实逆向场景里能做到什么程度的 AI 工程师；如果你的工作和逆向、安全无关，这个索引库基本可以跳过。

Exuvia（蝉蜕）是一个为 AI Agent 设计的 Android 加壳脱壳与修复流水线，主打「机械分析零 token、瓶颈外包给 LLM、最终判定由 Rust 侧给出」。它分两条线：一是脱壳，静态解剖 APK 产出结构化报告和证据切片，把真正需要智能判断的部分打包成工作包交给外部大模型，工具本身不调用模型也不假装理解；同时支持运行时动态抓取 DEX，不依赖特定壳家族。二是修复，这是它的差异化卖点——市面上第三方 dumper 很多，但没人能把 dump 出来的 DEX 修回能真正启动的 APK，Exuvia 走完类清理、去织入、方法体还原、manifest 手术、签名全流程，README 称已在真实企业壳样本上闭环验证。适合做 Android 安全研究、逆向分析、脱壳工具链的从业者，以及想让 AI Agent 自动化处理加壳 APK 的人；普通开发和纯 AI 应用岗位关系不大。