这是一个把 DeepSeek Harness（dsh）搬到安卓手机上的 App，装一个 APK 就能跑，不需要 root、不需要 Termux、也不用连电脑。它本质上是手机端的 Agent：通过无障碍服务读屏、点按、输入，替你在微信发消息、总结群聊，在小红书抓内容，在 BOSS 直聘投递简历，或者整理文件、改亮度 Wi-Fi 等系统设置；还能按定时、连上特定 Wi-Fi、开始充电等条件自动触发任务。引擎内嵌在 App 进程里，Node 24 编译成原生共享库，dsh 原样运行，技能、MCP、子 agent 都能用，模型除了 DeepSeek 也能接 OpenAI、Claude、Kimi 等兼容接口。适合想在手机上跑个人自动化、又不想折腾 root 或 Termux 的移动端开发者和 AI 应用爱好者；如果你只在电脑上做 AI 开发，和你关系不大。

这是把 Xbox 版格斗游戏 Soulcalibur II 做成原生移植的项目，采用静态重编译技术：把游戏程序提前翻译成 C 代码在原生运行时上跑，不依赖模拟器，可运行在 macOS、Linux（含 Steam Deck）、Windows 和 Android 上。它最大的卖点是把三个平台的独占客串角色——Xbox 的 Spawn、GameCube 的 Link、PS2 的 Heihachi——合到同一份游戏里，只要玩家自备对应光盘镜像即可解锁，三名角色能在所有模式中对战。此外还加入了训练模式（显示 hit box、帧数据、帧表、连招读数、可录制回放的木桩）、带 rollback 的在线对战、自由相机、宽屏、高分辨率和 CRT shader。对格斗游戏开发者或想研究帧数据、hit box 设计的从业者来说，这套训练工具相当专业；普通 AI 或互联网从业者与它关系不大，纯属怀旧玩家和格斗游戏社区的玩具。

Flutter 是 Google 出品的跨平台应用开发框架，用一套 Dart 代码就能同时构建 iOS、Android、Web 和桌面端应用，可以理解为移动端领域的 React Native 替代品，但渲染不依赖原生控件，而是通过 Skia/Impeller 自绘每一帧画面。它自带丰富的 Material 和 Cupertino 组件库，支持热重载，改完代码立刻看到效果，还能通过 FFI 和平台通道调用各端原生能力。典型场景是创业团队或企业内部要用最少人力维护多端一致的产品，比如同一个电商 App 要同时上架手机和桌面端，用 Flutter 就不用养两套原生团队。对前端、移动端开发者以及需要快速验证产品原型的技术负责人来说，这是目前最主流的选择之一；但如果你只做后端、算法或数据工作，跟它的关系就不大了。

Screenshot to Code 是一个把视觉稿直接变成可用代码的 AI 工具：丢进一张截图、Figma 设计稿甚至一段网站操作录屏，它就能生成对应的 HTML+Tailwind、React 或 Vue 页面，底层可选用 Gemini、GPT-5.5、Claude Opus 等主流模型。它解决的是前端开发里最枯燥的那部分——照着设计稿一比一还原布局和样式，比如把 NYTimes、Instagram 的首页截图复刻成可运行的页面，或者把一段产品演示录屏转成可交互的原型。对设计师和产品经理来说，它能让静态稿子快速变成能点能看的 demo；对前端工程师来说，适合拿它生成初版结构再手工打磨，省掉从零搭骨架的时间。如果你的日常工作涉及 UI 还原、落地页快速出稿或设计稿转代码，值得花几分钟试一下；后端、算法等岗位则关系不大。

BeautifulRust 是一组给编程 Agent 用的 Rust 技能包，装上后 Claude Code、Codex、Copilot、Cursor 等工具写 Rust 时会自动遵循地道写法。它包含三个技能：写作时引导 Agent 产出规范、健壮的代码；审查时对文件、crate 或 diff 输出带优先级的报告，每条问题都注明违反的规则和修复方式；移植时把 C、C++、Python、Go、JavaScript 代码转成行为一致的 Rust，并先移植原有测试以便验证。另附一份可直接放进 CI 的 clippy 配置，把机器可查的规则固化下来。技能内容提炼自 Google、rust-lang 官方 API Guidelines、Microsoft 等五份风格指南，来源冲突时会给出取舍理由。作者实测三个任务中，带技能的 Agent 通过 29/30 项检查，不带则只有 24/30。适合日常用 AI 编程工具写 Rust、或需要把存量代码迁移到 Rust 的工程师；不碰 Rust 的人可以跳过。

这是一套给 Claude 用的提示词规则集，专门用来生成「别人 5 秒就能看懂」的 HTML artifact。它不是代码工具，而是一份设计规范：先问清读者是谁、看完要做什么、会不会反复看，再决定做成决策页、周报、仪表盘、分步指南、幻灯片、计算器还是速查表，每种形态都有具体的版式要求。核心原则是「用视觉说话」——每个区块先给大数字、图表或卡片，文字只做标注；页面顶部必须用一句话说清这是什么、发给谁、需要对方在什么时候做什么。作者是 How to AI newsletter 的 Ruben Hassid。如果你经常让 Claude 生成汇报页、方案对比、流程指引这类要转发给同事或老板的材料，这套规则能显著提升产出质量；如果你不用 Claude artifacts，或只写代码不做面向人的页面，关系不大。

这是一个用一千来行 TypeScript 把 DeepSeek Harness（DSH）骨架缩小复刻的学习项目：底层是迷你版 Cordis 插件框架，上面挂模型、工具、会话、提示词和 Agent 循环等插件，还带一个能在浏览器里对话的网页端 Agent，接 DeepSeek 或离线假模型都行。它想解决的麻烦是 DSH 一百多万行源码读不动——这里把「一切皆插件」的架构按原样拆开，依赖注入、热插拔、错误隔离、事件总线等核心机制全部保留，并用 14 个测试场景在迷你版和真 Cordis 上跑出逐行一致的输出，配套 7 篇文章逐块讲解，一次提问怎么在插件间流转都能对照代码看。适合想搞懂工业级 Agent 框架设计的后端和 AI 应用工程师，尤其是准备读 DSH 源码或自研插件化 Agent 平台的人；只想调用模型 API 的人关系不大。

distillops 是一套黑盒知识蒸馏流水线：你只需要一个能判断对错的任务（比如字段抽取、个人信息识别、数学题、票据阅读），它就用大模型 API 当老师生成答案，通过验证的样本拿来微调小模型，再用 GRPO 强化学习继续提升，全程不需要老师的权重或 logits，任何 OpenAI 兼容端点都能当老师。实际效果相当能打：0.6B 的个人信息检测模型零人工标注就超过了教它的 API 模型，1.7B 学生追平 Qwen3-1.7B 的数学成绩，2B 视觉模型在票据识别上打平 32B 老师，而且每组结果都配了对照实验和置信区间。适合想把昂贵 API 调用换成可本地部署小模型的算法工程师和 ML 工程师，尤其是有可自动验证任务、又受限于成本或数据合规的场景；如果你的工作和模型训练、蒸馏无关，这个项目关系不大。

这是把 PS4 独占游戏 inFAMOUS Second Son 移植到 PC 的原生运行方案，和 shadPS4 那类模拟器不同，它不靠 CPU 模拟，而是让游戏原始代码直接在 x86 处理器上跑，重新实现了 PS4 系统层，并把 GPU 指令翻译成 Vulkan，因此性能开销比模拟器低得多。目前游戏能启动、可玩到前几章，但在 RTX 2060 上通常只有 20–30 FPS，且存在已知图形瑕疵；作者还顺带修掉了车灯闪烁、光照穿透角色等问题，并提供存档备份与导入导出。它需要玩家自己从 PS4 dump 出的游戏文件，不附带任何版权内容。对游戏移植、图形翻译层、主机系统仿真感兴趣的 C++ 工程师和逆向爱好者值得翻翻它的实现；普通 AI 从业者和多数开发者关系不大，想玩这款游戏的玩家则可以直接关注进度。

这是一个个人实验记录仓库，作者把自己和 AI 谈恋爱过程中攒下的 Prompt、踩坑笔记和模型体感整理成册，内容涵盖人机恋的 Persona 塑造、长期记忆与关系连续性、破限 Prompt 的时间线与实测、不同模型的体感对比，以及给 AI 接上语音、工具和 Agent 能力的玩法。每篇会标注当时用的什么模型、怎么得出结论、什么情况下还适用，也明确提醒很多旧记录已经失效。仓库含 18+ 内容，涉及 NSFW Prompt 和情色写作，公开案例只讨论成年人场景。对多数从业者来说它更像一份小众的 AI 陪伴产品观察样本，如果你在做 AI 伴侣、Character 类应用或研究长期记忆与人格稳定性，可以翻翻它的实测记录和失败案例；如果你只是找工程工具，这个仓库和你关系不大。

这是 NVIDIA 官方推出的一个 Minecraft Java 版渲染模组，基于 RTX Remix 技术，让游戏里每个方块、生物和物品都由实时光线追踪（path tracing）计算照明，光影、反射和颜色溢出都是真实算出来的，而不是贴图画上去的。它自带一张由 BlockWorks 制作的展示世界和 NVIDIA 美术团队做的材质包，还新增了一个可放置的 Copper Beacon 定向光源，以及录制相机路径回放做前后对比的功能。目前是 beta，只支持 1.21.1，与其他模组的兼容性和完整流程的适配都还在打磨中。对游戏渲染、图形编程感兴趣的开发者可以看看它的实现方式；普通玩家若想在 RTX 显卡上体验光追版 Minecraft 也可以试，但和多数互联网或 AI 从业者关系不大。

rsi_eval 是一个用来评测「递归自我改进」（RSI）方法的轻量级 Python 工具，你可以把它理解成给 RSI 实验用的统一评测台：你自带改进循环，它负责把候选方案丢进现成的 agent 基准里跑分，再把每题得分、执行状态、token 消耗、验证器输出等反馈以统一格式还给你，省去自己对接各家 benchmark 执行和结果处理的麻烦。它内置 24 套评测配置，覆盖 Terminal-Bench、SWE-bench Verified、LiveCodeBench、MMLU、GPQA、ARC-AGI 等编码、推理、工程和领域工作流任务，也支持接入自定义任务，实验过程可快照记录并断点恢复。适合做 agent 自我改进研究、需要横向比较不同 RSI 策略的算法工程师，以及想在统一协议下跑多套基准的 LLM 评测人员；如果你不研究 RSI 或不做 agent 基准评测，跟你的关系不大。