这是一个把 Gemini 免费额度包装成 OpenAI 兼容接口的无服务器代理：你部署一次，就能拿到一个形如 OpenAI 的 API 端点，把原本只认 OpenAI 的工具直接指向它，底层实际调用的是 Gemini。它支持聊天补全和 embeddings，能传图片和音频输入，模型名以 gemini- 等前缀开头时会透传，否则默认走 gemini-flash-latest；还可以在模型名后加 :search 启用联网搜索，并通过 extra_body 打开 Gemini 独有的 thinking_config 思考配置。适合那些手头有大量只支持 OpenAI 协议的客户端、Agent 框架或评测工具，又想白嫖 Gemini 免费额度的个人开发者——不用自己维护服务器，扔到 Vercel、Netlify、Cloudflare Workers 这类平台就能跑。如果你的工作只用官方 SDK 直连模型，或者对免费额度和延迟不敏感，这个项目和你关系不大。

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。

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。

这是一个在线的分词器对比工具，让你把同一段文本丢进去，直观看到不同语言模型会把它切成多少个 token、怎么切。它底层调用 openai/tiktoken 来计算准确的 token 数，同时把切分结果可视化出来，比如哪些词被合并、哪些被拆开。对写 prompt 的人来说，这能解释一个常见困惑：为什么字数差不多的两句话，计费和上下文占用却差很多——比如中文和英文在同一模型下的 token 效率差异，或者加了空格标点后 token 数突然变多。适合需要估算 API 成本、优化 prompt 长度、或想理解模型如何「读」文本的开发者和算法工程师；如果你平时不碰 LLM 的计费和上下文管理，这个工具和你关系不大。

这是一个纯 Shell 写的轻量脚本，让你在终端里直接调用 OpenAI 的 ChatGPT 和 DALL-E，不用装 Python 或 Node.js，依赖只有 curl 和 jq。它能做三件事：一是对话，支持 gpt-3.5-turbo、gpt-4 及其他模型，还能开启上下文模式让模型记住前几轮问答；二是用文字提示词生成图片；三是把问题通过管道喂给它，比如把「如何查看昨天创建的 PDF」这类问题丢进去，直接拿到可执行的命令建议，也可以自定义初始提示词让它扮演特定角色。适合经常泡在命令行里的运维、后端和 DevOps 工程师，当你想在不离开终端的情况下快速问一句、查个命令或生成张图时，它比开浏览器切到网页版省事得多；如果你平时很少用终端，这个项目和你关系不大。

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。

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。

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。

这是用 WebGL 在浏览器里实时复刻 Apple Music 新版「液态」品牌动画的项目：Apple 原片是把标志放进矿物油盘里拍摄，油面被声音震出涟漪，产生放大、拖尾和彩虹色散；这个项目在 GPU 上重建了同样的物理效果——一个会折射的油滴透镜，配合光谱级光线追踪做出彩虹边缘。它不只是复刻，还做成了可用的工具：你可以把自己的图标和文字丢进去，调节油滴和光照参数，直接从浏览器导出 1080p 或 4K 的 MP4，等于免费拿到一个品牌动效生成器。附带的 explainer 还拆解了 Apple 原片的拍摄手法和实现思路。对做品牌视觉、动效设计或前端创意开发的人来说，这是个很好的参考实现；如果你只是好奇 Apple 那个 logo 动画怎么做的，点开在线 demo 看一眼就够了，和多数后端或算法岗位关系不大。

Delta MCP 是一个夹在你的 AI 应用（Claude Code、Cursor、Gemini CLI 等）和各种 MCP server 之间的代理层，让 AI 调用工具时更可控、更省 token。它对每个任务先做检查，改动要么全部生效要么全部不生效，执行后会从服务端读回实际变化并记录前后对比，出问题可以一键撤销，且会明确告诉你哪些操作无法回滚（比如已发出的消息）。它还支持定时任务，比如每天分析 Grafana 日志发报告、每周五关闭已完成工单，简单任务不需要 AI 参与，需要分析时才让模型介入。官方称多步任务能省下数倍 token。目前尚未正式发布，仅提供下载预告。对日常依赖 MCP 工具、担心 AI 误操作或想降低 token 成本的 AI 应用开发者、Agent 工作流搭建者值得留意；只做纯模型训练或不碰 MCP 的人关系不大。

opencode-rust 是用 Rust 重写的开源 AI 编程助手 OpenCode，提供命令行、终端交互界面和 HTTP 服务三种形态，让你在本地跑 AI agent 来读代码、改代码、执行任务，无需 Docker。原版 TypeScript 实现把对话历史全放内存、每次推理都重新推导工具 schema，多 agent 并行时能把 MacBook CPU 打满；这个 Rust 版把历史落到 SQLite、缓存工具 schema、用 LRU 淘汰实例状态，因此可以长时间稳定跑多个 agent。它支持 MCP、LSP 和 TypeScript 插件桥，还内置了几个预设 agent，比如让 gilfoyle 修失败的测试、让 googlebot 审计页面 meta 标签。适合日常需要 AI 辅助编码、想在终端里直接驱动本地 agent 的后端和工具链工程师；如果你只是用云端 IDE 或网页版 Copilot，和你关系不大。