这是一个配合 DeepSeek Harness 插件使用的现成工作流包合集，下载后导入插件即可运行，目前上架的是「破甲制作」。它本质是一条针对目标 LLM 的越狱（jailbreak）研究自动化流水线：输入目标模型名和 API key，自动跑 200 多个探针覆盖身份系统、混合帧等架构，归纳该模型的拒绝规律，再据此生成定制破甲词，用真实 API 回验有效性并迭代，最终输出破甲词文件、使用手册和研究报告三件套。配套的 Skill 内含探针执行、拒绝分析、帧排列组合验证等脚本和提示词模板。值得看的是做 LLM 安全评估、红队测试或越狱攻防研究的安全工程师和 AI 安全研究员，普通开发者或非安全方向的从业者关系不大。

这是一个针对 Qwen3.5-4B 的神经元探索工具，属于机制可解释性（mechanistic interpretability）研究方向。它把模型某一层的每个 MLP 神经元都向上、向下推一推（steering），在若干提示词上跑出所有结果并保留，再用 3D 视图把整层神经元铺开供浏览。具体能做的事包括：悬停查看单个神经元的 steer lens 和 R lens，点击看它在不同剂量下的多轮对话效果（负向、无干预、正向三栏对比），查看它在网页文本里最强的激活上下文和集中的域名，以及用 UMAP 观察一层 rollout 的分布。它还内置了 Claude CLI 聊天，把探索器作为 MCP server 让 Claude 读取神经元数据、跑推理和消融、操作地图。适合做模型可解释性、安全研究或想深入理解 Transformer 内部机制的研究员和算法工程师；如果你不碰 Qwen 或不研究模型内部结构，跟你的关系不大。

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。

Aurelio 是一款跑在自己电脑上的个人理财应用，可以理解为本地部署的记账加财富管理工具，数据全部存在本机，不上传云端。它能跟踪你的净资产、各券商和银行的现金、股票与 ETF 持仓、成本与分红，还能穿透查看基金实际持有的国家、行业和公司，同时管理房产、贷款、现金流和储蓄目标。AI 部分是可选的，通过 OpenRouter 调用模型，你可以直接用自然语言问它「这个 ETF 和我已有的持仓重叠多少」「该不该买某只股票」，它会基于你自己的数据回答，并把建议做成卡片等你确认后才改动记录。适合有较多投资持仓、想自己掌控财务数据又懒得用 Excel 手动维护的个人投资者和理财爱好者；如果你只是简单记账或对投资不感兴趣，这个项目和你关系不大。

DecisionPivot 是一套专门评测 LLM 系统中「决策模型」的诊断型基准。所谓决策模型，是指读入一个案例和带固定选项的问题、一次前向输出各选项概率的小模型，它们在系统里负责路由请求、拦截危险工具调用、校验生成结果、判断何时转人工。这个基准的核心玩法是构造「对比组」：同一案例出现两到四次，只改动一个决定性的细节（比如运费让总价刚好越过或没越过限额），答案就随之翻转。它用 pair accuracy 揭穿只看表面模式的模型——这类模型单题准确率能到一半，成对几乎全错。此外还报告 5% 错误率下能自动接管多少工作、置信度校准误差等指标，覆盖生成前可答性、安全护栏、生成后校验、Agent 循环等七类决策点。适合做 LLM 应用评估、Agent 安全与可靠性、模型选型的算法和评测工程师看；如果你的工作不涉及给 LLM 系统加决策/守门环节，关系不大。

这是一个由买方机构和高校联合推出的股票投资研究基准，用来检验 AI Agent 能不能在不偷看未来的前提下完成真实的投资研究工作。它把模型关进一个「时间冻结」的环境：语料库只包含某个历史截止日之前发布的财报、电话会、研报、持仓和新闻，共 343 万份文档版本，任何检索和计算都无法越界拿到之后的信息。任务由资深买方研究员设计，覆盖机会筛选、证据核对、盈利预测、估值决策、观点更新到完整研报，以及价格和波动率预测，共 86 项。评分不只看报告写得像不像样，还拆开检查证据链、假设、计算是否自洽，并把预测和后来的真实结果、模拟收益分开打分——比如让模型预测 Tesla 某季度交付量，分析满分但预测全错照样拿不到分。适合关注 AI Agent 在金融场景落地能力的研究员、做 Agent 评测的工程师，以及想了解大模型投资研究真实水平的从业者参考。