这是一套免费开源的 AI 工程系统课程，覆盖 542 节课、20 个阶段，用 Python、TypeScript、Rust、Julia 四种语言带你从零手写模型内部结构、检索管线和 Agent 运行时，而不是调用现成库。比如你会自己实现 Transformer、搭 RAG 检索流程、写 Agent 调度逻辑，再配上测试和评估，把失败案例拆开看清楚。课程提供网站、交互实验、项目挑战和学习路线多种入口，也有中文版 README。适合想真正搞懂 LLM 应用底层原理的后端工程师、算法工程师和 AI 应用开发者——如果你只是想快速调 API 上线一个功能，这套从头造轮子的路径对你帮助有限，但若你负责排查 RAG 效果差、Agent 行为不稳定这类问题，它能补上你缺的那块底层认知。

ARTEX 是一个 AI 自主渗透测试系统，可以理解为「让大模型自己当红队成员」：你给它一个目标，它会自主规划攻击路径、调用 nmap 等工具去探测和验证漏洞，全程在 Web 界面上以任务、探索图、资产覆盖图的形式展示进展。它解决的是人工渗透测试里重复劳动多、覆盖面难保证的问题，比如子域名和端口扫描结果可以从 ScopeSentry 同步进来，浏览器扩展还能把你登录目标站点时的请求流量录下来，直接绑定到发现的漏洞上作为证据；涉及敏感操作时会停下来等人工审批，也支持在对话里实时干预。适合安全工程师、红队和攻防平台开发者，用来做授权范围内的自动化资产梳理和漏洞验证；如果你不做安全方向，和你关系不大。

这是 DeepSeek Harness（DSH）的插件合集，DSH 可以理解为运行 DeepSeek 模型的本地对话工作台，而这里提供三个扩展插件：一个是英文界面版的动效 UI，能在 HTML/SVG 画布上编辑动画并导出本地 MP4；一个是按会话统计 API 花费，按供应商和模型拆分成本，还能自动发现定价；还有一个是决策实验室，用优先级滑块、不确定性边界和敏感性分析来辅助可解释的决策。对日常用 DeepSeek 做内容或分析的人来说，成本追踪最实用——你能清楚看到每次会话烧了多少钱、哪个模型最贵；做演示或短视频的则可能用上动效画布。适合已经在用 DSH、想给工作台加功能的开发者和重度 AI 用户；如果你没用过 DSH，或者只是想找通用 AI 工具，这个仓库和你关系不大。

这是一份教人成为 Forward Deployed Engineer（FDE）的学习路线图，FDE 是近两年在 Palantir、OpenAI 等公司兴起的岗位，简单说就是驻扎在客户现场、把 AI 产品从 demo 落地到客户生产环境的工程师，比纯研发更贴近业务，比售前更会写代码。这份路线图按真实项目交付的生命周期组织，从理解客户需求、选模型、做 prompt 和 RAG、搭 Agent，一路讲到评估观测、安全合规、成本延迟优化、微调和系统设计，最后用一个实时语音 Agent 案例把所有知识串起来，并附面试准备。每个主题都配了配套博客，内容偏实战而非理论。如果你是后端或算法工程师，正在考虑往 AI 应用交付、解决方案架构方向转型，或者已经在做面向客户的 AI 落地项目却缺乏方法论，这份路线图能帮你快速建立全局视野；如果你只做模型训练或纯后端开发，和你关系不大。

这是一个收集各大 AI 产品系统提示词的仓库，把 Anthropic、OpenAI、Google、xAI 等家聊天机器人和编程工具背后那段不对外公开的 system prompt 原文整理归档，涵盖 Claude Code、ChatGPT、Codex、Gemini、Cursor、Grok 等，且持续更新。对从业者来说，它是研究头部产品如何设计人设、约束行为、编排工具调用的现成素材：比如想搞清楚 Claude Code 的安全分类器怎么判断危险操作，或对比 ChatGPT 与 Gemini 在拒答策略上的差异，都能直接翻到原文。写 prompt 的人可以从中借鉴大厂的措辞和结构，做竞品分析或安全研究的人也能看到模型被注入了哪些隐藏指令。主要适合 prompt 工程师、AI 应用开发者和关注 AI 安全的研究者；如果你不写 prompt、也不做产品分析，看一眼标题即可，和日常工作关系不大。

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 OpenAI 公开的一个数学研究成果库：用一个尚未发布的内部模型，对约 4000 个开放数学问题做自动研究，产出 721 篇手稿、归为 373 个主题族，涵盖数论、代数、概率、物理等多个方向，其中约 42% 的核心结果已用 Lean 完成形式化验证，其余部分仍可能存在错误。OpenAI 明确把这些成果定位为「原始研究数据」而非正式论文，部分结果附带模型推理过程的节选，比如 π 的无理数指数、Riemann zeta 函数零点区域、Kaplansky 猜想等。对读者来说，它的价值不在于直接使用，而在于观察 AI 做数学研究的真实上限：平均每题消耗约三小时 ChatGPT Pro 级别的思考算力，最终能产出什么量级的成果。值得看的是关注 AI for Science、推理模型能力边界的算法和研究岗位，以及对形式化证明（Lean）生态感兴趣的人；纯业务开发或不关心 AI 科研进展的读者关系不大。

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。

这是一份持续维护的自托管开源AI项目清单，收录了309个可以在自己机器或服务器上跑的项目，覆盖本地LLM推理、聊天界面、Agent框架、MCP服务器、RAG与向量库、语音和图像生成等17个分类。它比一般awesome列表多做了一件事：每周自动检查每个项目的健康状态，被归档、删除或一年没动静的会自动移出主列表，另附一张实时健康表展示各项目的star数、最近提交和许可证。比如你想找一个本地跑的Ollama替代方案、一个能自部署的RAG工具，或者对比LangGraph、CrewAI这类Agent框架的定位，都能在这里按分类快速扫一遍。适合正在评估自托管AI方案的架构师、运维和隐私敏感场景的技术负责人，以及想在自己homelab里搭AI服务的开发者；如果你只用云端API、不关心数据不出机房，和你关系不大。

这是一份按编程语言分类整理的机器学习资源导航清单，相当于 ML 版的 awesome 系列索引：从 Python、Java、Go 到 C++、Rust，每个语言下按通用 ML、计算机视觉、NLP、语音识别、强化学习等方向列出可用的框架和库，另外还附带免费 ML 书籍、课程、博客、行业会议和线下 meetup 的链接。它解决的麻烦是：当你想在某个非主流语言里找一个能用的 ML 库，或者想快速了解某个细分方向有哪些成熟选择时，不用自己翻搜索引擎，直接查这份清单即可。适合算法工程师选型时做横向参考、技术管理者评估技术栈，以及想拓宽工具视野的从业者。不过它本质是链接合集而非教程，且作者已因 LLM 生成的 PR 过多而暂停随意提交，内容更新偏慢，日常追新还得靠其他渠道。

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。

Lalabase 是一个可自托管的项目管理平台，面向软件外包团队和他们的客户，功能上类似 Jira 或 Redmine 的替代品，把工单、工时、文档和会议纪要放在一处管理。它最实用的地方是内置 AI 助手：你可以直接问「这个工单现在谁在做、还剩什么没完成」，或「上次开会我们达成了什么共识」，回答会跨工单、文档、工时和会议记录检索，并明确标注引用了哪条工单、哪条评论、哪场会议，避免凭空编造。工时按会话记录、可单独标记是否计费并导出用于开票，会议自动生成摘要和待办，仓库里的文档目录也能直接变成项目文档。此外它提供 MCP server 和 REST API，可接入 Claude、Cursor 等工具操作工单和知识库。适合外包公司、小型开发团队的项目负责人和需要向客户透明同步进度的工程师；纯做模型训练或算法研究的人关系不大。

Beayy 是一款自动记流水账的 lifelog 工具，跨 Mac、Windows、iPhone 和 Apple Watch 后台记录你几点在哪、在做什么，再让模型替你写日记。它会每 10 分钟生成一段摘要，每晚汇总成日总结（含时间去向、偏离目标的点评），一周一月再汇成周报月报。记录维度很细：电脑上切了哪些 app、打了什么字、在不在电脑前；手机的屏幕使用时间、停留过的地点（只记停留点不记轨迹）、苹果健康的睡眠步数；手表还能全天录音转写成对话文字。数据全部本地存储，多设备同步可选官方服务器、自部署或同步文件夹，且先加密再上传。它还自带本机 MCP 服务，接到 Claude Code 或 Cursor 后可以直接问「上周三下午我在忙什么」。适合量化自我爱好者、时间管理需求强的独立开发者和知识工作者；如果你不关心自己时间花在哪，和多数人关系不大。

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。

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。