Asamana 是一个由 AI 驱动的涌现式叙事引擎：你给它一个主题，它就生成一个共享世界和一群各有性格、记忆、情绪与目标的 AI 角色，角色之间自主互动，故事在没有剧本的情况下自然长出来。它把角色认知拆成感知、动机、决策、行动、反馈五个阶段，用结构化输出和共享上下文保证角色行为前后一致，避免长对话导致的上下文膨胀和幻觉扩散。配套前端可以实时观察世界、查看 2D 地图、关系网络和叙事流，也支持回放。适合做 AI 叙事、生成式 Agent、多智能体模拟研究的开发者和内容创作者，用来快速搭一个可观察、可调优的 Agent 世界；如果你不研究 Agent 或互动叙事，跟你的关系不大。

OpenManus 是 Manus 的开源复刻版，一个通用 AI Agent 框架，由 MetaGPT 团队开发，不需要邀请码就能自己跑起来。它能接收一句自然语言指令，自主拆解任务、调用工具去完成，比如让浏览器自动操作网页抓取信息、执行代码、生成图表，还内置了专门做数据分析和可视化的 DataAnalysis Agent，也集成了 Browser Use 来驱动真实浏览器。适合想研究 Agent 内部实现、或需要在本地搭建可定制 Agent 的开发者，比如做自动化办公、网页数据采集、数据分析流水线的人。如果你只是想体验 Manus 类产品，直接用官方产品更省事；但如果你是做 Agent 应用研发、想参考成熟 Agent 的架构设计，这个项目值得翻一翻代码。对多数非技术岗位的读者来说关系不大。

Verdict 是一个只有 197 KB 的本地小模型，专门判断命令行工具调用到底成功了没有。它的出发点是「退出码为 0 不等于成功」：进程可能一个测试都没跑、返回了 HTTP 500、或者只做了 dry-run，却依然正常退出。Verdict 会读取命令、退出码、stdout 和 stderr，输出 success、failure、blocked 或 unknown 四种结论，帮助 Agent 区分「真失败」和「环境被挡住了」，从而决定该重试、该停下还是可以宣称完成。在 48 个训练时完全没见过的 CLI 家族上，它的准确率达到 93.2%，而只看退出码的基线只有 47.9%。推理纯 Python 标准库、CPU 上 0.5 毫秒出结果，不联网不上传日志。README 也明确说它只是辅助分类器，不能替代确定性检查。适合在做 coding agent、CI 流水线或工具调用编排、需要判断 Agent 是否谎报成功的从业者看一眼。

dots-agent 是一个会自己找活干的常驻智能体：它每隔一分钟跑一轮，主动从你的目标队列里领任务、执行、汇报结论，还能把做过的活总结成可复用的「技能」存进技能库，下次直接调用。它提供命令行和 Windows 桌面窗口两种用法，窗口里能看它在干什么、派新任务、批准它想做的敏感动作（比如发邮件），也能直接跟它对话。核心设计是审批闸门和证据机制：危险动作默认要人点头，超时未批自动拒绝；完成的任务必须附带可核对的证据，否则标为「待复核」，防止它编造结果。适合想在本地跑一个长期值守的自动化助手、又不想完全放权给模型的个人开发者或 AI 应用工程师，用来盯邮件、跑例行脚本、整理资料这类重复劳动；如果你只是想找一个对话式 LLM 工具，它不太对口。

这是一套给 Claude 用的技能包，专门帮你运营 LinkedIn 账号：写帖子、回评论、打分个人资料、排一周的内容计划，还带一个「去 AI 味」脚本。它不自动发布，所有产出都是可复制的文本，由你手动贴到 LinkedIn——因为自动化发帖违反 LinkedIn 用户协议，容易被限流。实际能解决的麻烦很具体：比如用 21 种钩子公式把一个想法扩成带三个标题选项的帖子；把别人帖子下的评论按类型匹配，避免千篇一律的「Great post!」；把自己帖子下的留言分成潜在客户、同行、噪音几类再逐条回复；给个人主页按 12 项标准打分并按失分优先重写。最有意思的是 humanizer，它会清掉零宽字符、em dash、弯引号这些 AI 写作的隐形指纹，替换 delve、leverage、seamless 这类套话，再用五项指标（句长起伏、具体度、套话密度等）给草稿打「人类分」，句式结构类问题则标出来交给你自己改。适合做个人品牌的内容创作者、求职者、销售和独立开发者——如果你不靠 LinkedIn 获客或找工作，关系不大。

Franco 是一个跑在你本机上的自动外联销售代理，用你已有的 Claude Code 或 Codex 订阅驱动，不额外产生模型 API 账单。它接手一份客户名单，为每个客户找到写信的理由，从你自己的邮箱发出简短的邮件序列，再读取并处理回复，所有引用的事实都记录来源。它有三种工作方式：默认模式下模型会自己找企业、读官网、挑对人并起草个性化序列；模板模式则逐字发送你审核过的文案，合规页脚和退订规则由代码强制执行；还有一种漏斗模式，把客户分进最窄的销售漏斗再按既定故事写信。每封邮件默认都要你过目，也可以开自动发送，新战役一律先预览、签字后才发。适合做 outbound、冷邮件开发的销售和增长负责人，以及想用 AI 提效但要保留人工审核权的团队；纯技术岗或不做主动获客的人关系不大。

Construct 是给 AI Agent 用的一套工具：你用大白话描述一个东西，Agent 负责调研并写出一份精确、可校验的结构描述——它有哪些命名部件、真实尺寸、如何装配、如何开合运动，以及每个信息是实测还是推测。Construct 校验这份描述后，把它渲染成一个网页里的「光线全息」动画模型，同一份描述永远生成同一个结果，还能进一步导出带可动关节的 3D 模型、CAD 文件、3D 打印件或拼装套件。它兼容 Claude Code、MCP 客户端和任何 OpenAI 兼容接口，输出统一视觉风格，并对每个部件标注「已知/猜测」的可信度。典型场景包括：把自家吉他、老车复刻成可旋转分享的数字副本、给缺失零件画可打印的替换件、做家居改造前的规划模型，或为游戏和影视从真实物体出发设计新资产。对做 Agent 工作流、MCP 集成、游戏资产和数字孪生方向的开发者最相关，普通 AI 从业者也可当案例看看。

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。

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。

graphmemory 是给 AI Agent 用的长期记忆系统，核心思路是让记忆像人脑一样会积累、会降级、会过期，而不是简单存进向量库。每条事实带双时态：既能回答「当时是什么」，也能查「后来改了什么」；记忆按意义、细节、检索难度、情绪、巩固、干扰六个变量计算衰减，遗忘是降级不是删除，还内置了按内容类型自动设定的时效（临时状态 1 天、承诺 10 天、身份 3 年、不可更改事实永久），到期先隐藏再物理删除但原文账本永久保留。检索层做竞争式召回，命中还会反过来巩固记忆。底层组合 Neo4j 时序知识图谱、PostgreSQL 双时态台账和 Redis 缓存，通过 MCP server 暴露给任何支持 MCP 的代理，也自带 Web 管理台。适合正在做 Agent 记忆、长对话个性化或多轮上下文管理的工程师，尤其是被「Agent 记不住用户说过什么、旧信息污染新回答」困扰的人；如果你不涉及 Agent 应用开发，和你关系不大。

ResolveLab 是一个给工具调用型 LLM agent 做「故障注入 + 副作用打分」的评测与后训练环境。它跑一个真实的 HTTP 服务，在 agent 操作过程中注入各种会改变正确下一步动作的故障，比如分页查询里的近似记录、If-Match 冲突、429 限流、写入已提交后才返回的 502、任务中途被收回权限等，然后从服务端状态、提交日志和读版本来判定 agent 到底把系统改成了什么样，而不是听它自己说「已解决」——写错记录、重复提交、漏读最新状态、谎报成功都会被判失败。它还内置一个经回放验证的 teacher，可以生成 DAgger 训练数据，README 里展示了 Qwen3-0.6B 经 BC+DAgger 微调后测试通过率从 90.8% 提到 98.3%。适合做 agent 评测基准、agent 后训练或 RL 环境研究的算法工程师和研究者；如果你不涉及 agent 训练或可靠性评测，和多数从业者关系不大。

MaiWeave（麦织）是给 MaiBot 加装的一套「角色生活引擎」，让聊天机器人不再只是被动应答，而是拥有自己的日程、作息和连续经历。你可以直接用聊天的方式约它明晚看电影、安排每周散步，或者把 TXT、EPUB 放进它的书架让它自主选书阅读并留下读书笔记；它会根据精力、心情、天气和地点自主安排活动，还能记住人物关系、生日纪念日，写日记、做梦、主动找你聊近况。本质上它解决的是 AI 角色「每次对话都像失忆重来」的问题，把零散对话串成有连续性的生活轨迹。适合做 AI 陪伴产品、虚拟角色或 Agent 应用的开发者参考，看别人如何设计长期记忆、日程调度与主动交互机制；如果你不玩 MaiBot 生态，和多数人关系不大。

这是一个麦当劳省钱点餐助手，本质是把「菜单×优惠券×叠加规则」的组合优化交给确定性算法：你告诉它想吃什么、预算多少，它拉取门店菜单和全部可用优惠券，穷举出总价最低的合规组合，比如巨无霸套餐从 ¥47 算到 ¥21.9。它采用「取数交给 MCP、算术交给代码、表达交给 Agent」的分工，因为价格折扣叠加这类算术大模型容易算错。除了最便宜，它还能按省钱、吃全、低卡、少排队四种目标给不同解，做券体检（名义面额 vs 实际节省 vs 机会成本，比如一张满减券会挤掉 1+1 随心配反而多花 18 元）、凑单补位、价格×热量帕累托前沿分析，以及多人拼单人均分摊。对 AI 工程师来说，它是 MCP + Agent Skill + 确定性优化器协作的一个干净范例，值得看架构；普通用户也能直接打开在线试算页玩。

麦麦省钱助手是一个基于麦当劳中国 MCP 打造的点餐成本优化 Skill，它做两件事：一是这一单怎么点最省——拉取当前门店的实时菜单和你账户里可用的优惠券，枚举单品、套餐、券组合等候选方案，用 MCP 的真实计价接口逐个算钱，输出最省钱的方案并主动劝退凑单陷阱；二是审计你白扔了多少钱——结合历史订单和券存量，告诉你哪些券快过期、积分商城哪些商品已过兑换期、客单价是否偏高。比如它能算出同样吃汉堡薯条可乐，套餐比单点便宜 13 元，也能提醒你 9 张券即将过期、面值 21.1 元不用就是纯损失。适合经常点麦当劳、想把优惠券和积分用到极致的普通消费者，以及对 MCP 与 Agent Skill 结合方式感兴趣的 AI 从业者参考；不常吃麦当劳的人关系不大。

MyAgent 是一个用 Python 从零实现的通用 Agent Runtime，可以理解为一个可读可改的本地版 Claude Code 底层框架：模型只负责推理并提出工具调用意图，真正的文件读写、Shell 执行、权限判断、结果回写和上下文压缩都由 Runtime 统一接管，形成完整的 Agent Loop。它支持 OpenAI 和 Anthropic 双协议接口，内置 MCP 客户端接入外部工具，还能派生 explore、plan 等子 Agent，并在 Plan Mode 下阻断一切写操作。最有特色的部分是 Skills 自进化：当你对某次输出给出明确反馈，它会自动抽取可复用规则写入 SKILL.md，下次同类任务直接调用，同时按项目隔离长期 Memory、支持会话恢复。适合想搞懂 Agent 底层机制、或需要二次开发个人助手和领域 Agent 的工程师阅读源码；只想用现成 AI 工具干活的人关系不大。

Web3 Agent Kit 是一个用 Python 写的框架，让你用自然语言指挥 AI 代理去操作区块链，比如直接说「把 0.1 ETH 换成 Base 上的 USDC」，它会自动解析目标、调用 LLM 规划、执行交易。它把 RPC 接入、钱包签名、DeFi 协议 ABI、gas 估算这些脏活都封装好了，内置 9 条 EVM/Solana 链、Uniswap、Aave、Curve 等协议的现成接口，还带花费上限、交易前模拟等安全护栏。除了交易，它还覆盖空投追踪、蜜罐/流动性等代币安全检查、套利清算等 MEV 场景、DCA 和狙击机器人、NFT 部署与批量铸造、跨链桥接等。适合想做链上自动化交易机器人、DeFi 策略或 AI 代理应用的开发者快速起步，省掉几周的样板代码；不过项目仍处 beta，官方明确提示不要未经审计就上真金白银，纯做后端或前端的读者关系不大。

Ultron 是一个语音优先的桌面 AI 助手，你可以把它理解成一个带 MCU 反派 Ultron 人格的 Jarvis：用语音指挥电脑，配上 60 FPS 全息 HUD 和实时口型同步。它内置 51 个工作站工具，覆盖鼠标键盘接管、Git 操作、网络审计、人脸识别哨兵等；还能让 AI 自己写新 Python 工具并热加载进内存，无需重启。此外它用 OpenCV 做手势控制（张掌唤醒、握拳锁屏、挥手切歌），用 SQLite 知识图谱加 TF-IDF 向量做本地语义记忆，能通过 Home Assistant 联动智能灯光，甚至用 DSP 管线合成 James Spader 风格的机器人嗓音。适合想折腾个人 AI 助手、桌面自动化或语音交互的开发者和极客；如果你只是找生产级 Agent 框架或企业方案，它更像一个炫技的个人项目，参考价值有限。

这是 Hermes Agent 的一个上下文压缩插件，解决长对话里上下文爆掉的问题。Agent 跑久了历史会撑爆上下文窗口，需要定期把旧对话压缩成摘要，但传统做法要让模型重新读一遍全部历史，又慢又贵。这个插件的做法是把最后一次请求原样重发，让服务端复用 prompt 缓存，只读新增的那部分，所以压缩速度快很多。压缩后的交接摘要按固定结构组织，比如目标、当前状态、关键事实、下一步，另外还会由代码自动生成一份工作台账，记录跑过的命令及退出码、被改动过的文件，方便下一个请求快速接上。如果缓存请求失败，会退回普通模型摘要，再不行就只保留台账，防止小模型把上下文越撑越大。适合在 Hermes Agent 上做长任务 Agent、需要频繁自动压缩上下文的开发者，以及关心 prompt caching 提速效果的人；不直接用 Hermes Agent 的人关系不大。

toolism 是一个专门给 LLM 工具定义 JSON Schema「瘦身」的命令行工具。你给模型的每个工具（OpenAI function、Anthropic tool、MCP server tool）都会随每次请求发送，而 Pydantic、FastMCP、zod-to-json-schema 这类生成器会塞进大量冗余内容：重复属性名的 title、可选字段的 anyOf 包装、default: null、无用的 $defs 等。toolism 能测量这些 schema 到底花掉多少 token，然后在不改变任何合法工具调用的前提下删掉冗余，并用等价性检查证明结果安全。在 13 个热门 MCP server 的 159 个工具上，默认规则平均砍掉 37.4% 的工具定义 token，Notion 甚至省了 73%。它还提供 CI 门禁，把 token 预算锁在基线水平，防止成本悄悄回涨。适合维护 MCP server、做 Agent 应用或负责 LLM 推理成本的工程师——如果你的工具定义是手写的精简 schema，那它能省的就很少，关系不大。

这是 Anthropic 官方的 Agent Skills 示例仓库，用来展示 Claude 的「技能」机制：每个技能就是一个文件夹，里面放着给 Claude 的指令、脚本和资源，Claude 在遇到对应任务时会动态加载它，从而把某类工作做得又快又稳。比如按公司品牌规范生成文档、按团队既有流程分析数据、批量处理 PDF/Word/PPT/Excel，仓库里还收录了驱动 Claude 文档能力的 docx、pdf、pptx、xlsx 等生产级技能，以及网页测试、MCP server 生成等技术类示例。它同时提供了 Agent Skills 规范和技能模板，方便你照着写自己的技能。对做 Agent 应用、Claude Code 工作流或企业内部 AI 落地的工程师来说，这里是理解技能写法和复用现成能力的最佳参考；只想日常用 Claude 聊天的普通用户则关系不大。

AutoGen 是微软推出的多 Agent 编程框架，用 Python 把多个 LLM Agent 组装成能互相协作的系统，比如让一个总控 Agent 把数学题转给数学专家 Agent、化学题转给化学专家 Agent，也支持让 Agent 调用浏览器等外部工具完成任务，还提供无代码的 AutoGen Studio 用来快速搭原型。但要注意：该项目已被微软归档、停止维护，官方明确建议新项目改用其企业级继任者 Microsoft Agent Framework，老用户按迁移指南迁移，继续使用会有安全风险且不建议上生产。如果你正在选型多 Agent 框架，或公司里已有基于 AutoGen 的存量代码需要规划迁移，这份 README 值得一看；如果你只是想学 Agent 开发，直接看 Microsoft Agent Framework 即可。

这是一个把麦当劳官方 MCP 接口包装成团餐组织助手的工具，你输入城市、关键词、人数和预算，它去查附近营业门店、拉真实菜单、用官方计价接口算钱，输出几套含合计与人均的可比对方案。除了算钱，它还能自动串联五级查询帮你预约生日派对或品鉴会场次（默认只生成下单载荷，不会真的下单），并结合活动日历给出「今天该不该组织、要不要提前订场」的建议。比如你说「成都春熙路，8 个人，预算 400」，十几秒就能拿到经济型、均衡型等多套真实报价，超预算的组合会直接标出来。适合团建或班级活动的组织者、企业行政和团餐负责人、想办麦当劳派对的家长；对 MCP 或 Agent 开发者来说，它也是一个编排 15 个 MCP Tool 的完整参考实现。和多数不涉及聚餐的从业者关系不大。

麦门认证机是一个基于麦当劳中国官方 MCP 的创意应用：上传任意一张图——自拍、工位、代码报错截图甚至你家猫——AI 会看图给出 10 档「麦门身份」判级（从 LV.1 甜筒级到 LV.10 麦门本门），生成一张可转发的认证梗图卡，卡片上附带基于官方真实营养数据的套餐推荐，并能一键领取真实入账的麦当劳优惠券，另有抽奖和当月活动日历等玩法。它的设计思路是「梗图负责传播，接口负责闭环」，把营养表、菜单、优惠券这些零散接口编排成完整的营销链路。这是 2026 麦当劳程序员创意开发大赛的参赛作品，非官方产品。对多数互联网和 AI 从业者来说它更像一个有趣的营销 demo，真正值得看的是做 MCP 集成、Agent 工作流编排或品牌营销玩法的工程师，能从中看到如何把官方 MCP 的原子接口串成有传播力的产品。