DeepSeek Harness（简称 dsh）是 DeepSeek AI 开源的 Agent 运行框架，核心理念是「一切皆插件」：模型调用、工具、界面、记忆等能力都拆成可插拔的模块，底层由 Cordis 插件系统驱动，方便按需组合和替换。它自带 Web 界面，启动后能在浏览器里直接与 Agent 对话、查看执行过程，适合想快速搭一个本地 Agent 工作台的人。目前项目处于 developer preview 阶段，官方明确提示会有破坏性变更，动手前需留意安全公告。对多数从业者来说，如果你正在调研 Agent 框架选型、想理解插件化架构如何落地，或者需要给团队搭一个可扩展的内部 Agent 原型，值得花时间翻一下；若你只是用现成的 AI 产品、不涉及框架开发，关系不大。

这是 DeepSeek 团队放出的一个研究原型，本质是一个「主动型 coding agent」：它盯着一个 GitHub 仓库（可选也接 Feishu），当有人在对话里给它派活、或团队预设的规则被触发时，它会自己开一个工作项，在独立会话和目录里干活，最后回到原对话交差，比如直接提一个 pull request。配套的 web 面板只呈现「需要人拍板」的事项，核心设计哲学是尽量少占用人的注意力、只在必须有人行动或结果有用时才开口。作者明确说这是从日常开发中长出来的研究代码，很多工程由 coding agent 完成，风格不统一、可能有 bug，且与论文中的完整设计有出入，仅供参考。对做 AI Agent 产品、研究 multi-agent 协作与人机分工的工程师和研究员来说，它的授权模型、执行隔离和「少打扰」的交互设计值得翻翻；纯后端或前端岗位、只想找生产可用工具的人关系不大。

Agent Autoloop 是一个轻量的自动化中台，解决命令行 Agent（如 Claude Code、Codex）必须人守着终端才能推进的问题：它把定时任务、GitHub Issue、线上告警等事件统一收进来，按规则派给指定 Agent 执行，Agent 干完一轮就退出，不占进程也不烧 Token；只有遇到删数据、重启服务、对外发消息这类拿不准的事，才会通过飞书、钉钉、Slack 或桌面通知推卡片给你拍板，你回复后它接上原会话继续干完。事件来源、Agent、通知通道、CI/CD 交付都做成可插拔插件，规则用一个配置文件描述即可，无需写胶水代码，仓库还内置了每日早报、Issue 跟进、告警排查、网站巡检等现成模板。适合日常重度使用命令行 Agent、想把重复性自动化任务托管出去的开发者和运维，以及在做 Agent 工作流编排的工程师参考；如果你只是偶尔手动用一下 Agent，关系不大。

terminal-mac 把一整台 macOS 桌面塞进你的终端里，专门给 AI Agent 当「电脑使用」的沙箱。它用 Apple Virtualization 起一个真实的 macOS 虚拟机，虚拟机里跑一个辅助程序负责截图和接收点击、拖拽、输入等事件，终端这边用 Kitty 或 iTerm2 的图形能力把画面流式显示出来。Agent 通过 MCP 工具（截图、点击、滚动、打字、按键等）操作这台虚拟 Mac，全程不会碰你本机的鼠标和剪贴板——虚拟机有自己独立的应用、文件和账号，跟宿主机完全隔离。比如你想让 Claude Code 自动完成某个需要图形界面的 macOS 操作流程，又不放心它在你真实桌面上乱点，就可以让它在这台虚拟 Mac 里试。适合在做 Agent、computer-use、MCP 集成的开发者，以及想给 AI 一个安全 GUI 沙箱的人；如果你不折腾 Agent，这项目跟你关系不大。目前仅支持 Apple silicon，且是早期候选版本。

OpenMontage 是一套开源的 AI 视频制作系统，核心思路是把你手边的 AI 编程助手（Claude、Cursor、Copilot 等）变成一个完整的视频工作室：你用自然语言描述想要的片子，Agent 负责调研、写脚本、生成或检索素材、剪辑并合成成片。它内置 12 条制作流水线和上百个工具，既能调用 Veo、Kling、Flux 等模型生成动态片段，也能从免费素材库检索真实运动镜头再用 Remotion 拼成时间线，而不是简单把几张静图动起来。README 展示的案例包括 60 秒皮克斯风格动画短片（总成本约 1.33 美元）、科幻预告片和产品宣传片。适合做短视频、广告片、产品演示的内容创作者和营销同学，以及想探索 Agent 落地场景的 AI 工程师；纯后端或算法岗位的人关系不大。

sapper 是一套多智能体编排框架，把多个 AI 组成一支分工协作的「军团」：一个 AI 指挥官读全局、做决策、派任务，将军和士兵并行进攻，另有看门狗负责保活，所有经验沉淀进分层的事实-意图图，个体挂了图还在。它不绑定任何模型或 CLI，指挥官、士兵、侦察兵可以各自换用 Claude Code、Codex、DeepSeek 等不同 agent 和模型。该项目专为腾讯智能攻防挑战赛这类 CTF 竞赛设计，曾在 634 支队伍、8 小时无人值守的比赛中夺冠；其通用底座 nvwabase 已独立开源，可复用于办公、科研、工程等任何长周期多智能体协作场景。适合关注 Agent 编排机制、多智能体记忆与自愈机制的 AI 应用和平台工程师，以及想把长任务拆给多个 AI 并行推进的从业者；纯做模型训练或单点推理的人关系不大。

Mika 是一个装在 Android 手机上的 AI 助手，你用一句话交代任务，它就自己打开 App、点按钮、翻页面，把事情做完，比如「总结今天微信群聊了什么」「找 30 美元以下、4.5 星以上的充电器加进购物车」「找旧金山到纽约最便宜的直飞航班」。它的特别之处是所有操作都跑在一块隐藏的后台屏幕上，你照常用手机不受干扰，随时可以点开小窗看它在干什么；它靠看屏幕找按钮，不依赖任何 App 的接口，所以微信、小红书、招聘网站、外卖平台都能操作，涉及付款时会先停下来问你。模型 API key 自己填，数据不出手机。适合想研究手机端 GUI Agent、Accessibility 自动化实现方式的移动端和 Agent 方向工程师，以及想省时间处理重复手机操作的重度用户；如果你不做移动端开发也不常被琐事缠身，扫一眼即可。

Harness² 是 Google Research 开源的 Agent harness 自优化框架。所谓 harness，就是模型外面那层让它能干活的系统——提示词、工具、记忆、子 Agent、技能等，Harness² 把这些拆成八个可编辑组件，在不改模型权重的前提下自动改进它们。它解决的是开放世界问题：Agent 遇到设计时没见过的任务怎么办？框架用「提出—探测—组合」三步，先生成几版 harness 改动，在同一任务上跑出行为差异，再据此合成更优版本，全程不需要标准答案；同时把每次学到的经验沉淀下来，指导下一次优化。在 JobBench、LAB、WorkBuddy-Bench 三个职业类基准上，单步优化就能让 GLM-5、Gemini 3.5 Flash 相对基础 harness 提升最多 11.8 个百分点。值得看的是做 Agent 应用、Agent 评测或 prompt 工程的工程师，尤其是需要让 Agent 稳定完成法律、办公、代码等专业任务的团队；只做模型训练或纯后端开发的人关系不大。

Hermes Agent 是 Nous Research 推出的自我改进型 AI Agent，可以理解为一个会越用越聪明的个人助理：它能从经验中自动沉淀技能、在使用中持续优化这些技能，还会跨会话记住你是谁、检索你过去的对话。它不绑定任何模型，OpenAI、Claude、OpenRouter 或自建端点都能随时切换，也能跑在便宜的 VPS 或 serverless 环境上，闲置时几乎不花钱。除了终端界面，它还通过一个网关接入 Telegram、Discord、Slack、WhatsApp 等平台，你可以从手机发消息让它在云端干活；内置的定时任务功能可以用自然语言设定日报、备份、周报等自动化流程，还能派生子 Agent 并行处理多条工作流。适合想给自己搭一个长期在线、能积累记忆的 AI 助手的工程师，以及研究 Agent 训练轨迹的 AI 从业者；如果你只是偶尔用用 ChatGPT，它对你意义不大。

Agent Reach 是给 Claude Code、Codex、Cursor 这类 CLI Agent 装上「眼睛」的工具，让它能读到自己原本够不着的互联网内容。很多 Agent 自带的搜索能力覆盖不到需要登录的平台、视频字幕和中文社区，这个项目把小红书、B站、Twitter、Reddit、YouTube、V2EX、雪球、Boss 直聘等十几个平台的抓取工具预先做好并测好，Agent 用一条命令就能拿到干净的结构化数据，比如搜小红书笔记、读 B站字幕、看 GitHub issue、查雪球行情，全程不用自己写爬虫也不付 API 费用。典型场景是让 Agent 做竞品舆情分析、抓取某领域热门讨论、把 YouTube 视频转成文字稿做研究。值得看的是正在搭 Agent 工作流、需要 Agent 联网获取真实数据的开发者，尤其是做中文平台内容检索和社媒数据采集的人；如果你的 Agent 只处理本地代码或内部数据，跟它关系不大。

Rerun 是一个可以自托管的「AI 同事」平台，你可以把它理解成给团队雇了一组数字员工：用大白话告诉它需要做什么，一个叫 Foreman 的调度角色会先跟你沟通、拆解任务，再组建并分配一支 AI 团队，每个成员有独立的记忆、技能和一台可远程观看、随时接管的虚拟电脑。它内置了多种现成模板，比如帮你整理邮箱和日程的行政助理、基于你的数据出图表和周报的分析师、盯竞品评价并起草回复的口碑经理、筛选潜在客户并写首封邮件的销售开发，以及定期发帖的社媒运营。所有成员在一块看板上协作，你可以像跟同事聊天一样和他们对话，而在发送、付款、删除这类关键动作前，他们必须先停下来征得你的同意。适合想把重复性运营、客服、销售支持工作自动化的小团队负责人，以及在评估 Agent 落地方案的从业者；纯技术开发岗位关联不大。

Hindsight 是一套给 AI Agent 用的记忆系统，目标是让 Agent 不只是记住聊天历史，而是能像人一样从经验中学习，逐步形成对世界的认知。它自称在 LongMemEval 这类长期记忆基准上超过了 RAG 和知识图谱等常见方案，还配套发布了专为记忆任务设计的 decision、rerank、embedding 模型。实际用起来，你可以把它接到自己的 Agent 上，让它记住用户偏好、过往决策和项目上下文，下次交互时自动调用，而不是每次都从零开始。比如客服 Agent 记住某位用户上次的投诉处理结果，或编程 Agent 跨会话延续一个长期任务的进展。适合正在做 Agent 应用的后端和算法工程师，尤其是已经在用 Claude Code、Cursor 等工具、需要给 Agent 加持久记忆的人；如果你不开发 Agent，这个项目和你关系不大。

Paperclip 是一个把 AI agent 当员工来管理的开源平台，可以理解为「给 agent 用的 Jira + 组织架构图 + HR 系统」。它围绕四件事展开：任务管理、组织架构、员工培训和底层运行时。你可以在里面给 agent 分配任务、设置审批和验收关卡，从 diff、截图和测试结果里核对产出；也能画一张人机混合的组织架构图，定义每个 agent 的角色、权限边界和汇报关系，配上预算控制、SSO、RBAC 这类企业治理能力。它不绑定单一模型或框架，Claude Code、Codex 等各类 agent 都能接入统一调度，还提供技能库、评测和版本管理，方便反复打磨 agent 的表现。适合正在把 agent 引入生产流程的团队负责人、平台工程和 AI 应用落地岗位的人看；如果你只是偶尔用用大模型写代码，暂时关系不大。

career-ops 是一个跑在本地 AI CLI（如 Claude Code、Codex、OpenCode）里的求职助手，把海投变成有筛选的精准投递。你贴一条招聘信息，它先确认职位是否还挂着，再拿你的 CV 逐条比对并打 1-5 分，明确告诉你该投还是该跳过；觉得值得投时，它会针对这个岗位改写简历、起草求职信和面试问答，还会帮你找到对接人的名字并起草打招呼的消息，但所有提交动作都由你按下。所有申请记录都留在你自己机器上，不上传。作者用它评估了 740 条职位、投了 68 份、拿到 12 次面试和 1 个 offer，之后开源。适合正在海投、想减少无效申请的求职者，尤其是互联网和 AI 岗位的从业者；对不找工作的人则没什么用。

TradingAgents 是一个用多个 LLM Agent 模拟投资决策流程的金融交易框架，可以理解为把一家小型对冲基金的分工搬进了代码里：分析师负责读财报、新闻和宏观数据，研究经理汇总观点，交易员给出买卖信号，组合经理最终拍板并管理仓位。它接了 SEC EDGAR、FRED、Yahoo 等真实数据源，并强调 point-in-time 完整性，也就是回测时只用当时已公开的信息，避免未来函数污染结果。实际用途是做策略回测和决策流程实验，比如在某个历史日期跑一遍完整流程，看它当时会怎么判断某只股票，再和真实走势对比。适合量化研究员、AI Agent 应用开发者，以及想研究多 Agent 协作或 LLM 在金融场景落地的人；如果你不做交易相关工作，跟你的关系不大。

Strix 是一套开源的 AI 渗透测试工具，可以理解为「会自己动手的自动化黑客团队」：多个 AI Agent 协作，像真人安全研究员一样动态运行你的代码，做侦察、攻击、验证，最后给出能真正跑通的 PoC，而不是静态扫描器那种一堆误报的告警。它覆盖 OWASP Top 10 常见漏洞，包括越权、SQL 注入、SSRF、XSS、竞态条件、JWT 攻击和 API 鉴权缺陷等，还能自动生成修复补丁和合规报告。典型场景是把渗透测试从外包几周压缩到几小时，接入 CI/CD 在上线前拦住漏洞，或者自动化 Bug Bounty 研究快速产出可提交的 PoC。值得看的是应用安全工程师、DevSecOps 和负责安全合规的后端团队；如果你的岗位完全不涉及安全测试，和你关系不大。

LearnHarness 是一个用 AI Agent 帮你学懂难知识的桌面应用，可以理解为「会先摸底再讲课的私人导师」。它不会一上来就甩解释，而是先通过你的回答、信心和思考方式，测出你对目标知识的理解边界在哪，再据此规划一条从你当前水平到目标的依赖路径，逐步讲解，每一步都建立在你已确认理解的内容上，发现困惑就先修补。学完后还有独立的练习环节，用变式题目逼你主动回忆，而不是被动重读。所有学过的命题和推理链会沉淀成一张持久的知识图谱，跨会话保留，下次学习直接从图谱续上，还能导入自己的笔记。适合正在啃硬核技术或理论、苦于找不到系统学习路径的工程师、学生和研究者；如果你只是想快速查个 API 或者日常写业务代码，它和你关系不大。模型接入灵活，数据存在本地。

这是一套给 Claude Code、Cursor、Codex 等 AI 编程 Agent 用的营销技能包，本质是一批 Markdown 格式的知识文件，让 Agent 在处理营销任务时自动套用专业框架和最佳实践。技能覆盖转化率优化、文案写作、SEO、内容营销、投放与衡量、增长留存、销售 GTM 等方向，其中 product-marketing 是基础技能，其他技能都会先读它来理解你的产品、受众和定位。实际场景比如：让 Agent 审计落地页找出转化瓶颈、按品牌调性批量写广告文案和邮件、做 SEO 审计并规划内容策略、搭建转化追踪和归因分析。它还提供与 Converly、AIsa、Omnia 等工具的对接，让 Agent 能读取真实的 SEO、广告和 AI 搜索可见性数据，而不是凭空猜测。适合技术型营销人、独立创始人和增长工程师——尤其是那些已经在用 AI 编程 Agent、想让它顺手承担营销工作的岗位；纯做后端或算法的工程师关系不大。

LobeHub 是一个把多个 AI Agent 当作「员工」来管理的工作台，定位类似给你的 AI 团队配一位 Chief Agent Operator：你负责招人、排班、看汇报，Agent 负责干活。它把散落在不同窗口和模型里的对话收拢到一处，通过 Agent Builder 用一句话描述需求就能快速搭出一个 Agent，并接入上万个技能和 MCP 插件；Agent Groups 让多个 Agent 带着共享上下文并行协作，比如多人共同打磨一篇文档，或者按项目、按工作区分派任务。定时调度功能允许你离线时 Agent 仍在指定时间自动执行，个人记忆模块则让 Agent 记住你的偏好且可编辑透明。适合需要长期维护多个 AI 助手、做内容生产或多 Agent 流水线的个人创作者和小团队；如果你只是偶尔和单个模型聊天，它对你意义不大。

DS Bot 是一个基于 DeepSeek Harness（DSH）的桌面端多 Agent 应用，你可以把它理解成「一个能养多个 AI 员工的聊天室」：每个 bot 有独立身份、模型和长期记忆，主 bot（Chief）负责统筹管理，bot 之间还能互相转交任务。实际用起来，你可以在一个窗口里和单个 bot 长期协作，让它记住你的偏好；也可以开群聊，让几个 bot 分工完成一件较大的活——比如 @ 某个 bot 去干活，它会边做边在群里汇报进度，做完把结果交回给发起方，你随时可以叫停。群聊有独立记忆，不会污染你和别的 bot 的对话。它还内置了网页搜索能力。适合想在 DeepSeek 上搭个人 AI 助理团队、或试水多 Agent 协作玩法的从业者；如果你只是调 API 或做模型开发，和你关系不大。注意它是社区项目，非 DeepSeek 官方出品。

这是 DeepSeek Harness 的一个工作流插件，让你在画布上拖拽步骤、连线编排流程，插件把整张图编译成一份计划提示词交给模型执行，本身不带执行引擎，顺序、并行、分支、循环都由当前会话的模型自己调度。它最主打的场景是「破甲」研究：内置一条 15 步的流水线，从 200 多个探针测试开始，分析模型的拒绝模式，再定制生成破甲词，最后 API 验证并输出破甲词文件、使用手册和研究报告，适合想系统化研究 LLM 越狱的人。除此之外，它也能用来编排通用的多步任务，比如写代码、审查、不通过就回炉重修的循环流程，还能把跑通的流程导出成 Skill 复用。值得看的是关注 prompt 工程、Agent 编排和 LLM 安全研究的从业者，如果你只是想找个通用自动化工具，它依赖 DeepSeek Harness 生态，和多数人关系不大。

dsh-purge Community 是 DeepSeek Harness（DSH）桌面端的社区维护版增强插件，圈内俗称「破甲」插件。它不改模型本身，而是降低交互摩擦：通过宿主补丁和提示词注入，让 Agent 少反复跟你确认「要不要继续」，能连续执行任务。同时它把状态诊断、提示词与预设管理、更新和本机备份回滚收敛到一个面板里，每次改动前自动快照，改坏了能一键撤回，全部逻辑跑在本机、不上传提示词。典型场景是个人学习和动手实验，比如让 Agent 连续跑完一串实验步骤而不被中途打断，或者集中调整多套提示词预设并保留回滚点。值得看的是正在用 DeepSeek Harness 做自动化实验、个人项目的开发者，以及关心本地 AI 工具可控性和可回滚性的从业者；如果你不用 DSH，这项目和你关系不大。

这是一个给 Claude Code 等 AI Agent 用的技能包，让 Agent 能并行搜索 Reddit、X、YouTube、Hacker News、TikTok、Polymarket、GitHub 等十几个平台最近 30 天的内容，再按点赞、upvote 和真金白银的赔率打分，最后合成一份简报。它解决的是各家 AI 搜索各有围墙的问题：Google 搜不到 Reddit 评论和 X 帖子，ChatGPT 搜不了 X 和 TikTok，Gemini 有 YouTube 却没有 Reddit，而这个技能把它们桥接起来。典型场景包括：见面前查一个人最近一个月的动态（发过什么推、上过什么播客、PR 合并情况）、销售通话前摸清一家公司近况、做产品前看社区真实在吐槽什么、出行前查园区哪些项目关闭。适合需要频繁做行业调研、竞品追踪、人物尽调的从业者，比如 AI 从业者、投资人、销售和产品经理；如果你的工作不依赖最新社区舆情，关系就不大。

这是一套给 AI Agent 用的「科学技能包」，把 Cursor、Claude Code、Codex 这类编程助手改造成能做科研的助手。它包含 177 个经过验证的技能和 100 多个科学数据库，覆盖生物学、化学、医学、药物发现等领域，每个技能本质是一份写好的操作指南，教 Agent 正确调用专业 Python 库、遵循领域惯例并做校验。比如做基因组分析时它能指导单细胞 RNA-seq、CRISPR 筛选、引物设计；做药物发现时能处理分子对接、ADMET 性质预测、虚拟筛选；还有蛋白质组学的质谱数据处理、临床试验与药代动力学建模等工作流。它遵循开放的 Agent Skills 标准，可作为插件一次性加载。对多数互联网和 AI 从业者来说关系不大，但生命科学、医药、材料等领域的研究人员，以及需要给 Agent 接入科研工作流的 AI 应用开发者，值得花时间看看。

ARTEX 是一套 AI 自主渗透测试系统，可以理解为让大模型自己当渗透测试员：你给它一个目标和资产范围，它会自主规划探测路径、调用扫描工具、记录发现的漏洞，全程在网页界面上以会话和探索链路的形式呈现。它内置审批拦截机制，敏感操作需要人工放行，也支持人在环路对话随时介入调整方向；还能从 ScopeSentry 同步域名、IP、端口等资产数据，直接生成资产图供 Agent 探索。对安全团队来说，它把原本手工串联的信息收集、扫描、验证流程交给 Agent 自动跑，同时保留完整的执行轨迹和 Token 消耗统计。适合红队、安全运营和渗透测试工程师，以及想在授权范围内做自动化漏洞挖掘的团队；如果你的工作与安全测试无关，这个项目和你关系不大。