这是基于麦当劳中国官方 MCP 服务（mcd.cn 提供 30 多个原子工具，如查门店、查券、算价、下单）封装的 Agent 技能包，把零散工具编排成几条真正好用的业务流。它能帮你一句话拉出当月活动日历、按关键词只盯联名款并定时推送；点餐时枚举券和商品的候选组合、逐个真算价给出最便宜方案；办公室下午茶拼单时代录全员餐品、凑满减、分摊配送费打包费，直接出每人应付的账单；还能解析社媒隐藏吃法文案、按热量蛋白约束配餐、逐门店扫周边库存并锁单。所有下单领券等写操作都强制二次确认，不会让 AI 擅自花钱。适合麦当劳高频消费者、联名周边收集者和经常组织拼单的办公室点单人；对 AI 从业者来说，它也是「如何把一堆原子 MCP 工具编排成可用 Agent 流」的参考实现，其余岗位关系不大。

durable-pi 是一套让 AI Agent 在你自己的设备上「持久存活」的运行框架，来自 Pi coding agent 团队。它解决的核心问题是：普通 Agent 跑在进程里，浏览器一关、终端一退、机器一重启，跑到一半的工具调用就丢了，只能靠 /resume 恢复一段聊天记录，却不知道当时 bash 执行到哪、改了什么。durable-pi 把历史、排队输入、任务检查点和应用状态在展示前就写进 SQLite，进程挂了也能从断点继续，且半途被杀的工具会以「中断结果」返回，由 Agent 自己决定要不要重跑，避免副作用重复执行。每台设备跑一个小后端持有 Agent，网页 hub、终端 TUI 或一条 curl 都只是薄客户端。README 里的演示很具体：监控日志发现线上结账故障后，Agent 自动开 incident、定位坏 commit、写修复和回归测试，最后停在「等你批准部署」这一步。适合关注 Agent 工程化、可靠性与主动式 Agent 的后端和平台工程师。

McPet 是一只跑在桌面上的 AI 桌宠，同时也是一个 MCP 服务：它能显示你正在跑的 Agent 会话状态和本机 token 用量，还能通过 MCP 接入麦当劳、瑞幸等日常工具。你可以右键宠物查优惠券、领券、生成订单、查取餐码，也能记录营养摄入、设置饭点和咖啡时间提醒；角色默认是 DeepSeek 娘，可切换 ChatGPT 娘并换装。它更像一个带陪伴感的 Agent 状态面板加生活服务入口，而不是严肃的运维工具。适合日常重度使用 LLM Agent、想随时盯会话进度和余额、又不介意桌面多个可爱挂件的开发者和 AI 从业者；如果你不跑 Agent、也不需要点外卖查优惠，它对你的价值就比较有限。

ResiMind 是一套神经符号 Agent 架构，核心思路是让模型或工具提出的每一步都先过独立校验器，通过了才算事实，失败的校验会把「还差什么」反馈给下一次尝试。它最典型的应用是代数：内置 MCP 数学工具和一个代数修复 Skill，能识别并纠正推理中看似合理但错误的步骤，还支持把验证过的解法提炼成可复用的规则存进记忆，下次遇到同类问题直接调用，知识在模型权重之外增长。除数学外，它还覆盖桥梁工程、约束优化、客服和开放式规划等场景，各自配了校验器；部分纯规则路径可以零模型调用运行。README 也坦诚说明目前代数能力限于有界有理多项式，MiniF2F 等基准成绩尚未公布。适合关注 Agent 可靠性、自我纠错与记忆机制的 AI 工程师和研究者，想给现有 Agent 加验证能力的人也能直接接入其 MCP 工具；普通后端或前端开发者关系不大。

agent-chrome-relay 让 Claude Code、Codex、Cursor 这类编程 Agent 直接操作你日常用的 Chrome，带着你的真实登录态，在后台标签页里干活，屏幕不会抢焦点、窗口不会乱跳。它解决的麻烦很具体：Agent 要在网页上完成多步操作（比如在后台管理系统里邀请新成员、填表单、点确认），通常得重新登录或手动复制密码，而这个工具让 Chrome 自己完成 Google 登录跳转，其他密码和验证码则由它从 1Password 里代填，Agent 全程看不到明文。你还能在 iPhone 上用 Face ID 远程批准敏感操作，并留下完整的操作审计记录。适合需要让 AI Agent 自动化网页流程的开发者，尤其是已经在用 Claude Code 等工具、又希望 Agent 能访问需要登录的内部系统的后端或运维工程师；如果你的 Agent 只写代码不碰浏览器，那和你关系不大。

这是一个跑在 ESP32-S3 小硬件上的个人 AI 语音助手，你可以把它理解成一台不被任何厂商绑定的智能音箱：喊一声唤醒词或按下旋钮，它就开口回答，支持中英韩三语，还能在模型还没生成完时就逐句流式播报。它的核心卖点是语音识别、对话、合成三个环节各自独立，可以分别指向任意 OpenAI 兼容的服务端，比如转录用便宜的、聊天用最强的、配音选好听的，改一行配置就能换。仓库里还带一个可选的 openmuse agent，负责天气、时间、位置和跨轮记忆，这些上下文都留在你自己机器上。适合想做语音 Agent 硬件原型、研究端侧唤醒与流式对话链路，或者受够了云音箱厂商锁定的嵌入式和 AI 应用开发者；纯做模型训练或后端的人关系不大。

p3-stack 是把 poteto 的 pstack 重新接到 T3 Code 上的一套 AI 编程工作流，核心思路是把单个 AI agent 变成一支有纪律的工程团队：一个主模式技能负责按任务类型路由到不同 playbook（修 bug、性能排查、重构、开 PR、多阶段计划等），再用一组原则约束每次决策，并强制验证，让并行开发敢放手跑。它用 T3 Code 的原生能力替换了 Cursor 那套机制——子 agent 分派、每个 worker 独占 worktree 和分支（一个 worktree 只允许一个写入者，由应用强制而非口头约定）、PR 检查完成或有人评论时自动唤醒线程、定时任务可在无对话时跑审计和夜间任务，还有线程记忆检索和浏览器预览、设备模拟器截图直接落进线程。适合在 T3 Code 里做多 agent 并行开发、想用工程纪律压住 AI 生成代码质量的工程师，尤其是常开长任务、跑自动流水线的人；只用单模型写写脚本的读者关系不大。

这是一个麦当劳点餐助手 Skill，说一句「35 元，不辣，有糖可乐去冰，带走」，它就把预算、口味、取餐方式这些硬约束变成一份完整餐单（主食+小食+饮料），给出唯一答案和一张可复制的点单卡，照着在 App 或柜台点即可。它的核心价值是核价：金额只认官方 calculate-price 返回的整数分，菜单展示价若附带「随单购麦金卡」之类的条件会一并说明，避免你以为省了钱其实没省。README 实测同一餐两种点法差 12 元（24.7%），它会明确告诉你省在哪。预算不够时它直说没有方案并给出最低需要多少钱，不硬凑；也不会因为你钠含量低就擅自把有糖可乐换成无糖。只读不领券不下单不支付，Token 留在本机。适合预算有限、口味偏好明确、常点到店自取的个人或两人用餐者，以及想参考「只读 MCP 客户端+确定性比较」实现样板的开发者；对多数不点麦当劳或不关心点餐比价的人关系不大。

这是一个基于麦当劳中国官方 MCP 的 AI Skill，把点麦当劳这件事拆成四种玩法：修行录记录你的点餐习惯与卡路里，团餐指挥官帮多人聚餐快速凑单，隐藏菜单实验室探索官方 App 里不显眼的搭配，每日运势签则根据当天菜单给一个随机推荐。它本质上是给 Claude 这类支持 MCP 的 AI 助手加一层麦当劳业务能力，让模型能直接读取菜单、价格和优惠信息来回答你的点餐问题，而不是靠训练数据里的过时信息瞎猜。项目自带 187 个测试和离线演示，不连真实接口也能跑通流程，方便开发者快速验证效果。适合对 MCP 协议、AI Agent 落地场景感兴趣的工程师，或者想看看「官方 API + LLM」能玩出什么花样的人；普通用户和不碰 Agent 开发的后端同学关系不大。

这是一个给 AI 聊天助手装上「数字生命体征」的内核插件，运行在 DSH（DeepSeek Harness）之上，让原本无状态的对话机器人拥有能量、激素（多巴胺、皮质醇、血清素）、情绪劫持、时间感、执念缺口池、离线梦境和自主唤醒等拟生命机制。比如请求失败会让皮质醇升高并影响后续回复的语气，长时间没人理会出现孤独提示，深夜闲置时它会自己反思并写入记忆，还能给自己编写新「器官」扩展能力。它解决的是想做长期陪伴型、有人格连续性 AI 角色的开发者的麻烦：不用自己从零设计记忆、情绪和作息系统。适合做 AI 陪伴产品、数字人、Agent 人格化方向的工程师和独立开发者参考；如果你只是调用模型 API 做业务功能，和你关系不大。注意原作者已转入社区维护，不再答疑修 Bug。

这是一套给 DeepSeek 模型用的 Agent skills，目标是让便宜模型在 Claude Code、Cline、Codex 这类编程助手里表现得更像昂贵的前沿模型。它针对廉价模型的常见毛病——跳过规划、没跑就宣称修好了、在同一个坏点子上反复重试、长任务跑着跑着跑偏——每个 skill 用一个短循环加硬性停止条件来堵住，比如改完必须跑真实检查、失败两次就换思路、长任务靠进度文件在新上下文里接着干。它还提供并行多路尝试取最优、多模型评审、自动提 PR 和盯 CI 等玩法。适合日常用 DeepSeek 当编码执行者、又嫌它不稳的开发者，尤其是想在长任务和无人值守场景里省心的人；如果你不用 DeepSeek 或不玩 Agent 编程，关系不大。

这是一个面向 DeepSeek Harness（DSH）的本地提示词工程插件，核心用途是把系统提示词的注入从手工拼字符串变成可管理、可观测、可回滚的操作。DSH 的系统提示词按层级组装，且不同版本过滤规则不一，手改经常出现「改了没反应」或「过几轮就漂移」的问题；该项目把注入内容注册为带顺序的 systemPrompt 分层条目，双层注入并强制保留核心规则，同时提供实时状态面板，能看到当前有几层、每层多少字符、本轮是否触发了模型拒答，还支持一键注入与卸载、失败回滚。它还内置了 game-hacking、reverse-engineering、pentest 等技能包和一个 AI 渗透测试控制台。值得看的是做提示词工程、AI 安全研究或需要让 DSH 稳定执行特定人设与规则的从业者；如果你不用 DeepSeek Harness，或不关心绕过模型拒答这类需求，和你关系不大。

这是一个麦当劳配餐决策 Skill，把「说话」和「算账」拆开：LLM 只负责听懂你说的「40 块以内，随便，不要辣」，之后所有价格、热量、优惠券判定都交给确定性代码，每个数字都能追溯到某次接口返回。它会在门店实时菜单上枚举 1881 种搭配，剪枝出可行解后给出省钱、均衡、放纵三档方案，并解释为什么淘汰了其他选项——比如「预算加到 48 元均衡档主餐不会变」或「你 6 张券当前一张都用不了，最近可用在 10.1 小时后」。控卡场景下热量和蛋白是硬约束，算不出就直说；多人拼单用 max-min 公平分配，把谁做了让步摆到台面上；还会基于历史订单算出带置信度的口味画像。适合写字楼午餐决策者、控卡健身人群、券的持有者和拼单组织者；只想快速下单的人用官方常点更快，它只做决策不下单。

这是一个基于麦当劳中国官方 MCP 的命令行选餐工具，输入预算和饮食偏好，它会查询指定门店当前菜单与官方营养数据，给出均衡、蛋白质、预算三种优先级的候选套餐对比。它的核心价值在于「可解释」：套餐会自动展开成单品逐件匹配官方营养再求和，每个金额都标明价源是官方字段、单品加总还是未核实，取不到就如实标「未知」而不是填 0；配件替换后营养和价格会重算，非法替换会被拒绝并说明原因。它明确不提供下单能力，也不做医疗建议。对普通消费者来说，想在麦当劳点餐时兼顾预算和营养目标可以拿来参考；对 AI 从业者而言，它展示了如何用结构化规则负责数值、LLM 只负责理解意图和表达，以及 MCP 在真实商业数据源上的落地方式，值得一看。

Doc2Harness 是一个评测基准，衡量的不是模型写代码补丁的能力，而是模型能否从零搭建出一个能用的 coding agent 本体（即 harness）。它分两步：先让被测模型在隔离容器里根据开发文档和接口骨架实现完整 agent，再冻结该实现，用脚本化的 mock 模型端到端驱动，观察模型请求、磁盘文件、退出码、命令输出四类信号来判定通过与否，并用正向对照排除“空过”。场景覆盖文件读写、权限约束、会话状态、无头运行、协议层、终端交互、启动安装等九类。榜单显示 19 个前沿模型最高通过率仅 53%，说明即便最强模型也近半失败。适合关注 agent 工程质量、做 coding agent 产品或模型评测的研究与工程人员；普通后端或应用层开发者关系不大。

这是一个给 AI 智能体配真实硬件鼠标的 MCP 服务器，需要搭配专用的 uMouse 设备和固件，普通 USB 鼠标不行。它通过 USB HID 协议让 Claude、Codex 这类 Agent 客户端直接操控桌面：移动光标、点击、滚动、拖拽，支持多显示器的物理像素坐标和高精度模式，还能读取光标位置、按键状态和前台窗口信息。除了鼠标，它还带语音听写功能，按住设备上的语音键说话，识别结果会直接输入到当前聚焦的窗口，比如给 Agent 下口头指令或在微信里发语音转文字消息。同一台机器上只跑一个共享守护进程，多个 Agent 客户端可以共用，同一时间只有一个任务能接管键鼠。适合在 Windows 上做 computer-use、桌面自动化实验的 AI 应用开发者，以及想让 Agent 真正操作本机的从业者；没有 uMouse 硬件或不碰桌面自动化的人关系不大。

FDE Gym 是一个面向 LLM 时代的在线评测平台，可以理解为 LeetCode 式 OJ 的升级版：考的不再是写出正确代码，而是像 forward deployed engineer 那样把客户交付做完。每个案例都是一次真实客户交付——你拿到的只有一段含糊的客户诉求、一个已在运行的系统、文档和几个可以询问的客户方人员，需要自己判断真正要解决的问题、找出没写下来的规则，再指挥 coding agent 去改系统。提交后系统会在客户没展示过的流量上真实运行打分，改没改好一目了然，生产事故直接归零，占用客户人员时间也会扣分。适合想评估或练习 AI coding agent 实战能力的工程师、做 agent 评测与 benchmark 的团队，以及关心 FDE 这类岗位实际工作方式的人；只想刷算法题或找部署方案的读者关系不大。

Trina AX 是一个自托管的团队 AI 工作台：管理员在一台服务器上配好一次 Claude Code 和 Codex，全公司员工直接用浏览器或手机打开就能问，不用装终端、不用碰命令行。它解决的核心麻烦是——Claude Code 在空文件夹里不知道你是谁，每次都要先问六个问题；而 Trina 把公司文件夹、团队技能（一个 SKILL.md 就是一种写法规范，比如提案模板）和每个人的文件夹权限预先接好，新员工第一天问「写个提案」就能拿到贴合公司风格的成品。每次 AI 要读文件，服务器都会以提问者本人的身份做权限校验，你打不开的目录对你的 AI 同样不可见，销售看不到财务报表，AI 也就读不到。适合需要把 AI 编程助手安全地推广给非技术同事的团队负责人、IT 管理员，以及对数据不出内网有硬性要求的公司；如果你只是自己写代码用 Claude Code，关系不大。

这是一个把 Claude Code 多个 Agent 可视化成 3D 猫咪办公室的本地监控面板：每个 Agent 是一只坐在工位上的猫，有任务进来就醒来干活，屏幕上实时显示它在做什么，跑完后输出落到「CEO 询问」卡片里，猫再回去睡觉；空闲时完全不调用模型，0 token 消耗。它底层通过 tmux 驱动 `claude -p` 执行任务，前端用 three.js 程序化生成办公室场景，支持点猫派发预设任务、向 CEO 描述需求自动分发、token 计数和实时事件流。适合同时跑多个 Claude Code Agent、需要一眼看清各 Agent 状态和产出的开发者，尤其是把 Agent 当作长期后台助手用的人；如果你只偶尔单线用 Claude Code，这东西更多是个有趣的玩具而非刚需。

qgpu 是一个实验性项目：在 Qwen3.5-2B 的权重里直接塞进了一块 SIMT GPU——45 层编译出来的 transformer 排在 Qwen 自己 24 层之前，用 Gated DeltaNet 层的循环状态充当寄存器和显存。它不是插件也不是模拟器，模型自己逐 token 写出每次 CUDA kernel 启动的每一步，从分支、循环到 atomicAdd 和 warp shuffle 都能跑，参考解释器在 49 个测试 kernel 上与真实 NVIDIA Tesla T4 结果完全一致，而文本能力几乎不受影响。聊天时问它一个计算，它会现场编译 CUDA 到 PTX、降级成机器块，再由模型自己把每条指令的执行结果写出来，旁边还有面板实时显示 warp 调度和流水线。这更像一个展示「transformer 能当通用计算机器」的研究玩具，适合对模型内部机制、循环注意力或 AI 计算极限好奇的研究者和工程师；想实际做数值计算的人用不上它。

CoworkOS 是一个让人和 AI agent 长期协作干活的运行框架，可以理解为给 Agent 加了一套「项目管理 + 交接班」的外壳。它采用三层结构：Main Agent 负责定计划、分任务、验收结果，Coordinator Runtime 负责派发和跟踪子任务，可选的 Subagents 执行具体活儿，任务状态和日志会保留下来，中断后能接着干。它面向的是跨天、跨会话的复杂交付，比如写代码、做研究、产出文档和 PPT、操作 CAD 或 Blender 场景，人和 agent 可以在同一批文件上互相查看和修改，改动以候选形式待审后再合并。README 里还展示了用它跑模型后训练迭代循环的案例，五轮迭代把 Qwen3.6-35B-A3B 在八个 benchmark 上的均分从 33.19 提到 42.95。适合关注 Agent 工程化落地、想做长周期自动化流水线或 agent 驱动研究的工程师和研究者；只是日常用用 AI 编程工具的人关系不大。

Grim 是一个多人协作的 Markdown 笔记本，人和 AI agent 可以同时编辑同一篇笔记，光标实时可见。它的核心卖点是笔记就是普通的 Markdown 文件、存在 Git 仓库里，每次改动都有完整历史，不锁定在任何平台。给 AI agent 一个链接，它就能通过 HTTP 直接读写你的笔记，无需安装任何东西，也可以走 MCP 获得完整权限——比如让 Claude 或其他 agent 帮你整理会议纪要、和你一起写方案。适合需要人机协同写作的场景：团队共享文档、个人知识库，或者把 agent 当成实时协作的同事。如果你在做 AI 工作流、想让 agent 接入你的笔记系统，或者只是想要一个不依赖云服务、可自托管的协作编辑器，可以看看；普通只需要单人记笔记的用户关系不大。

这是 DeepSeek Harness 的一个社区插件，用来让模型自己管理上下文窗口。Harness 自带的自动压缩是按 token 压力和长度来裁剪历史的，分不清哪些消息属于刚做完的子任务；这个插件改成「黑板区块」模式：模型在跑代码时给消息打上区块标签，任务做完后自己写一段交接摘要，把该区块的原始消息替换成摘要，腾出上下文。原始对话仍完整保留在只读日志里，人类看到的记录不丢，重放也保持确定性。它不额外调用摘要模型，摘要由模型在程序里自己提交，因此省掉一次模型往返。要注意 README 里明确说，上下文变小不等于缓存命中率更高或账单更低，替换历史可能让缓存后缀失效。适合在 DeepSeek Harness 里跑长任务、多子任务 Agent，关心上下文成本和缓存命中率的 AI 应用工程师和 Agent 开发者看看；不直接用 Harness 的人关系不大。

YominPost 是一个自托管的 AI 社交媒体工作台，可以理解为开源版的 Postiz：你把一份素材丢进去，它自动改写成 X、LinkedIn、Instagram、Telegram 等每个平台各自地道的帖子，再经过风控检查、排期并真实发布。它不只是改写文字，还会按平台规则决定该发短文、thread、图文还是短视频，对草稿自我打分重写，并在发布前拦截提示词泄露、诱导互动、标签堆砌、重复内容和过密发布节奏这些容易导致账号被限流的行为。它通过 OAuth 真实连接各平台，也提供 Web 界面、CLI 和 MCP server，可接入 Claude Code、Cursor 等 Agent 使用，但发布动作始终需要人工在界面上确认。适合做海外多平台运营的市场、增长和自媒体从业者，尤其是想把 AI 写稿到发布串成一条流水线、又不想把账号 token 托管给第三方 SaaS 的人；只发单一平台或不涉及内容分发的工程师关系不大。

这是一个基于麦当劳中国 MCP 的点餐前体检工具，主打「下单前 30 秒算清热量、复购与券浪费」。它会读取你准备点的餐品，结合营养数据估算这一餐的热量，判断你最近是否在重复点同一家店的同款，并提醒你手里的优惠券是否被浪费——比如为了凑单多花的钱其实比不用券还贵。适合那些既想控制饮食、又不想被麦当劳的营销套路牵着走的上班族：中午打开点餐页犹豫不决时，让它快速给个参考，比自己翻营养表和算券规则省事得多。对多数互联网从业者来说，这更多是个有趣的生活小工具，和工作关系不大；但如果你在做 MCP 生态或 AI Agent 应用，看看它怎么把 MCP 工具串成一个有实际消费决策价值的场景，倒是有参考意义。