OXR 是 SoMark 团队开源的文档解析模型，可以理解为一个更强的 OCR：把 PDF 和文档图片转成带版面坐标的 Markdown 或 JSON，方便直接喂给 Agent 或大模型使用。它只有 1.3B 参数，却在 olmOCR-Bench、OmniDocBench、DocParsingBench 三个基准上排第一，表格解析优势尤其明显，解析速度也是开源同类模型里最快的。它能识别 13 种文档元素，包括公式、表格、代码块、化学方程和化学结构，还能处理 A3 试卷、报纸、竖排文字、手写中文这类难啃的版面。另一个特点是版面分析模块可插拔，你可以换成自己的版面模型，只保留它的内容识别和阅读顺序能力。做 RAG 数据管线、企业文档数字化、把内部资料接入 Agent 的工程师，以及需要批量处理合同、试卷、论文的团队，都值得花几分钟看看；如果你的工作和文档处理、AI 应用落地无关，那跟多数人关系不大。

DigUp 是一个本地优先的语义文件搜索工具，可以理解为「用自然语言搜你电脑里所有文件的 Spotlight」。它基于 Google DeepMind 的多模态嵌入模型 EmbeddingGemma 2，把图片、PDF、文档、录音、视频和代码放进同一个语义空间，你用自己的话描述要找什么，它就跨格式找到内容匹配的文件。比如搜「沙滩上的狗」能翻出照片，搜「他们聊睡眠的地方」能跳到播客对应分钟，搜「租约里关于宠物的条款」能定位到 PDF 具体页，还能用英文搜到孟加拉语或阿拉伯语写的笔记。发票号、错误码这类精确字符串也照常匹配，Mac 上连截图里的文字也能搜。所有索引都在本机完成，文件不出电脑，无需账号。适合经常在本地堆积大量截图、录音、PDF 和代码仓库、却苦于「记得内容但找不到文件」的开发者、研究者和内容工作者；如果你的文件量不大或全在云端，关系就不大。

Moodle-MCP 是一个零依赖的 MCP server，把全球大量高校在用的 Moodle 教学平台的 Web Service API 封装成十个只读工具，让 Claude、Cursor 等 MCP 客户端直接读取课程数据，不用开浏览器、不用爬虫。它能列出你选修的所有课程，把未提交的作业按「快到期/已逾期/不着急」分类并算出剩余天数，读取测验的作答状态和成绩，还能按周下载课件和作业附件到本地文件夹，甚至生成一份包含新增内容和截止日期的周报。配套的 moodle-course-watch skill 在此基础上做课程内容差异对比和未交作业提醒。适合两类人：一是高校学生，用它在 AI 助手里统一管理多门课的作业、测验和资料，避免漏交；二是给学校做教育工具的开发者，Moodle 之前没有通用 MCP server，这是现成的接入层。如果你既不用 Moodle 也和教育场景无关，这个项目基本用不上。

这是一个把各国法律文本全部装进 git 历史的项目：每个国家的法律各自是一个仓库，用 submodule 挂到总库里，每部法律生效就对应一次 commit，因此可以查到任何国家在任何一天的法律原文，以及每个字最后是被哪条法律改的。它自带一个 MCP server，接入 Claude Code、Cursor 等 AI 编程工具后，可以直接用自然语言提问，比如「2022 年 5 月 1 日美国破产法第 1182 条写了什么、最后一次修改它的是哪部法律」，也能把判决书或法律文书与当时生效的法条做比对。对法律科技、合规产品的从业者来说，这是现成的结构化法律语料和检索底座，省去自己爬取各国官方法律数据库的功夫；做跨境业务、需要追溯法条历史版本的团队也用得上。纯做互联网或 AI 工程、不涉及法律场景的读者，跟它关系不大。

RustXNG 是一个用 Rust 写的自托管元搜索引擎，基于 SearXNG 改造，专门面向 AI Agent 做网页检索和 grounding。它自己不爬网页也不建索引，而是把查询发给多个外部搜索引擎、合并结果后以 JSON 返回，还能按需抓取页面正文，让 Agent 只把必要的证据文本喂给模型，控制 token 消耗。典型用法是把它跑在本机或内网，给能执行命令的 Agent 当本地搜索工具，比如查文档、找最新资料、为回答附上出处。需要注意的是，搜索词仍会发往上游引擎，作者已因合规问题移除了 Google 相关集成，部分数据源默认关闭，公开部署或高频调用前得自行核对各引擎条款。适合在做 Agent 应用、RAG 检索链路的工程师，以及想给本地 LLM 接联网搜索能力的开发者看看；纯做前端或业务后端的人关系不大。

这是一个完全跑在本地电脑上的离线 AI 助手加生存知识库，断网也能用，可以理解为「本地版 RAG 问答 + 应急百科」。它内置约 150 万篇来自 Wikipedia、WikiMed、MedlinePlus、CDC、FEMA、美军生存手册等权威来源的文章，你问「停电时食物怎么保存」「烧伤怎么处理」「怎么净化水」，它会检索这些文章作答，并把引用的原文段落高亮给你看，还能展开查看逐步推理过程。你也可以把自己的 PDF、Word、EPUB、网页丢进去一起检索，比如发电机说明书或家庭应急计划；它还会记住「女儿对青霉素过敏」这类备注供后续对话使用。适合经常需要离线环境、重视隐私和答案可溯源的用户，比如户外从业者、应急管理人员，或想给家里备一份断网应急查询工具的人；日常在办公室用云端 AI 的从业者关系不大。

StashDock 是一个本地优先的个人上下文库，把散落在浏览器标签、文件夹和历史对话里的参考资料集中到一处，方便你在不同 AI 对话中反复调用。你可以通过 Chrome 扩展收藏网页、导入书签，或添加本地文件、笔记、提示词和规则，用标签分组管理，再挑选需要的部分注入到 ChatGPT 等 AI 对话里；它还通过 MCP 让 AI 反向帮你检索库中资料、把聊出来的结论存回库中，比如让 AI 找出与当前项目相关的参考，或把刚约定的写作规范保存为可复用条目。对每天在多个 AI 工具间切换、需要反复喂同类背景资料的从业者来说，它省去了每次重新粘贴上下文的麻烦；如果你很少用 AI 或不介意重复整理资料，关系不大。

Helix Foundry 是一个把公司散落各处的数据整合成一张知识图谱的工具：它提供 PostgreSQL、MySQL、S3、Stripe、GitHub、Slack、Notion 等几十种连接器，把数据库表、文档和表格文件接进来，再由一个 AI agent 根据你的业务目标自动起草一套 ontology（实体类型、关联关系和规则），你审阅修改后加载进 HelixDB，形成一张可探索、可提问的统一图谱。它的核心卖点是可溯源：图里每个值都能追回原始的数据库行或文档引文，Analyst 回答问题时会给出图表、执行过的查询和每条结论的出处，文档间冲突的值会等你裁决；同步机制只读增量变化，避免全量重跑。适合数据工程师、数据分析师和需要跨系统做业务问答的后端或 AI 应用开发者，尤其是那些受困于「数据散在十几个系统、想让 AI 帮忙梳理但又怕它胡编」的团队；如果你不涉及数据整合或知识图谱，和你关系不大。

推量牛是一套开源的企业级 RAG 加内容营销系统，可以理解为「企业知识库 + AI 内容工厂 + 矩阵分发工具」三合一：先把公司资料、产品文档、图片音视频沉淀成专属知识库，再由基于 LangGraph 的 Agent 据此创作文章、图文、图片和视频，最后一键发到抖音、小红书、公众号、LinkedIn、YouTube 等 17 个平台，并回流发布数据。它的检索链路全部用 BGE-M3、Milvus、Elasticsearch 等开源模型本地跑，不产生调用费，企业资料不出内网；生成环节走 OpenAI 兼容接口，供应商可换。项目还内置了多租户、计费、支付、后台等完整商用能力，MIT 协议可直接拿去运营。适合做品牌社媒矩阵运营、MCN 代运营、跨境电商出海营销的产品和运营负责人，以及想私有化搭建企业知识问答的 ToB 团队；纯技术岗若只想找个 RAG 参考实现也值得翻翻，普通开发者关系不大。

Axiocairn MCP 是一个托管的 MCP 服务器，让 Claude、ChatGPT 等 AI 助手直接接入一套量化金融分析能力：你告诉它持仓（比如 50% NVDA、30% MSFT、20% SPY），它会算出行业集中度、HHI、日波动率、相对 SPY 的 Beta、下跌日 Beta 和个股相关性，并附上数据日期和统计窗口。它还能做 what-if 情景推演、估算交易成本与容量、检查回测纪律，以及读取平台自己发布的研报，且每条结论都标注数据日期和局限。对个人投资者或做组合研究的人来说，这相当于把「问 AI 我的持仓风险有多大」从泛泛而谈变成有数据支撑的量化回答；对量化研究员，它提供了一套可复用的研报与回测检查工具。适合关注美股组合风险、想在 AI 助手里做持仓分析的投研和量化从业者；纯技术岗或不碰投资的人关系不大。

这是一份跟随论文《Computational Character Modeling: A Survey of Role-Playing Agents from a Behavioral Science Perspective》的文献阅读清单，收录了 143 篇角色扮演 Agent 相关论文，按论文的章节结构组织成三大部分：角色建模方法（行为模仿、认知状态、规则经验、情境交互、人格特质等路线）、角色信息与数据基础（角色来源、数据模态、构建与质量控制），以及评估体系（覆盖身份一致性、语言风格、人格情绪、记忆与长期一致性、多角色社交、安全边界、沉浸感等九大评估目标，以及规则打分、LLM judge、人工评估等打分方式）。它把散落在 ACL、AAAI、arXiv 等处的角色扮演研究串成了一张有脉络的地图，还提供可下载的文献目录。适合做角色扮演 Agent、虚拟人、AI 陪伴或 NPC 相关产品的算法与研究工程师，以及关注 LLM 评估方法的从业者快速摸清这个子领域的全貌；如果你的工作与角色扮演或多智能体无关，这份清单和你关系不大。

这是一个把巴西联邦税务局公开的 CNPJ 企业登记数据搬到本地的 MCP 服务器兼命令行工具，让 AI 助手能直接用自然语言查询企业信息。原始数据有 7000 万家企业的记录、动辄几个 GB，它会下载并整理成本地数据库，毫秒级响应，且数据不出本机、免费无调用限制。实际用起来，你可以问「Campinas 有多少家活跃的汽修厂」，它会自动把「汽修厂」翻译成对应的 CNAE 行业代码并给出统计，还能按城市、行业、企业规模、MEI 身份、开业年份筛选，导出 CSV，或对比多个城市的行业分布、看某行业逐年开张与注销的趋势。适合做巴西市场调研、销售线索挖掘、区域经济分析的人，比如市场分析师、BD、咨询顾问；如果你的工作和巴西业务无关，这个项目基本用不上。

MemForge 是给 AI 编码代理用的记忆层，可以理解为 Claude Code、Codex 这类工具的「团队大脑」。它把散落在 Confluence、Jira、Teams 等系统里的 wiki、工单和聊天记录同步下来，用模型提炼成一条条带出处的短记忆，代理通过 MCP 检索这些记忆，而不是每次从零翻文档。它解决的具体麻烦是：新加入的代理只看得到本地代码库，对团队既有的技术决策、约定和历史一无所知；而直接把整篇文档塞进上下文又太占空间。MemForge 只返回精确的事实并附带原文出处，文档过期或两处说法冲突时会自动更新或标注。适合正在用 Claude Code、Codex 等 AI 编程工具、且团队知识散落在多个协作系统里的研发团队，尤其是需要让代理理解历史决策的工程师；单人开发者或不依赖 AI 编码代理的人关系不大。

ChatVia 是一个可自托管的 AI 客服机器人平台，可以理解为开源版的 Intercom 或 Zendesk AI：团队把产品文档、FAQ、网页甚至音视频喂给它，它就基于这些自有知识回答用户提问，数据全部留在自己的服务器上。检索用的是 PostgreSQL 混合搜索（向量加全文），并支持 MCP 和自定义工具调用，还内置了护栏机制，遇到答不了的问题能转人工客服。做好的机器人可以一键投放到托管聊天页、网站悬浮窗、Slack、Teams、WhatsApp、Telegram 或 REST API。技术栈是 Laravel 加 Vue，用 Docker 部署，可搭配开源权重模型。适合正在搭建智能客服、内部知识库问答的后端或全栈工程师，以及希望数据不出内网的团队；如果你不负责客服系统或 RAG 应用落地，跟你的关系不大。

fatsearch 是给 AI Agent 用的网页抓取和阅读工具，可以理解为「网页版的 ripgrep」：它把网页清洗成干净的 Markdown 存到本地，先给 Agent 一个简短的目录大纲，Agent 需要细节时只读其中一节，而不是把整页塞进上下文。官方数据显示，同一个 Wikipedia 页面，其他抓取方案要 7 万到 11 万 token，它只要 918 个，模型账单降到约两百分之一；菜单、cookie 横幅、追踪脚本全部剔除，价格、日期、数字则保留。它还能读 Agent 自带 fetch 搞不定的 JS 页面、PDF 和反爬墙，先试免费的普通 HTTP，失败再按价格从低到高升级到你自己的 provider key。提供 CLI 和 MCP 两种接入方式。值得看的是正在搭 Agent 工作流、被网页抓取 token 成本和 403 拦截困扰的工程师，尤其是用 Claude Code 之类工具做检索类任务的人；如果你不涉及 Agent 联网搜索，关系不大。

这是一个本机运行的 AI 学习工作台，可以理解为「带 RAG 检索的苏格拉底式辅导老师」：你上传课程讲义或习题资料，它先用 BGE 向量化建索引，再结合检索到的原文内容，通过多轮对话逐步给你提示而不是直接甩答案。它能针对你的作答给出错因反馈、分步讲解和变式练习，还能把每道题的提问、作答、反馈保存下来，下次接着学。技术栈是 Next.js 加 FastAPI，向量索引和记录都存在本地，只有教学回复和判分会调用你配置的聊天模型 API。适合想做 AI 辅导类应用、教育 Agent 或 RAG 检索实践的开发者参考其架构；单纯想找个刷题工具的普通学习者也能用，但需要自己准备模型 API 和课程资料。

jevcrawl 是一个面向 AI Agent 的网页抓取工具，提供 MCP server 和 CLI 两种形态，可接入 Claude Code、Claude Desktop、Cursor 等环境。它解决的是 Agent 浏览网页时的老难题：要么把抓到的页面全塞给 LLM 读，token 烧得快还容易被导航和广告淹没；要么让 LLM 逐个挑链接，又慢又贵。jevcrawl 用一个轻量决策模型代替 LLM 来判断该点哪个链接、该保留哪段文字，LLM 只读最终筛出的相关段落，每次抓取成本约一美分。官方在 WebWalkerQA 基准上测试，找到答案页的比例是 54%，约为 Crawl4AI 的两倍，单次任务成本比让 Claude 自己爬低约 8 倍，且返回内容带 URL 和字符偏移，可溯源、不会被页面文字注入指令。适合在做 RAG、Agent 网页检索、需要从多层嵌套网站里挖答案的工程师关注；如果你的工作不涉及让模型上网找信息，这个项目和你关系不大。

这是一个本地运行的 MCP 服务，让 Claude Desktop、Cursor 等 AI Agent 能直接检索你的微信和钉钉聊天记录。它在本地解密客户端的 SQLite 数据库，用 FTS5 建全文索引，全程只读、数据不出本机，毫秒级响应。它能干的事很具体：按关键词搜「群里谁发过关于某需求的讨论」、按时间范围拉取上周某群的对话、汇总某天所有沟通生成日报、查群成员和联系人、找回群里发过的 Excel 或截图，还能做群活跃度统计、成员画像和沟通风格分析。对微信支持 4.x/3.x，对钉钉支持 7.x 的 V2/V3 版本。值得看的是需要频繁翻聊天记录找信息的人——比如用 AI 做知识管理、日报周报、项目复盘的从业者，或者想让 Agent 读取工作沟通上下文的 AI 工程师；如果你平时很少回头查聊天记录，这项目和你关系不大。

Yahont 是一个可私有部署的企业知识层平台，基于开源项目 Onyx 改造，主打俄语环境适配。它把公司散落在各处的文档、网站、知识库统一接入并建立混合索引，让团队和 AI Agent 通过一个入口检索全部资料，回答附带原文引用链接，方便核验。除了文档问答，它还提供 Deep Research 多步研究报告、带独立知识与指令的定制 Agent、网页搜索、代码沙箱执行、图片生成、语音模式，以及通过 MCP 把自身知识库接入 Claude Desktop 等外部 Agent。模型侧兼容 OpenRouter、OpenAI、Anthropic 及 Ollama、vLLM 等本地部署方案。适合需要搭建内部知识库、客服或销售助手、员工 onboarding 问答系统的技术团队，尤其是对数据合规和私有化有要求的场景；普通个人开发者或纯前端、后端岗位关联不大。

Leviathan 是一个用 Rust 写的单文件工具，把 JSONL、CSV、SQLite 等任意表格或日志数据建成带排序的全文索引，让 Agent 用自然语言提问就能拿到几条带引用的精简结果卡。它解决的核心问题是：面对百万级记录，Agent 直接 grep 或读原始历史会烧掉大量 token，而 Leviathan 把每次回答稳定压到约 450 token，官方基准显示在 100 万条记录上中位数 436 token、命中率 99%，延迟 33 毫秒。除了检索，它还提供可选的长期记忆能力，Agent 每次只写入一条带 key 的事实，会话开始时自动注入简短 briefing，避免 MEMORY.md 越滚越大导致的过期和 token 浪费。它通过 CLI、MCP 或 HTTP 服务接入 Claude Code、Cursor、Codex 等 24 种 Agent 环境。适合需要让 Agent 长期查阅工单、日志、业务表等结构化数据的 AI 应用工程师和 Agent 平台开发者；如果你的工作不涉及 Agent 检索大规模记录，和你关系不大。

从 PDF 抽出来的中文经常藏着「长得一样、码点不同」的假汉字：比如 Kangxi 部首「⻆」渲染出来就是「角」，但字符串比较、关键词搜索、去重全都会悄悄失败，向量检索还可能把无关短文档排到前面。cjkfold 就是专门修这个问题的纯 Python 工具，把这些部首字形折叠回真正的统一汉字，让抽取出的文本重新可比对。它比常见的 NFKC 归一化更彻底——NFKC 能修 Kangxi 部首区的 214 个字，却对 CJK 部首补充区的 115 个字只修了 2 个，cjkfold 借助 Unicode 15.1 的 EquivalentUnifiedIdeograph 属性补上了 114 个。它还带扫描能力，能区分「可安全折叠」「NFKC 可处理」「零宽空格可删除」「ZWJ 等不可乱删」以及乱码占位符等几类问题，并给出处理建议。如果你在做 PDF 文本抽取、中文 RAG 检索、语料去重或搜索相关性排查，这个工具值得一看；纯做前端或业务后端的人关系不大。

Frankensurf 是一个自托管的网页抓取工具，可以看作 Firecrawl 的免费替代品：一个容器、同一套 API，让 AI agent 用一次调用就能读取网页。它背后串起了 41 种抓取手段，从普通 HTTP 请求、Jina Reader、浏览器到隐身浏览器逐级升级，只有被网站拦截时才动用更贵的付费 API。和多数抓取器不同，它会验证拿到的是否为真实页面——遇到验证码、登录墙或空壳页面会明确报错并说明原因，而不是让 agent 拿着垃圾内容继续作答。在 150 个随机站点的测试中，它的读取成功率达 96%，高于 Firecrawl 云服务的 85%。它支持 MCP server、Python 库、命令行，也能直接替换任何配置了 Firecrawl URL 的工具，如 LangChain、Dify、n8n 等。适合需要给 agent 接入实时网页数据的 AI 应用开发者、做 RAG 或深度研究产品的团队，以及被 Firecrawl 付费方案困扰的自托管用户；如果你不涉及网页抓取，和你关系不大。

这是一个校园知识服务问答平台，可以理解为把学校官网散落的通知、竞赛、学籍和办事指南做成一个能溯源的智能问答系统。它用 FastAPI 搭建，本地跑 Qwen3 模型，先采集归档官网页面和附件，解析 PDF、Word、表格甚至扫描件，再按年份、学期和文档版本做检索，回答时必须附上原文证据窗口和来源链接，避免模型凭空编造或混用往年政策。多轮追问会继承事项和年份条件，教师还能在后台核对字段、审核发布或撤回，防止候选信息被当成正式政策。如果你在做 RAG 应用、知识库或 Agent 工作流，尤其是关心证据溯源、时间范围限定和人工审核环节，这个项目的工程实践很有参考价值；只想找现成校园问答服务的普通用户则关系不大。

这是一个给 DeepSeek Harness（cordis 插件体系）用的本地记忆层，让 AI 助手跨会话记住「你是谁、上次聊到哪」。它不用向量和图，靠 FTS5 倒排加 2-gram 捞候选、IDF 加权算相关度，再叠情绪桶（感受、原话、偏好、教训各有不同权重）、同日上下文和指数衰减，数据全存在本机 SQLite 文件里，不联网。会话开场它会吐一段两百多字的「认人」提示：你正在和谁说话、今天见过面吗、上次卡在哪个话题、你上次想问什么；会话结束只写三行交接。它还支持工作记忆的 supersedes 覆盖关系，新决定自动沉掉旧方案，避免向量检索分不清「哪个是现在的」。作者实测过图检索纯属噪音（1 跳把噪音率从 33% 推到 64%），直接砍掉了，README 里坦白了不少以前吹过但没实现的功能。适合在本地跑 AI 助手、想给长期对话角色做持久人设的开发者，以及对 RAG 记忆方案「太机械、没人情味」不满的人；普通只调 API 的从业者关系不大。

DuduLove Memory 是一个可自托管的 AI 长期记忆服务，核心思路是把「记忆身份」（Resident）当作长期主体，而不是把聊天记录挂在某次会话或某个前端上。同一个身份可以从网页、MCP、HTTP 客户端或不同模型入口接入，继续使用同一份历史与授权；多个身份可以共享 world 里的公共事实，同时各自保留 private 的私人经历。它把召回拆成身份、联想、证据、工作记忆几种职责，配合会话级的 Recall Ledger 减少同一条记忆反复出现，写入则经过统一的 Memory Admission 处理归属、来源、重复和拒绝记录，让「记错能改掉」和「记住」同样重要。基础的身份管理、关键词搜索、上下文组装不依赖外部模型，语义检索可选接入 OpenAI 兼容服务。适合在做个人 Agent、多 Agent 记忆层或需要跨模型保持人设连续性的开发者，以及想给自家 AI 产品加可控长期记忆的团队；只做一次性对话应用的人关系不大。