这是一个给 Codex、Claude Code 等 AI Agent 用的家谱研究技能包，把 Agent 变成一位严谨的家族史调查员，专门查前苏联、苏联和俄罗斯帝国时期的档案：教会簿记、民事登记、军事档案、流放与镇压文件，以及未编索引的扫描件。它覆盖全部 15 个前加盟共和国，会按事件发生时的历史辖区（而非今天的地图）定位档案馆，处理革命前俄语、乌克兰语、波兰语、意第绪语等多种姓名变体和转写。核心价值在于证据纪律：每条结论都带可解释的状态（假设、单源、多源印证、矛盾、未决），同一份记录的副本和镜像被归入同一独立性分组，绝不重复计为独立佐证，同名者在缺乏区分证据前保持独立身份。适合有寻根需求、想让 AI 系统性查证家族史的个人，以及做东欧历史、档案研究的学者；对多数互联网和 AI 从业者关系不大。

Odysseus 是一个可以部署在自己服务器上的 AI 工作台，把聊天、Agent、深度研究、文档、邮件、笔记和日历整合到一个界面里，既能接本地模型也能调 API。它解决的是「AI 工具散落各处」的麻烦：比如你可以在同一个地方让 Agent 读网页做多步调研并生成带引用的报告，用盲测方式并排对比两个模型的回答，让邮件收件箱自动分类、打标签、写回复草稿，或者把定时任务交给 Agent 在日历提醒触发时执行。文档编辑器支持 AI 改写和建议，笔记和任务还能通过 CalDAV 同步到手机。适合想把日常 AI 工作流收拢到一处、又在意数据不出自己机器的个人开发者、独立研究者和小团队；如果你只是偶尔用 ChatGPT 聊天，或者公司已有统一的 AI 平台，那它跟你关系不大。

browser-use 是一个开源的浏览器 Agent 框架，让大模型像人一样操作浏览器：你用自然语言描述目标，它自己打开页面、点击、填表、过验证码。可以本地跑，接任意 LLM；也可以用它的云服务，拿到带隐身能力和住宅代理的浏览器，按小时计费。典型场景是那些没有 API、只能靠网页完成的活儿，比如自动抢预约名额、在多个网站比价下单、批量抓取动态渲染的数据，README 里的演示就是自动完成驾照考试预约。它还提供托管的 Agent API，适合不想自己搭基础设施的团队。值得看的是做自动化运营、数据采集、RAG 数据管道的工程师，以及想给产品加浏览器操作能力的 AI 应用开发者；如果你的工作和网页自动化、Agent 落地无关，那跟你的关系不大。

DeepInfer 是 DeepSeek 官方开源的高性能推理框架，也就是支撑 DeepSeek 线上大规模生产服务的那套推理引擎，目前支持 DeepSeek-V4.1-Flash 模型的离线推理。它把 FlashMLA、DeepGEMM、DeepEP 等自研算子和 MoE 专家并行、EPLB 负载均衡、投机采样、异步调度等生产级优化打包在一起，还提供确定性采样和结构化输出（按 JSON schema 或正则约束生成），保证不同 batch 组成下结果一致。适合需要在自有集群上高吞吐部署 DeepSeek 模型的团队，比如做推理服务的算法工程师、负责 GPU 集群利用率的 infra 工程师，以及需要复现 DeepSeek 官方性能基线做选型对比的人。注意它只开源了推理核心，KV cache 系统、Prefill/Decode 分离和负载均衡等完整服务组件并未包含，纯做应用层开发或轻量调用 API 的读者关系不大。

GPT-SoVITS 是一个开源的语音克隆与文字转语音（TTS）工具，可以理解为「低配版 ElevenLabs 的本地替代」：给它 5 秒人声样本就能零样本合成，用 1 分钟录音微调即可获得相似度更高的专属音色，还支持中英日韩粤跨语言朗读。它自带 WebUI，集成了人声伴奏分离、自动切分训练集、中文语音识别和文本标注，等于把从原始音频到可用模型的整条链路都包办了，推理速度在消费级显卡上也足够实时。适合做有声内容、虚拟主播、游戏配音、无障碍朗读的创作者，以及想低成本搭建私有 TTS 服务的 AI 应用开发者；如果你的工作和语音交互、AIGC 内容生产无关，那看看就好，不必上手。

LiteLLM 是一个 AI 网关，用统一的 OpenAI 格式调用 100 多家大模型服务，包括 OpenAI、Anthropic、Bedrock、Azure、VertexAI、vLLM 等，让你不必为每家模型单独适配 SDK、鉴权和请求格式。它既能作为 Python 库直接嵌进代码，也能部署成团队共用的代理服务，换模型供应商时不用改业务代码。除了转发请求，它还内置了虚拟密钥管理、按团队或项目的花费统计、内容护栏、负载均衡和调用日志，相当于给公司的大模型调用加了一层统一管控和计费的中间层。适合需要在生产环境里管理多家模型、控制成本和权限的团队，比如负责 LLM 应用的后端工程师、平台工程或 MLOps 岗位；如果你只是写写脚本调用单一模型，和你关系不大。

mem0 是给 AI Agent 和 AI 应用加装的「长期记忆层」，可以理解为对话版的持久化数据库：它自动从对话中抽取用户偏好、历史事件和事实，存起来并在下次交互时按需召回，让模型记住「你是谁、上次聊到哪」。它支持用户级、会话级和 Agent 级多层记忆，检索端融合语义、BM25 关键词和实体匹配，并带时间感知排序，能区分「现在状态」和「过去事件」。典型场景包括客服机器人复述历史工单、个人助理延续多轮偏好、医疗或游戏场景按用户行为调整策略。如果你在做面向 C 端的 AI 助手、客服系统，或需要跨会话保持上下文的 Agent 产品，值得花几分钟看它的记忆抽取与检索思路；纯做模型训练、推理部署或与 AI 无关的后端开发则关系不大。

Phone Harness 是一个 MCP 服务器，作用是把云端里的真机 iPhone 和 Android 模拟器接到 Claude、Cursor、ChatGPT、Codex 等任何 MCP 客户端上，让 AI agent 能像人一样操作手机：看屏幕、点击、输入、滑动、打开应用。它不需要你准备 Mac、adb 或做设备配对，只要一个 URL 加登录就能用，本质是给 agent 提供了一个「远程手机遥控器」。典型场景包括让 agent 自动测试 App 流程、复现只在真机上出现的 bug、批量执行移动端操作，或在没有实体设备的环境里跑 UI 自动化。对做移动端开发测试、AI agent 应用开发、以及想让 agent 触达真实设备的工程师来说值得一看；如果你的工作和手机端自动化、agent 工具链无关，那这个项目跟你的关系不大。

LangChain 是目前最主流的 LLM 应用开发框架，可以理解为 AI 应用领域的 Spring 或 Express：它把各家大模型、向量库、检索器、工具封装成统一接口，让开发者用可组合的模块拼装出 RAG 问答、Agent 工作流等应用，换模型或换存储时不用重写业务代码。它配套的 Deep Agents 提供规划、子代理、文件系统等高层能力，LangGraph 负责编排复杂多步任务，LangSmith 则做评测、可观测和调试。典型场景包括：给企业内部知识库做带引用的问答机器人、让 Agent 自动调用多个 API 完成跨系统流程、在实验阶段快速对比 OpenAI 与 Anthropic 等不同模型的效果。如果你是做 LLM 应用的后端或算法工程师，尤其是需要把 demo 推向生产、关心可观测与模型可替换性的团队，这是绕不开的基础设施；只做模型训练或纯前端的读者关系不大。

Headroom 是一个在内容进入大模型之前先做压缩的工具，可以理解为给 LLM 调用加了一层「省流滤镜」：工具输出、日志、RAG 检索到的文档片段、JSON 数据和对话历史都会被压缩后再发给模型，官方实测编码类 agent 场景能省 21%–57% 的输入 token，重复的 JSON 数组和日志行能省 90% 以上，而回答质量基本不变。它提供库、代理和 MCP server 三种接入方式，也能一条命令包住 Claude Code、Cursor、Copilot 等编码 agent，无需改代码；压缩在本地完成，内容不外传。对日常跑 agent、被上下文窗口和 token 账单卡住的工程师，尤其是重度使用 Claude Code 或自建 RAG 管线的人，值得花两分钟看看；只偶尔调用一次模型的读者关系不大。

TokenEconomizer 是微软研究院和 UC Berkeley 联合推出的 Claude Code、Codex、GitHub Copilot CLI 等编码 Agent 插件，作用是给已经在跑的 Agent 省钱，不改 Agent 本身。它从你在同一仓库的历史会话里学习：把反复踩到的坑（比如必须先跑的构建步骤、这个仓库里能用的命令写法）沉淀成 Micro-skills，下次会话开场直接告诉 Agent，避免每次重新摸索；把长期没被调用的工具从请求里剔除，减少每轮都在发送的工具定义开销；当某一轮反复撞同一个错误时，用一个判断模型介入并给出转向提示，防止死循环烧钱。论文在 SWE-Bench 上测得平均成本降低 18.4%–30.9%，且多数组合下任务通过率不降反升。经常用 AI 编码助手在固定仓库里干活、又在意 API 账单的开发者值得看；如果你只是偶尔用一次 Agent，或者不负责控制 AI 编码成本，和你关系不大。

Dify 是一个开源的 LLM 应用开发平台，可以理解为「可视化搭建 AI 应用的低代码工作台」，类似把 LangChain 的编排能力、RAG 检索和 Agent 逻辑拖拽成画布上的节点。它内置数百种模型接入（GPT、Claude、DeepSeek、Llama 等），提供 Prompt 调试界面、文档知识库检索、Agent 工作流编排和调用链观测，支持云端、VPC 或私有化部署，让团队从原型直接走到生产而不必重写技术栈。典型场景比如：把公司内部文档做成能回答问题的客服机器人，或者编排一个多步骤的自动化流程——先检索资料、再调用工具、最后生成报告。如果你是做 AI 应用落地的产品经理、后端工程师或算法工程师，正在评估用什么框架快速搭出可上线的 LLM 产品，Dify 值得优先看；纯做模型训练或只关心推理部署的人关系不大。

Shisei 是一套免费（CC0 授权）的人体姿势参考图库，专门喂给 AI 绘图工具用。它画的是无脸人体模型的线稿，共 280 个姿势、每个姿势 5 个机位（正面、四分之三、侧面、俯视、仰视），另有部分姿势附带黏土渲染、深度图和法线图，可直接用于 ControlNet。姿势名称提供日、中、英、韩四种语言。实际用途是：当你用 Nano Banana、ChatGPT、Midjourney 或 ComfyUI 生成人物图时，把某个角度的线稿作为姿势或构图参考上传，就能让模型照着这个姿势画；同一姿势换不同机位，还能在多张图之间保持人物体态一致，脸、衣服、背景则由你的提示词决定。对 AI 绘图从业者、做角色插画或 AI 短片分镜的人来说，这省去了自己找参考或手画骨架的麻烦；如果你的工作不涉及人物生成，那和你关系不大。

这是一个围绕 Claude Code 的精选资源导航站，相当于 Claude Code 生态的 awesome-list：作者人工挑选了各类值得用的技能包、子代理、状态栏、插件和开发工具，并按用途分成几十个板块。它解决的是「Claude Code 装好之后不知道还能怎么玩」的问题——比如想给它加个显示 token 消耗的状态栏、找现成的 skills 来提升代码质量、接入通知和语音、做多代理编排，或者查成本监控和可观测性方案，都能在这里直接找到现成项目和教程，省去自己翻社区的时间。对已经在用或准备深度使用 Claude Code 的工程师、AI 应用开发者来说，这是个高密度的入口清单，适合收藏后按需翻查；如果你不用 Claude Code，或只是想找通用 LLM 资源，那和你关系不大。

Idol 是一个把单张图片变成 3D Gaussian Splat 模型的推理 SDK：给它一张物体照片、渲染图或 AI 生成图，它会自动去背景、裁切构图，然后生成最多一百万个 3D 高斯点，连照片里没拍到的背面也能补出来，输出标准的 .ply 文件，可直接在任意 Gaussian splat 查看器里打开。整个过程在消费级显卡上就能跑，7.2 GB 显存、两秒内完成，还内置了针对真实照片和合成渲染图的两种模式。它在多项指标上与 TripoSplat、TRELLIS、LGM 等同类单图转 3D 方案同台比较，速度和质量都有竞争力。值得看的是 3D 内容创作者、游戏和电商领域的资产生产人员，以及做 3D 生成、NeRF/3DGS 相关研究的算法工程师——如果你需要快速把产品图或概念图变成可旋转查看的 3D 资产，它能省下大量建模时间；只做纯文本或后端开发的人则关系不大。

MinerU 是一个文档解析工具，可以把 PDF、扫描件、Word、PPT、Excel、EPUB、HTML 等格式的复杂文档转成 LLM 能直接读的 markdown 或 JSON，相当于给大模型准备「干净语料」的前置工序。它内置版面分析和 OCR，能处理双栏排版、表格、数学公式这类通用解析器容易翻车的场景，还提供从快速预览到高质量解析的多档解析策略，按需选择速度与质量。除了单文件转换，它还带本地文档库能力，支持内容检索、按页或块续读，并保留稳定的引用定位，方便 Agent 在长文档中引用出处。如果你在做 RAG 检索、文档问答、Agent 工作流，或者需要批量把公司内部资料、论文、合同喂给模型，它会直接命中你的痛点；纯做前端或业务后端开发的人则关系不大。

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。

Autopilot 是一个给游戏用的 AI 自动测试系统，由 Aura 团队开发，可以理解为「会自己玩游戏的 QA 测试员」。它接入 Unreal Engine 5、Unity 6、Godot 4 项目后，能自主学习游戏机制、探索关卡地图，并在一次次运行中越玩越好。实际场景是：游戏团队不用再靠人工反复跑图找 bug，让 Autopilot 自动把关卡走一遍，暴露卡关点、碰撞问题或流程漏洞，尤其适合关卡多、迭代快的项目。它支持 Windows 和 macOS，可绑定 Aura 账号统一管理用量，也允许自带模型密钥。对游戏开发工程师、技术美术和 QA 负责人来说，如果正苦恼于重复性 playtest 拖慢迭代节奏，值得花几分钟看看；纯后端或 AI 应用方向的从业者则关系不大。

这是一个用大模型自动分析自选股的系统，覆盖 A股、港股、美股、日股、韩股、台股和 ETF。它每天抓取行情、K线、技术指标、新闻、公告和基本面数据，交给 LLM 生成一份「决策仪表盘」：给出核心结论、评分、趋势判断、买卖点位、风险警报和操作检查清单，再自动推送到企业微信、飞书、Telegram、Discord、Slack 或邮箱。除了每日定时报告，它还带一个 Web 工作台，支持手动分析、历史报告查看、回测和持仓管理，并内置 15 种策略（均线、缠论、波浪、事件驱动等）的多轮问答 Agent，可以像问分析师一样追问某只股票。数据源默认用 AkShare、Baostock、YFinance 等免费接口，配合 GitHub Actions 可以零成本定时运行，不需要自己买服务器。适合有自选股、想每天快速过一遍多市场持仓风险的个人投资者，以及想研究 LLM 在金融分析场景落地的开发者；纯技术岗、不炒股的人关系不大。

CrewAI 是一个 Python 多智能体编排框架，可以把它理解为「给 AI 员工排班的管理系统」：你定义若干个带角色分工的 Agent（比如研究员、写手、审核员），它们组成一个 Crew 自动协作完成任务；同时提供 Flows 这种事件驱动的编排方式，让开发者在需要精确控制的环节插入单次 LLM 调用或固定逻辑，把自主协作和可控流程结合起来。典型场景包括自动生成职位描述、规划旅行行程、做股票分析这类需要多步骤、多角色配合的自动化任务，官方也强调它面向生产环境而非玩具 demo。适合正在做 Agent 应用落地的后端/AI 工程师、需要把重复业务流程改造成 AI 自动化的团队技术负责人，以及在评估 LangGraph、AutoGen 等同类框架选型的人；如果你只是调用单个模型 API 或不做 Agent 编排，这个项目和你关系不大。

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。

Docling 是 IBM Research 开源的文档解析工具，可以理解为给大模型准备语料的「文档转结构化数据」流水线：把 PDF、DOCX、PPTX、XLSX、HTML、EPUB、邮件、图片、音视频等几十种格式统一解析成结构化表示，再导出为 Markdown、HTML 或无损 JSON。它的强项是复杂 PDF 理解——能还原页面版式、阅读顺序、表格结构、公式、代码，还能识别扫描件里的文字（OCR）、把柱状图饼图转成表格或代码，甚至理解化学分子式。解析结果可直接对接 LangChain、LlamaIndex、Crew AI 等框架，也支持本地运行，适合处理合同、专利、财报（XBRL）、学术论文（JATS）等敏感资料。值得看的是 RAG 应用开发者、数据工程和 AI 应用架构师：如果你的场景是把公司内部文档库喂给检索或 Agent，Docling 能省掉大量自己写解析器的功夫；只做模型训练或纯前端的读者关系不大。

NextTransformer 是一个用来公平比较下一代 Transformer 架构的开源训练与评测框架，核心回答一个问题：训练预算固定时，语言模型该怎么花算力。它把循环深度、稀疏注意力、线性注意力、残差流变体以及各种混合架构（如 GQA、NSA、MoBA、GDN、Ouro 等）放进同一套训练器、数据管线和评估流程里，在完全相同的数据、token 数和训练 FLOPs 下跑对比，误差控制在 1% 以内，每次运行都有可审计的记录。目前已完成 31 次训练、36 份模型卡，配套的在线观测台能看学习曲线、排行榜和模型图谱，还计划让 AI agent 在同一规则下自主探索新架构。它适合做模型架构研究、预训练 scaling 实验的算法工程师和研究员，以及关注注意力机制替代方案的从业者；如果你只做应用层开发或推理部署，和你的关系不大。

Crawl4AI 是一个开源的网页抓取工具，核心能力是把任意网站转换成干净、结构化的 Markdown 文本，专为喂给 LLM 而设计，可以理解为「面向 AI 的爬虫版 readability」。它能处理 JavaScript 渲染的动态页面，自动过滤菜单、页脚等噪音内容，保留标题、表格、代码块和引用链接，输出的 Markdown 可以直接用于 RAG 知识库、AI Agent 的联网搜索或数据管道。除了抓取，它还提供网页搜索、结构化 JSON 提取、带来源的问答等能力，并支持以 MCP 形式接入 Claude Code、Cursor 等 AI 编程工具。你可以本地免费运行，也可以用它的云服务按量付费。值得看的是做 RAG 应用、AI Agent 或需要大规模采集网页数据的后端和算法工程师，如果你的工作和 LLM 应用开发无关，这个项目基本用不上。

DeerFlow 是字节跳动开源的长任务智能体框架，可以理解为一个能自己规划、执行、收尾的「超级 Agent 操作台」：它把子智能体、长期记忆、代码沙箱和可扩展技能编排在一起，让一个任务从几分钟到几小时都能自动跑完。它最初是做深度调研的框架，2.0 版重写后能力扩展到研究、写代码、生成内容等复合任务，比如让它先联网搜集资料、再在沙箱里写脚本处理数据、最后产出报告或播客脚本，中途还能控制浏览器抓取页面、调用私有知识库补充背景。适合想搭建或评估多智能体工作流的 AI 应用工程师、Agent 产品负责人，以及需要长时间自动化调研和内容生产的人；如果你只做单轮调用或轻量问答，和它的关系就不大。