这是一个让 Claude Desktop 在 Windows 上多开的工具：每个窗口可以绑定不同的 API，比如一个窗口保留官方订阅登录，其余窗口走 cc-switch 指向的第三方或自定义 API，互不干扰。窗口数量不限，带一个仿 Anthropic 风格的小 GUI（内置中文），桌面快捷方式、任务栏、托盘图标都做了区分。会话数据在窗口间共享，新会话、置顶顺序、MCP 配置会镜像同步；同一会话在两个窗口打开时会弹通知提醒。它还内置了较强的代理与身份隔离能力：启动前用双源 GeoIP 校验出口 IP 并自动对齐时区、语言，运行中通过网络熔断机制监控代理漂移，同时加固 Chromium 的 DNS、QUIC、WebRTC 防泄漏。适合需要同时管理多个 Claude 账号、在官方订阅与第三方 API 之间切换的重度用户，以及做账号隔离、防关联的运营人员；只是偶尔用用 Claude 的人基本用不上。

这是一个本地运行的摄像头特效工具，能把你的摄像头画面实时变成动漫里的「瞬移消失」效果，类似给直播或视频通话加一层趣味滤镜。它用 MediaPipe 做人脸和手势识别，通过按键或手势触发烟雾、粒子等特效，让人物瞬间消失再出现，视频全程只在本机处理，不上传服务器。输出可以接到 OBS Virtual Camera，方便在直播场景里使用。适合想给直播、短视频或线上会议加点整活效果的内容创作者和主播，尤其是喜欢 Naruto、Goku 这类动漫梗的人；如果你不玩直播或不做视频内容，这个项目和你关系不大。另外要注意，打包版 EXE 需要联网激活邮箱许可证，本地源码版则没有这层限制。

Kindi 是一个专为低端显卡和 CPU 打造的 LLM 推理引擎，可以理解为 llama.cpp 的「老硬件特化版」。它主打让 1 GB 显存的古董 Quadro K420、GTX 1080、RTX 3080、AMD Radeon 780M 核显乃至纯 CPU 都能跑起 Prism ML 的 Ternary-Bonsai-2 系列三值权重模型（2B 到 27B），也实验性支持 Nemotron 3.5 Bolt E4B，并提供 OpenAI 兼容的服务接口，可直接接入各类聊天客户端、脚本和 AI 编程 Agent。它的实际价值在于榨干被遗忘的硬件：在 K420 上比 llama.cpp 快约 13 倍，CPU 上也快 1.6 到 2.7 倍，prompt cache 对多轮 Agent 场景的提速尤其明显（同一份 9,400 token 文档的第三个问题，0.42 秒对 3.10 秒），且默认输出与 llama.cpp 逐 token 一致。适合手里有闲置旧显卡、想在本地低成本跑小模型做实验的算法和平台工程师；如果你只用云端大模型或高端显卡，这项目和你关系不大。

这是一套给护理科研用的 AI 技能包，可以理解为把护理论文从选题到投稿的全流程拆成了 18 个「搭子」：检索搭子帮你写检索式、去重题录，精读和拆解搭子负责读文献、做证据卡，选题设计搭子把模糊的护理问题转成可行的研究方案，数据就绪搭子核对量表编码、生成数据字典，统计搭子给出本地分析计划和结果台账，写作、润色、配图、汇报、模拟审稿、审稿回复等搭子则覆盖成稿到返修的后半程。它本质上是给宿主 AI（如 Codex）提供工作方法、模板和参考的提示词与脚本集合，本身不执行临床验证，也不替代作者和统计人员的责任。对护理方向的研究生、临床护理人员以及带教老师最实用——比如正在写横断面研究或系统综述、卡在检索式怎么写、审稿意见怎么回的人，可以直接照着对应搭子的模板推进；如果你不做护理科研，这个项目和你关系不大。

这是一组给 AI Agent 接上「伊朗互联网」的 MCP 服务器合集，共 71 个 server、883 个工具，覆盖 Digikala、Torob、Divar、Snappfood 等电商比价，Neshan 地图导航，Jobinja、Bama 招聘与二手车，以及德黑兰股市、Codal 公司披露、央行汇率、加密货币、税法和新闻等数据源，价格以 Toman 计。它解决的麻烦是：Claude、Cursor、Copilot 等客户端里的 Agent 默认摸不到伊朗本地网站，装上后就能直接查比价、找餐厅空位、看航班票价、查职位和公司财报。多数 server 只读、免登录，部分数据仅限伊朗境内 IP。值得看的是做伊朗市场调研、跨境电商比价、本地化 Agent 应用的开发者，以及需要频繁抓取伊朗公开数据的分析师；如果你的业务和伊朗无关，这个项目基本用不上。

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。

这是一个持续更新的逆向工程案例合集，收录了大量借助 AI 编码助手（如 Claude、Codex）配合 REA 这类工具完成的真实逆向项目。REA 的作用是把 coding agent 接到本地逆向工具上，让 AI 能直接分析二进制文件。合集里的案例非常具体：比如用 Claude 研究 Tapo 智能家居协议后做出局域网控制工具、逆向 Fractal Scape 耳机的 USB HID 协议写出独立控制端、把 1999 年的 MechWarrior 3 逐函数重建成现代 C++ 版本、以及给老游戏做兼容启动器。每个案例都标注了证据状态和验证程度，能帮你分辨哪些是实测、哪些只是作者自述。如果你是安全研究员、做设备协议开发或游戏复刻的工程师，或者单纯对「AI 辅助逆向」这个新工作流好奇，这份列表能快速给你提供参考案例；如果你不碰二进制分析，关系就不大。

gpt4free（g4f）是一个把各家大模型聚合到统一入口的开源项目，可以理解为「模型界的聚合器」：你只对接它一个接口，背后能切换 GPT、Claude、Gemini、DeepSeek、Kimi 等不同厂商的模型，还附带本地网页聊天界面、Python/JavaScript 客户端和兼容 OpenAI 格式的 API。它主要解决的是反复在各家控制台申请 key、切换 SDK 的麻烦——比如你想快速对比同一个 prompt 在 DeepSeek v3.2 和 Gemini 3 上的输出差异，或者给内部工具接一个能随时换底层模型的统一网关，用它都能省不少事。适合需要频繁试用多模型、做模型对比评测的算法和应用开发者，以及想低成本搭一个聊天界面的独立开发者；如果你只用单一厂商的官方 API，或者对模型来源的合规性有严格要求，那它跟你关系不大，因为部分渠道来自逆向工程，稳定性与合规风险需要自行评估。

Decision Forge 是一个把公司内部规章制度编译成可审计的决策训练数据的工具。它读取你们的员工手册、SOP、审批规则和权限表，先提炼出带原文引用的规则草案供业务方审核，再用这些规则去标注从工作流、工单、CRM 记录里还原出的决策场景，产出带来源溯源、标签可复现的样本，用来微调或评估 AI Agent。它解决的问题是：Agent 接手客户分配、文件共享、付款审批这类操作时，凭什么判断该做不该做——通用模型没有你们公司的判断标准，只能从内部文档里学。适合需要让 Agent 在生产环境里按公司规矩行事的团队，比如负责 Agent 落地的工程负责人、做决策类模型微调的算法工程师，以及需要向业务方交代 Agent 行为依据的 AI 治理岗位；如果你的工作和 Agent 决策、合规审计无关，这个项目暂时和你关系不大。

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。

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。

agentplay 是一个本地运行的 coding agent 会话回放工具，把散落在 ~/.claude、~/.codex、~/.cursor 等目录里的对话记录，转成一张可交互的地图和一条可播放的时间线，让你看清 agent 到底读了什么、改了什么、哪里失败、最终产出了什么。它兼容 Claude Code、Codex、Cursor、Copilot、OpenCode、Kiro、Gemini CLI 等主流工具，一条命令即可扫描本机已有会话并打开本地查看器，无需账号和 API key，数据不出机器。地图以放射树展示会话触及的仓库、文件、shell 命令、MCP 服务、子 agent、错误和产出的 commit/PR；时间线支持 1x 到 16x 回放，按 prompt、错误、编辑、token 消耗、上下文占用等分轨展示，还能按任务或单个子 agent 重新聚焦。适合重度使用 AI 编程助手、想搞清楚「agent 为什么改错文件」「上下文在哪一步撑爆」「哪个命令反复重试」的工程师和团队负责人；偶尔用一下 agent 的人关系不大。

这是一个把 DeepSeek-V4.1-Flash 模型跑在两台 NVIDIA DGX Spark（GB10）上的推理部署方案，核心是作者自己改的 TensorFold 引擎分支，用 2.9bpw 量化加双机张量并行，实测解码速度约为标准 vLLM 部署的 2.1-2.3 倍：散文 57 tok/s、代码 92 tok/s，32K 长提示的预填充速度约 2,200 tok/s，还把上下文窗口拉到 1M token 并通过了百万级大海捞针测试。它面向需要长上下文和低延迟的场景，比如让 Agent 高频调用工具、对同一份长文档反复追问（前缀缓存让第二次提问的首字延迟从 13 秒降到 1 秒），支持强制工具调用、结构化输出和 4 路并发。适合手里有 DGX Spark 硬件、正在为本地大模型部署做性能选型的推理工程师和基础设施负责人参考；README 也注明完整硬件验证尚在进行中。如果你不打算在双机 GB10 上部署 DeepSeek，这个项目和多数人关系不大。

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。

BlinkMimic 是一个让 Unitree G1 人形机器人学会全身动作模仿的训练框架：给它一段参考动作数据（如 LAFAN1 数据集里的 40 段人体动作），它能训练出一个策略，让机器人在仿真里复现走路、摔倒爬起等全身动作。它的卖点是快——在单张 RTX 4090 上约 3 分钟就能把 40 段动作全部训到高完成度，明显快于 SuperMimic 和 InstantTrack 等同类方法。做法上它基于 mjlab / MuJoCo Warp，用一个可微世界模型做想象 rollout，再通过反向传播优化策略，并改进了优化器选择和仿真器的 reset 分配。对做 humanoid 机器人强化学习、动作模仿（motion tracking）的研究者和工程师来说，这是一份值得对照的加速方案；如果你不做人形机器人控制或仿真训练，和你的关系不大。

Keras 是一个面向深度学习的高级框架，主打「Deep Learning for humans」，用简洁的 API 帮你快速搭建和训练模型，覆盖计算机视觉、自然语言处理、时序预测、推荐系统等常见任务。Keras 3 最大的变化是变成多后端框架，同一份模型代码可以跑在 TensorFlow、JAX、PyTorch 上，推理还能切到 OpenVINO，相当于在 PyTorch 和 TensorFlow 之间不再二选一，还能按模型结构挑最快的后端拿性能收益。它兼容原有 tf.keras 代码，也能直接消费 tf.data 或 PyTorch 的 DataLoader，方便避免框架锁定。适合需要快速原型、跨框架迁移或在 JAX/PyTorch 上补一个成熟训练库的算法工程师和 ML 研究者；如果你只做纯推理部署或不写模型代码，关系不大。

PrivateGPT 是一个开源的 API 层，把本地跑的大模型包装成可直接用于生产的 AI 应用后端，可以理解为「本地版的 Claude/OpenAI API」：它自己不运行模型，而是对接任何 OpenAI 兼容的推理服务（Ollama、llama.cpp、vLLM 等），在其上补齐消息流式接口、文件与文档摄取、带引用的 RAG 检索、网页搜索与代码执行等内置工具、MCP 连接器、数据库和 CSV 的结构化访问等高层能力。典型场景是企业内网部署：比如把公司文档喂进去做带出处的问答，或让 Claude Desktop、Word/Excel 插件、n8n 工作流这些现成工具直接以本地模型为后端，数据不出机房。值得看的是需要私有化 AI 的后端和平台工程师、正在评估 on-premise 方案的技术负责人，以及想给内部工具快速接上本地模型的开发者；如果你只用云端 API 或不涉及 AI 应用开发，和你关系不大。

heditor 是给 Claude Code、Cursor、Codex 这类 AI 编程 Agent 用的视频剪辑技能包，装上后你直接用自然语言下指令，比如「把这段剪成 podcast 风格」或「用 GTA 6 的感觉处理 12:30 到 13:40」，Agent 就会全程本地完成：分析画面找到说话人、按词级时间戳转录并挑出 30-70 秒的完整观点、帧级精剪并压缩停顿、为每条视频单独设计视觉方案，再用 HTML+GSAP 合成渲染，最后混音时保证人声始终在前、背景音乐和音效压在后面。它内置十几种命名风格，从电影感、惊悚监控录像、复古游戏 HUD 到纪录片、聊天 App、机场塔台，甚至能生成人物分身在不同场景间瞬移。适合做 Reels、Shorts、TikTok 竖屏内容的创作者和内容团队，以及想把口播素材批量变成成片的运营；如果你不做视频，跟你的关系不大。

MAFDET 是一个本地 LLM 聊天工具，核心卖点是利用你打字的时间提前干活：你还在输入时，它就同步维护 KV cache 把消息读完，甚至让模型提前开始推理，按 Enter 时大部分工作已经完成。实测在 Qwen3-4B 上把回车后的等待从 12.2 秒压到 3.2 秒，14B 从 108 秒降到 47 秒，答案正确率不变；中途删改、粘贴都不影响结果的正确性。它面向普通消费级硬件，参考机型是 6GB 显存的 RTX 2060，也支持 Apple Silicon 和纯 CPU 运行，提供 GUI 和终端两种界面。适合经常在本地跑 Qwen3 等推理模型、又被 prefill 和思考阶段漫长等待折磨的开发者和研究者；如果你不玩本地大模型，这个项目和你关系不大。

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。

这是一个自动更新的案例索引库，收录用 REA（reverse engineer anything）这个逆向工具做出来的优秀案例。REA 本身能把你的 coding agent 接到二进制文件、JavaScript/Electron 应用、.NET 程序集和网站的分析工具上，带证据地解释软件功能是怎么实现的；而这个仓库则把社区里用它「看懂、重建、复刻」出来的成果——官方案例、开源项目、博客和讨论——每天从全网抓取汇总，目前已有 264 条，还配了一个可按标签筛选和搜索的可视化页面。案例内容相当具体，比如 Notion 如何复制文本和 HTML、身份验证器如何生成登录码、DX-Ball 的声音定位算法、CTF 的 flag 校验器怎么写，以及用 REA 构建强化学习环境等。值得看的是安全研究、逆向工程、二进制分析岗位的从业者，以及想了解 AI agent 在真实逆向场景里能做到什么程度的 AI 工程师；如果你的工作和逆向、安全无关，这个索引库基本可以跳过。

Exuvia（蝉蜕）是一个为 AI Agent 设计的 Android 加壳脱壳与修复流水线，主打「机械分析零 token、瓶颈外包给 LLM、最终判定由 Rust 侧给出」。它分两条线：一是脱壳，静态解剖 APK 产出结构化报告和证据切片，把真正需要智能判断的部分打包成工作包交给外部大模型，工具本身不调用模型也不假装理解；同时支持运行时动态抓取 DEX，不依赖特定壳家族。二是修复，这是它的差异化卖点——市面上第三方 dumper 很多，但没人能把 dump 出来的 DEX 修回能真正启动的 APK，Exuvia 走完类清理、去织入、方法体还原、manifest 手术、签名全流程，README 称已在真实企业壳样本上闭环验证。适合做 Android 安全研究、逆向分析、脱壳工具链的从业者，以及想让 AI Agent 自动化处理加壳 APK 的人；普通开发和纯 AI 应用岗位关系不大。