Qwenputer 把一台 32 位 RISC-V CPU 直接编译进了 Qwen3.5-4B 的权重里：它在原模型前面加了 11 层 transformer，权重全部由编译器算出而非训练得来，并把模型自带的 Gated DeltaNet 状态当作 RAM 使用——每个 head 的一行就是一个内存单元，存寄存器、程序计数器和调用栈。模型能在前向传播中执行 C 和 MicroPython 代码，通过 riscv-tests 测试，还能在内存里跑一个 260K 参数的小模型写故事。实际效果是大数乘除法等算术题从基座的 55~90 分拉到 97.5 以上，接近调用真实 Python 解释器的水平，且模型的正常文本行为几乎没变。对可解释性、模型内计算和「用权重替代外部工具」这条路线感兴趣的研究者值得花时间看；日常做应用开发的工程师关系不大，但如果你在琢磨 LLM 算术不稳、或想让模型摆脱外部沙箱执行代码，这是个很有启发性的实验。

这是一个用 AI 模拟对冲基金团队的教育性项目，你可以把它理解为「AI 版的模拟炒股实验室」：多个 AI 角色像分析师、风控、基金经理一样协作，基于真实历史行情数据做出买卖决策，但系统本身不会真的下单交易。它提供两种玩法，一是纸面交易，你组建若干只基金，逐个交易日推进，每次执行前会先展示 AI 的具体决策供你确认，所有记录以哈希链方式留存，净值曲线可以持续累积；二是回测，把基金策略放到历史行情里重放，画出权益曲线并与基准对比。项目明确声明仅供学习研究，不构成任何投资建议。适合两类人：想理解 AI Agent 如何在金融场景中分工协作的开发者，以及量化方向的从业者想借鉴其策略编排和回测框架的思路。如果你不碰量化、也不研究 Agent 应用，这个项目和你关系不大。

这是一套用 AI 替换视频中人物或物体的开源工作流，由 TEIN 提供。它把深度图、SAM 分割掩码、人脸网格和音频处理串在一起，最终调用 Seedance 模型完成替换，自带本地网页界面用于准备素材、检查掩码、预览生成结果并导出成片。实际用法是：先从原片提取音频并用 Demucs 分离人声，把人声升调后嵌回合成视频，再用彩色深度图配合 SAM 3 掩码抠出主体，交给 Seedance 生成草稿，人工审核通过后才出 1080p 成片，最后把完整原声轨还原回去，保证口型和背景音不被破坏。它适合短视频创作者、影视后期和广告制作团队，尤其是需要换角色、换商品或做创意二创但预算有限的人；对纯算法或后端岗位来说关系不大。注意它依赖 Enhancor 的 Seedance API，需要自备密钥。

这是一套给 coding agent 用的「产品工程」技能包，装进 Claude Code、Codex、Cursor、Copilot 等工具后，agent 就不再只是写代码，而是按一套完整流程陪你从一个想法走到有付费用户：先做竞品分析和市场细分，出带原型的方案让你拍板，再拆解开发计划、分阶段交付，最后处理上线、收款和复盘。作者用它实际做出了三个上线运营的产品，案例都写在里面。它解决的麻烦是：非工程师用 agent 做产品时，常常写完代码却不知道下一步该做什么、该验证什么。适合产品经理、创始人、设计师，以及想让多个 agent 分工协作（一个规划、一个开发、一个审查）的工程师；纯写代码、不关心产品全流程的人关系不大。

Langflow 是一个用拖拽方式搭建 AI 应用的可视化平台，可以理解为面向 LLM 工作流的低代码版 n8n 或 Dify。它内置了主流大模型、向量数据库和各类 AI 工具的连接组件，你把模型、检索、记忆、多 Agent 编排等节点连成流程，就能在内置的 playground 里逐步调试，也可以用 Python 直接改写任意组件的源码。搭好的流程既能一键部署成 API 供自家应用调用，也能作为 MCP server 暴露给 Claude 等 MCP 客户端当工具用，还能对接 LangSmith、LangFuse 做链路观测。适合想快速验证 RAG 问答、客服机器人或多 Agent 协作原型的 AI 应用工程师和算法工程师，省去从零写胶水代码的时间；如果你只做模型训练或纯后端开发，和它的交集就不大了。

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。

Unsloth 是一个桌面应用，让你在自己电脑上直接运行和微调大模型，相当于把过去要写一堆 Python 脚本才能做的模型训练和推理，装进了一个图形界面里。它既能跑 Qwen、DeepSeek、Gemma、Llama 等 LLM，也能跑 FLUX、Stable Diffusion 这类图像生成模型和 TTS 模型，支持 GGUF、MLX 等常见格式。训练方面覆盖 LoRA、QLoRA、全量微调、GRPO、DPO 等主流方法，官方称能省七成显存、速度翻倍；还能从 PDF、CSV、DOCX 直接构建训练数据集，训练完导出成可部署的格式。另一个实用点是能把本地模型一键接到 Claude Code、Codex、VS Code 等编程 Agent 上当后端。适合需要在本地或私有环境微调模型的算法工程师、数据科学家，以及想用本地模型替代云端 API 的开发者；如果你只是调用现成 API、不碰训练，关系不大。

MemPalace 是一个本地优先的 AI 记忆系统，可以理解为给 Claude Code 这类 AI 编程助手配一个长期记忆库：它把你的对话历史按原文逐字存下来，用语义搜索找回，不做摘要也不改写，数据不出本机。索引结构模仿记忆宫殿，人和项目是「翼」、话题是「房间」、原始内容是「抽屉」，所以检索可以按范围缩小，而不是在一堆平铺文本里捞。它在 LongMemEval 上拿到 96.6% 的 R@5，全程零 API 调用，检索层可插拔，默认用 ChromaDB。实际场景是：Claude Code 会话 30 天过期后你想找回当初为什么选 GraphQL、某个决策的原始上下文，它能直接翻出原文。适合重度使用 AI 编程工具、经常需要跨会话追溯历史决策的工程师，以及想给团队搭共享记忆服务的人；不常用 AI 助手的读者关系不大。

Co-op Anything 是一套让 AI 编码 Agent 自动给单机游戏做联机 Mod 的框架：你把 Claude Code、Codex 或 Cursor 指向这个仓库，它会研究现有资料、必要时逆向游戏和引擎，做出或修复合作模式，再用游戏内的机器人自动测试，最后打包成朋友一键安装、走 Steam 中继联机的成品。它自带 MCP server，能检索合作 Mod 目录、从安装目录识别游戏引擎、读取操作手册和技能库，还提供从零逆向、复活废弃 Mod、联机同步测试等成套方法论。目前已覆盖 Deus Ex、Fallout: New Vegas、塞尔达时之笛、Dungeon Keeper、STALKER 等，社区还产出了 Mega Man X、Enter the Gungeon 等作品。适合想和朋友联机玩老游戏的玩家，以及对游戏逆向、Mod 工程和 Agent 自动化流程感兴趣的开发者；纯做业务后端或模型训练的人关系不大。

这是一套深度学习论文的带注释代码合集，收录了 60 多个经典算法的简洁 PyTorch 实现，覆盖 Transformer 及其变体（GPT、ViT、RoPE、ALiBi、Switch 等）、扩散模型（DDPM、Stable Diffusion）、GAN（StyleGAN2、CycleGAN）、强化学习（PPO、DQN）以及 Adam、Sophia 等优化器。它的独特之处在于代码和逐行中文式讲解并排呈现，配套网站可直接阅读，比啃原始论文或裸代码容易得多，还能配合 coding agent 用的注释实现技能来复现新论文。适合想真正搞懂 Transformer 内部机制、注意力变体或扩散模型采样流程的算法工程师和研究员，也适合带新人做内部分享的团队；如果你只做应用层调用、不关心底层实现，那和你关系不大。

HairDeck 能从一张角色图片直接生成可用于动画的风格化头发卡片（hair cards）。它把每张发片编码成一个 token，用 set diffusion transformer 整体生成整套发型，输出带 UV 的几何网格，并额外用一个 chain diffusion 模型生成驱动发片摆动的 spring-bone 骨骼链，最终可导出 GLB 或挂到虚拟形象上导出 VRM。相比传统流程里美术手工建发片、绑骨骼、刷权重，它把这整套环节自动化了，适合快速给 3D 角色或虚拟主播形象做可动发型。做游戏美术、虚拟偶像/VTuber 内容、3D 角色管线的技术美术和 TA 值得一看，尤其是需要批量产出可动画发型的团队；纯后端或算法岗读者关系不大。

RoboSkills 是一套面向机器人的轻量级 Agent 工作流与工具集，可以理解为把 LLM Agent 的能力接到机器人仿真和动作生成上的「技能包」。它内置了几种典型工作流：让 LLM 逐步观察画面并直接充当策略控制机器人动作；从人类演示视频重建可交互的仿真场景（Real2Sim）；用文字、图片或视频描述生成动作视频；以及通过反复仿真试验自动改进策略。项目强调低成本，官方给出的对比是 Real2Sim 任务花费约为 Codex 的 11%，动作生成几乎不花钱。适合做具身智能、机器人学习、仿真数据合成的研究员和算法工程师，尤其是想用 Agent 快速跑通「演示到仿真」「策略迭代」实验、又不想自建整套工具链的人；如果你不碰机器人方向，和多数从业者关系不大。

anyscene 让 AI agent 从一段文字描述或几张参考图出发，自动搭出照片级的 Blender 3D 场景：先由 Claude 按 SKILL.md 规划房间结构和道具清单，再为每件道具生成参考图，用 fal 上的 Tripo 和 Meshy 两个 image-to-3D 模型各转一次，通过同光照渲染对比挑出更好的那个，最后脚本化完成摆放、碰撞检查、污渍雾气、实用光源布光、电影感运镜和调色渲染。整个过程每步都有可视化检查关卡，.blend 文件只是可重新生成的构建产物。示例场景包括东京深夜电子维修店、拉面店、香港大排档和 1970 年代任务控制中心，单个场景包含七八十件自动生成的道具；也支持不装 Blender，直接把参考图发到托管端点拿回完整场景包。适合做 3D 场景、影视预演、游戏关卡概念验证的美术和技术美术，以及想用 agent 批量生产虚拟布景的团队；纯后端或算法岗关系不大。

leanrea 是一份仅 8 KB 的 skill 文件，用来替代 REA（Reverse Engineer Anything）这类逆向分析工具集。REA 会在你的 Agent 和 asar、otool、nm、jadx、apktool、Ghidra、tshark、binwalk 等命令行工具之间加一层 MCP，注册 207 个工具；leanrea 直接去掉这层，只告诉 Agent 针对每类目标该用哪条命令最快、给出可直接粘贴的侦察指令和常见坑，让 Agent 自己跑原生工具。作者用 Claude Code 跑了四类逆向任务（Electron 应用 IPC 追踪、原生 .node 模块导出清单、剥离的 Go 二进制依赖识别、从反汇编推断 socket 协议），对比显示它比 REA 快 38%、省 35% 成本、token 消耗少 60%，准确率持平。适合做安全研究、逆向分析或经常让 Claude Code 处理二进制与打包产物的工程师；如果你不碰逆向场景，和多数人关系不大。

这是一套为中国医生和医学研究生定制的医学论文写作助手，本质上是 32 个可装进 Claude Code、Codex 等智能体的 Agent Skills，让你用中文直接交代科研任务。它覆盖论文全流程：手上有病例数据却定不下选题时，帮你梳理可研究方向；文献查乱了，帮你设计 PubMed 及知网、万方等中英文检索方案；统计结果出来了，帮你区分统计差异与临床意义并起草结果段落；讨论写不下去或导师要求大改时，帮你理顺论证、排出修改顺序；收到审稿意见后，帮你逐条拆解并起草回复信；最后还能按主题、版面费和时间筛选候选期刊、整理投稿材料。对互联网和 AI 行业的从业者来说，除非你正在做医疗科研或学术写作类产品，否则和多数人关系不大；真正需要它的是临床医生、医学研究生以及做医疗 AI 内容工具的人。

这是一个用 AI 帮你找工作的工具，作者是一位有 30 年经验的 IT 从业者，靠这套方法 5 个月后成功再就业。它把求职当成一条数据流水线：你先写一份完整诚实的「主档案」，之后每份简历、每段面试回答都从这份档案生成，AI 只负责重排、压缩和翻译，不允许编造经历。项目提供两条路线，一条是用现成提示词配合任意聊天助手，另一条是基于 CrewAI 和 AWS Bedrock/Claude 的命令行工具，自动针对每个职位描述生成定制简历（PDF/LaTeX，支持葡语和英语），并做岗位覆盖度检查和面试准备草稿。它还附带防招聘诈骗的安全指南。适合正在海投、需要为几十个岗位反复改简历的程序员和 IT 从业者，尤其是会写代码、想批量生成简历版本的人；非技术岗位用提示词那条路线也行，但和多数不求职的人关系不大。

AnyModelBot 是一个开源、本地优先的个人 AI 智能体应用，可以理解为 Grok Bot、OpenAI dots、Claude Duet 的开源替代品：装在自己电脑或服务器上，一个机器人对应一个人设，带默认模型、工作区和长期记忆。它通过一个 Modelflare 账号接入 GPT、Claude、Gemini、Grok、DeepSeek、Kimi、GLM 等 70 多个模型，也支持直连各家官方 API，按量付费不绑定订阅。除了在桌面应用里聊天，你还能在微信、飞书、Telegram 等 IM 里直接找它，让它在后台跑定时任务、读写文件、执行命令、操作桌面，越出工作区时会先征求你的同意；对话、记忆和密钥都留在本地。适合想搭个人自动化助手、又在意数据隐私的开发者和重度 AI 用户，普通只用聊天网页的人关系不大。

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。

Chaos 是一门把智能体当作可调用值的编程语言：普通计算写成函数，理解与生成交给 agent，两者在同一个程序里传数据、协作执行。比如你可以声明一个带角色和提示词的 agent，像调用函数一样传入问题让它回答，纯计算部分则完全不需要模型密钥。它自带 CLI 和网页 IDE，程序的返回值可以直接是页面、表格、图表等可交互的交付物，还能通过事件流和运行网络观察每个节点的执行过程。典型场景包括把规划、执行、复核串成多 agent 工作流，或构建围绕目标持久工作的 bot，以及把计算结果变成实时更新的看板报告。适合想用代码而非编排平台来组织多 agent 系统的 AI 应用工程师和全栈开发者；如果你只是调用现成 LLM API、不碰工作流编排，和你关系不大。

LlamaFactory 是一个把大模型微调这件事打包成一站式工具的开源框架，可以理解为微调界的「全家桶」：不管是 LLaMA、Qwen、DeepSeek、Gemma 这类语言模型，还是 Qwen-VL、LLaVA 这类多模态模型，它都统一支持，从全参数训练到 LoRA、QLoRA 低资源微调，再到 DPO、PPO 等偏好对齐方法都能覆盖。它解决的麻烦是：过去想给模型灌入行业知识或定制对话风格，得自己拼凑 transformers、peft、trl 一堆库，现在准备一份数据集就能跑通，还带图形界面，不写代码也能操作。典型场景比如用 DeepSeek 蒸馏版微调一个新闻分类器，或者让模型学会银行票据的信息提取。适合算法工程师、AI 应用开发者，以及任何想用少量数据让开源模型适配垂直业务、又不想从零搭训练管线的人；如果你只调用闭源 API、不碰模型训练，那和你关系不大。

scikit-learn 是 Python 生态里最经典的机器学习库，可以理解为传统机器学习的「瑞士军刀」：分类、回归、聚类、降维、模型选择、数据预处理这些能力它都内置了，接口统一，文档和社区积累十几年，基本是数据科学课程和工业界的默认选择。它解决的是「不想自己从零写算法」的麻烦——比如你要做用户流失预测、垃圾邮件识别、销量回归、客户分群，直接调用现成的模型和交叉验证流程就能跑通，还能配合 pandas、Matplotlib 完成从数据清洗到结果可视化的完整链路。值得看的人包括数据分析师、算法工程师、做传统 ML 建模的从业者，以及需要快速验证想法的研究人员；如果你的工作重心在大模型、Agent 或深度学习训练上，它和你的日常关系不大，但做特征工程和基线模型时仍会用到。

这是一个针对 Qwen3.5-4B 的神经元探索工具，属于机制可解释性（mechanistic interpretability）研究方向。它把模型某一层的每个 MLP 神经元都向上、向下推一推（steering），在若干提示词上跑出所有结果并保留，再用 3D 视图把整层神经元铺开供浏览。具体能做的事包括：悬停查看单个神经元的 steer lens 和 R lens，点击看它在不同剂量下的多轮对话效果（负向、无干预、正向三栏对比），查看它在网页文本里最强的激活上下文和集中的域名，以及用 UMAP 观察一层 rollout 的分布。它还内置了 Claude CLI 聊天，把探索器作为 MCP server 让 Claude 读取神经元数据、跑推理和消融、操作地图。适合做模型可解释性、安全研究或想深入理解 Transformer 内部机制的研究员和算法工程师；如果你不碰 Qwen 或不研究模型内部结构，跟你的关系不大。

editonny 是一个装在本地的视频剪辑技能，你可以用自然语言告诉 AI 助手想要什么效果，它会自动检查素材文件夹、挑选完整可用的镜头、对照波形清理停顿和口误、组装工程并导出带字幕的 MP4。比如你说「剪一条 45 秒竖版视频，去掉呼吸声和废话，加上清晰字幕」，它会先列出所有剪辑参数等你确认再动手，成品和工程文件分目录保存，还会让你抽查 8-15 秒样片。内置 145 种动态场景和 79 段原创素材可用于转场和信息图，但素材本身不会被上传，全程在本地处理。适合经常要剪口播、短视频、产品演示的自媒体运营和内容创作者，尤其是已经在用 Claude 等 AI 编程助手、想把重复剪辑工作交给 Agent 的人；如果你不常做视频剪辑，和你关系不大。

这是一套把专业 Blender 3D 制作流程打包成 Agent Skills 的技能库，让 Claude Code、Codex、Gemini CLI、Copilot、Cursor 这类 AI 编程代理能直接指挥 Blender 干活。它覆盖 28 个技能，从硬表面建模、UV 展开、PBR 材质、贴图烘焙、骨骼绑定、动画重定向，到衣物头发、场景环境、天气特效、渲染输出和资产 QA，基本对应游戏美术的完整管线。典型用法是用一句话让代理生成可直接进引擎的游戏资产，比如「给 Unreal 做一个带烘焙法线和 LOD 的板条箱」「用 Rigify 绑定角色并导出到 Unity」「检查模型有没有 z-fighting 和悬浮部件再导出到 Roblox」「把街道做成雨夜带积水和闪电的效果」。它主要面向独立游戏开发者、3D 美术和需要自动化资产管线的技术美术，想用 AI 提速 Blender 工作流的人值得看；纯后端或算法岗关系不大。

rsi_eval 是一个用来评测「递归自我改进」（RSI）方法的轻量级 Python 工具，你可以把它理解成给 RSI 实验用的统一评测台：你自带改进循环，它负责把候选方案丢进现成的 agent 基准里跑分，再把每题得分、执行状态、token 消耗、验证器输出等反馈以统一格式还给你，省去自己对接各家 benchmark 执行和结果处理的麻烦。它内置 24 套评测配置，覆盖 Terminal-Bench、SWE-bench Verified、LiveCodeBench、MMLU、GPQA、ARC-AGI 等编码、推理、工程和领域工作流任务，也支持接入自定义任务，实验过程可快照记录并断点恢复。适合做 agent 自我改进研究、需要横向比较不同 RSI 策略的算法工程师，以及想在统一协议下跑多套基准的 LLM 评测人员；如果你不研究 RSI 或不做 agent 基准评测，跟你的关系不大。