Lalabase 是一个可自托管的项目管理平台，面向软件外包团队和他们的客户，功能上类似 Jira 或 Redmine 的替代品，把工单、工时、文档和会议纪要放在一处管理。它最实用的地方是内置 AI 助手：你可以直接问「这个工单现在谁在做、还剩什么没完成」，或「上次开会我们达成了什么共识」，回答会跨工单、文档、工时和会议记录检索，并明确标注引用了哪条工单、哪条评论、哪场会议，避免凭空编造。工时按会话记录、可单独标记是否计费并导出用于开票，会议自动生成摘要和待办，仓库里的文档目录也能直接变成项目文档。此外它提供 MCP server 和 REST API，可接入 Claude、Cursor 等工具操作工单和知识库。适合外包公司、小型开发团队的项目负责人和需要向客户透明同步进度的工程师；纯做模型训练或算法研究的人关系不大。

Prevue 让 AI 编码 agent 直接「看见」它写的 Jetpack Compose 界面：保存代码后约一秒，浏览器里的 Compose Preview 就会重绘，无需打开 Android Studio、无需等 Gradle 构建。它解决的是 agent 开发 UI 时的循环痛点——以前 agent 改完代码，开发者要自己开 IDE 看效果、截图、再转述问题，人被卡在循环中间；现在 agent 保存、拿到渲染图、对照 Figma 设计稿或截图自行比对修改，人只需最后在浏览器里验收。它还支持交互模式，agent 能模拟点击拖拽并拿到新画面；点击预览中任意元素可直接定位到对应文件和行号，方便把问题精确指给 agent。每个 worktree 有独立轻量守护进程，内存占用约为 Android Studio 的六分之一，多个 agent 并行互不干扰。适合正在用 Claude Code、Codex 等工具做 Android 或 Compose Multiplatform 开发、且被 IDE 占用和反复截图折磨的工程师；不做 Compose 开发的人关系不大。

这是一个把 WhatsApp 接入 AI Agent 的 MCP 服务器，相当于给 Claude、LangChain、Google ADK 这类框架提供了一个现成的 WhatsApp 通道，开发者不用再自己写 REST 封装和 webhook 解析。它通过 Model Context Protocol 暴露 61 个工具、10 个资源和 12 类实时事件，Agent 连上后能自动发现全部能力，覆盖发消息、群管理、联系人、投票、表情回应等操作，还能收到新消息、正在输入等推送。底层同时支持 Baileys（模拟 WhatsApp Web，个人号即可用）和 Meta Cloud API（官方企业通道），两套后端共用同一套工具名，切换渠道不用改 Agent 逻辑。内置限流和持久化，适合高频消息场景。值得看的是正在做 WhatsApp 客服机器人、社群自动化运营或跨境私域触达的开发者，尤其是已经在用 MCP 生态的人；如果你的工作和 WhatsApp 或 Agent 集成无关，这个项目基本用不上。

ClusterChat 是一个纯浏览器运行的分布式推理聊天工具，思路类似 Petals 或 exo，但把模型切分的对象换成了你和朋友各自机器上的显卡：通过 WebRTC 把多台电脑的 GPU 拼成一块，共同跑起一个 27B 的 Qwen 模型，全程零安装，打开链接即可用。它解决的痛点很具体——27B 模型约需 27GB 显存，单人往往不够，但一个实验室、俱乐部或朋友圈凑一凑通常有，于是每个人都能在自己的聊天窗口里同时对话，最多支持 64 人、多条回复并行生成；中途有人退出也不会中断，因为每段模型权重都有多个浏览器持有，丢失的工作会自动在别处重放。实测两块 RTX 3090 上 12 人同时聊天仍能保持每条回复 7.1 tok/s，跨两台机器也有 8.1 tok/s。值得看的是那些手里有闲置显卡、想和同事朋友共享一个大模型的研究者、学生团队或极客玩家；如果你没有多卡环境，这项目跟多数人关系不大。

pumi 是一个用 Rust 写的桌面工作台，专门用来同时跑多个 AI 编程 agent，比如 Claude Code、Codex、pi，你可以把它们并排放在不同标签页里，一眼看出谁在干活、谁卡住了、谁跑完了，还能在它们工作时排队塞新提示词。它背后有个常驻服务接管终端，窗口关了任务照跑，适合长时间挂机的多 agent 任务。真正特别的是它几乎全由插件构成——界面、终端、agent 面板都是 TypeScript 写的插件，能随意关掉、替换甚至重写，主题也能重绘窗口任何部分，插件和主题可以直接从 GitHub 安装分享。核心只保留标签、终端、按键这些最小骨架，远程机器、git 面板等一概不做，留给你自己搭。适合同时驱动多个 AI agent、想按自己工作流定制开发环境的 AI 工程师和重度 AI 编程用户；如果你只用单一 agent 或不碰这类工具，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。

LumaBrowser 是一个把本地 AI 全家桶塞进一个桌面应用的 Chromium 浏览器：内置 llama.cpp 推理运行时、OpenAI 兼容 API、聊天与 Agent、Stable Diffusion 图像视频生成、TTS 和音乐，还带 MCP server 让 Claude Code、Codex、Cline 驱动你的浏览器。它会先读你的显存，在下载模型前就标出哪些模型装得下、预计多快，也能直接复用 LM Studio、Ollama 或 Hugging Face 缓存里已有的模型，避免重复下载。聊天时让它联网查资料，它会自己开标签页读页面作答，而你的标签页和登录状态始终留在本机。对多数人来说，如果你只是用云端 ChatGPT 或 Cursor，这项目关系不大；但想在自己机器上跑本地模型、做隐私敏感的浏览器自动化，或需要给终端里的 coding agent 一个真实浏览器的人，值得看看。

Moli OS 是一个用 Rust 写的超轻量智能家居中枢，定位类似 Home Assistant，但设计思路完全反过来：Home Assistant 是给人点界面用的，Moli OS 是给 AI Agent 用的——Claude Code、Codex 或任何 API 模型可以直接通过 MCP 接入，完成设备配置、日常操作、故障排查，甚至编写新设备驱动，而实时控制循环始终由确定性的二进制核心负责，Agent 不会直接插手。它的资源占用极低，内存只有几兆、镜像十几兆，对比 Home Assistant 动辄 2GB 的开销优势明显。内置 24 种集成（Zigbee2MQTT、Hue、Sonos、Tuya、打印机、3D 打印机等）、Svelte 仪表盘、可视化自动化编辑器和手机 App，敏感操作还设有人工确认的保护机制。适合智能家居爱好者、想探索 Agent 操控物理设备的 AI 工程师，以及需要在低配设备上跑家庭自动化的开发者；纯做模型训练或后端业务的人关系不大。

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。

Graphicle 是一个用 Rust 写的本地工具，给 Claude Code、Cursor、Codex 这类编码 Agent 提供两样东西：代码知识图谱和项目记忆。它把你的仓库解析成一张图，记住项目文档、技术决策和过往 Agent 会话，然后在 Agent 提问时返回带出处的原文片段——精确到文件和行号。全程在本机运行，不需要 API key 或账号。实际用处比如你问「失败请求是怎么重试的」，它能直接给出相关代码位置，而不是让 Agent 翻遍仓库瞎猜；改一个函数时也能查出波及范围。官方基准显示它在记忆问答准确率上与 Hindsight 持平、超过 Mem0 OSS，而每轮对话只需约 12 次模型调用，远低于对手的上百次，token 消耗也低得多。适合日常重度使用 AI 编码工具、受够了 Agent 反复丢失上下文的后端和全栈工程师；如果你不用编码 Agent，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。

kodeblue 是装在每台 Linux 服务器上的 AI 蓝队 agent，把 SOC 监控、事件响应和 SecOps 巡检合在一个进程里。它先花一两个小时学习这台机器的正常状态，之后用零 token 的传感器持续盯着敏感文件和进程，一旦发现异常就交给一个小模型分诊，再由 agent 自己开一个会话调查、按策略隔离攻击并写出事件报告，同时还能盘点各服务的漏洞、每天自动调优检测规则并把更新推到 Slack。设计上刻意让确定性过滤器做重活，模型只看漏网的少量事件，因此接任意 OpenAI 兼容的便宜小模型即可运行，不配模型时传感器和检测也照常工作。可选的 hub 控制台把整个机队的事件、agent 推理过程和待审批操作集中到一个界面。适合负责 Linux 服务器安全的运维、SecOps 和安全工程师，尤其是人手不足、雇不起 7×24 SOC 的团队；做 AI 安全应用的人也可以参考它的「确定性传感器 + 小模型分诊」架构。

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。

pitupitu 让你用手机语音指挥跑在自己电脑上的 coding agent。它是一个装在每台机器上的小型 Rust 程序，通过一条主动外连的 WebSocket 把机器接到 pitupitu 云端，你在手机或浏览器上说一句话，就能在指定机器上启动 Claude Code、Codex、OpenCode 等 agent，查看进度、回答它抛出的问题、或在它卡住时推一把，全程不用碰终端。agent 仍跑在你原有的订阅和权限下，不碰你的凭证，云端也只能执行固定的一组操作，没有任意 shell。它把 agent 会话交给 herdr 这个终端工作区管理，你在桌面上打开 herdr 就能看到和手机完全相同的实时会话。适合经常让 agent 跑长任务、又不想一直守在电脑前的开发者，比如通勤、散步时想确认构建结果或批准权限请求的人；如果你的 agent 任务都是几分钟内完成的短活，这个项目意义不大。

这是给 Herdr App 做的一套类 T3 Code 布局，把终端、Agent 和仓库管理塞进一个更紧凑的界面：左侧可在 Lists 和 Inbox 两个侧栏间一键切换，Inbox 用 T3 风格的 Settle 机制管理 Agent——需要你处理的排在卡片顶部，做完的可手动归档到安静列表，有新工作时再回来，忙碌的则折叠进 Working 区。它还会统一各处的命名和状态标记，比如转圈表示工作中、感叹号表示受阻、圆点表示完成，并按空间或优先级给 Agent 分组、把子 Agent 嵌套在父级下。适合同时跑多个 Agent、多仓库多机器的重度终端用户，尤其是用 Herdr 协调 AI 编程 Agent 的开发者，能明显减少在窗口间找状态的功夫；如果你不用 Herdr，这项目和你关系不大。

Otto 是一个原生 macOS 应用，可以理解为「给你的 AI agent 们用的个人操作系统」：它把 Claude Code、Codex、Cursor、Grok 等你已有的 agent CLI 统一收进一个界面里运行，首页提供每日简报和常用卡片，聊天区管理会话、机器人和团队，旁边还挂着文档、仪表盘、自动化和内置浏览器。所有 agent 在本地跑，文件、记忆和凭证都留在你的 Mac 上，凭证只进 Keychain，工作和个人资料分开各存一套记忆。它还通过 MCP 把统一的工具注册表暴露给 agent，支持按 agent 切换模型与账号、给机器人配独立记忆和子 agent，以及可选的语音控制和 iOS 配对应用。适合每天在多个 agent CLI 之间来回切换、又不想把凭证和数据交给云端的重度 AI 编程用户和独立开发者；如果你只用一两个 agent 或主要在网页端工作，关系不大。

Local Code 是一款跑在 Mac、iPad 和 iPhone 上的私有 AI 编程与办公 Agent，可以理解为把 Claude Code 这类编码助手搬到本地设备、并内置了一整套工具链的应用。它自带针对 Apple Silicon 优化的 LLM 推理引擎，能离线运行 DeepSeek 4.1、Qwen 等量化模型，也支持接 Anthropic、OpenAI 等云端模型。应用内集成了 Python、Node.js、shell、LibreOffice、FFmpeg 乃至浏览器和绘图工具，Agent 可以在你授权的文件夹里完成数据分析、画图表、写文档和幻灯片、开发软件等完整任务，且所有命令都在 App Sandbox 内执行，无法接触全盘。任务和对话可持久保存、生成中断能续跑、长对话有磁盘级上下文缓存。适合关注本地大模型落地、隐私敏感场景的 AI 应用开发者、Mac 端工具开发者，以及想在无网环境下用 Agent 干活的从业者参考其工程实现。

Diffinery 是一个可以部署在自己 Cloudflare 账号上的开源 GitHub 替代品，把 Git 托管、Pull Request、代码审查和 CI 全部搬到 Cloudflare 的 serverless 平台上运行，不需要自己维护服务器或 runner 机器。它最大的特点是兼容现有的 GitHub Actions 工作流：`.github/workflows` 里的 YAML 可以原样跑，marketplace action 也支持，runner 默认给到 4 vCPU 和 12 GiB，比 GitHub 私有仓库的标准 2 vCPU runner 更快。对 AI 编程团队来说，它把 Claude Code、Codex、Cursor 这类 agent 当成正式成员：给 agent 一个目标，它在沙箱里提交 PR，另一个 agent 负责审查每个 PR 的 bug，人只需要每天在 Today 页面上点批准，绿灯后自动合并，还内置了 MCP server 和 GitHub 兼容的 REST/GraphQL API。适合三类人：想自托管 GitHub 又不想运维服务器的团队、想换掉 GitHub Actions 但保留现有 workflow 的 DevOps、以及正在把 AI agent 接入研发流程的技术负责人。如果你只是用 GitHub 写个人项目，和你关系不大。

cccodroid 是一个让官方 Claude Code 在 Android 手机上原生运行的启动器，不需要 root、不依赖 proot 或虚拟机，装个 APK 就能用。它自带聊天 GUI、终端和文件浏览器，背后接的是 Anthropic 官方未修改的 Claude Code，云端只负责模型推理，代码、文件和工具链都留在手机本地，会话环境跨次保留。实际用起来，你可以让 Claude 在手机上写代码、编译 C/C++、跑 Python 和 Node、构建 APK 并用 git 推送，等于把桌面端的 AI 编程工作流搬到了口袋里。它还做了不少移动端适配：消息排队不打断当前任务、折叠屏和横屏平板的多栏布局、后台运行时的完成通知等。适合经常在通勤或外出时想用 Claude Code 处理代码、又不想依赖云端沙箱的开发者；如果你的 AI 编程场景全在桌面端，这个项目和你关系不大。

UnbiasedStrata 是 Strata/PolyStrata 的极简分支，定位类似 suckless 社区的 dwm：去掉安装器、构建期下载和 Python 中间层，只保留两个推理引擎和一个 C++ 前端。它在 Linux + NVIDIA 单卡上一次 make 即可产出引擎与 unbiased-strata 服务程序，对外提供 OpenAI 风格的 /v1/chat/completions 接口（支持流式），底层复用 llama.cpp 的 server 代码，一次只处理一个请求，适合完全离线的机器。实际能力上，它能跑 Qwen3.8-Flash-Next、DeepSeek-V4.1-Flash 等 GGUF 模型，支持投机解码、KV 量化、多模态图片编码等选项，README 称已在 Bob-bench 上验证过分数。适合需要在内网或无网环境单机部署本地大模型、又不想引入 Python 依赖链的推理工程师和运维；只想调用云端 API 的人基本用不上。

Berth 是一个用 Go 写的轻量级 GPU 资源调度器，可以理解为给你的显卡加了一个「排队叫号系统」：本机上跑的各类程序不再直接抢占显存，而是向它申请租约、轮流使用。它管的不只是自己启动的模型服务，还包括 ComfyUI、Ollama、vLLM、llama-swap 里的模型、游戏乃至任何占着显存的进程——如果发现有没申请租约的进程占着显存，它会报出 PID 和占用量，省去你翻 nvidia-smi 排查的时间。典型场景是本地跑大模型的工作站：你一边用 ComfyUI 出图，一边想让 llama-server 回答问题，以前两者同时加载模型会直接 OOM 崩掉，现在后到的请求会按优先级排队，等前者跑完当前任务再交接，还能把模型暂存到内存里加快切换。适合自建本地 AI 环境的开发者、算法工程师，以及在一台机器上同时跑推理、绘图和游戏的人；如果你只用云端 API 或单卡单任务，关系不大。项目目前处于 alpha 阶段。

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。