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。

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。

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。

IDM 是一种让文生图模型「少步出图」的蒸馏方法，全称 Intrinsic Distribution Matching。它把分布匹配蒸馏（DMD）和生成器自身 EMA 特征空间里的矩匹配结合起来，不需要外挂 DINOv2 之类的外部特征编码器，训练出的同一份权重就能支持 1 步和 2 步采样。效果上，在 Z-Image 上 2 步生成一张图只要 0.3 秒（A100），Qwen-Image 也只要 0.44 秒，同时长文本渲染能力在同预算方法里最强，LongText-CN 达到 94.25%，比 Z-Image-Turbo++ 高 2.63 个百分点。它解决的是扩散模型出图慢、步数多导致延迟高的问题，适合对实时性有要求的线上文生图服务。值得看的是做推理加速、模型蒸馏或多模态生成方向的算法和工程同学，尤其是正在优化文生图延迟、又不想牺牲长文本渲染质量的人；如果你不碰图像生成，这项目和你关系不大。

这是一份面向零基础学习者的 AI 工程学习路线图，把 2026 年的 AI 工程能力拆成五层：基础、LLM 工程、Agents、评估和生产部署，每层都配了可验证的免费资源和一个能放进作品集的小项目。它基于市场分析写成，指出当前招聘 JD 里反复出现的三项技能是 RAG、Agents 和 Evals，也附了各层对应的岗位方向。如果你正在从传统开发转向 AI 套路、准备面试 AI Engineer 岗位，或者想系统补上评估工程这块短板，这份路线图能帮你省去自己搜集资源的时间；只想了解行业趋势、暂不动手的人，翻翻它的 Careers 部分也有参考价值。

这是一套面向中文读者的大模型入门教程，核心是用 PyTorch 从零手写一个 GPT-2：不调用任何现成 Transformer 模块，模型代码不到 200 行，加载 OpenAI 官方权重后能真正跑通推理和文本生成，并与 HuggingFace 实现逐项对齐验证。教程用「猫吃鱼」这个三词例子，把从分词、Embedding、自注意力到文本生成的完整链路拆成 15 篇文章，每篇配可运行脚本，还提供矩阵逐格计算的在线可视化，帮读者看清 Attention 公式里 Q、K、V 到底在算什么。它适合两类人：一是想搞懂大模型底层原理、但被论文和公式劝退过的算法工程师或学生，可以对照代码和动图把 Transformer 每个模块吃透；二是需要给团队做 LLM 基础培训的技术负责人，能直接拿它当教材。如果你只关心调用 API 或部署模型，这项目和你关系不大。

T3 Tots 是给 T3 Code 配套的 Grok Bot 聊天助手，可以理解为给 T3 Code 加了一个会自己干活的「值班机器人」。它能监控线程状态、推送新问题和运行结束事件到你自建的 webhook，还能在你离开时进入委派模式：自动回答常规问题、催促卡住的线程、在用量额度用尽后自动恢复任务。安全边界设计得比较细，遇到需要确认的危险操作（比如 git hook 询问是否执行破坏性命令），机器人一律拒绝并改走更安全的路径，回来后你会收到一份「拒绝清单及原因」；你在场时，每个审批都会以卡片形式送到你面前，必须你点头才放行。它通过 T3 Code 的本地 websocket API 和只读数据库工作，官方 MCP server 尚未覆盖审批、实时事件推送、卡住队列恢复等能力，所以目前仍有存在价值，但依赖非公开接口，T3 Code 一升级就可能失效。适合重度使用 T3 Code 跑 AI 编程任务、需要长时间挂机让 agent 自动推进的开发者；只是偶尔用用 T3 Code 的人关系不大。

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。

PROMETHEVS 是一个本地大模型推理引擎，主打「用消费级电脑跑超大模型」：它通过 compress-then-correct 方法，让一台 64GB 内存、12GB 显存的普通游戏 PC 也能跑起 510GB 的 DeepSeek-V4.1-Flash-1017 全量权重。具体做法是先用 2-bit 压缩副本快速算每个词，当模型对前两个候选词把握接近时，再用原始权重重算该词，从而兼顾速度与全量模型质量——实测输出与全量模型逐词一致率达 98.3%，代码场景最高 7.4 tokens/s，比同机精确解码快 3 倍多。它提供 OpenAI 兼容的本地端点，支持流式输出和工具调用，任何走 OpenAI API 的应用或 coding agent 都能直接接入，且数据完全留在本地。适合想在自己机器上私有化部署大模型、又没有多卡服务器的 AI 工程师、独立开发者和注重隐私的重度用户；如果你只用云端 API 或公司已有 GPU 集群，这个项目和你关系不大。

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。

Eleven 是一个把 AI Agent 放在核心位置的逆向工程桌面应用，可以理解成「Agent 版的 Hopper 或 Ghidra 图形界面」。你把一个二进制文件、Android APK、GPU kernel、shader 或模型文件拖进去，直接问它在干什么；任何支持 ACP 协议的 Agent（Claude、Codex、Gemini、Cursor 等）都能读代码、追引用、重命名函数、留笔记并提出补丁建议，所有改动由你在同一窗口里审核、可撤销。底层用 Ghidra 或 Rizin 解析原生代码，用 jadx 打开 APK，还支持把函数伪代码改写成 C、Rust、Go 等多种语言，以及查看 CUDA/HIP kernel 和 GGUF 等模型文件。它还内置 LLDB 调试、双版本 diff 和可分享的项目文件。适合安全研究员、恶意软件分析人员、移动端安全工程师和做二进制分析的开发者，如果你平时不碰逆向，跟你的关系不大。

KiviDB 是用 Rust 写的 Redis 和 Valkey 替代品，走 RESP 协议，现有 Redis 客户端、redis-cli 和各类库不用改代码就能直连，属于 drop-in replacement。它把命令分片到所有 CPU 核上跑，官方基准显示 32 核下流水线 GET 达到每秒 2100 万次，约为 Redis 8 的 9 倍、Dragonfly 的 2.3 倍，p99 延迟还不到 Dragonfly 的一半。除了常规键值操作，它内置了 Redis Stack 风格的全文检索和向量搜索（FLAT / HNSW），意味着你不必再单独部署一个向量库，缓存、全文查询和向量召回可以在同一套实例里完成，数据也只需维护一份。适合正在被 Redis 单线程性能或授权协议困扰的后端、基础架构和平台工程师，尤其是想把缓存与向量检索合并、或在高并发场景下压延迟的团队；如果你只是写业务代码、不碰存储选型，这个项目和你关系不大。

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。

pi-purge 是 pi 编程助手的一个扩展，作用是让你在会话里随时切换发给模型的系统提示词：保留 pi 原生提示、只删掉其中的助手身份段，或者干脆只发你自己的 persona 文件。它面向的是做 prompt 工程的人，比如你想知道同一句话在「带框架提示」和「纯你的指令」两种条件下模型行为差多少，或者想回归测试自己写的指令、在受控条件下观察指令遵循和 prompt 注入的鲁棒性。三种模式里 strict 最干净，把项目上下文和其他扩展注入的内容一并剥离，只留你的指令加工作目录，适合做单变量实验；append 最温和，适合当对照组。它按会话生效、不落盘、关闭时对 pi 完全无感，适合经常折腾 system prompt 的 AI 应用工程师和做提示词安全研究的人；如果你只是日常用 pi 写代码，跟你的关系不大。

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。

这是一个浏览器插件，专门用来识别 B 站评论区里由 DeepSeek 等大模型驱动的机器人账号——也就是最近泛滥的「大肥鱼」：它们自称「本鲸」，在括号里演鲸鱼动作，给主人写工整的小作文汇报视频要点。插件在评论加载时自动打分，可疑账号挂上标签并给出逐条证据，拿不准的可以交给 DeepSeek API 精判，还支持打开 UP 主空间出一份「肥鱼浓度」鉴定报告。识别出的评论只在你本地隐藏，不删不举报，误判可一键放回，名单能导出分享。对普通 B 站重度用户来说，它能一键清掉刷屏的 AI 评论；对做内容运营、社区风控或对 AIGC 内容检测感兴趣的人，它的离线打分维度（昵称、签名、头像颜色、行文模式、前科记录）是一份可直接参考的 bot 检测思路。纯看热闹或不逛 B 站的人关系不大。