这是一套用来识别「没有真人负责的 AI 代写论文」的证据库加 agent 技能包。它不靠单一模型打分，而是整理了 83 条有出处的可疑信号：比如 AI 高频词汇聚集、防御性 hedging、指令泄漏痕迹、参考文献查无此文、表格间数字对不上等，并在 79 篇真实论文上做了校准，给出人类论文的分位数基线。面向三类人：投稿作者可以用它在署名前自查——它会逼你回答只有你能答的问题、核对引用和数字；审稿人或 AC 面对可疑投稿时，能拿到带原文引用和定位的 W/R/Q 评级、一段可直接写进评审意见的描述；只想快速扫一遍的人可以跑它的表面 lint，得到 28 类痕迹的计数。对学术出版、期刊编辑部、科研诚信岗位的人最相关；普通工程师或做 AI 产品的人关系不大，除非你需要判断收到的论文是否可信。

这是一个基于麦当劳中国官方 MCP 的 AI Skill，把点麦当劳这件事拆成四种玩法：修行录记录你的点餐习惯与卡路里，团餐指挥官帮多人聚餐快速凑单，隐藏菜单实验室探索官方 App 里不显眼的搭配，每日运势签则根据当天菜单给一个随机推荐。它本质上是给 Claude 这类支持 MCP 的 AI 助手加一层麦当劳业务能力，让模型能直接读取菜单、价格和优惠信息来回答你的点餐问题，而不是靠训练数据里的过时信息瞎猜。项目自带 187 个测试和离线演示，不连真实接口也能跑通流程，方便开发者快速验证效果。适合对 MCP 协议、AI Agent 落地场景感兴趣的工程师，或者想看看「官方 API + LLM」能玩出什么花样的人；普通用户和不碰 Agent 开发的后端同学关系不大。

SoftJL 是一个把软件需求文档自动转成 UML 图、测试用例和可编辑 Word 规格说明书的工具，带需求追溯能力，可自托管并接入自己的 AI 模型。它主要面向软件工程课程设计和毕业设计场景：你把需求描述丢进去，它能生成用例图、类图等 PlantUML 图表，产出测试用例，并生成能继续手工修改的 Word 文档，同时保留需求到设计再到测试的追溯链，方便答辩时解释「每条需求是怎么被覆盖的」。对互联网和 AI 行业的从业者来说，如果你在带实习生做课程项目、或者团队里需要快速把粗略需求整理成规范文档和测试基线，可以看看；但如果你日常做的是模型训练、推理服务或业务开发，它和你的核心工作关系不大。

这是一个给 AI 聊天助手装上「数字生命体征」的内核插件，运行在 DSH（DeepSeek Harness）之上，让原本无状态的对话机器人拥有能量、激素（多巴胺、皮质醇、血清素）、情绪劫持、时间感、执念缺口池、离线梦境和自主唤醒等拟生命机制。比如请求失败会让皮质醇升高并影响后续回复的语气，长时间没人理会出现孤独提示，深夜闲置时它会自己反思并写入记忆，还能给自己编写新「器官」扩展能力。它解决的是想做长期陪伴型、有人格连续性 AI 角色的开发者的麻烦：不用自己从零设计记忆、情绪和作息系统。适合做 AI 陪伴产品、数字人、Agent 人格化方向的工程师和独立开发者参考；如果你只是调用模型 API 做业务功能，和你关系不大。注意原作者已转入社区维护，不再答疑修 Bug。

这是一套给 DeepSeek 模型用的 Agent skills，目标是让便宜模型在 Claude Code、Cline、Codex 这类编程助手里表现得更像昂贵的前沿模型。它针对廉价模型的常见毛病——跳过规划、没跑就宣称修好了、在同一个坏点子上反复重试、长任务跑着跑着跑偏——每个 skill 用一个短循环加硬性停止条件来堵住，比如改完必须跑真实检查、失败两次就换思路、长任务靠进度文件在新上下文里接着干。它还提供并行多路尝试取最优、多模型评审、自动提 PR 和盯 CI 等玩法。适合日常用 DeepSeek 当编码执行者、又嫌它不稳的开发者，尤其是想在长任务和无人值守场景里省心的人；如果你不用 DeepSeek 或不玩 Agent 编程，关系不大。

这是一个由买方机构和高校联合推出的股票投资研究基准，用来检验 AI Agent 能不能在不偷看未来的前提下完成真实的投资研究工作。它把模型关进一个「时间冻结」的环境：语料库只包含某个历史截止日之前发布的财报、电话会、研报、持仓和新闻，共 343 万份文档版本，任何检索和计算都无法越界拿到之后的信息。任务由资深买方研究员设计，覆盖机会筛选、证据核对、盈利预测、估值决策、观点更新到完整研报，以及价格和波动率预测，共 86 项。评分不只看报告写得像不像样，还拆开检查证据链、假设、计算是否自洽，并把预测和后来的真实结果、模拟收益分开打分——比如让模型预测 Tesla 某季度交付量，分析满分但预测全错照样拿不到分。适合关注 AI Agent 在金融场景落地能力的研究员、做 Agent 评测的工程师，以及想了解大模型投资研究真实水平的从业者参考。

这是一个面向 DeepSeek Harness（DSH）的本地提示词工程插件，核心用途是把系统提示词的注入从手工拼字符串变成可管理、可观测、可回滚的操作。DSH 的系统提示词按层级组装，且不同版本过滤规则不一，手改经常出现「改了没反应」或「过几轮就漂移」的问题；该项目把注入内容注册为带顺序的 systemPrompt 分层条目，双层注入并强制保留核心规则，同时提供实时状态面板，能看到当前有几层、每层多少字符、本轮是否触发了模型拒答，还支持一键注入与卸载、失败回滚。它还内置了 game-hacking、reverse-engineering、pentest 等技能包和一个 AI 渗透测试控制台。值得看的是做提示词工程、AI 安全研究或需要让 DSH 稳定执行特定人设与规则的从业者；如果你不用 DeepSeek Harness，或不关心绕过模型拒答这类需求，和你关系不大。

Simple Reviewer 是一个给 Codex 用的 skill，专门用来审阅 AI 写出来的代码。它把 AI 生成的代码拆成功能块，用大白话解释每块做什么、改动会影响什么，再把你的原始目标转成可观察的验收标准，逐条用实际运行的证据去核对，而不是只看代码「看起来能跑」。它还会列出具体风险，比如数据、凭证、外部服务、费用和权限方面的影响，并给出一到三步后续检查建议，最后产出 HTML 或 Markdown 的审阅报告。适合在 Vibe Coding 之后复盘、接手陌生的 AI 生成代码、或合并改动前把关。如果你的岗位经常用 AI 编程工具写功能但对结果不放心，比如需要给团队或客户交付的独立开发者和工程负责人，这个工具值得花几分钟看看；如果你不写代码或完全不用 AI 编程，它和你关系不大。

OpenField 是一个跑在自己 GPU 上的本地创作工作室，底层全部通过 ComfyUI 工作流实现，每个功能界面背后都是一张可导出的 ComfyUI 图。它把文生视频、图生视频、FLUX.2 出图、单张图转带 PBR 贴图的 3D 模型、给无声片段配音、口型说话、放大到 1440p、HDR 母版输出等能力打包成一套完整流程，还支持最多挂四个自己的 LoRA、用 @cast 固定角色和道具、手机拍动作同步到角色、事后重新打光和改机位。比较特别的是 Stage 功能，用方块和人物在浏览器里摆镜头，再由 LTX-2.5 的 Layout-to-Render 模型渲染成运镜一致的成片；Scene 则让本地 LLM 把一段剧本拆成多个镜头自动剪成一条。所有渲染都在本地完成，不上传不烧点数，并提供 31 个 MCP 工具供 Claude Code 等 Agent 调用。适合做短视频、广告分镜、独立影视的概念验证和样片制作的创作者，以及想用 Agent 驱动视频生产管线的 AI 工程师；普通办公或纯文本开发的读者关系不大。

这是一个麦当劳配餐决策 Skill，把「说话」和「算账」拆开：LLM 只负责听懂你说的「40 块以内，随便，不要辣」，之后所有价格、热量、优惠券判定都交给确定性代码，每个数字都能追溯到某次接口返回。它会在门店实时菜单上枚举 1881 种搭配，剪枝出可行解后给出省钱、均衡、放纵三档方案，并解释为什么淘汰了其他选项——比如「预算加到 48 元均衡档主餐不会变」或「你 6 张券当前一张都用不了，最近可用在 10.1 小时后」。控卡场景下热量和蛋白是硬约束，算不出就直说；多人拼单用 max-min 公平分配，把谁做了让步摆到台面上；还会基于历史订单算出带置信度的口味画像。适合写字楼午餐决策者、控卡健身人群、券的持有者和拼单组织者；只想快速下单的人用官方常点更快，它只做决策不下单。

这是一个用 CUDA 手写的 persistent megakernel 复现项目：只启动一次 GPU kernel，里面的 block 永不退出，从 GPU 上的任务队列里不断领取工作，同时完成三件事——训练一个 162M 参数的 GPT、用还在训练中的权重实时推理出文本、以及在 GPU 上以 35 fps 跑真正的 Doom 引擎。它复现的是 Flapping Airplanes 那段著名演示视频，代码全部从零写成，所有数字都有结果文件可查。实测在 B200 上按 116/24/8 的 SM 划分并行三任务，训练 4000 步约 48 秒，推理约 1660 tok/s；对比显示纯训练它打不过 Megatron + CUDA graphs，但两个进程共享 GPU 时会慢 40% 以上，而 megakernel 的优势正是三件事同时跑。适合做 GPU kernel、推理引擎或对算力调度感兴趣的工程师，以及想了解 megakernel 这种极端优化思路的人；普通 AI 应用开发者关系不大。

这是一个基于麦当劳中国官方 MCP 的命令行选餐工具，输入预算和饮食偏好，它会查询指定门店当前菜单与官方营养数据，给出均衡、蛋白质、预算三种优先级的候选套餐对比。它的核心价值在于「可解释」：套餐会自动展开成单品逐件匹配官方营养再求和，每个金额都标明价源是官方字段、单品加总还是未核实，取不到就如实标「未知」而不是填 0；配件替换后营养和价格会重算，非法替换会被拒绝并说明原因。它明确不提供下单能力，也不做医疗建议。对普通消费者来说，想在麦当劳点餐时兼顾预算和营养目标可以拿来参考；对 AI 从业者而言，它展示了如何用结构化规则负责数值、LLM 只负责理解意图和表达，以及 MCP 在真实商业数据源上的落地方式，值得一看。

STC 是一套给 AI 用的中文写作规范，可以理解为中文版的 ASD-STE100（航空手册用的简化技术英语标准）：提供表达规则、词表和检查工具，让 AI 生成、审阅和改写中文时更简短自然、术语统一、指代清楚。它解决的是大模型写中文的常见毛病——废话多、同一个东西换着叫法、用「进行优化」「赋能」这类套话撑长句子、任务结果和需要用户做的事混在一起。通过 CLI、独立 Skill 或网页链接，可以把它接入 Claude Code、Codex、ChatGPT 等工具，让 agent 按规则输出，还能用机器检查找出可判定的问题并接入 CI。写系统提示词、界面文案、技术文档的团队，以及需要一份可机器校验的中文写作标准的人值得看；普通聊天用户也能用，但和多数不涉及 AI 内容生产的岗位关系不大。

这是一个 ComfyUI 插件，让你在生成的人物图上依次完成换脸换发型、换姿势、换全套服装三步编辑，底层靠 Qwen Image 2.1 和 Qwen-Image-Edit-2511 驱动。它自带三套本地图库：1499 张人像、1439 张姿势、1407 套服装，可以在浏览页面里挑一张脸、一个动作、一套衣服，插件把它们拼成参考图喂给模型，输出「同一个人摆出所选姿势、穿着所选服装」的成图，每一步都能单独预览，也能用开关跳过某一步。适合做虚拟偶像立绘、电商模特换装、游戏或漫画角色三视图的从业者——比如你想让同一个角色反复换动作出图，不用每次重新写提示词。要注意的是，素材包的授权状态并不干净：姿势图库明确禁商用，服装图库没找到再分发许可，人像图库虽标 CC0 但原作者请求勿再分发，README 也反复强调 MIT 只覆盖代码，商用前务必自己核对法律文件。另外它含成人向分类，仅限成年人使用。

Doc2Harness 是一个评测基准，衡量的不是模型写代码补丁的能力，而是模型能否从零搭建出一个能用的 coding agent 本体（即 harness）。它分两步：先让被测模型在隔离容器里根据开发文档和接口骨架实现完整 agent，再冻结该实现，用脚本化的 mock 模型端到端驱动，观察模型请求、磁盘文件、退出码、命令输出四类信号来判定通过与否，并用正向对照排除“空过”。场景覆盖文件读写、权限约束、会话状态、无头运行、协议层、终端交互、启动安装等九类。榜单显示 19 个前沿模型最高通过率仅 53%，说明即便最强模型也近半失败。适合关注 agent 工程质量、做 coding agent 产品或模型评测的研究与工程人员；普通后端或应用层开发者关系不大。

这是一个给 AI 智能体配真实硬件鼠标的 MCP 服务器，需要搭配专用的 uMouse 设备和固件，普通 USB 鼠标不行。它通过 USB HID 协议让 Claude、Codex 这类 Agent 客户端直接操控桌面：移动光标、点击、滚动、拖拽，支持多显示器的物理像素坐标和高精度模式，还能读取光标位置、按键状态和前台窗口信息。除了鼠标，它还带语音听写功能，按住设备上的语音键说话，识别结果会直接输入到当前聚焦的窗口，比如给 Agent 下口头指令或在微信里发语音转文字消息。同一台机器上只跑一个共享守护进程，多个 Agent 客户端可以共用，同一时间只有一个任务能接管键鼠。适合在 Windows 上做 computer-use、桌面自动化实验的 AI 应用开发者，以及想让 Agent 真正操作本机的从业者；没有 uMouse 硬件或不碰桌面自动化的人关系不大。

FDE Gym 是一个面向 LLM 时代的在线评测平台，可以理解为 LeetCode 式 OJ 的升级版：考的不再是写出正确代码，而是像 forward deployed engineer 那样把客户交付做完。每个案例都是一次真实客户交付——你拿到的只有一段含糊的客户诉求、一个已在运行的系统、文档和几个可以询问的客户方人员，需要自己判断真正要解决的问题、找出没写下来的规则，再指挥 coding agent 去改系统。提交后系统会在客户没展示过的流量上真实运行打分，改没改好一目了然，生产事故直接归零，占用客户人员时间也会扣分。适合想评估或练习 AI coding agent 实战能力的工程师、做 agent 评测与 benchmark 的团队，以及关心 FDE 这类岗位实际工作方式的人；只想刷算法题或找部署方案的读者关系不大。

Trina AX 是一个自托管的团队 AI 工作台：管理员在一台服务器上配好一次 Claude Code 和 Codex，全公司员工直接用浏览器或手机打开就能问，不用装终端、不用碰命令行。它解决的核心麻烦是——Claude Code 在空文件夹里不知道你是谁，每次都要先问六个问题；而 Trina 把公司文件夹、团队技能（一个 SKILL.md 就是一种写法规范，比如提案模板）和每个人的文件夹权限预先接好，新员工第一天问「写个提案」就能拿到贴合公司风格的成品。每次 AI 要读文件，服务器都会以提问者本人的身份做权限校验，你打不开的目录对你的 AI 同样不可见，销售看不到财务报表，AI 也就读不到。适合需要把 AI 编程助手安全地推广给非技术同事的团队负责人、IT 管理员，以及对数据不出内网有硬性要求的公司；如果你只是自己写代码用 Claude Code，关系不大。

这是一个把 Claude Code 多个 Agent 可视化成 3D 猫咪办公室的本地监控面板：每个 Agent 是一只坐在工位上的猫，有任务进来就醒来干活，屏幕上实时显示它在做什么，跑完后输出落到「CEO 询问」卡片里，猫再回去睡觉；空闲时完全不调用模型，0 token 消耗。它底层通过 tmux 驱动 `claude -p` 执行任务，前端用 three.js 程序化生成办公室场景，支持点猫派发预设任务、向 CEO 描述需求自动分发、token 计数和实时事件流。适合同时跑多个 Claude Code Agent、需要一眼看清各 Agent 状态和产出的开发者，尤其是把 Agent 当作长期后台助手用的人；如果你只偶尔单线用 Claude Code，这东西更多是个有趣的玩具而非刚需。

qgpu 是一个实验性项目：在 Qwen3.5-2B 的权重里直接塞进了一块 SIMT GPU——45 层编译出来的 transformer 排在 Qwen 自己 24 层之前，用 Gated DeltaNet 层的循环状态充当寄存器和显存。它不是插件也不是模拟器，模型自己逐 token 写出每次 CUDA kernel 启动的每一步，从分支、循环到 atomicAdd 和 warp shuffle 都能跑，参考解释器在 49 个测试 kernel 上与真实 NVIDIA Tesla T4 结果完全一致，而文本能力几乎不受影响。聊天时问它一个计算，它会现场编译 CUDA 到 PTX、降级成机器块，再由模型自己把每条指令的执行结果写出来，旁边还有面板实时显示 warp 调度和流水线。这更像一个展示「transformer 能当通用计算机器」的研究玩具，适合对模型内部机制、循环注意力或 AI 计算极限好奇的研究者和工程师；想实际做数值计算的人用不上它。

CoworkOS 是一个让人和 AI agent 长期协作干活的运行框架，可以理解为给 Agent 加了一套「项目管理 + 交接班」的外壳。它采用三层结构：Main Agent 负责定计划、分任务、验收结果，Coordinator Runtime 负责派发和跟踪子任务，可选的 Subagents 执行具体活儿，任务状态和日志会保留下来，中断后能接着干。它面向的是跨天、跨会话的复杂交付，比如写代码、做研究、产出文档和 PPT、操作 CAD 或 Blender 场景，人和 agent 可以在同一批文件上互相查看和修改，改动以候选形式待审后再合并。README 里还展示了用它跑模型后训练迭代循环的案例，五轮迭代把 Qwen3.6-35B-A3B 在八个 benchmark 上的均分从 33.19 提到 42.95。适合关注 Agent 工程化落地、想做长周期自动化流水线或 agent 驱动研究的工程师和研究者；只是日常用用 AI 编程工具的人关系不大。

dylix 是一个装在 iPhone / iPad 上的 iOS 插件开发工作台，相当于把 Theos 那套越狱插件开发流程搬进了手机：你可以在手机上管理源码、编辑代码，调用内置的 Clang / LLD 和 Logos 语法，直接在本机编译出 dylib 和 deb 产物，还能用 libgit2 做本地版本管理并同步到 GitHub / Gitee。它内置 AI 助手，能按权限读取头文件、解释和修改代码、检查构建结果，普通聊天会话里也能直接创建项目并继续开发。此外还带 IPA 头文件导出、Mach-O 静态信息检查和离线崩溃符号匹配等分析工具，并支持通过局域网让电脑浏览器远程连接手机上的工作台。适合做 iOS 越狱插件或逆向分析的开发者，尤其是想脱离电脑、在移动场景下快速改代码和出包的人；如果你不碰 iOS 原生插件开发，这个项目和你关系不大。

lessloc 是一个给 Claude Code、Codex、GitHub Copilot、Gemini CLI、Cursor 等 AI 编程助手加装的约束插件，作用是让这些 agent 只写刚好够用的最少代码，别再随手堆垃圾。它会强制 agent 优先复用项目里已有的实现，而不是重复造轮子，从而减少 code review 的负担和每次任务消耗的 token；同时拒绝占位符、注释掉的死代码和随手生成的备份文件，如果 agent 自己跑的测试在「完成」时还失败，会自动回去修到通过为止。对日常用 AI 编程工具的工程师来说，它解决的是两个真实痛点：一是 AI 生成的代码冗余、重复、需要人花时间清理，二是 token 账单虚高。适合那些已经在用 coding agent 做日常开发、经常要 review AI 产出代码的后端或全栈工程师，尤其是团队里 AI 代码占比高、代码质量把关压力大的人；如果你平时不用 AI 编程助手，这个项目和你关系不大。

stalemap 解决的是 AI 编码助手的一个通病：模型的训练数据有截止日期，而你项目里锁定的依赖版本往往更新，于是 agent 会按旧 API 写代码，比如对着 AI SDK 7 用 `maxSteps`、对着 zod 4 用 `required_error`。它会找出模型训练截止之后发生变动的依赖，把类型变更和 changelog 摘成一段简短说明写进 AGENTS.md 或 CLAUDE.md，让 agent 开工前先读到；编辑代码后还会跑类型检查，一旦用了过时 API 就立刻把编译错误和对应说明推给 agent；另外提供一个 MCP 工具，agent 可以用自己的话查询某个包的变更。支持 Claude Code、Cursor、Codex、OpenCode 等，适用于 JavaScript 和 TypeScript 项目。官方基准测试显示，用它之后 agent 任务通过率从 68% 提升到 89%。日常用 Claude Code 等工具写 Next.js、React 或 Node 项目的前端和全栈工程师最值得看，尤其是经常被依赖升级坑到的场景。

Frankensurf 是一个自托管的网页抓取工具，可以看作 Firecrawl 的免费替代品：一个容器、同一套 API，让 AI agent 用一次调用就能读取网页。它背后串起了 41 种抓取手段，从普通 HTTP 请求、Jina Reader、浏览器到隐身浏览器逐级升级，只有被网站拦截时才动用更贵的付费 API。和多数抓取器不同，它会验证拿到的是否为真实页面——遇到验证码、登录墙或空壳页面会明确报错并说明原因，而不是让 agent 拿着垃圾内容继续作答。在 150 个随机站点的测试中，它的读取成功率达 96%，高于 Firecrawl 云服务的 85%。它支持 MCP server、Python 库、命令行，也能直接替换任何配置了 Firecrawl URL 的工具，如 LangChain、Dify、n8n 等。适合需要给 agent 接入实时网页数据的 AI 应用开发者、做 RAG 或深度研究产品的团队，以及被 Firecrawl 付费方案困扰的自托管用户；如果你不涉及网页抓取，和你关系不大。