simless 是给 AI 编程 agent 用的 SwiftUI 检查工具，让 agent 不启动 iOS Simulator 就能验证界面：它把真实 app 以无窗口的宿主进程跑在 Mac 上，把任意页面渲染成紧凑的无障碍树（accessibility tree），每屏约 150 token，agent 读起来比截图省得多；改完代码约 2 秒热重载并重新渲染，还能顺带跑单元测试和现有 XCUITest。它会自动标出无标签控件、越界元素、点击区域过小等问题，比如示例里直接提示某个按钮 338×34 小于 44×44。相比每个 agent 各开一个模拟器（约 2.2 GB 内存、210 个进程），5 个 agent 并行只占 0.15 GB，改一处到验证完成稳定 2.2 秒，适合在 CI、SSH、VM 里跑。值得看的是做 iOS/macOS 开发、在团队里引入 Claude Code 等 coding agent 做 UI 改动的工程师，尤其是被模拟器拖慢并行效率的人；不写 SwiftUI 的人关系不大。

这是一个教学用的可视化工具，把 AI Agent 聊天框背后那个「模型提议动作、框架执行、再喂回结果」的循环逐步画出来，连模型生成的每个 token 都能实时看到。它内置了简单的 harness，可以跑本地的 Gemma 4 E2B 或 Qwen3.5 小模型，也能接入 pi 这类编码 Agent 当 harness，让你对比不同模型的工具调用格式、思考 token、停止条件和采样温度差异。页面还支持给模型挂图片、音视频附件，以及一个在 Docker 沙箱里跑 Python 画图的工具。想搞清楚 function calling、ReAct 循环、人类在环确认、MTP 投机解码到底怎么运作的工程师和 AI 学习者，会从中看到比读论文更直观的机制；只想用 Agent 干活的人则不必看。

Prompt Poet 是一个低代码的 LLM prompt 模板工具，用 YAML 加 Jinja2 的组合来替代手写字符串拼接，让 prompt 从一段散乱的代码变成结构化的分块配置。每个块可以带名称、角色和截断优先级，模板渲染后自动按块组织，还内置 token 统计和缓存友好的截断策略。典型场景是聊天类应用：把系统指令、历史消息、few-shot 示例、用户查询分别做成独立块，当上下文超长时按优先级从旧到新丢弃历史消息，而不是粗暴截断整段 prompt；也可以按用户当前是语音还是文本、问题是否属于作业辅导来动态插入不同指令，或者把公共段落拆成可复用片段，在 A/B 测试新 prompt 时直接 include。适合需要维护复杂动态 prompt 的后端工程师和 prompt 工程师，尤其是做对话机器人、Agent 或长上下文应用的团队；如果你的 prompt 只是固定几行静态文本，这个工具意义不大。

node2vec 是图嵌入领域的经典算法实现，把网络中的节点映射成低维向量，让「图」这种结构化数据也能被机器学习模型直接使用。这个 Python 版本基于 networkx 和 gensim，通过带偏置的随机游走采样节点序列，再用 skip-gram 训练向量，还支持把节点对组合成边向量。典型场景包括：社交网络里找兴趣相似的用户、电商推荐中发现关联商品、风控里识别异常连接的账户，或者给下游的分类、聚类、链接预测任务提供特征。如果你在做图机器学习、知识图谱或推荐系统，需要把图结构转成稠密特征，这个库能省去自己实现游走和训练的功夫；它也常被用作理解后续 GraphSAGE、GAT 等方法的入门参照。纯做 NLP、CV 或大模型应用的读者关系不大，图数据不是你的输入就不用看。

这是一个 PyTorch 训练用的采样器，专门解决类别不平衡数据集的训练偏差问题。比如医疗影像里正常样本远多于罕见病样本，直接训练模型会倾向于把所有图都判为正常，表面准确率很高但少数类几乎全错。ImbalancedDatasetSampler 会在每个 epoch 采样时自动重加权，让少数类被抽到的概率提高，从而在不复制数据、不丢弃多数类样本的前提下平衡类别分布，配合数据增强还能缓解过拟合。相比手工做欠采样或过采样，它不用你先造一份平衡数据集，直接接进 DataLoader 就能用。适合正在处理欺诈检测、罕见病识别、缺陷检测这类长尾分布数据的算法工程师和深度学习从业者；如果你的项目数据本来就均衡，或者不做模型训练，那跟你就没什么关系。

这是一个纯 Shell 写的轻量脚本，让你在终端里直接调用 OpenAI 的 ChatGPT 和 DALL-E，不用装 Python 或 Node.js，依赖只有 curl 和 jq。它能做三件事：一是对话，支持 gpt-3.5-turbo、gpt-4 及其他模型，还能开启上下文模式让模型记住前几轮问答；二是用文字提示词生成图片；三是把问题通过管道喂给它，比如把「如何查看昨天创建的 PDF」这类问题丢进去，直接拿到可执行的命令建议，也可以自定义初始提示词让它扮演特定角色。适合经常泡在命令行里的运维、后端和 DevOps 工程师，当你想在不离开终端的情况下快速问一句、查个命令或生成张图时，它比开浏览器切到网页版省事得多；如果你平时很少用终端，这个项目和你关系不大。

这是一个在线的分词器对比工具，让你把同一段文本丢进去，直观看到不同语言模型会把它切成多少个 token、怎么切。它底层调用 openai/tiktoken 来计算准确的 token 数，同时把切分结果可视化出来，比如哪些词被合并、哪些被拆开。对写 prompt 的人来说，这能解释一个常见困惑：为什么字数差不多的两句话，计费和上下文占用却差很多——比如中文和英文在同一模型下的 token 效率差异，或者加了空格标点后 token 数突然变多。适合需要估算 API 成本、优化 prompt 长度、或想理解模型如何「读」文本的开发者和算法工程师；如果你平时不碰 LLM 的计费和上下文管理，这个工具和你关系不大。

这是一个可以自己部署的 RAG 搜索服务，用大白话讲就是把「联网搜索 + 网页正文提取 + 向量化 + 大模型生成答案」打包成一个 API，你给它一个问题，它先去 Google 等搜索引擎抓取相关内容，再抽取正文、算相关度、可选地做重排序，最后让 LLM 基于这些资料生成带引用的答案。相比直接调用各家搜索 API 再自己拼 RAG 管道，它省去了把这些环节串起来的工程量，参数里能控制检索条数、是否重排、过滤阈值等。适合想给内部知识库或产品快速加一个「能查网并回答」能力的后端和 AI 应用开发者，尤其是对数据出网敏感、希望全链路自托管的团队。如果你只是用现成的搜索产品或不涉及检索增强的开发工作，跟它的关系不大。

这是一个 Zsh 插件，让你在终端里用一句中文或英文注释直接生成对应的 shell 命令，类似把 GitHub Copilot 的补全体验搬进命令行。你只需要写下想做什么，比如「把所有文件按修改时间排序」或「根据 git diff 生成一条描述性提交信息并推送」，按下快捷键后 AI 就会把完整命令填到输入行，支持 OpenAI、Gemini、Groq、Mistral 以及本地 Ollama 等多种后端切换。它还提供一个可选功能：执行前先跑一遍命令收集上下文，让生成结果更贴合当前仓库状态，但要注意这可能在你确认前就改动系统。适合经常在终端里敲复杂命令、记不住 git 或 find 各种参数的运维、后端和 DevOps 工程师，能省去反复查手册的时间；如果你平时很少用命令行，或者不打算配置 API key，这个项目和你关系不大。

这是一个把 Gemini 免费额度包装成 OpenAI 兼容接口的无服务器代理：你部署一次，就能拿到一个形如 OpenAI 的 API 端点，把原本只认 OpenAI 的工具直接指向它，底层实际调用的是 Gemini。它支持聊天补全和 embeddings，能传图片和音频输入，模型名以 gemini- 等前缀开头时会透传，否则默认走 gemini-flash-latest；还可以在模型名后加 :search 启用联网搜索，并通过 extra_body 打开 Gemini 独有的 thinking_config 思考配置。适合那些手头有大量只支持 OpenAI 协议的客户端、Agent 框架或评测工具，又想白嫖 Gemini 免费额度的个人开发者——不用自己维护服务器，扔到 Vercel、Netlify、Cloudflare Workers 这类平台就能跑。如果你的工作只用官方 SDK 直连模型，或者对免费额度和延迟不敏感，这个项目和你关系不大。

Delta MCP 是一个夹在你的 AI 应用（Claude Code、Cursor、Gemini CLI 等）和各种 MCP server 之间的代理层，让 AI 调用工具时更可控、更省 token。它对每个任务先做检查，改动要么全部生效要么全部不生效，执行后会从服务端读回实际变化并记录前后对比，出问题可以一键撤销，且会明确告诉你哪些操作无法回滚（比如已发出的消息）。它还支持定时任务，比如每天分析 Grafana 日志发报告、每周五关闭已完成工单，简单任务不需要 AI 参与，需要分析时才让模型介入。官方称多步任务能省下数倍 token。目前尚未正式发布，仅提供下载预告。对日常依赖 MCP 工具、担心 AI 误操作或想降低 token 成本的 AI 应用开发者、Agent 工作流搭建者值得留意；只做纯模型训练或不碰 MCP 的人关系不大。

SelfJev 是一个可自托管的「决策模型」，你可以把它理解成一个不开源、跑在自己 GPU 上的 Jev 替代品：给它一段文本和你定义好的问题，它不生成文字回答，而是直接输出带概率的结构化结论，比如「是否需要退款」的 yes 概率、「该转给哪个团队」的选项分布、「紧急程度」的量表位置，以及多标签话题勾选。底层是 Qwen3.5-4B 加 rank-64 LoRA，通过共享前缀树复用文档计算，一次读文档就能批量回答多个问题，官方基准上文本决策准确率 95.7%，与 Jev 的 97.2% 接近。典型场景包括客服消息意图路由与分单、AI 回复的事实性与合规审查、按政策判断文档中的资格与例外。适合需要在自有基础设施上做分类、审核、规则判定的后端与算法工程师，尤其是数据不能出内网、又不想为每次判断调用付费 API 的团队；如果你的工作与结构化决策无关，那基本用不上。

Capri 是一款 Windows 桌面端的 AI 助手应用，可以理解为给 Claude Code、Codex、Antigravity 等编程 Agent 套上了一层带语音和赛博朋克皮肤的外壳，让你不用碰终端就能指挥它们干活。它能用自然语言处理文件和项目，比如整理下载文件夹、批量总结 PDF、找 bug 并修复、搭建新项目，还能把重复任务设成每周自动执行的自动化流程，敏感操作会先让你确认再动手。除了干活，它还带语音对话、屏幕记忆、桌面挂件和小游戏陪玩等偏娱乐的功能，整体风格致敬 Cyberpunk: Edgerunners。适合想在桌面上更顺手地调用多个 AI 编程助手、又希望交互方式更口语化的开发者；纯做后端或不常用 Agent 的人关系不大。目前仅支持 Windows。