browser-use 是一个开源的浏览器 Agent 框架，让大模型像人一样操作浏览器：你用自然语言描述目标，它自己打开页面、点击、填表、过验证码。可以本地跑，接任意 LLM；也可以用它的云服务，拿到带隐身能力和住宅代理的浏览器，按小时计费。典型场景是那些没有 API、只能靠网页完成的活儿，比如自动抢预约名额、在多个网站比价下单、批量抓取动态渲染的数据，README 里的演示就是自动完成驾照考试预约。它还提供托管的 Agent API，适合不想自己搭基础设施的团队。值得看的是做自动化运营、数据采集、RAG 数据管道的工程师，以及想给产品加浏览器操作能力的 AI 应用开发者；如果你的工作和网页自动化、Agent 落地无关，那跟你的关系不大。

DeepInfer 是 DeepSeek 官方开源的高性能推理框架，也就是支撑 DeepSeek 线上大规模生产服务的那套推理引擎，目前支持 DeepSeek-V4.1-Flash 模型的离线推理。它把 FlashMLA、DeepGEMM、DeepEP 等自研算子和 MoE 专家并行、EPLB 负载均衡、投机采样、异步调度等生产级优化打包在一起，还提供确定性采样和结构化输出（按 JSON schema 或正则约束生成），保证不同 batch 组成下结果一致。适合需要在自有集群上高吞吐部署 DeepSeek 模型的团队，比如做推理服务的算法工程师、负责 GPU 集群利用率的 infra 工程师，以及需要复现 DeepSeek 官方性能基线做选型对比的人。注意它只开源了推理核心，KV cache 系统、Prefill/Decode 分离和负载均衡等完整服务组件并未包含，纯做应用层开发或轻量调用 API 的读者关系不大。

这是一个给 Claude Code 和 Codex 用的代码审查 skill，核心卖点是让 AI 的 code review 变得可审计：它会跑四个独立的探针，分别检查行为、测试、规则和影响面，每条发现都必须附带具体位置、涉及的契约或代码路径以及严重级别，缺证据的结论直接不算数。它只做静态分析，读 diff、周边源码、测试和项目规则就能工作，不需要构建或跑测试，也不会改动被审查的代码，最后的合并门禁结论由机器可读的 JSON 生成，避免模型自己复述自己的判断。适合在 PR 合并前想拿到一份结构化、可追溯审查报告的工程团队，尤其是已经在用 Claude Code 或 Codex、希望把 AI 审查纳入流程的后端或全栈开发者。不过作者自己也说明它不能替代测试、CI 和人工审查，对并发缺陷的检测尚未验证，如果你只是想找一个能自动把关的工具，它更像辅助而非兜底。

Ollama 是目前最主流的本地大模型运行工具，可以把它理解成「模型界的 Docker」：一条命令就能把 DeepSeek、Qwen、GLM、Gemma、Kimi、MiniMax 等开源模型拉到自己机器上跑起来，数据不出本地，同时提供统一的 REST API 和 Python、JS SDK，方便程序调用。它解决的麻烦很具体：想试一个新模型不用自己配 CUDA、拼推理框架，也不用把敏感数据发给云端 API；最近还打通了 Claude Code、Codex、Copilot CLI 等 AI 编程工具的接入，让这些工具直接用本地模型当后端。值得看的人包括想在内网或个人电脑上跑模型的算法和后端工程师、需要离线或隐私合规方案的团队，以及希望给编程助手换成本地免费模型的开发者；如果你只用云端 API、从不碰开源模型，那和你关系不大。

llama.cpp 是用纯 C/C++ 实现的大模型本地推理引擎，可以理解为「让 LLM 在你自己的电脑上跑起来」的通用底座，几乎所有本地部署方案都绕不开它。它不依赖 Python 环境，支持从 1.5-bit 到 8-bit 的多种量化格式来压缩模型体积，覆盖 Apple Silicon、NVIDIA、AMD、Intel、华为昇腾等几乎所有硬件后端，还能在显存不够时让 CPU 和 GPU 混合推理。实际场景比如：想在自己 Mac 上离线跑 Qwen 或 Llama 做代码补全、给内部知识库搭一个不联网的 RAG 服务、或者在边缘设备上部署轻量模型做语音转写，都可以直接用它起一个兼容 OpenAI 格式的接口。对 AI 应用工程师、算法工程师以及需要私有化部署的后端开发者来说，这是必看的基础设施级项目；如果你只做模型训练或纯云端调用，关系不大。

prompts.chat 是目前最大的开源提示词库，前身是知名的 Awesome ChatGPT Prompts，收录了社区贡献的大量 prompt，兼容 ChatGPT、Claude、Gemini、Llama 等主流模型。除了浏览和收藏提示词，它还托管了常驻 AI bot 及其协作团队，可以查看每个 bot 需要跑在云端还是本地、如何与其他 bot 配对接力完成任务，并附带一套 30 多章的免费交互式 prompt 工程教程，覆盖思维链、少样本学习等技巧，支持 17 种语言。对日常用大模型写文案、做翻译、搭 Agent 工作流的从业者来说，这里是找现成 prompt 和 bot 组合的快捷入口；做企业内部 AI 落地的人也能自建私有实例，避免内部 prompt 外泄。如果你完全不碰 LLM 应用，那它和你关系不大。

Open WebUI 是一个可以自己部署的 AI 聊天界面，相当于自托管版的 ChatGPT 网页端：既能接 Ollama 跑本地模型，也能连 OpenAI 兼容的云端 API，全部数据留在自己机器上。除了多轮对话，它还内置了知识库问答（RAG）、文档上传、语音输入和 MCP 工具调用，团队可以把内部文档喂进去做检索问答，或者把常用模型统一挂在一个界面下切换使用。最近它还在往 Agent 方向扩展，配套的终端、知识库同步等生态项目能让它变成一个完整的 AI 工作台。适合需要在公司内网安全使用大模型的后端和算法工程师、想快速搭一个私有 AI 助手的独立开发者，以及对数据隐私敏感、不想把对话内容交给第三方服务的团队；如果你只是偶尔用用 ChatGPT，这个项目和你关系不大。

LiteLLM 是一个 AI 网关，用统一的 OpenAI 格式调用 100 多家大模型服务，包括 OpenAI、Anthropic、Bedrock、Azure、VertexAI、vLLM 等，让你不必为每家模型单独适配 SDK、鉴权和请求格式。它既能作为 Python 库直接嵌进代码，也能部署成团队共用的代理服务，换模型供应商时不用改业务代码。除了转发请求，它还内置了虚拟密钥管理、按团队或项目的花费统计、内容护栏、负载均衡和调用日志，相当于给公司的大模型调用加了一层统一管控和计费的中间层。适合需要在生产环境里管理多家模型、控制成本和权限的团队，比如负责 LLM 应用的后端工程师、平台工程或 MLOps 岗位；如果你只是写写脚本调用单一模型，和你关系不大。

mem0 是给 AI Agent 和 AI 应用加装的「长期记忆层」，可以理解为对话版的持久化数据库：它自动从对话中抽取用户偏好、历史事件和事实，存起来并在下次交互时按需召回，让模型记住「你是谁、上次聊到哪」。它支持用户级、会话级和 Agent 级多层记忆，检索端融合语义、BM25 关键词和实体匹配，并带时间感知排序，能区分「现在状态」和「过去事件」。典型场景包括客服机器人复述历史工单、个人助理延续多轮偏好、医疗或游戏场景按用户行为调整策略。如果你在做面向 C 端的 AI 助手、客服系统，或需要跨会话保持上下文的 Agent 产品，值得花几分钟看它的记忆抽取与检索思路；纯做模型训练、推理部署或与 AI 无关的后端开发则关系不大。

这是 Microsoft 官方出的一套生成式 AI 入门课程，共 21 节课，用 Jupyter Notebook 形式带你从零搭出一个 GenAI 应用。内容覆盖 prompt engineering、调用大模型 API、用 DALL-E 生成图像、语义检索（semantic search）等基础主题，每节课配讲解和动手练习，代码可跑在 Azure OpenAI Service、OpenAI API 或本地离线模型上，还提供 50 多种语言的翻译，含简体中文。它适合两类人：一是刚接触大模型、想系统搞懂「怎么把 LLM 接进自己产品」的后端或全栈工程师，二是需要给团队做 AI 入门培训的技术负责人，可以直接拿它当教材。如果你已经在做模型训练、推理优化或 Agent 架构，这套课会偏浅，翻一下 prompt 部分即可，不必深究。

OpenHands 是一个自托管的编码 Agent 控制中心，可以把它理解成你自己的「AI 工程团队驾驶舱」。它本身自带开源的 OpenHands 编码 Agent，同时也支持接入 Claude Code、Codex、Gemini CLI、OpenCode 等任何兼容 ACP 协议的第三方 Agent，让你在本地、Docker、虚拟机或公司内部基础设施之间自由切换后端，模型也可以任选。除了开对话写代码，它更强调自动化：比如定时生成报告推送到 Slack、把 GitHub Issue 自动拆解成任务、按 webhook 触发与 Linear、Notion 等工具联动的工作流。需要注意的是 Agent 会直接访问你机器上的文件系统，权限较大。适合想把多个编码 Agent 统一管理、并让它们 7×24 跑自动化任务的工程效率或平台团队；如果你只是想找个 AI 助手写几行代码，直接用各家 CLI 就够了，这个项目对你意义不大。

LangChain 是目前最主流的 LLM 应用开发框架，可以理解为 AI 应用领域的 Spring 或 Express：它把各家大模型、向量库、检索器、工具封装成统一接口，让开发者用可组合的模块拼装出 RAG 问答、Agent 工作流等应用，换模型或换存储时不用重写业务代码。它配套的 Deep Agents 提供规划、子代理、文件系统等高层能力，LangGraph 负责编排复杂多步任务，LangSmith 则做评测、可观测和调试。典型场景包括：给企业内部知识库做带引用的问答机器人、让 Agent 自动调用多个 API 完成跨系统流程、在实验阶段快速对比 OpenAI 与 Anthropic 等不同模型的效果。如果你是做 LLM 应用的后端或算法工程师，尤其是需要把 demo 推向生产、关心可观测与模型可替换性的团队，这是绕不开的基础设施；只做模型训练或纯前端的读者关系不大。

Headroom 是一个在内容进入大模型之前先做压缩的工具，可以理解为给 LLM 调用加了一层「省流滤镜」：工具输出、日志、RAG 检索到的文档片段、JSON 数据和对话历史都会被压缩后再发给模型，官方实测编码类 agent 场景能省 21%–57% 的输入 token，重复的 JSON 数组和日志行能省 90% 以上，而回答质量基本不变。它提供库、代理和 MCP server 三种接入方式，也能一条命令包住 Claude Code、Cursor、Copilot 等编码 agent，无需改代码；压缩在本地完成，内容不外传。对日常跑 agent、被上下文窗口和 token 账单卡住的工程师，尤其是重度使用 Claude Code 或自建 RAG 管线的人，值得花两分钟看看；只偶尔调用一次模型的读者关系不大。

TokenEconomizer 是微软研究院和 UC Berkeley 联合推出的 Claude Code、Codex、GitHub Copilot CLI 等编码 Agent 插件，作用是给已经在跑的 Agent 省钱，不改 Agent 本身。它从你在同一仓库的历史会话里学习：把反复踩到的坑（比如必须先跑的构建步骤、这个仓库里能用的命令写法）沉淀成 Micro-skills，下次会话开场直接告诉 Agent，避免每次重新摸索；把长期没被调用的工具从请求里剔除，减少每轮都在发送的工具定义开销；当某一轮反复撞同一个错误时，用一个判断模型介入并给出转向提示，防止死循环烧钱。论文在 SWE-Bench 上测得平均成本降低 18.4%–30.9%，且多数组合下任务通过率不降反升。经常用 AI 编码助手在固定仓库里干活、又在意 API 账单的开发者值得看；如果你只是偶尔用一次 Agent，或者不负责控制 AI 编码成本，和你关系不大。

这是一个纯前端的 AI 服装参考图集加虚拟试穿网站，收录了 1407 套写实女装和 1320 套二次元动漫服装，全部是人物不入镜的纯服装图，支持中英文双语浏览和关键词检索，打开网页就能免费用。它的核心玩法是「AI 换装」：你上传一张自拍或从内置的 1499 位 AI 模特库里挑一张脸，再选中一套衣服，后端调用 GPT Image、Gemini、豆包 Seedream 或本地 ComfyUI 上的 Qwen-Image-Edit 模型，把衣服自然地穿到人像上，保留五官发型、贴合身材，还能一键跳转淘宝搜同款。对做电商服装类目的运营、AI 绘画和虚拟模特内容创作者来说，这是很省事的服装参考库和试穿 demo；如果你只是想找 AI 生图/换装的工程参考，它的多模型可插拔后端也值得翻翻。但如果你的工作和服装、电商、AI 图像生成无关，这个项目基本和你没关系。

deepseek-bot 是 DeepSeek Harness 的一个插件，把常驻 AI 助手接进你的终端和聊天工具，核心卖点是跨会话的持久记忆。装好后在终端输入 dsh 就能进入全屏对话界面，回答流式输出、工具调用带 diff 展示，能生成 docx/xlsx/pptx、用无头浏览器读链接、看图、调用 MCP 工具。它的记忆会跨重启存活：用户画像、工作记录和过往对话的召回索引每轮都会带入，还能在 Slack、Discord、Telegram 里被 @ 后在原线程回答。涉及删除或覆盖的命令必须在对话里等你点 Allow 或 Deny 才执行，命令跑在 Seatbelt 沙箱里，写权限仅限自己的工作区。默认直接用 DeepSeek 自带 API。适合想在聊天软件里长期挂一个有记忆的 AI 助手、又在意操作可控性的开发者；目前仅支持 macOS，Discord 和 Telegram 还只在模拟 API 下验证过。

dsh-ops 是一个 DSH 插件，作用类似给 AI 编程助手换一套更省 token 的底层工具：它新增一组 ops 系列工具，同时隐藏部分官方工具，让模型在执行文件读写、Shell 命令等常见操作时返回更紧凑、带行号或结构化 JSON 的结果，从而减少报错循环和调用轮次。它还提供动态工具加载机制，按需加载 pdf、word 读取、批量文件修改这类高级能力，避免系统提示词膨胀；PTC 模式下另有 18 个 API 的 SDK，帮 AI 少写 TypeScript 代码。适合日常重度使用 DSH、对 token 成本和任务耗时敏感的 AI 编程工具用户，尤其是需要频繁批量处理文件或在 Windows 上跑 Bash 的人；如果你不用 DSH，这个项目和你关系不大。

Dify 是一个开源的 LLM 应用开发平台，可以理解为「可视化搭建 AI 应用的低代码工作台」，类似把 LangChain 的编排能力、RAG 检索和 Agent 逻辑拖拽成画布上的节点。它内置数百种模型接入（GPT、Claude、DeepSeek、Llama 等），提供 Prompt 调试界面、文档知识库检索、Agent 工作流编排和调用链观测，支持云端、VPC 或私有化部署，让团队从原型直接走到生产而不必重写技术栈。典型场景比如：把公司内部文档做成能回答问题的客服机器人，或者编排一个多步骤的自动化流程——先检索资料、再调用工具、最后生成报告。如果你是做 AI 应用落地的产品经理、后端工程师或算法工程师，正在评估用什么框架快速搭出可上线的 LLM 产品，Dify 值得优先看；纯做模型训练或只关心推理部署的人关系不大。

这是一个让 AI 模型直接操作真实 iPhone 的方案：一块约 7 美元的 ESP32-S3 开发板通过 USB 连接手机，板子作为 AirPlay 接收器截取屏幕画面，同时以标准 USB 鼠标键盘身份模拟点击、滑动和输入，配合手机上的 App 和任意 OpenAI 兼容的视觉模型形成闭环，全程不需要 Mac、开发者账号或越狱。它能完成跨 App 的真实操作，比如你说「设一个每周一和周二早上 8 点的重复闹钟」，Agent 会自己退出当前应用、打开时钟、滚动选时间、勾选日期并保存，还能回放每一步操作并导出截图与动作序列供分析。适合关注 Computer Use、手机端 Agent 落地形态的 AI 应用开发者和硬件极客，用来研究视觉模型驱动 UI 自动化的完整链路；如果你不做移动端自动化或不关心软硬结合的 Agent 方案，和日常工作关系不大。

这是一份教人成为 Forward Deployed Engineer（FDE）的学习路线图，FDE 是近两年在 Palantir、OpenAI 等公司兴起的岗位，简单说就是驻扎在客户现场、把 AI 产品从 demo 落地到客户生产环境的工程师，比纯研发更贴近业务，比售前更会写代码。这份路线图按真实项目交付的生命周期组织，从理解客户需求、选模型、做 prompt 和 RAG、搭 Agent，一路讲到评估观测、安全合规、成本延迟优化、微调和系统设计，最后用一个实时语音 Agent 案例把所有知识串起来，并附面试准备。每个主题都配了配套博客，内容偏实战而非理论。如果你是后端或算法工程师，正在考虑往 AI 应用交付、解决方案架构方向转型，或者已经在做面向客户的 AI 落地项目却缺乏方法论，这份路线图能帮你快速建立全局视野；如果你只做模型训练或纯后端开发，和你关系不大。

这是一个围绕 Claude Code 的精选资源导航站，相当于 Claude Code 生态的 awesome-list：作者人工挑选了各类值得用的技能包、子代理、状态栏、插件和开发工具，并按用途分成几十个板块。它解决的是「Claude Code 装好之后不知道还能怎么玩」的问题——比如想给它加个显示 token 消耗的状态栏、找现成的 skills 来提升代码质量、接入通知和语音、做多代理编排，或者查成本监控和可观测性方案，都能在这里直接找到现成项目和教程，省去自己翻社区的时间。对已经在用或准备深度使用 Claude Code 的工程师、AI 应用开发者来说，这是个高密度的入口清单，适合收藏后按需翻查；如果你不用 Claude Code，或只是想找通用 LLM 资源，那和你关系不大。

鲸鲸是一个 Windows 桌面程序，让你的微信账号接入 DeepSeek、智谱 GLM、通义或本地 Ollama 等大模型，自动陪人聊天。它的人设是蓝发鲸鱼娘，说话短、带情绪，能撒娇也能毒舌，支持网页私聊和微信群自动回复，还能查 B 站热搜、联网搜资料，甚至按回复语气自动配表情包。群里它会先判断消息在跟谁说话，避免乱插嘴或误伤别人，聊天记忆也会持久保存、更新不丢。它本质上是用 UI 自动化桥接微信客户端，属于个人玩伴型机器人，不是面向企业的客服方案。对做 AI 应用、想研究 LLM 人设提示词与记忆机制的开发者有参考价值；普通从业者若不关心微信机器人场景，关系不大，且需注意它操作的是你自己的真实微信账号。

n8n 是一个可视化工作流自动化平台，可以理解为 Zapier 的开源替代品，但把 AI 能力做成了原生特性。你在画布上拖拽节点把各种服务串起来，需要复杂逻辑时随时插入 JavaScript 或 Python 代码，能连接 1500 多个第三方应用，也能自托管部署。它的 AI 场景很具体：比如把 OpenAI 或 Anthropic 的模型接到你自己的数据库和内部系统上，搭建带人工审批、工具调用和完整日志的多步 Agent 流程，从原型一路跑到生产。适合需要把 AI 落进业务流程的后端工程师、平台团队和自动化负责人，比如做客服工单自动分类、跨系统数据同步加智能摘要这类活儿的人。如果你只是写模型训练或纯算法研究，跟它关系不大。

MinerU 是一个文档解析工具，可以把 PDF、扫描件、Word、PPT、Excel、EPUB、HTML 等格式的复杂文档转成 LLM 能直接读的 markdown 或 JSON，相当于给大模型准备「干净语料」的前置工序。它内置版面分析和 OCR，能处理双栏排版、表格、数学公式这类通用解析器容易翻车的场景，还提供从快速预览到高质量解析的多档解析策略，按需选择速度与质量。除了单文件转换，它还带本地文档库能力，支持内容检索、按页或块续读，并保留稳定的引用定位，方便 Agent 在长文档中引用出处。如果你在做 RAG 检索、文档问答、Agent 工作流，或者需要批量把公司内部资料、论文、合同喂给模型，它会直接命中你的痛点；纯做前端或业务后端开发的人则关系不大。

这是一个收集各大 AI 产品系统提示词的仓库，把 Anthropic、OpenAI、Google、xAI 等家聊天机器人和编程工具背后那段不对外公开的 system prompt 原文整理归档，涵盖 Claude Code、ChatGPT、Codex、Gemini、Cursor、Grok 等，且持续更新。对从业者来说，它是研究头部产品如何设计人设、约束行为、编排工具调用的现成素材：比如想搞清楚 Claude Code 的安全分类器怎么判断危险操作，或对比 ChatGPT 与 Gemini 在拒答策略上的差异，都能直接翻到原文。写 prompt 的人可以从中借鉴大厂的措辞和结构，做竞品分析或安全研究的人也能看到模型被注入了哪些隐藏指令。主要适合 prompt 工程师、AI 应用开发者和关注 AI 安全的研究者；如果你不写 prompt、也不做产品分析，看一眼标题即可，和日常工作关系不大。