MyAgent 是一个用 Python 从零实现的通用 Agent Runtime，可以理解为一个可读可改的本地版 Claude Code 底层框架：模型只负责推理并提出工具调用意图，真正的文件读写、Shell 执行、权限判断、结果回写和上下文压缩都由 Runtime 统一接管，形成完整的 Agent Loop。它支持 OpenAI 和 Anthropic 双协议接口，内置 MCP 客户端接入外部工具，还能派生 explore、plan 等子 Agent，并在 Plan Mode 下阻断一切写操作。最有特色的部分是 Skills 自进化：当你对某次输出给出明确反馈，它会自动抽取可复用规则写入 SKILL.md，下次同类任务直接调用，同时按项目隔离长期 Memory、支持会话恢复。适合想搞懂 Agent 底层机制、或需要二次开发个人助手和领域 Agent 的工程师阅读源码；只想用现成 AI 工具干活的人关系不大。

Ultron 是一个语音优先的桌面 AI 助手，你可以把它理解成一个带 MCU 反派 Ultron 人格的 Jarvis：用语音指挥电脑，配上 60 FPS 全息 HUD 和实时口型同步。它内置 51 个工作站工具，覆盖鼠标键盘接管、Git 操作、网络审计、人脸识别哨兵等；还能让 AI 自己写新 Python 工具并热加载进内存，无需重启。此外它用 OpenCV 做手势控制（张掌唤醒、握拳锁屏、挥手切歌），用 SQLite 知识图谱加 TF-IDF 向量做本地语义记忆，能通过 Home Assistant 联动智能灯光，甚至用 DSP 管线合成 James Spader 风格的机器人嗓音。适合想折腾个人 AI 助手、桌面自动化或语音交互的开发者和极客；如果你只是找生产级 Agent 框架或企业方案，它更像一个炫技的个人项目，参考价值有限。

Web3 Agent Kit 是一个用 Python 写的框架，让你用自然语言指挥 AI 代理去操作区块链，比如直接说「把 0.1 ETH 换成 Base 上的 USDC」，它会自动解析目标、调用 LLM 规划、执行交易。它把 RPC 接入、钱包签名、DeFi 协议 ABI、gas 估算这些脏活都封装好了，内置 9 条 EVM/Solana 链、Uniswap、Aave、Curve 等协议的现成接口，还带花费上限、交易前模拟等安全护栏。除了交易，它还覆盖空投追踪、蜜罐/流动性等代币安全检查、套利清算等 MEV 场景、DCA 和狙击机器人、NFT 部署与批量铸造、跨链桥接等。适合想做链上自动化交易机器人、DeFi 策略或 AI 代理应用的开发者快速起步，省掉几周的样板代码；不过项目仍处 beta，官方明确提示不要未经审计就上真金白银，纯做后端或前端的读者关系不大。

ResolveLab 是一个给工具调用型 LLM agent 做「故障注入 + 副作用打分」的评测与后训练环境。它跑一个真实的 HTTP 服务，在 agent 操作过程中注入各种会改变正确下一步动作的故障，比如分页查询里的近似记录、If-Match 冲突、429 限流、写入已提交后才返回的 502、任务中途被收回权限等，然后从服务端状态、提交日志和读版本来判定 agent 到底把系统改成了什么样，而不是听它自己说「已解决」——写错记录、重复提交、漏读最新状态、谎报成功都会被判失败。它还内置一个经回放验证的 teacher，可以生成 DAgger 训练数据，README 里展示了 Qwen3-0.6B 经 BC+DAgger 微调后测试通过率从 90.8% 提到 98.3%。适合做 agent 评测基准、agent 后训练或 RL 环境研究的算法工程师和研究者；如果你不涉及 agent 训练或可靠性评测，和多数从业者关系不大。

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。

这是一个麦当劳点餐助手 Skill，说一句「35 元，不辣，有糖可乐去冰，带走」，它就把预算、口味、取餐方式这些硬约束变成一份完整餐单（主食+小食+饮料），给出唯一答案和一张可复制的点单卡，照着在 App 或柜台点即可。它的核心价值是核价：金额只认官方 calculate-price 返回的整数分，菜单展示价若附带「随单购麦金卡」之类的条件会一并说明，避免你以为省了钱其实没省。README 实测同一餐两种点法差 12 元（24.7%），它会明确告诉你省在哪。预算不够时它直说没有方案并给出最低需要多少钱，不硬凑；也不会因为你钠含量低就擅自把有糖可乐换成无糖。只读不领券不下单不支付，Token 留在本机。适合预算有限、口味偏好明确、常点到店自取的个人或两人用餐者，以及想参考「只读 MCP 客户端+确定性比较」实现样板的开发者；对多数不点麦当劳或不关心点餐比价的人关系不大。

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。

这是一套给 Claude 用的技能包，专门帮你运营 LinkedIn 账号：写帖子、回评论、打分个人资料、排一周的内容计划，还带一个「去 AI 味」脚本。它不自动发布，所有产出都是可复制的文本，由你手动贴到 LinkedIn——因为自动化发帖违反 LinkedIn 用户协议，容易被限流。实际能解决的麻烦很具体：比如用 21 种钩子公式把一个想法扩成带三个标题选项的帖子；把别人帖子下的评论按类型匹配，避免千篇一律的「Great post!」；把自己帖子下的留言分成潜在客户、同行、噪音几类再逐条回复；给个人主页按 12 项标准打分并按失分优先重写。最有意思的是 humanizer，它会清掉零宽字符、em dash、弯引号这些 AI 写作的隐形指纹，替换 delve、leverage、seamless 这类套话，再用五项指标（句长起伏、具体度、套话密度等）给草稿打「人类分」，句式结构类问题则标出来交给你自己改。适合做个人品牌的内容创作者、求职者、销售和独立开发者——如果你不靠 LinkedIn 获客或找工作，关系不大。

Asamana 是一个由 AI 驱动的涌现式叙事引擎：你给它一个主题，它就生成一个共享世界和一群各有性格、记忆、情绪与目标的 AI 角色，角色之间自主互动，故事在没有剧本的情况下自然长出来。它把角色认知拆成感知、动机、决策、行动、反馈五个阶段，用结构化输出和共享上下文保证角色行为前后一致，避免长对话导致的上下文膨胀和幻觉扩散。配套前端可以实时观察世界、查看 2D 地图、关系网络和叙事流，也支持回放。适合做 AI 叙事、生成式 Agent、多智能体模拟研究的开发者和内容创作者，用来快速搭一个可观察、可调优的 Agent 世界；如果你不研究 Agent 或互动叙事，跟你的关系不大。

HarborRL 是一个用强化学习训练工具调用型 Agent 的端到端框架，把模型服务、轨迹生成、工具执行、可验证奖励和策略更新串成一条可复现的流水线。它支持以 Qwen、GLM 为基座，用 GRPO、DAPO 等算法在沙箱隔离的任务上训练，覆盖 Terminal-Bench、SWE-Bench 等 200 多个任务，还能接入 Claude Code、Codex、LangGraph、SWE-agent 等 40 多个 harness 框架，通过模型×算法×任务×harness 的组合快速搭实验。它还提供本地 Web 控制台做配置校验、试运行和训练日志查看。适合做 Agent RL 研究或想给 coding agent 做后训练的算法工程师；如果你只调用现成模型 API、不碰训练，这个项目和你关系不大。

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。

这是一个基于麦当劳中国 MCP 的点餐前体检工具，主打「下单前 30 秒算清热量、复购与券浪费」。它会读取你准备点的餐品，结合营养数据估算这一餐的热量，判断你最近是否在重复点同一家店的同款，并提醒你手里的优惠券是否被浪费——比如为了凑单多花的钱其实比不用券还贵。适合那些既想控制饮食、又不想被麦当劳的营销套路牵着走的上班族：中午打开点餐页犹豫不决时，让它快速给个参考，比自己翻营养表和算券规则省事得多。对多数互联网从业者来说，这更多是个有趣的生活小工具，和工作关系不大；但如果你在做 MCP 生态或 AI Agent 应用，看看它怎么把 MCP 工具串成一个有实际消费决策价值的场景，倒是有参考意义。

这是一个基于麦当劳中国官方 MCP Server 构建的 AI 助手 Skill，把领券、点餐、外送、派对预约、积分抽奖等 35 个接口串成 7 条完整工作流，让 AI 能在你的真实账号上安全跑完「从领券到下单」的全流程。它的核心价值在于解决「能调用 ≠ 会用」的问题：点餐链路上每一环的参数都必须来自上一环的返回值，项目把踩过的坑固化成 14 条硬约束，比如下单前必须算价并让用户确认、抽奖前先看消耗明细、绝不臆造商品编码、积分抽奖会溢出即将过期的积分时直接拒绝执行。它还附带一个零依赖的命令行通道，不接 AI 客户端也能用。对做 Agent 编排、MCP 集成的工程师来说，这是一个很好的「如何给有副作用的工具链加安全护栏」的参考实现；普通用户如果只是想点个麦当劳，直接用官方 App 更省事。

decision-cascade 是一个本地运行的决策引擎，思路是不让 LLM 生成自由文本，而是把状态编码成特征后由专门的决策头直接输出三种类型化结果：是/否（Noul）、选项（Choice）、分数（Score），每个答案都带概率分布和置信度，可校验、可校准（内置 ECE/Brier 指标）。相比让模型「想一段话再回答」，它没有自回归生成，延迟低且确定，一次前向就能并行处理多个问题。它对标付费 SaaS 产品 Jev，但完全开源、数据不出本机，还支持用自己领域的标注数据微调决策头（SFT + RLCD）来优化校准质量，并兼容 Cloudflare Clef、Perplexity 等项目共用的 SystemOne 协议，可当网关转发。适合需要在产品里做可审计、可校准的分类或打分决策、又在意隐私和成本的后端/AI 工程师；项目尚在 beta，开箱权重是随机的，需要自己标注训练，只想拿现成模型直接用的人会失望。

Sparky 是一个完全跑在本地 Windows 电脑上的私人 AI 助手，可以理解为把 ChatGPT、ComfyUI、Whisper 和一个本地 RAG 知识库打包成一个桌面应用，数据默认不离开你的机器。它能聊天、看图、给文档（PDF、Office、代码）建索引并带编号引用地回答问题、联网搜索（默认关闭）、生成图片和带同步音轨的视频、离线语音听写与朗读，还能在聊天旁边实时写代码和多文件项目并预览。更进一步的是 Computer mode，它能浏览文件夹、截图、读写文件、执行 PowerShell，安全等级由你逐会话设定，敏感操作会弹审批卡片；也支持接入 MCP 工具和定时任务。适合对隐私敏感、想在无网或内网环境用大模型的个人开发者、研究者和办公用户，以及想本地跑 LLM 做 RAG、图像视频生成的 AI 爱好者；如果你只用云端服务、不关心数据出境，那它和你关系不大。

toolism 是一个专门给 LLM 工具定义 JSON Schema「瘦身」的命令行工具。你给模型的每个工具（OpenAI function、Anthropic tool、MCP server tool）都会随每次请求发送，而 Pydantic、FastMCP、zod-to-json-schema 这类生成器会塞进大量冗余内容：重复属性名的 title、可选字段的 anyOf 包装、default: null、无用的 $defs 等。toolism 能测量这些 schema 到底花掉多少 token，然后在不改变任何合法工具调用的前提下删掉冗余，并用等价性检查证明结果安全。在 13 个热门 MCP server 的 159 个工具上，默认规则平均砍掉 37.4% 的工具定义 token，Notion 甚至省了 73%。它还提供 CI 门禁，把 token 预算锁在基线水平，防止成本悄悄回涨。适合维护 MCP server、做 Agent 应用或负责 LLM 推理成本的工程师——如果你的工具定义是手写的精简 schema，那它能省的就很少，关系不大。

这是一个把研究选题变成论文初稿的多智能体流水线，核心卖点是「不信任写作者」：它先从 OpenAlex、Crossref、Semantic Scholar、arXiv 检索真实文献并尽量抓取开放获取全文，再强制初稿里每条引用只能指向这个文献池中的论文，最后做三重校验——引用键能否解析、DOI 和元数据是否与真实记录一致、被引论文是否真的支持这句话（有全文时还会标出最匹配的段落页码）。除了写稿，它还生成证据表、做创新性诊断（指出最接近的已有论文和审稿人最可能的质疑）、模拟三位不同侧重的审稿人独立评审，并支持中英文写作与 GB/T 7714、APA 等引用格式导出。每个阶段都设有人工审批闸口，也可全自动跑完。对需要写文献综述或论文初稿、又担心 LLM 编造参考文献的研究生、高校科研人员和企业研究岗来说值得一看；只是想快速查文献或做普通写作的人关系不大。

这是 Hermes Agent 的一个上下文压缩插件，解决长对话里上下文爆掉的问题。Agent 跑久了历史会撑爆上下文窗口，需要定期把旧对话压缩成摘要，但传统做法要让模型重新读一遍全部历史，又慢又贵。这个插件的做法是把最后一次请求原样重发，让服务端复用 prompt 缓存，只读新增的那部分，所以压缩速度快很多。压缩后的交接摘要按固定结构组织，比如目标、当前状态、关键事实、下一步，另外还会由代码自动生成一份工作台账，记录跑过的命令及退出码、被改动过的文件，方便下一个请求快速接上。如果缓存请求失败，会退回普通模型摘要，再不行就只保留台账，防止小模型把上下文越撑越大。适合在 Hermes Agent 上做长任务 Agent、需要频繁自动压缩上下文的开发者，以及关心 prompt caching 提速效果的人；不直接用 Hermes Agent 的人关系不大。

Morrow 是一个本地运行的求职工作台加自动投递引擎，可以理解为「帮你自动海投的求职管家」。它每天跑一遍完整流程：先按你的简历和目标岗位定制简历，再用浏览器自动登录 Naukri、Wellfound、Instahyre、Hirist 等招聘平台和公司官网投递，同时检查各平台资料是否完整、有没有待答的招聘方问卷，并生成一份面试学习计划。所有操作只有在页面上确认成功后才记为完成，每次投递保存的简历版本、结果和链接都会写进本地数据库和日报，数据不出你的机器。它依赖你已装好的 AI 命令行工具（Claude Code 或 Kiro）来生成回答，遇到不知道的问题会放进待办收件箱让你确认，而不是瞎编。适合正在海投、需要同时维护多个招聘平台资料的求职者，尤其是印度市场的程序员；如果你不找工作，这个项目和你关系不大。

这是一个 QQ 群消息降噪与待办提取工具：通过 NapCat（OneBot v11）只读接收白名单 QQ 群的新消息，用本地规则加可选 LLM 过滤闲聊，只把明确的通知、待办和紧急事项摘要后推送到微信（WxPusher 等十余种通道），并自动解析群里转发的 PDF、Office 文档和截图，跨群去重同一条通知。它自带手机端 PWA 待办台，能按截止时间、紧急/学业标签管理任务，还支持日历导出、时间冲突检测和模型用量成本统计。官方演示里，一个日均 500 条消息的假群最终只推送 30 次通知、生成 62 项待办。适合被班级群、工作群轰炸到看不过来的人，尤其是需要从群聊里捞截止时间和通知的学生、班主任或团队协调者；如果你的 QQ 群本来就不多，和你关系不大。