Protuna 是一个面向蛋白质工程的 AI 优化框架，可以理解为把贝叶斯优化和主动学习的思路搬到了蛋白突变体设计上：你给它历史突变数据或一个已知的活性分子，它会结合蛋白语言模型和打分函数，自动推荐下一批最值得做实验的变体序列。它支持用奖励引导的方式让蛋白语言模型朝着目标性质生成序列，内置零样本变体效应预测等打分方法，还能用 Ray 做分布式大规模筛选，并允许设置主目标加多个不等式约束（比如只优化活性但限制其他性质），同时可配置序列规则（固定位点、禁止某些氨基酸等）来约束搜索空间。适合做酶工程、抗体或药物先导化合物优化的生物信息、计算生物学和蛋白设计工程师，尤其是那些实验通量有限、需要每一轮聪明地挑选少量候选去做湿实验的团队；如果你不涉及蛋白序列设计，这个项目和你关系不大。

veil 是一个跑在本地的隐私代理，专门给 Claude Code、Codex CLI、Aider 这类 AI 编程 Agent 当「脱敏中间层」。它在请求离开你电脑之前，把日志、数据库查询结果、文件里的真实姓名、邮箱、电话、地址、证件号和密钥统一替换成稳定的假名，模型拿到的全是 First_Cfbf 这类占位符；等回答回到你这边，真实值再被还原，所以模型能照常分析 bug，却始终不知道客户是谁。它还能通过 MCP 给 Agent 提供一个只读数据库工具，Agent 用假名写查询，veil 在底层把假名换成绑定参数执行，写操作和多语句一律拒绝。典型场景是：你用 AI Agent 调试线上账单重复扣费问题，日志里有真实信用卡和客户地址，又不想让它们进模型供应商的服务器。对需要在合规或客户合同约束下使用 AI 编程工具的后端、数据和安全工程师来说，这东西直接解决「日志能不能喂给模型」的难题；如果你的代码里根本不碰真实用户数据，关系不大。

Axiocairn MCP 是一个托管的 MCP 服务器，让 Claude、ChatGPT 等 AI 助手直接接入一套量化金融分析能力：你告诉它持仓（比如 50% NVDA、30% MSFT、20% SPY），它会算出行业集中度、HHI、日波动率、相对 SPY 的 Beta、下跌日 Beta 和个股相关性，并附上数据日期和统计窗口。它还能做 what-if 情景推演、估算交易成本与容量、检查回测纪律，以及读取平台自己发布的研报，且每条结论都标注数据日期和局限。对个人投资者或做组合研究的人来说，这相当于把「问 AI 我的持仓风险有多大」从泛泛而谈变成有数据支撑的量化回答；对量化研究员，它提供了一套可复用的研报与回测检查工具。适合关注美股组合风险、想在 AI 助手里做持仓分析的投研和量化从业者；纯技术岗或不碰投资的人关系不大。

Kindi 是一个专为低端显卡和 CPU 打造的 LLM 推理引擎，可以理解为 llama.cpp 的「老硬件特化版」。它主打让 1 GB 显存的古董 Quadro K420、GTX 1080、RTX 3080、AMD Radeon 780M 核显乃至纯 CPU 都能跑起 Prism ML 的 Ternary-Bonsai-2 系列三值权重模型（2B 到 27B），也实验性支持 Nemotron 3.5 Bolt E4B，并提供 OpenAI 兼容的服务接口，可直接接入各类聊天客户端、脚本和 AI 编程 Agent。它的实际价值在于榨干被遗忘的硬件：在 K420 上比 llama.cpp 快约 13 倍，CPU 上也快 1.6 到 2.7 倍，prompt cache 对多轮 Agent 场景的提速尤其明显（同一份 9,400 token 文档的第三个问题，0.42 秒对 3.10 秒），且默认输出与 llama.cpp 逐 token 一致。适合手里有闲置旧显卡、想在本地低成本跑小模型做实验的算法和平台工程师；如果你只用云端大模型或高端显卡，这项目和你关系不大。

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。

DecisionPivot 是一套专门评测 LLM 系统中「决策模型」的诊断型基准。所谓决策模型，是指读入一个案例和带固定选项的问题、一次前向输出各选项概率的小模型，它们在系统里负责路由请求、拦截危险工具调用、校验生成结果、判断何时转人工。这个基准的核心玩法是构造「对比组」：同一案例出现两到四次，只改动一个决定性的细节（比如运费让总价刚好越过或没越过限额），答案就随之翻转。它用 pair accuracy 揭穿只看表面模式的模型——这类模型单题准确率能到一半，成对几乎全错。此外还报告 5% 错误率下能自动接管多少工作、置信度校准误差等指标，覆盖生成前可答性、安全护栏、生成后校验、Agent 循环等七类决策点。适合做 LLM 应用评估、Agent 安全与可靠性、模型选型的算法和评测工程师看；如果你的工作不涉及给 LLM 系统加决策/守门环节，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。

FoxProfile 是一个免费开源的反检测浏览器配置管理器，可以理解为自托管版的 GoLogin 或 MoreLogin：每个配置文件都是一个独立身份，各自拥有专属的设备指纹、cookies、代理、时区和语言，底层支持 Camoufox（Firefox 系）和 Chrome 两种引擎。它主要解决多账号运营和网页抓取时的关联风控问题——比如跨境电商卖家同时管理几十个店铺账号、广告投手跑多个投放账户，或者爬虫工程师需要让请求看起来来自不同真实设备，用它就能给每个账号绑定独立指纹和出口代理，还能一键检测出口 IP 与 Cloudflare、ipinfo 等数据源是否一致、是否被识别为机房 IP。项目提供桌面应用、REST API 和 MCP server，意味着 Claude、Cursor 等 AI Agent 可以直接驱动这些浏览器配置去点击、输入、截图。适合做多账号运营、网页自动化和数据采集的工程师，以及想省掉 GoLogin 订阅费的自托管玩家；纯做模型训练或后端开发的人关系不大。

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。

MemForge 是给 AI 编码代理用的记忆层，可以理解为 Claude Code、Codex 这类工具的「团队大脑」。它把散落在 Confluence、Jira、Teams 等系统里的 wiki、工单和聊天记录同步下来，用模型提炼成一条条带出处的短记忆，代理通过 MCP 检索这些记忆，而不是每次从零翻文档。它解决的具体麻烦是：新加入的代理只看得到本地代码库，对团队既有的技术决策、约定和历史一无所知；而直接把整篇文档塞进上下文又太占空间。MemForge 只返回精确的事实并附带原文出处，文档过期或两处说法冲突时会自动更新或标注。适合正在用 Claude Code、Codex 等 AI 编程工具、且团队知识散落在多个协作系统里的研发团队，尤其是需要让代理理解历史决策的工程师；单人开发者或不依赖 AI 编码代理的人关系不大。

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。

MAFDET 是一个本地 LLM 聊天工具，核心卖点是利用你打字的时间提前干活：你还在输入时，它就同步维护 KV cache 把消息读完，甚至让模型提前开始推理，按 Enter 时大部分工作已经完成。实测在 Qwen3-4B 上把回车后的等待从 12.2 秒压到 3.2 秒，14B 从 108 秒降到 47 秒，答案正确率不变；中途删改、粘贴都不影响结果的正确性。它面向普通消费级硬件，参考机型是 6GB 显存的 RTX 2060，也支持 Apple Silicon 和纯 CPU 运行，提供 GUI 和终端两种界面。适合经常在本地跑 Qwen3 等推理模型、又被 prefill 和思考阶段漫长等待折磨的开发者和研究者；如果你不玩本地大模型，这个项目和你关系不大。

这是一个给 Codex 用的 skill，专门帮 AI 智能体在两台 NVIDIA DGX Spark 集群上对开源权重模型做「行为干预」——比如想改掉模型的拒答倾向、调整某种输出风格，又不想从头微调。它不预设具体模型和层号，而是先扫描 checkpoint 的结构，再基于证据推荐干预路线：可以是直接改权重、加运行时旁路、做有界残差修正，实在不行才回退到训练。整个流程强调可验证，要求量化格式下零编辑往返测试通过，并用可恢复的证据台账记录计划、候选、发布各道关卡。适合做模型对齐、行为安全、量化部署的研究员和推理工程师，尤其是手上有 DGX Spark 双机、需要系统化做模型编辑实验的人；普通应用开发者或只调 API 的人关系不大。

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。

heditor 是给 Claude Code、Cursor、Codex 这类 AI 编程 Agent 用的视频剪辑技能包，装上后你直接用自然语言下指令，比如「把这段剪成 podcast 风格」或「用 GTA 6 的感觉处理 12:30 到 13:40」，Agent 就会全程本地完成：分析画面找到说话人、按词级时间戳转录并挑出 30-70 秒的完整观点、帧级精剪并压缩停顿、为每条视频单独设计视觉方案，再用 HTML+GSAP 合成渲染，最后混音时保证人声始终在前、背景音乐和音效压在后面。它内置十几种命名风格，从电影感、惊悚监控录像、复古游戏 HUD 到纪录片、聊天 App、机场塔台，甚至能生成人物分身在不同场景间瞬移。适合做 Reels、Shorts、TikTok 竖屏内容的创作者和内容团队，以及想把口播素材批量变成成片的运营；如果你不做视频，跟你的关系不大。