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。

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。

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。

这是一个校园知识服务问答平台，可以理解为把学校官网散落的通知、竞赛、学籍和办事指南做成一个能溯源的智能问答系统。它用 FastAPI 搭建，本地跑 Qwen3 模型，先采集归档官网页面和附件，解析 PDF、Word、表格甚至扫描件，再按年份、学期和文档版本做检索，回答时必须附上原文证据窗口和来源链接，避免模型凭空编造或混用往年政策。多轮追问会继承事项和年份条件，教师还能在后台核对字段、审核发布或撤回，防止候选信息被当成正式政策。如果你在做 RAG 应用、知识库或 Agent 工作流，尤其是关心证据溯源、时间范围限定和人工审核环节，这个项目的工程实践很有参考价值；只想找现成校园问答服务的普通用户则关系不大。

nninteractive-agent 把 3D 图像交互式分割工具 nnInteractive 包装成 MCP 服务，让 Claude Code、Codex 等 AI 编程代理用自然语言完成医学影像标注。用户只需说「把肝脏和脾脏分别分割出来」，代理就会自动在 CT、MRI、显微图像上画框、点标记，检查 3D 结果并像人工标注员一样反复修正。在 14 张公开 CT/MRI/PET 图像的基准测试中，Claude Code 和 Codex 平均 Dice 达 0.81-0.85，明显优于 nnInteractive 单独使用（0.71）和纯文本分割模型 VoxTell（0.54）。适合医学影像、生物信息领域的研究人员和标注团队，尤其是需要批量分割但缺乏标注人力的场景；对多数互联网和 AI 从业者关系不大。

这是一个本地运行的 MCP 服务，让 Claude Desktop、Cursor 等 AI Agent 能直接检索你的微信和钉钉聊天记录。它在本地解密客户端的 SQLite 数据库，用 FTS5 建全文索引，全程只读、数据不出本机，毫秒级响应。它能干的事很具体：按关键词搜「群里谁发过关于某需求的讨论」、按时间范围拉取上周某群的对话、汇总某天所有沟通生成日报、查群成员和联系人、找回群里发过的 Excel 或截图，还能做群活跃度统计、成员画像和沟通风格分析。对微信支持 4.x/3.x，对钉钉支持 7.x 的 V2/V3 版本。值得看的是需要频繁翻聊天记录找信息的人——比如用 AI 做知识管理、日报周报、项目复盘的从业者，或者想让 Agent 读取工作沟通上下文的 AI 工程师；如果你平时很少回头查聊天记录，这项目和你关系不大。

这是一个把 DeepSeek-V4.1-Flash 模型跑在两台 NVIDIA DGX Spark（GB10）上的推理部署方案，核心是作者自己改的 TensorFold 引擎分支，用 2.9bpw 量化加双机张量并行，实测解码速度约为标准 vLLM 部署的 2.1-2.3 倍：散文 57 tok/s、代码 92 tok/s，32K 长提示的预填充速度约 2,200 tok/s，还把上下文窗口拉到 1M token 并通过了百万级大海捞针测试。它面向需要长上下文和低延迟的场景，比如让 Agent 高频调用工具、对同一份长文档反复追问（前缀缓存让第二次提问的首字延迟从 13 秒降到 1 秒），支持强制工具调用、结构化输出和 4 路并发。适合手里有 DGX Spark 硬件、正在为本地大模型部署做性能选型的推理工程师和基础设施负责人参考；README 也注明完整硬件验证尚在进行中。如果你不打算在双机 GB10 上部署 DeepSeek，这个项目和多数人关系不大。

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。

这是一个把你的 Garmin Connect 运动手表数据接入 Claude、Cursor 等 MCP 客户端的 MCP server，让你可以直接用自然语言问自己的健康数据，比如昨晚睡得怎么样、HRV 趋势、Body Battery、压力、训练负荷、体重，或者某次跑步的详情。它走的是 Garmin 官方 2026 年 10 月开放的 Personal API，用可撤销的密钥换取短期令牌，不需要你的 Garmin 密码，也不靠爬虫，因此比那些用非官方库模拟登录的同类 MCP server 更稳定，且全程只读、无法改动你的账号。它还做了些贴心处理：接口有日期上限时自动拆分请求，全天采样数组默认省略以控制返回给模型的体积。适合戴 Garmin 手表、又习惯用 AI 助手做日常分析的从业者，比如想让 Claude 帮自己复盘训练周期、追踪恢复状态的运动爱好者；如果你不戴 Garmin 或不关心个人健康数据分析，这个项目和你关系不大。

这是一套给 Claude 用的求职技能包，把找工作拆成十一个环节：从抓取 Greenhouse、Lever、Ashby 等 40 多家公司公开职位并按匹配度排序，到针对每个岗位重写简历、生成公司调研简报、优化 LinkedIn 文案，再到替你起草给招聘经理的破冰邮件、模拟面试、算总包谈薪、跟进提醒和投递进度追踪。它解决的是海投石沉大海的痛点——与其投几百份简历没回音，不如先拿到 warm intro，让简历读起来就像职位描述本身。所有外发内容都先存为草稿等你确认，不会替你擅自发送；简历和求职信只重排真实经历，绝不编造。适合正在积极求职的工程师、产品经理等岗位候选人，尤其是想系统化管理投递流程、需要针对性改简历和准备面试的人；如果你暂时没有换工作打算，和你关系不大。

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。