Exuvia（蝉蜕）是一个为 AI Agent 设计的 Android 加壳脱壳与修复流水线，主打「机械分析零 token、瓶颈外包给 LLM、最终判定由 Rust 侧给出」。它分两条线：一是脱壳，静态解剖 APK 产出结构化报告和证据切片，把真正需要智能判断的部分打包成工作包交给外部大模型，工具本身不调用模型也不假装理解；同时支持运行时动态抓取 DEX，不依赖特定壳家族。二是修复，这是它的差异化卖点——市面上第三方 dumper 很多，但没人能把 dump 出来的 DEX 修回能真正启动的 APK，Exuvia 走完类清理、去织入、方法体还原、manifest 手术、签名全流程，README 称已在真实企业壳样本上闭环验证。适合做 Android 安全研究、逆向分析、脱壳工具链的从业者，以及想让 AI Agent 自动化处理加壳 APK 的人；普通开发和纯 AI 应用岗位关系不大。

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。

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。

这是一个自动更新的案例索引库，收录用 REA（reverse engineer anything）这个逆向工具做出来的优秀案例。REA 本身能把你的 coding agent 接到二进制文件、JavaScript/Electron 应用、.NET 程序集和网站的分析工具上，带证据地解释软件功能是怎么实现的；而这个仓库则把社区里用它「看懂、重建、复刻」出来的成果——官方案例、开源项目、博客和讨论——每天从全网抓取汇总，目前已有 264 条，还配了一个可按标签筛选和搜索的可视化页面。案例内容相当具体，比如 Notion 如何复制文本和 HTML、身份验证器如何生成登录码、DX-Ball 的声音定位算法、CTF 的 flag 校验器怎么写，以及用 REA 构建强化学习环境等。值得看的是安全研究、逆向工程、二进制分析岗位的从业者，以及想了解 AI agent 在真实逆向场景里能做到什么程度的 AI 工程师；如果你的工作和逆向、安全无关，这个索引库基本可以跳过。

AI-KIT 解决的是一个很具体的痛点：每次开新对话都要重新向 AI 解释你的项目背景。它给你的项目生成一套持久的「项目记忆」和针对不同技术栈的规则文件，让 ChatGPT/Codex、Claude Code、Cursor、Windsurf、Devin 等 11 种 AI 编程客户端都能读到同一份上下文，换工具不用重讲。除了基础的上下文工程，它还提供自适应模型路由策略、Docker 和 Kubernetes 就绪的容器指导，以及集成 Cloudflare 安全审计和 Strix 渗透测试的结构化安全审查流程。安装前可以先预览改动再应用，避免覆盖已有配置。对日常在多个 AI 编程工具间切换、又懒得反复粘贴项目说明的开发者来说值得一看；如果你只用单一工具且项目简单，关系不大。

jevfetch 是给 Claude Code、Codex 这类编码 Agent 用的网页读取工具，可以理解为 WebFetch 的替代品：它把网页切成若干块，用 TypeSafe 的判断模型 Jev 筛出真正回答问题的段落，连同标题路径原样返回给 Agent，而不是像 WebFetch 那样让小模型转述大意。这样既省上下文又保留原文，方便 Agent 直接引用。官方在 30 个文档问答上测试，相比 WebFetch 让 Agent 耗时减少约 47%，成本基本持平，且几乎不牺牲答案准确率；在 Exa 的编程问答集上，137 题全部答对。它适合经常让 Agent 查长文档、长网页找具体事实的开发者，比如查某个 API 参数的确切行为、某段配置的准确写法——这类场景下转述容易失真，逐字引用才可靠。如果你平时不用编码 Agent 读网页，这个项目和你关系不大。