MaiWeave（麦织）是给 MaiBot 加装的一套「角色生活引擎」，让聊天机器人不再只是被动应答，而是拥有自己的日程、作息和连续经历。你可以直接用聊天的方式约它明晚看电影、安排每周散步，或者把 TXT、EPUB 放进它的书架让它自主选书阅读并留下读书笔记；它会根据精力、心情、天气和地点自主安排活动，还能记住人物关系、生日纪念日，写日记、做梦、主动找你聊近况。本质上它解决的是 AI 角色「每次对话都像失忆重来」的问题，把零散对话串成有连续性的生活轨迹。适合做 AI 陪伴产品、虚拟角色或 Agent 应用的开发者参考，看别人如何设计长期记忆、日程调度与主动交互机制；如果你不玩 MaiBot 生态，和多数人关系不大。

InstantTrack 是一个让人形机器人快速学会「照着参考动作跳舞」的训练框架，目标机型是 Unitree G1。它属于动作模仿（motion tracking）这一类：给一段人体动作捕捉数据，训练出一个策略，让机器人在仿真里把动作复现出来。它的卖点是快——在一张 RTX 5090 上约 7 分钟就能把 40 段 LAFAN1 动作全部训到可用水平，且零失败，比 SuperMimic + EMA 的方案快 4.7 倍，同时脚部接触更干净、身体朝向误差更小。做法上它把 SuperMimic 的可微世界模型和 InstantMimic 式的 GPU 训练循环结合起来，用 Muon 优化器和 CUDA graph 进一步压榨速度。项目还预告了 InstantGMT，把这套思路推广到 VR 遥操作的人体动作库上。值得看的是具身智能和人形机器人方向的研究者与工程师，尤其是正在做动作模仿、遥操作策略训练、需要频繁迭代实验的人；如果你不碰机器人强化学习，这个项目和你关系不大。

Chaos 是一门把智能体当作可调用值的编程语言：普通计算写成函数，理解与生成交给 agent，两者在同一个程序里传数据、协作执行。比如你可以声明一个带角色和提示词的 agent，像调用函数一样传入问题让它回答，纯计算部分则完全不需要模型密钥。它自带 CLI 和网页 IDE，程序的返回值可以直接是页面、表格、图表等可交互的交付物，还能通过事件流和运行网络观察每个节点的执行过程。典型场景包括把规划、执行、复核串成多 agent 工作流，或构建围绕目标持久工作的 bot，以及把计算结果变成实时更新的看板报告。适合想用代码而非编排平台来组织多 agent 系统的 AI 应用工程师和全栈开发者；如果你只是调用现成 LLM API、不碰工作流编排，和你关系不大。

PlantCraft 是一套面向流程工业（化工、制药、能源等工厂）的开源工业软件套件，把 Historian 数据采集、信号分析、报警管理、看板、流程模型和文档库整合到一个平台里，对标的是 OSIsoft PI 加各类商业组态软件的组合。它对工厂只读，不写 DCS/PLC，可离线部署；每个页面内置 AI 助手，能根据你的描述自动生成分析方法、报警规则、看板或模型，也能基于工厂自身数据和文档回答问题，还提供只读 MCP 接口让你自己的 AI 读取工厂数据。Analytics 会自动巡检所有控制回路和信号，优先报出最差的并说明原因，比如坏数据、回路振荡、阀门卡涩。适合流程行业的工艺工程师、仪表与控制工程师、工厂运维数据团队，以及做工业 AI 应用的开发者；纯互联网或通用 AI 岗位的人关系不大。

这个项目把罗马尼亚的法律体系整个搬进了 git 仓库：每部法律的每一条单独存成文件，法律每次修订生效当天生成一条 commit，而做出这次修订的那部法令就是 commit 的作者。于是你可以直接用 git blame 查某一段文字是哪部法律改的，用 git log 看某一条的完整修订史，也可以用配套工具查询任意历史日期当天生效的法律文本，比如 2014 年 10 月 18 日的《民法典》第 1112 条长什么样。数据覆盖宪法、法律、政府紧急法令等各类规范性文件，来源是罗马尼亚司法部的官方立法门户，每次修订都标注了出处页面。对做罗马尼亚市场合规、法律科技产品或跨境法务检索的人来说，这是一份可直接程序化查询的结构化法律语料；如果你的工作和罗马尼亚法律无关，那它基本用不上。

这是对俄罗斯独立媒体 novayagazeta.ru 的抢救性存档：网站已宣布 2026 年 11 月 9 日关停服务器，该项目赶在截止日前把 2000 至 2026 年间的 93,933 篇文章连同配图抓取为 Markdown 文件，共 1.1 GB 文本和 8.3 GB 图片，按日期归档。它不依赖浏览器和第三方包，只用 Python 标准库直接读取页面内嵌的 JSON 数据，因此速度很快，约每秒 14 个请求，两万篇二十分钟即可完成；由于站点不公开完整索引，脚本还从 sitemap、Common Crawl、搜索接口和 Wayback Machine 等多个来源拼凑 URL，抓取可断点续跑。对做俄语语料、新闻文本挖掘或媒体史研究的人来说，这是一份现成的大规模语料库；如果你的工作与俄语内容、新闻数据无关，这个项目基本不用看。

OpenVLHarness 是一个让多模态大模型（MLLM）变成「会用工具的视觉推理者」的框架，无需微调，模型通过原生工具调用就能在视觉空间里思考和写代码。它内置九种能力：用文字定位物体、OCR 读图、深度估计、相机轨迹、放大细看、文本与图片搜索、访问网页，以及一个 Python 编码代理，每种能力都返回模型可读的证据。配合多模态记忆，图片、框、掩码、深度图和网页引用在整道题中都可被后续工具和代码复用。例如模型可以先定位物体、估算深度再计算空间关系，或裁剪陌生物体做以图搜图并到网页验证答案。在四个领域 22 个基准上，七个骨干模型平均提升 9.7 到 12.6 分。适合做多模态 Agent、视觉推理评测或研究工具调用的算法工程师和研究员，普通后端或前端开发者关系不大。

这是一套给 DeepSeek 模型用的 Agent skills，目标是让便宜模型在 Claude Code、Cline、Codex 这类编程助手里表现得更像昂贵的前沿模型。它针对廉价模型的常见毛病——跳过规划、没跑就宣称修好了、在同一个坏点子上反复重试、长任务跑着跑着跑偏——每个 skill 用一个短循环加硬性停止条件来堵住，比如改完必须跑真实检查、失败两次就换思路、长任务靠进度文件在新上下文里接着干。它还提供并行多路尝试取最优、多模型评审、自动提 PR 和盯 CI 等玩法。适合日常用 DeepSeek 当编码执行者、又嫌它不稳的开发者，尤其是想在长任务和无人值守场景里省心的人；如果你不用 DeepSeek 或不玩 Agent 编程，关系不大。

FPO 是一篇 ICRA 2026 论文的官方代码，做的事情是用强化学习继续微调机器人操作模型 pi0。pi0 这类 Vision-Language-Action 模型靠模仿学习训练，遇到训练数据里没见过的情况就会失手，比如从侧面抓方块失败。FPO 的思路是把 PPO 式的策略优化搬到 flow-matching 策略上：由于 flow 模型算不出似然，它用条件流匹配损失的逐样本变化构造一个无似然的比率，配合裁剪目标和 Q 集成估计优势，在冻结的 pi0 外面套一个 actor-critic 做在线微调。论文里 LIBERO 四个套件的平均成功率从 85.5% 提到 87.2%，ALOHA Transfer Cube 从约 40% 提到 65% 以上。做机器人操作、VLA 模型或 flow-matching 策略强化学习的研究者和工程师值得看，普通算法工程师关系不大。

Ghostman 是一个跑在终端里的 API 调试工具，可以理解为 Postman 的轻量替代品：同样是构造 GET、POST 等 HTTP 请求、查看响应，但它不走 Electron 那套重型客户端，内存占用只有约 30MB，冷启动不到 200 毫秒，全程键盘操作，请求集合以纯文本存在本地，可以直接提交进 Git。它还内置了一个 webhook 监听服务，本地起一个端口就能实时抓取 Stripe、GitHub、Shopify 或微服务回调的 payload，省掉再开 ngrok 或 webhook.site 的麻烦，并附带 DNS、TTFB 延迟和状态码等指标。适合后端开发、接口联调和 DevOps 岗位里习惯终端工作流、反感 Postman 强制登录和资源占用的人；前端或纯 AI 岗位日常用 Postman 就够了，关系不大。

Purrge 是一个 AI 磁盘清理工具，可以理解为「让 Claude Code、Codex 等 AI 帮你判断哪些文件能删」的智能版 CleanMyMac。它在后台定时检测磁盘剩余空间，低于阈值时弹窗提醒，随后扫描缓存、安装包、媒体文件和历史项目，调用本机的 AI 引擎逐项说明每个候选文件的用途、闲置时长和清理影响，最后由你在审查页面勾选确认后才真正执行删除，AI 本身没有删除权限，可重建的缓存默认选中、用户文件默认不选。它支持 macOS 和 Windows，清理的文件先进回收站，还内置了低空间预警、一条命令更新和干净卸载。适合磁盘常年吃紧的开发者，尤其是装了 Claude Code、Codex 等 AI 编程工具、缓存膨胀快的人；如果你的硬盘空间充裕，或者不信任 AI 参与文件决策，这个项目和你关系不大。

这是一个给 AI Agent 用的技能包，让 Codex 或 Claude Code 直接帮你剪出一支卡点匹配剪辑（match cut）风格的产品宣传片：同一个形状或动作在不同世界之间延续，每一刀严格卡在音乐节拍上，最后落到产品主镜头和片尾 Logo。你只需用自然语言说「给新款水杯做一支 20 秒宣传片」，它会先确认生图工具连通并说明各环节计费，再收集产品信息和官方图，给出切入角度、分镜结构、文案和预算，然后可以选一口气交付或在方案、粗剪、成片三个节点分别确认，最终给你 1080p mp4、ProRes 母版和分轨。README 里有折叠屏手机和巨无霸汉堡两支试作案例可看效果。适合做品牌营销、短视频运营或独立开发者，想快速产出高质量产品宣传片又请不起专业剪辑团队的人；纯后端或算法岗基本用不上。

bootgpt 是一个把语言模型塞进硬盘主引导记录（MBR）的极客项目：开机后不加载任何操作系统，直接在 16 位实模式的 386 上跑一个 11.5 KB 的 int8 量化小模型，让它「做梦」出一段 Linux 启动日志——时间戳、PCI 设备、ACPI 事件，全是不存在的硬件。模型只有 8 字符上下文和一个隐藏层，输出质量约等于乱码版 dmesg，但字符级输出与 Python 模拟完全一致。整个推理引擎压缩在 510 字节的引导扇区里，权重和词表放在后续扇区，前向传播只用整数乘除完成。它属于 boot sector demoscene 的 sizecoding 传统，和 sectorllm 等项目一脉相承，只是走了「极致小而专」的路线。对多数从业者来说这更像行为艺术而非生产力工具，值得花两分钟看的是它展示的量化与整数推理技巧；真正会动手研究的是做底层推理、模型量化或对 demoscene 感兴趣的工程师。

这是一个由买方机构和高校联合推出的股票投资研究基准，用来检验 AI Agent 能不能在不偷看未来的前提下完成真实的投资研究工作。它把模型关进一个「时间冻结」的环境：语料库只包含某个历史截止日之前发布的财报、电话会、研报、持仓和新闻，共 343 万份文档版本，任何检索和计算都无法越界拿到之后的信息。任务由资深买方研究员设计，覆盖机会筛选、证据核对、盈利预测、估值决策、观点更新到完整研报，以及价格和波动率预测，共 86 项。评分不只看报告写得像不像样，还拆开检查证据链、假设、计算是否自洽，并把预测和后来的真实结果、模拟收益分开打分——比如让模型预测 Tesla 某季度交付量，分析满分但预测全错照样拿不到分。适合关注 AI Agent 在金融场景落地能力的研究员、做 Agent 评测的工程师，以及想了解大模型投资研究真实水平的从业者参考。

rsi_eval 是一个用来评测「递归自我改进」（RSI）方法的轻量级 Python 工具，你可以把它理解成给 RSI 实验用的统一评测台：你自带改进循环，它负责把候选方案丢进现成的 agent 基准里跑分，再把每题得分、执行状态、token 消耗、验证器输出等反馈以统一格式还给你，省去自己对接各家 benchmark 执行和结果处理的麻烦。它内置 24 套评测配置，覆盖 Terminal-Bench、SWE-bench Verified、LiveCodeBench、MMLU、GPQA、ARC-AGI 等编码、推理、工程和领域工作流任务，也支持接入自定义任务，实验过程可快照记录并断点恢复。适合做 agent 自我改进研究、需要横向比较不同 RSI 策略的算法工程师，以及想在统一协议下跑多套基准的 LLM 评测人员；如果你不研究 RSI 或不做 agent 基准评测，跟你的关系不大。

这是一个持续更新的逆向工程案例合集，收录了大量借助 AI 编码助手（如 Claude、Codex）配合 REA 这类工具完成的真实逆向项目。REA 的作用是把 coding agent 接到本地逆向工具上，让 AI 能直接分析二进制文件。合集里的案例非常具体：比如用 Claude 研究 Tapo 智能家居协议后做出局域网控制工具、逆向 Fractal Scape 耳机的 USB HID 协议写出独立控制端、把 1999 年的 MechWarrior 3 逐函数重建成现代 C++ 版本、以及给老游戏做兼容启动器。每个案例都标注了证据状态和验证程度，能帮你分辨哪些是实测、哪些只是作者自述。如果你是安全研究员、做设备协议开发或游戏复刻的工程师，或者单纯对「AI 辅助逆向」这个新工作流好奇，这份列表能快速给你提供参考案例；如果你不碰二进制分析，关系就不大。

agentplay 是一个本地运行的 coding agent 会话回放工具，把散落在 ~/.claude、~/.codex、~/.cursor 等目录里的对话记录，转成一张可交互的地图和一条可播放的时间线，让你看清 agent 到底读了什么、改了什么、哪里失败、最终产出了什么。它兼容 Claude Code、Codex、Cursor、Copilot、OpenCode、Kiro、Gemini CLI 等主流工具，一条命令即可扫描本机已有会话并打开本地查看器，无需账号和 API key，数据不出机器。地图以放射树展示会话触及的仓库、文件、shell 命令、MCP 服务、子 agent、错误和产出的 commit/PR；时间线支持 1x 到 16x 回放，按 prompt、错误、编辑、token 消耗、上下文占用等分轨展示，还能按任务或单个子 agent 重新聚焦。适合重度使用 AI 编程助手、想搞清楚「agent 为什么改错文件」「上下文在哪一步撑爆」「哪个命令反复重试」的工程师和团队负责人；偶尔用一下 agent 的人关系不大。

这是一个装在 Codex 里的对话技能，帮对 AI 芯片方向感兴趣的初学者做探索：先了解你的专业背景、可投入时间和设备，再带你认识芯片领域的不同方向，设计 15-30 分钟就能完成的轻量任务让你实际感受某类工作在干什么，或者围绕你已有的科研 idea 查找相近文献、整理可验证的检索关键词。它也支持切换到其他行业，比如你贴入机器人领域的资料或论文链接，它会明确说明实际读到了什么，而不是把芯片那套话术原样搬过去。项目明确声明输出只是探索建议，不是就业预测或能力测评，且目前是第一版草稿，测试多为模拟、真实用户验证尚未完成。适合电子信息、计算机相关专业的在校生，尤其是想了解 AI 芯片有哪些细分方向、要不要往这个方向走但缺乏信息渠道的大一大二学生；已经在行业内的人基本用不上。

这是一个本机运行的 AI 学习工作台，可以理解为「带 RAG 检索的苏格拉底式辅导老师」：你上传课程讲义或习题资料，它先用 BGE 向量化建索引，再结合检索到的原文内容，通过多轮对话逐步给你提示而不是直接甩答案。它能针对你的作答给出错因反馈、分步讲解和变式练习，还能把每道题的提问、作答、反馈保存下来，下次接着学。技术栈是 Next.js 加 FastAPI，向量索引和记录都存在本地，只有教学回复和判分会调用你配置的聊天模型 API。适合想做 AI 辅导类应用、教育 Agent 或 RAG 检索实践的开发者参考其架构；单纯想找个刷题工具的普通学习者也能用，但需要自己准备模型 API 和课程资料。

Moodle-MCP 是一个零依赖的 MCP server，把全球大量高校在用的 Moodle 教学平台的 Web Service API 封装成十个只读工具，让 Claude、Cursor 等 MCP 客户端直接读取课程数据，不用开浏览器、不用爬虫。它能列出你选修的所有课程，把未提交的作业按「快到期/已逾期/不着急」分类并算出剩余天数，读取测验的作答状态和成绩，还能按周下载课件和作业附件到本地文件夹，甚至生成一份包含新增内容和截止日期的周报。配套的 moodle-course-watch skill 在此基础上做课程内容差异对比和未交作业提醒。适合两类人：一是高校学生，用它在 AI 助手里统一管理多门课的作业、测验和资料，避免漏交；二是给学校做教育工具的开发者，Moodle 之前没有通用 MCP server，这是现成的接入层。如果你既不用 Moodle 也和教育场景无关，这个项目基本用不上。

Frontier UI 是给 Open WebUI 加的一层「ChatGPT 式界面」：模型不再只吐 markdown，而是输出一小段 JSON 描述，服务端负责找真实照片、在地图上画真实街道路线，最后在对话里渲染成卡片。它能做旅行规划——比如七天行程按天分 tab、地图上标路线、预算滑块算人均、加日历；也能做实时天气、股票行情图表、链接预览截图，还能把卡片一键导出成 Word/Excel/PPT。图片和地图数据走 Wikipedia、OpenFreeMap 等免费源，不需要 API key，单文件部署。适合自建 Open WebUI、跑本地模型又想要更像产品的交互体验的开发者；如果你不维护 Open WebUI 实例，这个项目和你关系不大。

CRAB 是一套让 AI Agent 不看源码、只靠观察行为来重写软件的工具包。它把目标程序当成黑盒：驱动 CLI、网页或 Android 应用运行，抓取输出、无障碍树和 API 交互，再由 Agent 归纳成行为规则并逐条对照原程序验证，最后生成一份规格说明书，交给另一个 Agent 按规格从零实现，再用同一套测试比对克隆版与原版的通过率。过程中它会主动注入故障（5xx、断网、超时、畸形响应等）逼出边界行为，检查覆盖率缺口，并拦截任何照抄原文的表达。实际效果上，它在没见过的网页应用上隐藏测试通过率约 97% 以上，CLI 工具更是 397/397。适合做逆向工程、竞品分析、遗留系统重写或需要 clean-room 复现的团队；普通后端或 AI 应用开发者若无此类需求，关系不大。