这是一个跑在 DeepSeek Harness（DSH）上的 AI Agent 技能：你在 B 站评论区 @ 它提到的某个视频，它会先从 @ 通知里核对昵称、定位到正确的视频，再本地转写文字稿并抽取关键画面看懂内容，最后以你的身份在评论区回一条内联评论——教学类视频会给出可点击跳转的分章时间戳，玩乐类则回一句情绪反应。它解决的是「B 站 @ 通知只有评论文字、没有视频链接」这条断掉的链路，还踩平了发错位置对方收不到通知、盲取列表第一条点错视频等真实坑，并支持每 30 秒自动检查 @ 的看门狗模式。适合想在 B 站做自动化互动、内容运营或折腾 Agent 技能的开发者；注意它必须配合能操控已登录浏览器的自动化工具（如腾讯 BrowserSkill）才能工作，且会以你的身份公开发言，建议用小号。

OntoSmith 是一个从文档批量构建知识图谱的流水线，底层用 Neo4j 存储，支持向量、全文和图遍历混合检索。它和常见 GraphRAG 工具最大的不同是先定 schema 再抽事实：你先设计一份扁平的实体与关系类型清单（含定义和边界样例），人工批准后，便宜的模型只负责提出候选三元组，内置的决策模型 Jev 逐条对照原文证据判定是否成立，通过的才写入图，且每条都携带证据片段和来源，每次构建前还会先估算成本。它明确不做 OWL 那种带继承和推理的形式本体，也不做类层级，图里没有推理，只有可度量的逐类型判定质量。适合需要把合同、报告等语料变成可审计知识图谱的人，比如做 RAG 检索、Agent 数据底座或信息抽取的工程师，README 里就有用 CUAD 供应合同跑出的 42 实体、77 条三元组实例；如果你不涉及知识图谱建设，和你关系不大。

LumaBrowser 是一个把本地 AI 全家桶塞进一个桌面应用的 Chromium 浏览器：内置 llama.cpp 推理运行时、OpenAI 兼容 API、聊天与 Agent、Stable Diffusion 图像视频生成、TTS 和音乐，还带 MCP server 让 Claude Code、Codex、Cline 驱动你的浏览器。它会先读你的显存，在下载模型前就标出哪些模型装得下、预计多快，也能直接复用 LM Studio、Ollama 或 Hugging Face 缓存里已有的模型，避免重复下载。聊天时让它联网查资料，它会自己开标签页读页面作答，而你的标签页和登录状态始终留在本机。对多数人来说，如果你只是用云端 ChatGPT 或 Cursor，这项目关系不大；但想在自己机器上跑本地模型、做隐私敏感的浏览器自动化，或需要给终端里的 coding agent 一个真实浏览器的人，值得看看。

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。

这是一套给 DeepSeek Harness（DSH）用的插件合集，装一个包就能拿到全部插件，也可以单独安装其中一个。目前合集里最实用的是 Sessions Insight：它能打开 Claude Code、Codex 或 DSH 的会话记录，让你看清每一轮对话实际喂给模型的内容——消息构成、工具调用、上下文压缩发生在哪一步、这一轮花了多少钱，还支持确认后删除会话。对日常用 AI 编程工具的人来说，这相当于给黑盒会话加了一层可视化审计。如果你是重度使用 Claude Code 或 Codex 的工程师，经常遇到「上下文怎么突然被压缩了」「这轮为什么这么贵」这类疑问，这个插件值得一看；如果你不用这类 AI 编程助手，它和你关系不大。

wtfibought 是一个让 LLM agent 用虚拟资金实盘交易的公开竞技场，可以理解为「给 AI 交易员看的真人秀加排行榜」。你自带模型和 API key，设定杠杆区间、保证金预算和唤醒频率，agent 每次醒来在最多三个标的上决策，所有推理过程、开仓论点、失效条件和事后复盘全部公开可看，还能每天自我打分并写进经验账本，让「它怎么想的」成为可追溯的连续记录。行情覆盖代币化美股、加密现货与永续合约、大宗商品以及五分钟 BTC 涨跌市场，结算规则对齐真实资金费率和杠杆层级，但资金全是模拟的。适合两类人：想横向对比不同模型在真实行情下决策质量的 AI 工程师和评测研究者，以及对 agent 推理透明度、可观测性设计感兴趣的开发者。如果你不关心 LLM 交易或 agent 行为分析，这个项目和你关系不大。

这是一个把约3000万参数的decoder-only Transformer语言模型塞进ESP32-S3单片机里离线跑的个人实验项目，模型从零训练，权重和分词器已随仓库提供，不需要联网也不需要API key。它在XIAO ESP32-S3加圆形触摸屏上提供触屏键盘聊天界面，在DevKit上则通过USB对话，能回几句简单寒暄，比如问how are you会答I'm doing okay。但能力非常有限：上下文只有64个token，一次最多生成24个token，速度慢到每秒不到1.5个词，回答容易重复跑题，连基本算术都不可靠，作者自己也标明这是能力受限的个人实验。对多数互联网和AI从业者来说它没有实用价值，值得看的主要是做嵌入式AI、端侧推理或对Transformer在极低算力设备上如何量化部署感兴趣的人，以及想了解LLM从训练到固件落地全流程的硬件爱好者。

这是一个 MCP server，让 Claude Code、Cursor、Windsurf 这类 AI 编程助手直接生成游戏素材并写进你的项目仓库，而不是只在聊天窗口里给你一段描述。它覆盖了从概念图到可用资产的整条链路：输入提示词或参考图，能产出带 idle/run/attack 动画的绑定骨骼角色、自动吸附到手骨并握紧的武器、可无缝平铺的材质贴图、带出生点和路线的俯视地图、VFX 特效与 HUD 血条套件，还能把模块化玩法套件组装成可直接在浏览器打开试玩的 Godot、Unity 或 Unreal 项目。生成的资产会进入一个可搜索的 Library，支持按标签检索、依赖解析和回滚。适合正在用 AI 辅助开发独立游戏的程序或技术美术，尤其是想让 agent 直接产出引擎可用资产而非占位模型的人；纯后端或算法岗与它关系不大。注意生成需要 GripForge API key，服务端完成渲染。

agent-honeypot 是一个给「不请自来的 AI agent」准备的蜜罐：它在系统里放置一个 flag.txt，内容是一段礼貌的 prompt injection，告诉误入的 agent「你找到我了，别再乱翻，去报告吧」，同时留下一个 guestbook 让它签名，记录自己是谁、怎么进来的。它会把 flag 软链到访客常翻的路径（家目录、/etc、C:\、临时目录等），并豁免你自己的 agent（Claude Code、Codex、Cursor 等），避免它们被打扰。适合关心 agent 安全边界、想在开发机或 CI 容器里观察「有没有陌生 agent 在乱逛」的安全工程师和平台开发者——注意它只是检查点而非安全边界，flag 内容本身不构成权限控制，guestbook 也只是自报信息。对不跑 agent 或不做安全防护的人来说关系不大。

这是 DeepSeek Harness 的一个社区插件，用来让模型自己管理上下文窗口。Harness 自带的自动压缩是按 token 压力和长度来裁剪历史的，分不清哪些消息属于刚做完的子任务；这个插件改成「黑板区块」模式：模型在跑代码时给消息打上区块标签，任务做完后自己写一段交接摘要，把该区块的原始消息替换成摘要，腾出上下文。原始对话仍完整保留在只读日志里，人类看到的记录不丢，重放也保持确定性。它不额外调用摘要模型，摘要由模型在程序里自己提交，因此省掉一次模型往返。要注意 README 里明确说，上下文变小不等于缓存命中率更高或账单更低，替换历史可能让缓存后缀失效。适合在 DeepSeek Harness 里跑长任务、多子任务 Agent，关心上下文成本和缓存命中率的 AI 应用工程师和 Agent 开发者看看；不直接用 Harness 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。

这是一个游戏外挂类仓库，声称是 Elden Ring 的「增强套件」，提供 ESP（透视）和无后座等功能。从话题标签看，它混杂了 Destiny 2、PoE2、souls 系列等多个游戏的关键词，还夹带 LLM、Django、bungie-api 等技术标签，明显是为了蹭搜索热度堆砌的。这类工具通常绕过游戏反作弊机制，属于违规甚至可能违法的软件，使用风险极高，也可能捆绑恶意代码。对绝大多数读者来说，这个项目与工作无关，不建议下载或研究；如果你是做游戏安全或反作弊方向的，倒是可以把它当作一个观察样本，看看这类仓库如何用关键词堆砌来获取曝光。

InterviewCopilot 是一个面向求职者的 AI 面试助手，定位类似「面试版的 Copilot」：在你准备面试或正在面试时，实时听懂问题并给出回答建议。它结合语音识别与大模型，把「学习」和「拿到 offer」之间的断层补上——比如你刷完八股文却不知道怎么组织成口语化的回答，或者面对行为面试题（如「讲一次你解决冲突的经历」）一时卡壳，它能现场帮你梳理思路、生成参考答案。从标签看它还带 agentic 能力，可能支持多轮追问模拟。不过仓库话题里混入了大量 cheat-engine 相关标签，与项目本身无关，像是蹭热度堆砌，看的时候留意一下。对正在海投、需要高频模拟面试的应届生和转岗工程师来说值得翻翻；如果你暂时没有面试需求，关系不大。

这是一个针对《Call of Duty: Modern Warfare 4》的桌面端 FPS 优化小工具，主打智能帧率提升、性能调优、进程管理和实时监控，声称能改善游戏帧数与稳定性。从描述和话题标签看，它更像是一类常见的「游戏加速器/帧率优化器」，主要通过调整系统设置、管理后台进程来腾出资源给游戏。不过需要提醒的是，仓库话题里堆满了 fps-booster、no-lag 之类的 SEO 标签，主要语言是 HTML 而非典型的桌面应用技术栈，Star 数也不高，实际功能和效果存疑，建议先看清楚它到底做了什么再决定是否尝试，谨防空壳或夸大宣传的项目。对多数互联网和 AI 从业者来说，这与日常工作关系不大，除非你是游戏行业做性能优化的工程师，或本身是硬核玩家想研究帧率调优手段，否则不必花时间。

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。

这是一个用原生 JavaScript 和 Canvas 2D 写的机械蜘蛛动画界面，把提示词或 Agent 任务步骤变成可视化演出：蜘蛛沿文字游走、伸触手抓词，词条飞入蛛网后分流到 code、model、you 三条分支。纯演示模式打开即用，输入自己的提示词会用本地规则打分分流，但不调用模型也不执行任何操作，纯属视觉效果。真正实用的场景是通过 MCP 接入你自己的 Agent，让 Agent 上报任务步骤后实时在画面上展示，比如代码检查、资料整理或需要人工确认的工作流，适合做演示或给别人看 Agent 在干什么。它还提供三套布局、主题定制、时间轴回放、PNG 截图和独立项目导出。对多数后端或算法岗关系不大，但做 Agent 产品、需要向用户或老板直观展示 Agent 工作过程的前端和全栈开发者值得一看。

这是一个基于麦当劳中国官方 MCP 的命令行选餐工具，输入预算和饮食偏好，它会查询指定门店当前菜单与官方营养数据，给出均衡、蛋白质、预算三种优先级的候选套餐对比。它的核心价值在于「可解释」：套餐会自动展开成单品逐件匹配官方营养再求和，每个金额都标明价源是官方字段、单品加总还是未核实，取不到就如实标「未知」而不是填 0；配件替换后营养和价格会重算，非法替换会被拒绝并说明原因。它明确不提供下单能力，也不做医疗建议。对普通消费者来说，想在麦当劳点餐时兼顾预算和营养目标可以拿来参考；对 AI 从业者而言，它展示了如何用结构化规则负责数值、LLM 只负责理解意图和表达，以及 MCP 在真实商业数据源上的落地方式，值得一看。

这是一个把 WhatsApp 接入 AI Agent 的 MCP 服务器，相当于给 Claude、LangChain、Google ADK 这类框架提供了一个现成的 WhatsApp 通道，开发者不用再自己写 REST 封装和 webhook 解析。它通过 Model Context Protocol 暴露 61 个工具、10 个资源和 12 类实时事件，Agent 连上后能自动发现全部能力，覆盖发消息、群管理、联系人、投票、表情回应等操作，还能收到新消息、正在输入等推送。底层同时支持 Baileys（模拟 WhatsApp Web，个人号即可用）和 Meta Cloud API（官方企业通道），两套后端共用同一套工具名，切换渠道不用改 Agent 逻辑。内置限流和持久化，适合高频消息场景。值得看的是正在做 WhatsApp 客服机器人、社群自动化运营或跨境私域触达的开发者，尤其是已经在用 MCP 生态的人；如果你的工作和 WhatsApp 或 Agent 集成无关，这个项目基本用不上。