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。

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。

Thermite 是一个让 AI agent 自动跑实验的框架，把「改代码、测指标、留优汰劣」这个工程循环交给 agent 整夜整夜地跑。你只需设定一个目标数字——比如每秒 token 数、准确率、延迟、内存或 benchmark 分数——外加一组必须通过的检查，它就自己去试各种想法。它最核心的设计是防作弊：agent 只负责提方案，一个 agent 看不到也改不了的独立 judge 会重新构建、在同硬件上和当前最优版本对比、验证输出正确性，只有经得起复测的改动才被保留为新的 champion。它支持三种模式：Hill climb 持续推高某个指标、Goal 完成一组验收条件（如移植库到新平台）、Research 回答问题并逐字核对引用来源。所有 campaign 在一个带 REST API 和 MCP 的面板上统一查看和调度，最终结果可导出为 patch。适合做性能优化、模型推理调优、跨平台移植等需要大量试错的工程师，以及想让 coding agent 长时间自主攻关的团队；项目仍在快速迭代中。

Rust off Rails 不是一个传统意义上的代码库，而是一套写给 AI 编码代理看的 Markdown 约定加一份可直接复制的 Rust 全栈应用模板，目标是把 Ruby on Rails 的「约定优于配置」和 Phoenix 的实时能力搬到 Rust 生态里。它不给你隐藏的框架代码，而是让 Claude Code 这类代理照着约定了 Axum、SeaORM、htmx、Tailwind 这一套固定技术栈，从建项目、生成资源到任务队列、邮件、认证、Presence 都有现成配方，人只负责写需求和验收。实际场景比如你想让 AI 从零搭一个带账号体系和后台任务的 Rust Web 应用，不用再纠结选哪个 crate、目录怎么放、错误怎么处理，代理按文档执行即可。适合正在用 AI 编程工具做全栈开发、又想要 Rails 式强约束来减少代理发挥空间的工程师；如果你不用 AI 写代码，或本来就在用 Rails/Phoenix，参考价值有限。

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。

pondok-ai 是一个命令行工具，一条命令就能在你自己的机器上搭起一整套私有 AI 环境：本地大模型（Ollama）、聊天界面（Open WebUI）、向量检索（Qdrant）和 OpenAI 兼容 API，全部用 Docker Compose 串好，还会根据你的内存、磁盘和 GPU 自动推荐能跑的模型。它解决的麻烦是：想用 ChatGPT 式的对话和 RAG，又不想把数据传到云端，或者公司、学校没有预算采购 API 服务。典型场景是老师用 pondok-ai share 把一台笔记本变成教室里的私有 ChatGPT，学生扫码登录后各自在手机上提问，聊天记录和向量检索全在本地完成；开发者也可以把现有代码里的 OpenAI SDK 直接指向它，零改动切换到本地模型。适合关注数据隐私的教育机构、小团队运维和想低成本自建 AI 应用的后端开发者，如果你只是调用云端 API，和你关系不大。

Keel 是一个专为 AI 编码 Agent 设计的 Git 平台，可以理解成「给软件 Agent 用的 GitHub + 合并队列」。它的核心思路是：每个 Agent 的改动都独占一个仓库，改动提交时必须声明自己依赖什么（typed premises），平台会推导每个改动实际修改了什么，一旦发现某个改动的效果与另一个改动的前提矛盾，就自动生成一个测试来证明冲突，并长期守护主干。合并队列会在无凭据的沙箱里预检、批量排队、验证通过才推进 trunk，被驳回的改动会收到恢复指引。人裁决过的冲突会连同前提和测试一起记入「决策记忆」，之后可以查询任何文件背后锚定了哪些决定。接口上提供 REST、MCP、SDK 和 CLI 多种接入方式，读取则用普通 git 即可。它跑在 Cloudflare Workers 上，需要付费套餐。适合正在搭建多 Agent 协作流水线、关心 Agent 间语义冲突与合并治理的工程效率或平台团队；如果你的团队还没有多个 Agent 并行改代码的场景，暂时关系不大。

Rna 是一个本地优先的 AI Agent 桌面工作台，面向需要跨多天推进的长线项目——比如写小说、做研究、开发一个代码库。它和常见的聊天框式工具最大的不同是以「项目」而非「会话」为单位：项目绑定一个文件夹、一份记忆和一套工具，Agent 会在后台持续干活，你回来时收到的是简短摘要而不是刷屏日志。内置本地记忆无需 Docker 即可检索历史对话和交付文件，还接入了六种网页搜索服务和 MCP 协议，并用一个极低成本的小模型先做「值不值得打扰你」这类判断，再调用主模型。适合需要让 Agent 长期跟进任务的独立开发者、研究者和内容创作者，如果你只是偶尔问几个问题，它对你意义不大。

Strata Manager 是本地 LLM 推理引擎 Strata 的桌面管理工具，可以把它理解成本地模型版的「控制面板」：引导首次安装、一键下载和切换模型、管理服务启停，还能在图形界面里直接聊天、查看 API 调用统计和硬件占用情况。它解决的麻烦是，原本要在命令行里折腾的引擎安装、版本升级、参数调优和性能测试，现在都收进一个工作区，新引擎还会先试运行、失败自动回滚，不会把现有环境搞坏。另外它内置了可选的公开排行榜，方便对比不同模型的推理表现。适合在自己电脑上跑本地模型的开发者、算法工程师，以及想给团队搭一套可控本地推理服务的运维人员；如果你只用云端 API、从不碰本地部署，这个项目和你关系不大。