一个命令行界面，用于在本地或 CI 中运行和管理 QA Wolf 测试流程，具备 AI 代理集成和 TypeScript Runner SDK。

用于科学研究中贝叶斯参数估计的仿射不变 MCMC 系综采样的 Python 工具包。

一个 GPU 加速的终端面板，将 shell、AI 代理和浏览器置于无限 2D 画布上，实现空间化工作区组织。

一款生产级的 GPU 监控和管理工具，确保 AI/ML 工作负载的硬件效率和可靠性。

一个为 Vulkan、DirectX 12 和 Metal 提供统一接口的原生 Rust GPU 内存分配器。

Vulners 官方 Python SDK，提供对漏洞情报图谱的程序化访问，用于优先处理安全修复并审计软件资产。

一个统一的 PHP API，用于文档解析，提供单一接口以支持 LiteParse 和 AnyDoc 等多个可互换驱动程序，将文件转换为 Markdown 和结构化数据。

一个模块化的Julia库，提供先进的哈密顿蒙特卡洛（HMC）算法（包括NUTS）的高效实现，用于概率推断。

一个将复杂流水线代码转换为可搜索、可交互图表的交互式可视化工具，专为使用 Kedro 的数据科学流水线设计。

一个使用便捷的爱因斯坦指标记法实现快速张量运算的 Julia 库，可简洁高效地进行张量收缩。

一个用于在 Amazon Bedrock 上部署 Claude Code 和 Claude Cowork 的企业级部署框架，提供安全的 SSO、按用户使用监控和令牌配额强制功能。

一个高性能 DataFrame 库，作为 Pandas 的即插即用替代品，利用 MPI 和 JIT 编译加速 AI/ML 的大规模数据处理。

一个基于 JAX 的概率状态空间模型库，为 HMM 和高斯 SSM 等各种模型类型提供推理和学习工具。

一个基于 FastAPI 和 HTMX 构建的 Web 框架，专为 AI 编码助手设计，提供完全类型化的 API，使其易于编写和理解。

一个使用统计和计量经济协调方法，确保数据在不同聚合层级上保持一致性的概率层次预测库。

一个简化在多个节点上部署和管理 allreduce 风格分布式 AI 训练作业的 Kubernetes Operator。

一个用于 ComfyUI 的 Docker 和 Podman 包装器，提供预先配置的 NVIDIA CUDA 环境，以简化安装和 GPU 硬件兼容性。

一个利用封建等级制度和基于 YAML 的通信来并行编排多个 AI 编程 CLI 实例，从而消除 API 协调成本的系统。

一个用于 Gemini CLI 的扩展，利用 AI 分析代码变更中的安全漏洞，并扫描依赖项中已知的风险。

一种标准化协议，用于 AI 系统通过 HTTP、WebSocket 和 CLI 等多种通信协议发现和调用工具。

一个用于增强文本、音频和频谱图数据以生成机器学习模型合成训练集的Python库。

一个专为大规模分布式任务和无模拟器离线训练设计的端到端应用强化学习平台。

通过提供用户友好的可视化、交互式 Web 应用和审计报告，让每个人都能理解机器学习模型的 Python 库。

一个使用多种监督式和无监督监督式技术，将类别变量编码为数值类型的 scikit-learn 风格转换器库。

一个开源的机器学习数据库，提供特征平台，确保机器学习训练和在线推理的一致性与低延迟特征。

AI 编码代理的本地治理层，提供持久、结构化的项目记忆，并通过 First Principles Framework 强制执行严格的工程推理。

一种轻量级、离线的 RESTful API，用于管理基于向量的知识库，使 AI 代理能够在无云服务的情况下处理本地长期和短期记忆。

一个用于简化 CUDA 内核基准测试的 C++17 库，提供参数扫描和详细的吞吐量与带宽测量。

一个为 Mac 提供 VM 级别隔离的本地沙箱，可安全执行代码和使用工具。

一个将 ONNX 模型转换为资源受限微控制器用确定性静态库的推理引擎和编译器框架。

一个用于创建代理型 AI 工作流的框架，其中 Docker 容器作为工具，Markdown 文件定义逻辑，使 LLM 能在沙箱环境中执行复杂任务。

一个本地 MCP 服务器，通过优先于视觉信息的层级感知系统，使 AI 智能体能够安全地控制 Windows、macOS 和 Linux 上的任何桌面 GUI。

modelrelay 是一个免费、OpenAI 兼容的本地路由器，可对多个提供商的免费 LLM 进行基准测试并自动选择最快、质量最高的模型。通过 npm 或 Docker 安装后，将您现有的 OpenAI 基础工具指向 `http://localhost:7352/v1`，即可让路由器自动处理模型选择、标签和 QoS 评分。

一个将冗长的 API 规范转换为压缩、代理原生格式的编译器和注册表，以减少 LLM 幻觉和 token 成本。

R‑KV 是一种具备冗余感知的 KV 缓存压缩方法，专为推理模型设计，可将内存使用量降低最高 90%，并在不损失准确度的前提下提升吞吐量。

一个以规范驱动、代理式的工作流框架，可将需求、计划和验证证据直接持久化到项目仓库中。

一个 PyTorch 框架，用于深度学习研发，去除训练循环样板代码，以加速实验和可复现性。

一个轻量级的 CLI 工具，通过过滤 CLI 输出并在文件内容到达 AI 代理前进行压缩，降低 AI 代币成本。

一个基于 REST API 的 LLM 资产管理平台，提供模型与数据集的组织、存储与分发工具。

一个用于训练、微调和蒸馏 RAG 检索模型，包括嵌入模型、后期交互模型和重排序器。

一个端到端的 AI 平台，简化非结构化数据、AI 流水线和模型部署的编排，构建 RAG 与 AI 为先的应用程序。

一个多线程网页爬虫，将网站页面转换为 markdown 文件，以简化 RAG 和 LLM 微调的文档解析与切分。

一个 Dart MCP server 和 Flutter package，允许 AI agent 在调试模式下检查、驱动并与运行中的 Flutter 应用进行交互。

一个模型上下文协议服务器，为AI代理提供对Mapbox位置智能的访问，支持地理空间推理、路线规划和交互式地图可视化。

一个用于序列到序列数值预测的库，允许从可分词输入（如文本或图像）中预测浮点数值。

基于 PyTorch 的统一深度学习框架，专为工业级推荐、广告和搜索系统中的超大规模稀疏与密集计算优化。

一个用于 Hugging Face Hub API 的 Rust 客户端，允许开发者以编程方式管理模型、数据集和空间。

一个针对大头部维度注意力机制（large head-dimension attention）的内核库，通过优化 SRAM 和寄存器使用量，在头部维度高达 1024 时，比 PyTorch SDPA 提供 1.5x-15x 的加速。