正在涨的 AI 项目

一个用于自动识别并解决各类验证码（CAPTCHA）的 Python 库，支持 OCR、滑块及旋转拼图等类型。

一款专为日式漫画优化的 OCR 工具，能够识别多行文字、振假名，以及垂直和水平布局。

一份部署配方，用于在单个 DGX Spark 上使用 vLLM 服务 Qwen3.8-Flash-Next 视觉语言模型，包含内存优化、推测解码和大量基准测试数据。

一个Claude Design技能，可将Figma设计中的UX决策和重新设计过程转化为分步的蓝图动画。

一个打包为智能体技能的精选色彩科学知识库，为编程智能体提供色彩理论、工具和技术的专家级指导。它通过提供分层、索引的参考资料集合以及用于验证质量的评估提示，解决了智能体缺乏深层色彩知识的问题。

Pi-intercom 是一个 Pi 扩展，添加了一个本地代理和一个 /intercom UI/工具，允许同一台机器上的多个 Pi AI 代理会话进行一对一的发送、询问、回复、移交和取消消息。它支持别名、阻塞式询问、安全控制，并与 pi-subagents 集成以实现主管升级，从而支持诸如规划者-执行者委派等协调的多代理工作流。

一个面向源码的 Grok Bot 0.18.0 macOS 重构版本，增加了多 AI 服务提供商的推理路由功能和本地 Docker 沙箱。

一种基于 RLM 的代理优化器，通过分析生产执行轨迹来识别系统性故障模式，并提供改进代理框架的建议。

AVTR‑1 是一款经 TensorRT 加速的流匹配自回归模型，可将肖像图片与双音频流转换为 25 fps 的口型同步说话头像。该仓库包含权重、GPU 专用推理引擎的构建脚本、交互式网页演示以及用于离线生成的 CLI。文中展示了多款 NVIDIA GPU 的实时性能。授权分为两部分：模型采用社区授权（营收低于 1000 万美元可商业使用），渲染器与流媒体后端采用非商业 PolyForm 授权，InsightFace 则有额外的仅限研究用途限制。

Big-AGI 是一个高性能的多模型 AI 工作空间，通过在统一界面中对比不同 AI 服务的响应，帮助专家减少幻觉并提高输出质量。

PaiAgent 是一个开源、企业级平台，支持用户通过拖拽节点进行可视化AI工作流编排。它通过 Spring AI 支持多个大模型提供商，提供经典 DAG 引擎和 LangGraph4j 状态图引擎两种执行引擎，包含声明式“技能”系统用于 LLM 驱动的函数调用，并提供实时 SSE 调试功能。前端采用 React + TypeScript，后端基于 Spring Boot 3 + Java 21，使用 MySQL（可选 MinIO）实现持久化。

一个 MCP 服务器，使 AI 代理能够使用 radare2 进行二进制分析和逆向工程。

一个可复现的基准测试套件，通过两阶段自主编码任务运行LLM（包括本地Ollama模型和云提供商）：生成一个小型Rails应用，然后使用Docker构建并验证它。它提供了预热、执行和运行时验证的脚本，以及广泛的Markdown报告和手写代码审查，这些审查在八个质量维度上以0-100的评分标准对模型进行评分。

OpenSplat 是 3-D Gaussian splatting 的 C++ 实现，可将 COLMAP/OpenSfM/ODX/nerfstudio 数据转换为紧凑的 Gaussian-based 场景文件。它支持 CUDA、ROCm (HIP)、Apple Metal 和纯 CPU 构建版本，提供 Docker 镜像，并提供了一个简单的 CLI 供训练、恢复、掩码处理以及导出为 .ply/.splat/.spz/.rad 格式。

一款终端原生、由 AI 驱动的图像搜索工具，让您无需上传文件，即可使用自然语言或示例图片搜索本地文件夹。

FlyPython是一个开源的、双语（中英文）仓库，通过AI辅助的挑战课程教授Python。你选择一门课程，让编码代理获取并运行文件，然后使用`verify.py`验证你的解决方案，该脚本会为每个通过的检查点发放申领码。该仓库还提供指南、精选的Python资源目录，以及用于工具集成的机器可读清单。

GeoAgent 是一个面向地理空间 Python 库、地图小部件和 QGIS 插件的共享 AI 代理层。它为 LLM 使用地理空间工具提供了一致的接口，支持多种 AI 提供商，并包含安全确认功能。它提供了用于 leafmap、anymap、QGIS、NASA OPERA 和 STAC 的工厂，以及一个带有聊天界面的 QGIS 插件（OpenGeoAgent）。

一个使用 sandbox-exec 限制 LLM 编码代理在最小权限文件系统访问模型下的 macOS 沙箱工具。

一套有倾向性的配置、沙箱规则和钩子，用于 Claude Code，以实现安全、高吞吐量的自主 AI 编码。

一款跨平台桌面应用程序，提供统一的可视化界面，用于管理各种 AI 编程助手和 CLI 工具的配置、会话和插件。

Bug Hunter 是一款对抗性 AI 代码审计工具，利用由猎人、怀疑者和裁判组成的多智能体系统来过滤误报，并提供有证据支持的安全和行为漏洞报告。

一个零依赖的CLI工具，允许您使用现有的ChatGPT或Gemini订阅生成图像，无需单独的API密钥或额外计费。

RhinoAI 是一款官方的 Rhino 3D 插件，可将 CAD 环境连接到大型语言模型助手（Claude、Copilot、OpenAI、Gemini 或本地模型）。它允许用户发出自然语言提示来生成或编辑几何图形，提供一键安装、VS Code 调试支持，并为最终用户和开发人员提供大量文档。

PointWorld 是一个大型预训练 3D 世界模型，能够从部分 RGB-D 捕获和机器人动作中预测完整场景的 3D 点流，以提升真实环境中的机器人操作能力。

一个基于Go的高性能AI后端，专为ESP32设备设计，通过集成ASR、LLM和TTS引擎，实现低延迟、全流式语音交互。

herdrm 是一款原生 macOS 应用，为 **herdr** 运行时提供图形控制台，该运行时托管 AI 编码代理（Claude、Codex、Gemini 等）。它将本地和 SSH 连接的设备聚合到单个侧边栏中，显示空间/代理/终端的实时状态，并允许您通过真正的 PTY 终端（使用 Ghostty 引擎）连接到任何代理。功能包括文件拖放、双窗格远程文件管理器、系统通知、可搜索的 Claude 对话历史记录以及通用二进制分发。通过 Homebrew 或签名 zip 安装；需要 macOS 14+、本地/远程 **herdr** 守护进程以及 SSH 访问。该项目处于早期阶段，在非商业 PolyForm 许可下开源，欢迎贡献。

一个高性能的 Python CPU、GPU 和内存分析器，提供行级分析和 AI 驱动的优化建议。

一个使用TensorRT或DirectML实现动画视频实时4K上采样的自定义mpv视频播放器构建和一组Real-ESRGAN模型。

一个 JetBrains IDE 插件，运行本地 Model Context Protocol (MCP) 服务器，将 IDE 的索引、重构、诊断和构建能力作为 JSON‑RPC 工具暴露给 AI 编码助手（Claude、Codex、Cursor 等）。支持多种语言、无头操作和可选的项目生命周期管理。

一个由智能代理驱动的文档搜索平台，能够让用户通过聊天界面上传、处理并使用 RAG 查询文档。

一款高精度语音转文字系统，支持用户在包含填充词的原文直录与干净的意图文本之间自由选择，具备精确的词级时间戳。

SALMONN 是一个开源的多模态大语言模型家族，能够同时处理视觉、语音、文本和动作。该仓库提供了模型检查点、推理代码、训练脚本以及大型标注数据集（包括视频字幕和语音质量数据）。诸如 video-SALMONN-2、ELLSA 和 F-16 等变体支持流式、全双工的感知和生成，使这些模型适用于交互式代理、视频问答、字幕生成和语音质量评估。

一个用于 ComfyUI 的通用多引擎 TTS 与音频套件，整合了数十种 AI 模型的语音合成、语音转换与 SRT 字幕同步功能。

SLayer 是一个可嵌入的语义层，为 AI 代理提供受治理且灵活的接口来查询数据仓库，自动处理 SQL 翻译和复杂转换。

一个将 Claude Code 集成到 CI/CD 工作流中的 GitHub Action，支持自动化智能体编码任务，如 PR 审查和依赖项更新。

一个 Obsidian 插件，通过 Agent Client Protocol 集成 AI 代理，允许代理无需复制粘贴即可读取和编辑您笔记库中的笔记。

一种面向 AI 代理的专业数据分析师技能，通过实施严格的 8 步审计与对账工作流，防止 Excel 中因静默计算错误导致的数据失真。

x-reader 是一个 Python CLI 和 Agent 技能，用于获取 URL 背后的真实来源（推文、视频、文章等），并报告完整内容是否已读取、部分读取或失败，为 AI 代理提供机器可读的证据。

一个 MCP 服务器，为 AI 代理提供免费的无密钥网络搜索和反机器人获取功能，使它们能够绕过机器人墙并在本地爬取网络。

Observer AI 是一个本地优先的代理框架，通过监控屏幕、摄像头和音频，根据视觉或文本事件触发自动化任务和通知。

CUTLASS 3.x 中使用的 CuTe 布局与张量代数的纯 Python 参考实现，可在无需 GPU 的情况下实现布局原型设计与测试。

一个基于网页的 Music-Source-Separation-Training 界面，允许用户使用各种 AI 模型从音乐轨道中分离人声和乐器。

一个 TypeScript 框架，通过提供一套规范化的高级 API 来简化 Model Context Protocol (MCP) 服务器的构建，并处理样板代码、传输和身份验证。

Video Recap Skills 是一个面向 AI 代理的插件套件，可自动将任何视频转换为带中文解说的短视频回顾。它使用小米 MiMo 进行语音转文字、视觉语言分析和文字转语音，本地仅需 ffmpeg。代理会制定故事计划、选择片段、撰写解说、生成 TTS、混合所有内容，并输出 MP4 和字幕。它还可以导出多轨剪映/CapCut 草稿，以便进一步手动编辑。安装只需几条 brew/apt 命令、设置 MiMo API 密钥，并将插件添加到 Claude Code、Codex CLI、OpenCode 或 OpenClaw。该仓库采用 MIT 许可证，是 ZenStory AI 开源生态系统的一部分。

Mission Planner 是一款用于基于 ArduPilot 的无人驾驶车辆的地面控制站软件，提供任务规划、车辆配置和固件管理工具。

dsh-pentest 是一个 DeepSeek Harness 插件，增加了结构化的渗透测试模式。它为智能体提供了记录目标、意图、事实、发现和资产的工具，将数据存储在 SQLite 数据库中，并通过专用的 Web UI（图形、漏洞列表、资产视图、Markdown 报告）展示。该插件适用于授权的安全工作，要求 DSH ≥ 0.1.6 和 Node ≥ 22.5。

MiniMax H3 的本地部署技能，使 Windows 上的低 VRAM NVIDIA GPU 能够通过 AI 代理生成带原生音频的视频。

一个命令行工具，可将 X 书签同步到本地知识库，支持 LLM 驱动的分类，并为 AI 代理提供有根据的本地上下文。