新闻、仓库与研究，按时间排列。
ari-ai 是为 HackATL 构建并计划发展为真实产品的自主软件工程与网络安全平台，核心是代码智能审查修复、七智能体安全团队和持续监控与 RL 防御三大支柱，共享一个版本感知的 Unified Intelligence Layer。后端 FastAPI、七安全智能体（Scout、Probe、Trace、Diagnose、Patch、Fortify、Verify）、代码智能与前端控制台已实现并通过测试，默认模型为 claude-haiku-5-5；基础设施部署尚未配置，RL 防御建议不会自动应用。
GitHub 开源项目 NoLLM 是一个不依赖大语言模型的本地优先研究引擎，可搜索来源、检索证据、排序并生成带引用的确定性答案，仅需 Python 3.10+ 即可在纯 CPU 低资源设备运行。核心引擎零第三方依赖、无需 API key 和 GPU，支持 --url 网页摄取、--file 本地文件离线检索、BM25 句子检索与证据充分性评分，采用 MIT 许可证。
haze 1.6.0 让空闲流超时窗口按端点类型区分：托管端点保持 5 分钟，LM Studio、Ollama 等本地推理服务器延长至 30 分钟，避免健康模型被误判中止并浪费重试池，并新增 streamIdleTimeoutMs 设置（1s–24h）。1.5.x 还带来终端宽度变化时重放完整转录、Ink 8 格式化流式 Markdown、/reasoning 会话级推理控制与模型固定等改进。
GitHub 用户 bugshunter95-blip 发布了 AI 安全作品集仓库 ai-security-portfolio，内容涵盖 LLM 安全、提示词注入、AI 红队测试、RAG 安全、Agent/MCP 安全及 AI 安全工程实践。仓库目前为 0 stars、0 forks。
该仓库是一个关于 LLM、生成式 AI 与机器学习的个人博客，基于 Hugo 和 Hextra 主题构建，支持 LaTeX、Mermaid 图表与语法高亮。草稿在独立分支管理，通过 just 定义任务，合并 PR 后由 GitHub Action 构建多架构容器镜像推送至 ghcr.io，部署在 k3s homelab 上，并集成 giscus 评论与 umami 统计。
GitHub 上的 Probe 项目定位为 AI 原生情报终端，搜索返回数据面板而非链接，每个数字可点回原文，无来源不显示、缺失留空。榜单按热度分排序、同一话题按 URL 去重、缓存 10 分钟，卡片热度分如 0.88、热度 53、r7 1.55；拖拽布局快照存 localStorage，键为 probe:layout:*。性能优化后流式最长帧中位 262ms 降至 229ms（−13%），滚动稳定在 8.3–8.5ms，ECharts 动画从 1000ms 缩到 240ms。
Blackfire-AI 在 GitHub 发布 brigada 1.0，一个本地优先的 Go 工具，把 Claude Code、Codex CLI、Kimi CLI、opencode 和 DeepSeek 的 dsh 等官方 CLI 当作 worker，由 foreman 将请求拆成带依赖的任务并分派给在你仓库上有最佳实测记录且仍有配额的 agent。每个任务跑自定义检查、由不同模型家族的 reviewer 只读交叉审查，结果本地记录并可用 brigada stats 查看各 agent 实际表现；批准的任务被 squash 到目标分支并按 push gate 推送。
推荐理由：原文详细说明了多 CLI 编码智能体的调度、交叉审查与本地权限隔离机制，读者可以据此评估是否适合接入自己的仓库。
DeChuks-hub 发布纯 Python 工具 LLMShift，覆盖从扫描代码中的模型调用、把真实流量转成测试集、对比新旧模型差异，到自动开升级 PR 和线上漂移监控的完整流程。内置覆盖 OpenAI、Anthropic、Google 等 617 个模型的退役数据，支持 MCP 供 Claude Code、Cursor 调用，可经 pip install llmshift 安装。
javier-cabezas 在 GitHub 发布 achainsaw，一个编译 AI Agent 所写代码的编译器：Agent 用扁平 SSA 语言 AIR 编程，校验错误以带 ERR_* 错误码和源码位置的 JSON 返回，经 Cranelift 在 1 毫秒内编译为 x86-64 和 AArch64 原生代码。通过 MCP 供 Claude Code 等客户端调用，沙箱内检查每次内存访问、限制循环燃料和递归深度；LLVM 后端支持 AVX-512、SVE、AMX 等向量与矩阵指令。
推荐理由：作者给出了与 llama.cpp 同机同文件的 prefill 和 decode 对比数据，以及沙箱与错误码设计细节，可据此评估这套面向 Agent 的编译方案。
getappz 发布 Rust 编写的 agentflare Beta 版，一个单二进制工具，用于降低 AI 编码 Agent 的 token 成本并协调多个 Agent，支持 Claude Code、Codex、Cursor、Windsurf、VS Code、Cline 和 Continue。优化层含 lean-ctx（会话内工具 I/O 压缩最高约 99%）、内置跨会话记忆（SQLite+FTS5）、输出压缩（已发表基准约 65%）与代码极简化（约 54% 更少代码、约 20% 更便宜）；协作层提供工作项认领、无人值守自主工作、带引用校验的 review、artifacts、handoff、daemon 与只读 dashboard 等 MCP 工具。
WhitesilkCola 发布 AstrBot 插件 astrbot_plugin_nai_draw，让 LLM 在聊天中自行判断何时出图并生成 prompt，经 NovelAI 格式中转站生成后直接发出，无需命令或关键词。插件不注入任何前缀，构图全由 prompt 决定，附 915 条配方库、16,007 条本地 tag 索引、多 key 轮换与 NSFW 开关，要求 AstrBot >= 4.26 且 < 5。
推荐理由：原文给出插件的功能清单、接口约定和踩坑写法，读者可以照着判断是否适配自己的 AstrBot 生图场景。
easylopster 是一个托管在 Telegram 的 AI 助手服务，仓库已在 GitHub 开源，beta 期免费、自带 LLM API key 即可使用。机器人在首次接触时访谈用户并自行生成 IDENTITY/SOUL/USER/MEMORY.md 人格与记忆文件，支持每日笔记、关键词加嵌入向量混合检索、夜间 dreaming 固化长期记忆，并可添加 MCP 服务器、定时自动化和把本地电脑作为节点接入，灵感来自 OpenClaw。
推荐理由：项目开源了 Telegram AI 助手的完整实现，首次接触时由机器人自己访谈用户并生成人格与记忆文件，做法可直接参考。
sundi133 在 GitHub 发布开源的 llm-shield，一个部署在应用与 LLM 之间的 AI guardrails 平台，内置 19 条覆盖输入安全、输出质量和 Agent 安全的护栏，采用 CPU 快速护栏先行、LLM 护栏按需运行的两级并行流水线。支持基于 Redis 的多租户护栏策略与限流配额，提供基于角色的工具授权、MCP 工具校验、跨工具数据污点追踪、目标漂移检测和工具 kill switch 等能力，可用内置 Qwen3-8B 后端跑在 RunPod，或作为网关代理任意 OpenAI 兼容 API，并附 NIST AI RMF / OWASP LLM / ISO 42001 合规映射文档，MIT 许可。
推荐理由：开源 AI guardrails 平台，19 条护栏分两级流水线，覆盖多租户策略、工具授权、数据污点追踪和目标漂移检测，可按清单对照自己的 Agent 安全需求。
GitHub 开源项目 LLM Developer 发布 v1.0.0，可在本地 CPU 上训练、微调和测试小型 GPT 语言模型，无需 GPU，建议至少 4GB 内存。项目基于 NanoGPT 从零实现，使用 Streamlit 界面与 PyTorch，支持自定义字符级 tokenizer、实时 loss 图表、预置模型（Cedar、Talkative Dumbo）加载及 Hugging Face transformers 集成。
GitHub 上的 BeSmart-Social-AI-Automation 是一个全自主社交媒体 Agent，通过 GitHub Actions cron 每天按孟加拉国标准时间 07:00/12:00/16:00/20:00 四次向 Facebook Page 定时发布孟加拉语帖子，零服务器成本、全云端托管。它采用多级视觉引擎（NASA 4K、Wikipedia、Pollinations AI 等四级图片源），并借助 post_history.json 与 Jaccard 相似度过滤防止内容重复。项目使用 Gemini API、Facebook Page ID 和长期 Page Access Token，支持 GitHub Actions 网页一键手动发布及本地 CLI 的 --dry-run 预览。
GitHub 开源项目 FlowForge（flowforge-agent-orchestrator）发布，为已使用 AI 的应用提供 LLM、MCP 和 API 调用关系地图及 DAG 调度器。Planner 读取仓库并以测试模式运行应用，绘制带 file:line 证据的调用流程图，用 Kahn 拓扑排序安排步骤、用最长路径 DP 找瓶颈链，并以 HLFET 临界路径调度并发执行独立步骤。默认免费、本地优先，单进程 + SQLite，无云端账户，可作 MCP server 供 Claude Code、Codex 等 Agent 只读调用，支持 Python 3.12+。
GitHub 上的 AgentLoom 是一个确定性 LLM 工作流编排框架，将熔断器、限流、成本跟踪和 OpenTelemetry 追踪作为核心设计，而非插件。它支持 YAML 和 Python DSL 定义工作流，内置 OpenAI、Anthropic、Google、Ollama 四种 provider 自动回退，并提供 checkpoint 断点续跑与确定性重放功能。相比 LangGraph、CrewAI、AutoGen 等框架，AgentLoom 依赖极简，可通过 `pip install agentloom` 安装。
GitHub 开源的卓欣刮削器是一套本地自托管的成人影片元数据刮削工具，走建库→语义识别→网站/无码/AI 三线刮削流程，生成 Jellyfin 可用的 NFO 与封面。它以单文件 HTTP 服务加 SQLite 运行，不依赖云服务，支持 javbus、javdb、MissAV、123AV、FC2 等站点，通过 ollama 调用本地大模型做语义分类、AI 看片与标签补全，并提供 Docker 部署，支持 linux/amd64 与 linux/arm64。
开发者在 GitHub 开源 mini-llm，一个从零用 PyTorch 构建的 19.8M 参数掩码扩散编码器–解码器 Transformer 对话模型，目标是在手机端侧运行。模型在 1.47B token 的 FineWeb-Edu 上完成预训练，并经过 SFT 与 GRPO 强化学习，上下文窗口 256 token，词表 12 288（byte-level BPE）。项目还包含一个实验性 Thinking 模块及参数量匹配的对照组，生产级 C++ 推理运行时仍在计划中。
wardowl（2.0 前名为 needtoknow）是一个开源 Python 库，把 OpenFGA、OPA、Cerbos 等权限系统接入 pgvector、Qdrant、Pinecone 等向量库的搜索内部，每次命中再复核并故障时关闭，保证 LLM 提示词只含用户有权读取的文档。基准测试在 57,600 个真实 chunk 上经 33,000 次检索无一次越权返回，pgvector 上 recall@10 保持 0.949 以上；百万 chunk 场景下中位延迟 3 到 21 ms，每秒最多可服务 126 次请求。
推荐理由：项目给出基准数据说明在搜索内做权限过滤可保住召回率，对搭建企业内部 RAG 的团队是可参考的做法。
开发者发布了一个基于 llama.cpp fork 的推理时 abliteration 引擎，并已将该 hook 移植到 Strata，可无需大量 VRAM 或微调即可使用 abliterated 模型。Strata 移植版目前为实验性，全模型行为与响应质量尚待验证，作者征集 Strata 用户反馈。
GitHub 新仓库 irxk/naide 发布 NAIDE（Node AI Development Environment），用一套可读的 .naide 语法完成构建、检查和运行，编译器可输出 15 种语言目标，包括 JavaScript、TypeScript、Python、Go、Rust、Java、C++ 等。全部 15 个目标均有代码生成冒烟测试，其中 Node.js、Python、Bun、Go、C、C++ 额外运行最小输出程序；C 和 Rust 后端的 CRUD、WebSocket 等路径仍是 TODO。通过 npm install -g naider 安装，`naide ~~ "指令"` 可在无 AI、无网络依赖下用纯模式匹配生成代码。
GitHub 新仓库 Ai-pdf-chatbot 是一个基于 Python 和 Streamlit 的应用，可对上传的 PDF 文档提问并由生成式 AI 作答。它先提取 PDF 文本，再通过语义搜索和 FAISS 检索相关信息，并使用 OpenAI 与 RAG（检索增强生成）生成基于上下文的答案，让文档分析更快更简单。
Anunay Srivastava 在 GitHub 开源了 AREO-WRITE 仓库，其中包含浏览器端空中书写应用 AeroWrite Ultra。该应用通过摄像头手部追踪在数字画布上绘制、擦除和交互，使用 HTML、CSS、JavaScript 和 MediaPipe 构建。
GitHub 开源项目 slgao/landlord_system（Dachly）面向德国房东，覆盖租房全流程：租金跟踪、Nebenkostenabrechnung 杂费分账（支持按天、按人比例计算）、Mahnung 催款 PDF、Anlage V 报税辅助（§11 EStG 收付实现制）及资产负债表。其 Ask Dachly 是只读 AI 助手，基于 Groq 的 gpt-oss-120b 通过只读工具查询用户数据，并用 e5 嵌入 + Chroma + BM25 混合 RAG 检索德国租房法条文，答案逐 token 流式输出并附带引用。技术栈为 Next.js 14 + FastAPI + PostgreSQL 16，通过 Docker Compose 一键部署。
LydiaTools 在 GitHub 发布 llm-endpoint-doctor v0.6.0 alpha，一条本地命令即可在接入前检查 OpenAI 兼容 API 的 base URL、模型 ID、鉴权和首次 chat 响应。可选检查覆盖模型目录、流式、JSON mode、工具调用、视觉输入和独立图像生成模型，每项各发一个请求；报告排除 API key、prompt 和响应内容，无第三方依赖，支持 CI 环境变量读 key，并提供 Groq、Gemini、OpenRouter 的免费档接入配方和本地 mock 端点演示。
GitHub 新仓库 book_gen 发布，内置 agents-manager 控制器（OpenCode + 1 个 master + 9 个专家智能体）和 7 阶段图书生成流水线，可从提示词直接生成或翻译图书。book-kit 提供 18 个模板、7 个纯标准库脚本和 63 个 pytest 测试，支持阿拉伯语等翻译模式、双遍审校与 RTL 导出，以便携 ZIP 形式分发。
开发者发布了 ai-social-media-automation，一套基于 n8n 和 Google Gemini 的 AI 社媒自动化系统，可为 Instagram、TikTok、Facebook 和 LinkedIn 定制生成文案、图片提示词和短视频脚本，并从上传视频中生成平台专属字幕。内容存入 Airtable 日历，需人工标记 Approved 后由发布器每 5 分钟自动发布，失败时通过 Telegram 告警并支持重试。当前发布为模拟演示，替换为 Meta Graph API 等官方 API 或 Ayrshare 等服务即可正式上线。
GitHub 新仓库 mkagencyinc-site 基于 Next.js 构建了 M&K Agency Inc. 的 EN/ES/RU 三语保险网站，包含报价表单、回电请求（Neon DB + Resend 邮件）和接入 xAI Grok 的 AI 聊天组件。站点还内置由 STUDIO_KEY 密码保护的 /studio 私有 Grok 图像生成页面，可通过连接 Vercel 的 main 分支部署。
开源项目 Lens 是一个 AI 驱动的数据分析师，用户上传 CSV 后可用自然语言提问，获得业务洞察、图表、SQL/Pandas 代码检查及基于 Z-score 和 IQR 的异常检测。前端采用 React + Vite，后端为 FastAPI，数据处理用 pandas 和 DuckDB，支持可选接入 OpenAI 兼容 API（如 gpt-4o-mini 或本地 Ollama 配 llama3.1），也可在无 API key 的本地分析模式下运行。项目由 pytest 测试，支持 Docker 部署。
GitHub 仓库 Sreenivas-Sadhu-Prabhakara/llm-eval-trace 使用 Astro Starter Kit: Minimal 模板，可通过 `npm create astro@latest -- --template minimal` 创建。项目含 src/pages/index.astro 页面结构，支持 `npm run dev` 在 localhost:4321 启动本地开发服务器、`npm run build` 构建到 ./dist/，README 未包含 LLM 评测相关的具体功能说明。
开发者 Ramón Burgos 发布 SynaptoCore，一个用 Rust 编写的本地服务器，通过 SQLite 中的知识图谱（主体→关系→客体）为 Ollama 本地模型提供长期记忆，回答时引用来源并标注知识出处。记忆不足时经 SearXNG 联网检索并引用来源，后台只固化可验证的事实；未使用的推论按来源权重衰减遗忘，用户教授的内容永久保留。支持 JSONL 批量导入（含 Wikidata 脚本）、深度研究流程、任意精度计算器、JSON 声明式 HTTP 连接器、REST/SSE/WebSocket 接口和 CLI，默认模型为 qwen3.5:2b-q4_K_M，MIT 协议开源。
推荐理由：原文完整公开了记忆图谱的存储结构、来源追溯和遗忘规则，读者可以据此评估这套本地长期记忆方案是否适合自己的部署场景。
该仓库汇集多个自包含工程项目：Agora 是基于 Flutter 桌面端、通过 Chrome DevTools Protocol 驱动真实 Chrome 的多 AI 辩论编排器，flutter test 296 项通过，打包为 12 MB AppImage；RGX 是量化研究框架，在零优势零假设下必须报告无优势，含 47 项不变量测试加 6 项零对照测试共 53 项通过；OMNIVEST 是默认安全模式、拒绝给出投资建议的金融终端，含 143 项后端检查与 165 项 Flutter web 测试。所有项目由统一文档标准和 CI 真实测试套件保障。
tensai-app 发布 llama.kt，为 llama.cpp 提供 Kotlin/Android JNI 绑定，可加载任意 GGUF 模型在设备端推理，无需服务器或云端。原生 C++ 引擎提取自 llama.rn 并剥离 RN 层，已在 OPPO / Dimensity 900 上验证，Qwen2.5-0.5B（q4_K_M）CPU 生成约 20 tok/s。
同一新闻，精选展示《hokanosekai 开源 llama.kt：在 Android 端侧运行 GGUF 模型的 llama.cpp Kotlin 绑定》
Badrodro 发布 llm-4bit-quant-formats 仓库，在 Qwen2.5-0.5B、Qwen2.5-1.5B 和 SmolLM2-1.7B 上以 WikiText-2 与 C4 困惑度对比多种 4-bit 权重量化格式。结果显示等困惑度下 trellis 编码比 NVFP4 少需 11–17% 比特、比 INT4 g128 和 MXFP4 少约 15–20%，但加随机 Hadamard 旋转的标量 Lloyd-Max 量化器已能达到 trellis 增益的 6–9% 以内，未达到预先设定的 10% 阈值，因此非均匀标量格式加旋转在更低解码成本下已捕获大部分收益。测试仅覆盖权重、round-to-nearest、0.5–1.7B 小模型，无校准数据与速度能耗测量。
推荐理由：作者预先设定了10%的决策阈值再实测，读者可以据此判断trellis量化是否值得在硬件里加解码器。
GitHub 开源项目 llm-slm（Apolaki Solar Assistant），为 Apolaki 太阳能市场提供自托管、仅限太阳能话题的客服助手，通过 RAG 基于自家文档回答，每条查询成本约 ₱0。技术栈采用 Mac Studio + LiteLLM，用 SEA-LION 9B 生成、BGE-M3 做嵌入，检索用 pgvector + HNSW，支持客户/买家/安装商三种模式与 Taglish 人设，并规划了自蒸馏 LoRA（MLX 原生部署）。
Phova 在 GitHub 发布 uTTT（Universal Test-Time Training）框架，覆盖远端元训练、自动化部署与交互式个性化推理全流程，针对单卡 NVIDIA RTX 5090（32GB GDDR7，Blackwell sm_120）做算子级与显存级优化。核心包括跨层共享快权重池与 SwiGLU 解析式块状梯度（用 torch.bmm 一次算出）、双轨 Checkpoint 管理（base_uttt.pt 加 personas/{user_id}_state.pt）与三级 LRU 缓存，个性化通过流式生成、Chunk TTT 更新、惊奇度门控与弹性锚点实现。
推荐理由：原文给出了从元训练到多租户个性化服务的完整部署链路和指令集，读者可以照着在单卡 RTX 5090 上复现这套测试时训练流程。
amlhdsan 在 GitHub 开源 Prompt Converter，用自有 LLM API Key 把随手写的提示词改写为含角色、目标、约束、步骤和输出格式的结构化提示词。纯前端无后端，支持 DeepSeek、OpenAI、通义千问及任意 OpenAI 兼容接口，提供 Web、Docker 和基于 Tauri v2 的 Windows/macOS/Linux 桌面版；桌面版支持全局快捷键唤起悬浮窗读写剪贴板，API Key 与历史仅存本地 localStorage，内置五种场景与自定义模板。
dahchenoor-cmd 在 GitHub 发布 AI 红队测试作品集仓库，系统化整理对抗性机器学习评估、攻击 PoC 与防御缓解措施，覆盖本地及企业级 LLM 架构。仓库包含 10 个模块，从环境搭建到企业模拟审计，基于 Ollama、vLLM 运行 Llama-3、Mistral、Qwen 等开源模型，使用 garak、PyRIT 等工具，并对照 OWASP Top 10 for LLM Applications（2026）、MITRE ATLAS 与 NIST AI 100-2e2025 等标准。所有测试均在本地容器化环境中进行，数据全部为合成数据。
dbalchunas2-pixel 发布 Warden，一个原生 Mac 应用，作为 MCP 客户端（Claude Desktop、Claude Code、Cursor、Windsurf、Cline）与 MCP 服务器之间的安全网关，拦截每个工具调用并决定是否执行。决策管线含正则规则引擎（<10ms）、NVIDIA Nemotron LLM 分类（经 Nebius Token Factory）、启发式回退与熔断器，全部 fail-closed，并记录 JSONL 审计日志。内置对抗评测（seed 1337，22 次攻击+6 个良性对照）显示攻击检出率 100%、误报 0%、平均判定延迟约 3.5s；洪泛测试 30/30 拦截且仅 3 次调用消耗 LLM 预算。
推荐理由：原文给出完整决策管线和可复现的对抗评测数据，包括100%攻击检出率、0%误报和约3.5秒平均延迟，便于评估其实际拦截能力。