新闻、仓库与研究，按时间排列。
GOWTHAMRAJ-DK 开源了一个基于 Mistral-7B-Instruct-v0.1 的餐厅评论分析项目，仅用提示词工程（无微调、无 RAG），将非结构化评论转为整体情感、方面级反馈、好评/差评特征和客户回复。在 20 条评论上以星级作为代理标签评测，Zero-Shot 与 Few-Shot 的 Accuracy 和 Macro-F1 均为 0.95，输出结构化 JSON，模型支持 8-bit/4-bit/FP16 量化加载。
pi2 是基于 Pi Durable 的 Harness² 实现：给它一个任务和工作区，它会执行任务并提议改进 harness，在新的工作区副本上测试每次改动，保留最优结果并记录经验供后续任务使用，不改动模型权重。需 Node.js 22.19 或更新版本，通过 npm 安装运行，用 PI2_MODEL 或 --model 指定模型，状态保存在 ~/.pi2/，不会写回原始工作区。该项目改编自 Google 的 Harness²（Apache-2.0），Pi 依赖包为 MIT 许可，插件和脚本以本地代码运行，pi2 本身不是沙箱。
开源项目 OpenDroid 是一个运行在 Android 手机上的全自主 AI 智能体，可将复杂指令拆解为多步骤并自动执行、验证与重规划。它支持 13 家 LLM 提供商（含 Gemini、Claude、GPT-4o、DeepSeek 等）与自动故障转移，内置 LiteRT-LM 端侧模型管理、4 层个人知识图谱、离线唤醒词语音交互，并提供 60+ 动作执行器实现设备控制、通信、导航、支付等操作。
该开源项目用 QLoRA 微调 Qwen3-4B-Instruct-2507（Apache 2.0），将法语/英语/混用的招聘邮件转换为经 schema 校验的 JSON，并与同款基座模型的 zero-shot 和 few-shot 表现在人工核验的 200 条测试集上对比。训练数据为 LLM 生成的合成数据，微调模型使用单行指令以避免超出 1024-token 预算，其部分延迟优势来自更短的提示词。项目尚处进行中（Day 1），备选模型为 Qwen3-1.7B。
JatinF 在 GitHub 发布开源项目 intelliforge-ai-platform 0.1.0，一个模型无关的 LLM 评测、LoRA 适配、模型路由与治理参考实现。本地 NumPy LoRA（rank 2）held-out 准确率 1.0，基线 0.333333，本地诊断 P95 为 2.667 ms；开源权重槽位为 Qwen/Qwen2.5-3B-Instruct（vLLM），商业槽位为 grok-4.7，两者均未实际运行，部署决策为 NO-GO。
hiloopai/piloop 在 GitHub 发布，可对任意 git 仓库运行 autoresearch：多个 coding agent 在各自 git worktree 里并行尝试想法，piloop 对每个 commit 运行用户指定的 evaluate 命令评分，只有超过当前最优且具统计置信度的改动才保留。enwik8 示例中，Claude Code agent 经 10 轮 implementer 运行、用时 1.6 小时，将 Wikipedia 前 10 MB 压缩从 zlib 的 3,688,770 字节降至 2,361,893 字节（-36%）。
推荐理由：piloop 把多个 coding agent 的并行尝试变成按 commit 评分、只保留胜者的自动研究流程，并给出 enwik8 实测压缩数据可作参考。
GitHub 仓库 bostonaholic/grokbot-skills 为 Cursor 和 Grok Bot 智能体提供技能包，每个技能对应一个含 SKILL.md 的文件夹，可通过 install-grok-bot.sh 脚本安装到 ~/agent-data/workflows/ 技能库。内置 auditing-a-bot-at-30-days、composing-agent-prompts、running-unattended-routines-and-triggers 等 12 个技能，覆盖回复精简、深度研究、backlog 整理、定时任务等场景，安装后在 Settings > Plugins > Yours 中可见。
Tyler-Irving 发布 agent-arena，一个手写的多智能体系统，用于在同一批任务上对比本地 Ollama 模型与通过 Anthropic API 调用的 Claude 模型组成的阵容。任务类型以插件形式接入，首个插件是代码赏金板：orchestrator 发布编程题，coder 写 solution.py，Docker 沙箱用 pytest 评分；支持 Solo 模式（最多 3 次尝试）和含 planner、coder、reviewer、orchestrator 四角色的 Team 模式，每题硬性限制 3 次尝试和 20 次模型调用。所有调用、尝试和结果写入 SQLite，可按阵容对比通过率、尝试次数、token、成本和耗时。
推荐理由：作者手写了几百行 async Python 实现多智能体对比系统，不用任何 Agent 框架，便于直接观察多智能体协作的真实行为。
maxsoldev 在 GitHub 发布 eduagent，提供 Codex 和 pi 两个真实 coding-agent harness 的可读复现实现，包括 Python 版 educodex 和 TypeScript 版 edupi，并用一个 web 可视化界面展示每个隐藏步骤。可视化面板覆盖时间线、上下文输入数组、原始请求体、工具规格、审批策略和 JSON-RPC 消息，支持逐步暂停模式；educodex 保留 Codex 的设计、线格式、系统提示词和 Seatbelt 沙箱策略，默认通过 OpenRouter 使用 openai/gpt-6-luna，也可用 fake model 离线运行。项目地址：https://github.com/maxsoldev/eduagent
GitHub 上的 llm-gateway 是一个学习导向的 FastAPI 项目，提供健康检查端点与非流式 chat completion API，本地 FakeProvider 不发起外部调用。项目用 uv 管理并固定 Python 3.12，集成测试使用一次性 PostgreSQL 18 容器并应用 Alembic 迁移。网关支持 gemini-3.1-flash-lite、gemini-3.8-flash、gemini-3.1-pro-preview 等 Gemini 模型，Flash 与 Flash-Lite 超时 60 秒、Pro 120 秒，失败最多重试两次；API key 仅存前缀与 SHA-256 哈希，可通过 CLI 创建与吊销。
hakula139 在 GitHub 发布 assistant-bench，一个基于 Harbor 运行的 AI 助手系统基准，用盲投成对投票和任务测试对系统输出打分。项目内置 prose-zh 与 prose-en 两个写作家族，各含 30 个用例，记录每次运行的 token 数、成本、延迟与系统配置，并以 Bradley-Terry 分数生成排行榜。项目采用 MIT 许可证开源。
fingoldo 在 GitHub 开源 llm-bench 0.1.0（alpha），一个可插拔 LLM 基准测试框架，用成本分级筛选、Sequential Halving 逐轮淘汰、断点续跑缓存和分阶段预算上限，把数千次付费调用降到最低。框架支持 Postgres、文件、内存三种存储后端，并通过 CostFilter 支持按每百万 token 输出价格与上下文长度过滤候选模型，MIT 协议发布。
frederico-kluser 在 GitHub 发布 prompt-builder，一个基于 OpenRouter 的 LLM 并行基准竞技场，提供 Web、CLI 和 MCP 服务器三种界面，支持比较多个模型、测试多个提示词版本和让提示词自动迭代三种模式。裁判按参考答案打分（resolve/parcial/não），默认用 TypeSafe 的 Jev 决策模型并将低置信度结果升级给 LLM 裁判，赛后 finalists 两两对决得出排名，全程经 SSE 实时显示阶段、verdict 热力图和相对预算的支出。
推荐理由：这个 LLM 基准竞技场用裁判参照答案打分并按角色核算成本，还带 holdout 与显著性检验来决定提示词是否晋升。
GitHub 开源项目 mage-bench 通过让 LLM 互玩《万智牌》来评测模型，支持 1v1 对决和多人 Commander 模式。项目基于 XMage 规则引擎，覆盖 28,000+ 张卡牌，LLM 通过 MCP 工具调用查看牌局状态并自主完成整局对局，无需人工干预，支持录像与成本追踪。
Sulla 是一款运行在本地电脑上的 AI 高管助理，用自然语言描述任务后自动构建工作流、按计划执行，并在应用或网页变化时保持运行。它内置 Chromium 浏览器、提供 300+ 集成（Gmail、Slack、HubSpot、Stripe 等），凭据采用 AES-256 加密，代理在隔离虚拟机中运行，支持 macOS 11+、Windows 10+ 和 Ubuntu 20.04+，最低 8 GB 内存。
szzxli 发布开源工具 veripaper（MIT 协议，工作名），核查 AI 生成论文草稿中的每条引用，对照 CrossRef、arXiv、Semantic Scholar 等数据库标记不存在的文献，并给论断打上 [VERIFIED]/[CITED]/[UNVERIFIED] 等诚实标签。与只查引用是否存在的工具不同，它做论断级验证，即被引文献是否真的支撑具体论断，并附审稿人模拟、rebuttal 辅助等流程；验证只做数据库查询不生成内容，全部在浏览器本地运行，附 34 样本的公开引用核查基准，v0.1 可用 pip install -e . 安装。
tonythetiger168 发布 aios-core，一个本地优先、模型无关的 AI Agent 运行时原型，提供调度器、按 Agent 的权限、SQLite 持久记忆、沙箱代码执行和 MCP 客户端/服务端支持。项目处于早期 alpha，目前仅接入 Claude，也可通过 OpenAI 兼容接口使用 Ollama、vLLM 等本地模型；内置不可信内容标记与污点策略、技能摘要锁定、审计日志和注入攻击测试套件，README 附有各防御组合下攻击通过情况的测试结果表。
推荐理由：README 附带注入攻击测试结果表，逐项展示污点策略与权限范围各自挡住了哪些攻击，安全边界与未竟事项也写得诚实。
GitHub 开源项目 agent-orchestra 是一个本地持久化、可审计的多模型编排内核，把一句话需求拆成规划 → 实现 → 独立审查 → 测试 → 汇总五个固定阶段，强制实现端与审查端使用不同厂商的模型互相校验。任务与事件落 SQLite 支持断点恢复，审批绑定操作摘要与 revision，未知成本记为 null 而非 $0。项目基于 Python 3.12+、零运行时依赖、Apache-2.0 许可，仅监听 127.0.0.1:8765 回环地址，当前只带 Mock 适配器，真实适配器待接入。
GitHub 开源项目 Nemesis Analyst 提供 AI 辅助的恶意软件脱壳与分析：在一次性 Windows VM 中用 x64dbg/x32dbg 运行加壳样本，在自解包时捕获真实 payload、恢复勒索软件密钥并可生成解密器。每次运行输出 ANALYSIS.pdf 报告及含 YARA、Sigma、Suricata、STIX、IOC 的检测包，并可经 MCP 从任意 LLM 驱动；文档演示了对 packed Dridex 样本的完整分析。
GitHub 项目 Zi-Lan-Cui/DeepResearcher 提供可部署的深度研究服务，围绕复杂问题自动完成检索、精读、证据校验与撰写审阅，交付论点明确的研究报告。结论附引用编号，来源表逐条列出标题、链接与原文摘录，逐字比对一致后才采用；支持 Docker Compose 一键启动，LLM 走 OpenAI 兼容接口，搜索服务可接百度/Tavily/SerpAPI/阿里云，研究方向异步并行推进，可设单次 token 与人民币费用上限，底层为 LangGraph 流水线，MIT 许可。
GitHub 开源项目 latam-copywriting-frameworks-ai v1.0.0 是一个供 LLM 使用的西语营销文案上下文层，内置 AIDA、PAS、4Ps、BAB、FAB、StoryBrand 六种文案框架选择规则，覆盖墨西哥、哥伦比亚、阿根廷、智利、秘鲁和西班牙的区域语气（voseo/tuteo）。项目包含反陈词滥调黑名单和发送基准数据，可通过 System prompt 注入用于营销 Agent、销售邮件生成器和客服 chatbot。
Claimidx 发布了一个面向智能体的失败层索引，记录其他智能体已解决的软件故障及其修复方式，通过 ask、apply、claim 三条命令完成查询、应用与共享。可信度来自本地 confirm --replay 复放而非声誉评分，支持 Ed25519 did:key 签名，公共账本仅接受可复放的 eval，匿名写入被拒绝，每个 DID 每小时限 60 次写入。工具支持 Claude Code、Codex、Cursor、Grok 等多个 harness 的 skill 和 MCP 接入，当前版本为 0.7.18，安装命令为 pip install -U "claimidx[server]>=0.7.17"。
Website-Intelligence-Agent 是一个 GitHub 开源项目：用户就自己有权测试的网站提出技术问题，LLM 智能体驱动隔离的 Playwright 浏览器，捕获请求、脚本和 WebSocket 帧数据。它会索引并解析 JavaScript（暴露 source maps 时使用），跨文件追踪引用，最终返回附有逐字、可验证证据的发现。整个调查过程为只读操作。
RickyLeRoi 发布 OnFeather 仓库，包含三个可独立安装的 Apache-2.0 工具。
推荐理由：仓库把三个独立工具打包在本地优先的理念下，README 对已测试和未完成部分作了明确区分，可按需单独取用。
typicaladrian 发布 zero-trust-llm-firewall，一个本地部署网关，在提示词离开内网前将姓名、案卷、金融和健康信息替换为占位符，模型回复再在内存中还原。流水线为正则、哈希客户名单、GLiNER2 NER 和全局一致性扫描，在 CUAD 合同上测得 91.4% 脱敏召回率，CPU 吞吐约每千词 11 秒；提供 OpenAI 兼容 API、审计日志和月度 PDF 报告，是 Elm Tech Solutions Zero-Trust AI Edge Gateway 硬件产品的核心。
推荐理由：开源的本地脱敏网关，给出了基于 CUAD 合同的脱敏召回率实测数据，律所类隐私场景可直接参考复用。
GitHub 项目 capek-chat 推出 Axiom，一个自托管的认知编排器，可让 GPT-4、Claude 3 及开源模型协同“辩论”并综合答案，数据不出自有基础设施。它基于模块化认知单元（MCU）架构，提供多模型辩论室、持久认知会话、可视化工作流构建器，支持 Docker、Kubernetes 部署，也可完全用本地开源模型运行。
AbstractAssistant 是 AbstractFramework 生态的 gateway-native 桌面助手，提供 macOS 菜单栏 palette、免提交谈语音模式和 CLI，通过 `pip install "abstractassistant[voice]"` 安装，要求 Python 3.10+。工作流发现、持久运行、工具执行与审批等由 AbstractGateway 负责，客户端仅保留本地状态。另有 TestFlight 预览版 Apple Watch 应用，可语音对话、回应审批并运行自动化。
YoKONCy 开源了 infOS，一个以主 Agent 为中心的 AI 伙伴运行时内核，配套桌面陪伴应用 PeroperoChat（萌动链接），项目已从 Python 全面重写为 TypeScript 全栈（Hono + Vue 3 + Electron），核心算法用 Rust 实现。记忆引擎基于自研 TriviumDB（向量 + 图谱），以 EventNote 记事为主干，记忆经候选、门控到正式三层把关，1 亿条噪音数据测试中检索约 2.95ms 出结果；支持桌面、QQ、Discord 等场景跨端共享记忆，并提供 Docker 一键部署。
推荐理由：README 详细拆解了记忆引擎的写入、检索与反思链路，含 SA-PPR 管线与分层存储设计，可作人格记忆工程的参考实现。
GitHub 开源项目 LLM-Code-Sandbox-Benchmark 提供了一套针对 AI 生成代码的自动化评测框架，在受限 Python 沙箱子进程中执行候选代码，通过 baseline/edge/performance 测试集验证正确性，并基准测试运行时间与内存。工具基于最小二乘法拟合 O(1)…O(n³) 复杂度模型，输出加权 0–100 分的 JSON 报告和 Markdown 评分卡，支持 batch.py 批量排名多个候选及 --fail-under CI 门禁，适用于 HumanEval 式正确性检查与 RLHF 评分等场景。项目仅依赖 Python 3.10+ 标准库，采用 MIT 许可证。
dolev31 在 GitHub 发布 lasagna-rag 0.1.0，一个 RAG 管线评测框架，八级流水线中每个组件可通过单个配置键替换，并用配对符号翻转检验、Holm-Bonferroni 校正和 2x2 交互测试判断哪次改动真正移动了指标。内置组件在 SciFact 和 NFCorpus 上与 MTEB 和 BEIR 论文数字偏差在 0.002-0.008 NDCG@10 内，并支持 MCP、REST 和 Docker 部署，Apache 2.0 开源。
推荐理由：这是一个做 RAG 组件归因比较的开源框架，内置显著性检验和 2x2 交互测试，还用已知方法复现了发布数字供交叉验证。
该 GitHub 仓库 sa-1200/test-case-generator 是一个无代码评估项目，基于虚构登录页面的合成需求，探索生成式 AI 辅助编写结构化软件测试用例。项目对比了人工与 AI 辅助两种流程在任务耗时、用例清晰度和需求覆盖率上的表现，结论是 AI 可减少起草工作量，但生成结果仍需人工审查。项目仅做了初步实验，测试用例未在真实应用上执行，也未使用任何真实数据。
一个用 Flutter 3.44 开发的 iOS 健身追踪应用，完全离线运行，内置 1324 个翻译成法语的动作目录，并调用 Gemini API 生成和分析训练计划。它支持按健身房设备替换动作、记录 RPE、检测个人纪录和训练热力图统计。Gemini 调用通过 function calling 查询本地数据库而非注入完整目录，API 密钥存于 iOS Keychain；架构使用 Drift (SQLite)、Riverpod 3 和 go_router。
GitHub 新开源仓库 rag-search-api 提供基于检索增强生成（RAG）的语义搜索 API。文档经分块后使用 OpenAI text-embedding-3-small 生成嵌入并存入 ChromaDB，自然语言查询可检索最相关片段并可选 LLM 生成答案。技术栈包括 FastAPI、Pydantic 和 slowapi，支持 Docker 部署，搜索接口默认返回 TOP_K 为 5 的结果，通过 X-API-Key 认证并限速每分钟 10 次请求。
AceDataCloud 开源 Agent Skills 仓库，为 Suno 音乐、Seedance 与 HappyHorse 视频、GPT Image、Nano Banana 图像等 AI 生成服务提供技能包，兼容 Claude Code、GitHub Copilot、Gemini CLI、OpenAI Codex、Cursor 等 30+ 个智能体（基于 agentskills.io 开放标准）。各 Skill 由 Ace Data Cloud 维护，使用 Ace API key 授权调用，支持 skills.sh 一键安装与 ClawHub/OpenClaw 两种首次运行路径，指南提供中英文文档与排错说明。
AceDataCloud 在 GitHub 发布 SunoMCP，一个基于 Model Context Protocol 的 AI 音乐生成服务器，通过 AceDataCloud API 调用 Suno，可在 Claude、VS Code 等兼容客户端中使用。它提供文本生成歌曲、自定义歌词与风格、歌曲延展、翻唱/Remix、Persona 声线管理、自定义音乐模型及任务跟踪等 30 余个工具，支持 OAuth、API token 或本地 stdio 三种接入方式；生成消耗 Ace 账户余额。
bkramerext 在 GitHub 开源 SIGMA（Strategy Investigation, Generation, Measurement & Assessment），一个面向多路径问题研究的工作空间，可将调查组织为可发展、比较、搁置的策略，并保留研究历史。它支持以 ChatGPT 作为协作者生成策略建议（经人工审核后保存），手动研究无需 AI 账号，项目数据保存在本地。目前支持 macOS 和 Linux，需 Python 3.11+、uv、Node.js 20.19+ 和 npm；自主研究智能体与形式化证明验证仍为未来目标。
GitHub 开源工具 get-llms-txt 可递归扫描项目中的 .md/.mdx 文件，按 llms.txt 规范生成索引文件，并将 MDX 转为纯 Markdown（去除 JSX 组件与元数据）。它支持 CLI 与 API 两种调用方式，可配置内容目录、输出目录、base URL 和项目元数据，默认输出到 ./out 或 ./public，需 Node.js 22+，适用于 Next.js、Gatsby、Astro、Docusaurus 等项目。
SreyaThota 的开源项目 PipelineMedic 旨在对 CI/CD 失败做 AI 辅助诊断与安全修复：解析失败日志、引用证据、检索相似历史故障并提出根因和补丁，特权操作需人工批准。Phase 1–2 已交付基于 Ollama 的日志诊断 API 与 GitHub Actions/Jenkins 解析、密钥脱敏；基于 46 条真实 GitHub Actions 日志测得 Last 15 lines 分块 Recall@1 为 0.413，v0.2.5 的 Neo4j 混合检索在 64 条 held-out 日志上 MRR 0.504，flat 检索仍是默认。
GitHub 开源的 claude-reads-hn 项目让 Claude Code 每天在 01:00、06:00、11:00、16:00 UTC 定时醒来，读取 Hacker News 前 100 条热帖、评论和原文，从中挑选 5 条写出毒舌摘要并提交到仓库。项目利用 Claude Code 5 小时配额重置机制，摘要以 org 格式存档并生成静态站点，可通过 Bark、Telegram、Discord 接收通知。
chedim 在 GitHub 发布 babyseat v0.7.0，一个本地运行的 AI 座席，内置 membrane 记忆系统，可在 Ollama 之前以实时代理方式从每条消息中学习，仅依赖嵌入模型，无需 LLM 摘要或打标签，内含名为 Blurp 的小型自我。记忆以实体场形式呈现，通过 surprise 机制做非负最小二乘拟合增量学习，无需手工整理 schema 或知识图谱；支持独立运行、Docker 和 Home Assistant 集成三种方式，多座席各持本地场、按需发布实体而不互相覆盖。