内容形态
开源仓库与工具：人格工程、记忆系统、去对齐脚本、推理与微调工具链。
2,050 条精选近 30 天 2,043 条共收录 8,504 条
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。
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。
dsweet99 发布开源工具 kiss，为 LLM 编码智能体提供代码库层面的全局反馈，支持 Python 和 Rust。kiss check 静态检测复杂度、重复等问题并给出位置与修改建议，kiss test 运行单测并强制时间、测试数量和 orphan 门控；kiss stats 与 kiss viz 可查看指标分布和 Mermaid 代码图，规则可写入 AGENTS.md 让智能体迭代至全部通过。详情见 https://github.com/dsweet99/kiss
推荐理由：作者本人发布的代码质量工具，给出可写进 AGENTS.md 的规则用法，并提供复杂度、重复度和 orphan 检测的具体反馈示例。
Kevin Peckham 在 GitHub 开源 barkup-bench，一个持续进行的预注册基准系列，比较 barkup（HTML 整树重写）与 JSON 细粒度变更工具等方案在让 LLM 智能体编辑页面布局、文档模板、CMS 内容等类型化树时的可靠性。系列已含 45 项研究、8 个模型上超过 36,000 次评分运行，覆盖接口、树规模、部分上下文、检索、会话记忆、多目标编辑等维度，并保留两次重大修正与若干自我反驳。
推荐理由：预注册协议加可复现语料和回归门禁的做法，为评测 LLM 智能体编辑结构化树提供了可迁移的实验纪律。
该 GitHub 项目测试能否像数据库一样把事实直接写入大语言模型权重，再查询、修改并留痕，无需每次重读全部内容，当前结论草案为 NOT-READY-WITH-CONDITIONS。基于 Qwen2.5-3B 用 MEMIT/AlphaEdit 系列方法编辑，批量写入在 3B 规模消除串扰（100%保持），编辑可经受 Q4_K_M 量化并经 llama.cpp 在 CPU 上以约 8–13 tok/s 服务；主要未解问题是多词新造名称的换措辞问答，目前最好成绩为 72 题中答对 24 题。
推荐理由：原文以预注册实验和可复现证据逐项检验把事实写进模型权重当数据库的可行性，并如实报告失败项。
pipe1os 发布开源 CLI 工具 modelinfo-cli，可离线检查 .safetensors、.gguf、.pt 模型 checkpoint 并计算硬件需求，仅用 Python 标准库读取二进制头文件，本地解析在 100ms 内完成。支持通过 Hugging Face Hub 的字节范围请求在 2 秒内远程读取头部而无需下载 checkpoint，可按上下文长度计算 VRAM、用 --vllm 模拟 PagedAttention 池可服务 token 数，并按 --gpu 与多卡 --topology、--strategy 做硬件适配诊断和并排对比。
推荐理由：工具只用标准库解析模型头文件，本地毫秒级、远程免下载整个 checkpoint 就能算 VRAM，部署前选型可以省大量磁盘和时间。
GitHub 开源了 rag-evaluation-testing-platform，一个零运行时依赖的 RAG 管线评测框架，固定数据集跑问答、对检索和生成分別打分，输出可 diff 的 JSON+CSV 报告。它内置 lexical/dense/hybrid 三种检索器、extractive 与 Ollama 生成器、以及经 65 条人工标注验证的 LLM-as-judge（llama3.2:3b 对 gemini-3.8-flash），评审器在 49 条留出项上 κ 达 0.95，词元规则为 0.90；21 个用例基线中 qwen3:1.7b 开启推理模式可将幻觉率从 0.25 降到 0，代价是延迟约 5 倍。
推荐理由：项目不只给代码，还用 65 条人工标注实测了 LLM 评审与词元规则的差异，读者可借此理解 RAG 评测该测什么。
hbenabdallah 发布 phpgraph，通过静态分析把 PHP 代码库解析成知识图谱，经 MCP 提供给 Sherpa、Claude Code、Codex、Cursor 等客户端，不调用 LLM、不联网、不执行代码。每条关系标注 EXTRACTED、INFERRED 或 AMBIGUOUS 置信级别，支持调用图、DDD 分层检查、消息处理器、路由、依赖注入和微服务契约分析。在约 26,600 个语料文件上零解析失败，Akeneo 8,400 文件全量构建约 22 秒、增量重建约 3 秒；实测接入后影响分析类问题 token 减少 42%、工具调用减少 59%。
推荐理由：作者用固定语料项目给出构建耗时、类型解析率和与同类工具的逐点对比数据，可据此评估这类代码图谱工具的实际效果。
NaNIsaac 发布了命令行工具 Codigest（GitHub 仓库 NaNIsaac/codigest，MIT 许可），可将整个项目、指定文件及其本地导入、自基线以来的变更或失败命令及其相关文件打包成一段可粘贴的文本，供 ChatGPT、Claude 等使用。工具支持 cdg scan、digest、diff、semdiff、cap、pack 等命令，默认 30,000 token 预算并报告每个文件的取舍理由，自动排除 .env 等凭据文件并掩码代码中的 token，通过 MCP 供 Claude Code、Cursor 等 Agent 自行请求上下文，全部在本地运行、不发起网络请求。
推荐理由：作者开源的 CLI 把选定的代码、变更和失败命令打包成可粘贴上下文，还给出 token 预算与文件取舍理由，便于按需迁移到自己的工作流。
YokosWY 在 GitHub 开源 token-governance，一套面向 LLM 代理的上下文成本治理方案。对一周账单（10,862 次调用、2.585B 上下文 tokens）逐 step 拆解后发现开销主体不是模型调用，而是工具输出（34.6%）、助手输出（27.3%）、工具清单（21.0%）和技能目录（12.2%），其中 42KB 技能目录在 490 步会话里被注入 53 次、累计重发达两亿 token 级别。通过把非必需项移出常驻、压缩长会话等配置层调整，真实日志复算显示每轮成本降 24–46%，会话越长降幅越大。仓库含 7 个技能（仅 tg-router 常驻）、5 个脚本和 6 个自研机制，当前版本 v0.7，MIT 许可。
推荐理由：作者用真实会话日志逐 step 复算成本，给出技能目录重发才是开销主体的归因和 24–46% 的降幅数据，方法可复现。
Cycls 发布面向 Python 的 deep-stack AI SDK，把 AI 智能体的运行时、界面、智能和状态四层抽象为可组合原语，用 cycls deploy 一条命令即可部署。SDK 提供 Image、Web、LLM、Volume 四个原语和 @function、@app、@agent 三个装饰器，部署后自带聊天界面、登录、按用户的文件与聊天存储、OpenAI 兼容 API 端点和沙箱化工具循环。支持 Anthropic 原生接口及 OpenAI 兼容端点（含 DeepSeek、Kimi、GLM、本地推理服务器），Bash 工具在 bubblewrap 沙箱中运行，可关闭网络以防提示词注入外泄。安装方式 pip install cycls，MIT 许可，文档在 docs.cycls.com。
推荐理由：原文给出了 Cycls Python SDK 的四个原语、三个装饰器和完整 CLI 清单，读者可以据此评估能否用一个文件完成 Agent 的编写与部署。
Lucca Pinto 在 GitHub 开源 ai-games 仓库，收录 12 款通过与 AI 对话生成的自包含浏览器游戏，共 63,613 行代码、6.6M 新 token、API 费用合计 US$ 211.06。
推荐理由：仓库把每款游戏的模型、Agent 和 token 开销都记录在案，还单独拆出 cache 读数，读者可以据此比较不同模型的实际编码成本。
GitHub 项目 HarnessProbe 开源，通过同一模型、同一任务、同一评分器下只切换 harness 配置的矩阵实验，输出 delta 和 Harness Sensitivity Index 而非榜单。作者给出一次 66 trials 的实测示例显示，11 个配置中 10 个得分相同，唯一移除 shell（无法运行测试）的 no-shell 配置掉 16.7 分，说明提示词调整是噪声、验证权限才是主要信号。工具含 6 个双向验证的任务、Wilson 置信区间、pass@k/pass^k 与 flakiness 指标、隔离沙箱，支持 Anthropic、OpenAI 兼容端点、DeepSeek 和 Ollama 本地模型，MIT 协议。
推荐理由：它把 harness 当作唯一变量做矩阵实测，并诚实给出置信区间与任务过易的局限，区分模型能力与脚手架贡献。
neoromantic 发布 @goodit/evals，一个把 eval 文件作为 Bun 测试运行的 LLM 功能评测框架，记录 scorer 指标与 token/延迟数据，并支持基线对比报告。该项目已进入维护模式，只做 bug 修复和依赖更新，不再新增功能；要求 Bun >= 1.3.9，peer 依赖 ai >= 6 和 zod，内置 ExactMatch、Contains、LLM judge 等 scorer，支持 Facts() LLM 判分、evalSuite.each 变体对比和 --json 机器可读输出，MIT 协议开源。
推荐理由：作者给出了把 LLM 功能评测跑成 Bun 测试的完整方案，scorer、基线对比与 token 延迟拆分都可直接迁移到自己的项目。
nash 是一个开源的 Claude Code 插件，用博弈论机制让并行智能体相互竞争而非趋同，提供 /nash:decide、/nash:review、/nash:debug、/nash:test、/nash:loop 五个命令。作者引用 Artificial Hivemind（NeurIPS 2025）等研究说明同模型智能体会聚集到同一 Schelling 焦点，通过禁用常见解法、盲评锦标赛、假设市场、红蓝变异体对抗等机制分配多样性。开发期间的小规模实测显示 /nash:test 将弱测试套件的变异得分从 5/13（38%）提升到 13/13（100%），/nash:decide 让 5 个智能体给出 5 种不同方案，作者注明这些是单次运行的演示数据而非基准。
推荐理由：用博弈论机制打破多智能体趋同，原文给出了各命令的实测对比数据，并明确标注为小规模演示而非基准。
ame-ml-ai 在 GitHub 发布面向 ML 工作的 Claude 技能 paper-to-code，输入 arXiv 链接、ID 或 PDF 后输出论文拆解和带测试的最小 PyTorch 实现。仓库附三个示例：LoRA 在 planted rank-4 偏移上以 13 倍更少参数达到 MSE 0.0007 优于全量微调的 0.0234，Transformer 学会序列反转（999/1000）并附消融，DPO 与 reward model + exact RL 匹配到 4 位小数、隐式奖励与真实奖励相关 0.976。每个示例是单文件 main.py，可在笔记本 CPU 一分钟内跑完且不下载任何东西，支持 cla.ai 上传或 Claude Code 克隆安装，MIT 许可。
推荐理由：仓库给出 LoRA、Transformer、DPO 三个可复现示例和具体对照数字，读者可以直接跑通并检验这套论文转代码技能的实际效果。
论文《Let It Be Simple: One-Step Action Generation for Vision-Language-Action Models》发布代码与权重，方法只需把训练时间步分布偏向噪声端点 t' = α·t / (1 + (α−1)·t)，无需蒸馏、新目标函数或新架构即可训练一步 VLA 策略。论文认为该效应是结构性的：丰富观测 tightly 约束紧凑动作目标，使不可约速度损失在噪声端点坍缩，而非像图像生成那样形成 U 形。
推荐理由：论文给出把训练时间步分布偏向噪声端点即可训练一步 VLA 策略的方法，并附开源代码、配置和 LIBERO 成功率数据，可复现验证。
作者 @meodai 在 GitHub 开源 skill.color-expert，一个把编码 agent 变成色彩科学专家的 agent skill，可通过 npx skills add meodai/skill.color-expert 安装，支持 Claude Code、Codex、Cursor、Copilot、OpenCode 等。
推荐理由：作者展示了把个人收藏沉淀为三层结构 agent skill 的做法，并用轻量 evals 让触发边界可书面评审，方法可迁移到其他领域知识库。
wangmiaozero 发布 Pi-Harness，一个围绕 Pi Coding Agent 的桌面工作区与运营控制面，Pi 仍是原生执行引擎，外层 adds 可视化观测、策略与预算、检查点恢复、评估诊断和多智能体编排。支持 macOS、Windows 与 Linux，社区安装包自带 Pi 和 Node.js；还可统一浏览 Claude Code、Codex、Cursor、Gemini CLI、OpenCode 等会话历史，提供项目架构可视化与自定义皮肤，采用 AGPL-3.0-only 协议。
推荐理由：原文完整列出了围绕 Pi Coding Agent 的可视化能力清单与原生运行时对照表，读者可以据此评估它在观测和多智能体编排上的实际边界。
Inspectr 在 GitHub 发布开源工具 MCPLab，用于测试、调试和评估 MCP 服务器，验证 LLM 智能体是否正确调用工具。支持 Streamable HTTP/SSE 传输，可对比 Claude、GPT-4 等模型在相同任务上的表现，提供工具约束、调用顺序校验、LLM 裁判语义断言、方差测试与 JSONL 轨迹追踪，并可通过 Rover 浏览器扩展在 Claude 和 ChatGPT 网页端运行评测，结果输出 HTML/JSON/Markdown 报告，支持 CI/CD 集成。项目采用 MIT 许可证。
推荐理由：这个框架把 MCP 工具的断言、多模型对比和 CI/CD 集成放进同一套 YAML 配置，开发者可以直接照搬其评测结构。