阿超

我们在我们的劳动过程中学习思考，劳动的结果，我们认识了世界的奥妙，于是我们就真正来改变生活了。——高尔基 Clodds：把预测市场、加密交易与 AI Agent 放进同一座交易终端项目地址：https://github.com/alsk1992/CloddsBot 市场从不缺数字，真正稀缺的是能够持续理解数字、筛选机会、执行动作并记录过程的工作流。 Clodds 是一个面向预测市场、加密现货、杠杆永续合约、代币发行与 Bittensor 子网挖矿的个人 AI 交易终端。它可以运行在自己的机器上，通过 Claude 驱动交易与研究能力，并把聊天、市场数据、策略、风控、订单执行、记忆、自动化和多渠道交互汇聚在同一套系统中。 它的名字来自 Claude 与 Odds 的组合。Claude 负责理解、分析与协作，Odds 指向市场概率、价格与机会。两者相遇，形成了一个不只是回答问题、也能够围绕市场执行任务的 AI 交易工作台。 Clodds 的目标并不局限于展示行情。它试图让 AI 从一个信息解释者，变成能够参与市场研究、机会扫描、策略执行、风险控制和交易记录的代理。 一台属于自己的...

如果学生在学校里学习的结果是使自己什么也不会创造，那他的一生永远是模仿和抄袭。——列夫・托尔斯泰 PI-Desktop：把 AI 编程代理带进一间真正属于开发者的桌面工作室项目地址：https://github.com/vastsa/PI-Desktop AI 编程代理正在越来越多地参与真实开发工作。它们能阅读代码、修改文件、执行命令、运行测试，也能围绕一个目标持续推进任务。但许多代理至今仍住在终端里、编辑器扩展里，或某个托管服务的狭小入口中。 PI-Desktop 想做的，是给这些代理一张更完整的桌面工作台。 它是一个本地优先的 AI 编程代理桌面应用，围绕项目、会话、模型、工具、审查和长时间运行的任务组织工作流程。开发者可以打开本地项目，自行配置模型，让代理开始工作，同时始终保留对权限、修改和执行结果的掌控。 它不要求 PI-Desktop 账户，也不要求通过固定的中转服务，更不把工作流锁定在某一个编辑器中。 这是一种很明确的产品姿态：模型可以自己选，项目可以自己开，代理可以自己跑，真正的控制权仍然留在使用者手里。 不是聊天窗口，而是一处代理工作空间如果把传统聊天式 AI...

重复是学习之母。——狄更斯 TeamAI：让团队的 AI 协作拥有同一套语言、记忆与进化路径项目地址：https://github.com/Tencent/teamai-cli 当 AI 编程助手逐渐进入日常研发流程，真正需要解决的问题，已经不只是“某个模型能不能写代码”。 一个人可以给 AI 一段提示词，让它完成一次代码修改；但一个团队想让不同成员、不同项目、不同 AI 工具中的代理都按同样的方式工作，就会遇到更多现实问题： 团队的开发规范怎样同步给每一个 AI 已经沉淀的技能、规则和文档怎样持续分发 不同成员使用不同 AI 工具时，如何避免工作方式彼此割裂 一次任务中的纠正、失败和经验，怎样从个人会话变成团队资产 大型代码库的结构、依赖和规则，怎样变成 AI 可检索、可理解的知识 TeamAI 给出的答案是：把团队经验做成一套可以管理、同步、检索和持续改进的 Harness。 它的目标非常明确：Make Every Team AI Native。 TeamAI 管理团队的 Skills、Rules、MCP 和 Knowledge，并将这些资源分发到 Claude Co...

对我来说，不学习，毋宁死。——罗蒙诺索夫 Context Mode：让 AI 编程助手把上下文留给真正重要的事项目地址：https://github.com/mksglu/context-mode 当 AI 编程助手开始参与更长、更复杂的开发任务时，一个看似安静的问题往往会悄悄浮出水面：上下文窗口正在被大量原始工具输出一点点吞没。 一次网页快照、一串访问日志、一批 GitHub Issue、几十个文件的连续读取，都会把大量未经整理的数据送进对话上下文。它们像不断涌入房间的纸箱，刚开始似乎无伤大雅，时间一长，真正需要被记住的目标、决策、错误、修改和推理路径，反而容易被挤到角落。 Context Mode 正是为这类问题而来。它将自己定义为上下文问题的另一半，专注于为 AI 编程代理优化上下文窗口：把高噪声、重输出的工具工作放进沙箱，把重要的会话轨迹持续保存下来，并通过 MCP 与 Hooks 为多种平台建立工具调用的路由机制。 它不是要替模型决定答案应该写得简短还是详细，也不试图规定最终表达的风格。它更像一位守在上下文入口处的调度员：该留下的留下，该转移的转移，让模型的注意力能...

活着就要学习，学习不是为了活着。——培根 HyperFrames：当 HTML 开始讲故事，视频制作也有了新的表达方式视频创作常常被想象成一条漫长的生产线。 画面、字幕、转场、音乐、时间轴、导出设置、格式编码，每个环节都像一扇需要单独推开的门。对于希望自动化制作内容的人来说，真正棘手的地方并不只是完成一支视频，而是如何把创意、代码、媒体资源与稳定的渲染结果放进同一条可重复执行的流程。 HyperFrames 希望把这件事变得更直接。 它是一套开源的视频渲染框架，核心思路非常清晰：编写 HTML，渲染视频，并且为智能体而构建。 项目地址：https://github.com/heygen-com/hyperframes 在 HyperFrames 的世界里，HTML、CSS、媒体资源与可定位动画不只是网页中的元素，它们能够共同组成确定性的 MP4 视频。开发者可以通过命令行在本地使用它，也可以让 AI 编程智能体借助技能体系参与视频制作，还可以将其作为代码库的一部分接入自动化工作流。 视频不再只能从传统时间轴中诞生，也可以从一个 index.html 开始。 视频，为什么不能像...

只要还有什么东西不知道，就永远应当学习。——小塞涅卡 Open Science：把研究过程留在桌面，把证据留在结果身边科研工作从来不只是提出一个问题，再等待一句答案。 一个真正完整的研究过程，往往要在多个空间之间反复穿梭：聊天窗口里梳理思路，Notebook 中执行代码，本地脚本里处理数据，科学数据库中查找信息，文件浏览器里管理材料，报告工具中组织结果。每一次切换都可能带走一部分上下文，每一次复制粘贴都可能让过程变得难以回溯。 AIPOCH Open Science 试图把这些分散的环节重新拉回同一个工作台。 它是一款开源、以本地优先为原则、模型无关的 AI 科研工作台，面向 macOS、Windows 与 Linux，服务于可复现的科学研究。项目将科学智能体、Python 与 R Notebook、数据连接器、项目文件、生成产物与溯源信息汇集到统一的桌面工作区中，让研究不只停留在对话里，也能够持续保留执行过程、文件关系和结果证据。 项目地址：https://github.com/aipoch/open-science Open Science 想解决的，不是单纯的文本生成问...

钉子有两个好处：一个是挤劲，一个是钻劲。我们在学习上要提倡这种 “钉子” 精神，善于挤和钻。——雷锋 NoSignups：把工具还给工具，把选择留给用户有些工具，本来只需要打开、使用、完成任务，然后离开。 但现实里，很多看似简单的在线服务总会先抛出一道门槛：注册账号、填写邮箱、验证身份、接受追踪、等待页面跳转。真正想做的事情还没开始，用户已经被迫进入一套与任务无关的流程。 NoSignups 的态度很鲜明。 它收集能够直接在浏览器中使用的开源工具，强调无需账号、无需邮箱、无需追踪。这里没有把注册包装成体验的一部分，也不把收集数据当作默认前提；工具应当尽快开始工作，用户应当保有自己的数据。 项目地址：https://github.com/BraveOPotato/FckSignups NoSignups 过去名为 FckSignups。它是一份围绕无注册开源工具建立的精选目录，也是一种明确的使用哲学：少一点索取，多一点完成任务的自由。 工具应该立即可用NoSignups 的核心很简单：打开浏览器，找到工具，开始使用。 这种简单并不意味着内容随意堆放。恰恰相反，项目希望把可即时使...

我学习了一生，现在我还在学习，而将来，只要我还有精力，我还要学习下去。——别林斯基 Magnitude：让本地模型真正走进智能体工作流当越来越多的人开始把智能体当作日常开发与创作的伙伴，一个问题也变得越来越具体：如果希望模型运行在自己的设备上，如何让它不只是“能跑起来”，而是真正自然地接入已经在使用的智能体工具？ Magnitude 给出的答案很直接：把本地模型推理能力做成一个开源推理服务器，让它能够根据机器硬件条件，为用户推荐合适的模型，并连接到已有的智能体之中。 项目地址：https://github.com/magnitudedev/magnitude Magnitude 的核心愿景，可以浓缩为一句很有力量的话：让智能体运行在本地模型之上，并且做到免费、私密、离线。 它不是要让用户从繁杂的配置、模型选择和性能判断中独自摸索，而是试图把这些原本分散的问题收拢起来：先认识你的设备，再推荐适合它的模型，随后下载并运行模型，最后把智能体切换到这套本地能力上。 本地模型不该是一场硬件猜谜游戏本地运行模型，听起来像是一个简单的目标，真正开始实践后却常常会遇到一连串问题。 机器有多少...

要建设，就必须有知识，必须掌握科学。而要有知识，就必须学习，顽强地、耐心地学习。向所有的人学习，不论向敌人或朋友都要学习，特别是向敌人学习。——斯大林 Pi：一套从模型调用到编码智能体的 AI Agent 工具箱项目地址：https://github.com/earendil-works/pi 当 AI 应用开始从一次简单的文本生成，走向会调用工具、维护上下文、执行任务、处理状态并持续与外部环境互动的智能体工作流时，真正复杂的问题便浮出水面。 模型来自哪里。 认证如何处理。 工具调用如何定义、验证与执行。 流式输出如何反馈到界面。 会话状态如何保存。 一个任务被中断后，怎样恢复。 不同模型之间切换时，上下文如何交接。 Pi 正是在这样的背景下出现的一套 AI Agent 工具箱。 它提供统一的大模型 API、智能体运行循环、终端用户界面库与交互式编码智能体命令行工具。项目希望将构建智能体时最容易分散的能力收拢起来，让开发者既能使用现成的编码智能体，也能从底层开始搭建属于自己的 Agent 系统。 Pi 的核心并不是把智能体包装成一个不可拆解的黑盒，而是提供一组可以单独使用、也...

德可以分为两种：一种是智慧的德，另一种是行为的德，前者是从学习中得来的，后者是从实践中得来的。——亚里士多德 Openship：把部署这件事，从一串命令变成一条完整航线项目地址：https://github.com/oblien/openship 部署应用，常常像一次看似简单却暗藏岔路的远航。 代码写好了，接下来还要构建镜像、准备运行环境、配置域名、处理 HTTPS、连接数据库、查看日志、安排备份。等到需要持续部署、预览环境、回滚版本、邮件服务或多台机器协作时，原本只想把应用发布出去的愿望，很容易被一层又一层基础设施细节包围。 Openship 是一个开源、支持自托管的部署平台，并且内置 CI/CD 能力。 它希望把部署过程收拢到同一个地方：只要将项目仓库、本地目录或预构建产物交给 Openship，它就可以识别项目、构建应用、启动服务、配置路由、处理 TLS 终止，并提供桌面应用、Web 控制台与命令行三种操作入口。 从源代码到可访问的应用，Openship 试图让这段距离变得更完整，也更连贯。 一个平台，承接从构建到上线的全过程Openship 的工作方式可以概...