阿超

一般青年的任务，尤其是共产主义青年团及其他一切组织的任务，可以用一句话来表示，就是要学习。—— 列宁 Apache Maka：把智能代理的每一次行动，留在自己的机器上当 AI Agent 开始进入真实工作流，人们关心的早已不只是“它能不能回答问题”。 更重要的问题是：它做过什么，它调用了什么工具，它读过哪些内容，它写下了什么结果，它为何停止，它在中断之后还能不能被找回。 Apache Maka 给出的回答很直接：让这些过程成为可以保存、可以恢复、可以查看的执行事实。 Apache Maka 是一个以本地优先为核心的 AI Agent 工作空间。它将模型消息、工具调用、工具结果、权限决策与终止事件记录为追加式日志，让代理运行过程不只停留在一段临时对话里，而是成为保存在本机上的工作记录。 项目地址：https://github.com/apache/maka 一台机器，一个持续运行的 Agent 工作空间Maka 的出发点并不复杂，却很有分量。 它把用户的机器视作工作发生的主要地点。会话、设置和运行记录默认保留在本地，用户可以自行接入云端 API、本地模型，或兼容的网关连接。模型...

如果不想在世界上虚度一生，那就要学习一辈子。—— 高尔基 Plane：让项目管理回到清晰、流动与专注项目管理工具常常有一种微妙的矛盾感。 它们原本是为了帮助团队整理工作，却可能因为配置复杂、信息分散、流程臃肿，反过来让管理本身成为新的负担。任务需要被拆分，进度需要被追踪，计划需要被看见，想法需要被记录，而团队真正需要的，往往不是更多混乱的入口，而是一块能够把工作自然聚拢起来的空间。 Plane 正是在这样的需求中出现的一款开源现代项目管理平台。 它将任务管理、周期推进、文档记录、工作分流与产品路线图管理放进同一个工作环境中，面向希望更有秩序地组织项目的团队。作为 Jira、Linear、Monday 和 ClickUp 的开源替代选择，Plane 想做的并不是把管理动作堆得更高，而是让团队能够更专注于工作本身。 项目地址：https://github.com/makeplane/plane 从一项工作开始，让项目逐渐显形任何项目，最初都由一件件具体的工作组成。 Plane 将这类工作组织为 Work Items。它不仅承担任务创建与管理的职责，也提供富文本编辑能力，并支持文件...

学习的敌人是自己的满足，要认真学习一点东西，必须从不自满开始。对自己，“学而不厌”，对人家，“诲人不倦”，我们应取这种态度。—— 毛泽东 awesome-gpt-image-2：把图像提示词从灵感碎片，整理成可复用的生产结构项目地址：https://github.com/freestylefly/awesome-gpt-image-2 AI 图像生成走到今天，问题早已不只是“能不能生成一张图”。 真正困难的部分，往往藏在更具体的地方：如何让画面稳定下来，如何让排版更可控，如何让文字、信息层级、主体、材质、灯光与构图不再彼此打架，如何把一次偶然成功的提示词，变成下一次也能继续使用的工作模板。 awesome-gpt-image-2 试图回答的，正是这个问题。 它以“Prompt as Code”为核心思路，围绕 GPT-Image2 构建工业级提示词引擎与模板库，整理了 500 余个逆向工程案例，并提供 20 余套工业级模板。这个项目不满足于把提示词堆成一段段充满形容词的自然语言，而是尝试把画面需求拆开、组织、组合，再重新变成可以复用的生成协议。 在这里，提示词不只是一次性许愿...

聪明在于学习，天才在于积累。所谓天才，实际上是依靠学习。—— 华罗庚 nodeterm：把终端与 AI 编码代理铺进一张无限画布项目地址：https://github.com/eneskirca/nodeterm 终端本来是开发者最熟悉的工作空间之一。 可当终端标签不断增加，项目不断切换，多个命令同时运行，AI 编码代理也开始并行工作时，熟悉的窗口布局很容易变成一叠叠被遮住的上下文。某个任务正在构建，另一个任务在等待确认，一段代理会话跑到了哪里，某个分支又对应哪一个终端，往往需要在层层标签之间来回寻找。 nodeterm 尝试用一种更具空间感的方式回应这件事。 它是一个基于节点的终端管理器，将终端与 AI 编码代理放到可无限平移和缩放的画布上。每一个真实运行的终端都可以成为一个可拖动的节点，每一个项目既是一张画布，也是一块类似看板的实时会话面板。终端不再只是藏在标签栏后面的一行标题，而是可以被放置、分组、命名、缩放和持续保留的工作单元。 对于工作流容易分散、任务经常并行、需要长期维护上下文的人来说，nodeterm 不再把终端视作一摞窗口，而是将它们组织成一张可见的地图。 当...

学习中经常取得成功可能会导致更大的学习兴趣，并改善学生作为学习的自我概念。—— 布鲁姆 llmfit：让本地大模型选择不再靠猜项目地址：https://github.com/AlexsJones/llmfit 本地运行大语言模型这件事，常常从一个看似简单的问题开始： 我的电脑，到底能跑什么模型？ 但真正面对这个问题时，答案很少是一句型号名称就能说清的。内存容量、CPU、GPU、显存、后端、模型架构、量化方式、上下文长度、推理速度，这些因素会在同一台机器上彼此交织。一个模型也许能装进内存，却未必有令人满意的速度。一个模型也许运行很快，却未必适合当前的任务。一个模型看起来参数规模合适，却可能因为上下文或硬件条件而失去实际意义。 llmfit 正是为这类选择而生的终端工具。 它面向数百个模型与提供方，通过一条命令帮助用户寻找能够在当前硬件上运行的模型。llmfit 会检测系统的 RAM、CPU、GPU 与显存条件，再从内存适配度、预估速度、质量和上下文四个维度为模型评分，最终给出适合当前机器的模型选择。 它不是让用户先记住一长串模型名称，再逐个下载、运行、观察结果。它更像一个站在终...

年轻只知学习营利，乃生命中最黯淡之时刻。—— 格里尔 Holehe：从邮箱线索出发，查找已注册账号的 OSINT 工具项目地址：https://github.com/megadose/holehe 在开放信息收集的工作里，邮箱往往像一把轻巧却重要的钥匙。它可能只是一个简短的字符串，却可能连接着用户在不同网站留下的注册痕迹。Holehe 便围绕这一线索展开：输入一个邮箱地址，检查它是否关联了多个网站上的账号，并在部分支持找回密码流程的网站中获取相关信息。 Holehe 是一个使用 Python 3 的 OSINT 工具，目标明确而直接：高效地从邮箱地址寻找已注册账号。它支持检查 Twitter、Instagram、Imgur 等网站，并覆盖超过 120 个站点。 它并不试图替用户登录账号，也不要求输入目标邮箱的密码。它通过网站已有的注册、登录、密码找回或其他相关流程，判断某个邮箱是否可能已被某项服务使用。 README 对它的定位十分简洁：根据邮箱查找已注册账号。 一个邮箱，一组站点检查结果Holehe 的核心能力，是检查邮箱地址是否关联了不同网站上的账号。 当一个邮箱被提交给...

经常不断地学习，你就什么都知道。你知道得越多，你就越有力量。—— 高尔基 Needle 2：把工具调用、设备使用与结构化提取装进 14MB 的小小引擎项目地址：https://github.com/cactus-compute/needle 当人们谈起模型能力时，话题往往会自然滑向更大的参数规模、更长的上下文和更复杂的部署链路。Needle 2 走向了另一条路线：它把目光投向体积、内存和可执行性，试图让工具调用、设备使用与结构化信息提取，以更轻巧的姿态落在微小设备之上。 Needle 2 是一个开放的 4500 万参数模型，面向工具调用、设备使用和结构化提取而设计。它将完整模型放入一个 14MB 的单一二进制文件中，一次完整会话的运行内存约为 28MB。对于手机、可穿戴设备、智能家居和机器人这样空间与资源都格外珍贵的场景，这种紧凑感像是把一套原本庞大的能力，折叠成了可以随身携带的小型工具箱。 这个仓库提供的是 Python 包，覆盖推理、LoRA 微调和导出流程。安装之后，开发者可以描述自己的工具，再从 Python 中调用它们。推理引擎会在首次使用时获取，而推理过程本身不进...

读书和学习是在别人思想和知识的帮助下，建立起自己的思想和知识。—— 普希金 Munder Difflin：把终端里的 AI 代理，变成一间会协作的办公室如果每一个终端会话都不再只是孤零零的一行命令，而是一位坐在工位上的 AI 同事，会怎样？ Munder Difflin 给出的答案，是把这些终端代理放进一间可以看见、可以指挥、可以协作的办公室里。 它是一套本地多代理运行框架，也是一款桌面应用。它将用户已经在使用的终端 AI 编程命令行工具包装为真正运行的代理，为每个代理提供长期记忆、邮箱、协作机制与可视化形象，再由一个名为 Michael 的用户分身统筹整间办公室的任务流转。 项目地址：https://github.com/chaitanyagiri/munder-difflin Munder Difflin 的目标并不是创造一种脱离真实工作环境的虚拟代理，而是让现有的终端代理命令行工具继续以原本的方式运行，同时获得团队协作能力。Claude Code、Antigravity、OpenAI Codex、xAI Grok、Kimi Code、Qwen、OpenCode、Crus...

学习外语并不难，学习外语就像交朋友一样，朋友是越交越熟的，天天见面，朋友之间就亲密无间了。—— 高士其 career-ops：把求职从信息洪流里拉回到可判断、可追踪、可行动的轨道求职常常像一场没有尽头的信息洪流。 职位页面不断刷新，岗位名称相似却要求各异，投递记录散落在不同网站、表格、邮件与浏览器标签页里。简历需要针对岗位调整，面试前需要补齐准备，面对薪资与合同又要切换到另一套思考方式。真正消耗人的，往往不只是写一份简历，而是在大量机会之间持续辨别：哪些值得投入，哪些只是看上去热闹，哪些应该果断放下。 career-ops 是一个开源的 AI 求职系统。它将 AI 编程命令行工具转化为求职指挥中心：扫描招聘门户，评估职位信息，生成针对岗位定制的简历 PDF，追踪申请进展，并将一系列分散的求职动作串成一条可持续推进的流程。 项目地址：/santifer/career-ops 它并不把自己定位成自动海投工具。恰恰相反，career-ops 强调自己是一套筛选系统。它希望帮助求职者从数百个机会中找出真正值得投入时间的少数岗位，而不是把简历无差别地抛向每一个入口。...

劳动教养了身体，学习教养了心灵。—— 史密斯 Omarchy：一套有明确态度的现代 Linux 发行版在 Linux 的世界里，选择往往很多，答案却未必清晰。Omarchy 从一开始就没有把自己塑造成包罗万象的集合体，而是用一句简洁的描述亮明方向：它是一套美观、现代且有明确取向的 Linux 发行版。 它由 DHH 打造。这里的“有明确取向”并不是一句装饰性的形容，而像是一种清晰的设计姿态：Omarchy 不试图在每一个方向上都保持模糊而宽泛的中立，它希望将一套完整的桌面使用体验组织起来，让系统、工具、界面、配置与日常动作彼此呼应。 项目地址：https://github.com/basecamp/omarchy 从一套发行版，到一部可持续阅读的手册Omarchy 的 README 没有堆砌冗长的介绍，而是把目光投向了另一项更重要的内容：Omarchy Manual。 这份手册的权威来源位于项目中的 manual/ 目录。它不是零散说明的拼接，也不是只覆盖安装阶段的快速指南，而是一条从初次接触到持续使用、从桌面操作到配置维护的完整阅读路径。 手册从欢迎页面开始，像为刚刚走进 ...