- AIPMClub

 

Current Path：AIPMClub  News  This

2025-09-14 Category: News Views() Like(0)

Like(0) 打赏

未经允许不得转载：AIPMClub »

Share To

快讯

TypeSafe AI 和 Jev：不写字、只做判断的那类模型

最近开发者圈子里很火的 typesafe.ai，不是又一个聊天机器人。它公司叫 TypeSafe AI，刚公开的模型叫 Jev。很多人把「Jev」当成某个人的网名——不对，Jev 是模型名。

下面按「是什么 → 为什么火 → 怎么用 → 适不适合你」说明。数字凡标「官方宣称」的，都是厂商自评，不是我们独立复现。

一句话

TypeSafe AI 做的是给软件用的「快决策」接口：你把当前情况（state）和几个写死类型的问题交给它，它返回选项、分数或是非概率，方便你的代码直接分支。它不生成长文，也不替代 ChatGPT。

它是谁、Jev 是什么

公司：TypeSafe AI（官网 typesafe.ai），旧金山 AI 实验室，大约 2024 年前后成立，2026-09-15 前后结束隐身、公开首款模型。
产品：托管 API（POST https://api.typesafe.ai/v1/systemone）+ Python / JS SDK + Playground；目前是 early access（要排队拿钥匙）。
团队（官网）：CEO Diogo Almeida（官方介绍与 RLHF / InstructGPT、ChatGPT、GPT-4 相关工作有关，前 Google Brain）；CTO Erik Gafni；COO Sasha Sheng。公司账号 @typesafeai。
Jev：第一个公开的 System One 模型。名字来自经济学家 William Stanley Jevons（杰文斯悖论：效率提高后，用量反而更大）。「System One」借用 Kahneman《思考，快与慢》里「快直觉」那一套，强调窄任务、快速判断，而不是慢吞吞的长推理写作。
别和 Scala 的 Typesafe 搞混：当年做 Scala/Akka 的 Typesafe 公司约 2016 年改名 Lightbend，和今天这家 AI 公司无关。

融资方面，媒体（如 SiliconANGLE）报道过约 4000 万美元种子轮、DCVC 领投；估值等属二手转述，写站时最好标明来源。

为什么最近突然火

几件事叠在一起：

2026-09-15 左右正式发布官方博文与演示，定位清晰：「不做聊天，给软件做结构化决策」。
创始人发布帖带视频，传播量很大（我们用 X API 在 9/20 核对过，单帖互动与曝光都极高），开发者时间线被刷屏。
叙事抓人：放弃「一个字一个字吐字符串」，换速度、成本、类型固定的输出；前 ChatGPT 相关研究者开新方向，话题本身就够吸睛。
第二天就上了 Vercel AI Gateway（模型 ID 如 typesafe-ai/jev），集成门槛变低，生态跟进快。

所以火的不完全是「又一个大模型」，而是「决策专用、极便宜、毫秒级、能直接写进 if」这种新品类故事。

它具体干什么

要解决什么麻烦

大语言模型主要是给人看文字优化的。塞进业务系统时，常见摩擦是：

要解析 JSON、校验格式，还怕模型胡编字段；
串行生成慢、贵；
你真正想要的往往只是：分流、分类、打分、是否升级人工——并不需要一段漂亮散文。

TypeSafe 的说法是：软件需要的是可靠的决策接口，不是段落。

调用方式（高层）

准备一份 state（上下文）：字符串、JSON 或文本数组都行；目前官方是纯文本，没有图像/音视频。
同一次请求里声明若干类型化问题（可并行问多个）。
模型返回结构化答案，以及概率；Choice / Score 还有 confidence。
你用自己的代码写阈值，例如「升级工单的概率大于 0.7 就转人工」。

三类问题（官方文档）：

类型	干什么	大致返回
Choice	在给定选项里选一个	选中的键、各选项概率、confidence
Score	按有序量表打分	分数、分布、confidence
Noul	是/否类判断	0–1 的概率

官方把自己比作：「前沿智能的函数调用：非结构化状态进，类型化概率决策出」。

技术上他们自称用 RLCD（面向校准决策的强化学习一类方法），以及并行输出概率，而不是像 LLM 那样自回归逐 token 写字。放弃生成字符串，是为了换延迟和成本。

官方宣称的数字（请当广告读）

来自官网 / 文档 / 发布博客：

延迟大约 70–500 毫秒一档；
输入约 $0.042 / 百万 tokens，输出 token 免费；
单次请求合计上下文约 64k tokens；
当前版本文档里常见 jev-1.13.0，别名如 jev-latest；
他们说「不会幻觉」主要指：输出被 schema 卡住，不会吐出你没声明的选项——不等于判断永远正确。

官方评测页还有相对某些 LLM 工作流「快几百倍、便宜几百倍」的说法，并自带 nuance；写文章务必写清「厂商自评」。

适合谁、不适合谁

更可能用得上的人：

要在后端写「智能路由 / 分类 / 打分 / 校验」的工程师；
工单分流、意图识别、风险优先级、批量数据判断；
给大模型或 Agent 做护栏：判分、筛 RAG 段落、不确定就转人工或转更大模型；
要低延迟、高吞吐的实时决策。

不太适合：

写文章、写代码、开放式聊天；
算术、精确日期比较、复杂多跳推理（官方 jaggedness 文档写得很直白：这些弱，算术应放代码里做）；
指望它生成自由文本。

上手路径大致是：官网 waitlist → 控制台拿 API key → 看 docs quickstart → 用官方 SDK，或经 Vercel 等网关调用。生产环境若阈值敏感，官方建议钉死模型版本（不要盲信 jev-latest 一直不变）。

限制（读文档比读营销页更重要）

官方 Jev 1.13 jaggedness 等材料里，值得记住的有：

会答错；校准是统计意义，单次不保证对；要用 confidence 设自动/人工分流。
偏字面理解，否定句、隐含条件要写清楚。
数学、日期弱 → 数值计算放代码。
state 又大又杂会掉精度，先过滤。
不做生成；早期访问，限额会变，高峰期曾出现服务压力。
不按客户数据做微调；领域适配主要靠你怎么写 state 和问题。
输入目前偏英语友好，中文等要自己测。

和「开源大模型」的关系

公开仓库主要是 SDK、skills、adapter 等（例如 typesafe-ai/skills、typesafe-sdk-python / js）。模型权重本身不是按「开源大模型仓库」那种方式放出的。 写站时别写成「又一个开源 LLM」。

小结

问题	答案
typesafe.ai 是什么？	做「System One」决策模型与 API 的公司
Jev 是谁？	模型名，不是网红个人
核心能力？	state + 类型化问题 → 概率化结构化决策，给代码用
为什么火？	新品类叙事 + 发布传播 + 低价低延迟 + 平台秒接
你要不要用？	需要高频、可嵌入代码的分类/路由/打分时值得试；要写作和开放推理时继续用 LLM

主要链接

官网：https://typesafe.ai/
发布博文：https://typesafe.ai/blog/introducing-system-one-models-and-jev
文档：https://docs.typesafe.ai/
限制说明：https://docs.typesafe.ai/model-jaggedness/jev-1.13.md
Vercel Gateway：https://vercel.com/ai-gateway/models/jev

2 days ago

9/20 开源速递：电脑操控 Agent、文档进 RAG、以及给并行 Agent 用的 worktree

今天六个仓，还是「要不要装」视角：解决啥问题、适合谁、坑在哪。少贴命令，多讲取舍。

trycua/cua：给 Agent 一套能真点电脑的底座

trycua/cua（约 24.5k★ · MIT）

「Computer use」口号很多，真正难的是跨系统点原生应用、隔离环境，还能评测。cua 把这事拆成一组组件：Driver 操作 macOS/Windows/Linux 应用和浏览器，Fleets 提供可截图、可下命令的隔离云桌面，Lume 在 Apple Silicon 上管本地虚拟机，再加面向电脑操作的小模型和评测台。定位是 computer-use 2.0 的开源底座，不是又一个聊天插件。

适合谁：在做桌面自动化、训练/评测电脑操作 Agent，或需要隔离云桌面跑任务的人。

一眼坑：这是组件集合，平台、权限、凭据各不一样。Lume 绑 Apple Silicon；云 Fleet 要凭据，用完不清理可能继续占付费容量。别当「一条命令通吃所有电脑」。

Open-Dev-Society/OpenStock：免费开源的行情看板

Open-Dev-Society/OpenStock（约 16.1k★ · AGPL-3.0）

商业行情软件又贵又封闭，OpenStock 想做开源替代：搜索报价、公司资料、新闻、关注列表，叠 TradingView 图表、热力图和市场概览，还能接一点社交媒体与预测市场情绪。数据主线走 Finnhub；邮件提醒、入门引导是可选增强。

适合谁：想自建股票看板、练 Next.js 全栈，或能接受延迟行情的市场观察者。

一眼坑：不是券商，更不是投资建议。免费数据源常有延迟和速率限制；要跑完整，还得 MongoDB、API key，邮件和部署另有门槛。AGPL 对二次分发更严。

docling-project/docling：把乱七八糟的文档喂给 RAG

docling-project/docling（约 67.1k★ · MIT）

RAG 翻车，经常翻在「PDF/扫描件/表格」没被正确拆开。Docling 把 PDF、Office、网页、图片、邮件甚至部分音视频，解析成带阅读顺序、表格、公式意识的结构化内容，再导出 Markdown/HTML/JSON 等，方便接搜索和生成式 AI。可本地跑，也能挂进常见编排框架。

适合谁：做文档问答、企业知识库、批量清洗资料，尤其是不想把敏感文件先丢给云端解析的人。

一眼坑：代码 MIT，但单独下载的模型可能另有许可证。Python 版本要跟上。复杂版面别指望一次完美，脏文档仍要抽检。

想试的话：pip install docling

heygen-com/hyperframes：用 HTML 写画面，再渲成视频

heygen-com/hyperframes（约 51.7k★ · Apache-2.0）

短视频流水线里，Agent 最擅长写文本和 HTML，不擅长在时间线上抠关键帧。Hyperframes 让你用 HTML/CSS/媒体做确定性画面，再渲成 MP4；动画要能被时间轴安全定位（GSAP、CSS、Lottie、Three.js 等），还有转场、字幕、图表一类可复用件。本地、Docker、云端渲染路径都有，面向人和 Agent 一起做视频。

适合谁：想让 Agent 参与短视频生产，或讨厌传统剪辑时间线、更熟前端的人。

一眼坑：不是「打开网页录屏」。动画不能 seek，渲出来就会糊。本机还要新 Node 和 FFmpeg；完整源码开发可能拖到很大的测试视频资源。

cactus-compute/needle：塞进手机里的超小自动化模型

cactus-compute/needle（约 11.6k★ · Apache-2.0）

端侧设备养不起大模型，但总想本地做工具调用、结构化抽取和向量匹配。Needle 把这类能力压进约 8–29MB、2-bit 的小模型：选工具、填参数、按结构吐字段、本地出向量，还带回置信度。目标是手机、穿戴、机器人这类场景，少依赖云端聊天大模型。

适合谁：做离线/端侧自动化、设备控制、结构化输入路由的人。

一眼坑：它换的是通用闲聊能力。默认二进制可能带遥测，隐私敏感项目先评估。装 Python 包只是入口，真正上设备还要选平台引擎和权重。

max-sixty/worktrunk：并行 AI Agent 的 worktree 切换器

max-sixty/worktrunk（约 8.1k★ · MIT/Apache-2.0）

多个 Agent 同时改一个仓库，最痛的是分支和目录搅成一团。Worktrunk 把 Git worktree 管得像切分支：创建、切换、清理，还能用 hooks 自动装依赖、起服务，把提交、rebase、合并串成流程，顺带看 CI、diff、PR。为并行 AI agent 场景写得很直白。

适合谁：已经在多开 Claude/Codex 等 Agent，或习惯并行开多个功能分支的 Git 用户。

一眼坑：shell 集成没配好，切目录就不顺手。Windows 上短命令名可能和系统自带的终端命令撞车。它管的是工作区，不替你付模型账单。

macOS 上常见装法：brew install worktrunk

今天若只动一个：文档进 RAG 看 Docling；并行 Agent 看 Worktrunk；真要做电脑操作 Agent 再碰 cua。OpenStock 适合自建看板，Hyperframes 适合视频流水线，Needle 适合端侧——三者都不是「装完即万能」。

3 days ago
9/19 开源速递：先对齐再写代码、自托管对象存储、以及本地私人搜索
今天六个仓，按「要不要装」来写：解决啥问题、适合谁、坑在哪。少贴命令，多讲取舍。

Fission-AI/OpenSpec：别让 AI 聊完就直接开写

Fission-AI/OpenSpec（约 69.4k★ · TypeScript · MIT）

Agent 写代码最常见的翻车，不是不会敲键盘，是需求和验收没对齐就开始改仓库。OpenSpec 给 AI 编程加一层轻量规格：用 Markdown 管提案、需求、设计和任务，走探索→提案→实施→归档，中间随时能改，不搞死板瀑布。它接进几十个常见 coding assistant，本质是工作流，不是又一个模型。

适合谁：已经在用 Claude Code、Cursor、Codex 这类工具，尤其是维护旧项目、改需求比写新功能更频繁的人。

一眼坑：规格再清楚，模型上下文和账号额度照样卡你。它管的是「先想清楚」，不管「模型够不够聪明」。

想试的话：npm install -g @fission-ai/openspec@latest（需要较新的 Node）。

rustfs/rustfs：S3 兼容对象存储，盯上 MinIO 替代位

rustfs/rustfs（约 33.2k★ · Rust · Apache-2.0）

要自建对象存储时，很多人第一反应还是 MinIO。RustFS 用 Rust 做高性能、分布式、S3 兼容存储：上传下载、版本控制、Object Lock、Web 控制台、IAM/策略、OIDC/SSO、加密与生命周期都在能力清单里，还顺带扫到 Swift、SFTP、WebDAV。单节点能跑，也能往分布式池、复制和纠删码方向扩。定位很明确——数据湖、AI 数据、私有化基础设施，以及和现有 MinIO/Ceph 共存或迁移。

适合谁：运维和平台团队，已经会 Docker/K8s，需要私有 S3 接口、又不想被某一家发行版绑死的人。

一眼坑：单节点单盘别指望原地平滑扩成存储池；默认账号密码绝不能直接怼公网。Docker 挂载目录权限不对会踩坑。它是正经基础设施，不是「装完就能忘」的玩具。

Docker 快速起一版：docker run -d -p 9000:9000 -p 9001:9001 rustfs/rustfs:latest

ahmedkhaleel2004/gitdiagram：陌生仓库几秒出可点架构图

ahmedkhaleel2004/gitdiagram（约 16.5k★ · TypeScript · MIT）

接手陌生 GitHub 仓，最烦的是 README 只写愿景、目录却像迷宫。GitDiagram 吃仓库结构、README 和部分源码，吐出可交互的系统关系图；节点能跳回 GitHub 文件，过程还能流式解释，图也能导出。公开仓直接用托管站；私有仓要自备有读权限的 GitHub 令牌。

适合谁：做 onboarding、架构梳理、评审前快速摸仓的人。

一眼坑：不是纯离线工具。生成依赖 GitHub API、AI 后端和配额；私库令牌保管不好就是事故。别当「永远准确的架构真理」，当快速导航更合适。

blader/humanizer：改 AI 腔，不编事实

blader/humanizer（约 50.0k★ · Python · MIT）

AI 写出来的东西，读两段就知道：排比、空壳转折、过分工整。Humanizer 是给 agent 用的 skill，专治这类文风痕迹——先标问题，再改语气；能对照你的样文学节奏。它强调改写法、不乱编姓名日期数字，缺事实会问你。不是独立写作 App，是挂在支持 skills 的 agent 上用。

适合谁：经常让 agent 改 README、公告、技术博客，又嫌「一眼 AI」的人。

一眼坑：它不是事实核查器，也不承诺骗过任何 AI 检测。改完仍要人过一眼。没有 agent 宿主，这仓库对你几乎没用。

stablyai/orca：并行多 Agent 工作台，还能手机盯进度

stablyai/orca（约 72.0k★ · TypeScript · MIT）

一个人开好几个 CLI coding agent，切换窗口和 worktree 会把自己搞疯。Orca 把它们收进统一桌面工作区：一条提示可以并行拉多个隔离 worktree，终端分屏、持久滚动、快速搜索都在；还有 Design Mode 把页面元素丢给 agent，以及 GitHub/Linear 视图、SSH 远程 worktree、手机伴侣盯进度。它是编排层，不是模型厂商。

适合谁：已经在用 Claude Code、Codex、OpenCode 等 CLI agent，想并行试方案、又要本地/手机/远程一起盯的人。

一眼坑：Orca 不自带智商。效果、费用、登录全看你接入的那些 CLI。没装好至少一个能跑的 agent，下载了也是空壳工作台。macOS/Windows/Linux 有安装包，按官网装即可。

asciimoo/hister：搜的是你自己看过的页和存过的文件

asciimoo/hister（约 5.0k★ · Go · AGPL-3.0+）

公共搜索引擎搜全世界，Hister 搜的是你选择留下的东西：浏览过的网页、本地文件，本地跑、私人索引。浏览器扩展自动收录，Web/终端/MCP 都能查，支持字段过滤和短语检索；语义搜索是可选项。定位很清楚——个人知识回捞，不是替代 Google。

适合谁：在意隐私、想把浏览记录和本地资料统一检索的自托管用户。

一眼坑：服务得一直开着，扩展启用后才会持续进索引。它不会帮你扫全网。AGPL 对二次分发更严，商用或改完再发布前先把许可证读完。Linux/macOS/Windows 有预编译包，装上扩展就能开始养索引。

今天若只动一个：写代码老被 Agent 带跑偏，先看 OpenSpec；要自建 S3，看 RustFS；图好看但预算紧，gitdiagram 的托管站就够用。Orca 适合已经「多开 agent」的人；Humanizer 适合改文风；Hister 适合愿意养本地索引的人。

4 days ago
9/18 开源速递：本机浏览器给 Agent、卫星视角地球、以及少废话的 coding 技能
Agent 要碰真实网站、地球可视化要「上帝视角」、模型爱铺垫——这六个仓分别对付一类具体烦恼。下面按「值不值得装」来写：解决什么、给谁用、一个最要命的坑。

Tencent/BrowserSkill

BrowserSkill 解决的是：Agent 要操作你已经登录过的网站，又不想抢走当前标签页、也不想再登一遍。

它在本机开一个独立的 Agent 窗口，复用浏览器会话。日常就是装好 CLI 和扩展，再把 skill 接到 Cursor、Claude Code 这类能调 shell 的工具上。验证码或二次登录时，可以叫人介入；要借用你已开的标签页，必须你明确同意。

适合谁：经常让 Agent 爬已登录后台、内部系统，又懒得为每次自动化重新登录的人。

一眼坑：Firefox 还不支持。更新时 CLI、扩展、后台进程三个一起升，版本不一致会报警。

bilawalsidhu/gods-eye-view

gods-eye-view 是浏览器里的写实 3D「间谍卫星」视角，在线演示在 maptheworld.ai。

球面上可以叠航班、船舶、地震、火灾、卫星轨道等公开数据层，还能切驾驶舱、军用 HUD、夜视一类视觉风格。本地用 Node 跑起来就能玩；无账号也能看普通底图，逼真三维和语音操控才要额外密钥。

适合谁：想本地玩地理情报可视化、学 Cesium，或给演示做「上帝视角地球」的人。

一眼坑：不少图层是模拟或粗估计，别当成生产级 OSINT 系统。绑本机访问更安全；把服务暴露到局域网时，密钥代理可能被摸到。源码开源，但部分捆绑数据另有条款。

ayghri/i-have-adhd

i-have-adhd 不是提示词合集，而是一份写死输出纪律的 skill：先给下一步、步骤编号、少闲聊、列表别太长。

装到 Claude、Codex、Cursor 等宿主后，调用一次就能改对话体感。没有独立后台，也没有自带的云 API。

适合谁：受不了模型先写三段「当然可以」、结尾再来一句「希望对你有帮助」的重度 Agent 用户。

一眼坑：不显式启用就不会生效。开了 always-on 以后，「停掉 ADHD 模式」只管当前会话，全局开关要自己关掉。

addyosmani/agent-skills

agent-skills 是 Addy Osmani 做的工程生命周期技能包：规格、计划、实现、测试、审查、上线，用斜杠命令把流程钉死。

官网在 skills.addy.ie。最快上手一般是一条安装命令接到你的 coding agent；仓库本身不收你的云 API 密钥。

适合谁：已经在用 Agent 写完整功能，但缺「规格 → 实现 → 测试 → 审查」强制纪律的个人和团队。

一眼坑：技能只是流程约束——宿主偷懒不读技能说明，等于白装。只装单个技能时，仓库级参考清单可能带不上。

mksglu/context-mode

context-mode 针对长会话最贵的那部分：工具输出和日志把上下文灌爆。

它把工具吐出的大段内容压进沙箱，只让精炼结果进对话，并带持久记忆。主页 context-mode.com。多数平台装好后还要打开 hooks，才会自动改路由。

适合谁：动辄开几十轮、狂读仓库和 MCP、经常撞 context 墙的人。

一眼坑：许可证是 Elastic License 2.0，不能拿它当托管服务卖实质功能。只装 MCP、不开 hooks，就没有自动省上下文。新开会话若不续接上一轮，本地会话数据可能被清掉。

TencentCloud/Octop

Octop 是可自托管的多用户多 Agent 助手：网页面板、命令行、飞书/钉钉等 IM、定时任务，数据默认放本机。官网 octop.cloud。

模型走兼容 OpenAI 的接口、通义或本地 Ollama，密钥自己管。装好后初始化并启动服务，浏览器打开本机面板即可。

适合谁：家庭或小团队要自托管助手、要接国内 IM、要多 Agent 工作区隔离的人。

一眼坑：装完不等于全家桶齐活——浏览器自动化、远程桌面等依赖可选组件和权限审批。路线图里的多智能体协作、原生客户端等还在做。

今天若只动一个：要 Agent 操作真实登录态站点，看 BrowserSkill；context 老爆，优先 context-mode；想把开发流程纪律化，看 agent-skills。gods-eye-view 好看但吃 Node 版本；i-have-adhd 轻、立刻能改体感；Octop 适合愿意自托管的小团队，不适合只想「下一个网页聊天框」的人。
4 days ago

今天这 6 个仓：Agent 真审安全、本地语音工作室、Mac 上虚拟 iPhone

GitHub 今天这波看起来很杂——安全审计 skill、本地 TTS/听写、虚拟 iPhone、Claude 岗位插件、腾讯 RAG、CV 工具库。杂归杂，共同点其实很清楚：都在把「能演示」往「能长期用」推。

上一版写太薄。下面按仓库说清它实际干什么、给谁用、怎么上手、以及 README / 官方材料里写明的坑。星标为 2026-09-17 拉取时的近似值。

1. cloudflare/security-audit-skill（★约 8.4k）

给 coding agent 用的多分阶段安全审计 skill，不是又一份「检查清单 prompt」。Cloudflare 博客写得很直白：他们后来的舰队级漏洞发现 harness，就是从这份约 450 行的 skill 长出来的；仓库本身仍是单仓起点。

Cloudflare 博客配图：vulnerability harness

流程按 README 拆成六段，而且每段有硬产物，不是口头汇报：

侦察：把架构、信任边界、输入面、既有证据和确定性覆盖写进 architecture.md 与 coverage-ledger.json
覆盖驱动狩猎：按 ledger 单元派隔离 hunter，再用 coverage critic 找空洞
候选验证：每个独特候选交给全新 verifier，任务是证伪，不是帮腔
结构化输出：confirmed / needs_validation / rejected 写入 findings.json，对照 report-schema.json
独立再核：另起 agent 核源码主张；替换过的记录还要再验一轮
目标中立报告：从已核记录生成 REPORT.md、FINDINGS-DETAIL.md、NEEDS-VALIDATION.md

父流程会在创建 ledger 之后、以及每次 ledger 更新后跑 validate-coverage-ledger.cjs；Phase 4 和每次 Phase 5 替换后跑 validate-findings.cjs——校验器是零依赖的 Node 脚本。

判定语义写死了：confirmed 要有完整源码轨迹和有界观测结果；needs_validation 只保留精确未决事实、不给 severity；rejected 是被证伪的候选。多次跑同一仓是累加的——会吃旧 ledger / findings，专门补空洞，不会把过期或未决工作当成「已覆盖」。

设计原则里有几条很反直觉、但实用：只确认「边界真破了」的问题；发现者和验证者不能是同一个 agent；概率 × 影响才谈 severity，checklist 偏差不算洞；防御纵深缺一层如果上层已挡住，只记 hardening note。他们自己的测试口径：单次大约只能摸到多次累计发现量的一半。

适合谁： 已经在用支持工具调用、最好还能开并行子代理的编码助手，又想把安全审计跑成可复查流程的人。别指望它替代正式渗透，它更像「可重复、可机器校验的审计编排」。

上手：

npx skills add https://github.com/cloudflare/security-audit-skill \
  --skill security-audit

也可加 --global 做用户级安装。然后在目标仓里对 agent 说 security audit this codebase / find security vulnerabilities in ./src。全量审计未指定输出目录时，默认落到 ~/security-audit-skill/<repo-name>/run-<N>；只有你显式选了版本控制忽略的目录，才会往目标仓里写。

门槛与坑： 需要能并行子代理、支持工具调用的模型；Node.js 跑上述校验脚本；以及 OS 级沙箱——禁外网、环境白名单、资源限额、只能写指定 scratch。没有这些控制时，工作流会把 lead 留在 needs_validation，而不是执行目标代码。换句话说：沙箱不达标，它宁可「不盖章」。

仓库：https://github.com/cloudflare/security-audit-skill · MIT 延伸阅读：https://blog.cloudflare.com/build-your-own-vulnerability-harness/

2. jamiepine/voicebox（★约 54.6k）

本地优先的开源 AI 语音工作室。README 的定位很干脆：ElevenLabs（输出）和 WisprFlow（输入）各管半边，Voicebox 把两边都做了，再塞一个本地 LLM 做润色和人设，整条链路默认不出本机。

Voicebox 应用界面截图

能力面很实，不是 slogan：

7 个 TTS 引擎：Qwen3-TTS、Qwen CustomVoice、LuxTTS、Chatterbox Multilingual、Chatterbox Turbo、HumeAI TADA、Kokoro；按次可切换
克隆 + 预设：零样本参考音频克隆；Kokoro / Qwen CustomVoice 还有 50+ 预设声线
23 种语言（覆盖最广的是 Chatterbox Multilingual）
表现力：只有 Chatterbox Turbo 会解释 [laugh] / [sigh] 这类副语言标签；别的引擎会当字面文本念出来
后期：基于 Spotify pedalboard 的音高、混响、延迟、合唱、压缩、滤波等，可做预设并挂到声线 profile
长文：按句切块再 crossfade，单次文本上限约 50,000 字符
Stories：多轨时间线，做对话 / 播客 / 叙事
全局听写：热键 push-to-talk / toggle；macOS 上可无障碍校验后自动粘贴到当前输入框；STT 用 Whisper（含 Turbo）
Agent 出声：内置 MCP（voicebox.speak 等）+ 本机 REST（默认 127.0.0.1:17493）
人设：给声线挂 personality，本地 Qwen3（0.6B / 1.7B / 4B）可 Compose / 改写后再 TTS

桌面端是 Tauri（Rust）+ React，后端 FastAPI；推理在 Apple Silicon 走 MLX，Windows/Linux 可走 CUDA / ROCm / DirectML / Intel Arc / CPU。

Voicebox 另一张产品截图

适合谁： 播客与配音、要隐私的本地语音工作流、以及想给 Claude Code / Cursor 等 agent 挂「能说能听」的人。

上手： macOS（Apple Silicon / Intel）和 Windows 有官方安装包（voicebox.sh / GitHub Releases）；Docker 可用 docker compose up。Linux 尚无预编译包，要按官方文档源码构建。开发侧 README 写的是 Bun、Rust、Python 3.11+、Tauri 前置依赖。

坑：模型下载体积和显存占用按引擎差很多；副语言标签只在 Chatterbox Turbo 上有意义；Windows/Linux 的「听写后自动粘贴」仍在路线图，别默认全平台体验一致；首次跑会拉模型，网络和磁盘都要留余量。

仓库：https://github.com/jamiepine/voicebox · 站点：https://voicebox.sh · MIT

3. Lakr233/vphone-cli（★约 13.5k）

在 Apple Silicon Mac 上，借助 Apple Virtualization.framework 和 PCC 相关虚拟机基础设施，拉起一台虚拟 iPhone。这不是模拟器里跑 App 的那种「开发便利」，而是偏固件 / 越狱 / 自动化研究的整机虚拟化。

vphone-cli 演示截图

一条命令能跑通下载 → 补丁 → DFU restore → CFW → 首次启动：

brew install zqxwce/tap/vphone-cli
vphone-cli vm create myphone -V jb
vphone-cli vm launch myphone

补丁变体按安全绕过强度递进（README 表格）：less（4 patches，保留缓解）→ regular（42）→ dev（53）→ jb（113，首次启动自动装 Sileo / TrollStore）→ exp（141，越狱超集 + 反虚拟机检测研究补丁）。日常管理有 list / clone / export-import（默认 zstd）/ CPU·内存配置。跑起来后：jb 变体可 ssh -p 22222 mobile@<ip>（密码 alpine），也可用 VNC vnc://<ip>:5901。主机控制套接字（<bundle>/vphone.sock）还能截屏、触控、滑动、硬件键、剪贴板，方便接 AI 端到端测试；另有配套 vphone-mcp。

适合谁： 在 Apple Silicon 上做 iOS 底层研究、越狱实验、需要可编程控制虚拟机的自动化测试的人。想「多开个 App Store 日常机」的，直接劝退。

硬门槛（README 写死）：

仅 Apple Silicon；macOS 15+（Sequoia）
Xcode + iOS SDK（交叉编译 guest daemon）
需要放宽 SIP/AMFI 才能用私有 PV=3 entitlement（Recovery 里 csrutil，或 amfidont 白名单）
一串 Homebrew 依赖：python@3.13、aria2、ipsw、ldid-procursus 等
不能嵌套虚拟化——宿主机自己若是虚拟机，会报 Virtualization unavailable

坑： zsh: killed 多半是 AMFI 没放行；卡在 “Press home to continue” 要用 VNC 右键模拟 Home；系统 App 装不上时别选日本 / 欧盟地区做初始化；cfw install 可能撞上 ldid-procursus 稳定版对 entitlements 里整数 0 的已知 bug，README 建议 brew install --HEAD ldid-procursus。数据默认在 ~/.vphone/（可用 $VPHONE_ROOT 改）。

仓库：https://github.com/Lakr233/vphone-cli · MIT

4. anthropics/knowledge-work-plugins（★约 24.4k）

给 Claude Cowork（也兼容 Claude Code）用的「岗位插件」开源库。插件打包的是 skills、connectors、slash commands、sub-agents——本质是 markdown + JSON，没有编译步骤。许可证 Apache-2.0。

Claude Plugins / Cowork 相关配图

根 README 开源列出的 11 个起点插件包括：

插件	大致用途
productivity	任务、日历、日常工作流与个人上下文
sales	调研客户、会前准备、管线、外联、battlecard
customer-support	工单分流、回复草稿、升级包、知识沉淀
product-management	写 PRD、路线图、用户研究综合、竞品
marketing	内容、活动、品牌口径、竞品简报、效果复盘
legal	合同审阅、NDA、合规与风险
finance	分录、对账、报表、差异、关账与审计支持
data	SQL、统计分析、看板、交付前校验
enterprise-search	跨邮件 / 聊天 / 文档 / wiki 检索
bio-research	文献、基因组、靶点优先级等早期研发工具链
cowork-plugin-management	帮你新建或改插件

安装路径两条：Cowork 上直接从 https://claude.com/plugins/ 装；Claude Code 则：

claude plugin marketplace add anthropics/knowledge-work-plugins
claude plugin install sales@knowledge-work-plugins

装上后 skills 会在相关场景自动触发，命令形如 /sales:call-prep、/data:write-query。每个插件目录结构统一：.claude-plugin/plugin.json、.mcp.json、commands/、skills/。sales 插件的说明显示技能面可覆盖日常简报、通话摘要、管线与 forecast 等；没接 CRM 时也能靠上传导出文件干活，接上连接器则能读写业务系统——但外部邮件/纪要应按「信息」而非「指令」处理，建议动作先确认再执行。

knowledge-work-plugins 仓库 Open Graph

适合谁： 已经在用 Claude Cowork / Claude Code，想把「通用助手」收成销售、财务、法务、数据等固定打法的团队。个人可以先装 productivity / sales 感受一下；真要团队一致，得改 .mcp.json 和 skill 文案，塞进你们的术语与流程。

坑：开箱是通用模板，不改 connectors / 公司上下文，输出容易「像教科书」；依赖各 SaaS 的 MCP 连接与权限，权限没批等于半残；仓库根目录里还能看到 design / engineering / human-resources 等更多文件夹，但官方 marketplace 表仍以 README 那 11 个为准——别把目录名当成已文档化功能说明书。

仓库：https://github.com/anthropics/knowledge-work-plugins · Apache-2.0

5. Tencent/WeKnora（★约 25.8k）

腾讯开源的 LLM 知识平台（当前 README 版本徽章 0.8.0）。目标不是「又一个聊天框套向量库」，而是三条能力并在一起：日常 RAG 快问快答、能编排检索 / MCP / 沙箱 / 联网搜索的 ReAct Agent、以及把生文档蒸馏成可维护 Markdown 知识库的 Wiki Mode（带知识图谱、修订历史、一键回滚）。

WeKnora Skill Sandbox 对话界面

和「能跑 demo」相比，工程边角更值得看：树状文件夹保留上传目录结构；retrieval chunk 可在 UI 里编辑并带版本 diff / 回滚且自动再索引；跨会话长期记忆（profile / preference / fact 等，抽取后需确认）；租户级 skill catalog（从 ClawHub / SkillHub / git / zip 安装到 Docker / E2B / Cube 会话沙箱——本地 host-process 后端已移除）；工作区 RBAC（4 档角色 + 资源归属 + 审计日志）；scoped API key；Langfuse 可观测；IM 通道覆盖企微 / 飞书 / Slack / Telegram 等。文档格式含 PDF、Office、图片、Excel、XMind 等；向量库可选 pgvector、Elasticsearch、Milvus、Qdrant 等；模型侧兼容 OpenAI、DeepSeek、通义、智谱、Ollama、LiteLLM 等。Office 解析可用进程内 anydoc。

WeKnora Wiki 浏览界面

适合谁： 要私有化 / 可替换组件的企业知识库与 Agent 平台的团队；已经在微信对话开放平台生态里找技术底座的人；想要 CLI（weknora）和 MCP（PyPI 包 tencent-weknora-mcp）被 agent 直接驱动的工程组。

上手：

git clone https://github.com/Tencent/WeKnora.git
cd WeKnora
cp .env.example .env
docker compose pull && docker compose up -d

浏览器开 http://localhost，API 默认 http://localhost:8080。可选 profile：neo4j / minio / langfuse / full。

坑：依赖 Docker 全家桶，首次拉镜像和模型都不轻；生产环境 README 明确建议部署在内网、别裸奔公网（较新版本有登录，但不等于你配好了防火墙）；升级要用 docker compose pull 对齐 WEKNORA_VERSION，只 up -d 可能继续用旧缓存镜像；功能面很宽，不收敛场景容易变成「什么都开一点、什么都不稳」。

仓库：https://github.com/Tencent/WeKnora · 站点：https://weknora.weixin.qq.com · MIT

6. roboflow/supervision（★约 50.7k）

Roboflow 的可复用计算机视觉工具库：模型无关的检测结果对象、Annotator 可视化、数据集加载/切分/合并/格式转换、以及视频流上的追踪与区域统计等常见胶水。口号直译就是——「我们替你写那些反复重写的 CV 工具」。

supervision BoundingBox Annotator 示例

典型用法很短（README quickstart）：

import cv2
import supervision as sv
from ultralytics import YOLO

image = cv2.imread(...)
model = YOLO("yolov8s.pt")
result = model(image)[0]
detections = sv.Detections.from_ultralytics(result)

box_annotator = sv.BoxAnnotator()
annotated_frame = box_annotator.annotate(
    scene=image.copy(),
    detections=detections
)

除 Ultralytics 外，还有 Inference / Transformers / MMDetection 等 connector。数据集侧支持 COCO、YOLO、Pascal VOC 的读入与导出，以及 split / merge。文档和教程里大量是滞留时长、车速估计、区域计数这类「检测 + 追踪 + 业务规则」组合拳——库本身不训练模型，但把「模型输出 → 可展示、可统计、可导出」这段脏活收干净了。官方要求 Python ≥ 3.9，pip install supervision 即可。

适合谁： 已经有检测/分割模型，却不想每次手写画框、IOU、视频帧循环和数据集格式转换的 CV 工程师；做演示、内部工具、视频分析原型的人会特别爽。和 Roboflow 其他开源件（inference、notebooks）也能拼。

坑：它是工具层，不替你训练 SOTA 模型；跟 Roboflow Inference 联动时需要 API Key；Annotator 很多、默认好看，但生产视频管线仍要自己处理性能、坐标系和业务阈值；别把它理解成「装完就有完整安防 / 质检系统」。星标高、文档全，不代表你的场景不用写胶水——只是胶水短很多。

仓库：https://github.com/roboflow/supervision · 文档：https://supervision.roboflow.com · MIT

收束

如果只选一个马上装：做 agent 安全流程看 Cloudflare 这份 skill；做本地语音生产力看 Voicebox；做企业知识库看 WeKnora；写 CV 业务胶水看 supervision。vphone-cli 和 knowledge-work-plugins 分别卡在「硬件/系统权限」和「Claude 产品形态」上——强相关则很香，无关则别硬跟星标。

星标会涨，约束条件不怎么涨。先看门槛，再看 demo。

6 days ago

今天榜上这 6 个仓，我更想先点开这几个

刷 GitHub Trending 有个坏习惯：榜上全是 AI，眼睛一花就全标成「值得关注」。今天我想换个写法——只挑 6 个我真会点进去看 README 的，说说各自适合谁、哪里容易踩坑。

先说结论：企业后台、装机小工具、聊天前端、多 agent 写代码，这四类今天都有货；不全是模型套壳。

1. ever-co/ever-gauzy（★约 6.7k · TypeScript）

仓库

开源业务管理一整套：ERP / CRM / HRM / ATS / 项目管理都能往里塞。热门榜里难得出现这种「看起来很土、但公司真会用」的仓。

如果你正在嫌商业 SaaS 月费和数据出境，想自托管一条龙后台，可以从它文档和模块边界读起。坑也老实：这类平台不是今晚 clone 明天上线，权限、多租户、迁移成本都要算进去。适合有一点运维底子、愿意分阶段上线的团队，不适合只想要一个漂亮 landing page 的人。

2. Homebrew/BrewUI（★约 1.4k · Swift）

仓库

Homebrew 官方出的 macOS GUI。装包、搜包、升级，不用全程盯着终端滚动。

我喜欢它的原因很简单：Homebrew 已经是很多 Mac 开发者的默认入口，缺的一直是「给不太爱敲命令的人一条滑梯」。尝鲜可以，别指望它覆盖每一个 brew 旗子和边缘玩法；复杂 formula、cask 冲突，终端照样更稳。装机党、偶尔帮同事装环境的人会爽一点。

3. danny-avila/LibreChat（★约 43.9k · TypeScript）

仓库

把它理解成「能自建的增强版 ChatGPT 前端」更准确：多模型、Agents、MCP、Skills 都能往上挂。你不想把对话和插件生态全押在某一家网页上时，这类项目就有意义。

部署并不等于零成本——鉴权、密钥、模型路由、升级节奏都要自己盯。适合已经有一点 Docker / 反代经验、想把团队对话入口收拢到自己域名下的人。只想打开网页聊聊，官方 App 更省事。

4. pacifio/atlas（★约 4.7k · Rust）

仓库

面向 coding agent 的源码管控：多个 agent 同时改、变更可跟踪、查询有一处落点。你要是开过两三个 Claude Code / Codex 窗口对着同一仓库互踩，会懂这个痛。

它解决的是「并行写代码时仓库怎么不乱」，不是再给你一个聊天框。适合已经在跑多 agent 工作流的人；单人单窗口写功能，优先级可以往后排。

5. earendil-works/pi（★约 105.8k · TypeScript）

仓库

星数很夸张，定位是 AI agent 工具箱：统一 LLM API、agent loop、TUI、coding CLI。榜上常客，今天还在晃，说明还在被真实使用推着走，而不只是一天热搜。

大仓库的通病是：功能面宽，文档和心智成本也不低。建议先按你当前缺口切入（只拿 CLI，或只拿 API 层），别一上来想吞完整套。适合已经确定要自建 agent 运行时的人。

6. abue-ammar/tinycast（★约 4.8k · macOS）

仓库

难得不是又一个 AI 仓：原生小启动器，热键 + 剪贴板历史。装机清单里这种小东西，用对了每天省几十次鼠标。

和 Alfred / Raycast 比生态肯定薄，但胜在轻、专。适合想在 Mac 上补一块「一键呼出 + 剪贴板」、又不想一上来订阅全家桶的人。

今天这批里，我会先点开 BrewUI 和 tinycast（立刻能用），再视团队需求看 LibreChat / ever-gauzy；写代码并行痛的话，atlas 比再下一个聊天前端更值钱。

你最近更烦的是「装机效率」还是「多 agent 把仓库改乱」？评论区可以砸一句，我按你的槽点改天换一波仓。

（数据来自 2026-09-16 GitHub Trending 日榜梳理；星数为当时校验约数。）

7 days ago

分享到：

相关推荐

热门文章

快讯

TypeSafe AI 和 Jev：不写字、只做判断的那类模型

一句话

它是谁、Jev 是什么

为什么最近突然火

它具体干什么

要解决什么麻烦

调用方式（高层）

官方宣称的数字（请当广告读）

适合谁、不适合谁

限制（读文档比读营销页更重要）

和「开源大模型」的关系

小结

主要链接

9/20 开源速递：电脑操控 Agent、文档进 RAG、以及给并行 Agent 用的 worktree

trycua/cua：给 Agent 一套能真点电脑的底座

Open-Dev-Society/OpenStock：免费开源的行情看板

docling-project/docling：把乱七八糟的文档喂给 RAG

heygen-com/hyperframes：用 HTML 写画面，再渲成视频

cactus-compute/needle：塞进手机里的超小自动化模型

max-sixty/worktrunk：并行 AI Agent 的 worktree 切换器

9/19 开源速递：先对齐再写代码、自托管对象存储、以及本地私人搜索

Fission-AI/OpenSpec：别让 AI 聊完就直接开写

rustfs/rustfs：S3 兼容对象存储，盯上 MinIO 替代位

ahmedkhaleel2004/gitdiagram：陌生仓库几秒出可点架构图

blader/humanizer：改 AI 腔，不编事实

stablyai/orca：并行多 Agent 工作台，还能手机盯进度

asciimoo/hister：搜的是你自己看过的页和存过的文件

9/18 开源速递：本机浏览器给 Agent、卫星视角地球、以及少废话的 coding 技能

Tencent/BrowserSkill

bilawalsidhu/gods-eye-view

ayghri/i-have-adhd

addyosmani/agent-skills

mksglu/context-mode

TencentCloud/Octop

今天这 6 个仓：Agent 真审安全、本地语音工作室、Mac 上虚拟 iPhone

1. cloudflare/security-audit-skill（★约 8.4k）

2. jamiepine/voicebox（★约 54.6k）

3. Lakr233/vphone-cli（★约 13.5k）

4. anthropics/knowledge-work-plugins（★约 24.4k）

5. Tencent/WeKnora（★约 25.8k）

6. roboflow/supervision（★约 50.7k）

收束

今天榜上这 6 个仓，我更想先点开这几个

1. ever-co/ever-gauzy（★约 6.7k · TypeScript）

2. Homebrew/BrewUI（★约 1.4k · Swift）

3. danny-avila/LibreChat（★约 43.9k · TypeScript）

4. pacifio/atlas（★约 4.7k · Rust）

5. earendil-works/pi（★约 105.8k · TypeScript）

6. abue-ammar/tinycast（★约 4.8k · macOS）

觉得文章有用就打赏一下文章作者

非常感谢你的打赏，我们将继续提供更多优质内容，让我们一起创建更加美好的网络世界！

支付宝扫一扫

微信扫一扫