今天榜上最让我想点开的，不是又一个 AI 工具，而是一个跟光盘较劲的项目 Disc Image Studio。它能让普通刻录机在 CD、DVD 甚至蓝光盘的盘面上刻出肉眼看得见的图案。光盘都快成古董了，它一天还涨了 1700 多星。
另外五个：NVIDIA 开源的给 AI 查数据库用的”业务词典”，一个在 8G 内存里硬跑 2.78 万亿参数 Kimi K3 的 C 程序，31 万星的工程师 Skill 合集，一台断网也能用的”知识服务器”，还有一个替你筛新闻的 AI 雷达。前 7 天写过的都跳过了。
1. JiaFeiMiao-K-Cat/DiscImageStudio：把照片刻在光盘的数据面上
光盘上写数据，烧过的地方和没烧过的地方反光不一样。这个工具反过来用：先决定盘面上哪里该亮、哪里该暗，再倒推出要写进去的数据。刻完之后拿起光盘一看，图案就在上面。
它不挑设备，任何刻录光驱、任何 CD 和 DVD、单层 25G 的蓝光盘都行。CD 导出成音轨文件，DVD 和蓝光导出镜像，用 ImgBurn 这类常见软件去刻就好。还可以在盘的内圈或外圈留一块区域放正常文件，一张盘既是相册也能存东西。
最见功夫的是标定。每个牌子的光盘轨距都不太一样，不校准的话十字线会刻成弯的。它让你给刻好的盘拍张照，分三步估出真实的轨距，README 里放了校准前后的实拍对比，差别很明显。
几个要知道的：完整的图形界面只有 Windows 版，Linux 和 Mac 上是实验性的命令行；边生成边刻录的”即时刻录”也是实验功能，作者提醒只用可以报废的盘，绝对不要用有数据的盘。GPL-3.0，6661 星，今天凌晨还有提交。
2. NVIDIA/auto-ontology：先让 AI 搞懂”营收”指的是哪个数
让 AI 直接查公司数据库，最怕的不是慢，是数字错了还说得很自信。同一个”营收”，财务系统和销售系统的口径可能都不一样。NVIDIA 这个库要解决的就是这层：先从你的元数据里自动生成一份业务本体，说清楚数据在哪、什么意思、该怎么用、从哪来，再通过 MCP、命令行和 API 交给任何 Agent 用。
问一句话，它会先找相关的定义，生成 SQL，拿数据库核对过滤条件，查询失败就自己修，最后把答案连同 SQL 和步骤一起给你。通过 MCP 接进来的 Agent 还会先判断这个问题数据能不能答，答不了就请你把问题说清楚。
适合在公司里做数据分析、想上”问数”类 AI 但被口径问题卡住的团队。上手不算轻：要 Docker、一个 NVIDIA 的 API key，README 特别提醒 Compose 会把 Postgres、pgAdmin 和网页端口暴露在本机，启动前要把每个默认密码都换掉。另外它目前不接受外部贡献。Apache-2.0，5201 星，今天一天涨了 2000 多，今天凌晨也还在提交。
3. FareedKhan-dev/kimi-k3-in-c：8G 内存跑 2.78 万亿参数，代价写得清清楚楚
昨天写的 colibri 是 7440 亿参数，这个更夸张：用 C99 写、整个引擎只有 176KB，不用显卡，把 2.78 万亿参数的 Kimi K3 跑在 8G 内存的机器上，实测峰值占用 8.24G。思路差不多，模型绝大部分留在硬盘，每一步按需读进来。
我喜欢它的地方是不藏数字。8G 内存的普通笔记本，一个词要 26.5 秒；128G 以上，整个模型能放进内存，降到 5.6 秒。作者强调，不同内存下输出一字不差，内存多只是换速度。8G 那档他自己也说只是”证明能跑”，不是给你聊天用的。
真正的门槛是硬盘：模型文件 1.56TB，再加 109G 打包文件，要留出大约 1.7TB，最好是快的本地盘，下载以小时计。README 还专门提醒，下载不完整不会报错，只会悄悄输出错字，下载完一定要跑它的校验。适合想研究超大模型怎么”流式”推理的人，不适合想日常用 Kimi 的人。Apache-2.0，10344 星。
4. mattpocock/skills：31 万星的”真工程师” Skill 合集
这是 Matt Pocock 每天给 Claude Code、Codex 用的 Skill，31 万星。他的立场很明确：GSD、Spec-Kit 这类方法把流程全包了，出了 bug 反而不知道该改哪；他的 Skill 都很小，可以拆开组合，用什么模型都行。
我觉得最值得一试的是 grill-with-docs：动手前 AI 先追着你问清楚，同时把项目里的行话整理成一份词汇表。README 举的例子很直观，一大段”把课程里某一节变成真实文件时出了问题”，有了共同词汇后一个词就说完了。其余还有 tdd、code-review、to-tickets、handoff 这些，基本覆盖从想清楚到写完再到交接。
装的话，除了 Claude Code、Codex 各自的插件命令，通用的是这一行：
npx skills@latest add mattpocock/skills
装完要在每个仓库里先跑一次 setup 那个 Skill，告诉它你用哪个 issue 系统、什么标签。README 还提醒，插件和这种复制文件的方式只能二选一，两种都装会得到两份一模一样的 Skill。MIT，昨天还在更新。
5. Crosstalk-Solutions/project-nomad：断网也能查维基、问 AI 的知识服务器
NOMAD 把一堆离线资源打包成一台服务器：离线维基百科和医疗资料、可汗学院的课程、离线地图、加解密工具、笔记，再加一个能读你上传文档的本地 AI 助手。一条脚本装好，之后全在浏览器里用，不用装桌面环境，别的设备用浏览器访问它的地址就行。
它本体很轻，5G 硬盘、1G 内存以内就能跑起来，真正吃空间的是你往里下的内容，吃内存的是 AI 助手。README 直接说了，和那些追求最低配置的”末日电脑”不同，想好好用 AI 就上一台带显卡的机器。只支持 Debian 系系统，推荐 Ubuntu 26.04，Windows 要走社区维护的 WSL2 路线。
适合常跑野外、船上、偏远地区的人，学校、图书馆，或者就是喜欢”万一断网也不慌”的折腾党。Apache-2.0，4.2 万星，今天早上还有提交。
6. Thysrael/Horizon：让 AI 替你从信息流里捞出值得读的
好内容散在 RSS、Hacker News、Reddit、X、GitHub 各处，人的注意力有限。Horizon 把这些源收在一起，用 AI 打分、去重，挑出值得看的，再补上背景和社区讨论，生成中英文简报，能推到飞书、微信、邮件或者网页上。
它有个想法我挺认同：不同内容该用不同读法。新闻要讲”为什么重要”，技术长文要讲”我能拿来用什么”。它用一组可以自己改的规则来区分，自带科技新闻、技术博客、AI 内容创作者三套，改规则一般不用动 Python。
适合每天要追行业动态的人，做内容的也能拿来找选题。第一次配置可以用它的交互向导，问你关心什么然后自动生成配置。要注意，抓 X 需要额外装浏览器组件，现在的 Docker 镜像里没带。MIT，1.25 万星，作者有中文 README 和 QQ 群。
