⌨️ 炸裂！Bend 这门新语言，是专门用来让 AI 改代码不敢乱来的。 GitHub 狂揽 2.2 万 Stars，由 Victor Taelin 带队做出来。 现在把需求丢给 AI，最怕的不是它写不出来，而是它顺手改坏了一个你没让它碰的地方——新功能跑通了，老规则悄悄失效了，等你发现已经是三天以后。Bend 的解法有点狠：你在一个叫 LAWS.bend 的文件里，把这套应用绝对不能被打破的规则写清楚，之后谁要改代码都得附上对应的数学证明，证不出来编译器就不放行。 项目里带了个演示用的小游戏，同一段需求让 AI 加功能，没写规则约束的那版被 AI 钻了空子、玩家能赢下本该赢不了的局面，写了约束的那版直接卡在编译阶段过不去。 Bend 的语法接近 Python，加了依赖类型，同时把并行算力也吃进来了，一份代码能自动摊到几千个 GPU 核心上跑。有一点得说清楚：它的编译器目前很大一部分是 AI 写的、还没做过完整审计，类型标注、字符串处理这些地方也都还有限制，现在更适合拿来尝鲜，别急着压生产。 以前是人给 AI 兜底，现在轮到编译器给 AI 兜底了。 GitHub：github.com/bendlang/bend

📬 又发现一个传文件神器 DashBeam，两台设备之间直接对传，文件一步都不落云盘。 GitHub 上已经拿下 9700 多 star，而这是个人开发者 tonyantony300 一个人维护起来的项目。 以前给同事传一个两三 G 的素材包，流程是先传网盘、等它上传完、发条链接、对方再下载，中间还要担心限速和链接过期。DashBeam 的思路是干脆不要中间商：发送方和接收方点对点直连，用 QUIC 配 TLS 1.3 端到端加密，链接、二维码、已配对设备、局域网自动发现随便挑一种就能对上，收发两边都不用注册账号。 它还顺手解决了传大文件最烦的那件事——传到一半断了。DashBeam 支持断点续传，手机从 Wi-Fi 切到流量也不会把传输掐掉，路上走着也能传完；桌面端、Android、命令行和网页版都有，文件用 BLAKE3 校验一遍，到手的东西和原件一个字节都不差。 东西不落别人家的盘，这一条本身就值了。 GitHub：github.com/tonyantony300/das…

🛜 真香！code-server 让你打开浏览器就能写代码，编译、跑测试、下依赖这些重活全留在服务器上。 GitHub 上 7.9 万 star、六千八百多个 fork，七百多人盯着它的更新。 场景太真实了：在外面拿笔记本改项目，装依赖十分钟，跑一次测试风扇狂转，电量掉得比进度条快。把 code-server 架在一台机器上，浏览器打开就是完整的 VS Code，插件、终端、调试都在，重活在服务器那头跑完，本地只负责显示画面。手边的 iPad、借来的电脑都能接着写，环境跟着服务器走，不跟着设备走。 门槛比想的低，官方说的最低配置是一台开了 WebSockets 的 Linux 机器、1G 内存、2 核。背后维护它的是 Coder 这家公司，团队要成规模地用，还有配套的 coder/coder 帮你把一堆实例统一管起来。最近一个月版本从 4.135 排到了 4.138，节奏很稳。 写代码的地方从此不是某台电脑，而是一个网址。 GitHub：github.com/coder/code-server

🪞 又挖到一个 iOS 界面宝藏 ChunUI，拿过去就能让自己做的 App 一眼有质感，配色、字号、按钮的规矩全替你定好了。 它不是练手作品，是从已经上架的 iOS 应用 Zinner（阿奇）里整套抽出来的 SwiftUI 设计系统，光矢量图标就带了 1225 枚，MIT 许可。 自己做 App 最尴尬的时刻，是功能都写完了，界面却一眼业余：字号有五六种、颜色到处飘、按钮扁得像网页。ChunUI 的做法是把规矩定死——全应用只有 13、17、24 三个字号，彩色只许出现一个，按钮走微拟物，弹窗统一从一个入口出。你只定义一份调色板，整个应用跟着换肤。 系统适配也替你想好了：iOS 26 上自动开 Liquid Glass，18.6 到 25 降级成同形的微拟物方案，不用维护两套界面。触觉反馈、点击埋点、图片加载器和弹窗路由都留了接线座，接自己那套就行。仓库里还放了给编程助手看的说明和五个真实生产页面的源码，让 AI 照着同一种质感写新界面。 界面的质感从来不靠灵感，靠的是把规矩定死。 GitHub：github.com/liseami/ChunUI

🦥 炸裂！Unsloth 现在把「在自己电脑上跑和微调大模型」做成了双击就开的桌面应用。 GitHub 上 7.6 万 star，直接封神了，七千多个 fork、一千二百多个 issue 还开着，社区是真在用。 以前想微调一个自己的模型，光环境就够折腾一天：装驱动、对依赖版本、跑起来发现显存不够，再回头改配置重来一遍。Unsloth 把这一整段收进了应用里，Windows、Linux、WSL、macOS 都能装，多卡、NVIDIA、AMD、Intel 甚至纯 CPU 和 Vulkan 后端都吃，官方给的数字是微调快一倍、显存省七成而精度不掉，强化学习、LoRA、QLoRA、全参微调、GRPO、DPO、FP8 这些路子都在。 它顺手把「用模型」也包了：本地模型可以用兼容 OpenAI 的接口对外提供，Claude Code、Codex 这类工具直接接上去，MCP、工具调用、代码执行、RAG、深度研究都有，出门想用就走局域网或者 Cloudflare 的 HTTPS 通道回家取。三种用法随你挑，桌面应用、网页界面，或者直接写代码调核心库。 版本号已经排到 v0.1.815，几乎一两天一个，这更新密度比需求变得还快。 GitHub：github.com/unslothai/unsloth

🔗 太强了，FxEmbed 让你发到 Discord、Telegram 的 X 链接直接把视频播出来，不用再点进去看。 GitHub 上 5277 star，MIT 许可，文档、API 参考和自托管指南都齐着。 群里转一条 X 上的帖子，十次有八次预览是残的：视频不播、多图只露一张、引用的那条干脆不显示，大家只能一个个点开。FxEmbed 的解法轻得离谱——twitter.com 前面加 fx、x.com 前面加 fixup、bsky.app 前面加 fx，链接照发，预览里视频能直接播，投票、引用和翻译也都带出来，多张图还能拼成一张。 它本身跑在 Cloudflare Worker 上，介意把链接交给第三方服务的，可以照着指南自己托管一份。项目也把关系写明白了：和 X Corp 没有任何关联，商标是人家的。 一条链接多打两个字母，群里就少一堆「怎么点不开」。 GitHub：github.com/FxEmbed/FxEmbed

🧸 又发现一个 3D 神器 Modly，丢一张照片进去就能生成能用的 3D 网格模型，全程在自己电脑上跑。 今年 3 月才建的仓库，GitHub 上已经 7673 star、七百多个 fork，半年就涨到这个数。 想要一个小模型的时候，以前只有两条路：自己在建模软件里从零搭一下午，或者传到在线服务上按张数付钱，顺带把照片交给别人的服务器。Modly 是个本地桌面应用，Windows、Linux 和 Apple Silicon 的 Mac 都能装，推理在自己机器上完成，照片不出门。 它把模型做成了可插拔的扩展，官方那几个挂的是 Hunyuan3D 2 Mini 系列、TripoSG 和 Trellis2 GGUF，每个扩展就是一个带 manifest.json 的 GitHub 仓库，社区想加新模型自己发一个就行。顶栏有个实时内存指示器，跑大模型时心里有数；不想开界面的时候还有个零依赖的命令行工具，能对着正在运行的应用批量派活。许可是 MIT。 做手办、做游戏素材的门槛，正在被一张随手拍的照片踩平。 GitHub：github.com/lightningpixel/mo…

🪶 英伟达官方开源的 Model-Optimizer，专门把跑不动的大模型压到你的显存装得下。 GitHub 上 3902 star、六百多个 fork、四百多个 issue 还开着，英伟达自己用它压出来的现成模型就摆在 Hugging Face 上，DeepSeek-R1-FP4、Llama-3.3-70B-Instruct-FP4、Llama-3.1-405B-Instruct-FP4 都在。 场景很常见：想部署一个大点的模型，显存就差一口气，要么换更贵的卡，要么砍上下文认了。Model-Optimizer 把量化、剪枝、蒸馏、稀疏化、推测解码这些手段收进一套 Python 接口，喂给它 Hugging Face、PyTorch 或者 ONNX 的模型，几种优化组合着上，导出的检查点直接丢给 vLLM、SGLang、TensorRT-LLM 或 TensorRT 去跑，训练侧也和 Megatron-LM、Megatron-Bridge、Accelerate 接上了。 效果有公开案例：Domyn 用其中的剪枝加蒸馏，把 355B 的模型压成了 260B。仓库里还附了能装进 Claude Code 和 Codex 的技能，想知道某个模型该怎么量化，问一句比翻文档快。许可是 Apache 2.0。 显卡不够用的时候，先看看是不是模型自己太胖了。 GitHub：github.com/NVIDIA/Model-Opti…

🖼️ 卧槽，stable-diffusion.cpp 让一台没装过 Python 的老电脑也能本地出图，AI 画图这件事被它塞进了一个可执行程序里。 GitHub 上 7161 star、八百多个 fork，背后没有公司，基本就是 leejet 一个人在扛。 以前在自己机器上跑一次文生图，一半时间花在环境上：装 Python、对 PyTorch 和 CUDA 的版本、显卡不对再回头翻 issue。stable-diffusion.cpp 的思路和 llama.cpp 是一路的，底层用 ggml，编出来就是能跑的程序，CPU 的 AVX 指令集、CUDA、Vulkan、Metal、OpenCL、SYCL 都吃，Linux、Mac、Windows 能跑，Termux 里的安卓也能跑。权重认 safetensors 和 GGUF，还能自己转格式。 更离谱的是跟新模型的速度。FLUX 系列、Qwen-Image、Z-Image、Wan、LTX 这些一个个都适配了，图像编辑的 Kontext 和 Qwen Image Edit、视频的 HunyuanVideo，连 LoRA、ControlNet、IP-Adapter 也在里面。光 9 月 23 日那一天，仓库里就排出了 master-904 到 master-908 五个构建版本。 作者也把话说在前面了：项目还在活跃开发，接口和命令行参数会经常变。 一个人追着整个扩散模型圈跑，这画面比出图本身还带劲。 GitHub：github.com/leejet/stable-dif…

💠 Obsidian 团队的 Steph Ango 做了个 obsidian-skills，让 AI 直接按 Obsidian 自己的规矩帮你收拾笔记库。 今年 1 月才建的仓库，GitHub 上已经 4.8 万 star、三千四百多个 fork，两百多人盯着更新。 以前想让 AI 帮忙整理 vault，是件挺别扭的事：它不熟 Obsidian 那套 Flavored Markdown 的写法，生成的笔记塞回库里链接是断的，.base 文件和 canvas 更是直接写废，最后还得你一条条改回来。 obsidian-skills 把这些规矩打包成了一组技能，装上之后 Claude Code、Codex、OpenCode 这类助手就照着写：Markdown 按 Obsidian 的方言来，Bases 的视图、过滤器、公式和汇总能正确生成，canvas 的节点和连线也是合法的。顺带还塞了两个挺实用的，一个把网页扒成干净的 Markdown，一个拿 JSON 或 CSV 往 Markdown 模板里灌数据。 笔记软件以前是给人用的，现在顺手也给 Agent 用了。 GitHub：github.com/kepano/obsidian-s…

🥁 ACE Studio 和 StepFun 联手开源的 ACE-Step 1.5，输一段描述就能生成一首完整的歌，人声、伴奏、歌词全都有。 GitHub 上 12850 star、1661 个 fork，去年 9 月才建的仓库，平均每个月涨一千多。 以前想给视频配一首原创的曲子，要么去素材站翻授权音乐，要么找人写，要么用在线服务按次买点数。ACE-Step 1.5 的不同在于它跑在你自己机器上：4GB 以下显存就能本地出歌，A100 上一首不到 2 秒，3090 上不到 10 秒，长度从 10 秒到 10 分钟，一次还能同时出 8 首挑一首。 想要固定的风格，拿少量歌就能自己训一个 LoRA。它的路子是先让语言模型把你那句需求想成一份「歌曲蓝图」，元数据、歌词、描述都先列出来，再交给扩散 Transformer 去生成，所以整首歌的结构不容易散。歌词支持 50 多种语言，乐器和风格能细到一千多种描述。今年 4 月放出的 XL 系列是 4B 参数，显存要求也跟着上去了，推荐 20GB 以上。 项目自己还提醒了一句：官网只有 GitHub Pages 那一个，外面有仿冒域名。 配乐这件事，从「找一首能用的」变成「说一句要什么」。 GitHub：github.com/ace-step/ACE-Step…

🍱 又发现一个能省掉新项目头两天的开源脚手架，full-stack-fastapi-template，登录、找回密码、测试、CI/CD 全都替你配好了。 它是 FastAPI 官方组织下的仓库，GitHub 上 45700 star、9086 个 fork，别人拿它改出来的 MongoDB 版、Couchbase 版、Supabase 版模板，各自也有几百 star。 起一个新项目，头两天永远耗在同一堆事上：JWT 登录、密码哈希、忘记密码的邮件、前后端类型对不上、本地 HTTPS、CI 跑测试。full-stack-fastapi-template 把这些一次给齐，后端是 FastAPI 配 SQLModel 和 PostgreSQL，前端是 React 加 Vite、Tailwind 和 shadcn/ui，客户端代码自动生成，所以后端接口一改，前端的类型跟着就变，不用手动对。 测试和部署也是现成的：后端用 Pytest、端到端用 Playwright，Docker Compose 起本地和自托管环境，Traefik 自动签 HTTPS，邮件模板用 React Email 写、本地用 Mailpit 收，CI/CD 走 GitHub Actions。 新项目里最没意思的那两天，这个模板直接还给你了。 GitHub：github.com/fastapi/full-stac…

🏋️ 兄弟们，想自己用强化学习把开源大模型练成真能干活的 agent，prime-rl 已经把整条路铺好了。 Prime Intellect 开源的训练框架，GitHub 上 2071 star、435 个 fork，fork 数超过 star 的两成，这比例在训练框架里算相当高，说明真有人把它架起来在跑。 做后训练最难受的是拼装：SFT 一套代码、RL 一套代码、评测又是一套，单卡能跑通的脚本换到集群上还得重写一遍。prime-rl 把 SFT、RL 训练和评测串成一条端到端的流程，训练侧用 FSDP2、推理侧用 vLLM，从 1 张卡一路铺到 1000 多张卡，Slurm 和 Kubernetes 都能直接拉起来。 它给的例子也是这个跨度：小到 1 到 8 张卡跑猜词游戏 Wordle、字母排序这种任务，大到 2048 张卡训 GLM-4.5-Air。支持的模型家族包括 Qwen3 MoE、MiniMax M2、GPT-OSS 等，也能训 Qwen3-VL 这类多模态模型。 从一张卡到一千张卡，中间不用换代码。 GitHub：github.com/PrimeIntellect-ai…

🖲️ 又挖到一个内部工具神器 ToolJet，公司里那些管理后台、运营面板和数据看板，描述一句就能生成，不用再从零写前端。 GitHub 上 40977 star、5451 个 fork，Docker、K8s、AWS、GCP、Azure 都能自己部署一套，省下按月付的云服务订阅。 业务方要一个能查订单、改状态、导报表的后台，常规流程是前端搭页面、后端补接口、联调一周，做完还没人愿意维护。ToolJet 的路子是直接连上你已有的数据库、API 和 SaaS，80 多个响应式组件拖出来拼，90 多种数据源开箱就能接，几个人还能同时编辑同一个应用。 更省事的是它带了一个 MCP server（目前还是 beta），可以在 Claude Code、Codex、Cursor 这类客户端里让 AI 直接帮你把页面和查询生成出来。社区也热闹，光是深度汉化的中文版，就有人专门维护了一个。 内部工具这种活，本来就不该占掉一个前端两周。 GitHub：github.com/ToolJet/ToolJet

🔌 炸裂！Corsair 让你的 agent 和后端服务，用同一套写法接上用户那一堆第三方应用。 去年 10 月才建的仓库，现在 GitHub 上 11759 star，平均每个月涨一千多。 给 agent 接第三方应用，烦的从来不是调接口，是每家的 OAuth 刷新逻辑不一样、webhook 格式不一样、分页写法也不一样，接三家就够耗掉一周，之后还得长期养着这堆适配代码。Corsair 把每个集成都收成统一的语法，适配器由项目团队维护，你这边只写一种写法。 它建在 REST API 上，而不是只能走 MCP，所以后端服务、agent 和给客户看的仪表盘可以共用同一套集成。不想自己管 OAuth 刷新和 webhook，就用它托管的 Hub；想全捏在自己手里，就直接自托管，许可证是 Apache 2.0。 接一家和接三十家写法一样，集成本来就该是这样。 GitHub：github.com/corsairdev/corsai…

⛓️ 北大和 DeepSeek-AI 的研究者写了一篇 92 页的论文，顺手把它实现成了开源框架 Cordis：插件卸载之后，它留下的副作用能被完整撤销。 GitHub 上 8771 star，论文在 arXiv 的编号是 2608.25512，归类在编程语言方向，作者是 Yifan Shi、Wei Zhang 和 Tianyi Cui。 写过插件系统的都知道卸载有多脏：注册过的钩子没摘干净、改过的配置没还原、监听器还挂在那里，最后只能重启整个进程了事。Cordis 的解法是让每一次上下文变更都自带一个逆操作，由运行时替你保管，组件下线时按原路退回去；另一半是让组件声明自己依赖什么，依赖一变就自动激活或停用。配套的加载器支持配置协调和热模块替换，改配置不用重启。 得说清楚：仓库的 4.0 还在放 rc，9 月 8 日刚发到 rc.10，项目自己写明 API 尚未稳定、随时可能变，现在往生产上搬要有心理准备。 插件这件事，终于有人从头到尾把它形式化了一遍。 GitHub：github.com/cordiverse/cordis

🪛 太强了，Strands Agents 让你几行代码就跑起一个会自己调工具、带记忆、能中途喊停的 AI agent。 GitHub 上 7636 star、1191 个 fork，800 多个 issue 还开着，版本几乎天天在发，9 月 22 日那天 Python 和 TypeScript 两条线一起更新。 自己攒过 agent 的都知道，真正耗时间的不是提示词，是外面那一圈：模型接口、工具调用、上下文管理、会话存储、回合上限、token 预算烧完要停机，每样都得手写一遍，换个模型还得推倒重来。Strands Agents 的做法是给你一个配好的 harness，一句 create_harness() 就把模型、工具、记忆、会话和上下文管理全接上，Python 和 TypeScript 两边都有。 模型层是敞开的，Bedrock、Anthropic、OpenAI、Gemini、Ollama 随便换；MCP、多 agent 协作、结构化输出、流式、护栏和链路追踪都是内置的。 以前搭架子三天、写 agent 三小时，现在总算反过来了。 GitHub：github.com/strands-agents/ha…

🗿 变态开源项目 Spirula Studio，一段视频丢进去，出来就是一个能直接用的 3D 模型。 它把整条流水线塞进了单个可执行程序，不用装 Python 和 PyTorch，也不用单独装 COLMAP，NVIDIA、AMD、Intel 和苹果的显卡都能跑，界面还带简体、繁体中文在内的十几种语言。 做过三维高斯泼溅的都懂那个痛苦：先 COLMAP 算相机位姿，再配一套能跑通的 Python 环境，显卡还挑 N 卡，鱼眼和 360 素材得先去畸变才敢喂进去。Spirula Studio 用 Vulkan 来算，鱼眼、360、等距柱状投影原生支持，官方说 8GB 显存能训到一千万个 SH3 高斯点，跑完还能接着生成带贴图的网格。 迭代也凶，9 月以来基本一周一个版本，这个月刚加了从视频和照片的元数据里恢复真实尺度和方向的能力。 把三维重建从「先配三小时环境」拉回到「点开就能跑」。 GitHub：github.com/harry7557558/spir…

💹 真香！PanWatch 能替你盯盘，开盘前、盘中、收盘后自动出分析，直接推到你手机上。 GitHub 上近 1400 star、289 个 fork，fork 数能占到 star 的两成，说明是真有人自己架起来在用，9 月以来版本一路发到了 0.14.0。 正常盯盘是这样的：开好几个软件看行情，盘中还得自己刷新闻，晚上再花一小时复盘。PanWatch 是自托管的一整套，Docker 起起来就行，盘前分析、盘中监测、盘后日报、新闻速递四类 Agent 按时间自己触发，结论走 Telegram、企业微信、钉钉、飞书、Bark 或者自定义 Webhook 推给你，手机上还能当类原生应用加到主屏。 想深看一只票的时候，它接的是 TradingAgents 那套多 Agent 流程：技术、情绪、新闻、基本面四个分析师各自出结论，再走看多看空辩论和风控审查，最后整合成决策，一次跑三到五分钟。默认用 deepseek-chat，项目写明单次成本大约 0.05 美元。 把最耗时间的盯盘和复盘交出去，人只留下最后那个决定。 GitHub：github.com/TNT-Likely/PanWat…

🐦 卧槽，Fugleramme 能把你家花园里此刻正在叫的鸟，变成墙上挂着的一幅画。 7 月才建的仓库，两个多月在 GitHub 上攒了 3287 star，最近几乎一周一个版本。 以前想知道窗外那只在叫的是什么鸟，得掏手机开 App、录一段、等它传上云再回来告诉你，结果出来鸟早飞了。Fugleramme 的做法是一块树莓派接上麦克风和电子墨水屏，识别用的 BirdNET-Go 完全跑在本地，听到哪种鸟，画框里就换成那种鸟。 最讲究的是画本身：800 多幅剪裁图案、400 多个物种，全部取自真实的 19 世纪历史图版再人工整理，没有一张是 AI 生成的。图版以北欧、不列颠群岛和中欧的为主，这几个地区的鸟覆盖得最好。作者也写明了，项目目前还处在早期开发阶段。 挂在墙上的不是一幅装饰画，是窗外此刻正在发生的事。 GitHub：github.com/arnegiacomo/fugle…