这玩意儿堪称健身App开发者的福音Exercises Dataset，一个刚冒出来的宝藏数据集：
里面整整齐齐码了1324个健身动作的完整元数据，从名称、类别到目标肌群、所需器械和分步指南一应俱全，甚至顺手搭了个前端页面让你能直接检索翻看。
最绝的是什么？每条记录都贴心配了静态缩略图和动态GIF演示文件（通过media_id指向官方CDN），相当于把整套视觉素材的钥匙都塞你手里了。
直白点说，拿着这套结构清晰的数据，你完全可以零成本攒出一个功能完整的健身App，最头疼的内容和数据架构问题根本不用自己操心。
🔗 https://github.com/hasaneyldrm/exercises-dataset

Claude Code、Cursor 用久了，是不是感觉 agent 还是太「通用」？
这个仓库直接给你装了一整套专业技能库 —— claude-skills。
核心亮点：
1️⃣ 350+ 模块化技能，覆盖工程、产品、市场、合规、财务、研究等多个领域
2️⃣ 内置30+ 专业Agent/Persona（Startup CTO、Growth Marketer 等）
3️⃣ 提供近600个纯Python CLI工具，无需额外安装依赖
4️⃣ 支持Claude Code、Cursor、Gemini CLI 等13种主流AI coding工具
5️⃣ 附带安全审计工具，安装前能检查潜在风险
简单来说，这就是给AI coding agent「扩充技能树」的资源库。
装上之后，agent 处理专业任务的能力会明显提升，不再只是会写代码那么简单。
🔗 https://github.com/alirezarezvani/claude-skills

想把照片视频管好，又不想全扔给Google？
Immich 就是目前自托管里体验最接近 Google Photos 的方案，而且数据完全在自己手里。
核心亮点：
1️⃣ AI 人脸识别 + 物体搜索 + 语义搜索，找照片非常丝滑
2️⃣ 手机自动备份（iOS + Android），支持实时同步
3️⃣ 界面干净现代，用起来几乎和 Google Photos 一样
4️⃣ 完全开源免费，支持 Docker 一键部署
5️⃣ 性能不错，照片多也能流畅浏览
如果你想把照片视频收回到自己服务器，同时又不想牺牲太多的智能体验，Immich 目前是比较成熟的选择。
🔗 https://github.com/immich-app/immich

天天高强度撸Codex，token消耗如流水，月底一看额度见底，却死活想不起钱烧在了哪个对话里。
这款Codex Usage Tracker工具就是专治这笔糊涂账的。
它只专注：
1️⃣ 精准抓取Codex在你本机生成的JSONL日志记录
2️⃣ 将用量数据系统化索引至SQLite数据库
3️⃣ 通过可视化仪表盘、命令行工具及MCP协议接口，把账目摊开给你看
究竟是哪个对话线程、哪个具体模型、哪段冗长聊天在疯狂吞噬额度，所有细节在仪表盘上一览无余。
全程本地化运行，日志数据绝不上传，隐私安全这块你大可把心放肚子里。
🔗 ：https://github.com/douglasmonsky/codex-usage-tracker

想让Claude Code去推特扒条热评？API收费直接劝退。想让它去小红书挖点用户反馈？反爬墙砌得比长城还高。B站视频摘要、Reddit帖子分析、全网实时搜索——每走一步都是付费墙和验证码在等着。
直到Agent-Reach出现，一条命令行直接撕开14个平台的封锁，还特么完全开源免费。我当场拿小红书做了个测试：让它爬单条帖子下的全部评论并自动归纳核心观点，十秒不到结果就甩我脸上了，属实有点震撼。
不讲虚的，所有工具选型、依赖安装、环境体检全自动搞定，哪个渠道不好用了还能无缝切备用方案。
安装更是简单到离谱——直接跟Agent说一句"帮我安装Agent Reach"就行。
🔗 ：https://github.com/Panniantong/Agent-Reach

词汇积累这件事，比语法更消磨人的耐心。碰到生词就得停下翻词典、抄笔记，完事还得单独腾时间回头复习，一整套操作又碎又累人。
一个挺有意思的开源项目叫 WordPecker，它把个人词汇管理和 Duolingo 式的闯关练习揉到了一起，把背单词从机械抄写拉回到真实语境里去打磨。
它的思路是用 AI 主动帮你扫描词汇盲区，然后通过语音对话、看图描述这类互动方式反复激活新词，最终目标是让你不只“认得它”，而是“随口能用”。
Vision Garden 看图说话：盯着画面开口描述，边讲边暴露自己哪些词不会
AI 语音对话练习：跟智能导师来几轮真实对话，把词汇真正嵌进表达里
智能词汇发现：按你感兴趣的话题和难度档位自动生成学习内容，省掉挑材料的功夫
个人词表管理：结合上下文给出释义，比干巴巴的词典解释更贴合实际用法
多语言支持：随便哪门语言做母语、哪门做目标语，学习路径自己定
5 种题型轮换：选择题、填空题、匹配题等，从不同角度反复加固记忆
支持 Docker 一键部署，填好 OpenAI API 密钥就能直接跑起来。如果你也想让词汇积累少点枯燥、多点自然，这个工具值得花两分钟上手试试。
🔗： http://github.com/baturyilmaz/wordpecker-app

SpringNote 是一个面向日常记录的桌面工具，基于 Flutter + Rust 构建，定位是让零散便签真正沉淀为可用的个人知识资产。
核心机制是靠 AI 把随手记的碎片自动整理成结构化内容，并生成日报、周报、月报；同时通过"回忆书"功能，用对话的方式检索和翻出旧记录，让过去的笔记不再是死文字。
场景包括：首页工作台快速输入想法，AI 自动补全和整理；便签支持 Markdown 编辑、预览和代码高亮；统计面板查看记录活跃度和数据概览；牛马时钟组件在桌面显示计时和收益。
使用上，首次确认数据目录，配置好 AI 供应商和模型（如 DeepSeek），完成第一次记录后即可在笔记本中查看编辑，或进入回忆书直接询问已保存的内容。
https://github.com/Radiant303/SpringNote

Rust编写的Python 编译器，不走解释器路线，直接生成机器码。pon这个项目同时支持JIT和AoT两种编译模式，目标是把Python变成像bun/v8那样的一体化运行时。
ruff解析源码→统一的中间表示→Cranelift生成机器码。内存管理用Green Tea GC替代引用计数，正确性通过跟CPython 的字节级差异测试来保证。
两种运行方式：pon run在进程内即时编译执行，pon build提前编译成独立可执行文件。
项目还在密集开发中，长远目标是完整通过CPython测试套件、性能大幅超越CPython、单二进制交付、内置包管理器和工具链。
https://github.com/can1357/pon

想给开源电子书做多语言版本？
bilingual_book_maker 这个工具能帮上忙。
它调用 ChatGPT、Claude 这类大模型，把 epub、txt、srt 等格式的文件快速转成双语译本，操作门槛很低。
本质上这是一款 AI 辅助翻译工具，专门针对 epub 及公共领域作品设计，版权书籍就别拿来试了。
支持多种模型切换，翻译过程全自动，生成的双语文件直接可用。
🔗：https://github.com/yihong0618/bilingual_book_maker

国自然申请书初稿写完之后，最怕的就是逻辑上自己看不出问题，评审人一眼就能抓住断点。
这个Agent Skill专门针对已有草稿的申请人，从题目、摘要、立项依据、关键科学问题、研究内容、创新点、研究基础、图表、文献和形式栏目等维度做结构化诊断，输出可执行的修改清单。
它不做代写，不承诺中不中，也不替代申请人自己的判断、同行意见、单位要求和基金委官方指南。
适用场景很明确：青年、面上、地区等项目已有初稿需要体检；想检查题目、摘要、关键科学问题、创新点是否互相支撑；想把评审人快速阅读时可能卡住的问题提前暴露；想拿到一份"优先修改清单"而不是泛泛润色；手头有已中本子想提炼写法规律对照当前草稿。医学、生物医学类本子会额外检查疾病机制、样本队列、模型体系、伦理、生物安全和转化验证链条；遥感、GIS、地理空间智能类本子会额外检查空间对象、数据模态、几何物理拓扑约束和验证链条。
把申请书PDF、DOCX、Markdown或核心片段贴给Agent，触发指令即可。
https://github.com/jiankang1991/nsfc-benzi-audit

大模型参数量越大，硬件门槛就越高，744B的MoE模型通常跟普通消费级电脑无缘。
Colibrì用了一个很直接的办法绕开这个限制：把21504个路由专家放在磁盘上（约370GB），按需流式读取，只有稠密部分（约17B参数）用int4常驻内存，占用约9.9GB。
这样一来，约25GB内存、没有GPU的普通电脑也能跑GLM-。
这个推理引擎用纯C编写，零依赖，把VRAM、RAM和存储当作统一的内存层次来管理。快存不足只会影响速度，不会悄悄改变模型精度或路由语义。
实际运行中，常驻部分约9.9GB，冷启动约32秒准备就绪。在6×RTX 5090全驻留场景下可达– tok/s的解码速度；即便在25GB内存的机器上，也能以0.05–0.1 tok/s的速度稳定运行——慢，但正确。
https://github.com/JustVugg/colibri

把App拖进废纸篓之后，那些散落在系统各处的配置文件、缓存和日志，其实还占着地方。
Uninstally能把这些残留一并清理干净。
这个原生macOS卸载工具基于SwiftUI开发，核心机制是通过应用Bundle ID精准定位所有关联文件，而不是靠文件名模糊匹配。
Finder右键直接卸载、Homebrew包管理、批量操作、分组整理、残留文件扫描，这些功能都有。
安装方式两种：官网下载DMG拖进Applications，或通过Homebrew一键安装。装完后在系统设置里启用Finder扩展，就能在任何应用上右键直接调用了。
https://github.com/gostonx/uninstally

用AI生成内容之后，怎么快速变成能直接用的Word文档，Open WebUI上这个工具专治这个问题。
它把模型输出的Markdown（带YAML头信息）或JSON规范吃进去，直接用python-docx在底层生成原生.docx文件，不走HTML或PDF那套中间格式。
封面页、带分割线的多级标题、表格样式、提示框、代码展示、签名栏、目录、页眉页脚，一应俱全。
目前支持七种模板（报告、白皮书、提案、信函、备忘录、会议纪要、空白），配色从单一强调色衍生，调一个色就能重绘整个文档风格。
用起来也简单：模型调用generate_document，传入Markdown或JSON，工具解析后通过Open WebUI文件API保存，对话里直接返回下载链接。
https://github.com/ianustec/openwebui-generate-documents

流程图、甘特图、时序图，这些在技术文档里高频出现的可视化工具，多数Markdown编辑器要么原生不支持，要么将其划入付费订阅范畴。
Arya的出现打破了这层限制。这款开源在线编辑器将图表能力完全开放，不设任何收费门槛。PPT预览、HTML自动转换、Echarts图表渲染，甚至五线谱编辑都在它的功能清单内。
本地存储是默认策略，数据无需经过云端，隐私风险因此得到有效控制。导出维度覆盖PDF、PNG、JPEG三种常用格式。
在线版即开即用，有自建偏好的用户也可通过Docker或Cloudflare Pages完成私有化部署。A觉得真不错哈
🔗：https://github.com/nicejade/markdown-online-editor

Zotero装上PDF2zh，读英文论文那套"查词-切屏-找位置-接着读"的循环动作直接砍掉一整条链路。
整篇PDF一键翻完，中英对照也有，公式和图表该在哪儿还在哪儿。双栏论文转单栏之后，手机上看再也不用来回放大缩小。
翻译引擎不止一个，Bing、DeepSeek、智谱都能切。字体也放开了自定义，换成霞鹜文楷之后中文字形更稳，眼睛负担小一些。
🔗：https://github.com/guaguastandup/zotero-pdf2zh

Git命令行难记，可视化工具又大多收费，是个老矛盾了。
Gitnuro是GitHub上开源免费的桌面客户端，该有的功能一个没砍。提交、推送这些基础操作做成可视化点击，变基、交互式操作也照样能走通。
差异对比支持文本和图片，分支管理走完创建删除合并变基整套流程，暂存区可以按行按块操作，交互式变基、文件追溯、子模块都涵盖，主题配色也能调。搜索按提交信息、作者或commit ID都能定位。
🔗：https://github.com/JetpackDuba/Gitnuro

给 Claude Code 这类 AI 编程助手配上本地持久记忆，可行吗？
Obsidian Mind 给了个很直接的方案。
这个项目的核心逻辑，是把 AI 编程助手需要的项目背景、任务笔记、技术决策和踩坑记录，统统存进本地的 Obsidian 知识库里。这样一来，每次新会话就不用再跟 AI 重复解释项目结构、代码规范或者之前试过哪些失败的路了。
AI 编程助手在单次对话里上下文理解很强，但跨会话的记忆几乎为零。尤其是在需要长期维护的项目里，助手很容易忘记之前为什么做某个修改、哪些路径或者模块有坑不能碰、哪些调试命令已经验证过行不通。
选择 Obsidian 作为后端有几个实在的好处：本地优先，数据完全在自己手里；用 Markdown 格式存储，人类开发者自己补充和整理笔记也很方便；配合 Git 做版本管理，修改历史一目了然。它不像一个黑盒数据库，更像一份“团队工程日志”加上“AI 专用的记忆层”。
🔗：https://github.com/breferrari/obsidian-mind

AI Agent 记不住事的话，可以试试这个纯本地方案Mnemosyne。
专为 Hermes Agent 打造，底层跑在 SQLite 上，查询延迟压到 1ms 以内。全程离线，零成本、零依赖，数据不用过别人的手。
速度上确实能打——写入 0.81ms、读取 0.076ms、搜索 1.2ms，比 Honcho、Zep、Mem0 这些方案快了 43 到 500 倍。
隐私方面很彻底，数据完全留在本地，断网照样用，没有 API 调用，也就不存在按量付费和数据外泄的问题。
安装体验也简单，pip install 一条命令搞定。不需要 Docker，不用配置数据库，不用写配置文件，更不用注册或付费。
记忆架构分了三个层次：工作记忆管热上下文，情景记忆做长期存储并支持向量加全文混合检索，暂存器放临时推理。LongMemEval 测试里召回率能到 98.9%。
自动整理功能也配了，调用 sleep() 就能把旧记忆压缩归档，从工作记忆平滑转入长期存储。
如果你之前用的是 Zep、Mem0、Honcho 或者 Hindsight，一条命令就能把历史数据迁过来。
适合本地 Agent 开发、重视数据主权、追求低延迟、必须离线运行的场景。长处是速度、隐私和成本，短板是暂时没有 Web 管理界面和团队协作功能。
做本地 Agent 的话，值得上手试一试。
🔗：https://github.com/mnemosyne-oss/mnemosyne

给 Codex 装完这几个前端插件，做出来的界面总算不像 AI 流水线上批量产出的塑料件了。
Taste-Skill
专门打理字体、配色、留白、圆角、组件比例这些细节，还能把已经写好的页面拉出来审计重构，专门对付那种一眼假的廉价 AI 味。
🔗 https://github.com/leonxlnx/taste-skill
GSAP Skills
Codex 最缺的就是动效能力，这个插件把 Timeline、ScrollTrigger、Flip、SplitText、SVG 动画全部补齐了。
🔗 https://github.com/greensock/gsap-skills
Product Design Skill
先把产品结构和设计方向敲定，生成几套不同风格的高保真参考图，你点头确认之后再动手写代码，别让 AI 蒙着眼睛瞎写前端。
Figma Skill
直接读取设计稿、品牌规范和组件库，把视觉参考像素级还原成响应式代码，省得 Codex 自己在那边凭空猜你要什么效果。
再加上 GPT- 本身在布局、视觉层级、设计判断上的能力提升，这套组合打下来，前端流程基本就跑通了，做出来的东西确实有点灵魂。

Go语言生态这回算是被微软给盯上了，它可不只是随便玩玩。
Microsoft Agent Framework的Go版本已经落地，目标很明确：帮开发者把AI智能体推到生产环境，连多智能体协作那种复杂活儿都能编排得明明白白，彻底告别只能演示的玩具阶段。
1️⃣ 主流大模型提供方几乎全支持，架构上避免了被单一厂商绑定。
2️⃣ 中间件机制够灵活，想扩展什么功能自己插进去就行。
3️⃣ 最直观的是可视化工作流，从顺序执行、并发处理到条件判断、检查点、人工干预，整个业务逻辑都能用图画出来。
假如你是个Gopher，又对Agent开发手痒，这个仓库值得去翻一翻。
🔗 https://github.com/microsoft/agent-framework-go

近40万首古诗词，直接封装成API扔给你，这是GitHub上刚挖到的chinese-poetry-api。
不用再自己折腾爬虫、清洗、建库那套脏活累活，调个接口就能拿到唐诗宋词元曲，连诗经楚辞这些老经典都给你收好了。
按朝代、作者、体裁筛，或者直接全文搜索、随机来一首，简繁体还能自由切。
Go写的后端，REST和GraphQL两套接口都支持，Docker一键拉起。做小程序、搞机器人、搞AI的，可以直接拿去用。
🔗 https://github.com/palemoky/chinese-poetry-api