以前用Google Workspace的API，每次都要翻文档写curl，参数一多就头大。
gws把这个过程简化到了一行命令的程度，Drive、Gmail、Calendar、Sheets、Docs、Chat、Admin全都能操作。
它基于Google Discovery Service动态生成命令，API更新自动跟上，不需要手动维护。
--help、--dry-run、自动分页这些对人有用的功能都有；结构化JSON输出加上100多个内置Agent Skills，对AI Agent也直接友好。
安装方式很简单，npm全局安装或者brew都行，支持OAuth、Service Account、现成Token多种认证方式，笔记本和CI都能用。
https://github.com/googleworkspace/cli
gws把这个过程简化到了一行命令的程度，Drive、Gmail、Calendar、Sheets、Docs、Chat、Admin全都能操作。
它基于Google Discovery Service动态生成命令，API更新自动跟上，不需要手动维护。
--help、--dry-run、自动分页这些对人有用的功能都有；结构化JSON输出加上100多个内置Agent Skills，对AI Agent也直接友好。
安装方式很简单，npm全局安装或者brew都行，支持OAuth、Service Account、现成Token多种认证方式，笔记本和CI都能用。
https://github.com/googleworkspace/cli
做股票交易最烦的一件事就是资源太散，研究用A网站、选股用B工具、看图开C平台、查数据再翻D文档，来回切到手软。
这个Awesome Stock Trading把从入门到进阶的全链路资源一次整理好了：
研究（Seeking Alpha、Morningstar）、选股（Finviz、Zacks）、图表（TradingView、StockCharts）、新闻（Bloomberg、WSJ）、组合跟踪（Ghostfolio）、回测（QuantConnect）、数据API（Alpha Vantage），还有十几本经典书单。
https://github.com/shi-rudo/awesome-stock-trading
这个Awesome Stock Trading把从入门到进阶的全链路资源一次整理好了：
研究（Seeking Alpha、Morningstar）、选股（Finviz、Zacks）、图表（TradingView、StockCharts）、新闻（Bloomberg、WSJ）、组合跟踪（Ghostfolio）、回测（QuantConnect）、数据API（Alpha Vantage），还有十几本经典书单。
https://github.com/shi-rudo/awesome-stock-trading
过去搭文档站，要么套个黑盒主题，想改点东西得翻半天文档；要么从头写，光布局和组件就得折腾一整天。
Nimbus把这做成了一键生成，跑一行命令，完整的Astro文档站直接落盘到项目里，布局、组件、样式、内容全部以真实源码的形式给你，从第一天起就归你掌控，而不是锁在一个黑盒主题里。
对AI Agent友好这一点做得特别到位：默认输出/llms.txt、页面.md双生文件、JSON-LD、OG图，人类和AI都能顺畅读取。
全文搜索、明暗主题、无障导航、面包屑、移动端侧边栏这些该有的都有，不用自己补。
多版本文档、按需加组件都支持。静态输出，优先适配Cloudflare，也可以部署到任意平台。
传送https://github.com/cloudflare/nimbus
Nimbus把这做成了一键生成，跑一行命令，完整的Astro文档站直接落盘到项目里，布局、组件、样式、内容全部以真实源码的形式给你，从第一天起就归你掌控，而不是锁在一个黑盒主题里。
对AI Agent友好这一点做得特别到位：默认输出/llms.txt、页面.md双生文件、JSON-LD、OG图，人类和AI都能顺畅读取。
全文搜索、明暗主题、无障导航、面包屑、移动端侧边栏这些该有的都有，不用自己补。
多版本文档、按需加组件都支持。静态输出，优先适配Cloudflare，也可以部署到任意平台。
传送https://github.com/cloudflare/nimbus
想搭一个本地语音对话Agent，传统做法是把VAD、STT、LLM、TTS四个模块拼起来，每个环节选型、调接口、写胶水代码，折腾完一圈发现能跑通已经很不容易了。
Hugging Face开源的Speech-to-Speech直接给了一套生产级管线，四个环节全部模块化，每个都能单独替换。LLM走OpenAI兼容协议，云端API、Hugging Face Inference、本地vLLM或llama.cpp都能接。
默认配置用Parakeet做STT、Qwen3-TTS做语音输出，一行pip install加一条命令就能启动一个OpenAI Realtime兼容的WebSocket服务。
这套管线已经在数千台Reachy Mini机器人上作为对话后端跑了很久，稳定性不用太担心。
https://github.com/huggingface/speech-to-speech
Hugging Face开源的Speech-to-Speech直接给了一套生产级管线，四个环节全部模块化，每个都能单独替换。LLM走OpenAI兼容协议，云端API、Hugging Face Inference、本地vLLM或llama.cpp都能接。
默认配置用Parakeet做STT、Qwen3-TTS做语音输出，一行pip install加一条命令就能启动一个OpenAI Realtime兼容的WebSocket服务。
这套管线已经在数千台Reachy Mini机器人上作为对话后端跑了很久，稳定性不用太担心。
https://github.com/huggingface/speech-to-speech
12周，24节课，从零开始学AI，微软官方开源的这套课程，结构比很多付费课都扎实。
不用TensorFlow或PyTorch的预修知识，实验、测验、实践课全配齐。内容从符号AI（知识表示、专家系统）起步，一路推到神经网络、深度学习、计算机视觉、文本神经架构，最后延伸到遗传算法和多智能体系统。
不碰商业案例和Azure认知服务，也不讲经典机器学习（那部分另有课程），专注打底子。
支持50多种语言，简体中文在仓库里直接可读。适合系统入门，也适合当教学大纲直接拿来用。
传送门🔗https://github.com/microsoft/AI-For-Beginners
不用TensorFlow或PyTorch的预修知识，实验、测验、实践课全配齐。内容从符号AI（知识表示、专家系统）起步，一路推到神经网络、深度学习、计算机视觉、文本神经架构，最后延伸到遗传算法和多智能体系统。
不碰商业案例和Azure认知服务，也不讲经典机器学习（那部分另有课程），专注打底子。
支持50多种语言，简体中文在仓库里直接可读。适合系统入门，也适合当教学大纲直接拿来用。
传送门🔗https://github.com/microsoft/AI-For-Beginners
Skills、MCP、连接服务这些东西，每换一个工具就得重新配一遍。换三次工具，配置重复三次，时间全耗在重复劳动上。
OpenWork把这个问题堵住了，一次配置，多工具、多设备、团队共用。一个OpenWork MCP接Codex、Claude Code、Cursor，不用在每个工具里单独折腾。跨平台桌面端（macOS、Windows、Linux），不装桌面端也行，已有Agent直接挂MCP。
团队场景下，OpenWork Den做组织级管理：模型权限、技能市场、策略与访问控制。
个人用可以沉淀工作流，团队用可以统一分发。
GitHub：https://github.com/different-ai/openwork
OpenWork把这个问题堵住了，一次配置，多工具、多设备、团队共用。一个OpenWork MCP接Codex、Claude Code、Cursor，不用在每个工具里单独折腾。跨平台桌面端（macOS、Windows、Linux），不装桌面端也行，已有Agent直接挂MCP。
团队场景下，OpenWork Den做组织级管理：模型权限、技能市场、策略与访问控制。
个人用可以沉淀工作流，团队用可以统一分发。
GitHub：https://github.com/different-ai/openwork
用 Claude Code、Cursor、Copilot 这些工具写代码，最肉疼的就是 API 额度！
用着用着突然提示限额，要么掏钱续命，要么只能干等着。
9router 的解法非常直接：在你这些 AI 编程工具后面，统一接上 40 多个 AI 提供商、100 多个模型。你正常用 Claude Code，背后实际跑的可能是免费的 Gemini 或者便宜的 DeepSeek，完全无感。
它还内置了三层自动故障转移：订阅额度用完自动切到便宜的，便宜的也不行了就切到免费的，整个流程你甚至感觉不到中断。
另外一个很实用的功能是 RTK Token Saver，它会自动压缩 git diff、grep、ls 这类工具的输出，每个请求省下 20-40% 的 token。还有个 Caveman 模式，注入精简指令，输出 token 能砍掉 65%。
安装完后会启动一个本地 Dashboard，一条命令搞定：
bash
npm install -g 9router
9router
打开 http://localhost:20128配置一下就行。支持 Docker、VPS、Cloudflare Workers 多种部署方式。
这个项目快 21000 Star，说是 AI 编程圈的白嫖神器真不夸张。
🔗：https://github.com/decolua/9router
用着用着突然提示限额，要么掏钱续命，要么只能干等着。
9router 的解法非常直接：在你这些 AI 编程工具后面，统一接上 40 多个 AI 提供商、100 多个模型。你正常用 Claude Code，背后实际跑的可能是免费的 Gemini 或者便宜的 DeepSeek，完全无感。
它还内置了三层自动故障转移：订阅额度用完自动切到便宜的，便宜的也不行了就切到免费的，整个流程你甚至感觉不到中断。
另外一个很实用的功能是 RTK Token Saver，它会自动压缩 git diff、grep、ls 这类工具的输出，每个请求省下 20-40% 的 token。还有个 Caveman 模式，注入精简指令，输出 token 能砍掉 65%。
安装完后会启动一个本地 Dashboard，一条命令搞定：
bash
npm install -g 9router
9router
打开 http://localhost:20128配置一下就行。支持 Docker、VPS、Cloudflare Workers 多种部署方式。
这个项目快 21000 Star，说是 AI 编程圈的白嫖神器真不夸张。
🔗：https://github.com/decolua/9router
传统RAG在处理不断变化的信息时有个明显的短板，它把数据当成静态的，但现实世界的事实会变。之前做Agent相关的项目时，这个问题一直让我挺头疼的。
Graphiti（Zep开源的项目）针对这个场景做了个设计：把对话、业务数据、文档自动构建成带时间维度的知识图谱，每条事实都记录它从什么时候开始有效、什么时候被更新替代。这样既能查当前状态，也能回溯某个时间点的情况。
它支持增量更新，不用每次全量重建，检索时混合了语义、关键词和图遍历几种方式。
我个人比较在意的是数据来源可追溯这一点，每个结论都能往回找到原始内容，排查问题时能省不少力气。
目前支持Neo4j、FalkorDB、Amazon Neptune这些图数据库后端，Python 以上就能跑。如果你正在做Agent相关的项目，又觉得传统RAG在动态数据上不太顺手，这个值得了解一下。
🔗传送https://github.com/getzep/graphiti
Graphiti（Zep开源的项目）针对这个场景做了个设计：把对话、业务数据、文档自动构建成带时间维度的知识图谱，每条事实都记录它从什么时候开始有效、什么时候被更新替代。这样既能查当前状态，也能回溯某个时间点的情况。
它支持增量更新，不用每次全量重建，检索时混合了语义、关键词和图遍历几种方式。
我个人比较在意的是数据来源可追溯这一点，每个结论都能往回找到原始内容，排查问题时能省不少力气。
目前支持Neo4j、FalkorDB、Amazon Neptune这些图数据库后端，Python 以上就能跑。如果你正在做Agent相关的项目，又觉得传统RAG在动态数据上不太顺手，这个值得了解一下。
🔗传送https://github.com/getzep/graphiti
之前为了下载管理视频，试过好几个方案，要么不支持某些站点，要么管理界面太简陋。
MyTube算是我目前看到覆盖比较全的一个自托管方案。
它基于yt-dlp，支持YouTube、B站、Twitch这些常见平台，订阅频道后能自动下载新内容，不用手动一个个去拉。本地媒体库支持分类整理，界面UI做得还算干净。
比较意外的两个点是：内置了Cloudflare Tunnel，不用自己折腾端口转发和反向代理；整个项目是100%通过提示词生成的，零手写代码，目前已经有1.1k星标。Docker一键部署对不熟悉Node.js环境的人来说也比较友好。。
🔗https://github.com/franklioxygen/MyTube
MyTube算是我目前看到覆盖比较全的一个自托管方案。
它基于yt-dlp，支持YouTube、B站、Twitch这些常见平台，订阅频道后能自动下载新内容，不用手动一个个去拉。本地媒体库支持分类整理，界面UI做得还算干净。
比较意外的两个点是：内置了Cloudflare Tunnel，不用自己折腾端口转发和反向代理；整个项目是100%通过提示词生成的，零手写代码，目前已经有1.1k星标。Docker一键部署对不熟悉Node.js环境的人来说也比较友好。。
🔗https://github.com/franklioxygen/MyTube
想重温老游戏的时候，找资源、解压、配环境这一套操作下来，经常就直接不想玩了。
RohanKar Launcher 直接调用 http://Archive.org 上 rohanjackson071 收录的经典 PC 游戏库，相当于给这些老游戏做了一个统一的桌面入口。
使浏览或搜索找到游戏，点一下就开始下载，下载完自动解压（ZIP、7z、RAR 都支持），然后自动识别可执行文件。遇到 DOSBox 和原生版同时存在的情况，会弹个选择器让你选，也可以提前设好默认值跳过这一步。
手柄支持 Xbox 和 PS 布局，带屏幕键盘方便搜索；游戏时长自动记录，不用额外注册；已安装的游戏可以直接添加到 Steam 的非游戏库，方便统一管理。
界面风格偏干净简洁，Windows 10 以上就能跑。目前已经 650+ stars 了。
🔗 https://github.com/Kilted-Kraken/-RohanKar-Launcher
RohanKar Launcher 直接调用 http://Archive.org 上 rohanjackson071 收录的经典 PC 游戏库，相当于给这些老游戏做了一个统一的桌面入口。
使浏览或搜索找到游戏，点一下就开始下载，下载完自动解压（ZIP、7z、RAR 都支持），然后自动识别可执行文件。遇到 DOSBox 和原生版同时存在的情况，会弹个选择器让你选，也可以提前设好默认值跳过这一步。
手柄支持 Xbox 和 PS 布局，带屏幕键盘方便搜索；游戏时长自动记录，不用额外注册；已安装的游戏可以直接添加到 Steam 的非游戏库，方便统一管理。
界面风格偏干净简洁，Windows 10 以上就能跑。目前已经 650+ stars 了。
🔗 https://github.com/Kilted-Kraken/-RohanKar-Launcher
之前做AI绘图时最费时间的环节，往往不是调参数，而是想一个合适的提示词。
这个 AI Image Prompts Skill 的思路比较直接，把 1 万多条精选提示词打包成一个技能，装进 Claude、Cursor、OpenClaw 这类 AI 助手里就能用。
你只需要用一句话描述想画什么，它会在库里匹配最接近的 3 个提示词，并附带示例图供参考。如果手头有现成的文章或脚本，也可以直接丢进去，它会根据内容主题定制提示词。
提示词本身不绑定具体模型，Midjourney、DALL-E、Flux、Stable Diffusion，包括 Nano Banana、Seedream、GPT Image 这些新模型都能用。库按社交媒体、产品营销、头像、海报、游戏素材等场景分了类，日常够用了。
这个 AI Image Prompts Skill 的思路比较直接，把 1 万多条精选提示词打包成一个技能，装进 Claude、Cursor、OpenClaw 这类 AI 助手里就能用。
你只需要用一句话描述想画什么，它会在库里匹配最接近的 3 个提示词，并附带示例图供参考。如果手头有现成的文章或脚本，也可以直接丢进去，它会根据内容主题定制提示词。
提示词本身不绑定具体模型，Midjourney、DALL-E、Flux、Stable Diffusion，包括 Nano Banana、Seedream、GPT Image 这些新模型都能用。库按社交媒体、产品营销、头像、海报、游戏素材等场景分了类，日常够用了。
整理论文和笔记攒到一定量之后，找特定内容就变成了一场记忆测试，得先想起来在哪篇文档里，再手动翻出来确认。
pdf-brain 的思路是给这些文件建一个本地知识库：PDF 和 Markdown 统一入库，用 Ollama 跑向量搜索，支持语义检索和混合检索（向量+全文）。
入库时会自动调用本地 LLM 提取标题、摘要、标签和概念，省去了手动整理的步骤。
对技术文档和研究论文来说，内置的 SKOS 分类体系比较实用，可以按层级概念组织，而不是仅依赖文件夹结构。搜索结果支持上下文扩展，能直接看到匹配内容周围的原文。
🔗https://github.com/joelhooks/pdf-brain
pdf-brain 的思路是给这些文件建一个本地知识库：PDF 和 Markdown 统一入库，用 Ollama 跑向量搜索，支持语义检索和混合检索（向量+全文）。
入库时会自动调用本地 LLM 提取标题、摘要、标签和概念，省去了手动整理的步骤。
对技术文档和研究论文来说，内置的 SKOS 分类体系比较实用，可以按层级概念组织，而不是仅依赖文件夹结构。搜索结果支持上下文扩展，能直接看到匹配内容周围的原文。
🔗https://github.com/joelhooks/pdf-brain
玩FPV图传的都知道，距离和延迟之间的取舍，向来是个让人反复折腾的难题。
OpenHD这套方案走的是另一条路，用市面常见的Wi-Fi网卡，但不走标准Wi-Fi协议，而是改成类似模拟图传的广播模式（wifibroadcast），在低延迟和长距离之间找到了一个比较实用的平衡点。
除了高清视频流，它还同时承载双向遥测、音频和RC控制信号，全部挤在同一条通道里传输。
对喜欢折腾硬件的玩家来说，支持树莓派等多种平台这点比较友好，OSD也可以按自己的习惯定制。
🔗https://github.com/OpenHD/OpenHD
OpenHD这套方案走的是另一条路，用市面常见的Wi-Fi网卡，但不走标准Wi-Fi协议，而是改成类似模拟图传的广播模式（wifibroadcast），在低延迟和长距离之间找到了一个比较实用的平衡点。
除了高清视频流，它还同时承载双向遥测、音频和RC控制信号，全部挤在同一条通道里传输。
对喜欢折腾硬件的玩家来说，支持树莓派等多种平台这点比较友好，OSD也可以按自己的习惯定制。
🔗https://github.com/OpenHD/OpenHD
各家大厂的工程博客其实藏着大量高质量的技术实践，但分散在几十个站点里，想系统性地翻一遍根本不现实。
Awesome Engineering Articles 这个精选列表直接解决了这个问题——把 Airbnb、Netflix、Uber、Stripe、Meta 等 40 多家公司的 300+ 篇技术文章按公司整理好，覆盖系统架构、AI/ML、数据库、性能优化、分布式系统这些方向，基本都是各团队在真实大规模场景下的踩坑记录和解决方案。
对做后端和基础架构的人来说，与其自己从头摸索，不如直接看看别人已经验证过的方法。
每篇文章都标注了年份和技术领域，按需筛选也比较方便。
🔗https://github.com/ashishps1/awesome-engineering-articles
Awesome Engineering Articles 这个精选列表直接解决了这个问题——把 Airbnb、Netflix、Uber、Stripe、Meta 等 40 多家公司的 300+ 篇技术文章按公司整理好，覆盖系统架构、AI/ML、数据库、性能优化、分布式系统这些方向，基本都是各团队在真实大规模场景下的踩坑记录和解决方案。
对做后端和基础架构的人来说，与其自己从头摸索，不如直接看看别人已经验证过的方法。
每篇文章都标注了年份和技术领域，按需筛选也比较方便。
🔗https://github.com/ashishps1/awesome-engineering-articles
苹果的 FindMy 网络覆盖面确实广，但想自己做个兼容设备，原本必须有一台 Mac 来生成密钥，这个门槛拦住了不少人呢。
Macless-Haystack 是基于 OpenHaystack 改造，不需要真实 Mac 或虚拟机，完全靠 Docker 在任意机器上跑通整套流程。支持 ESP32 和 NRF5x 系列硬件，固件针对低功耗做了优化，电池续航比早期方案好不少。
配套的 Android App 和 Web 前端可以直接查看设备位置，密钥生成、固件烧录、服务器部署都有现成的脚本和文档。你有闲置的 ESP32 开发板，花点时间就能攒出一个自己的 FindMy 追踪器，成本远低于买一个 AirTag。
Macless-Haystack 是基于 OpenHaystack 改造，不需要真实 Mac 或虚拟机，完全靠 Docker 在任意机器上跑通整套流程。支持 ESP32 和 NRF5x 系列硬件，固件针对低功耗做了优化，电池续航比早期方案好不少。
配套的 Android App 和 Web 前端可以直接查看设备位置，密钥生成、固件烧录、服务器部署都有现成的脚本和文档。你有闲置的 ESP32 开发板，花点时间就能攒出一个自己的 FindMy 追踪器，成本远低于买一个 AirTag。