每日热门 AI 项目
Reverse engineer anything with agents, from app behavior down to native binaries.
它是什么
rea 是一个基于 AI Agent 的逆向工程工具链，用 TypeScript 编写。它把 LLM 智能体接入反汇编与二进制分析流程，从应用层行为一路下钻到原生机器码，目标是让逆向工作从「手工盯汇编」变成「对话式协作」。
核心亮点
- Agent 驱动：不是简单的反编译 GUI，而是让 Agent 自主规划分析路径、交叉验证假设。
- 打通工具链：集成 Ghidra、Hopper 等主流反汇编器，通过 MCP 协议统一调度。
- 覆盖全栈：从 app 行为观测到 native binary 静态分析，一套流程贯通。
- 可扩展技能：以 agent-skills 形式封装分析能力，支持 Claude Code、Codex 等宿主。
为什么火
单日新增 5.4 万 star，说明它踩中了两个痛点：CTF 与安全研究对自动化逆向的刚需，以及 MCP 生态爆发期开发者对「Agent + 专业工具」组合的强烈兴趣。MIT 协议也让商业与个人使用毫无门槛。
适合谁用
安全研究员、CTF 选手、恶意样本分析师，以及想把 LLM 接入二进制分析管线的工具开发者。
快速上手
git clone https://github.com/morluto/rea
cd rea && npm install
# 配置 MCP 宿主（Claude Code / Codex）后即可调用
建议先跑官方示例样本，再接入自己的目标二进制。
Context window optimization for AI coding agents. Sandboxes tool output (98% reduction), persists session memory, and enforces routing across 17 platforms via MCP + hooks.
它是什么
context-mode 是一个面向 AI 编程代理的上下文窗口优化层，通过 MCP 协议与 hooks 机制接入 Claude Code、Cursor、Codex、Copilot 等 17 个平台。
核心亮点
- 工具输出沙箱化：将冗长的命令返回结果压缩处理，官方称可减少 98% 的 token 占用
- 会话记忆持久化：跨轮次保留关键上下文，避免重复读取
- 统一路由层：一套配置覆盖多平台，无需为每个 IDE 单独适配
为什么火
上下文窗口是当前 AI 编程的核心瓶颈。项目直击痛点，且以 MCP Server + Hooks 的轻量方式集成，不侵入现有工作流。单日近千 star 的增长说明开发者对"省 token、保记忆"的需求极为迫切。
适合谁用
重度使用 Claude Code、Cursor、Codex 等代理式编程工具的开发者，尤其是处理大型代码库、长会话任务或对 API 成本敏感的用户。
快速上手
git clone https://github.com/mksglu/context-mode
按 README 配置对应平台的 MCP Server 与 hooks 即可，TypeScript 项目，无需复杂依赖。
它是什么
vercel-labs/skills 是 Vercel 实验室推出的开放 Agent 技能工具，通过 npx skills 一条命令即可为 AI Agent 安装、管理和分发可复用的技能包。它试图为「Agent 能力扩展」建立一套通用、开放的规范。
核心亮点
- 零配置上手：
npx skills直接运行，无需全局安装 - 开放标准：技能以声明式格式定义，跨 Agent 框架通用
- 生态友好：像 npm 管理依赖一样管理 Agent 技能
为什么火
AI Agent 爆发式增长，但技能复用一直是碎片化痛点。Vercel 凭借前端生态影响力，把「技能包管理」做成基础设施级工具，发布即获 3.4 万 star，日增近 200。
适合谁用
构建 AI Agent 的开发者、需要快速扩展 Agent 能力的团队，以及希望沉淀内部技能资产的工程组织。
快速上手
npx skills add <skill-name>
MIT 协议，TypeScript 编写，可直接集成到现有 Agent 工作流。
AirLLM 2.8T LLM inference with single 4GB GPU
它是什么
AirLLM 由 lyogavin 开发，通过分层加载与推理优化，让单张 4GB 显存的 GPU 也能跑起 70B 乃至 2.8T 参数的大模型，无需多卡或量化压缩。
核心亮点
- 4GB 显存跑 70B：按层加载权重，显存占用与模型规模解耦
- 无需量化：保留原始精度，避免量化带来的质量损失
- 极简 API：几行代码即可替换 HuggingFace 推理流程
- 支持主流模型：Llama、Qwen、ChatGLM 等开箱即用
为什么火
大模型推理的显存门槛一直是个人开发者的痛点。AirLLM 用“时间换空间”的思路把门槛从 A100 拉低到消费级显卡，加上 Apache-2.0 协议和即插即用的接口，迅速在中文社区引爆，单日新增 1000+ Star。
适合谁用
显存有限的个人开发者、学生、想本地跑大模型但买不起多卡的研究者，以及需要低成本部署验证的团队。
快速上手
pip install airllm
from airllm import AutoModel
model = AutoModel.from_pretrained("meta-llama/Llama-2-70b-hf")
直接调用 model.generate() 即可，其余交给 AirLLM 处理。