🆕 本周新建热门 AI 项目

它是什么

一个将 ChatGPT 与 Codex CLI 串联的 TypeScript 工具，让 ChatGPT 负责规划推理，Codex 负责实际编码执行，通过 MCP 协议打通两者的协作链路。

核心亮点

• 双模型分工：ChatGPT 作为“大脑”理解需求、拆解任务，Codex 作为“双手”调用工具、修改代码
• 原生 MCP 支持：基于 Model Context Protocol 实现标准通信，无需 hack 或逆向工程
• OAuth 集成：内置认证流程，免去手动配置 API Key 的繁琐步骤
• 轻量架构：纯 TypeScript 实现，依赖极少，可嵌入现有 CLI 工作流

为什么火

1357 颗星说明开发者受够了单模型工具的局限。它巧妙利用了 ChatGPT 更强的语义理解与 Codex 更稳的代码执行能力，形成“1+1>2”的效果。在 AI 编程工具同质化的当下，这种“分工协作”思路提供了新范式，且 MCP 标准化让方案具备长期生命力。

适合谁用

• 已在使用 Codex CLI 但觉得其规划能力不足的开发者
• 想要在 CI/CD 或本地脚本中集成双模型 AI 编码流程的团队
• 对 MCP 协议感兴趣，希望参考实际落地案例的 AI 工具开发者

快速上手

# 安装
npm install -g codex-with-chatgpt

# 配置 OAuth（一次性）
cwc auth login

# 启动协作模式
cwc run "重构登录模块并补充单元测试"

工具会自动将任务分发给 ChatGPT 规划，生成步骤清单后交给 Codex 执行，最终输出 diff 供你审查。

它是什么

open-higgsfield 是一个面向图像与视频生成的一站式创作工作台，用单一提示词输入栏统一调度多个生成模型，并将所有产出集中收纳在个人画廊中。它本质上是把“模型调用”从命令行或零散网页里解放出来，变成一套可视化的本地工作流。

核心亮点

• 统一提示栏：无需切换界面，一条指令即可驱动图像或视频模型，降低多模型协作成本。
• 模型独立配置：每个模型保留专属参数面板（如步数、分辨率、时长），兼顾统一入口与灵活控制。
• 结果画廊：所有生成记录自动归档，支持按时间或模型筛选，方便对比迭代与回溯。

为什么火

当前生成式 AI 工具碎片化严重，用户常需在多个网站或脚本间跳转。open-higgsfield 精准切中“聚合”痛点，用 TypeScript 构建的现代前端体验让技术门槛骤降，加上开源属性，迅速吸引了一批追求效率的创作者和开发者。

适合谁用

• 频繁试验多种生成模型的 AI 艺术家与设计师
• 需要批量产出素材并管理版本的内容团队
• 想自建私有生成工作流的开发者或极客

快速上手

git clone https://github.com/wide-trace/open-higgsfield.git
cd open-higgsfield
npm install
npm run dev

启动后，在浏览器打开本地地址，在提示栏输入描述并选择目标模型即可开始生成。所有结果自动存入画廊，支持导出与分享。

它是什么

WeMM-Embedding 是腾讯微信视觉团队推出的通用多模态嵌入模型系列，支持文本、图像等多种模态的统一理解与检索，为多模态 AI 应用提供底层表示能力。

核心亮点

• 统一嵌入空间：将不同模态映射到同一向量空间，实现跨模态语义匹配
• 多任务适配：覆盖图文检索、视觉问答、零样本分类等场景，无需任务特定微调
• 高性能表现：在多个多模态基准上达到 SOTA 水平，兼顾推理效率

为什么火

多模态大模型爆发后，如何高效连接视觉与语言成为刚需。WeMM-Embedding 直接提供开箱即用的嵌入方案，降低企业构建多模态检索系统的门槛，且背靠微信团队的工业级验证，可信度高。

适合谁用

• 构建图文搜索、推荐系统的后端工程师
• 研究多模态表征学习的算法工程师
• 需要低成本接入多模态能力的初创团队

快速上手

pip install wemm-embedding

from wemm import WeMMEmbedding
model = WeMMEmbedding.from_pretrained("tencent/wemm-base")
text_emb = model.encode_text("一只猫")
image_emb = model.encode_image("cat.jpg")
score = text_emb @ image_emb.T  # 相似度

模型权重通过 Hugging Face 发布，支持 PyTorch 生态直接调用。

它是什么

amosblomqvist/learn 是一个个人 AI 学习系统，用 TypeScript 构建，作者将其作为自己持续学习 AI 知识的“第二大脑”。它并非传统笔记工具，而是一个可编程、可扩展的知识管理框架，帮助你结构化地吸收、关联和复盘 AI 领域内容。

核心亮点

• 代码驱动：知识以 Markdown + TypeScript 定义，支持自动索引和关系图谱生成
• 渐进式学习：内置间隔重复（Spaced Repetition）机制，基于遗忘曲线安排复习
• 轻量自托管：无外部数据库依赖，纯文件存储，易于 Git 版本管理和同步
• 自定义管道：可编写脚本对笔记进行转换、总结或生成测试题

为什么火

在 AI 知识爆炸的当下，它精准切中“如何高效学习 AI”的痛点。相比 Notion 等通用工具，它更贴近开发者习惯——用代码管理知识，且完全开源可定制。近 900 星说明不少人在寻找这种“极客式学习方案”。

适合谁用

• 需要持续跟踪 AI 论文、框架和最佳实践的开发者
• 喜欢用 Git 管理一切、追求数据自主权的技术爱好者
• 希望将学习过程自动化（如自动生成复习卡片）的效率控

快速上手

git clone https://github.com/amosblomqvist/learn.git
cd learn
npm install
npm run start

项目根目录的 content/ 文件夹即知识库，用 Markdown 编写笔记，运行 npm run review 即可进入每日复习流程。建议先阅读 README.md 了解目录结构和自定义复习策略的方法。

它是什么

sepia 是一个针对 AI 写作的“去 AI 味”技能包，专为 Claude Code、Codex、Grok Build 和 Antigravity 等编码代理设计。它通过叙事架构修复和文体规则匹配，让 AI 生成的文本更接近人类写作的自然质感，核心方法论基于论文 StoryScope（arXiv:2604.03136）。

核心亮点

• 双模式适配：针对虚构类作品提供叙事架构修复，针对专业写作提供场景匹配的文体规则
• 代理原生：不是简单的提示词，而是可直接注入编码代理的技能模块，支持主流开发工具链
• 学术支撑：基于 arXiv 论文的叙事分析框架，非拍脑袋的“人性化”技巧堆砌
• MIT 许可：完全开源，可自由集成到个人写作流水线

为什么火

在 AI 写作泛滥的当下，sepia 精准切中两个痛点：一是虚构创作者苦于 AI 产出“模板化叙事”，二是专业写作者需要避免“机翻腔”。它把学术级的叙事理论工程化，且直接服务于开发者生态（而非普通用户），这种“为代理写技能”的定位在同类工具中极为稀缺，因此迅速获得开发者社区关注。

适合谁用

• 用 Claude Code / Codex 辅助写小说、剧本的创作者
• 需要批量产出高质量专业文档（报告、提案、论文）的开发者
• 对 AI 文本“塑料感”敏感，希望保留个人风格的自由职业写作者
• 研究 LLM 输出质量与叙事结构的学术爱好者

快速上手

# 克隆仓库
git clone https://github.com/Nanako0129/sepia
cd sepia

# 将技能目录链接到你的代理配置（以 Claude Code 为例）
ln -s $(pwd)/skills ~/.claude/skills/sepia

# 在对话中触发，例如：
# “用 sepia 的 fiction-repair 模式，重写这段对话，去掉 AI 腔”

具体规则文件按场景拆分，可直接编辑 YAML 调整风格阈值，适配个人偏好。

它是什么

headcount 是一个将 Claude Code 组织成“公司”形态的 Agent 框架。它内置 15+ 个部门、125+ 项技能，每个技能都可独立安装，本质是一个面向 Claude Code 的模块化 Agent 市场。

核心亮点

• 公司式组织架构：按职能划分部门（如工程、市场、法务），Agent 各司其职，协作逻辑清晰
• 125+ 可插拔技能：从代码审查到数据分析，按需安装，不用的技能不占资源
• 独立安装机制：支持单技能或整部门部署，灵活适配不同项目规模
• 纯 Markdown 驱动：配置与技能定义均用 Markdown 编写，零代码门槛

为什么火

在 Agent 同质化严重的当下，它用“公司”隐喻解决了两个痛点：一是大规模 Agent 的组织混乱，二是技能复用成本高。开发者可以像招聘员工一样“雇佣”技能，且每个技能独立版本化，大幅降低维护心智负担。

适合谁用

• Claude Code 重度用户：希望将工作流系统化、部门化
• 团队管理者：需要为不同项目快速配置标准化的 Agent 能力集
• AI 工具链开发者：想借鉴其模块化技能市场的设计模式

快速上手

# 安装指定技能（示例：安装“代码审查”技能）
claude plugin install headcount/code-review

# 查看所有可用部门
claude plugin list headcount

# 按部门批量安装
claude plugin install headcount/engineering

安装后，在 Claude Code 中直接调用对应技能名即可触发 Agent 行为。所有配置均可在 headcount.md 中自定义。

它是什么

life-ipo 是一个基于 TypeScript 的个人数据操作系统，将人生视为一家公司进行“IPO”管理——统一整合财务、健康、知识、人脉与 AI 决策，并支持团队协作执行。项目采用 MIT 协议，当前在 GitHub 上已获 540+ Star。

核心亮点

• 全维度数据整合：财务、健康、知识、人脉四大模块统一建模，打破数据孤岛
• AI 决策引擎：内置规划与决策支持，基于个人数据生成行动建议
• 团队协作模式：支持多人共享目标与任务，适合家庭或小型团队共同管理
• 可编程扩展：基于 TypeScript 的模块化架构，便于二次开发与定制

为什么火

在个人管理工具普遍聚焦单一领域的背景下，life-ipo 提出了“人生公司化”的宏大叙事——将个人成长量化、结构化，并引入 AI 辅助决策。这种“操作系统”级定位切中了知识工作者对效率与掌控感的深层需求，加之 MIT 开源许可降低了使用门槛，迅速吸引了一批追求系统化自我管理的极客用户。

适合谁用

• 效率爱好者：喜欢用数据驱动个人成长，习惯记录与分析各类指标
• 自由职业者/创业者：需要同时管理事业、健康与人脉的多任务人群
• 技术型家庭：希望用统一平台协调家庭目标与资源分配
• AI 应用开发者：对个人数据与 AI 决策结合场景感兴趣的开发者

快速上手

# 克隆项目
git clone https://github.com/gtlhuyidan-sketch/life-ipo.git
cd life-ipo

# 安装依赖并启动
npm install
npm run dev

配置个人数据源（财务账户、健康设备、知识库等）后，即可通过仪表盘查看全维度概览，并启动 AI 规划助手生成个性化行动方案。详细文档见项目 README。

它是什么

OpenGrok 是一个面向 Grok Bot 的模型路由工具，用一条命令即可接入任意大模型。它提供可视化模型选择界面、基于证据的 Provider 映射机制，以及防更新覆盖的“医生”修复模块，让 Grok 生态不再被单一模型绑定。

核心亮点

• 一键部署：无需复杂配置，单命令启动，自动完成环境检测与依赖安装
• 模型选择器 UI：图形化界面切换模型，支持 OpenAI 兼容接口，覆盖主流 LLM 服务
• 证据驱动路由：基于实际响应质量动态映射 Provider，而非静态配置，提升调用可靠性
• 更新免疫：内置 doctor 模块，在 Grok 升级后自动修复兼容性问题，避免“一更新就崩”

为什么火

当前 AI 工具链普遍存在“模型锁定”痛点——官方客户端只允许自家模型，开发者被迫维护多套配置。OpenGrok 用工程化手段解决这个摩擦，加上 MIT 许可和 Windows 友好设计，迅速吸引了一批追求可控性的 AI 应用开发者。其“不收割用户，而是武装用户”的定位，也契合了开源社区对透明工具的需求。

适合谁用

• 在 Grok 生态中开发 AI Agent 的工程师，需要灵活切换底层模型
• 使用 Windows 环境、希望快速集成多家 LLM 的中小型团队
• 对模型供应商依赖敏感，需要可审计路由策略的技术决策者

快速上手

# 安装并启动（需 Node.js 18+）
npx opengrok init
npx opengrok start

浏览器访问 http://localhost:3000，在 UI 中填入你的 OpenAI 兼容 API Key，即可在 Grok Bot 中切换模型。遇到升级问题，运行 opengrok doctor 自动修复。

它是什么

fire-your-seo-agency 是一个基于 Claude Code 的 AI 技能包（Skill），能自动完成 SEO、AEO、GEO、LLMO 以及 Naver（NEO）搜索优化。它把原本每月 50~350 万韩元的代理服务，压缩成一次本地命令。

核心亮点

• 全栈搜索优化：覆盖传统搜索引擎、AI 问答（如 ChatGPT）、生成式引擎（GEO）和 Naver 生态
• 自动审计与修复：不仅诊断问题，还能直接生成 llms.txt、结构化数据等优化产物
• 零订阅成本：只需 Claude Code 环境，无额外平台费用

为什么火

AI 搜索正快速蚕食传统流量入口，但多数团队仍依赖高价代理。这个项目把“专业优化”变成开发者可自助执行的技能，直击成本与效率痛点，上线即获 370+ Star。

适合谁用

• 独立开发者或小团队，想低成本覆盖 AI 搜索流量
• 已有 Claude Code 工作流，希望扩展 SEO 能力的开发者
• 对 Naver 生态有需求的韩国市场运营者

快速上手

# 安装 Claude Code 后，将项目克隆至 skills 目录
git clone https://github.com/leopard627/fire-your-seo-agency ~/.claude/skills/

# 在项目中运行
claude "审计当前站点的 SEO 和 GEO 状态"

之后 Claude 会自动生成优化报告与补丁，你只需 review 并应用。

它是什么

simplify-codebase 是一个面向 AI 代理的代码库简化工具，通过形式化证明与自动重构，在不改变行为的前提下移除代码库中的意外复杂度。它由 tt-a1i 开源，采用 MIT 协议，当前在 GitHub 上已收获 359 星。

核心亮点

• 行为安全：基于证明而非测试，确保重构前后程序语义完全一致
• 代理原生：专为 Codex 等 AI 代理设计，可作为 agent skill 集成到自动化工作流
• 精准定位：自动识别“意外复杂度”（如冗余抽象、死代码、过度封装），而非主观风格调整

为什么火

在 AI 生成代码日益普及的今天，代码库复杂度正以指数级增长。该工具直击痛点——让 AI 不仅“写代码”，还能“清理代码”，且无需人工逐行审查。其“证明优先”的思路在同类重构工具中独树一帜，吸引了大量关注 AI 驱动开发效率的开发者。

适合谁用

• 维护大型代码库、苦于技术债的团队
• 深度使用 AI 编程助手（如 Codex）的开发者
• 对形式化方法感兴趣，希望将其落地到日常工程实践的技术人员

快速上手

# 安装 CLI
git clone https://github.com/tt-a1i/simplify-codebase.git
cd simplify-codebase && pip install .

# 分析当前目录下的代码库
simplify-codebase analyze --path ./src

# 生成并应用安全重构补丁
simplify-codebase simplify --path ./src --apply

建议先在分支上运行 --dry-run 预览改动，确认无误后再合并。