🆕 本周新建热门 AI 项目

它是什么

一个将 ChatGPT 与 Codex 深度绑定的 AI 编程协作工具。它让 ChatGPT 充当“规划大脑”，负责拆解任务、设计方案，而 Codex 则作为“执行双手”，在本地沙箱中完成代码编写与运行，两者通过 MCP（Model Context Protocol）协议无缝通信。

核心亮点

• 双模型分工：ChatGPT 负责复杂推理与任务规划，Codex 负责具体代码落地，各取所长
• MCP 原生支持：基于 Model Context Protocol 实现模型间标准通信，架构清晰可扩展
• OAuth 集成：内置完整的 OAuth 认证流程，无需手动管理 API Key，开箱即用
• TypeScript 编写：类型安全，代码可读性与维护性俱佳，适合二次开发

为什么火

它解决了 AI 编程中一个关键痛点：单一模型难以同时兼顾“深度规划”和“高效执行”。ChatGPT 的推理能力与 Codex 的代码生成能力互补，这种“大脑+双手”的组合模式被社区认为是 AI 编程的新范式，上线即获得 1700+ Star。

适合谁用

• 重度使用 AI 编程的开发者，希望提升复杂项目开发效率
• 对多模型协作架构感兴趣的 AI 应用开发者
• 想要低成本体验 MCP 协议与 OAuth 实践的工程团队

快速上手

# 克隆项目并安装依赖
git clone https://github.com/XiaoDuoYa/codex-with-chatgpt.git
cd codex-with-chatgpt
npm install

# 配置 OAuth 环境变量后启动
export OPENAI_API_KEY=your_key
npm run dev

启动后即可在终端中通过自然语言描述需求，ChatGPT 会自动规划步骤并驱动 Codex 完成任务。

它是什么

Sepia 是一个面向 AI Agent 的“去 AI 味”写作技能包，兼容 77+ 种 Agent Skills 协议，并为 Claude Code、Codex、Grok Build 和 Antigravity 提供原生插件。其核心是基于 StoryScope 论文（arXiv:2604.03136）的叙事架构修复引擎。

核心亮点

• 双轨规则引擎：虚构类作品自动修复叙事结构（节奏、视角、冲突曲线），非虚构类则匹配场景化文体规则（商务、学术、新闻等）
• 零侵入集成：通过 Skills CLI 一键安装，无需改动现有 Agent 配置
• 可解释输出：每次改写附带结构化修改说明，而非黑盒替换

为什么火

在 AI 生成内容泛滥的当下，它精准切中两个痛点：小说作者抱怨“AI 味”破坏沉浸感，专业写作者需要符合特定文体规范的文本。基于 arXiv 论文的做法也让它比纯 prompt 方案更可信。

适合谁用

• 用 Claude/Copilot 写小说但受困于“AI 腔”的作者
• 需要批量产出合规商务文档的团队
• 研究 LLM 输出风格控制的开发者

快速上手

# 安装 CLI 并添加技能
skills add Nanako0129/sepia

# 在 Agent 中调用（以 Claude Code 为例）
claude --skill sepia "重写这段小说开头，修复节奏问题"

MIT 许可，可直接集成到现有工作流。

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 TypeScript 构建。它把多个生成模型统一收进一个提示词输入框，每个模型保留独立参数配置，所有产出自动归档进统一画廊。

核心亮点

• 统一入口：一条提示词栏驱动所有模型，无需在多个工具间切换
• 模型自治：每个模型拥有自己的设置面板，互不干扰，兼顾灵活与整洁
• 作品画廊：每次生成自动记录，形成可回溯的个人创作库，方便对比迭代

为什么火

在生成式 AI 工具碎片化的当下，用户常需在多个 Web 应用间反复搬运提示词和结果。open-higgsfield 用“一个入口 + 统一归档”的逻辑切中痛点，降低了多模型工作流的管理成本。加上 TypeScript 带来的可维护性，让它迅速获得千星关注。

适合谁用

• 频繁尝试不同图像/视频模型的创作者
• 需要批量对比生成效果的设计师与研究者
• 希望自建私有生成工作台的技术团队

快速上手

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

启动后，在提示词栏输入描述，选择目标模型并调整参数，即可生成并自动保存到画廊。

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，主打图文混合理解与检索。它把图像和文本统一映射到同一向量空间，让跨模态的语义匹配成为可能。

核心亮点

• 统一嵌入空间：支持图文双向检索，无需额外适配即可对齐语义
• 多粒度理解：既能处理整图描述，也能定位局部区域与文本的对应关系
• 轻量部署：基于 Transformer 架构，推理开销可控，适合生产环境

为什么火

多模态检索是 RAG 和 AI Agent 的刚需场景。WeMM-Embedding 直接解决了传统文本嵌入无法理解图像内容的痛点，且背靠微信团队的工业级验证，在中文场景下表现扎实，上线不到一个月就接近千星。

适合谁用

• 做多模态 RAG 或知识库检索的开发者
• 需要商品图/视频帧与文本匹配的电商、内容平台
• 研究跨模态表征学习的算法工程师

快速上手

pip install we-mm-embedding

from we_mm import WeMMEmbedding
model = WeMMEmbedding.from_pretrained("tencent/wemm-v1")
vec_img = model.encode_image("cat.jpg")
vec_txt = model.encode_text("一只猫")
score = model.cosine_similarity(vec_img, vec_txt)

模型权重托管在 HuggingFace，支持 PyTorch 2.0+，CPU/GPU 均可运行。

它是什么

Headcount 是一个面向 Claude Code 的智能体组织框架，将 AI 助手按公司结构编排——内置 15+ 部门、125+ 技能，每个技能均可独立安装。它不是一个单体插件，而是一套可灵活组合的 Agent 生态。

核心亮点

• 公司化组织：按市场、研发、法务等真实部门划分职责，让 Agent 分工清晰
• 模块化安装：每个技能独立发布，按需加载，避免臃肿
• MCP 原生支持：天然兼容 Claude Code 的模型上下文协议，接入成本低
• MIT 许可：完全开源，可自由修改和商用

为什么火

786 颗星说明它切中了 AI 工程化的痛点——当单 Agent 无法应对复杂任务时，Headcount 提供了一种"组织化"的解决方案。它把零散的 Claude 技能升级为可治理的团队结构，这种企业级思维在开发者社区极具吸引力。

适合谁用

• 重度 Claude Code 用户：希望突破单会话能力上限
• 团队管理者：想为开发流程引入标准化的 AI 分工
• AI 工具链开发者：需要参考如何设计可插拔的 Agent 市场

快速上手

# 克隆仓库并浏览部门目录
git clone https://github.com/cbrock84/headcount.git
cd headcount

# 按需安装技能（示例：安装市场部技能）
# 具体命令见 docs/INSTALL.md，通常为 claude plugin install <skill-name>

无需全量部署，选择你需要的部门技能，即可让 Claude Code 立刻拥有"团队作战"能力。

它是什么

tokentab 是一个 Python 编写的命令行工具，专门解析 Claude Code、Codex 和 Gemini CLI 的会话日志，自动统计各模型、项目和日期的 token 消耗与费用，帮开发者看清 AI 编程工具到底花了多少钱。

核心亮点

• 多模型支持：覆盖 Claude、Codex、Gemini 三大主流 CLI 工具，统一输出成本报表
• 多维聚合：按模型、项目、日期三个维度交叉统计，定位费用异常点
• 零侵入：直接读取本地日志文件，无需修改任何 AI 工具配置
• 轻量快速：纯 Python 实现，单命令输出 Markdown 表格，方便集成到 CI 或日常巡检

为什么火

AI 编程助手普及后，token 费用成为团队真实痛点。tokentab 精准切中“成本可视化”需求，用最简方式解决“钱花哪了”的模糊焦虑，上线即获 500+ star，说明开发者对透明化开销有强烈刚需。

适合谁用

• 重度使用 Claude Code / Codex 的独立开发者，想控制月度支出
• 管理多个 AI 工具的企业技术团队，需要按项目分摊成本
• 对 token 消耗敏感，想优化 prompt 效率的 AI 应用开发者

快速上手

pip install tokentab
tokentab scan  # 自动扫描默认日志目录
tokentab --model claude --project myapp --date 2025-06-01

支持 --json 输出便于脚本处理，默认展示最近 30 天汇总。详细配置见 GitHub README。

它是什么

my-free-code 是一个开源的 AI 网关，专为 Claude Code 及其他编码代理设计。它通过统一接口路由多个模型提供商，支持流式输出、工具调用、推理增强、故障回退，并可直接对接本地模型。

核心亮点

• 多提供商路由：无缝切换 OpenAI、Anthropic、本地 Ollama 等，无需修改代理代码
• 智能回退：模型故障时自动降级，保障编码会话不中断
• 完整工具链：支持工具调用、流式响应及 reasoning 内容透传
• 本地优先：可优先使用本地模型，兼顾隐私与成本

为什么火

当前编码代理普遍绑定单一提供商，而 my-free-code 以 MIT 协议提供“自由选择”能力，契合开发者对模型灵活性和成本控制的需求。其轻量 Python 实现和即插即用特性，降低了自建 AI 网关的门槛，在 GitHub 上迅速获得关注。

适合谁用

• 重度使用 Claude Code 但希望切换不同后端模型的开发者
• 需要为团队搭建统一 AI 接入层的技术负责人
• 希望结合本地模型降低 API 成本的开源爱好者

快速上手

git clone https://github.com/hkqr/my-free-code
cd my-free-code
pip install -r requirements.txt
# 配置 .env 中的 API 密钥与模型路由
python gateway.py

随后在 Claude Code 中设置 ANTHROPIC_BASE_URL=http://localhost:8000 即可接入。

它是什么

opengrok 是一个面向 Grok Bot 的模型路由工具，通过一条命令即可接入任意 LLM。它提供可视化模型选择界面，并内置基于证据的供应商连接映射，让 Grok 不再被单一模型锁死。

核心亮点

• 一键部署：零配置启动，自动完成环境检测与依赖安装
• 模型选择器 UI：交互式面板，支持在多个 OpenAI 兼容模型间实时切换
• 证据驱动路由：通过实测延迟、错误率等指标自动生成供应商连接图，而非静态配置
• 防更新破坏：内置“医生”模块，可检测并修复升级后的兼容性问题

为什么火

当前 AI 工具链普遍存在“模型绑定”痛点，而 opengrok 以极低上手成本解决了 Grok 生态的封闭性。其“不收割用户，而是武装用户”的理念，配合 MIT 许可，迅速吸引了追求自主可控的开发者社群。

适合谁用

• 深度使用 Grok 但想接入私有或开源模型的个人开发者
• 需要在多供应商间做容灾切换的 AI 应用团队
• 对 Windows 环境有强依赖的本地模型爱好者

快速上手

git clone https://github.com/OnlyTerp/opengrok
cd opengrok && npm install
npm start

启动后访问本地端口，在 UI 中添加任意 OpenAI 兼容的 API 端点，即可完成模型接管。升级时运行 npx opengrok-doctor 自动修复配置。

它是什么

fire-your-seo-agency 是一个基于 Claude Code 的 AI 技能包，让 AI 代理自主完成 SEO、AEO、GEO、LLMO 及 Naver 搜索（NEO）的审计与优化，替代月费 50-350 万韩元的专业代运营服务。

核心亮点

• 全栈搜索优化：覆盖传统 SEO、AI 引擎优化（GEO/AEO）、LLM 引用优化（LLMO）与 Naver 生态
• 自主执行：作为 Claude Code Skill，自动分析站点、生成优化建议并直接实施修改
• 可审计透明：每次优化动作均有记录，支持人工复核与回滚
• MIT 协议：完全开源，可自由定制优化策略

为什么火

搜索流量正被 AI 答案引擎分流，传统 SEO 代理费用高昂且响应迟缓。该项目精准切中「AI 搜索优化」这一新兴刚需，用一次性的 AI 技能成本替代长期代理费，且效果可量化、可迭代。376 星在短期内获得，说明开发者对「AI 取代专业服务」的痛点有强烈共鸣。

适合谁用

• 独立站站长、SaaS 创业者：预算有限但需要持续获取搜索流量
• 数字营销团队：想用 AI 辅助内部 SEO 工作流，减少外包依赖
• Naver 生态的韩国市场玩家：内置 NEO 优化是稀缺能力

快速上手

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

# 在 Claude Code 中启用技能
claude

# 对目标站点发起审计
> /fire-your-seo-agency audit https://yoursite.com

技能会自动生成结构化审计报告，并给出可执行的优化清单，你只需确认后让 AI 动手改。

它是什么

trustmebro 是一个用 Go 编写的红队测试工具，通过向大语言模型（LLM）注入伪造的工具输出，绕过其安全护栏（guardrails），从而测试模型在异常输入下的行为边界。

核心亮点

• 定向混淆：构造看似合法的工具响应，诱导模型忽略预设的安全规则，实现越狱。
• 轻量高效：纯 Go 实现，无外部依赖，可快速集成到现有测试管道。
• MIT 许可：开放源码，允许自由修改和商用，适合安全团队定制。

为什么火

在 LLM 应用爆发式增长的当下，安全漏洞成为焦点。该项目精准切中“工具调用”这一新兴攻击面，为红队和 AI 安全研究者提供了实战化验证手段，上线即引发社区关注。

适合谁用

• AI 安全研究员：评估模型对恶意输入的鲁棒性。
• 红队/渗透测试员：在授权环境中测试 LLM 应用的防护能力。
• 开发者：自查 AI 功能的安全性，避免上线后遭滥用。

快速上手

git clone https://github.com/DavidCarliez/trustmebro  
cd trustmebro  
go build -o trustmebro  
./trustmebro -h  

配置目标模型 API 后，构造伪造工具输出并发送请求，观察模型是否突破限制。