🆕 本周新建热门 AI 项目

它是什么

一个将 ChatGPT 的推理能力与 Codex 执行能力解耦的 TypeScript 工具。它让 ChatGPT 担任“规划大脑”，负责拆解任务、生成策略，而 Codex 只负责具体编码执行，通过 MCP 协议完成两者协作。

核心亮点

• 职责分离：ChatGPT 不碰代码，Codex 不碰规划，各司其职
• MCP 桥接：基于 Model Context Protocol 实现两个模型的通信，无需额外服务
• OAuth 内建：自动处理 ChatGPT 与 Codex 的认证流程，开箱即用
• 轻量实现：纯 TypeScript 编写，无重型依赖，适合嵌入现有 AI Agent 工作流

为什么火

它精准解决了当前 AI 编程的痛点：ChatGPT 推理强但执行不稳定，Codex 执行稳但规划弱。将两者组合后，复杂任务的完成率显著提升，且架构清晰可复现。在 AI Agent 社区，这种“大脑-双手”分离模式正成为新范式。

适合谁用

• 已在使用 Codex CLI 但觉得规划能力不足的开发者
• 希望在不更换工具链的前提下增强 AI 编程能力的团队
• 对 MCP 协议感兴趣的 AI Agent 研究者

快速上手

# 安装
npm install -g codex-with-chatgpt

# 配置 OAuth（仅需一次）
codex-with-chatgpt auth

# 启动协作模式
codex-with-chatgpt run "重构登录模块并补充单元测试"

首次运行会引导你完成 ChatGPT 与 Codex 的授权，之后即可享受“双脑协作”的编程体验。

它是什么

Sepia 是一个面向 AI Agent 的“去 AI 味”写作技能包，兼容 77+ 种支持 Agent Skills 的智能体（通过 Skills CLI 安装），并为 Claude Code、Codex、Grok Build 和 Antigravity 提供原生插件。它基于 StoryScope 论文（arXiv:2604.03136）实现，核心是修复叙事结构、匹配语境的专业写作规则。

核心亮点

• 双轨规则引擎：对虚构作品执行“叙事架构修复”，对专业写作应用“场景匹配规则”，而非简单替换同义词
• 原生插件矩阵：不只提供通用技能，还为四大主流 Agent 定制了零配置接入方案
• 学术根基：规则源自 arXiv 论文，有可验证的生成质量评估依据，而非经验堆砌

为什么火

1351 星且增速迅猛，因为它精准击中了 LLM 写作的痛点——生成内容“正确但乏味”。Sepia 不是又一个提示词模板，而是把写作学规则编码成 Agent 可执行的技能，让 AI 输出从“像人写的”升级为“符合专业标准”。MIT 许可也降低了采用门槛。

适合谁用

• 用 Claude Code / Codex 写小说、剧本的创作者
• 依赖 Agent 生成报告、提案、营销文案的职场人
• 维护自有 Agent 技能库、想提升输出质量的开发者

快速上手

# 安装 Skills CLI（如未安装）
npm install -g @anthropic-ai/claude-code

# 通过 CLI 安装 sepia 技能
skills install Nanako0129/sepia

# 或在 Claude Code 中直接引用
/sepia --mode fiction --style literary

对原生插件用户，直接在你的 Agent 配置目录中启用 sepia 插件即可，无需额外脚本。

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室。它将多个生成模型统一收纳于一个提示词输入栏之下，每个模型保留独立参数设置，所有生成结果自动归档进统一画廊，告别多工具切换的碎片化工作流。

核心亮点

• 统一提示栏：一次输入，多模型并行调用，无需重复编写提示词
• 独立模型配置：每个模型拥有专属参数面板，兼顾统一入口与差异化调优
• 结果画廊：所有生成记录自动汇总，支持按模型、时间筛选回溯，方便对比迭代

为什么火

当前生成式 AI 工具林立，但用户常需在多个网页间反复粘贴提示词、保存结果。open-higgsfield 精准切中“聚合管理”这一痛点，用极简交互降低了多模型协作的认知负担，上线即获千星关注，正是社区对“少切换、多产出”需求的直接回应。

适合谁用

• AI 创作者：需要快速对比不同模型出图/出视频效果的艺术家与设计师
• 提示词工程师：希望批量测试提示词在不同模型下表现的调优人员
• 小型团队：需要一个轻量内部工具统一管理生成资产的内容小组

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，在左侧模型列表勾选所需模型，顶部输入提示词并调整各自参数，点击生成即可在画廊中查看并导出结果。

它是什么

tokentab 是一款开源的命令行工具，专门解析 Claude Code、Codex 和 Gemini CLI 的会话日志，自动统计并核算每个模型、项目和日期的 Token 消耗成本。用 Python 编写，MIT 协议，目前已在 GitHub 收获 1.1k Star。

核心亮点

• 多引擎支持：无缝兼容三大主流 AI 编程助手的日志格式，无需手动转换。
• 成本透视：按模型、项目、日期三维度拆解费用，一眼看清钱花在哪。
• 零配置上手：安装后直接指向日志目录即可输出报表，不依赖云服务或数据库。

为什么火

AI 编程工具普及后，Token 费用成为团队和独立开发者的隐性成本。tokentab 精准切中“算账”痛点——它不优化代码，却帮你优化预算。在 Cursor 等工具风靡的当下，这种轻量级“财务审计”工具自然快速传播。

适合谁用

• 重度 AI 编程用户：想了解每月 AI 助手开销的个人开发者。
• 技术团队管理者：需要为多个项目的 AI 使用量做成本归因。
• 预算敏感型团队：在 AI 工具选型或用量控制上需要数据支撑。

快速上手

# 安装
pip install tokentab

# 扫描 Claude Code 日志并显示成本摘要
tokentab --tool claude --log-dir ~/.claude/

# 按项目分组查看 Gemini CLI 消耗
tokentab --tool gemini --group-by project

支持 --csv 导出，方便对接自建报表系统。

它是什么

Headcount 是一个面向 Claude Code 的智能体组织框架，将 AI 代理按公司结构编排——15+ 部门、125+ 技能，每个技能均可独立安装。它本质上是把企业级组织方法论注入 Agent 生态，让 Claude 不再单打独斗，而是以“团队”形态协作。

核心亮点

• 公司化架构：按 HR、工程、法务等部门划分职责，每个 Agent 有明确岗位描述
• 模块化技能：125+ 技能像 npm 包一样按需安装，避免冗余上下文
• MCP 原生支持：天然适配 Claude 的 Model Context Protocol，扩展性强
• 零锁定：MIT 协议，可自由改造组织架构

为什么火

它解决了 Claude Code 用户的核心痛点——单 Agent 处理复杂任务时容易“上下文爆炸”。Headcount 让多个专业 Agent 分工协作，各司其职，既降低了单次调用的 token 消耗，又提升了任务完成质量。这种“组织化”思路在 Agent 开发社区极具启发性。

适合谁用

• Claude Code 重度用户：需要处理多步骤、跨领域复杂任务
• AI 工具链开发者：想借鉴企业级 Agent 编排模式
• 团队协作场景：需要标准化 AI 工作流的团队

快速上手

# 安装任意技能（以 HR 部门为例）
claude plugin install headcount/hr/onboarding

# 在 Claude Code 中调用
# @hr-onboarding 请为新成员生成入职计划

所有技能独立安装，按需加载，无需全量部署。项目文档包含完整的部门目录和技能清单，可快速浏览选择。

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。它聚合多家 LLM 提供商，提供统一的路由、流式传输、工具调用、推理与故障转移能力，并支持本地模型接入。

核心亮点

• 多提供商路由：自动在多个模型后端间分配请求，无需修改代理配置。
• 流式与工具支持：完整保留 Claude Code 所需的流式输出和工具调用协议。
• 故障转移：某提供商不可用时，无缝切换至备用模型，保障工作流不中断。
• 本地模型兼容：可接入 Ollama 等本地推理服务，兼顾隐私与成本。

为什么火

当前开发者对 Claude Code 的依赖日益增长，但官方 API 价格高、限流严。该项目以 MIT 协议提供免费网关层，让开发者能灵活组合免费或低价模型，同时保持官方客户端的完整体验，直击痛点。

适合谁用

• 重度使用 Claude Code 但想降低 API 成本的个人开发者。
• 需要为团队构建统一模型接入层的基础设施工程师。
• 希望探索多模型混合编排的 AI 应用开发者。

快速上手

git clone https://github.com/hkqr/my-free-code
cd my-free-code
pip install -r requirements.txt
# 配置 providers.yaml 填入你的各模型 API key
python gateway.py
# 将 Claude Code 的 ANTHROPIC_BASE_URL 指向 http://localhost:8080

默认监听 8080 端口，修改环境变量即可切换路由策略。

它是什么

HexStellar Cortex 是一个将任意 AI 智能体升级为“计算研究员”的 Python 工具包。它通过 CLI 和 API 提供软件加速优化、量子计算、科学计算、决策智能与可验证执行能力，并附带确定性标签和验证收据。

核心亮点

• 即插即用：pip install hexstellar 后即可在沙箱中免费试用，无需复杂配置
• 可验证输出：每次计算都附带“确定性标签”和验证收据，确保结果可追溯
• 多领域覆盖：从经典优化到量子计算，统一接口简化跨范式调用
• Agent 友好：专为 AI 智能体设计，让 LLM 能直接调用高性能计算能力

为什么火

在 AI Agent 泛滥但“只会聊天、不会算数”的当下，HexStellar 精准切中痛点——它让智能体真正具备严谨的科学计算能力，而非仅靠概率生成答案。开源且免费沙箱的策略，大幅降低了开发者试错门槛，532 颗星印证了社区对“可验证 AI 计算”的强烈需求。

适合谁用

• AI 应用开发者：需要为 Agent 增加可靠的计算与决策模块
• 科研人员：希望用 Python 快速调用量子或高性能计算资源
• 技术决策者：评估 AI 在优化、仿真等场景的落地可行性

快速上手

pip install hexstellar
hexstellar sandbox  # 启动免费沙箱

随后通过 Python 导入并调用优化或量子计算接口，所有结果会自动附带验证收据。官方文档提供完整示例，十分钟内即可跑通首个“AI 驱动计算”工作流。

它是什么

CFBox 是一个运行在 Cloudflare Workers 上的代理订阅管理面板，兼容 CFnew 与 edgetunnel 生态。它能在 /UUID 路径输出 VLESS/Trojan/xhttp 多协议订阅，同时提供图形化配置界面，支持 KV 存储、改完即生效。

核心亮点

• 双模式输出：既可作为纯订阅端点，也可作为可视化面板，兼顾脚本用户与界面党
• 实时生效：配置修改后无需重新部署，KV 存储驱动，秒级同步
• 内置检测：集成延迟测试、流媒体解锁及 AI 服务连通性检查，一键评估节点质量
• 多客户端订阅：自动生成适配 Clash、Sing-box、Shadowrocket 等工具的订阅链接
• 多语言支持：界面覆盖中英等多语言，降低使用门槛

为什么火

Cloudflare Workers 免费额度足以支撑个人代理，但配置繁琐。CFBox 将「订阅生成 + 节点管理 + 状态检测」整合进一个轻量面板，解决了 Workers 代理生态中最痛的「管理难」问题。464 星说明它精准切中了自建代理用户的刚需。

适合谁用

• 喜欢折腾 Cloudflare Workers 代理的技术爱好者
• 需要为多设备、多客户端提供统一订阅入口的用户
• 希望可视化监控节点健康状态与流媒体解锁情况的进阶玩家

快速上手

1. 克隆仓库，按 README 部署到 Cloudflare Workers
2. 绑定 KV 命名空间，设置环境变量 UUID
3. 访问 你的域名/UUID 进入面板，添加节点配置
4. 在客户端粘贴生成的订阅链接，即可使用

它是什么

OpenGrok 是一个面向 Grok Bot 的模型路由工具，用 JavaScript 编写，MIT 许可。它通过一条命令完成部署，让你在 Grok 生态中自由切换任意 LLM，而非被锁定在单一模型上。

核心亮点

• 一键启动：无需复杂配置，秒级接入自定义模型。
• 模型选择器 UI：提供可视化界面，实时切换不同提供商（如 OpenAI、Anthropic 等）。
• 证据型提供商映射：基于实际响应质量动态路由请求，而非硬编码规则。
• 防更新破坏：内置“医生”机制，自动修复因上游变更导致的兼容性问题。

为什么火

在 AI 工具泛滥的当下，它直击“模型锁定”痛点——开发者不想被单一供应商绑架。405 星虽不算爆红，但精准切中 Grok 用户对灵活性的渴望，且“不收割你，武装你”的口号直白有力，符合开源社群的理想主义气质。

适合谁用

• 深度使用 Grok 但想尝试其他模型的开发者。
• 需要多模型容灾或成本优化的团队。
• 喜欢 DIY 且厌恶厂商绑定的 AI 极客。

快速上手

git clone https://github.com/OnlyTerp/opengrok
cd opengrok && npm install
npm start  # 打开本地 UI，按提示添加 API Key 即可

支持 Windows 环境，无需 Docker，适合本地快速实验。

它是什么

trustmebro 是一个用 Go 编写的命令行工具，核心功能是向 LLM（大语言模型）注入伪造的工具输出，从而绕过其内置的安全护栏（guardrails）。它通过模拟真实工具调用结果，让模型误以为外部系统已确认某操作合法，进而诱导其执行本应被拒绝的指令。

核心亮点

• 精准攻击面：针对 LLM 工具调用机制设计，而非简单提示注入，能有效测试模型对工具输出的信任边界。
• 轻量实现：单文件 Go 程序，无复杂依赖，可快速编译为二进制，便于集成到红队测试流水线。
• MIT 许可：开源协议宽松，允许自由修改与商用，适合企业内部安全研究。

为什么火

随着企业将 LLM 接入自动化流程（如代码审查、API 调用），工具输出已成为新的攻击向量。trustmebro 以极简方式展示了“模型盲目信任工具结果”的安全风险，引发开发者对 Agent 安全设计的广泛讨论，在 GitHub 上 3 天即获 389 星，反映了社区对 LLM 安全测试工具的高需求。

适合谁用

• 红队/安全研究员：评估 LLM 应用的防护强度，验证是否存在工具输出验证缺失。
• AI 应用开发者：了解自身 Agent 的潜在漏洞，设计更健壮的输入校验机制。
• CTF 玩家：在模拟环境中练习对抗性提示工程，提升攻防技能。

快速上手

# 安装
go install github.com/DavidCarliez/trustmebro@latest

# 使用（示例：伪造“文件删除成功”输出）
trustmebro -target "你的LLM API端点" -tool "delete_file" -output "success"

需提前配置 LLM API 密钥，并确保目标模型支持工具调用（如 OpenAI function calling）。更多参数见项目 README。