本周新建热门 AI 项目

它是什么

Laya 是一个非自回归的「System 1」决策引擎。它不做生成，而是对任意文本做类型化判断：多选、打分、是/否，一次前向传播出结果。

核心亮点

• 单次前向：不逐 token 解码，延迟远低于生成式方案
• 类型化决策：choice / score / yes-no 三类输出，直接可编程消费
• 100+ 语言：基于 ModernBERT 的多语言底座
• 智能路由：按请求自动挑选最合适的 checkpoint，无需手动切换

为什么火

LLM 做分类既慢又贵，还容易被 prompt 格式带偏。Laya 把「决策」从生成任务里拆出来，用非自回归架构换回速度与稳定性，同时保留零样本能力。对需要高吞吐判断的工程场景，这是更务实的抽象。

适合谁用

内容审核、意图路由、RAG 重排、标注预筛、Agent 的快速分支判断——任何「用自然语言问一个是非题」的流水线。

快速上手

pip install laya

from laya import decide
decide("这条评论是否含攻击性？", text, type="yes_no")

Apache-2.0，可直接商用。

它是什么

ZCode 是 Z.ai 推出的编码智能体框架（coding agent harness），用 TypeScript 编写，Apache-2.0 开源。它为 AI 编程代理提供统一的运行、编排与扩展底座。

核心亮点

• 强大：内置完整的工具调用与任务编排能力，可驱动智能体自主完成多步编码任务。
• 智能：针对代码场景优化的上下文管理与决策流程，减少无效往返。
• 可扩展：模块化架构，方便接入自定义模型、工具链与工作流。

为什么火

发布不久即收获 6700+ Star。AI 编程代理是当下最热赛道，而 ZCode 提供了开箱即用的 harness 层，让开发者不必从零搭建代理循环，直接聚焦业务逻辑。

适合谁用

想快速构建 AI 编程助手/自动化编码工具的开发者；需要为内部模型接入代理能力、又希望保留扩展自由的团队。

快速上手

git clone https://github.com/zai-org/ZCode
cd ZCode && npm install

参照仓库 README 配置模型密钥即可运行首个代理任务。

它是什么

laya-mlx 是 Laya 类型化决策模型的 MLX 原生运行时。它不做文本生成，不依赖 PyTorch，也不调用云端 API——只专注一件事：在 Apple Silicon 上快速跑出结构化决策。

核心亮点

• 基于 MLX 框架，深度适配 Apple Silicon 统一内存架构
• 在 M3 Max 上实现 7–14 ms 的短决策延迟
• 面向“类型化决策”而非生成式输出，结果可直接消费
• 纯本地推理，零网络依赖，无云端调用

为什么火

生成式模型泛滥的当下，很多场景其实只需要快速、确定的决策输出。laya-mlx 精准切中这一空白：用 MLX 榨干 Apple 芯片性能，把延迟压到毫秒级，同时保持完全本地化。对隐私敏感、延迟敏感的应用来说，这是比调用大 API 更务实的选择。

适合谁用

• 在 Mac 上做本地 AI 应用的开发者
• 需要低延迟结构化决策、而非文本生成的场景
• 关注 Apple Silicon 推理优化的工程师
• 想避开云端 API 成本与隐私风险的团队

快速上手

pip install laya-mlx

克隆仓库后参考 README 加载 Laya 模型，几行代码即可在 M 系列芯片上跑起本地决策推理。Apache-2.0 许可，商用友好。

它是什么

Jev Chat Jarvis 是一款装在 Android 手机上的「对话副驾」。它通过无障碍服务读取 QQ、X、飞书等聊天界面，理解上下文后生成候选回复，一键填入输入框——发不发，由你决定。

核心亮点

• 非侵入式：只读屏幕，不 hook、不改包、不注入
• 多平台支持：QQ / X / 飞书通用
• LLM 驱动：理解对话语境，生成自然候选回复
• 人工把关：回复仅填入输入框，最终发送权在你手上

为什么火

它切中了一个真实痛点——多平台社交场景下的回复焦虑。同时「只读不写」的设计打消了用户对封号和隐私的顾虑，MIT 协议 + Kotlin 实现也方便开发者二次定制。上线不久即收获 6k+ Star。

适合谁用

社交重度用户、需要快速处理多平台消息的运营/客服，以及想研究无障碍服务 + LLM 集成的 Android 开发者。

快速上手

1. 从 GitHub Releases 下载 APK 安装
2. 开启无障碍服务权限
3. 配置 LLM API Key
4. 打开任意聊天窗口，点击悬浮按钮即可生成候选回复

它是什么

Unreal Agent 是 Unreal Labs 推出的异步优先（async-first）AI Agent 框架，用 Go 编写，MIT 协议开源。它把 Agent 的调度、工具调用、状态管理全部建立在异步原语之上，而非事后补丁。

核心亮点

• 真异步架构：从底层 goroutine 与 channel 出发设计，天然支持高并发任务编排
• 轻量 Harness：不绑定特定模型或厂商，作为"外壳"接入任意 LLM
• Go 生态友好：编译为单一二进制，部署简单，性能开销低

为什么火

当前多数 Agent 框架基于 Python，异步支持往往笨重。Unreal Agent 用 Go 的并发模型重新思考 Agent 运行时，吸引了追求生产级稳定性与吞吐的开发者，短期内积累近 1.9k stars。

适合谁用

需要构建高并发、低延迟 Agent 服务的后端工程师；偏好 Go 技术栈、希望摆脱 Python GIL 限制的团队。

快速上手

git clone https://github.com/unreallabsai/unreal-agent
cd unreal-agent && go build

参考仓库 README 配置模型密钥后即可运行示例 Agent。

它是什么

Nimble 是 Bespoke Labs 推出的 Python 工具库，聚焦本地化类型化决策、对比式数据筛选与模型评估，帮助开发者在本地完成数据质量把控与模型对比。

核心亮点

• Local typed decisions：在本地以类型安全的方式定义和执行决策逻辑，减少对云端依赖。
• Contrastive data curation：通过对比样本筛选高质量训练数据，提升微调效果。
• Model evaluation：内置评估流程，方便横向比较不同模型表现。

为什么火

数据筛选与评估正成为 LLM 工作流的关键瓶颈。Nimble 把这三件事打包成轻量 Python 库，开箱即用，契合本地优先、可复现的工程需求，因此短期内获得 1.7k+ Star。

适合谁用

• 需要清洗和筛选微调数据的算法工程师
• 做模型对比实验的研究者
• 希望本地化处理敏感数据的团队

快速上手

pip install nimble

参考仓库 README 中的示例，定义决策类型、运行对比筛选，再调用评估接口即可。

它是什么

golive-skill 是一个开源的 Agent Skill，帮助你把 AI 构建的产品真正上线。它覆盖托管、数据库、域名、邮箱、支付等环节，全部运行在你自己的账号上。

核心亮点

提供零依赖 Node CLI，流程为：检测 → 规划 → 批准 → 执行 → 验证。支持 Vercel、Netlify、Cloudflare、Supabase、Neon 等主流平台，无需注册 GoLive 账号，无后端、无遥测。

为什么火

AI 编程工具能快速生成产品，但“最后一公里”部署仍需手动配置多个服务。该项目把这套流程封装成 Agent Skill，让 Claude Code、Codex 等直接调用，填补了从代码到上线的空白。

适合谁用

用 AI Agent 构建原型、希望快速部署上线的独立开发者和小团队，尤其是需要一站式配置域名、数据库与支付的场景。

快速上手

安装 Skill 后，在 Agent 中触发部署指令，CLI 会自动检测环境并生成执行计划，确认后逐步完成配置。MIT 协议，可直接克隆使用。

它是什么

Hermes-Jev-Skills 是一套为 Hermes 智能体（同时兼容 Claude Code 和 Codex）提供技能增强的 Python 工具包，核心由 Jev 驱动。

核心亮点

覆盖模型路由、记忆管理、上下文压缩、技能选择，以及计算机和浏览器操作。它把智能体运行中最琐碎的调度与记忆问题打包成可复用技能，减少重复造轮子。

为什么火

智能体框架普遍缺少统一的记忆与技能调度层，该项目恰好补上这一环，且同时兼容多个主流编码智能体，771 颗星说明社区对“跨框架技能层”需求强烈。

适合谁用

正在搭建 Hermes、Claude Code 或 Codex 智能体工作流的开发者，尤其是需要浏览器自动化与长期记忆能力的团队。

快速上手

克隆仓库后按 README 安装依赖，将 skills 目录挂载到你的 Hermes 配置中即可启用路由与记忆模块。

它是什么

Splash 是专为 Apple Silicon 打造的本地大模型推理引擎，用 Python 编写，围绕模型本身设计，深度调用 Metal 加速。

核心亮点

• 原生适配 M 系列芯片，充分利用统一内存架构
• 支持投机解码（speculative decoding），显著提升生成速度
• 面向编码智能体（coding agents）场景优化
• Apache-2.0 许可，可自由商用

为什么火

Mac 用户长期缺乏高质量的本地推理方案，Splash 填补了这一空白。它不依赖云端，隐私友好，且针对编码任务做了专门调优，契合当下 AI 编程工具爆发的趋势。

适合谁用

Mac 开发者、注重隐私的 AI 编程用户，以及希望在本地跑编码智能体的工程师。

快速上手

git clone https://github.com/incoai/splash
cd splash && pip install -e .

具体模型加载与推理示例见仓库 README。

它是什么

mini-AGI 是一个持续学习（Continual Learning）模型，由开发者 volotat 从零训练而成。最特别之处在于：整个训练过程仅用一台 8GB 显存的笔记本，以 batch-1 的数据流方式完成，无需大规模集群。

核心亮点

• 极低资源门槛：8GB 显存 + 单样本流式训练，打破“AGI 必须大算力”的刻板印象。
• 持续学习机制：模型能在不遗忘旧知识的前提下不断吸收新数据，模拟人类式增量学习。
• 纯 Python 实现：代码简洁，MIT 协议，便于二次开发与实验。

为什么火

它戳中了两个痛点：一是个人开发者对“大模型平民化”的渴望，二是学术界对灾难性遗忘问题的持续关注。用笔记本跑出 AGI 雏形，话题性十足。

适合谁用

• 想入门持续学习/增量学习的研究者与学生
• 显存有限但想跑通训练流程的独立开发者
• 对“小算力 AGI”路线感兴趣的极客

快速上手

git clone https://github.com/volotat/mini-AGI
cd mini-AGI
pip install -r requirements.txt
python train.py

建议先阅读 README 中的训练配置说明，再根据自身显存调整 batch 与序列长度。