本周新建热门 AI 项目

它是什么

ZCode 是 Z.ai 开源的编码智能体框架（coding agent harness），用 TypeScript 编写，采用 Apache-2.0 许可。它为 AI 编程助手提供了一套可运行、可扩展的底层骨架，而非单一工具。

核心亮点

• 强大：内置完整的 agent 循环，支持多步推理与工具调用。
• 智能：面向代码场景优化，能理解仓库上下文并自主执行任务。
• 可扩展：模块化设计，开发者可接入自定义工具、模型或工作流。

为什么火

上线不久即收获 6.7k stars，反映出社区对"开源编码 agent 基础设施"的强烈需求。相比封闭产品，ZCode 让团队能自托管、审计并深度定制 AI 编程能力。

适合谁用

想构建自有 AI 编程助手的技术团队、需要私有化部署的企业，以及研究 agent 架构的开发者。

快速上手

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

按 README 配置模型密钥后即可运行。

它是什么

Jev Chat Jarvis 是一款运行在 Android 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，调用 LLM 生成候选回复，一键填入输入框——发不发，始终由你决定。

核心亮点

• 非侵入式：只读屏幕，不 hook、不修改宿主 App、不抓包
• 多平台适配：QQ、X（Twitter）、飞书均已支持
• 候选回复 + 一键填入：不自动发送，保留最终控制权
• MIT 协议：Kotlin 编写，可自由修改和二次开发

为什么火

聊天助手类项目不少，但大多依赖逆向或注入，风险高、易失效。Jarvis 用系统无障碍服务这一合法路径切入，兼顾了实用性和安全性，加上"辅助而非替代"的产品定位，精准击中了想用 AI 提效又不想失控的用户心理。

适合谁用

• 日常在 QQ / 飞书处理大量消息的职场人
• 想体验 LLM 辅助聊天但介意隐私风险的 Android 用户
• 对无障碍服务 + LLM 集成感兴趣的 Kotlin 开发者

快速上手

1. 从 GitHub Releases 下载 APK 并安装
2. 在系统设置中开启 Jarvis 的无障碍权限
3. 配置 LLM API Key（支持主流服务商）
4. 打开 QQ 或飞书聊天窗口，点击悬浮按钮即可获取候选回复

它是什么

laya-mlx 是 Laya 类型化决策模型的 MLX 原生运行时，专为 Apple Silicon 打造。它不做文本生成，不依赖 PyTorch，也不调用云端 API——只专注一件事：在本地快速完成结构化决策推理。

核心亮点

• 极致低延迟：在 M3 Max 上，短决策仅需 7–14 ms
• 纯本地运行：基于 Apple MLX 框架，零云依赖，数据不出设备
• 类型化决策：输出结构化结果，而非自由文本，适合系统级集成
• 轻量栈：无需 PyTorch，依赖极简

为什么火

本地 AI 推理正从“能跑”走向“够快、够稳”。laya-mlx 抓住了一个被忽视的切口：不是聊天，而是毫秒级决策。配合 Apple Silicon 的 MLX 生态，它让“系统一”式的直觉判断在端侧成为现实，自然吸引关注。

适合谁用

• 在 macOS 上构建低延迟 AI 功能的开发者
• 需要本地决策引擎、拒绝云 API 的隐私敏感场景
• 研究 Apple Silicon 推理性能的工程师

快速上手

pip install laya-mlx

加载 Laya 模型后调用决策接口即可，具体示例见仓库 README。

它是什么

unreal-agent 是 Unreal Labs 推出的异步优先 Agent 运行框架，用 Go 编写，MIT 协议开源。它把 Agent 的调度、工具调用与状态管理抽象成轻量 harness，让开发者专注业务逻辑而非并发细节。

核心亮点

• 异步优先：原生 goroutine + channel 模型，天然支持高并发任务编排
• 轻量 harness：不绑定特定 LLM，可自由接入任意模型与工具
• 纯 Go 实现：单一二进制部署，无重依赖，启动快、资源占用低

为什么火

Go 生态长期缺少成熟的 Agent 框架，而 Python 方案在高并发场景下性能受限。unreal-agent 以 1900+ star 快速走红，正因为它填补了「Go + 异步 Agent」的空白，契合后端团队将 Agent 嵌入生产服务的需求。

适合谁用

• 用 Go 构建 AI 应用的 backend 工程师
• 需要高并发、低延迟 Agent 调度的团队
• 希望自托管、避免 Python 依赖链的开发者

快速上手

go get github.com/unreallabsai/unreal-agent

参考仓库 README 中的示例，几行代码即可定义工具并启动异步 Agent 循环。

它是什么

一份面向 AI 工程岗位面试的开源题库，按公司维度整理题目与参考答案，覆盖 LLM 推理、系统设计等方向，纯 Markdown 编写，已获 1092 星。

核心亮点

• 按公司分类：针对不同顶级 AI 公司的面试风格与考点分别整理，避免通用题库的泛泛而谈。
• 题目+答案：不止罗列问题，附带解答思路，可直接当复习卡片使用。
• 聚焦 AI 工程：涵盖 LLM 推理优化、部署等工程侧考点，而非纯算法刷题。
• 零门槛阅读：Markdown 格式，GitHub 网页直接浏览，无需任何环境配置。

为什么火

AI 工程岗位需求激增，但面试准备资料零散、缺乏针对性。这份仓库填补了「公司维度 + 工程方向」的空白，加之 Apache-2.0 开源、便于社区补充，迅速在求职圈传播。

适合谁用

备战 AI/LLM 工程岗的求职者、想了解大厂 AI 面试考点的转行者，以及负责招聘、需要设计面试题的技术面试官。

快速上手

直接访问仓库地址，按目标公司目录浏览题目；建议 clone 到本地做个人笔记标注，或提交 PR 补充你遇到的真题。

它是什么

golive-skill 是一个让 AI Agent 构建的产品真正上线的开源 Agent Skill，配套零依赖 Node CLI。覆盖托管、数据库、域名、邮箱、支付全链路，全部运行在用户自己的账号下。

核心亮点

• 五步流水线：detect → plan → approve → apply → verify，每步可控可审计
• 零依赖 CLI：无需安装额外包，Node 直接跑
• 无厂商锁定：不需要 GoLive 账号、后端或遥测，数据完全自主
• 生态打通：内置 Vercel、Netlify、Cloudflare、Supabase、Neon、Porkbun、GoDaddy 等主流服务适配

为什么火

Agent 能写代码，却卡在"最后一公里"——部署、域名、支付配置仍需人工介入。golive-skill 把这段流程标准化为可被 Agent 调用的 Skill，让"从代码到上线"真正闭环，切中了 AI 编程工作流的最大断点。

适合谁用

用 Claude Code、Codex 等 Agent 构建产品、希望一键上线的独立开发者；以及需要为团队 Agent 补齐部署能力的工程团队。

快速上手

npx golive-skill

在 Agent 中加载该 Skill 后，它会自动检测项目类型并生成上线计划，你只需逐项确认即可。

它是什么

Magpie 是一个 macOS 菜单栏工具，让 AI 编程代理自由切换底层模型。你可以让 Codex 跑在 DeepSeek 上，Claude Code 跑在 Kimi 上，无需改动任何代码。

核心亮点

• 模型解耦：把代理工具和 LLM 提供商彻底分离，随时混搭
• 菜单栏常驻：一键切换，不打断工作流
• 多代理支持：兼容 Claude Code、Codex、Gemini CLI 等主流工具
• Go 编写：轻量、启动快，MIT 协议完全开源

为什么火

AI 编程代理正在爆发，但每个工具都绑定自家模型，价格和性能无法自由权衡。Magpie 精准击中这个痛点——用便宜模型跑日常任务，用强模型攻坚复杂逻辑，成本立省数倍。

适合谁用

• 同时使用多个 AI 编程代理的开发者
• 想控制 API 成本、按需切换模型的团队
• 对国产模型（DeepSeek、Kimi）感兴趣的尝鲜者

快速上手

从 GitHub Releases 下载 .dmg，拖入 Applications 即可。首次运行配置各提供商的 API Key，之后在菜单栏点选目标模型，代理工具自动接管。

它是什么

mini-AGI 是一个持续学习（Continual Learning）模型，由开发者 volotat 用纯 Python 从零训练完成。整个训练过程仅需一台 8GB 显存的笔记本，数据以 batch-1 的流式方式喂入——没有大规模集群，也没有离线数据集。

核心亮点

• 极低资源门槛：8GB VRAM 即可跑通完整训练流程
• 流式持续学习：batch-1 数据流，模拟在线学习场景，避免灾难性遗忘
• 从零构建：不依赖预训练权重，架构与训练逻辑完全自研
• MIT 许可：可自由修改、商用、二次分发

为什么火

在动辄千卡集群训练大模型的当下，mini-AGI 反其道而行，用一台普通笔记本证明"持续学习"不必依赖海量算力。它戳中了独立研究者和学生群体的痛点——想玩 AGI 方向却买不起 GPU。768 星虽不算爆款，但增长稳定，属于典型的"技术理念先行"项目。

适合谁用

• 对持续学习、在线学习感兴趣的研究者
• 显存有限但想动手实验的个人开发者
• 想理解 AGI 底层机制、不愿只调 API 的学习者

快速上手

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

建议先阅读仓库 README 中的架构说明，再根据自身显存调整 batch 与序列长度参数。

它是什么

v-modal/awesome-jev-tools 是一份围绕 Jev 构建的工具精选列表。Jev 是 TypeSafe AI 推出的 System One 模型，主打「类型化决策」，让模型输出不再是一团自由文本，而是有结构、可校验的决策结果。

核心亮点

仓库按主题聚合了 LLM、机器人算法、机器人控制与仿真等方向的工具，覆盖从推理到执行的链路。作为 awesome 系列，它强调人工筛选与分类，而非简单爬取，方便快速定位可用组件。

为什么火

类型化决策正切中 LLM 落地机器人与自动化时的痛点：输出不可控、难以集成。Jev 给出了一种结构化思路，而这份列表恰好补上了生态工具稀缺的短板，720 星也说明社区对「可控 LLM」方向的需求真实存在。

适合谁用

做机器人控制、仿真或 LLM 应用集成的工程师；需要结构化模型输出的研究者；以及想快速了解 Jev 生态边界的开发者。

快速上手

直接打开仓库 README，按主题浏览分类条目，点击对应项目链接查看文档与示例。建议先跑通一个控制或仿真类工具，再评估是否接入自己的流水线。

它是什么

WeChatBridge 是一款原生 macOS 工具，通过系统分享扩展，把微信聊天记录一键转发到 AI Agent 或 Obsidian 笔记库。

核心亮点

• 原生 Swift 编写，轻量无 Electron 负担
• 基于 Share Extension，微信内直接调用，无需复制粘贴
• 支持导出到 Obsidian，也能投喂给 AI Agent 做总结、问答
• MIT 协议，代码可自由修改

为什么火

微信聊天记录长期困在封闭生态里，导出难、整理更难。WeChatBridge 用系统级分享扩展打通了「微信 → 知识库/AI」的链路，切中了知识管理爱好者和 AI 工作流玩家的真实痛点。

适合谁用

重度微信用户、Obsidian 笔记党、习惯用 AI 处理日常信息的效率玩家，以及想研究 macOS Share Extension 的 Swift 开发者。

快速上手

克隆仓库后用 Xcode 打开，编译运行并授予分享扩展权限，之后在微信中选中消息，通过分享菜单选择 WeChatBridge 即可转发。