本周新建热门 AI 项目

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、飞书等应用的聊天界面，调用 LLM 理解上下文并生成候选回复，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、不注入进程，规避封号风险
• 多平台覆盖：QQ、X、飞书通用，不依赖单一 App 的私有协议
• 人机协同：AI 只做草稿，最终发送权始终在你手里
• Kotlin 编写：MIT 协议，Android 原生体验流畅

为什么火

聊天场景的 AI 落地一直卡在"如何无痛接入"上。改包有风险，官方 API 又封闭。这个项目用无障碍服务绕开了所有障碍，既拿到了上下文，又保持了零侵入，思路干净利落，6772 星是开发者用脚投票的结果。

适合谁用

需要高频处理社交/工作消息、又不想被平台规则绑架的 Android 用户；以及想研究无障碍服务 + LLM 落地的开发者。

快速上手

从 GitHub Releases 下载 APK，安装后授予无障碍权限，选择目标应用即可。源码可直接 clone 编译，MIT 协议允许自由修改。

它是什么

unreal-agent 是 Unreal Labs 推出的异步优先 Agent 编排框架，用 Go 编写，MIT 协议开源。

核心亮点

• Async-first 架构：原生支持并发任务调度，避免传统同步 Agent 的阻塞瓶颈
• Go 性能优势：轻量协程 + 高并发，适合长时间运行的 Agent 服务
• Harness 抽象：把工具调用、上下文管理、循环控制解耦，方便替换底层模型

为什么火

Agent 框架普遍用 Python 写，但生产环境常受 GIL 和并发模型拖累。unreal-agent 用 Go 重新回答"Agent 该怎么跑"，加上异步设计，正好切中高吞吐场景的痛点，短期内冲到近 2000 星。

适合谁用

需要部署高并发 Agent 服务的后端工程师、对 Go 生态熟悉的团队，以及想摆脱 Python 运行时限制的 AI 基础设施开发者。

快速上手

go get github.com/unreallabsai/unreal-agent

参考仓库 README 中的示例，定义 Tool 与 Agent 循环即可启动。

它是什么

Magpie 是一个 macOS 菜单栏工具，用 Go 编写，充当各类 AI 编程 Agent 与任意大模型之间的路由层。它让 Codex 跑在 DeepSeek 上、Claude Code 跑在 Kimi 上，统一在一处管理。

核心亮点

• 菜单栏常驻，随时切换模型与 Agent 组合
• 打破厂商绑定：Agent 前端与底层模型解耦
• 覆盖 Claude Code、Codex、Gemini CLI 等主流工具
• MIT 协议，Go 单二进制，轻量无依赖

为什么火

开发者既想用顺手的 Agent 界面，又想自由选择性价比更高的模型。Magpie 精准命中这一痛点，把"模型切换"从改配置变成点菜单，省去反复折腾环境变量的麻烦。

适合谁用

同时使用多个 AI 编程工具、且希望在 DeepSeek、Kimi、Gemini 等模型间灵活切换的 macOS 开发者。

快速上手

从 GitHub Releases 下载对应版本，或 go install 安装，启动后常驻菜单栏，按提示配置各 Agent 与模型映射即可。

它是什么

golive-skill 是一个开源的 Agent Skill + 零依赖 Node CLI，专门解决 AI 生成的产品「最后一公里」问题：把 agent 搭好的应用真正部署上线——托管、数据库、域名、邮箱、支付，全部跑在你自己的账号上。

核心亮点

• 五步工作流：detect → plan → approve → apply → verify，每步可控可审
• 零依赖 CLI：纯 TypeScript 实现，不引入额外包
• 自带账号：不依赖 GoLive 账号、后端或遥测，数据完全自主
• 生态打通：覆盖 Vercel、Netlify、Cloudflare、Supabase、Neon、GoDaddy、Porkbun 等主流服务

为什么火

AI Agent 能写代码，却卡在「部署上线」这一步。golive-skill 补上了这个缺口，且坚持本地化、无厂商锁定，正中开发者对隐私与自主权的诉求，短时间收获千星。

适合谁用

用 Claude Code、Codex 等 agent 构建产品、却不想手动折腾基础设施的独立开发者与小型团队。

快速上手

npx golive-skill

作为 Agent Skill 安装后，直接对 agent 说「把我的产品上线」，它会自动检测项目并给出部署计划。

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

• 基于 Swift 开发，调用 macOS 原生 Share Extension，无需截图或复制粘贴
• 支持将对话直接投喂给 AI Agent，便于总结、翻译或追问
• 可导出为 Markdown 存入 Obsidian，保留上下文结构
• MIT 协议，轻量无后端依赖

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 用系统级分享入口绕开这一痛点，恰好踩中 AI Agent 与本地知识管理两波热潮，840 星的增长主要来自效率工具圈的口碑传播。

适合谁用

重度微信沟通、同时使用 Obsidian 做知识沉淀的用户；以及想把聊天上下文快速接入 AI 工作流的开发者。

快速上手

从 GitHub 下载 Release 版本，拖入 Applications 后，在「系统设置 → 扩展 → 共享」中启用 WeChatBridge，即可在微信右键菜单中看到转发选项。

它是什么

AnyJev 是诺基亚应用研究团队开源的工具，能把任意 LLM 改造成 Jev 风格的决策模型——输出带类型的决策和真实概率，全程无需训练。

核心亮点

• 零训练改造：不改权重、不做微调，直接包装现有模型
• 类型化决策：输出结构化的决策对象，而非自由文本
• 真实概率：强调校准（calibration），概率可直接用于下游决策
• 兼容主流推理栈：支持 Transformers 与 vLLM

为什么火

LLM 做决策时常见两大痛点：输出不可解析、置信度不可信。AnyJev 用"类型 + 校准概率"直击这两点，且零训练成本，对工程团队极具吸引力。

适合谁用

需要把 LLM 接入自动化决策流程的工程师、做 agent 与风控策略的团队，以及关注模型校准的研究者。

快速上手

pip install anyjev

参考仓库 README 中的示例，将目标 LLM 包装为 Jev 决策模型即可调用。项目仍在活跃更新，欢迎提 Issue 与 PR。

它是什么

text-humanizer 是一个完全免费、开源的 AI 文本“去机器味”工具，基于多语言 LLM 重写流水线，把生硬的 AI 生成内容改写得更像真人写作。

核心亮点

• 多语言支持，中英文等场景均可处理
• 纯 Python 实现，MIT 协议，可自由商用与二次开发
• 面向 AI 检测器（ZeroGPT 等）优化，主打“绕过检测”的重写策略

为什么火

AI 检测与反检测是当下刚需：学生、内容创作者、运营人员都面临“AI 味太重”的尴尬。项目直接开源、零成本，且 739 星的增长说明社区对免费替代方案需求旺盛。

适合谁用

需要润色 AI 稿件的自媒体作者、跨境电商文案、非母语写作者，以及想研究文本改写流水线的开发者。

快速上手

git clone https://github.com/asokurasu/text-humanizer
cd text-humanizer
pip install -r requirements.txt
python humanize.py --text "your AI text"

建议先阅读 README 配置 LLM API Key，再批量处理长文本。

它是什么

short-video-generator-AI 是一个用 Python 编写的 AI 视频处理流水线，能把长视频自动切成竖屏短视频。它串联了 LLM、Whisper 转录、高光检测和自动剪辑，定位是 Opus Clip 的开源替代方案。

核心亮点

全流程自动化：Whisper 负责语音转文字，LLM 分析内容并挑选高光片段，最后自动裁剪成竖屏并完成剪辑。整套 pipeline 模块清晰，方便替换模型或调整策略。

为什么火

短视频切片需求旺盛，但商业工具按量收费且不透明。这个项目以 MIT 协议开源，724 星说明不少创作者和开发者正在寻找可自托管、可定制的方案。

适合谁用

内容创作者、MCN 运营、以及想研究 AI 视频处理流水线的开发者。需要一定 Python 环境配置能力。

快速上手

克隆仓库后按 README 安装依赖，配置好 LLM 与 Whisper 的 API/模型，输入长视频即可跑通完整流程。建议先用短视频测试参数。

它是什么

jevgrep 是一款面向编码代理（coding agents）的命令行工具，让你用自然语言描述代码功能，而非关键词，来定位相关文件与源码上下文。由 dzhng 开发，TypeScript 编写，MIT 协议。

核心亮点

它通过 Jev 实现语义检索，把「这段代码是做什么的」转化为可执行的搜索意图。相比传统 grep，它更懂模糊需求，能直接为 Claude Code、Codex 等代理提供精准的上下文片段。

为什么火

编码代理的瓶颈往往在上下文获取。jevgrep 用 AI SDK 与 Vercel AI Gateway 打通语义搜索链路，让代理「按功能找代码」，大幅减少人工喂文件的过程，上线即获 700+ star。

适合谁用

适合使用 Claude Code、Codex 等编码代理的开发者，以及需要快速理解陌生代码库、做上下文检索的工具构建者。

快速上手

npx jevgrep "查找处理用户认证的代码"

配置好 AI Gateway 密钥后，即可在项目根目录直接调用，结果会返回相关文件与源码片段。

它是什么

rizzo-flow 是一个 Python 开源框架，用本地化方式实现类似 Jev 的能力：让 LLM 输出带类型的结构化决策，而不是自由文本。核心卖点是"不生成一个 token"——模型只负责决策，输出直接映射为程序可用的类型化数据。

核心亮点

• 零 token 生成：跳过文本生成环节，直接产出结构化决策结果，省时省钱
• 类型安全：决策结果带类型约束，可直接接入下游业务逻辑
• 本地优先：全流程可本地运行，数据不出域
• Apache-2.0：商用友好

为什么火

LLM 应用的一大痛点是"解析模型输出"——正则、JSON 修复、重试，繁琐且脆弱。rizzo-flow 换了个思路：不让模型"说话"，只让它"做选择"，从源头消除解析成本。686 星的增长说明这个方向戳中了不少开发者的痛点。

适合谁用

需要 LLM 做分类、路由、决策判断，但厌倦了 prompt 工程和输出解析的后端/ML 工程师；以及对数据隐私敏感、倾向本地部署的团队。

快速上手

pip install rizzo-flow

参考仓库 README 中的示例，定义决策 schema 后即可调用。