本周新建热门 AI 项目

它是什么

universal-modder 是一套面向 Claude Code 的游戏 Mod 开发工具链。只需把 Claude 指向任意一款 PC 游戏，它就能借助内置技能、工具和 fal MCP，完成从侦察、逆向工程到资源生成、游戏内测试的全流程。

核心亮点

• 全流程覆盖：侦察 → 逆向 → 制作 → 测试 → 展示视频，一条龙打通
• AI 生成资产：通过 fal 生成美术、3D 模型与音频，无需手动建模
• MCP 深度集成：以插件形式嵌入 Claude Code，直接对话式操作
• 通用性强：不绑定单一引擎，覆盖《帝国时代》、tModLoader 等多样目标

为什么火

它把「Mod 开发」这件高门槛的事，压缩成和 AI 对话。逆向工程与资产制作原本需要多人协作，现在一个人加 Claude 就能跑通，4.5k 星反映了玩家对低门槛创作工具的强烈需求。

适合谁用

想给老游戏做 Mod 的独立开发者、玩票型玩家，以及希望研究 AI 辅助逆向的工程师。

快速上手

克隆仓库后按 README 配置 fal API Key，将插件接入 Claude Code，指向游戏目录即可开始侦察。

它是什么

answer-me-with-html 是一个 AI Agent 技能（Skill），让 Agent 面对复杂问题时，不再输出大段 Markdown 文字，而是生成一页结构清晰、可直接阅读的 HTML 页面。

核心亮点

• 一页 HTML 作答：把冗长解释组织成排版良好的单页文档，含标题、分节、图表与代码块
• 适配 Claude Code：以 Skill 形式接入，无需改造现有工作流
• 内置图表能力：复杂逻辑用图示表达，比纯文字更直观
• 遵循 STE100 简明技术英语：输出风格克制、易读

为什么火

LLM 回答复杂问题时，纯文本容易变成"文字墙"。这个项目把输出载体从 Markdown 换成 HTML，阅读体验和表达力都上了一个台阶，且接入成本极低，因而在 Claude Code 社区快速传播。

适合谁用

需要 AI 解释架构、算法、方案对比的开发者；用 Claude Code 做技术调研、教学或文档生成的团队。

快速上手

克隆仓库，将 Skill 目录放入 Claude Code 的 skills 路径，之后提问时触发该技能即可获得 HTML 回答。

它是什么

yomiyasu 是一个 Agent Skill，专门把 AI 生成的中文式日语（或生硬直译）润色成母语者读起来自然的日语。用 Python 编写，MIT 协议开源。

核心亮点

• 定位精准：不是通用翻译，而是针对 LLM 日语输出常见的「翻译腔」问题做推敲
• 以 Agent Skill 形式分发，可直接挂载到 Claude Code、Cursor、Codex、Gemini 等主流编码/写作 Agent
• 兼具 linter 思路，能识别不自然表达并给出改写建议

为什么火

日语写作对敬语、助词、语序极其敏感，AI 直出内容常被一眼看穿。这个项目切中了「AI 写日语但不像日本人写的」这一高频痛点，且接入成本极低，因此迅速在 Agent 生态里传播。

适合谁用

用 AI 生成日语内容的产品经理、跨境电商运营、日语学习者，以及需要在 Agent 工作流中加入日语润色环节的开发者。

快速上手

克隆仓库后，按 README 将 Skill 注册到你的 Agent 配置中，之后在提示词里调用即可对日语文本进行润色。

它是什么

EasyRead 是一款本地优先的英文论文阅读工具，用 Python + Electron 构建。它把 PDF 论文翻译成流畅中文，同时保留原文对照，让你按自己的节奏读文献。

核心亮点

• 原文对照翻译：不是粗暴替换，而是中英并排，术语和公式不丢失
• 边读边问 AI：选中段落直接追问，集成 Claude Code / Codex 等 LLM 后端
• 文献管理：内置 reference manager，翻译完的论文自动归档
• 本地运行：PDF 和翻译结果留在本机，隐私可控

为什么火

科研人苦英文论文久矣——机翻工具割裂上下文，通用 PDF 阅读器又不理解学术语境。EasyRead 把"翻译 + 问答 + 管理"塞进一个工作流，正好击中研究生和科研人员的日常痛点，822 星是真实需求的投票。

适合谁用

非英语母语的科研人员、研究生、需要快速扫读大量 arXiv 论文的工程师，以及希望用 LLM 辅助精读但不想上传全文的人。

快速上手

git clone https://github.com/Edwardxlai/easyread
cd easyread && pip install -r requirements.txt

配置好 LLM API Key 后启动 Electron 前端，拖入 PDF 即可开始。MIT 协议，可自由改造。

它是什么

oil-ui 是一个 Python 开源项目，目标是把 AI 的 UI 设计能力推到极限，让模型生成的不再是"能看"的界面，而是真正可用的设计稿。

核心亮点

项目围绕 AI 生成 UI 这一场景做了深度优化，通过结构化约束与提示工程，让输出结果在布局、层级和视觉一致性上明显优于通用方案。MIT 协议，可自由商用与二次开发。

为什么火

AI 写前端代码早已不新鲜，但"生成好看且合理的设计"仍是痛点。oil-ui 切中这一空白，加上轻量、易集成，短时间内收获 800+ star。

适合谁用

想用 AI 快速产出原型的设计师、需要批量生成界面草图的独立开发者，以及研究 AI 视觉生成方向的工程师。

快速上手

git clone https://github.com/oil-oil/oil-ui
cd oil-ui && pip install -r requirements.txt

按 README 配置模型 API Key 后即可运行示例，生成你的第一版 AI 设计稿。

它是什么

Backburner 是一个让 iPhone 充当 Mac 本地大模型推理协处理器的开源项目。通过 USB-C 线缆连接，iPhone 可分担 27B 参数模型的推理负载，实现更快的提示词处理和更大的上下文窗口。

核心亮点

• 手机当算力：利用 iPhone 的神经引擎与 Metal 加速，配合 Mac 端 llama.cpp 协同推理
• USB-C 直连：低延迟、高带宽，避免无线传输瓶颈
• 投机解码：结合 Qwen 模型与 SME2 指令集优化，提升生成速度
• 纯本地运行：无需云端，隐私安全，MIT 协议开源

为什么火

在本地大模型热潮下，Mac 统一内存虽强但算力有限。Backburner 巧妙挖掘 iPhone 闲置算力，以极低成本扩展 Mac 的推理能力，为“设备协同推理”提供了新思路，引发开发者对异构计算的热议。

适合谁用

拥有 iPhone 与 Apple Silicon Mac 的开发者、本地 LLM 爱好者，以及希望在离线环境下运行大模型、追求隐私与性价比的用户。

快速上手

git clone https://github.com/StayLameBro/backburner
cd backburner && pip install -r requirements.txt
# 按 README 配置 iPhone 端并连接 USB-C
python run.py --model qwen-27b

它是什么

Replica Skill 是一套面向 Claude 的免费技能包，包含 11 个可组合的 Agent 技能，能对一个现有 App 完成逆向分析、重建、缺陷测试，再针对用户痛点做修复。MIT 协议，Python 实现。

核心亮点

把「克隆一个应用」拆成可复用的流水线：先读懂原产品的结构与交互，再生成可运行的重建版本，随后自动跑测试找 bug，最后基于用户反馈定位并修复问题。全程由 Claude 驱动，无需从零搭工具链。

为什么火

独立开发者对「快速验证产品形态」有强需求，而它把逆向工程与 Agent 自动化结合，直接给出可落地的克隆工作流。681 星在短时间内积累，说明市场对 Claude Skills 生态的探索热情正在上升。

适合谁用

想研究竞品实现、快速做 MVP 验证的独立开发者；需要批量分析同类 App 的产品团队；以及正在尝试 Claude Agent 技能编排的工程师。

快速上手

克隆仓库后，将技能目录挂载到 Claude Code 或兼容的 Agent 运行时，按文档选择目标 App 与技能组合即可启动。建议先从单个技能跑通，再串联完整流程。

它是什么

Leviathan 是一个用 Rust 编写的单文件静态二进制工具，专为 AI Agent 的「深度记忆」场景设计。它能把 JSONL、JSON、CSV/TSV、SQLite 乃至任何数据库 CLI 导出的记录，快速转化为带排序的全文本索引。

核心亮点

• 零依赖部署：单个静态二进制，无需运行时环境，扔进容器或边缘节点即用。
• 多格式通吃：结构化与半结构化数据统一入口，省去预处理管道。
• 排序检索：不是简单倒排，而是带相关度排序的全文索引，适合 Agent 召回。
• Rust 性能：面向大规模数据集的低延迟查询。

为什么火

Agent 的记忆层长期依赖向量库，但向量检索在精确关键词、ID、代码片段等场景下并不理想。Leviathan 用传统全文索引补齐这块短板，加上「单二进制 + 多格式」的极简哲学，正好切中开发者对轻量、可控记忆组件的需求。

适合谁用

构建本地或私有化 Agent 的开发者、需要为 LLM 提供结构化记忆层的团队，以及厌倦了重型搜索中间件的后端工程师。

快速上手

从 GitHub Releases 下载对应平台二进制，直接执行：

leviathan index ./data.jsonl
leviathan search "query"

无需安装，无需配置。

它是什么

AgentMemoryRepo 是一份面向 AI Agent 的记忆仓库规范（Spec），试图为"智能体如何存储、检索、共享记忆"定义一套通用标准，而非又一个具体实现。MIT 协议开源。

核心亮点

• 规范先行：不绑定任何框架或厂商，聚焦接口与数据结构定义
• 记忆分层：区分短期上下文、长期事实与可检索语义记忆
• 可组合：设计上支持多 Agent 共享同一记忆后端

为什么火

Agent 的记忆管理长期处于"各家自造轮子"状态——向量库、KV、文件系统五花八门。项目切中了生态里最缺的一环：共识层。559 星虽不算爆款，但增长集中在协议类项目最需要的早期开发者群体。

适合谁用

正在构建多轮 Agent、RAG 系统或 Agent 平台的工程师；希望自家记忆模块未来能被其他框架复用的团队；以及关注 Agent 基础设施标准化的研究者。

快速上手

直接阅读仓库中的规范文档，按其中的数据结构设计你的记忆层，或在其 GitHub Issues 中参与讨论、提交实现案例。

它是什么

EvoVLM 是一个用 LLM 引导进化搜索来优化视觉语言模型推理流程的 Python 框架。它不训练新模型，而是自动搜索更优的多模态推理程序。

核心亮点

• 把推理流程当作可进化对象，由 LLM 生成候选程序变体
• 兼顾准确率与推理效率，而非单纯堆算力
• 面向 vision-language 任务，可插拔式接入现有 VLM

为什么火

多模态推理的瓶颈往往在流程设计而非模型本身。EvoVLM 用进化搜索自动探索这一空间，思路新颖且工程可落地，短期内收获近 500 stars。

适合谁用

• 研究多模态推理优化的算法工程师
• 想在现有 VLM 上榨取精度/延迟收益的开发者
• 对 LLM-guided 程序搜索感兴趣的研究者

快速上手

git clone https://github.com/zzzz7788990213-ops/EvoVLM
cd EvoVLM && pip install -r requirements.txt

按 README 配置 LLM API key 与目标 VLM，即可启动进化搜索。