🆕 本周新建热门 AI 项目

它是什么

一个把 ChatGPT 当作“规划大脑”、Codex 当作“执行双手”的 TypeScript 工具。通过 MCP 协议桥接两者，让 ChatGPT 负责拆解任务和生成方案，Codex 负责实际编码与文件操作，形成完整的 AI 开发流水线。

核心亮点

• 双模型协作：ChatGPT 理解复杂需求并生成步骤，Codex 精准执行代码修改，各取所长
• OAuth 原生支持：无需手动配置 API Key，浏览器授权即可安全连接两个服务
• MCP 标准化：基于 Model Context Protocol 实现，未来可替换任意支持 MCP 的模型组合
• MIT 许可：代码完全开放，可自由集成到现有 CI/CD 流程

为什么火

1823 星说明开发者苦“单模型能力天花板”久矣。ChatGPT 擅长推理但代码执行易出错，Codex 代码能力强但规划复杂任务吃力。这个项目用最轻量的方式解决了“AI 协作”的痛点，且零配置上手，自然引发关注。

适合谁用

• 正在用 Codex CLI 但觉得单模型不够聪明的开发者
• 想用自然语言驱动完整编码流程的团队
• 对 MCP 生态感兴趣，想探索多 Agent 协作模式的工程师

快速上手

# 安装并启动
npm install -g codex-with-chatgpt
codex-with-chatgpt

# 浏览器完成 OAuth 授权后，直接对话
“帮我重构 utils 目录，并添加单元测试”

ChatGPT 会生成重构计划，Codex 自动执行修改，全程无需切换工具。

它是什么

Sepia 是一个面向 AI Agent 的“去 AI 味”写作技能包，专为小说与专业文稿设计。它兼容 77+ 种 Agent Skills 协议（通过 Skills CLI），并原生支持 Claude Code、Codex、Grok Build 和 Antigravity，底层基于论文 StoryScope（arXiv:2604.03136）。

核心亮点

• 叙事架构修复：针对虚构作品，自动识别并重塑“AI 典型叙事”模式（如过度对称结构、机械转折），恢复人类故事的自然流动性。
• 场景匹配规则：为商务报告、学术论文等专业文体提供语境化风格校准，避免生硬模板化。
• 零插件依赖：通过标准 Skills 接口即插即用，无需修改 Agent 内核。

为什么火

在 LLM 输出日益同质化的当下，Sepia 直击“AI 腔”痛点——不是简单替换词汇，而是从叙事逻辑层面“反驯化”模型。加上对主流开发工具的官方适配，上线即获 1200+ Star，成为写作类 Agent 工具的黑马。

适合谁用

• 小说作者：需要批量生成初稿但抗拒“机器味”的创作者。
• 技术文档写手：希望保持专业严谨且风格统一的团队。
• Agent 开发者：想为自有工具链快速集成高质量写作后处理能力。

快速上手

# 安装 Skills CLI  
npm install -g @skills/cli  
# 拉取 Sepia 技能包  
skills install Nanako0129/sepia  
# 在 Claude Code 中启用（示例）  
claude --skill sepia "重写这段小说开头，修复节奏问题"  

或直接复制 sepia/skill.md 到你的 Agent 技能目录，并配置对应 API 密钥即可调用。

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台。它把提示词输入、模型参数调节和成品管理整合进同一个界面，让多模型生成流程不再碎片化。

核心亮点

• 统一提示词栏：一次输入，适配不同生成模型，无需重复改写。
• 独立模型设置：每个模型拥有专属参数面板，精细控制生成细节。
• 集中作品画廊：所有运行结果自动归档，支持快速对比与回溯。

为什么火

当前生成工具分散在多个网页或本地脚本中，切换成本高。Open Higgsfield 用“一个入口、一套流程”解决了创作者的实际痛点，加上 TypeScript 带来的良好扩展性，迅速获得开发者关注。

适合谁用

适合需要频繁测试多种图像/视频模型的创作者、AI 艺术爱好者，以及希望搭建内部生成平台的团队。对技术门槛要求不高，但偏好自定义配置的用户会特别喜欢。

快速上手

克隆仓库后，使用 npm install 安装依赖，运行 npm run dev 启动开发服务器。在界面中填入 API 密钥或本地模型路径，即可在提示词栏输入内容，选择模型并调整参数，生成结果自动存入右侧画廊。

它是什么

WeMM-Embedding 是腾讯微信视觉团队推出的通用多模态嵌入模型家族，主打「图文统一表征」。它能将图像、文本甚至混合内容映射到同一向量空间，直接服务于多模态检索、图文排序等场景，本质上是给大模型装上了「跨模态搜索引擎」。

核心亮点

• 统一嵌入空间：无需分模态建模，单模型即可完成图文互检索，告别传统双塔架构的割裂感。
• 多模态 LLM 底座：基于多模态大语言模型构建，天然理解复杂语义（如「戴墨镜的猫」），而非简单像素匹配。
• 家族化设计：提供不同尺寸和精度版本，方便按算力与业务需求灵活选型。

为什么火

多模态检索长期被 CLIP 类模型主导，但它们在细粒度语义和复杂推理上明显乏力。WeMM-Embedding 直接复用 LLM 的推理能力，把「看图说话」升级为「理解后检索」，在学术基准和工业场景中均刷新 SOTA，且背靠腾讯微信生态，实战验证充分。

适合谁用

• 搜索/推荐工程师：需要做图文混合排序、以图搜图或商品匹配。
• 多模态应用开发者：想快速构建支持视觉问答的 RAG 系统。
• 算法研究员：希望对比或借鉴多模态嵌入新范式。

快速上手

pip install transformers torch
# 加载模型（示例伪代码）
from transformers import AutoModel
model = AutoModel.from_pretrained("tencent/WeMM-Embedding-Base")
# 输入图像和文本，直接获取对齐向量
img_emb = model.encode_image("photo.jpg")
text_emb = model.encode_text("一只在草地上的狗")
similarity = (img_emb @ text_emb.T).item()

完整示例见仓库 examples/ 目录，支持 HuggingFace 一键加载。

它是什么

Headcount 是一个面向 Claude Code 的智能体组织框架，将 AI 代理按公司架构编排——包含 15+ 个部门（如研发、市场、法务）和 125+ 项可独立安装的技能，每个技能都是模块化的 MCP 或 Claude 插件，可自由组合。

核心亮点

• 企业级结构：模仿真实公司组织，代理间有清晰的职责边界和协作流程
• 细粒度安装：按需启用单个技能，避免臃肿依赖，降低上下文窗口压力
• 原生集成：基于 Claude Code 插件体系，无需额外运行时，配置即用
• MIT 许可：可自由商用，社区可贡献新部门或技能模块

为什么火

在 AI Agent 同质化严重的当下，Headcount 用「组织架构」替代「单体代理」，解决了复杂任务拆解和角色冲突问题。其模块化设计让开发者能像搭乐高一样构建专属团队，且 841 星验证了开发者对「可控的 AI 协作」的强烈需求。

适合谁用

• 用 Claude Code 处理多步骤任务的开发者（如自动化测试、文档生成）
• 希望为团队定制 AI 工作流的工程负责人
• 对 MCP 生态感兴趣的 AI 应用开发者

快速上手

# 安装核心框架
git clone https://github.com/cbrock84/headcount
cd headcount && npm install

# 按需安装部门（示例：研发部）
claude plugin install headcount/engineering

# 在 Claude Code 中调用
claude "使用研发部的代码审查技能，检查 ./src 下的 PR"

所有技能均通过 claude plugin 命令管理，无需修改现有工作流。

它是什么

tokentab 是一个 Python 编写的命令行工具，专门解析 Claude Code、Codex 和 Gemini CLI 的会话日志，自动核算每次 AI 编程会话的 token 消耗与费用，并按模型、项目和日期维度汇总输出。

核心亮点

• 零配置解析：直接读取本地 CLI 日志，无需额外埋点或 API 调用
• 多维度账单：支持按模型（如 Claude Opus、GPT-4o）、项目目录、时间粒度（日/周/月）生成费用报表
• 成本可视化：终端内输出表格或导出 CSV，便于追踪预算与异常消耗
• 轻量安全：纯本地处理，不上传任何日志数据，MIT 许可

为什么火

AI 编程工具普及后，开发者普遍面临"月底账单爆炸却不知钱花在哪"的痛点。tokentab 精准切入这一刚需，将分散在多个 CLI 工具中的隐藏成本透明化，上线两周即获 600+ Star，说明开发者对费用管控的迫切需求长期被忽视。

适合谁用

• 重度 AI 编程用户：每日高频使用 Claude Code 或 Codex 的个人开发者
• 技术管理者：需要统计团队 AI 工具支出的工程负责人
• 成本敏感型团队：创业公司或外包团队，需精确核算项目利润率

快速上手

# 安装
pip install tokentab

# 分析当前项目下所有会话日志
tokentab scan --project .

# 查看今日各模型费用明细
tokentab report --period today --by model

# 导出月度成本 CSV
tokentab export --period month --format csv > costs.csv

首次运行会自动定位主流 CLI 的日志目录，无需手动配置路径。

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，提供统一的模型路由、流式响应、工具调用、推理支持和故障转移能力，同时兼容本地模型。

核心亮点

• 多提供商路由：自动将请求分发至最合适的模型，支持云端 API 与本地模型混合部署
• 零成本接入：通过免费或低成本提供商实现 Claude Code 的替代方案，降低使用门槛
• 生产级特性：内置流式传输、工具调用、推理链路和自动降级机制，保障稳定性
• MIT 许可：完全开放，可自由修改和商用

为什么火

在 AI 编码工具成本高企的背景下，该项目切中开发者痛点——用开源方式打破单一 API 依赖，既保留 Claude Code 的交互体验，又通过智能路由降低费用。577 星的增长速度反映了社区对"免费 + 灵活"方案的强烈需求。

适合谁用

• 独立开发者：希望低成本使用 AI 编码助手
• 团队管理者：需要统一管理多个模型提供商，控制 API 支出
• 自托管爱好者：偏好本地模型，又想要 Claude Code 的完整功能

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，添加你的 API 密钥或本地模型端点
python gateway.py

随后在 Claude Code 配置中将 API 地址指向本地网关即可。详细配置见项目 README。

它是什么

OpenGrok 是一个面向 Grok Bot 的模型路由工具，用一条命令即可接入任意 LLM。它提供可视化模型选择界面，并内置基于证据的 Provider 连接映射，让 Grok 不再被单一模型锁死。

核心亮点

• 一键部署：无需复杂配置，开箱即用
• 模型选择器 UI：在界面中自由切换不同模型，实时生效
• Provider 连接映射：基于实际测试数据，自动匹配最优 API 通道
• 更新免疫：内置“医生”机制，即使 Grok 升级也不会破坏现有配置

为什么火

当前 AI 工具链最痛的点是“绑定一家模型”。OpenGrok 直接打破这堵墙，让用户用 Grok 的壳，跑任何想跑的模型。加上 MIT 许可和 Windows 友好设计，降低了折腾门槛，自然吸引了一批不愿被厂商锁定的开发者。

适合谁用

• 重度使用 Grok 但想尝试其他模型的个人开发者
• 需要多模型对比测试的 AI 应用团队
• 想快速搭建私有模型网关的技术爱好者

快速上手

git clone https://github.com/OnlyTerp/opengrok.git
cd opengrok
npm install
npm start

启动后访问本地端口，在 UI 中添加你的模型 API Key，即可在 Grok Bot 中切换使用。全程无需修改 Grok 原始配置。

它是什么

一个基于 Claude Code 技能（Skill）的 AI 搜索优化代理，能自动完成 SEO、AEO、GEO、LLMO 以及 Naver（NEO）的审计与优化。项目名直白——"解雇你的 SEO 代理"，用 AI 替代月费 50~350 万韩元的外包服务。

核心亮点

• 全栈覆盖：同时支持传统搜索引擎（Google/Naver）和 AI 引擎（ChatGPT、Perplexity 等）的可见性优化
• 自驱动审计：自动生成 llms.txt、结构化数据、实体标记等，无需人工干预
• 本地化强：针对 Naver 搜索生态做了深度适配，这在同类工具中少见
• MIT 许可：可自由商用，适合集成到自有工作流

为什么火

380 星在短期内获得，核心在于精准踩中两大痛点：一是企业为 SEO 代理支付高额月费，二是 AI 搜索（GEO/LLMO）正在重塑流量分配规则。项目用"解雇代理"的激进叙事 + 实际可用的自动化能力，让开发者看到成本骤降的可能。

适合谁用

• 独立站运营者：不想再为 SEO 代理买单
• 技术型营销人：需要快速适配 AI 搜索新规则
• Claude Code 用户：已有自动化工作流，想扩展搜索优化能力

快速上手

# 克隆项目
git clone https://github.com/leopard627/fire-your-seo-agency
# 将 skill 目录放入 Claude Code 的 skills 路径
cp -r skills/* ~/.claude/skills/
# 在 Claude Code 中运行
claude "audit my site seo and geo"

需预先配置 Claude Code 环境，并准备好目标网站的访问权限。

它是什么

trustmebro 是一个用 Go 编写的红队测试工具，核心功能是通过伪造工具输出（fabricated tool output）来绕过 LLM 的安全护栏。它向目标模型注入看似合法的工具响应，混淆其判断逻辑，从而触发原本被禁止的行为。

核心亮点

• 精准欺骗：模拟真实工具返回格式，利用 LLM 对“工具输出”的信任偏差，绕过内容过滤规则。
• 轻量高效：单二进制文件，无外部依赖，支持自定义 payload 模板。
• 场景覆盖：适用于 OpenAI、Anthropic 等主流 LLM 的 API 接口测试。

为什么火

随着 LLM 应用接入工具调用（function calling），安全社区发现“工具输出”是新的攻击面。该项目以极简代码（360+ stars）展示了如何用“信任链”弱点突破护栏，成为红队手册中的经典案例——它不攻击模型本身，而是攻击人类设计的“信任协议”。

适合谁用

• 安全研究员：评估自家 LLM 应用的防护强度。
• 渗透测试人员：在授权范围内测试 AI 系统的鲁棒性。
• AI 产品团队：了解工具调用场景下的潜在漏洞，及时加固。

快速上手

git clone https://github.com/DavidCarliez/trustmebro
cd trustmebro
go build -o trustmebro
# 配置目标 API 和伪造输出模板
./trustmebro -target "https://api.openai.com/v1/chat/completions" -payload payload.json

注意：仅限合法授权测试，滥用后果自负。