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——选项选择、打分、是/否，全部在一次前向传播内完成，覆盖 100 多种语言。

核心亮点

• 单次前向：告别逐 token 解码，决策延迟极低
• 类型化输出：choice / score / yes-no 三类决策直接返回结构化结果
• 路由机制：内置 router 按请求自动挑选最合适的 checkpoint
• 多语言：100+ 语言零样本可用，基于 ModernBERT 与 JEV 校准

为什么火

LLM 做分类又慢又贵，还得靠 prompt 工程硬掰。Laya 把「决策」从生成任务里剥离出来，用非自回归架构专事专办，速度快、成本低、输出稳定，正好切中生产环境里大量 if-else 式判断的痛点。

适合谁用

需要大规模内容审核、意图识别、情感打分、A/B 判定的工程团队；以及想在边缘设备上跑轻量 NLP 决策的开发者。

快速上手

pip install laya

从 HuggingFace 拉取默认 checkpoint，调用 decide(text, choices=[...]) 即可拿到结果；多语言场景无需额外配置，router 会自动切换。Apache-2.0 协议，商用友好。

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，采用 Apache-2.0 协议开源。它不只是一个 CLI 工具，而是把模型能力、工具调用和执行环境串起来的完整脚手架。

核心亮点

• 智能：内置任务规划与上下文管理，能自主拆解多步编码任务
• 可扩展：工具与行为以插件形式接入，方便定制工作流
• 强大：覆盖读写文件、执行命令、检索代码等常见开发动作

为什么火

发布不久即收获 6.5k+ Star。原因在于「harness」定位切中痛点——模型再强，也需要一层可靠的编排层才能落地到真实仓库。Z.ai 的模型背景加上开源策略，让它成为搭建自研编码 Agent 的热门底座。

适合谁用

想快速构建编码 Agent 的开发者、需要私有化部署 AI 编程助手的企业团队，以及研究 Agent 编排机制的技术人员。

快速上手

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

配置模型 API Key 后即可运行，详见仓库 README。

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

基于 Apple MLX 框架原生加速，在 M3 Max 上单次短决策仅需 7–14 毫秒。模型采用 ModernBERT 架构，输出的是类型化决策而非自由文本，天然适合系统一式的快速判断场景。全程本地运行，无网络依赖，数据不出设备。

为什么火

它踩中了两个趋势：Apple Silicon 本地 AI 生态的成熟，以及对“小而快”专用模型的需求。相比动辄调用大模型 API 做简单判断，laya-mlx 用毫秒级延迟和零成本给出了更务实的答案，近六千星标说明开发者对这类工具的真实渴求。

适合谁用

需要在 macOS 上做低延迟本地决策的开发者，比如路由分发、意图分类、规则判断等场景。如果你厌倦了为简单任务调用云端大模型，或想在 Apple 芯片上跑轻量推理，这个项目值得一看。

快速上手

pip install laya-mlx

参考仓库 README 加载预训练决策模型，几行代码即可完成一次本地推理。Apache-2.0 许可，商用友好。

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微信、QQ、X、飞书的聊天界面，调用大模型生成候选回复，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、不修改 App、不注入代码，规避封号风险
• 多平台覆盖：微信、QQ、X、飞书一站搞定
• 人机协作：AI 只负责"起草"，最终发送权始终在你手中
• Kotlin 原生开发，MIT 协议开源

为什么火

它切中了"聊天焦虑"这个真实痛点：不知道怎么回、懒得回、怕回错。同时用无障碍服务实现，无需 root 或 Xposed，安装即用，门槛极低。5200+ star 说明市场对"AI 副驾"类工具的强烈需求。

适合谁用

社恐、社交疲劳者、需要高频回复消息的运营/客服，以及想体验 LLM 落地场景的 Android 开发者。

快速上手

从 GitHub Releases 下载 APK，授予无障碍权限，配置 LLM API Key，打开任意聊天窗口即可看到候选回复浮层。

它是什么

unreal-agent 是 Unreal Labs 推出的异步优先（async-first）Agent 框架，用 Go 编写，MIT 协议开源。它为构建可并发、可编排的智能体提供底层 harness。

核心亮点

• 异步优先：原生 goroutine 与 channel 模型，天然支持多 Agent 并行与流式响应。
• 轻量 harness：不绑定特定 LLM，专注调度、工具调用与状态管理。
• Go 生态：单二进制部署，低资源占用，适合高并发服务端场景。

为什么火

Python Agent 框架已卷成红海，而 Go 在高并发、低延迟服务上优势明显。unreal-agent 填补了「生产级 Go Agent 运行时」的空白，1.7k star 说明社区对非 Python 方案的真实需求。

适合谁用

• 用 Go 构建 AI 后端服务的工程团队
• 需要高并发、多 Agent 协作的 SaaS 场景
• 想避开 Python 依赖地狱的基础设施开发者

快速上手

go get github.com/unreallabsai/unreal-agent

参考仓库 README 定义 Agent 与工具，几行代码即可启动异步任务循环。

它是什么

Nimble 是 Bespoke Labs 推出的 Python 工具库，聚焦本地类型化决策、对比式数据筛选与模型评估，帮助开发者在本地完成高质量训练数据集的构建与模型效果验证。

核心亮点

• 本地类型化决策：用类型系统约束决策逻辑，减少运行时错误，提升数据流水线的可靠性。
• 对比式数据筛选：通过对比样本自动筛选高价值数据，替代人工规则，显著提升数据质量。
• 模型评估一体化：内置评估模块，支持在数据筛选后直接验证模型表现，形成闭环。

为什么火

大模型时代，数据质量比模型结构更关键。Nimble 把“数据筛选 + 评估”做成可复用的本地工具，避免了昂贵的人工标注和云端依赖，契合了开发者对高效、可控数据管线的迫切需求。

适合谁用

• 需要构建高质量微调数据集的 AI 工程师
• 研究数据筛选与模型评估的研究人员
• 希望本地化处理敏感数据、避免上云的团队

快速上手

pip install nimble-ai

参考官方 README 中的示例，定义类型化决策规则，运行对比筛选，再调用评估接口即可。

它是什么

Open Glean 是一个面向知识工作者的开源 AI 平台，由 hydra-db 团队用 TypeScript 打造。它把企业里散落的各类应用连接起来，让 AI 帮你检索信息、回答问题、直接完成工作。

核心亮点

• 应用连接器：打通内部工具与数据源，统一入口
• 知识检索 + 问答：基于你的工作上下文给出答案，而非泛泛而谈
• 任务执行：不止回答，还能推进实际工作流
• TypeScript 全栈：易读易改，方便二次开发
• Apache-2.0：商用友好，可自托管

为什么火

企业级 AI 助手长期被闭源 SaaS 垄断，数据主权和成本是痛点。Open Glean 用开源方式切入，正好踩中"私有部署 + 知识工作自动化"的需求缺口，1500+ star 说明社区对可自控的 AI 工作平台有强烈期待。

适合谁用

• 想自建内部 AI 助手的中小团队
• 关注数据隐私、不愿上云的企业
• 需要定制连接器与工作流的开发者

快速上手

git clone https://github.com/hydra-db/open-glean
cd open-glean && npm install

配置好应用凭证后启动服务，接入首个数据源即可体验问答与任务执行。

它是什么

yibie/awesome-jev 是一份围绕 Jev 模型构建的精选资源清单。Jev 是 TypeSafe AI 推出的 System One 模型，主打「类型化决策」（typed decisions），而这份列表汇总了基于它开发的公开项目、集成方案与社区讨论。

核心亮点

• 聚焦单一模型生态，收录项目、集成、讨论三类资源，定位清晰
• 以 Python 为主，贴合当前 LLM 工具链的主流实践
• 采用 awesome-list 惯例，结构轻、检索快，便于按需取用

为什么火

Jev 提出「类型化决策」这一差异化方向，吸引了不少关注 LLM 结构化输出的开发者。在官方文档之外，社区急需一个聚合入口来追踪实际落地案例，这份清单恰好填补了空白，短期内收获近 1500 星。

适合谁用

正在评估或已上手 Jev 的开发者、需要结构化决策能力的 AI 应用团队，以及想快速了解该模型生态现状的技术选型者。

快速上手

直接访问仓库 README，按项目/集成/讨论分类浏览；建议先看集成部分，判断是否契合自身技术栈，再深入具体项目源码。

它是什么

mini-AGI 是一个持续学习模型，由开发者 volotat 用 Python 从零训练完成。整个训练过程仅依赖一台配备 8GB 显存的笔记本，数据以 batch-1 的流式方式输入，无需大规模集群。

核心亮点

• 极低硬件门槛：8GB 显存即可跑通，打破“AGI 必须堆算力”的刻板印象。
• 持续学习机制：模型在流式数据中不断更新，而非一次性离线训练。
• 从零实现：不依赖预训练权重，代码简洁，MIT 协议开源。

为什么火

项目戳中了社区对“小而美”AI 实验的期待：用消费级硬件探索持续学习与 AGI 雏形，714 颗星说明开发者对低成本、可复现研究的强烈兴趣。

适合谁用

• 想研究持续学习、在线学习的学生与独立开发者
• 显存有限但希望动手训练模型的人
• 对 AGI 路径好奇、喜欢读轻量级实现代码的工程师

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 中的数据流配置说明，再按需调整 batch 与学习率。

它是什么

Hermes-Jev-Skills 是一套面向 Hermes Agent 的 Jev 驱动技能库，同时兼容 Claude Code 与 Codex，用 Python 编写，采用 MIT 协议。

核心亮点

它把模型路由、记忆管理、上下文压缩、技能选择以及计算机/浏览器操作统一封装成可复用技能，让 Agent 在复杂任务中自主调度资源，而非依赖硬编码流程。

为什么火

Agent 生态正缺"即插即用"的能力层。该项目以 701 星快速起量，说明开发者对跨框架、可组合的 Agent 基础设施需求强烈，且 MIT 协议降低了商用门槛。

适合谁用

适合构建多步自动化任务的 Agent 开发者、需要浏览器与桌面操作的 RPA 场景，以及同时使用 Hermes、Claude Code、Codex 的团队。

快速上手

克隆仓库后按 README 安装依赖，将 skills 目录接入你的 Agent 配置，即可调用路由、记忆与浏览器技能。