本周新建热门 AI 项目

它是什么

git-ai 是一个用 Go 编写的 Git 分支管理工具，专为 AI 编程代理设计。它通过 SCION 机制为每个 AI 代理创建独立分支，实现并行工作与安全隔离。

核心亮点

• 代理隔离：每个 AI 代理在独立分支上操作，互不干扰
• SCION 架构：轻量级分支容器，支持快速创建与切换
• Go 实现：单二进制分发，零依赖，启动迅速
• 原生 Git 兼容：不改变现有 Git 工作流，代理分支可正常合并

为什么火

多代理并行编码正成为趋势，但代理间的代码冲突和分支污染是真实痛点。git-ai 用极简方式解决了“多个 AI 同时改代码”的协调问题，契合了当前 coding agent 的爆发期需求。

适合谁用

• 同时运行多个 AI 编程代理的开发者
• 构建多代理协作系统的团队
• 需要隔离实验性代码的 CI/CD 场景

快速上手

go install github.com/feder-cr/git-ai@latest
git-ai init
git-ai scion create my-agent

创建后即可在独立分支上让代理自由工作，完成后按常规 Git 流程合并。

它是什么

Solid Glass 是一套专为 AI 应用打造的设计系统，用 TypeScript 编写，基于 React、Tailwind CSS 与 shadcn/ui 构建。它把“材质感、物理感、触感、技术感”作为设计语言的核心，为聊天界面、Agent UI 等场景提供开箱即用的组件与主题。

核心亮点

• 面向 AI 交互的组件体系：chat-ui、agent-ui 等场景化模块直接可用
• 强调玻璃质感与物理层次，视觉上区别于千篇一律的扁平后台模板
• 深度集成 shadcn/ui 与 Tailwind，主题可定制、易扩展
• MIT 协议，商用友好

为什么火

AI 产品爆发，但多数团队在 UI 上仍套用通用后台模板，缺乏“AI 原生”的视觉表达。Solid Glass 填补了这一空白：它不只是组件库，更是一套有态度的设计语言，让 LLM 应用在观感上立刻拉开差距。

适合谁用

正在做 AI 聊天、Agent 产品的前端团队；想快速搭出有辨识度界面的独立开发者；以及需要统一设计规范的设计师。

快速上手

git clone https://github.com/deeplethe/solid-glass

按文档安装依赖，引入主题与组件即可在 React 项目中试用。

它是什么

new-term-radar 是一个用 Python 编写的“新词雷达”，每天扫描 X、Hugging Face、GitHub 和站点地图，捕捉新模型、新产品、新仓库的名字——往往早于关键词工具收录。

核心亮点

• 多源聚合：社交平台、模型社区、代码托管、站点地图四路并行
• 抢先发现：在搜索量起来之前锁定新兴 AI 术语
• 提供 MCP Server，可直接接入 Claude Code 等 Agent 工作流
• 面向 SEO 与关键词研究场景设计

为什么火

AI 术语迭代极快，传统关键词工具存在滞后。它把“趋势发现”从人工刷信息流变成自动化流水线，且以 MCP 形式融入 AI 工具链，正好踩中 Agent 生态的节奏。

适合谁用

SEO 从业者、内容运营、AI 产品观察者，以及想第一时间跟进新模型与新项目的开发者。

快速上手

git clone https://github.com/zhuyansen/new-term-radar
cd new-term-radar
pip install -r requirements.txt

配置数据源后运行主脚本即可生成每日雷达；也可作为 MCP Server 挂载到 Claude Code。MIT 协议，自由改造。

它是什么

Scout 是 Outcrawl 开源的浏览器智能体（browser agent），用 TypeScript 编写，基于 CDP（Chrome DevTools Protocol）驱动真实浏览器，让 LLM 直接操作网页完成任务。

核心亮点

• 原生 CDP 驱动：不依赖 Playwright/Puppeteer 封装层，直接与浏览器内核通信，控制粒度更细
• LLM 原生设计：面向 AI Agent 场景构建，而非把传统自动化脚本硬套上大模型
• TypeScript 全栈：类型安全，易嵌入现有 Node 工具链
• Apache-2.0 许可：商用友好

为什么火

浏览器 Agent 是当前 AI 落地最热的赛道之一，但多数方案依赖重型封装或云端黑盒。Scout 以轻量、开源、协议层直连的定位切入，恰好填补了“可控、可审计、可自托管”的空白，短期内收获近千星。

适合谁用

需要构建网页自动化 Agent 的开发者、做 RPA/爬虫增强的团队，以及希望研究 LLM 与浏览器交互底层机制的技术人员。

快速上手

git clone https://github.com/outcrawlai/scout
cd scout && npm install

配置 LLM API Key 后即可运行示例任务。注意：该仓库为 Outcrawl 官方仓库的自动镜像，issue 与 PR 请关注上游。

它是什么

Blender AI MCP Addon 把大模型接入 Blender，通过 MCP（Model Context Protocol）让 AI 直接读取场景、生成 bpy 脚本并执行操作，相当于 3D 工作流里的 Copilot。

核心亮点

内置可视化聊天面板；提供场景工具与多智能体工作流；兼容 OpenAI、Claude、Gemini、Ollama、OpenCode 等多家模型；以标准 MCP Server 形式暴露 Blender 能力，便于外部 Agent 调用。

为什么火

MCP 正成为 AI 与工具互操作的事实标准，而 Blender 脚本门槛高、重复操作多。项目用 MIT 协议开源、纯 Python 实现，784 星说明“自然语言驱动建模”切中了创作者痛点。

适合谁用

Blender 中高级用户、技术美术、需要批量自动化的 3D 团队，以及想把 Blender 接入自有 Agent 的开发者。

快速上手

在 Blender 中安装该插件，配置所选模型的 API Key，启动 MCP Server 后在聊天面板用自然语言描述任务即可。

它是什么

Earshot 为编码 Agent 装上一双“耳朵”。它让 AI 能听、能审、能发声，纯 CPU 运行，无需 GPU。

核心亮点

• 纯 CPU 推理：音频处理不依赖显卡，普通开发机即可跑
• MCP 原生支持：通过 MCP 协议接入 Claude Code 等 Agent 工具链
• 听、审、发三合一：既能分析音频内容，也能生成声音输出
• 轻量开源：Python 实现，MIT 协议，代码可自由改造

为什么火

Agent 生态长期偏重视觉与文本，音频能力几乎是空白。Earshot 用极低硬件门槛补齐了这一环，且直接对接 MCP 标准，让现有 Agent 无需大改即可获得听觉能力，切中开发者痛点。

适合谁用

做 AI Agent 工具链的开发者、需要音频交互场景的产品团队，以及想在 Claude Code 等环境中快速实验声音能力的工程师。

快速上手

git clone https://github.com/Leonxlnx/earshot
cd earshot
pip install -r requirements.txt

按 README 配置 MCP 服务后，即可在支持的 Agent 中调用音频能力。

它是什么

Eleven 是一个「Agent 优先」的逆向工程工具，支持 macOS、Windows 和 Linux。它把 ACP Agent 直接嵌入逆向流程，让 AI 在你身边读取、重命名和修改二进制文件、Android 应用乃至 GPU kernel。

核心亮点

• Agent 原生集成：基于 ACP 协议，任意兼容 Agent 都能直接操作逆向工具链
• 跨平台覆盖：三大桌面系统统一支持，还延伸到 Android 与 GPU kernel
• 工具链打通：对接 Ghidra、Hopper 等主流反编译器与反汇编器
• TypeScript 实现：易扩展、易二次开发，Apache-2.0 许可友好

为什么火

逆向工程长期依赖人工逐条分析，门槛高、重复劳动多。Eleven 把 Agent 变成「结对分析师」，让 AI 承担符号识别、重命名、补丁生成等机械环节，正好踩中 AI Agent 与安全研究的交叉热点。

适合谁用

安全研究员、恶意软件分析师、CTF 选手，以及想把 AI Agent 接入底层二进制分析流程的开发者。

快速上手

git clone https://github.com/Zfinix/eleven
cd eleven && npm install

配置好 ACP Agent 后即可在目标二进制旁启动协作分析。

它是什么

MOSS-Image 是 OpenMOSS 团队开源的 50 亿参数 DiT（Diffusion Transformer）基础图像生成模型，官方仓库提供完整推理与微调代码。

核心亮点

主打高质量文字渲染与布局生成——海报、UI 稿、带文字配图的场景是它的强项。同时支持高效微调，5B 规模在单卡或多卡消费级硬件上即可完成定制训练。

为什么火

文生图模型“画不对字”长期是痛点，MOSS-Image 把文字渲染作为核心能力开源，加上 Apache-2.0 许可和可微调设计，对中文社区和二次开发者吸引力明显。

适合谁用

需要生成含文字图像的设计/营销工具开发者、做可控生成研究的团队，以及想在自有数据上微调图像基础模型的工程师。

快速上手

克隆仓库后按 README 安装依赖，下载官方权重即可跑推理 demo；微调参考仓库内训练脚本，准备图文对数据后调整配置启动。

它是什么

leanrea 是一个仅 8 KB 的 Python 技能包，用来替代“逆向工程一切”（REA）的复杂方案。它坚持纯 CLI 工具路线，不依赖 MCP，开箱即用。

核心亮点

• 极轻量：整个技能只有 8 KB，没有重型依赖
• 纯 CLI：用标准命令行工具完成逆向分析，避免 MCP 带来的额外开销
• 有基准数据：官方测试显示比同类方案快 38%、成本低 35%

为什么火

REA 类工具往往堆砌协议和中间层，leanrea 反其道而行，用最朴素的 CLI 组合解决实际问题。对厌倦了 MCP 配置和臃肿依赖的开发者来说，这种“减法”思路很有吸引力，627 星也印证了社区对轻量方案的认可。

适合谁用

需要快速做逆向分析、又不想引入复杂框架的安全研究者、CTF 选手和日常排查问题的后端工程师。

快速上手

git clone https://github.com/aicodeking/leanrea
cd leanrea
# 按 README 配置 CLI 工具链后直接调用

MIT 协议，可自由集成到现有工作流。

它是什么

house-control 用 Swift 打造，把你的住宅渲染成可交互的 3D 模型，常驻 Mac 菜单栏，并有 iPhone 端。它统一接入 Smart Life、Home Assistant、Philips Hue 与 Apple Home，让灯光、空调在三维空间里直接点选控制。

核心亮点

• 3D 可视化：房间与设备以立体模型呈现，状态实时映射，告别列表式开关。
• 多协议聚合：四大智能家居生态一处管理，跨品牌设备不再割裂。
• 菜单栏常驻：Mac 上随手一瞥即可操作，iPhone 端补足移动场景。

为什么火

智能家居的痛点从来不是设备不够，而是控制入口太散。它用“家的数字孪生”这一直觉化交互，把碎片化的开关收敛成一个空间界面，Swift + Three.js 的实现也让原生体验足够顺滑。

适合谁用

已有多品牌智能设备、厌倦在多个 App 间切换的 Mac/iPhone 用户，以及喜欢折腾 Home Assistant 的自动化玩家。

快速上手

克隆仓库后用 Xcode 打开构建，按文档配置各平台凭据与 Home Assistant 令牌，导入户型即可生成 3D 模型。MIT 协议，可自由修改。