🎯 今日趋势
今天榜单信号集中：近半项目围绕“决策模型”——不生成文本，只输出判断，靠本地小模型和微调把延迟压到毫秒、成本压到零。开发者在拆解 agent：昂贵推理换便宜判断，云端换本地，上下文交给 harness。方向一致：AI 正从云端黑盒，下沉为手边可控的零件。
项目数 8
总 stars 51,312
Python 5
TypeScript 2
Swift 1
项目榜单 · Top 8
用决策模型替代对话推理，把网页代理做到最快最省
🔍 这个项目是做什么的
browser-use 团队做的新一代 web agent。传统网页代理每一步都要让大模型读整页 HTML，再生成一大段自然语言思考和动作，又慢又贵。这个项目把“下一步做什么”压缩成一次极轻量的决策：模型只输出结构化判断——点哪个元素、输入什么、是否结束——不生成冗长推理文本，从而把每步延迟和 token 成本压到最低。亮点在于它把“决策”和“生成”彻底拆开，让高频重复的浏览任务变得可负担。
🎯 对我有什么用
如果你在做爬虫、表单自动化、RPA 或批量网页任务，这个能直接省掉大量 token 和等待时间。适合高频、重复、结构相对稳定的网页流程；如果每步都需要复杂推理或长文本总结，它就不一定合适。普通开发者可以拿它替换脚本里“每步都调一次大模型”的部分，批量跑起来速度和账单差距非常明显。建议直接读它的决策打分逻辑，值得 star 观察。
把大模型决策抽象成带类型的轻量计算单元
🔍 这个项目是做什么的
围绕 Laya 类型化决策模型的 Python 项目，同生态的 laya-mlx 提供了它的本地推理运行时。它想定义一种比“让大模型生成文字”更小的计算单元：把程序或代理里的分支判断写成带类型的决策函数，由小模型在本地毫秒级给出结果，而不是每次调用云端大模型做自然语言推理。它的价值不在功能多，而在于给出可复用、可组合、可训练的接口约定，让“模型即 if 语句”有标准写法。注意仓库暂无描述，具体 API 需看代码确认。
🎯 对我有什么用
如果你受够了在每个分支里塞一次 LLM 调用，可以看它怎么把判断抽象成类型化接口，配合 laya-mlx 能在 M 系列 Mac 上本地跑。适合做 agent 路由、内容分类、流程判断这类“只要一个标签或布尔值”的场景，能帮你砍掉大量 token 开销。可直接当轻量分类器用。但无描述的仓库要谨慎，建议先读源码和 issue 确认成熟度再投入生产，观察价值大于立即上手。
用逐条打分决策替代摘要压缩，保住上下文细节
🔍 这个项目是做什么的
一个 Claude Code 插件，针对的是长会话里最讨厌的一环：上下文快满时的 compaction。原生做法是把历史总结成一段摘要，代价是细节被抹平、工具调用和结果丢失。这个插件换了个思路，不再“总结”，而是对每一次工具调用和结果逐个打分，一次快速请求就能判定哪些已经过时该丢弃或截断，哪些必须留下，且保留下来的内容一字不改、原文保留。于是关键报错和命令输出还在，噪音被清掉。
🎯 对我有什么用
如果你经常用 Claude Code 跑长任务——重构、调试、多文件改动——上下文被压缩后“忘了刚才报的错”是最真实的痛点，这个插件能明显缓解。它属于插件层改动，装完即用，不用换模型也不用改工作流；而且只多一次轻量打分请求，比反复重述上下文更便宜。重度 Claude Code 用户值得直接试，它也是观察“agent 上下文管理正在怎么演化”的好样本，值得 star。
4
TypeScript
⭐ 5,581
🍴 1,587
Z.ai 官方开源的编码 agent 骨架，做模型之外的工程层
🔍 这个项目是做什么的
Z.ai 把自己编码 agent 的底层框架开源了。模型负责想，harness 负责真正干活：读文件、调工具、执行命令、管理上下文、循环纠错。这类 agent harness 决定了一个模型在实际编程任务里能发挥几成——同一个模型换个 harness，效果可能差很远。ZCode 的定位是强大、智能、可扩展，你可以接自己的模型、加自己的工具和规则，把它当成一个可以改造的编码助手骨架，而不是又一个聊天框。
🎯 对我有什么用
如果你觉得现成 AI 编程工具不够贴合自己的项目规范，可以直接基于它搭一套：自定义工具、注入团队规则、接私有模型。想研究 agent 工程（工具调用编排、上下文策略、失败重试）的话，这比读论文更实用。上手成本比纯 CLI 工具高，需要写配置和少量代码；但如果你本来就在自建编码 agent，它能省掉几周脚手架时间。对大厂背景的开源 harness，值得 star 并读一遍架构。
用 Swift 原生重写的 Mac 版 Photoshop 替代品
🔍 这个项目是做什么的
一个面向 macOS 的图像编辑软件，目标是把 Photoshop 那套图层、选区、蒙版、滤镜的核心能力，用原生 Swift 重写成更轻、更快、更像 Mac 应用的形态。它要解决的是很多设计师的真实不满：Photoshop 体积大、订阅贵、在 Mac 上不够顺滑。原生实现意味着更少的资源占用、更好的多核与 GPU 利用、与系统更一致的交互。对大多数人来说，抠图、合成、批量调色这些主力场景它已经够用。
🎯 对我有什么用
如果你在 Mac 上只是偶尔修图、做封面、切素材，又不想为订阅付费，可以直接下载试用，看能不能替掉日常大部分 PS 操作。做 macOS 开发的也值得读源码：图层模型、画布渲染、撤销栈是很好的原生图形应用范例。但要注意它目前更可能是“够用”而非“全能”，专业印刷、复杂合成、插件生态仍难替代 Adobe，别急着卸载 PS。设计工具爱好者值得 star 关注它的迭代速度。
在 Apple 芯片上原生跑决策模型，7–14 毫秒出结果
🔍 这个项目是做什么的
为 Laya 类型化决策模型做的 MLX 原生运行时。它只做一件事：把“判断”以极低延迟跑在本地。不生成文本，不依赖 PyTorch，也不调云端 API，在 M3 Max 上单次短决策只要 7–14 毫秒。可以把它理解成“模型版的 if 执行器”：你给它输入，它给你一个类别或分支，没有多余输出。因为绕开了通用推理框架和文本生成，延迟和内存开销都被压得很低，适合被高频调用。
🎯 对我有什么用
如果你在做 agent、规则引擎或任何需要“每步都判断一下”的系统，这个能把原本几百毫秒的 LLM 调用换成十几毫秒的本地决策，直接改变架构可能性——实时路由、逐帧处理、交互式界面里的即时反馈都变得可行。前提是你有 Apple Silicon 的 Mac，且判断任务足够窄。想省 API 费用又不想牺牲响应速度的话非常值得试，也是了解 MLX 做非生成式推理的好入口，值得 star。
把 if 语句变成语义判断，在家用一张 3090 就能跑
🔍 这个项目是做什么的
名字就是 semantic if——让条件判断带上语义。普通 if 只能比较字符串和数字，SemIf 让你用自然语言写条件，比如“这条评论是不是在投诉物流”，由开源模型在本地给出是或否。它把这类窄判断从“调用云端大模型做推理”降级成“跑一个小的本地模型”，因此在消费级显卡（如 3090）上就能跑，成本几乎为零，延迟也可控。项目独立开发，与 Jev、TypeSafe 无关。
🎯 对我有什么用
适合把散落在 prompt 里的判断逻辑收拢回代码：内容审核、意图路由、数据清洗、工单分类，都能写成可读的语义条件。如果你家里或公司有一块 3090 级别的卡，可以直接跑，省掉每次判断的 API 费用和网络延迟，数据也不出本地。注意判断越窄越准，别指望它做复杂推理。想做本地化 AI 应用或对数据隐私敏感的人值得 star，并学习它的模型选型思路。
jaredpalmer 的迷你本地决策模型家族，基于 Qwen3.5 可自训
🔍 这个项目是做什么的
一个很小的“Jev 式”决策模型家族，建立在 Qwen3.5 之上，重点是可以自己训练、自己在本地跑。它不追求通用对话或写作，只做判断：给你一个输入和一组选项，输出该选哪个。因为模型小、任务窄，训练和推理都不需要大集群，个人开发者用一张消费级卡就能微调出自己的判断模型。作者 jaredpalmer 是前端圈知名开发者，这个项目本质上在探索“每个应用都该有自己的小决策模型”这件事的最低门槛。
🎯 对我有什么用
如果你想试“给自己的项目训一个小模型做判断”，这是成本极低的起点：拿自己的业务数据微调，换来一个不花钱、不联网、延迟极低的判断器，适合推荐打标、内容分类、agent 分支决策。要注意它需要你有数据和一点训练经验，不是装完即用的工具，收益取决于你能不能把判断定义清楚。想跟进“小模型专用化”这条线，或想学一个干净的小模型训练仓库，值得 star。