今日 GitHub 热门项目 Top 10，已为你深度翻译整理。
1. Lakr233/vphone-cli
- 作者： Lakr233
- 语言： Swift
- ⭐ 星标： 9,592（今日 +361） ｜ 🍴 Fork： 1,289
- 许可证：MIT
项目定位： 基于 Apple Virtualization.framework 在 Mac 上启动虚拟 iPhone 的命令行工具，支持固件修补、越狱与自动化测试。
为你而选： 适合 iOS 开发者、安全研究员和自动化测试人员。它让在没有实体设备的情况下运行、调试和自动化测试 iOS 系统成为可能。
在 Mac 上跑起一台真正的虚拟 iPhone
vphone-cli 是一个基于 Apple Virtualization.framework 的命令行工具，它能在 Apple Silicon 芯片的 Mac 上直接启动并运行虚拟 iPhone。过去，iOS 的深度测试、逆向分析或自动化操作往往高度依赖物理设备，而它把整个 iOS 环境搬进了虚拟机，让开发者无需插拔真机就能进行端到端的调试。
核心特性与亮点
– 多层级固件修补：提供从 less（仅 4 个补丁，保留系统安全机制）到 exp（141 个补丁，包含完整越狱及反虚拟机检测）共 5 种变体，满足从常规开发到安全研究的不同需求。
– 完整的生命周期管理：支持虚拟机的创建、克隆（基于 APFS 快速克隆）、导入导出（zstd/xz 压缩）以及配置修改。
– 面向 AI 的自动化接口：通过控制套接字 (vphone.sock) 暴露截屏、触摸、滑动、硬件按键等操作，并返回内联截图，非常适合结合大语言模型进行端到端自动化测试。
快速上手
通过 Homebrew 安装只需一行命令：
brew install zqxwce/tap/vphone-cli
随后即可一键创建并启动一个带越狱环境的虚拟 iPhone：
vphone-cli vm create myphone -V jb
vphone-cli vm launch myphone
启动后，可通过 VNC (vnc://<vm-ip>:5901) 或 SSH (ssh -p 22222 mobile@<vm-ip>) 进行连接。
注意事项与适用边界
– 硬件与系统限制：必须运行在 Apple Silicon 芯片且 macOS 15+ 的物理机上，无法在嵌套虚拟机中运行。
– 安全机制调整：需要关闭或放宽系统的 SIP 和 AMFI 限制才能加载未签名的二进制文件。
– 初始化避坑：在 iOS 初始设置时，不要选择日本或欧盟地区，否则会触发虚拟机无法通过的额外合规检查。
2. unclecode/crawl4ai
- 作者： unclecode
- 语言： Python
- ⭐ 星标： 80,221（今日 +221） ｜ 🍴 Fork： 8,304
- 许可证：Apache-2.0 ｜ 主页：https://crawl4ai.com
项目定位： 开源且对大模型友好的网页爬虫与抓取工具，能将网页快速转换为干净、结构化的 Markdown，专为 RAG、AI 代理和数据管道设计。
为你而选： 适合开发者和数据工程师。普通人可用它为 AI 提供高质量语料，开发者能构建免受反爬限制的数据管道，提升信息提取效率。
如果你尝试过把网页内容直接喂给大语言模型，大概率会被满屏的 HTML 标签和广告噪音劝退。Crawl4AI 解决的正是这个问题：它把杂乱的网页变成干净、结构化且对 LLM 友好的 Markdown，让 RAG（检索增强生成）和 AI 代理能直接消化网页数据。
核心看点
– 智能 Markdown 生成：不仅提取文本，还能保留标题、表格和代码块，并通过启发式过滤和 BM25 算法剔除无关噪音。
– LLM 驱动提取：支持各类开源或闭源大模型，结合 CSS/XPath 选择器或语义相似度，精准抽取结构化 JSON 数据。
– 反爬与控制力：内置异步浏览器池、代理支持、会话管理和隐身模式，能模拟真实用户绕过检测，还支持深度爬取与崩溃恢复。
快速上手
安装非常简单，只需两步：
pip install -U crawl4ai
crawl4ai-setup
如果遇到浏览器问题，可手动执行 python -m playwright install chromium。安装后，既可以用几行 Python 代码异步抓取网页，也能用内置的 crwl 命令行工具快速操作，例如 crwl https://example.com -o markdown。
注意事项
项目基于 Python 和 Playwright，同步版本（Selenium）已弃用，建议使用异步模式。对于大规模生产环境，官方提供了带 JWT 认证的 Docker 镜像，方便安全部署。
3. mvanhorn/last30days-skill
- 作者： mvanhorn
- 语言： Python
- ⭐ 星标： 60,496（今日 +230） ｜ 🍴 Fork： 5,296
- 许可证：MIT
- 标签：
ai-prompts,ai-skill,bluesky,claude,claude-code,clawhub,deep-research,hackernews,instagram,openclaw,polymarket,recency,reddit,research,social-media,tiktok,trends,twitter,web-search,youtube
项目定位： 一个 AI agent 驱动的搜索技能，跨 Reddit、X、YouTube、HN、Polymarket 等十余个平台并行检索，按真实用户互动（点赞、投票、真金白银）排序，最终合成一份有据可查的简报。
为你而选： 适合需要快速了解某个人或话题近 30 天动态的人——开会前做功课、竞品调研、趋势发现、出行前攻略。开发者和普通用户都能用，装在 Claude Code、Cursor 等 50+ agent 宿主里即可运行。
为什么值得看
Google 搜的是编辑筛选的内容，ChatGPT 只和 Reddit 有合作，Gemini 只有 YouTube——每个平台都是一座围墙花园。/last30days 做的事情是：让一个 AI agent 同时跨进这些花园，把 Reddit 的 upvote、X 的点赞、YouTube 的转录文本、Polymarket 的真金白银赔率、GitHub 的 PR 活跃度全部拉回来，按”真实人类在用什么”来排序，最后合成一份带引用的简报。
这不是又一个更好的搜索引擎，而是用 agent 把十几个互不相通的平台桥接起来。
核心特性
- 多源并行检索：Reddit、X、YouTube、TikTok、HN、Polymarket、GitHub、arXiv、Techmeme、LinkedIn、StockTwits、小红书等，社区还在持续新增。
- 按人排序而非按 SEO 排序：1500 个 upvote 的 Reddit 帖子权重高于没人读的博客；Polymarket 上 66K 美元交易量支撑的赔率比评论员的猜测更硬。
- 发现模式：问”AI agents 领域什么在爆发？”，引擎会扫描各平台热门列表，由 agent 筛选后给出 5-10 个按热度排序的话题，每个都附带跨平台数据和一键跟进命令。
- 评论层默认开启：YouTube 评论、Instagram 评论等社区高赞观点会被纳入简报，不只是正文。
安装与上手
Claude Code（推荐，通过 marketplace 自动更新）：
/plugin marketplace add mvanhorn/last30days-skill
/plugin install last30days
Codex、Cursor、Copilot、Gemini CLI 等 50+ Agent Skills 宿主：
npx skills add mvanhorn/last30days-skill -g
零配置即可使用 Reddit、HN、Polymarket、GitHub。首次运行后，setup wizard 会在 30 秒内引导你解锁 X、YouTube、TikTok、arXiv 等更多源（部分需要你自带 API key 或浏览器 session）。
实际用法举例
/last30days Peter Steininger— 开会前了解某人近一个月真实动态（加入哪家公司、GitHub 活跃度、社区评价）。/last30days OpenClaw vs Hermes vs Paperclip— 工具对比，实时拉取 GitHub star 数和架构对比表。/last30days Universal Epic Universe— 出行前查游乐设施排队、关闭状态、社区评价。/last30days what's exploding in AI agents?— 发现模式，找还没到峰值的热点话题。
注意事项
- 部分平台（X、YouTube、TikTok 等）需要配置 API key 或浏览器认证，首次运行时 wizard 会引导。
- 项目迭代很快（README 显示 v3.11.1，已有 52 位社区贡献者贡献了 122 个 PR），具体命令以
skills/last30days/SKILL.md为准。 - 内置 doctor 命令可诊断各源状态——哪个 key 缺失、哪个 cookie 过期，会直接给出修复建议。
4. majd/ipatool
- 作者： majd
- 语言： Go
- ⭐ 星标： 10,192（今日 +58） ｜ 🍴 Fork： 880
- 许可证：MIT
- 标签：
apple,appstore,cli,command-line,command-line-tool,go,golang,golang-library,ios,ipa,itunes,macos,research,reverse-engineering,security,swift,tool
项目定位： ipatool 是一个命令行工具，允许用户通过 Apple ID 从 App Store 搜索并下载 iOS、iPadOS、tvOS 和 visionOS 应用的 ipa 安装包。
为你而选： 适合需要获取 iOS 等平台应用原始安装包的开发者或高级用户，可用于应用逆向分析、版本归档或自动化分发，实现脱离设备直接下载 ipa 的能力。
ipatool 解决了一个长期困扰开发者和高级用户的痛点：如何在不依赖 Mac 电脑或 iTunes 的情况下，直接从 App Store 下载 iOS、iPadOS、tvOS 和 visionOS 应用的 ipa 安装包。它将整个流程浓缩到了命令行中，支持 Windows、Linux 和 macOS 跨平台运行。
核心特性与看点
项目使用 Go 语言编写，提供了完整的 App Store 交互链路。你不仅可以搜索应用，还能查看历史版本列表、获取应用元数据，甚至触发应用的“购买”（获取授权）流程。下载的 ipa 文件是加密的，这意味着它主要用于合法的逆向分析、版本归档或自动化测试分发，而不是直接安装到非越狱设备上。
快速上手
如果你使用 macOS，可以通过 Homebrew 一键安装：
brew install ipatool
安装后，首先需要使用你的 Apple ID 进行登录授权：
ipatool auth login
随后即可搜索应用并下载。例如，通过应用 ID 下载最新版本的 ipa 文件：
ipatool download -i <app-id>
工具默认以交互模式运行，如果在自动化脚本中使用，可以加上 --non-interactive 标志，并配合 --format json 来方便地解析输出结果。
注意事项
使用该工具需要一个已经配置好 App Store 的 Apple ID。需要注意的是，下载的安装包是加密的，且请确保你的下载和分发行为符合 Apple 的相关使用条款。
5. punkpeye/awesome-mcp-servers
- 作者： punkpeye
- 语言： 未标注
- ⭐ 星标： 93,303（今日 +96） ｜ 🍴 Fork： 15,310
- 许可证：MIT ｜ 主页：https://glama.ai/mcp/servers
- 标签：
ai,mcp
项目定位： 一个精心整理的 Model Context Protocol (MCP) 服务器清单，帮助 AI 模型通过标准化实现安全地与本地或远程资源交互。
为你而选： 适合开发者和 AI 爱好者。可用于查找合适的 MCP 服务器，让 AI 代理连接数据库、文件系统或 API，扩展 AI 的实际操作能力。
awesome-mcp-servers 是一个致力于收集和整理 Model Context Protocol（MCP）服务器的开源清单。MCP 是一个开放协议，允许 AI 模型通过标准化的服务器实现，安全地与本地或远程资源进行交互。简单来说，它解决了“如何让 AI 真正连上你的数据库、文件系统或各类 API”的问题。
这个项目的核心亮点在于其极其详尽的分类。它将各种 MCP 服务器按应用场景分门别类，涵盖了聚合器、浏览器自动化、数据库、开发者工具、金融、游戏等数十个领域。不仅如此，项目还通过一套直观的图例系统，标明了每个服务器的编程语言（如 Python、TypeScript、Go、Rust）、适用范围（本地或云端）以及支持的操作系统，让开发者能快速筛选。
在实现思路上，MCP 强调安全与标准化。项目不仅提供静态清单，还同步维护了一个在线 Web 目录，方便实时检索。对于想要上手的用户，README 中提供了丰富的教程链接，包括快速入门和如何配置 Claude Desktop 应用连接 SQLite 数据库。安装特定服务器也非常便捷，许多服务器支持通过 npx -y <server-name> 或 pip install <package> 直接运行。
需要注意的是，清单中既包含生产就绪的项目，也有处于实验阶段的服务。在使用前，建议仔细查看图例和项目说明，确认其是否满足你的安全性与稳定性要求。如果你正在探索如何赋予 AI 模型更强的上下文感知和工具调用能力，这个仓库无疑是一份不可多得的寻宝图。
6. checkstyle/checkstyle
- 作者： checkstyle
- 语言： Java
- ⭐ 星标： 9,189（今日 +115） ｜ 🍴 Fork： 4,195
- 许可证：LGPL-2.1 ｜ 主页：https://checkstyle.org
- 标签：
code-quality,command-line-tool,hacktoberfest,java,static-analysis,static-code-analysis
项目定位： Checkstyle 是一个 Java 代码质量工具，帮助开发者确保代码符合编码规范或最佳实践，默认支持 Google Java Style Guide 和 Sun Code Conventions，且高度可配置。
为你而选： 适合 Java 开发者和团队。可用于在本地或 CI 中自动检查代码风格，统一团队规范，减少 code review 中的风格争议。
Checkstyle：让 Java 代码规范自动化
Checkstyle 解决的核心问题很直接：怎么让一群人写出来的 Java 代码看起来像一个人写的。它通过静态分析检查代码是否符合预设的编码规范，默认支持 Google Java Style Guide 和 Sun Code Conventions，同时提供高度可配置的规则体系，团队可以按需定制。
核心亮点
- 开箱即用的规范支持：内置 Google 和 Sun 两套主流风格指南，拿来即用。
- 高度可配置：通过 XML 配置文件自定义检查规则，覆盖从命名约定到 switch 语句 fall-through 等细节问题。
- 多种集成方式：可作为命令行工具运行，也可通过 ANT 任务集成，还能从 Maven Central 引入构建流程。
技术看点
项目底层使用了 ANTLR 做语法解析，配合 Apache Commons、Google Guava 和 Picocli 等库构建。它本质上是一个基于 AST（抽象语法树）的静态分析器——README 中的 TreeWalker 模块就是遍历语法树执行检查的核心机制。
快速上手
从 GitHub Releases 下载最新版 jar 包，编写一个简单的 XML 配置文件，然后直接运行：
java -jar checkstyle-10.18.1-all.jar -c config.xml Test.java
输出会精确指出违规位置和对应的规则名称，例如 [ERROR] Test.java:9:9: Fall through from previous branch of switch statement [FallThrough]，信息清晰，便于定位修复。
注意事项
- Checkstyle 专注于代码风格和规范检查，并非通用的 bug 检测工具（如 SpotBugs/PMD 的部分能力），定位上有明确边界。
- 项目采用 GNU LGPL v2.1 许可证，商业集成时需留意许可条款。
- 配置文件有一定学习成本，建议从内置的 Google/Sun 规范起步，再逐步裁剪定制。
7. pollen-robotics/microduck_rl
- 作者： pollen-robotics
- 语言： Python
- ⭐ 星标： 777（今日 +168） ｜ 🍴 Fork： 133
- 许可证：Apache-2.0 ｜ 主页：https://pollen-robotics.com/microduck
项目定位： 为800克双足机器人Microduck打造的强化学习训练环境，基于mjlab（MuJoCo Warp）和PPO，完整覆盖从仿真训练到ONNX部署上机的sim2real流程。
为你而选： 适合机器人研究者与强化学习开发者；可以用它训练小双足机器人的步态、跌倒恢复、甚至轮滑等策略，并直接部署到真实机器人上运行。
为什么值得看
Microduck 是一只仅约 800 克、25 厘米高的微型双足机器人。这个仓库不是简单的”跑个 RL demo”，而是一套完整的 sim2real 配方——从仿真训练到 ONNX 导出再到真机运行，每一步都有对应的工具和文档。
核心亮点
1. 执行器建模做到电压级
项目使用 BAM M6 执行器模型来模拟 Dynamixel XL330 舵机，包含电压控制律、反电动势、库仑/斯特里贝克摩擦及负载相关摩擦。README 里说得很直白：在这个尺度下，执行器保真度几乎决定了 sim2real 的成败，所以不能偷懒用理想 PD 模型。每个环境还做了电池电压、电压跌落、指令延迟、摩擦幅值的域随机化。
2. 齿隙（Backlash）仿真
每个主任务都有一个 Backlash 变体，模拟 14 个舵机关节各 ±1° 的齿轮间隙。建模方式很讲究：每个舵机串联一个被动铰链，编码器读数穿透齿隙，观测和动作维度不变，因此 ONNX 导出和运行时无需任何改动。
3. 策略热切换
所有策略共享 61 维观测契约（48 维本体感知 + 指令），运行时可以在行走/恢复/特技策略之间随时切换。infer_policy.py 可以在 CPU MuJoCo 中用键盘驱动多个 ONNX 策略做排练。
4. 任务丰富度
从平地行走、跌倒恢复、坐立切换，到前滚翻、踢球、轮滑（脚下装被动轮）、甚至轮滑下坡——任务覆盖面相当广。
快速上手
需要 CUDA GPU 和 uv。核心命令：
git clone https://github.com/pollen-robotics/microduck_rl
cd microduck_rl
# 训练行走策略（4096 环境，约 1-2 小时）
uv run train Mjlab-Velocity-Flat-MicroDuck --env.scene.num-envs 4096
# 导出 ONNX
uv run scripts/export.py Mjlab-Velocity-Flat-MicroDuck --wandb-run-path <...>
# CPU 推理测试
uv run scripts/infer_policy.py --walking output.onnx
没有 GPU？加 --hf-jobs 可以提交到 Hugging Face Jobs 上跑。ARM 设备（Jetson 等）首次 uv sync 会拉约 2 GB CUDA wheels，建议设 UV_HTTP_TIMEOUT=600。
注意事项
- ONNX 必须用
scripts/export.py导出——它把观测归一化烘焙进计算图，手动转换的 checkpoint 在运行时会看到未归一化的观测。 - 3D 模型文件采用 CC BY-SA-NC 许可，代码部分为 Apache 2.0。
AGENTS.md记录了环境构建流程和奖励设计经验，对想复用这套方法论的人很有参考价值。
8. handsomestWei/patent-disclosure-skill
- 作者： handsomestWei
- 语言： Python
- ⭐ 星标： 5,633（今日 +62） ｜ 🍴 Fork： 696
- 许可证：MIT ｜ 主页：https://skillhub.cn/skills/patent-disclosure-skill
- 标签：
chinese,disclosure,obsidian,patent,skill
项目定位： 一个面向中国专利全流程的 AI 技能：从专利点挖掘、交底书编写（发明/实用新型/外观）到通俗解读、政策嗅探与审查答复辅助，让真正干活的人也能把技术贡献写成可交付的交底书。
为你而选： 适合研发工程师、专利代理人和技术管理者。开发者能用它从项目材料直接生成交底书并迭代；普通人能借助 Obsidian 把晦涩专利读成通俗笔记，沉淀个人专利知识库。
中国专利.skill：让写交底书不再是”干活人的痛”
很多核心研发做了多年，代码是自己敲的、方案是自己扛的，但轮到写专利交底书就卡住——专利点怎么挖、查新怎么写、框图和 Word 怎么一次交出去。这个项目正是为打通这一环而生。
它解决了什么问题
项目覆盖四大场景：
- 交底书编写：支持发明、实用新型、外观设计三种类型。能扫描项目文档/代码，梳出可申请的专利点，做查新（优先走国知局公布公告系统），脱敏成文，生成 mermaid 框图或结构线稿，最终输出可编辑的
.docx。多轮补材料、纠错时另存新版本并留下修订对话记录。 - 专利通俗解读：把单篇公开专利读成叙事故事线 + 权要树 + 术语表 + 附图对照，入库 Obsidian 后依托双链和图谱形成可生长的个人专利知识库。读得越多，术语和线索彼此勾连越密。
- 政策感知：联网嗅探国知局近期审查动向，整理成参考清单，帮你判断交底写法要不要跟新政策走。默认不开，确认前不擅自改流程。
- 审查答复辅助：历史通知书与答复自动脱敏入库、打标签，新通知书来时按法条/缺陷过滤检索（可选本地向量 RAG），再交大模型起草意见陈述草稿。
技术看点
- Python 3.9+ / Playwright 驱动国知局爬虫查新，异常时降级 WebSearch。
- 实用新型和外观设计支持从产品图/CAD 模型自动生成线稿、部件序号引出线，成文前先填 Schema 再按
figure_plan.yaml排图入文，不临场挑图。 - Obsidian 深度集成：Canvas 知识图谱、术语双链、Bases 配色自动配置，配合 Obsidian CLI 实现批处理和外部工具接力。
- 审查答复模块可选本地轻量向量相似度检索，相当于外挂一套私有 RAG；向量不可用时仍靠标签检索出草稿。
快速上手
安装细节见 INSTALL.md，核心依赖 Python 3.9+ 和 Playwright。使用时自然语言开口即可：
- 写交底：「按发明写交底，项目路径 …/knowledge/」或
/交底书 - 读专利：「读专利」+ 公开号或 PDF 路径，或
/读专利 - 政策嗅探：「技能进化 / 政策雷达」或
/patent-evolve - 审查答复：「审查答复」或
/审查答复
项目提供了多个示例案件（批任务调度发明、电驱桥实用新型、折臂台灯外观设计等），可直接参考 examples/ 目录。
注意事项
- 专利解读模式强烈推荐安装 Obsidian，否则图谱、Canvas、术语网等核心体验无法完整呈现。
- STEP/CAD 文件默认不解析，遇 STEP 时成文不中断，落盘后再问。
- 审查答复和政策感知默认关闭，产出均为草稿，须经人工审核后再递交。
- 查新优先走国知局，异常或无果时降级通用搜索，著录信息写入交底书第一章。
9. corsairdev/corsair
- 作者： corsairdev
- 语言： TypeScript
- ⭐ 星标： 10,937（今日 +126） ｜ 🍴 Fork： 525
- 主页：https://corsair.dev
项目定位： Corsair 是一个全功能的开源产品集成平台，基于 REST API 提供统一的集成语法，让开发者能轻松构建跨多应用的 Agent 或多租户仪表板。
为你而选： 适合需要对接多个第三方 API 的开发者。它能大幅减少编写胶水代码的工作量，同时支持自托管，确保用户数据与 Token 完全自主可控。
Corsair 解决的核心痛点是：当你的应用或 AI Agent 需要连接越来越多的第三方 API 时，为每个服务编写和维护鉴权、请求等“胶水代码”会变得极其繁琐。与市面上仅支持 MCP 的集成工具不同，Corsair 基于 REST API 构建，这意味着同一套集成层不仅能服务于 AI Agent，还能直接用于后端服务和面向用户的多租户控制面板。
它的核心亮点在于“一次连接，处处可用”。Corsair 为所有集成提供了统一的语法，并在底层维护各类适配器，开发者无需为每个新工具重写底层管道。此外，作为开源项目，它打破了闭源集成平台对用户 Token 和数据的黑盒控制。你可以选择完全自托管，也可以使用官方的 Hub 服务来代为处理 OAuth 刷新和 Webhook，无论哪种方式，数据始终掌握在自己手中。
从技术实现来看，它通过 npm 包分发（包名为 corsair），采用 Apache 2.0 许可证。虽然 README 未列出详细的安装命令，但开发者可以直接通过 npm 引入。如果你正苦于为产品接入各种第三方应用，或者想为你的 AI Agent 赋予跨工具操作能力，Corsair 提供了一个兼顾开发效率与数据安全的优雅方案。需要注意的是，新增集成插件时建议先在官方 OSS Integrations 页面认领，避免重复造轮子。
10. colinhacks/zod
- 作者： colinhacks
- 语言： TypeScript
- ⭐ 星标： 43,645（今日 +31） ｜ 🍴 Fork： 2,156
- 许可证：MIT ｜ 主页：https://zod.dev
- 标签：
runtime-validation,schema-validation,static-types,type-inference,typescript
项目定位： Zod 是一个 TypeScript 优先的数据验证库，通过定义 Schema 解析数据，并自动推断出强类型结果，让运行时校验与类型安全合二为一。
为你而选： 适合 TypeScript 开发者。能用来在运行时验证外部数据（如 API 响应），消除手写类型与校验逻辑的重复劳动，提升开发效率。
在 TypeScript 项目中，处理来自 API 或用户输入的不受信任数据时，传统做法是手写类型定义，再单独写校验逻辑，容易脱节。Zod 把这两件事合并了：只需定义一个 Schema，它既能做运行时数据校验，又能通过 z.infer<> 自动推断出 TypeScript 类型。核心包仅 2kb，零外部依赖，API 不可变且简洁。
技术上看，AOT（提前编译）是它的一大亮点。通过 z.compile(schema)，Zod 能为高频校验路径生成编译后的快速通道。在基准测试中，中位数提速达 2.4 倍，处理大型对象数组甚至能快约 9 倍。它通过消除节点分发和内存分配来提速，且无效输入会自动回退到常规解析器，保证错误信息一致。
上手很简单，安装只需 npm install zod。定义 Schema 后，用 .parse() 验证并返回深拷贝的强类型数据；若不想用 try/catch，可用 .safeParse() 获取包含成功或错误信息的联合类型结果。
需要注意的是，AOT 编译底层依赖 new Function，在 CSP 等严格环境下需设置 jitless: true 关闭全局编译。此外，包含异步 refinements 或 transforms 的 Schema 无法被编译；从已编译 Schema 派生的新 Schema 会变回未编译状态，建议对最终 Schema 进行编译。