免登录轻量重映射罗技按键，告别臃肿官方软件（GitHub Trending）

今日 GitHub 热门项目 Top 10，已为你深度翻译整理。

1. modular/modular

作者： modular
语言： Mojo
⭐ 星标： 27,914（今日 +268）　｜　🍴 Fork： 3,000
主页：https://docs.modular.com/
标签： ai, language, machine-learning, max, modular, mojo, programming-language

项目定位： Modular Platform 是一个统一的 AI 开发与部署平台，包含 MAX 框架与 Mojo 语言，旨在提供高性能的模型推理与底层计算体验。

为你而选： 适合 AI 开发者和系统工程师；可用于部署高性能模型推理服务，或使用 Mojo 语言编写高性能 AI 计算代码。

如果你关注 AI 基础设施，Modular 这个项目值得放进收藏夹。它把两样东西打包在了一起：一个是 MAX 框架，负责 AI 模型的部署与推理；另一个是 Mojo 语言，主打高性能 AI 计算。

它解决了什么问题？
传统 AI 开发往往面临“易用”与“高性能”难以兼得的困境：Python 好写但慢，C++ 快但难写。Modular 试图用统一平台弥合这道鸿沟。MAX 提供了兼容 OpenAI API 端点的推理服务器和基于 Python 的模型管道，方便快速部署；而 Mojo 则是一门兼容 Python 语法、但能提供接近底层语言性能的新编程语言。

技术看点
这个仓库包含了 Mojo 的编译器和标准库，以及 MAX 的加速器内核和推理服务组件。Mojo 编译器目前暂不接受社区贡献，但标准库、MAX 内核和模型架构等部分已经开放给社区参与。

快速上手
项目没有提供直接的命令行安装步骤，而是引导用户前往官方的快速入门指南：
– 想体验模型部署，可查阅 MAX 快速入门。
– 想尝试 Mojo 语言，可查阅 Mojo 快速入门。

注意事项
虽然仓库代码采用 Apache 2.0 许可证（附带 LLVM 例外），但 MAX 的实际使用和分发受限于 Modular Community License，商用前需留意条款。此外，使用第三方模型或库时，需自行检查其合规性。

2. AprilNEA/OpenLogi

作者： AprilNEA
语言： Rust
⭐ 星标： 11,828（今日 +1,545）　｜　🍴 Fork： 322
许可证：Apache-2.0　｜　主页：https://openlogi.org
标签： dpi, gpui, hid, hidpp, local-first, logitech, logitech-mouse, logitech-options, mouse-remapping, mx-master, privacy, rust, smartshift

项目定位： 用Rust编写的原生、本地优先的Logitech Options+替代品，无需账号和遥测，跨平台解锁罗技外设的全部潜能。

为你而选： 适合受够了Options+臃肿与强制登录的用户，尤其是Linux玩家；可用来轻量重映射按键、调DPI、控制摄像头，提升外设管理效率。

如果你用过罗技的官方软件 Options+，大概率体验过它的臃肿、强制登录和后台遥测。OpenLogi 就是为了解决这些痛点而生的：它用 Rust 和 GPUI 编写，主打原生、轻量、本地优先，不需要注册账号，也没有任何遥测，并且把 Linux 当作一等公民来支持。

它的核心能力在于通过 HID++ 和 UVC 协议直接与硬件通信。除了常规的鼠标按键重映射、DPI 调节、SmartShift 滚轮模式切换，它还支持给任意按键分配手势、设置键盘的静态 RGB 灯效，甚至能直接控制罗技 UVC 摄像头的曝光、白平衡、缩放等参数。所有配置都保存在一个纯文本的 TOML 文件里，你可以随意在多台机器间同步。此外，它不仅提供 GUI，还附带了一个真正的 CLI 供高阶用户脚本化操作。

上手非常简单，但有一个硬性前提：安装前必须先退出 Logi Options+，因为两者会抢占 HID++ 访问权限。macOS 用户可以直接通过 Homebrew 安装：brew install --cask openlogi；Linux 和 Windows 也分别提供了 deb/rpm/msi 等包格式。

需要注意的是，项目目前仍处于活跃开发阶段，尚未完全稳定，部分功能可能会调整。如果你是重度罗技外设用户且追求极致的掌控感，这绝对是一个值得 Star 并持续关注的项目。

3. cursor/plugins

作者： cursor
语言： TypeScript
⭐ 星标： 4,074（今日 +449）　｜　🍴 Fork： 340

项目定位： Cursor 官方插件市场仓库，提供一系列官方与第三方插件，扩展 Cursor 在开发工具、生产力及 SaaS 集成方面的能力。

为你而选： 适合 Cursor 用户和开发者。可安装插件让 Cursor 直接操作 GitHub、Gmail、Salesforce 等服务，或增强代码审查与任务编排等开发工作流。

如果你已经在用 Cursor 这个 AI 代码编辑器，可能会想：它能不能直接帮我查邮件、看日历，甚至操作 Salesforce 和 GitHub？cursor/plugins 就是来解决这个问题的。它是 Cursor 官方维护的插件市场仓库，把 AI 编程助手与日常开发工具、生产力软件和各类 SaaS 服务连接了起来。

这个仓库的核心看点在于它的插件生态。它不仅包含了对接 Gmail、Google Drive、GitHub、Playwright、Salesforce 等主流服务的第三方集成插件，还提供了一系列官方开发者工具插件。比如 Thermos 可以做深度的代码安全审查，Orchestrate 能把大任务拆分给并行的云端 Agent 执行，PR Review Canvas 则把 PR 差异按重要性渲染成可视化画布。

在技术实现上，它采用了标准化的插件规范。每个插件都是根目录下的一个独立文件夹，包含自己的 .cursor-plugin/plugin.json 清单、skills（技能定义）、rules（规则文件）以及 mcp.json（MCP 服务器定义）。这种基于 MCP（Model Context Protocol）的架构让插件的能力扩展变得非常清晰和模块化。

项目采用 MIT 协议开源。如果你是 Cursor 用户，可以直接在编辑器中探索这些插件；如果你是插件开发者，这个仓库本身也是学习如何为 Cursor 编写规范插件的绝佳参考。需要注意的是，使用这些插件的前提是你得有一个 Cursor 环境。

4. agent-substrate/substrate

作者： agent-substrate
语言： Go
⭐ 星标： 1,385（今日 +22）　｜　🍴 Fork： 251
许可证：Apache-2.0

项目定位： Agent Substrate 是一个为大规模 AI Agent 部署设计的高性能、高密度运行时环境，基于 Kubernetes 实现亚秒级 Agent 挂起与恢复，支持将大量空闲 Agent 复用到少量基础设施上。

为你而选： 适合需要大规模运行 AI Agent 的开发者和平台工程师。它能将数百个有状态 Agent 压缩到少数物理节点上，大幅降低基础设施成本。

AI Agent 虽然火，但它们大部分时间都在等待调用或思考，传统部署方式会造成极大的资源浪费。Agent Substrate 正是为了解决这个问题而生：它是一个低侵入性的系统，专门用于大规模运行 Agent，而不是构建 Agent。

它的核心思路是“多路复用”。通过将大量“Actor”（即 Agent 应用）映射到少量“Worker”上，利用 Agent 空闲时间长的特点实现高密度部署。官方 Demo 展示了将约 250 个有状态 Actor 复用到仅 8 个物理 Pod 上，实现了 30 倍以上的超卖。它支持亚秒级的挂起与恢复，并在休眠期间通过全状态快照完美保留内存和文件系统状态。

技术上，它基于 Kubernetes 构建，支持 gVisor 和 microVM 两种沙箱技术。它框架无关，能托管 LangChain、Claude Code 等各种技术栈构建的 Agent。

如果你想在本地尝鲜，需要准备好 Go、kubectl 和 docker。通过运行 hack/create-kind-cluster.sh 创建集群，再用 hack/install-ate-kind.sh --deploy-ate-system 部署系统即可体验。

需要注意的是，该项目目前处于早期开发阶段，API 随时可能变动，暂不建议用于生产环境。对于正在探索 Agent 基础设施架构的团队来说，这是一个非常值得关注的参考方向。

5. PostHog/posthog

作者： PostHog
语言： Python
⭐ 星标： 37,986（今日 +60）　｜　🍴 Fork： 3,215
主页：https://posthog.com
标签： ab-testing, ai-analytics, analytics, cdp, data-warehouse, experiments, feature-flags, javascript, product-analytics, python, react, session-replay, surveys, typescript, web-analytics

项目定位： PostHog 是一个开源的产品数据平台，集成了产品分析、会话回放、功能开关、实验、错误跟踪和 AI 可观测性等工具，帮助团队一站式构建和优化产品。

为你而选： 适合产品经理和开发者。开发者可以一站式追踪用户行为、排查错误并安全发布新功能，而无需拼凑多个第三方工具。

PostHog 想解决的核心问题是：做产品时，团队往往需要把分析、错误追踪、A/B 测试、会话回放等工具拼凑在一起，不仅数据割裂还昂贵。它把这些能力打包成了一个开源平台，让你在一个地方看全产品数据。

核心亮点是它的“Self-driving mode”，能把产品数据中的异常信号（如报错、愤怒点击）转化为调研报告甚至 PR，帮你自动定位问题。此外，它还支持 AI 可观测性，方便追踪 LLM 应用的延迟和成本。

快速上手最推荐的方式是直接注册使用 PostHog Cloud，每月有 100 万事件的免费额度。如果你想自托管，只需在 Linux 上跑一行 Docker 命令（建议 4GB 内存）：

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/posthog/posthog/HEAD/bin/deploy-hobby)"

部署后，通过引入 JS 代码片段或各语言的 SDK（支持 Python, Node, React 等）即可开始采集数据。

需要注意的是，开源自托管版本适合小规模使用（约 10 万事件/月），且官方不提供客户支持。如果数据量增大，建议迁移到官方云服务。另外，主仓库采用 MIT 协议，但企业版功能在 ee 目录下有单独协议，追求纯 FOSS 的用户可以关注它的 posthog-foss 仓库。

6. mahlernim/google-timeline-visualizer

作者： mahlernim
语言： Kotlin
⭐ 星标： 1,521（今日 +657）　｜　🍴 Fork： 173
许可证：MIT

项目定位： 将 Google 位置记录数据转化为动画旅行视频，支持手机和桌面端，全程本地处理保护隐私。

为你而选： 适合有 Google 位置记录的旅行爱好者。普通人能轻松把足迹做成可分享的动画视频，开发者可参考其本地渲染与隐私设计。

这个项目解决了一个很具体的需求：把 Google 地图里冷冰冰的位置记录数据，变成一段有动感的旅行回忆视频。你只需导出 Timeline.json，它就能在地图上画出你的移动轨迹，并渲染成 MP4。

亮点在于它的跨平台与隐私保护。Android 端提供独立 APK，iPhone 用户直接用 Safari 打开网页版即可，无需安装应用。最关键的是，它不需要 Google 账号登录，也不会上传你的位置数据，所有渲染都在本地完成，只有底图瓦片会向 CARTO/OpenStreetMap 请求。

技术上看，它支持多种坐标格式和跨国际日期变更线的路径，对长距离飞行会沿大圆路径插值，通勤时的来回移动也做了平滑处理，避免画面剧烈抖动。除了移动端，它还保留了原生的 Python 桌面版本，依赖 FFmpeg 进行视频合成。

快速上手要点：
– iPhone 用户：在 Safari 打开 Web App，从 Google Maps 导出 Timeline.json，选择日期后生成 MP4。
– 桌面端用户：安装依赖 python -m pip install -r requirements.txt，然后运行 python visualizer.py --input Timeline.json --year 2025 --output my_trip_2025.mp4。

注意事项：iPhone 需要 Safari 16.4 及以上版本，且生成视频时需保持网页开启；Android 端需 8.0 及以上，目前未上架 Google Play，需从 GitHub Release 页下载 APK 安装。

7. JuliusBrussee/caveman

作者： JuliusBrussee
语言： Go
⭐ 星标： 99,620（今日 +258）　｜　🍴 Fork： 5,768
主页：https://caveman.so/
标签： ai, anthropic, caveman, claude, claude-code, llm, meme, prompt-engineering, skill, tokens

项目定位： Caveman 是一个为 AI 编程助手设计的省 token 工具，通过本地代理压缩输入、用极简风格压缩输出，甚至将密集文本转为图片，大幅降低 API 成本。

为你而选： 适合重度使用 Claude Code 等 AI 编程助手的开发者，能显著降低 API 费用，提升长会话的上下文利用率。

Caveman 解决的是 AI 编程助手的“话痨”问题：模型不仅回答啰嗦，每次调用还会把工具定义、日志、历史记录原样塞进上下文，token 消耗惊人。它通过两个层面来“瘦身”：

输入压缩与输出精简
– Caveman Proxy：一个本地代理，拦截发往 AI 提供商的请求，对 JSON、日志、代码等按类型进行结构化压缩，基准测试显示可减少 33.2% 的输入 token。原始数据会先存入本地，需要时可通过 caveman_retrieve 原样恢复。
– Caveman Skill：让模型用“穴居人”风格说话——只保留核心结论，代码和命令保持原样。比如把 69 个 token 的解释压缩到 19 个 token。

技术看点：Pixel 模式
这是最巧妙的设计。文本按 token 计费，而图片不是。它会把密集的长文本（如庞大的 JSON 工具定义或冗长日志）渲染成 PNG 图片发给视觉模型，能减少约 79% 的 token。但项目很诚实：稀疏的短行代码转成图片反而更大，此时会自动跳过。

快速上手
安装代理并启动：

npm install -g @caveman-ai/cli && caveman setup --install
caveman claude

或者只安装精简输出的 Skill：

npx skills add JuliusBrussee/caveman

注意事项
Pixel 模式仅对密集长文本有效，且目前只支持特定模型（如 claude-fable-5）。所有压缩操作都遵循“先存原始数据”的原则，确保信息无损可恢复。

8. makeplane/plane

作者： makeplane
语言： TypeScript
⭐ 星标： 56,480（今日 +98）　｜　🍴 Fork： 5,395
许可证：AGPL-3.0　｜　主页：http://plane.so
标签： boards, bug-tracker, django, docker, gantt, issue-tracker, jira, jira-alternative, kanban, linear, postgresql, product-management, project-management, project-planning, python, react, redis, typescipt, vite, work-management

项目定位： 开源的项目管理平台，可作为Jira、Linear等商业工具的替代品，用于追踪任务、管理周期和产品路线图。

为你而选： 适合需要灵活管理项目且重视数据隐私的团队与开发者。既能自托管保障数据安全，也能用云端快速上手，提升协作效率。

Plane 是一款开源的项目管理平台，定位是 Jira、Linear、Monday 和 ClickUp 的现代替代品。它致力于让团队追踪问题、运行周期和管理产品路线图时，不再被工具本身的复杂性所拖累。

在功能上，Plane 提供了完整的闭环：你可以用富文本编辑器创建任务并关联相关事项；通过 Cycles 维持团队节奏并查看燃尽图；用 Modules 将复杂项目拆解；还能通过自定义 Views 过滤关键信息。此外，它内置了支持 AI 的 Pages 用于记录想法，以及 Analytics 面板提供实时数据洞察。

技术栈上，前端采用 React Router，后端结合了 Django 和 Node.js，整体架构现代且清晰。

上手非常灵活：如果不想折腾基础设施，直接注册免费的 Plane Cloud 即可开箱即用；如果对数据隐私有要求，官方提供了详尽的 Docker 和 Kubernetes 自托管指南，实例管理员还能通过 “God mode” 进行配置。需要注意的是，项目采用 AGPL v3.0 协议，对于有二次开发并商业化需求的团队需留意协议限制。

9. Tencent/AI-Infra-Guard

作者： Tencent
语言： Python
⭐ 星标： 4,941（今日 +50）　｜　🍴 Fork： 480
许可证：Apache-2.0　｜　主页：https://tencent.github.io/AI-Infra-Guard/
标签： agent, agent-security, ai-infra, ai-red-teaming, ai-security, llm, llm-evaluation, llm-jailbreak, llm-security, mcp-scan, openclaw-security, prompt-injection, prompt-security, scanner, security, security-tools, skill-scanner, skills-security, vulnerability

项目定位： 腾讯朱雀实验室开源的全栈 AI 红队平台，集成 Agent、MCP、Skill 扫描与 LLM 越狱评估，全面排查 AI 生态安全风险。

为你而选： 适合企业安全团队和 AI 开发者。可用于自动化检测 AI 智能体工作流、MCP 服务器及基础设施漏洞，提升 AI 应用安全性。

随着 AI Agent 和大模型应用的爆发，针对 AI 生态的安全攻击也日益复杂。腾讯朱雀实验室开源的 AI-Infra-Guard（A.I.G）正是一个为解决这一痛点而生的全栈 AI 红队平台。

它把 AI 安全审计拆解成了几个核心维度：Agent Scan 针对运行在 Dify、Coze 等平台上的智能体工作流进行自动化安全评估；MCP Server & Agent Skills 扫描 能检测 14 大类安全风险，甚至支持 .pyc 字节码绕过检测；AI 基础设施漏洞扫描 覆盖了 Ollama、vLLM 等 100 多个组件和 2000+ CVE 规则；此外还提供 LLM 越狱评估和模型/API 中转黑盒审计。

在实现上，它不仅提供了现代化的 Web 界面，还把 Skill、MCP、Agent 扫描拆成了独立的 CLI 工具（如 aig-skill-scan），方便企业直接接入 CI/CD 流水线。

上手非常简单，只需克隆仓库并运行 docker-compose -f docker-compose.images.yml up -d，即可在 http://localhost:8088 访问 Web 界面。也可以用一键脚本快速安装。

需要特别注意的是，A.I.G 定位为内部红队工具，目前缺乏认证机制，切勿直接暴露在公网环境中。如果你正在构建 AI 应用，这个项目能帮你提前堵住那些传统安全工具发现不了的新型漏洞。

10. RyanCodrai/turbovec

作者： RyanCodrai
语言： Rust
⭐ 星标： 15,931（今日 +230）　｜　🍴 Fork： 1,384
许可证：MIT　｜　主页：https://pypi.org/project/turbovec/
标签： ann, avx512, embedding, embeddings, faiss, nearest-neighbor, neon, python, quant, quantization, rag, rust, simd, turboquant, vector-search

项目定位： 基于 Google TurboQuant 算法的 Rust 向量索引，带 Python 绑定。它能将千万级文档的内存占用从 31GB 压缩至 4GB，且搜索速度超越 FAISS。

为你而选： 适合构建 RAG 且对隐私、内存或延迟有要求的开发者。可在本地实现高效的向量检索与混合搜索，无需数据离开本机。

如果你在构建 RAG 应用，向量索引的内存占用和检索延迟往往是绕不开的痛点。turbovec 基于 Google Research 的 TurboQuant 算法，用 Rust 实现并提供 Python 绑定，给出了一个相当硬核的解法：它能把 1000 万条原本占用 31GB 内存的 float32 向量压缩到 4GB，而且搜索速度比业界常用的 FAISS 还要快。

它的核心亮点在于“无需训练”和“在线插入”。传统量化器通常需要单独的训练阶段和参数调优，而 turbovec 添加向量即索引，随着语料库增长也无需重建。在底层实现上，它手写了针对 ARM（NEON SDOT/SMMLA）和 x86（AVX-512 VNNI 和 vpermb）的 SIMD 内核，在 4-bit 配置下平均比 FAISS IndexPQFastScan 快 3.4 倍。此外，它支持增量保存（sync(path)），仅持久化变更部分，毫秒级完成且崩溃安全；搜索时还能直接传入 ID 白名单进行过滤，避免过度抓取。

上手非常简单，Python 用户只需 pip install turbovec，即可通过 TurboQuantIndex 或 IdMapIndex 快速构建索引，并支持与 LangChain、LlamaIndex 等主流框架无缝集成。Rust 开发者也可以通过 cargo add turbovec 直接使用。

需要注意的是，turbovec 是纯本地运行的，没有托管服务，数据不会离开你的机器，非常适合对隐私要求高的场景。不过，在低维向量（如 GloVe d=200）且使用 2-bit 量化时，其召回率相比 FAISS 会有极其微小的劣势，但在主流的高维 OpenAI 嵌入中表现优异。