声音克隆搬进本地电脑，646种语言配音全离线完成（GitHub Trending）

今日 GitHub 热门项目 Top 15，已为你深度翻译整理。

1. fmtlib/fmt

作者： fmtlib
语言： C++
⭐ 星标： 24,226（今日 +14）　｜　🍴 Fork： 2,984
许可证：MIT　｜　主页：https://fmt.dev
标签： c-plus-plus, chrono, cpp, cross-platform, floating-point, formatting, multiplatform, output, performance, printf, ranges, unicode

项目定位： {fmt} 是一个开源 C++ 格式化库，为 C stdio 和 C++ iostreams 提供快速、安全的替代方案，实现了 C++20 std::format 与 C++23 std::print。

为你而选： 适合 C++ 开发者：用它替代 printf/iostreams 做日志与文本输出，写法更简洁、类型更安全，性能也更快。

printf 不安全（类型不匹配、缓冲区溢出），iostreams 又慢又啰嗦——{fmt} 用一套类似 Python 的格式化语法，把这两个老问题一起解决了。

几个看点：

编译期检查：格式串写错（如对字符串用 {:d}）在 C++20 下直接编译报错；自动内存管理杜绝缓冲区溢出。
性能：官方基准中比 printf 快约 50%，浮点格式化比 sprintf、std::ostringstream 快 20-30 倍，核心是 Dragonbox 浮点算法。
功能全：位置参数便于本地化，可直接打印容器与日期时间，支持彩色输出和 Unicode，写文件最多比 fprintf 快 9 倍。
轻量可靠：最小配置仅三个文件，无外部依赖，MIT 许可，二进制体积与 printf 相当；测试覆盖全面并持续 fuzz。

它实现了 C++20 std::format 与 C++23 std::print，PyTorch、MongoDB、ClickHouse 等知名项目都在用。上手只需：

#include <fmt/base.h>

int main() {
  fmt::print("Hello, world!\n");
}

不想编译库可定义 FMT_HEADER_ONLY 宏启用 header-only 模式；存量代码可用 clang-tidy v18 的 modernize-use-std-print 检查批量迁移 printf 调用。它是 C++ 库，适用边界也在于此——非 C++ 项目用不上。

2. google-research/timesfm

作者： google-research
语言： Python
⭐ 星标： 29,741（今日 +343）　｜　🍴 Fork： 2,860
许可证：Apache-2.0　｜　主页：https://research.google/blog/a-decoder-only-foundation-model-for-time-series-forecasting/

项目定位： 谷歌研究院开源的时间序列预测基础模型，像大语言模型一样预训练后可零样本使用；3.0 版原生支持多变量与协变量，在三大时序基准上排名第一。

为你而选： 适合需要预测销量、流量、业务指标的开发者与数据分析师：不训练模型也能直接得到预测值与分位数区间，还能用 LoRA 微调适配自己的数据。

传统时序预测通常要为每个数据集单独训练模型，TimesFM 把大模型「预训练 + 零样本」的范式搬到了时间序列上：用 decoder-only 架构预训练一个通用预测模型，面对新数据直接推理即可出结果。

TimesFM 3.0 的看点是原生支持多变量预测，并能灵活接入协变量（仅过去已知、或过去+未来已知），无需按任务调参；在 fev-bench、TIME Benchmark、GIFT-Eval 三大基准上均排名第一。上一代 2.5 仅 200M 参数、支持 16k 上下文，可通过可选分位数头输出预测区间。该模型已落地 BigQuery ML、Google Sheets 等谷歌产品。

上手很简单：pip install timesfm[torch]，加载 google/timesfm-3.0-pytorch 权重，用 TimesFM3Evaluator 传入 NumPy 数组即可预测，支持返回 0.1–0.9 共 9 个分位数；想适配自有数据，可参考仓库中基于 Transformers + PEFT 的 LoRA 微调示例。

注意许可边界：3.0 预训练权重采用非商业许可，仅限非商业、非生产用途；2.5 及更早版本权重为 Apache-2.0，商用场景可退回旧版。

3. DietrichGebert/ponytail

作者： DietrichGebert
语言： JavaScript
⭐ 星标： 121,475（今日 +1,354）　｜　🍴 Fork： 6,567
许可证：MIT　｜　主页：https://ponytail.dev
标签： agent-skills, ai-agents, claude, claude-code, claude-code-plugin, cursor-rules, developer-tools, llm, prompt-engineering, yagni

项目定位： Ponytail 是给 AI 编程代理用的规则集/插件，让代理像“最懒的资深工程师”一样思考：先复用现成方案，只写任务真正需要的最少代码。

为你而选： 适合日常使用 Claude Code、Codex、Gemini CLI 等 AI 编程工具的开发者：装上后代理不再过度设计，代码量、成本、耗时齐降，且不牺牲安全与校验。

它管什么

AI 编程代理最常见的毛病不是写错，而是写多：要个日期选择器，它装 flatpickr、包一层组件、附一份样式表，还顺便讨论起时区。Ponytail 把“最懒的资深工程师”塞进你的代理——看完五十行，一言不发，换成一行 <input type="date">。

怎么做到

核心是一把七级梯子，动笔前逐级问：这功能需要存在吗（YAGNI）？代码库里已有吗？标准库呢？平台原生特性呢？已装依赖呢？一行够吗？都不行，才写“能工作的最小实现”。关键在于梯子是在理解问题之后才跑——懒的是方案，不是读代码；而校验、错误处理、安全、无障碍永远不在裁剪之列。

数字与诚实

作者在真实的 FastAPI + React 仓库上跑了 12 个功能任务的对照基准（Claude Code 会话，按 git diff 计分）：代码 -54%、token -22%、成本 -20%、耗时 -27%，对抗性安全测试 100% 通过，是唯一各项指标全面下降又不失守的方案。更难得的是，他们主动撤回了早期 80-94% 的单轮数据，承认那是基线偏差——这种自我修正不多见。

上手与边界

Claude Code 里发两条命令即可：/plugin marketplace add DietrichGebert/ponytail、/plugin install ponytail@ponytail（需分两次发送，且 node 在 PATH 上）。Codex、Copilot CLI、Gemini CLI、OpenCode 等约 20 种代理各有对应装法；/ponytail lite|full|ultra|off 切换强度，另有 review、audit、debt 等配套命令。注意它不是“最少 token”竞赛：代码本已极简时收益趋零，爱深思的推理模型（README 提到 GPT-5.5）可能反而变慢。

4. debpalash/VoiceStudio

作者： debpalash
语言： Python
⭐ 星标： 14,668（今日 +832）　｜　🍴 Fork： 2,101
许可证：AGPL-3.0　｜　主页：https://voicestudio.sh
标签： ai, audiobook, cuda, dubbing, elevenlabs-alternative, huggingface, local-first, mlx, omnivoice-studio, speech-to-text, tauri, text-to-speech, transcription, translate, tts, voice-ai, voice-cloning, voice-generation, voicestudio, workflow

项目定位： 开源的全本地语音工作台：语音克隆、声音设计、视频配音、听写、转写与有声书制作，支持 646 种语言，无需账号、API 密钥或订阅。

为你而选： 适合注重隐私、需要离线或大批量语音创作的个人与开发者：可克隆声音、给视频配音、做有声书，也能通过本地 API/MCP 集成进自己的应用。

VoiceStudio 解决的问题很直接：把 ElevenLabs 那类云端语音能力搬回自己的电脑。语音克隆、声音设计、视频配音、听写、转写、有声书制作全部本地完成，无需账号、API 密钥或订阅，声音样本和产出默认留在本机。

功能相当完整：3 秒参考音频即可零样本克隆（5–15 秒效果更佳）；可按年龄、口音、风格等描述从零设计声音；视频配音覆盖转写、翻译、保留说话人与导出；有声书支持 EPUB/PDF 导入、多角色脚本和 .m4b 输出；另有全局听写小组件、人声分离、说话人分离与批量队列。

技术看点在引擎层：内置 16 个 TTS、11 个 ASR 引擎，可用 Ctrl/Cmd+E 随时切换，自动适配 CUDA、Apple Silicon、ROCm 或 CPU；架构为 Tauri v2 + React + FastAPI，并提供 OpenAI 兼容音频接口与 MCP Server，方便接入自己的工作流。

上手很简单：从 Releases 下载安装包（DMG/MSI/AppImage）或用 Docker，首次启动会自动配置 Python 环境并下载默认模型；想从源码运行，clone 仓库后执行 bun install && bun run desktop 即可。

注意：项目仍处活跃 beta，稳定使用建议选正式版；最低 8GB 内存（推荐 16GB+），GPU 可选但推荐 8GB+ 显存；Intel Mac 无法运行本地后端；应用为 AGPL-3.0，各模型权重沿用上游许可，商用前需自行确认条款。

5. sngyai/Sequoia-X

作者： sngyai
语言： Python
⭐ 星标： 6,029（今日 +63）　｜　🍴 Fork： 1,244
标签： a-shares, akshare, baostock, pandas, python, stock-screening, ta-lib, trading, turtle-trade

项目定位： 面向A股的量化选股系统：每日收盘后自动扫描海龟突破、高窄旗形、RPS强度等六种技术形态，结果推送飞书群；数据源免费，本地SQLite存储。

为你而选： 适合想用程序辅助盯盘的A股个人投资者与Python开发者：部署后每天自动收到候选股清单，也可作为量化工程范例学习或二次开发。

它解决什么问题

手动翻软件筛形态既累又容易漏。Sequoia-X 把这件事交给程序：每个交易日收盘后自动拉取全市场约 5200 只 A 股的后复权日 K，跑一遍内置策略，把命中标的推送到飞书群，全程 2~3 分钟，配合 crontab 即可完全无人值守。

看点

六种经典形态策略开箱即用：海龟突破（20 日新高 + 成交额过亿 + 阳线防诱多）、均线放量、高窄旗形、涨停洗盘、上升趋势跌停反包、欧奈尔 RPS 相对强度突破；
数据层选了 baostock——免费、免注册、无限流，绕开了爬东方财富被反爬的坑；后复权数据存本地 SQLite，适合增量更新，库文件可直接拷到其他机器；
工程上比较讲究：OOP 架构加策略抽象基类，想自己写策略照着基类扩展即可；配置用 Pydantic-settings，日志用 rich，测试用 hypothesis 做属性测试，是份不错的量化工程范本。

快速上手

要求 Python ≥ 3.10：uv sync（或 pip install .）装依赖，cp .env.example .env 填入飞书 Webhook URL，先跑 python main.py --backfill 约 12 分钟回填全市场历史数据，之后 python main.py 日常运行，README 里还给了现成的 crontab 配置。

注意

它只负责按形态筛出候选股并推送，不构成投资建议；使用前需自备一个飞书群机器人 Webhook。

6. ChromeDevTools/chrome-devtools-mcp

作者： ChromeDevTools
语言： TypeScript
⭐ 星标： 50,625（今日 +148）　｜　🍴 Fork： 3,553
许可证：Apache-2.0　｜　主页：https://developer.chrome.com/docs/devtools/agents
标签： browser, chrome, chrome-devtools, debugging, devtools, mcp, mcp-server, puppeteer

项目定位： Chrome DevTools 团队推出的 MCP 服务器，让 Claude、Cursor、Copilot 等编程代理操控并检查真实 Chrome 浏览器，实现可靠自动化、深度调试与性能分析。

为你而选： 适合使用 AI 编程助手的开发者：让代理替你操作浏览器、调试页面、查网络请求与控制台、分析性能；也可作为产品内置的浏览器子代理。

它解决什么问题

AI 编程助手擅长写代码，却常常“看不见”运行中的页面：网络请求为何失败、控制台报了什么、页面为何卡顿。chrome-devtools-mcp 是 Chrome DevTools 团队推出的 MCP 服务器，把一个真实运行的 Chrome 交给 Claude、Cursor、Copilot、Antigravity 等代理去操控和检查：截图、读控制台消息（带 source map 的堆栈）、分析网络请求、录制性能 trace 并提炼可执行的优化建议。自动化动作基于 Puppeteer，会自动等待操作结果，可靠性更好；除 MCP 外还提供 CLI，可脱离 MCP 单独使用。

上手很快

在 MCP 客户端配置里加入 npx -y chrome-devtools-mcp@latest（需 Node.js LTS 与较新版本的 Chrome），然后输入一句 “Check the performance of https://developers.chrome.com” 验证——客户端会打开浏览器并录制性能 trace。注意浏览器不会随服务器启动，而是在首次调用需要浏览器的工具时自动拉起。只做基础浏览器任务的话，可以用 --slim --headless 精简模式，减少工具数量。

注意边界

它会把浏览器实例的内容暴露给 MCP 客户端，允许其检查和修改浏览器中的数据，所以别让代理接触含敏感信息的页面；官方仅保证支持 Google Chrome 和 Chrome for Testing，其他 Chromium 内核浏览器不承诺兼容。另外，Google 默认收集使用统计（可用 --no-usage-statistics 或设置 CI 等环境变量关闭），性能工具默认会向 CrUX API 发送 trace URL 以获取真实用户体验数据（可用 --no-performance-crux 关闭）。连接已运行的 Chrome、Android 调试、并发会话等进阶玩法，见仓库中的 Advanced Usage 文档。

7. NousResearch/hermes-agent

作者： NousResearch
语言： Python
⭐ 星标： 240,111（今日 +533）　｜　🍴 Fork： 49,122
许可证：MIT　｜　主页：https://hermes-agent.nousresearch.com
标签： ai, ai-agent, ai-agents, anthropic, chatgpt, claude, claude-code, codex, hermes, hermes-agent, llm, nous-research, openai

项目定位： Nous Research 出品的自改进 AI 智能体：内置学习闭环，能从经验中沉淀技能、跨会话记住你，可跑在 5 美元 VPS 到无服务器集群上。

为你而选： 想让 AI 助手越用越懂你的开发者和普通用户；可用 Telegram 等随时指挥它干活，或做定时自动化任务。

Hermes Agent 是 Nous Research 开源的自改进 AI 智能体（MIT 协议），核心是学习闭环：完成复杂任务后自动创建技能并在使用中打磨，定期把知识写入长期记忆，用 FTS5 检索跨会话搜索历史对话，配合 Honcho 用户建模，越用越懂你。

几个看点

随处可达：一个 gateway 进程接入 Telegram、Discord、Slack、WhatsApp、Signal 和 CLI，支持语音转写与跨平台会话延续——它在云端干活，你在手机上指挥。
模型不锁定：支持 Nous Portal、OpenRouter、OpenAI 或自建端点，hermes model 一键切换。
部署弹性：七种终端后端（本地、Docker、SSH、Modal、Daytona 等），无服务器模式空闲时近乎零成本。
自动化：内置 cron 调度器，用自然语言安排日报、备份等任务，结果推送到任意平台；也支持批量轨迹生成，供训练工具调用模型的研究者使用。

快速上手

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes        # 开始对话
hermes setup  # 完整配置向导

Windows 原生支持 PowerShell 一键安装；不想收集一堆 API key，可用 hermes setup --portal 让 Nous Portal 一个订阅覆盖模型、搜索、图像生成等。它有 40+ 工具与命令执行能力，建议留意文档安全章节（命令审批、容器隔离）。

8. superlinked/sie

作者： superlinked
语言： Python
⭐ 星标： 3,048（今日 +60）　｜　🍴 Fork： 299
许可证：Apache-2.0　｜　主页：https://superlinked.com
标签： bge, colbert, data-pipeline, deep-learning, embeddings, inference, inference-server, information-retrieval, llm, ml, mlops, natural-language-processing, nlp, python, reranking, retrieval, retrieval-augmented-generation, semantic-search, splade, vector-search

项目定位： SIE 是开源推理引擎，把智能体所需的开源模型——检索、文档转 Markdown、结构化输出、内容安全、生成——统一到一个自托管集群，以 OpenAI 兼容 API 按需服务 100+ 模型。

为你而选： 适合要为智能体自建模型推理的开发者与团队：一套集群搞定私有检索、文档解析、实体抽取与生成，省去逐任务维护多个模型服务，数据留在自己的云里。

一个集群，跑完智能体所需的所有模型。 智能体背后往往是一堆各司其职的模型：检索、重排、OCR、实体抽取、安全审查、生成，逐个部署维护很累。SIE 用一个自托管集群统一承载：一个 API 服务 100+ 模型，按需加载、LRU 淘汰，并兼容 OpenAI 接口，已有代码可近乎无缝迁移。

几个看点

任务化模型目录：搜索、文档转 Markdown、结构化输出、内容安全、智能体循环五类任务各有预配置模型（bge-m3、lightonocr、gliner2、granite-guardian-2b、qwen3.6-27b 等），每个模型就是一份配置。
生产就绪：Helm charts、KEDA 自动缩放（可缩到零）、Grafana 面板，并配套 EKS/GKE 等主流云的 Terraform 模块，全栈 Apache 2.0。
工程实现：Python、Rust、Node.js 混合技术栈，用 mise 统一管理工具链；依赖不兼容的模型族以不同 Docker 镜像隔离。
MCP 支持：可让 Claude 等 MCP 客户端把文档处理卸载到自己的集群，节省智能体 token。

快速上手

pip install "sie-server[local]" && sie-server serve  # macOS (Apple Silicon) 或 Linux，需 Python 3.12

GPU/CPU 也有官方 Docker 镜像；启动后 curl http://localhost:8080/readyz 验证；SDK 支持 Python（pip install sie-sdk）与 TypeScript（npm install @superlinked/sie-sdk）。

注意：文本生成需 sglang GPU 镜像，OCR 模型需 transformers5 镜像；首次调用会下载模型权重；默认收集匿名遥测，可设 SIE_TELEMETRY_DISABLED=1 关闭。

9. pacifio/atlas

作者： pacifio
语言： Rust
⭐ 星标： 2,857（今日 +888）　｜　🍴 Fork： 186
许可证：MIT　｜　主页：https://www.tryatlas.cc/
标签： ai, ai-coding-assistant, claude-code, codex, coding-agents, git, gitops, kilo-code, mcp, mcp-client, opencode, opencode-ai, opencode-skills, self-hosted, skills

项目定位： Atlas 是面向编程 agent 的源码管理工具：把每次会话与它产生的 commit 关联成可查询的检查点，并让多个 agent 共享同一份本地记忆。

为你而选： 适合同时使用 Claude Code、Codex 等多个编码 agent 的开发者：追溯每处改动的前因后果，中途切换 agent 不丢上下文，全程本地运行。

解决什么问题

Agent 写了大量代码，却不保留背后的推理；换个 agent，上下文就清零。Atlas 把每次会话的提示词、工具调用和文件改动存进本地 .atlas/sessions.db，commit 自动关联回产生它的会话，形成可查询、可直接对话的“检查点”——commit 来自终端或 Atlas 关闭时也能匹配上，rebase/amend 后链接依然有效。

看点

多 agent 并行：Claude Code、Codex 经 ACP 协议作为子进程运行，Atlas 自家 agent 跑在 Rust 框架 Cersei 上，还能拉起 ACP 注册表里的其他 agent。
共享记忆：本地嵌入加 HNSW 索引，一个 agent 的决策会进入另一个的下一轮提示；CLAUDE.md、AGENTS.md 和 .atlas/knowledge/ 里的笔记统一折叠进索引。
@ 引用在本地解析，大文件只传路径不占上下文；密钥写入前先脱敏，无账号、可离线。

上手

macOS 用户从 releases 页下载 .dmg 即可；想用 Claude Code 需先安装 claude CLI 并加入 PATH。从源码构建需要 Bun、Rust 和 Xcode 命令行工具，克隆仓库后执行 bun install && bun run dev:app。

边界

目前仅正式支持 macOS，Linux/Windows 共用同一 Tauri 代码库但未测试；注册表中长尾 agent 的适配仍在 QA 中。

10. zyronon/TypeWords

作者： zyronon
语言： Vue
⭐ 星标： 9,293（今日 +21）　｜　🍴 Fork： 1,129
许可证：GPL-3.0　｜　主页：https://typewords.cc
标签： english-learn, learn-english, memorizing-words, type-words, typing-practice, typingspeedtest

项目定位： 开源的英语单词与文章打字练习工具，用键盘敲击结合记忆曲线智能安排学习与复习，背单词、背文章更高效，界面干净、无广告、不强制订阅。

为你而选： 适合备考四六级、考研、雅思托福等考试的学生，以及想坚持积累词汇的学习者；打开网页即可练习，也可本地部署自用。

背单词的工具不少，但很多塞满广告，或把核心功能锁在订阅后面。TypeWords 是一个开源的单词与文章练习工具，思路很直接：把“打字”变成记忆的载体——每个词都要亲手敲出来，眼看、耳听、手写同时参与，记忆自然更牢。

单词练习：提供跟打、听写、自测、默写四种模式；智能模式会按记忆曲线自动安排学什么、何时复习，喜欢自主规划也可以用自由模式。词库覆盖四六级、考研、雅思、托福、GRE、GMAT、专四专八等主流考试，并附音标、英美发音、例句与词根词源。
文章背诵：内置经典教材，也能导入自己的文章，一键翻译生成双语对照；逐句跟打加自动发音，还支持边听边默写。
复习与定制：打错的词自动进错词本，支持收藏、标记已掌握并在后续练习中自动跳过；键盘音效、快捷键等均可自定义。

项目基于 Nuxt 构建。最省事的上手方式是直接访问 typewords.cc 在线使用；想本地部署的话，装好 Node.js 后依次执行 git clone --depth 1、pnpm install、pnpm run dev，浏览器打开 localhost:5567 即可（注意用 Git 克隆，Download ZIP 无法正常运行）。

两点提醒：数据保存在本地，换设备需要手动备份；项目尚处早期开发阶段，功能仍在快速迭代，有想法可以去提 Issue。

11. protocolbuffers/protobuf

作者： protocolbuffers
语言： C++
⭐ 星标： 71,933（今日 +18）　｜　🍴 Fork： 16,271
主页：http://protobuf.dev
标签： marshalling, protobuf, protobuf-runtime, protoc, protocol-buffers, protocol-compiler, rpc, serialization

项目定位： Protocol Buffers（protobuf）是 Google 开源的语言无关、平台无关、可扩展的结构化数据序列化机制，用 .proto 定义数据，经 protoc 编译后跨语言交换。

为你而选： 适合需要在服务、客户端或不同语言间传输结构化数据的开发者；定义一次 .proto，即可在 C++、Java、Python、Go 等语言间序列化与交换数据。

它解决什么问题

不同服务、不同语言之间如何稳定地交换结构化数据？protobuf 的答案是：先用 .proto 文件定义数据结构，经协议编译器 protoc 编译，再配合所选语言的运行时完成序列化。语言无关、平台无关、可扩展，是它的三个关键词。

怎么装、怎么上手

安装分两块：协议编译器 + 所选语言的运行时。非 C++ 用户最省事的是从 GitHub Releases 下载 protoc-$VERSION-$PLATFORM.zip，内含 protoc 二进制和一套标准 .proto 文件。运行时覆盖 C++、Java、Python、Go、C#、Ruby、PHP 等十种语言，其中 Go、Dart、JavaScript 由独立仓库维护；Bazel 8+ 用户可通过 Bzlmod 在 MODULE.bazel 中声明依赖。对新手来说，protobuf.dev 的官方教程加 examples 目录里的示例，是最平滑的起点。

边界与注意

预编译二进制只随正式版发布；若要跟踪 main 分支、修改源码或使用 C++，需从源码自行构建，并固定在 release 分支的发布提交上——main 分支偶尔会被不兼容变更弄坏。各语言库的支持周期，可查阅官方的版本支持政策。

12. vercel-labs/portless

作者： vercel-labs
语言： TypeScript
⭐ 星标： 11,739（今日 +73）　｜　🍴 Fork： 383
许可证：Apache-2.0　｜　主页：https://portless.sh

项目定位： portless 用稳定的命名域名（如 https://myapp.localhost）取代 localhost:3000 这类端口号地址，让本地开发 URL 好记、稳定，对人和 AI 代理都友好。

为你而选： 适合前端与全栈开发者：一条命令获得带 HTTPS 的本地域名，管理多服务、monorepo 和 git worktree，也让 AI 代理能稳定访问本地服务。

本地开发的 localhost:3000 这类地址难记又易冲突，portless 用稳定命名域名取代端口号：portless myapp next dev 一跑，应用就出现在 https://myapp.localhost，自带 HTTPS 与 HTTP/2，对人和 AI 代理都更友好。

几个看点：

零配置 HTTPS：首次运行自动生成本地 CA 并写入系统信任链，浏览器无警告；HTTP/2 多路复用绕开 HTTP/1.1 每主机 6 连接的限制，对 Vite 这类散装模块 dev server 帮助明显，WebSocket/HMR 也正常工作。
框架适配细致：通过 PORT 环境变量分配随机端口，对 Vite、Astro 等忽略 PORT 的框架自动注入 --port/--host，且能识别 vite build 等非服务命令而不误加参数。
monorepo 与 worktree：用子域名组织服务（api.myapp.localhost）；仓库根放一个 portless.json 即可覆盖全部 workspace 包；git worktree 按分支名自动生成子域名，互不冲突。
自定义 TLD：可用 --tld dev.example.com 这类自有域名，让本地 URL 与生产结构一致，OAuth 回调、跨子域 cookie 照常工作。

上手：

npm install -g portless
portless myapp next dev   # -> https://myapp.localhost

裸跑 portless 会直接执行 package.json 的 dev 脚本；portless service install 可注册为开机自启服务。

注意：项目处于 pre-1.0，状态目录格式可能随版本变动；默认仅绑定回环地址，跨设备访问需 LAN 模式（与自定义 TLD 暂不兼容）。

13. blader/humanizer

作者： blader
语言： Python
⭐ 星标： 40,353（今日 +374）　｜　🍴 Fork： 3,493
许可证：MIT　｜　主页：https://skills.sh/blader/humanizer
标签： agent-skills, ai-writing, claude-code, codex, cursor, prompt-engineering, writing-tools

项目定位： 一个去除文字中 AI 写作痕迹的 Agent 技能：基于维基百科「AI 写作迹象」的 35 种模式，把 AI 腔改写成自然的表达，不改变原意、不编造事实；本质是 Markdown，任何支持 skills 的智能体都能用。

为你而选： 适合用 AI 写作又嫌成品有机器味的人：博客作者、文档写作者、开发者。装进支持 skills 的智能体后，粘贴文本即可去 AI 腔，还能附写作样本让它模仿你的文风。

AI 写出来的文字有一套可识别的腔调：夸大意义、强行三连排比、滥用破折号、结尾硬凑光明展望。维基百科的 WikiProject AI Cleanup 维护着一份「AI 写作迹象」清单，Humanizer 把其中 35 种模式做成了 Agent 技能。它本质是一份 Markdown 文件，任何支持 skills 的智能体都能加载。

改写分两步：先不把原文结构当固定框架做第一轮重写，再对照 35 种模式和原文事实核查草稿，把仍露馅的部分改掉。几条原则难得：不编造，人名、数字、引用等细节必须来自原文或作者，缺了会追问；附 2-3 段自己的写作样本，它会模仿你的节奏和用词；先展示第一版改写和“哪里还像 AI”的批评，再出终稿；指向文件时只改正文，代码、数据、frontmatter、链接目标不动。README 里里斯本游记的前后对比很直观：信息没变，腔调全换。

上手一行命令：

npx skills add blader/humanizer --global

去掉 --global 只装当前项目；Claude Code 2.1.142+ 也可用 /plugin marketplace add blader/humanizer 加 /plugin install humanizer@humanizer 装成插件。之后 /humanizer 加粘贴文本即可。

注意：它改的是“怎么写”而非“写什么”，事实仍需自己把关；模式清单源自英文维基百科，中文效果建议先小范围试。

14. JuliusBrussee/caveman

作者： JuliusBrussee
语言： Go
⭐ 星标： 102,624（今日 +238）　｜　🍴 Fork： 5,970
主页：https://docs.caveman.so/docs/quickstart
标签： ai, anthropic, caveman, claude, claude-code, llm, meme, prompt-engineering, skill, tokens

项目定位： 让 AI 编程助手“像原始人一样说话”的省 token 工具：技能版把回复平均砍短 65%，代理版在本地压缩模型读取的内容再省 33% 输入，代码与报错原样保留。

为你而选： 适合天天用 Claude Code、Cursor 等 AI 编程代理、在意 token 账单的开发者；装一条规则或一个本地代理，回复变短、读取变省，还能分析历史找出 token 浪费点。

它解决什么：AI 按 token 计费，代理一天写几百条回复、反复读日志和代码，两头烧钱。Caveman 分两层——技能版是一份规则文件，让模型用电报式短句回答，代码、命令、报错信息原样保留，只砍掉客套话；在真实 Claude API 上跑 10 个编程任务，平均每条回复从 1214 token 降到 294，省 65%。代理版则在你本机拦截模型要“读”的内容，按类型压缩：日志保留错误和堆栈、代码保留签名省略函数体、JSON 折叠重复数组，原文存进本地 SQLite，随时可恢复；54 轮基准测试输入 token 少 33.2%，18 项精确问答全部答对。

上手很快：技能版一条命令 npx skills add JuliusBrussee/caveman，支持 Claude Code、Codex、Cursor 等 30+ 代理；代理版 npm install -g @caveman-ai/cli && caveman setup --install，再 caveman claude 启动。两者可叠加，caveman learn 还能只读扫描你本地的历史会话，生成 token 去向报告和改进清单。

边界要说清：技能只缩短输出，规则本身每轮要吃约 1–1.5k 输入 token，整单账单降幅会低于图表数字，本来就话少的场景甚至可能亏钱。README 把这些亏钱情况也摊开写了——速度和可读性才是主产品，省钱是附赠。这份诚实，比数字本身更值得信任。

15. mattpocock/skills

作者： mattpocock
语言： Shell
⭐ 星标： 245,207（今日 +1,166）　｜　🍴 Fork： 20,849
许可证：MIT　｜　主页：https://aihero.dev/skills

项目定位： Total TypeScript 作者 Matt Pocock 日常在用的 AI 编程技能集：把需求对齐、共享语言、TDD、架构等工程基本功做成小而可组合的 agent 技能，对抗氛围编程。

为你而选： 适合用 Claude Code、Codex 等 agent 写真实项目的开发者：agent 会先追问对齐需求、按 TDD 循环写码、定期做架构体检，减少返工。

AI 编程 agent 有几个常见失败模式：没懂你、太啰嗦、代码跑不起来、把仓库写成烂泥。Total TypeScript 作者 Matt Pocock 把自己每天真实干活用的 agent 技能开了源。他不喜欢 GSD、BMAD 那类接管整个流程的框架——控制权没了，流程出问题也难排查；这套技能反其道而行：小、易改、可组合，适配任何模型。

四个失败模式，各有一剂药：

没对齐、太啰嗦 → /grill-me、/grill-with-docs 先把你问透再动手，并借 DDD 式共享语言沉淀 CONTEXT.md 与 ADR，命名一致、省 token——作者称这可能是整个仓库最酷的技巧；
代码跑不起来 → /tdd 红绿重构循环、/diagnosing-bugs 纪律化调试；
仓库变烂泥 → 定期跑 /improve-codebase-architecture 扫描重构机会，不过作者坦承它是调查而非救援，不会替你解开历史包袱。

此外还有把对话转成规格、拆成工单、驱动实现与代码评审的编排技能，串成一条完整工作流。

上手：任意 agent 都可用 npx skills@latest add mattpocock/skills 安装（Claude Code 用户也可装官方市场插件 mattpocock-skills，自动更新）；装完每仓库跑一次 /setup-matt-pocock-skills 配置 issue 跟踪器（GitHub、Linear 或本地文件）。注意两种安装方式二选一，装两遍每个技能会重复出现。

1. fmtlib/fmt

2. google-research/timesfm

3. DietrichGebert/ponytail

4. debpalash/VoiceStudio

5. sngyai/Sequoia-X

6. ChromeDevTools/chrome-devtools-mcp

7. NousResearch/hermes-agent

8. superlinked/sie

9. pacifio/atlas

10. zyronon/TypeWords

11. protocolbuffers/protobuf

12. vercel-labs/portless

13. blader/humanizer

14. JuliusBrussee/caveman

15. mattpocock/skills

推荐文章