这个项目把复杂视觉任务的门槛给砸烂了，GitHub 已经斩获 4.8w+star 它叫 Supervision，纯 Python 构建，pip 一键安装，不用折腾任何复杂的环境配置和依赖管理 人体跟踪、实例分割、目标检测全场景覆盖，还自带完整的数据处理能力，加载、分割、合并、保存数据一条龙搞定... 能在高速路上抓拍车辆测速，能再球赛里给球员画运动轨迹，还能静态照片里提取目标框关键信息 每月 PyPI 下载量超过 100 万次，MIT 协议完全开源show more

这个 超级视觉分析神器 在 GitHub 上拿下了 2.7 万⭐️—Supervision。 不管是动态运动还是静态图片，重复又繁琐的视觉分析工作都交给它，你只管拿结果炫耀就行。 它能做的事情：... - 高速公路车辆测速：自动跟踪每辆车的轨迹和速度，再也不用人工数车流量 - 足球比赛球员分析：谁跑得快，谁停着不动，一眼就能统计清楚 - 宠物动作追踪：家里小猫小狗乱跑，也能全程记录 - 静态画面分析：图片里的物体状态、位置、数量，全套一体化解决 - 可视化报告：生成漂亮图表和标注图，开会汇报直接用 - 数据集处理：加载、转换、拆分、格式互转，一条龙搞定 它让复杂、重复的视觉分析工作变得简单高效，你只管用结果就行。show more

发现一个适合一人公司的开源神器—MetaGPT，在 GitHub已斩获 6.9w+star 你只需一句话提需求，它就会自动拆解任务 产品经理完善需求、架构师设计结构、项目经理统筹安排、工程师负责出代码、QA给出测试用例，整个研发团队的活全包了 过去需要一个团队花几天甚至几周的开发工作，现在一个人就能快速搞定

想自己做金融分析、股票研究？ 这些完全免费、Github开源的工具推荐给你，适合低门槛快速入门系统化 + AI 驱动的金融/财报分析👇 1. OpenBB（67.4k stars） 号称一个真正能替代... Bloomberg Terminal 的开源金融数据平台，数据整合能力强、支持 Python/CLI/AI 代理，日常股票深度研究和项目报告效率极高。唯一小缺点是高级数据源仍需自行接入，但免费部分已经够大多数人用了 2. Freqtrade（50.2k stars） 免费开源的 Python 加密交易机器人，内置回测、机器学习策略优化（FreqAI）、Telegram 控制等全套工具，是目前交易机器人里最成熟的一个，但学习门槛较高（需要会 Python），用 AI 学也可以上手 3.FinGPT（20k stars） AI4Finance 基金会维护的金融专属大模型框架，成本极低。这是真正能本地跑的金融 AI，用来做财报分析、新闻解读和智能研究非常实用 这三个工具组合起来，基本覆盖了数据获取 → 量化回测 → AI 智能分析的完整流程，全程本地运行、不用付费、不用担心数据隐私 省下来的订阅费，都拿去多买几只股票了😂show more

🔥Meta 重磅开源神器！ 纯 Python 就能完整驱动 3D 角色动画，无需任何重型游戏引擎！ 1. 仅用... PyTorch + NumPy 纯 Python 实现，安装简单零依赖 2. 通过神经网络驱动高质量 AI 动作生成和角色动画 3. 动作捕捉处理、训练、推理、实时可视化全部在同一环境完成 4. 彻底告别 Unity / Unreal 的复杂工作流，开发门槛大幅降低 AI 动画和独立游戏开发者福音，开源项目立即冲！ 👇🏻项目地址：show more

昨天 Meta 开源一个 SAM 3D 模型，完全被 Gemini 3 Pro... 的消息淹没，但我觉得非常值得关注一下。 平时大家看到喜欢的物品想做成 3D 模型，传统建模软件学习成本高、操作复杂，拍多角度照片还很麻烦。 而 Meta 此次开源的 SAM 3D Objects 项目，只需一张照片就能重建出完整的 3D 模型，包括形状、纹理和空间位置。 尤其擅长处理真实场景中的复杂情况，即使物体有遮挡、尺寸很小，或者场景很杂乱也能准确重建，还支持同时重建多个物体并保持它们的空间关系。 GitHub： 此外，项目还提供了在线演示和完整的 Jupyter 示例代码，可以导出 3D Gaussian Splatting（高斯泼溅）格式方便后续处理。 按照文档配置环境后即可使用，非常适合电商产品展示、室内设计、游戏场景制作等需要快速 3D 建模的场景。show more

在 GitHub 上发现一个开源项目：Memvid，颠覆传统的向量数据库处理方式，直接将文本数据编码成视频文件。 通过将数百万文本块压缩到单个 MP4 文件中，不仅实现了 10 倍的存储压缩率，还能在亚秒级时间内完成语义搜索，完全无需数据库服务器。 GitHub：... 并且内置对话功能，可与知识库进行上下文感知的对话，同时支持直接导入 PDF 文档并自动索引处理。 可完全离线工作，视频生成后无需网络连接。正在构建大型知识库的 AI 开发者不妨看下这个项目。show more

Codex 5.6 真正与普通人拉开 90% 差距的，不是 prompt，而是你会不会配置 config.toml 很多人用 Codex... 还停留在“打开就聊”，但真正重度使用的人，早就把模型、任务模式、项目规则和自动化流程写进配置里了。 现在 Codex 5.6 最值得折腾的 4 个专业设置： 1️⃣ 固定模型 + Reasoning Effort 别每开一个任务都重新选模型。 把默认模型和推理强度写进 ~/.codex/config.toml，日常任务追求速度，复杂架构任务再提高 reasoning effort。 输入prompt： 请检查我当前 Codex 5.6 实际支持的模型和 reasoning effort 配置，不要猜测或使用已经废弃的参数；然后修改 ~/.codex/config.toml，为日常 Coding 设置合理的默认模型与推理强度，并告诉我具体修改了哪些字段、为什么这样配置，最后验证配置是否成功生效。 2️⃣ 不同任务建立 Profile 写功能、修 Bug、Code Review、做系统架构，根本不应该用完全相同的配置。 Codex 支持 Profiles，可以针对不同任务切换不同工作模式。 配置用的prompt，直接用： 请基于我当前 Codex 5.6 配置创建 3 套 Profile：fast-dev 用于快速开发和小修改，code-review 用于 PR 和代码审查，deep-architecture 用于复杂系统设计；分别配置合适的模型、reasoning effort 和执行策略，不使用已经废弃的配置项，并告诉我之后如何通过 --profile 切换使用。 3️⃣ 给每个项目建立独立配置 全局配置解决“你习惯怎么工作”，项目配置解决“这个项目必须怎么工作”。 把技术栈、测试方式、项目约束和工具配置放进项目自己的 .codex/config.toml，不要每开新会话都重新解释。 直接输入： 请分析当前项目的技术栈、目录结构、测试方式和开发工具，为这个项目设计一份最小化的 .codex/config.toml，只写当前项目真正需要的配置，不覆盖无关的全局设置；完成后解释每项配置的作用，并检查项目级配置是否能够被当前 Codex 正确加载。 4️⃣ 用 Hooks 把规则变成自动执行 最浪费时间的方式，就是每次都提醒 Codex 改完记得跑测试、提交前记得检查、别忘了扫安全问题。 现在可以直接把这些规则做成 Hooks，在生命周期节点自动触发。Codex 当前官方配置已经支持 lifecycle hooks。 直接用这段： 请检查当前项目适合配置哪些 Codex lifecycle hooks，并为我建立最精简的一套自动化流程：代码修改完成后运行必要测试和 lint，关键变更执行安全检查，提交前执行最终验证；只配置真正必要的 Hook，避免重复执行和拖慢开发速度，完成后实际触发一次并验证每个 Hook 是否正常工作。 真正高效的 Codex 启动就知道该怎么工作。 赶紧配置试试吧！show more

下午体验了网易有道新开源的LobsterAI（有道龙虾），据说这是国内版OpenClaw，我用Grok找了三个OpenClaw做全网信息流的case测测性能，有从Reddit频道总结每日信息的，也有用skill last 30 days获取X和Reedit上30天内对某件事的社区看法的，还有从109个信息源（不是常规的网页爬取，包括RSS / GIthub / X）做日报的。 LobsterAI目前用下来最好的就是自带一个沙箱，新收到一个任务会先在沙箱跑，跑不动再用本地环境，能保证安全。... 一、Reddit每日总结 （1/7）show more

想做视频号的看过来了！这套自动化流程我跑通了送给你 我具体用到了以下两个 GitHub 项目，配合上龙虾，目前已经能够监控热点 - 生成 Prompt - 生成视频... - 自动分发到多个社交平台 1. seedance-prompt-skill 这是一个高质量的 senndance 提示词生成 Skills，是 松果先森 的项目 我生成了一个视频放在了下面，供你们参考 2. AiToEarn 运营管理和自动分发工具，能够管理所有账号的发布记录、互动数据、粉丝增长 并且，能把你生成的视频一键分发到抖音、小红书、Youtube 等国内外 14 个社交平台上 两个项目的源码链接我放在评论区了。对做视频号感兴趣的朋友们建议收藏！show more

写自动化测试脚本或者写爬虫时，用传统的 Playwright 往往需要频繁维护各种元素选择器。 一旦目标网页的结构发生微调，原有的脚本就容易直接报错罢工，维护起来颇为费神。 最近在 GitHub 上看到到 HyperAgent 这个开源项目，巧妙地将... Playwright 与大模型结合在了一起。 通过自然语言就能控制浏览器，完成复杂的自动化任务，不用再写一堆脆弱的选择器代码。 GitHub： 支持单步操作，速度快成本低，以及能处理多步骤复杂任务，支持视觉理解和自适应调整。 还内置动作缓存功能，录制一次工作流后可以反复回放，不需要每次都调用大语言模型。 底层直接使用 Chrome 开发者工具协议，动作执行更精确，自动过滤广告框架，支持深层嵌套的 iframe 操作。 同时支持云端扩展，可以通过 Hyperbrowser 快速扩展到数百个会话，还能连接 MCP 工具实现完整工作流。 如果你正在用 Playwright 做自动化测试或数据采集，又厌倦了频繁维护选择器代码，这个项目值得一试。show more

全网都在吹日本Fugu跑分超GPT，但我敢说99%的人没看懂它真正炸场的地方。 首先这玩意儿根本不是什么超大单体大模型， 它全身上下只有0.6B参数，本职工作就其实就是个AI项目经理， 简单任务自己处理，复杂任务自动拆分，从全球顶级模型池里挑最合适的选手，分配思考执行验证三种角色，多轮协作最后合成答案。 你调用它和调普通模型没区别，一行API的事， 但背后的编排策略是训练出来的，不是人手写prompt调路由磨出来的，它可以发掘出人类根本想不到的协作模式。 我觉得最狠的还不是跑分超了Claude和GPT，关键是它直接绕开了scaling law的军备竞赛。 不用堆万亿参数，不用砸超算中心，靠更聪明的协作机制就能摸到前沿模型的天花板，AI的竞争第一次从拼参数变成了拼管理。... 当然不是银弹，比如黑箱不透明，复杂任务延迟更高，简单题用它反而更贵。 但这件事的信号意义比跑分数字重要一百倍，意味着多智能体编排从实验室玩具正式变成了可用的生产力工具。 orchestration layer这条新赛道，今天正式开跑咯🚀show more

分享 GitHub 上一款能自动生成 Cursor 高质量的 MDC 规则文件开源工具：MDC Rules Generator。... 利用 Exa 语义搜索和 LLM 技术，自动收集各种库的最佳实践并生成结构化内容，还支持并行处理和进度跟踪，简化 Cursor 规则创建过程。 GitHub： 主要功能： - 为各种库自动生成全面的 MDC 规则文件； - 使用 Exa 语义搜索智能收集最佳实践指南； - 利用 LLM 创建详细、结构化的内容； - 支持并行处理多个库，大幅提高效率； - 智能跟踪进度，允许随时恢复中断的任务。 通过克隆代码到本地，安装依赖并配置 API 密钥即可使用，正在使用 Cursor 同学可以看下。show more

MiMo推出1000 Token/s超高速模型｜体验测评 MiMo 推出了 MiMo V2.5 Pro UltraSpeed 超高速的模型版本，能够实现每秒输出超过... 1,000 Token 的速度。 同时，这应该也是全球第一个达到这个速度的万亿（1T）参数模型。 藏师傅提前试了一下，做了三个测试，确实爽。 第一个跑了一个比较复杂的 3D 采矿小游戏测试。在没有素材的情况下，我让它全部用 Three.js 前端代码来生成素材。整体要求比较完整，虽然第一次实践时出了一些小问题，但在跟他沟通修改建议后，非常完美地实现了任务。 这次测试的各项指标如下：思考的 TPS：804 Token/s，峰值速度：810 Token/s，首次响应时间：4.71 秒。 第二个测试给了一个官网，其头部包含一个相对复杂的 3D 动画。 这次的输出速度快了非常多：峰值达到了 1426 Token/s，首次响应只用了 0.83 秒，在 32 秒内输出了 25624 个 Token，总计生成了 1000 行代码。 第三个测试给了一个更复杂的官网。我要求这个官网的 Header 头部包含以下 3D 效果：地球边缘、轨道上的飞船、星际尘埃、航线图、舷窗的 HUD 样式。 这个效果非常好，整体的视觉样式、状态、SVG 动画和驾驶卡片都非常精细，还有滚动的视差效果 这个输出的 TPS 达到了 1136 tokens/s，首次响应是 4.5 秒 官方测试平台下面有个数据展示，会显示相关信息 在流式输出的情况下，当你看着它只用 20 秒就产生一个非常复杂的 3D 游戏时，那种场景还是比较震撼的 之前的这些（比如说 Groq 之类的）超高速推理方案，在模型能力或者是整体水平上都会有所下降，但是 MiMo 这个在测试的时候，我没有看到这种迹象 最近很多公司都开始推出这种超高速的 API 服务，比如之前 OpenAI 和 Anthropic 都有 Fast 模式 在 Agent 场景下，模型输出效率的提升会直接带动每一步 Agent 操作的效率： 如果一个任务预估一分钟完成，你就会盯着它直到结束，然后立刻投入测试。如果需要五分钟才完成，你可能就会去干别的事，然后再回来看，难免会浪费一些时间 这种效率提升在 Sub-Agent 和并发场景下更加明显。因为它可以更快地产出大量结果，想象一下，如果同时启动一两百个 Sub-Agent，在模型能力没有衰减的前提下，速度提高 10 倍，体验是非常爽的 毕竟这本质上是面向那种对效率有极高要求的 To B 客户所推出的 希望后面大家卷起来，优化一下成本，让普通用户也能放开用这种 UltraSpeed 模型show more

腾讯这个新模型是真牛逼啊，我之前一直觉得 AI 整理数据就是帮你排个序的打杂活，直到看到把 101 个乱成一团的 SKU 销售数据丢给了腾讯 Hy3，竟然返回了一整套能直接拿去开会的完整分析。 Excel... 里分了执行摘要，异常值，定价梯度，重复命名好几个 sheet，它自己用 IQR 把离群的贵价货单独挑了出来，还顺手识别整理了重名的重复 SKU。 最超出预期的是最后同步生成了一份 30 页的汇报 PPT， 所有图表都已经做好，不用再二次调整。 它根本不是在帮你整理数据，是把一个分析师一整个下午的标准化工作，直接还给了你。 当然不是说分析师就失去价值了，需要深度业务洞察和定制化判断的分析，依然要靠真人落地。 而是这种标准化的流程化分析交付，AI 已经能直接做到成品级别，不再是需要反复修改的半成品。show more

在GitHub上看到一个专门教怎么用 Claude Code 的项目，已经涨到了 4w star 它不是官方操作文档，而是一条从入门到高级智能体的完整学习路径 斜杠命令、MCP配置、钩子脚本、子智能体编排，每个模块都有可视化图解，教你"怎么做"的同时也会教"为什么这么做" 最实用的是里面的模板，钩子脚本、代理配置、斜杠命令、MCP配置文件，全部可以直接复制粘贴到自己的项目里... 不管你是想补齐 Claude Code 的知识盲区，还是想搭一套属于自己的 AI 工作流，都可以关注下这个项目show more

卧槽，这个仓库思路我是挺佩服的～ 能把任意公开的 GitHub 仓库逆向工程成“原始自然语言提示（prompt）”。 简单说就是： 你输入一个 GitHub 仓库链接，它就会自动抓取仓库的结构、README、文件树等信息，用 AI（比如... Gemini）帮你生成一个完整、自然的提示词。 把这个提示词直接丢给 Claude、Cursor、Windsurf 等 AI 编程工具，AI 就能更好的理解。 主要用处： 快速学习一个项目的“构建思路”和提示风格（不用一行一行读代码） 复制/重现别人用 AI 写的项目（学习提示词） 仓库&体验地址👇👇👇show more

乌克兰激光复合体“三叉戟”正在进行最终测试。 🔷开发人员声称，该系统已经击落了距离高达1.5公里的侦察无人机和距离800-900米的FPV无人机。根据罢工“shaheds”的说法，该综合体“实际上有能力”在长达5公里的范围内运营。 🔷在改进过程中，“三叉戟”收到了人工智能元素、自动捕获和跟踪目标以及与雷达集成以计算轨迹的指导。该装置安装在拖车平台上——以便快速转移到军事阵地、基础设施和工业企业。

建议每个用独立 Mac、而且电脑里没啥敏感数据的朋友，都去试试 Codex。 很简单，几步就搞定：先登你的 OpenAI 账户，开个 20 美元的会员。然后在设置里把那个 Computer... Use 功能装上，再给 Codex 开一下屏幕录制和辅助功能的权限。 完事儿之后，Codex 就能帮你接管电脑了。 我随手测了一下，让它帮我在新加坡租个房。结果它还真就自己打开中介网站，一本正经地在那儿翻房源了😆 ——感觉可以当半个助理使，挺有意思。show more

有人靠金融市场模拟，在链上赚了 $400,000 而且用到的整套工具，都是 GitHub 开源 能看到的钱包在这，自己点开看： 他们做的不是 crypto 原生叙事... 而是拿 Russell 2000、Dow Jones、SPX、Apple、Google 这些传统金融标的来做 Polymarket 交易 问题也很现实： 这些数据平时都在大型中心化交易所里。 你怎么拿？ 拿到之后又怎么处理，才能真的变成可交易模型？ 这套公开出来的技术栈，大概是这样： 1）Financial Datasets MCP Server 给任意 ticker、任意时间周期提供价格数据解析。 核心卖点就是：免费真实数据。 GitHub： 2）MiroThinker 一个偏深度研究和预测的 agent。 据说在 BrowseComp benchmark 上做到 88.2。 特点是： 长周期推理 先验证再下结论 步骤级 + 全局级校验 单任务最多可调用 300 次工具 它的作用不是直接下单。 而是先通过 MCP Server 拉数据， 把研究、清洗、验证这些环节跑完， 最后整理成可以直接用于模拟的数据集。 GitHub： 3）MiroFish simulation system 把前面准备好的数据丢进去， 再设定模拟参数， 就可以开始跑价格行为模拟。 本质上，它卖的不是一个指标。 而是一种更接近“矩阵视角”的东西： 价格在不同条件下会怎么动 哪些路径更常见 哪些定价其实偏离了历史结构 整个流程串起来就是： 拉传统金融历史数据 → 用 agent 做研究和数据整理 → 把数据送进模拟系统 → 再拿结果去打 Polymarket 上的相关市场 这种玩法最值得看的，不是“开源”两个字 而是它说明了一件事： Polymarket 上很多看起来像事件交易的东西，背后其实已经在被人用传统金融数据 + agent 研究 + simulation当成量化问题来做。 你觉得这种 edge 的核心，更像是数据获取能力，agent 研究能力，还是最后那层 simulation 对市场行为的还原能力？show more