这个开源项目把138个科研技能块，药企+医生的整条流水线直接拆成AI能用的模块🧬 从文献、组学到药物发现、临床报告，一整套全给你码好了👨‍⚕️ 随便拎几个就能封装成AI科学家产品，剩下的就是卖💰 看的人少，但看懂的人都懂这玩意值钱在哪🔗 链接：

这个开源项目是真屌，一比一复刻任何网站 可以配合Claude Code使用，我是用的cursor，给 Agent 提供目标网站的 URL，它会自动帮你克隆整个网站。它会自动去撸目标网站, 然后把整个网站一块一块地拆解重建。试了试我自己当时用Wordpress做的导航网站，一模一样🤡，数据都完完整整爬了下来。

帮我老公的开源项目吆喝一下： 这个技能可以帮你节省80%token和90%运行时。 只要把原来能力里可以程序化的自然语言指令写成脚本。你的 AI 编程助手，90% 的工作根本不需要 AI。 Save 80% in tokens and 90% in runtime with this trick: just script the programmable parts of your natural language prompts. 90% of what your AI coding agent does doesn't need AI. 跑个 git diff 也要过大模型？每次都烧 token，又慢又贵还不稳定。 skflow 把 markdown 技能文件编译成状态机 —— 确定性命令原生速度执行，只在真正需要"动脑子"的时候才调用 LLM。 更快，更省，更可靠。 skflow takes markdown skills (Claude Code, Cursor, Codex) and compiles them into state machines. Deterministic steps run instantly. LLM only gets called for actual judgment calls. Fewer tokens. Faster. More reliable. 欢迎大家体检、星标和参与贡献🔗

推荐一个开源项目 闲鱼超级管家，基于 xianyu-auto-reply 二次开发的闲鱼自动回复工具，并且有自动自动发货功能（不过仅建议小号尝试，可能触发咸鱼风控）。 它保留了原项目的全部核心功能，同时对前端界面进行了完整重构，整体视觉和操作体验比原版更现代、更专业 GitHub：

大家每天用的开源项目里，真正做大了的，背后都有或直接或间接的商业模式去支撑其持续发展，要么提供相关服务，要么是大公司的战略开源，要么是大公司一起搞个基金会。相比之下，Vue 纯靠赞助和生态分成能存续已经是一个非常不 “商业化” 的模式了。

大佬@servasyy_ai 开源的这个项目很有可玩性。 只花了不到2个小时就重新搭建了一个3D汉服的网站。 方法简单介绍一下： 1/ 将大佬的开源项目地址扔给CodeX或者Agent，告诉它：请先阅读一下这个Github项目，然后模仿这个项目，帮我做一个3D汉服展示的网站，功能要求与原项目一致，语言改成中文，并重新调整复合汉服审美的UI。 2/ 在混元3D网站上将图片生成3D模型GLB文件并下载。地址： 3/ 将下载的GLB文件上传到你已经开发好的网站就可以了。 效果可能没有原项目好，但做项目展示够用了。

Karpathy 发布了一个github开源项目，狠狠让我惊艳到了 这个项目叫 andrej-karpathy-skills,GitHub 13 万+ star,我愿称之为2026 最有用的 AI 工程项目 它解决的问题极其精准：让 Claude Code 不再瞎写代码 这个项目到底有多厉害？ 先说结论：一个 4KB 的文本文件，让 AI 写代码的错误率暴降 90% Karpathy 自己说，他现在 80% 的代码都让 Claude 写，但 AI 经常犯几个典型错误： 不问就瞎猜需求 过度设计，写一堆用不上的抽象 改 A 顺手把 B、C、D 也重构了 代码能跑就行，不管目标达成没有 这个项目就是专门给 Claude Code 戴上guardrails，用 4 条行为准则约束 AI 的编码行为 核心亮点：4 条准则改变一切 整个项目就是一个 CLAUDE.md 文件，里面只有 4 条规则，但每一条都直击 AI 编码的痛点 1. Think Before Coding - 先思考再动手 AI 最大的问题是“太听话”，你说啥它就写啥，从不质疑 这条准则要求：明确说明假设、权衡 tradeoffs，不确定就直接问 不再是“我猜你想要这个”，而是“我理解你的需求是 A，但 B 方案可能更合适，你要哪个？” 2. Simplicity First - 极简实现优先 AI 天生爱炫技，你要一个登录功能，它给你写个完整的 OAuth 2.0 + JWT + 刷新令牌 + 权限系统 这条准则强制：只写刚好能解决当前问题的最小代码 不搞 speculative abstractions，不写未来功能，不过度工程 一个用户反馈：用了这条规则后，代码 diff 从动辄几百行缩减到几十行，review 轻松太多 3. Surgical Changes - 手术式精准修改 这是我最爱的一条 AI 有个恶习：你让它改个 bug，它顺手把整个文件的命名风格、缩进、注释全优化了 这条准则要求：只改用户要求的部分，严格匹配原有代码风格 不碰无关文件，不顺手 refactor，不加“看起来更好”的改动 有开发者实测：启用这条后，git diff 从“满屏红绿”变成“3 行精准修改” 4. Goal-Driven Execution - 目标驱动执行 AI 经常写完代码就交差，但代码能跑 ≠ 任务完成 这条准则要求：把任务转化为可验证的目标/测试/成功标准，然后 loop 执行、验证、迭代 直到真正达成目标才停止 这让 AI 从“代码生成器”变成“问题解决者” 真实效果：社区反馈炸裂 X 上这个项目刷屏了，开发者反馈高度一致： 代码质量飞跃：diff 更紧凑、干净，overbuild 和 side changes 大幅减少 错误率暴降：有人实测从 41% 掉到 11%，继续优化后低至 3% 中文社区评价：“必备 skills”“Claude/Cursor 实用技能 Top1”“直接扔项目里就完事了” 很多人直接 @ 朋友推荐：“把这个 CLAUDE.md 放进去，Claude 立刻像换了个人，写代码更靠谱、不乱改、不瞎猜“ 使用方式：简单到离谱 这是我见过最简单的 AI 工程优化方案： 方法一：直接 curl 把 CLAUDE.md 下载到项目根目录 curl -o CLAUDE.md 方法二：用 Claude Code / Cursor 的 plugin 一键安装 支持 Claude Code、Cursor 等主流 AI coding 工具 完全开源（MIT 协议），拿来就用 作为产品经理出身的开发者，我看到的不只是 4 条规则，而是对 AI 编码行为的深刻洞察 Karpathy 做的事情本质上是：给 AI 建立编码的第一性原理，他把他对于AI编程的理解写入了文件中 不是教 AI 怎么写代码（它已经会了），而是教 AI 什么时候该问、什么时候该停、什么时候该简化 这 4 条准则就像产品经理给开发团队定的 PRD 原则： 需求不清楚？ 先问 功能够用就行？ 别过度设计 改需求？ 只改需求相关的 做完了？ 先验证目标达成没有 它能帮到我们什么？ 如果你是独立开发者或小团队，这个项目能直接提升你的 AI 协作效率： 减少返工：AI 不再瞎猜需求，写出来的代码更符合预期 降低 review 成本：改动精准，不用在一堆无关修改里找真正的变更 提升代码质量：极简实现意味着更少的 bug、更好的可维护性 加速迭代：目标驱动让 AI 真正解决问题，而不是生成代码 对于中大型项目，这是让 Claude Code 真正“生产可用”的关键一步 我的使用体会 我在自己的几个项目里部署了这个 CLAUDE.md，最直观的感受是： AI 变聪明了 以前它是个听话的实习生，你说啥它做啥，经常做错 现在它像个有经验的同事，会主动问“你确定要这么做吗？ 我有个更简单的方案” 代码 diff 变干净了 以前一个小需求能改几十个文件，现在精准到只改 3-5 行 我的工作重心变了 以前 60% 时间在 review AI 的代码、修 bug 现在 80% 时间在思考产品逻辑，AI 真正成了生产力工具 最后 这个项目被誉为 2026 年 AI coding 领域的“现象级”黑魔法工具 小文件，大作用 如果你在用 Claude Code / Cursor 写代码，强烈建议直接把这个 CLAUDE.md 扔进项目根目录 GitHub 地址： 试过的人基本都是“已全项目部署”的状态 作为一个天天和 AI 协作的开发者，我的建议是：别犹豫，直接用

发现一个很有意思的开源项目： Polymarket BTC 15 分钟预测市场自动交易 Bot 它把 Binance/Coinbase 行情、新闻情绪、价格异动等信号融合起来，再加上仓位限制、止损止盈、Paper Trading 和 Grafana 监控 不是投资建议，但很适合研究预测市场 跟自动化交易怎么玩

偶然看到 AI Data Extraction Toolkit 这个开源项目，可以用来一键提取各个 AI 编程助手的完整对话记录。 支持 Claude Code、Cursor、Codex、Windsurf、Gemini CLI 等八款主流工具，自动识别系统和安装路径，直接输出统一的 JSONL 格式。 GitHub： 提取的数据非常完整，不只是对话文本，还包括代码上下文、文件路径、代码差异、工具调用结果这些关键信息，拿来做模型微调刚好够用。 纯 Python 标准库实现，不需要装额外依赖，一个 shell 脚本，就能把所有工具的数据全部导出。 如果想用真实的编程对话数据来微调大模型，这个项目能帮我们省下大量收集数据的时间，值得收藏备用。