两个GitHub项目,让我从＂AI工具人＂变成了＂AI主人＂

同样是AI工具，为什么有人用它月入过万，有人用它天天加班？区别在于有没有这两样东西。

先问大家一个问题

你有没有这种感觉：

每天都在用ChatGPT、Claude，写出来的东西总觉得”差点意思”。

不是说内容不好，而是读起来有一股说不出的机械感——连接词生硬、表达过于完美、缺少人味。

更扎心的是：

隔壁组的同学用着同样的AI工具，人家写一篇爆款文章的时间，你还在反复调试同一个润色prompt。

问题出在哪？

不是AI不够强，是你还没有找到正确的”人机协作”姿势。

我发现的两个宝藏项目

这周在GitHub上挖到了两个项目，用完之后感觉打开了新世界的大门。

第一个：gbrain —— 让AI”认识”你

⭐ 17,126 Stars

https://github.com/garrytan/gbrain^[1]

说实话，第一眼看到这个名字我就知道不简单——”brain”，给AI装一个大脑。

作者是Vercel联创garrytan，项目4月5日才创建，8天时间狂揽6000+星，目前已经17000+。

它解决什么问题？

你的AI助手每次对话都是从零开始。它不认识你的同事，不知道你上周开了什么会，更不记得你提过的那些idea。

gbrain的解法很简单：给你的人+事+想法建一个私人知识库，AI每次回复前先”查一下档案”。

怎么理解？

想象你有一个私人助理，她跟了你3年，清楚你每个客户的偏好、每个项目的背景、每次会议的关键决策。

现在这个助理就是你的AI。它知道你和张总上次聊了什么，知道你写代码喜欢用什么框架，知道你做决策时会参考哪些数据。

这不是科幻，这是gbrain正在做的事。

第二个：awesome-ai-research-writing —— 论文写作神器

⭐ 17,000 Stars

https://github.com/Leey21/awesome-ai-research-writing^[2]

来自北大、中科大、上交、MSRA、Seed等顶尖机构研究员联合开源。

收集了17个经过实战打磨的Prompt模板，专门解决论文写作的各种场景。

为什么我推荐这个？

说实话，市面上教你用AI写论文的教程一抓一大把，但大多数都是”帮你润色一下”这种级别的prompt。

这个项目不一样。

它把prompt设计做到了极致——每个模板都有四层结构：Role定义、Task明确、Constraints约束、Execution Protocol自我审查。

举个例子：

# Role你是一位兼具顶尖科研写作专家与资深会议审稿人双重身份的助手。# Task请处理我提供的中文草稿，将其翻译并润色为英文学术论文片段。# Constraints- 严禁使用item列表，必须使用连贯段落- 统一使用一般现在时- 特殊字符必须转义（model_v1 → model\_v1）# Execution Protocol输出前假设你是最挑剔的Reviewer，检查逻辑跳跃...

这就是专业选手和普通选手的差距。

真正让我震惊的功能

说实话，如果只是帮我润色文章，这俩项目不至于让我专门写一篇文章推荐。

真正让我震惊的，是它们背后的方法论。

gbrain的”增长飞轮”

信号流入 → Agent检测实体 → READ brain → 回复 → WRITE brain → 同步索引

每次循环，AI都在积累对你的了解。用得越久，它越懂你。

这让我意识到一个问题：

我们都在用AI，但我们有没有让AI”记住”我们？

大多数人的AI使用方式是这样的：

今天：告诉AI我的需求明天：重新开始，因为AI不记得了后天：还是重新开始

有了gbrain，方式变了：

今天：告诉AI我的需求，它记住了明天：AI带着昨天的上下文继续后天：AI已经了解我的背景和偏好

区别在哪里？

前者的AI是工具，用完就忘。

后者的AI是助手，越用越懂你。

awesome-ai-research-writing的”去AI味”

这个项目专门研究了一个问题：什么是”AI写作特征”？

基于Wikipedia的定义，列出了8大AI写作特征：

• 过度强调意义（”significantly”、”very”滥用）
• 促销腔（”powerful”、”revolutionary”）
• 空洞-ing分析
• 模糊归因
• 破折号滥用
• 三点式堆砌（”首先、其次、最后”）
• AI高频词（leverage、delve into）
• 否定式平行结构

然后给出系统性的”去AI味”方法。

我实测了一下。

用项目里的prompt润色了一篇我之前写的技术文章，对比原文和润色后：

原文（我自己写的）：

我们提出的方法在准确率上显著优于现有方案。

润色后：

和已有方法比，我们的方法准确率提升了12个百分点。

差距在哪里？

原文是”标准AI腔”——空洞的强调、没有数据支撑、完美的废话。

润色后是”人话”——有具体数字、有对比感、读者能感受到价值。

怎么用？

gbrain使用方式

# 安装clawhub install gbrain# 初始化gbrain init# 导入你的知识mkdir -p ~/brain/{people,companies,concepts}gbrain import ~/brain/# 配置自动同步*/15 * * * * gbrain sync --repo ~/brain

然后你会发现：

每次和AI对话，它都会先”查一下档案”。问你项目背景？它知道。你提过某个客户？它记得。

awesome-ai-research-writing使用方式

方式一：直接复制Prompt

进入GitHub仓库，找到对应场景的prompt，完整复制到ChatGPT/Claude中使用。

方式二：OpenSkills + Cursor（推荐）

npx openskills install zechenzhangAGI/AI-research-SKILLs

安装后，在Cursor中直接说：

帮我翻译并润色这段论文Introduction帮我把这篇文章去一下AI味

写给想提升效率的人

我知道很多人在用AI工具，但真正用好的没几个。

原因不在于工具不够多，而在于：

1. 缺少”记忆系统”

AI用完就忘，你怎么积累？gbrain解决的就是这个问题。

2. 缺少”质量标准”

同样是润色，有人用”帮我改一下”，有人用精心设计的prompt，效果天差地别。awesome-ai-research-writing解决的是这个问题。

3. 缺少”人机边界”

AI是工具，不是替代品。你要有判断力，知道AI擅长什么、不擅长什么。这个只能靠你自己。

最后

这俩项目让我想通了一件事：

我们不是在”使用”AI，我们是在和AI”协作”。

工具会越来越强，但人的判断力、审美、价值观，这些东西AI学不会。

所以与其担心AI会取代你，不如学会和AI配合——让它做它擅长的（记忆、数据处理、模式识别），你做你擅长的（判断、创造、决策）。

两个项目地址：

• gbrain：https://github.com/garrytan/gbrain^[3]
• awesome-ai-research-writing：https://github.com/Leey21/awesome-ai-research-writing^[4]

有问题欢迎评论区交流。

觉得有用的点个赞，转发给需要的朋友。

引用链接