不聊天的AI火了：GitHub周报10个机会

上周 AI 圈出了个新物种：一个不聊天的模型。

9月15日，前OpenAI研究员Diogo Almeida创办的TypeSafe AI发布Jev——它不生成文字，输入一段状态加一组问题，直接输出带概率的判断结果。官方口径：单次往返70到500毫秒，输入每百万token收费0.042美元，比传统大模型快40到200倍。

更有意思的是接下来发生的事：4天之内，GitHub上冒出几十个复刻项目。开源社区用150M参数、30分钟免费算力就声称跑出了接近的效果，也有大厂认真给出完整训练配方。本期周报就以这场「决策模型复刻潮」为主线，外加联网能力层、并行Agent工作台、剪映自动化等新面孔，一共10个项目，10个机会。

榜单速览

先看本期入选的10个项目（星级为抓取时点值）：

• jev-ultrafast · 11,785星 · 新建5天 · Jev驱动的极速浏览器Agent
• Agent-Reach · 83,832星 · 周增3,914 · 给Agent装互联网读取力
• orca · 73,568星 · 周增5,404 · 并行Agent舰队开发环境
• agent-skills · 97,655星 · 周增3,445 · 谷歌工程师的工程技能包
• fast-jev-compaction · 5,143星 · 新建4天 · 用Jev重写上下文压缩
• OpenStock · 16,768星 · 日增752 · 开源股票行情面板
• jianying-headless · 1,968星 · 新建6天 · 剪映headless自动化
• Compositor · 3,655星 · 新建5天 · Mac原生免费修图工具
• nimble · 1,091星 · 新建6天 · 开源版Jev训练配方
• kev · 1,009星 · 新建4天 · 端到端Jev复刻

趋势解读：AI开始做判断，而不是聊天

第一个信号：「决策模型」正在成为一个新品类。

传统大模型为了回答「这封邮件是不是垃圾」这种一个是非题，要生成几十个token再解析JSON，慢、贵、还可能格式出错。Jev把这类问题单独抽出来：输出被锁死在预定义的选项里，类型错误在数学层面归零，每次判断自带校准置信度——给95%的置信度，统计上就有约95%是对的。训练方法叫RLCD（校准决策强化学习），专攻概率的诚实度。

第二个信号：开源复刻只用了4天，且分三条路线。

工程集成派最快——浏览器Agent框架Browser Use与TypeSafe合作的jev-ultrafast，5天1.2万星；独立开发者的fast-jev-compaction把Claude Code的上下文压缩换成了Jev判断，4天5千星。开源复刻派最硬核——Bespoke Labs用Qwen3.5-9B加LoRA微调出nimble，官方评测标签一致性90.12%（Jev原版93.21%），连数据整理方法一起开源。端到端派最完整——jaredpalmer的kev给出训练、本地服务、可视化Playground全链路。

第三个信号：「只删不摘要」的上下文管理思路值得记住。

fast-jev-compaction的做法很反直觉：压缩历史会话时不让大模型写摘要——摘要一定丢信息，丢的可能正是后面要用的文件路径或报错。它只让决策模型逐条判断「这个工具调用的结果还需要吗」，过时的删掉，保留的一字不改。这个思路可以移植到几乎所有Agent框架。

下面逐个拆解。

1. jev-ultrafast：7秒订机票的浏览器Agent · 重点推荐

是什么：Browser Use与TypeSafe合作的官方项目，用Jev当决策引擎的浏览器Agent。

解决什么：传统浏览器Agent每一步都要大模型看截图、做推理、再决定点哪里，一步好几秒。它把页面抽成带编号的元素表，Jev一次网络往返同时输出「做什么操作」和「对哪个元素做」，苏黎世到伦敦的机票搜索实测7.09秒完成，全程含真实文本生成和页面加载。官方测试数据显示浏览器协议调用从1,092次降到101次。

怎么用：git clone后uv sync，配置TypeSafe API Key和一个文本模型Key，本地8766端口起可视化Inspector，能看到每个决策的概率分布。

适合谁：做RPA和自动化采集的工程师、研究Agent架构的开发者。硬件无特殊要求，但需要付费的TypeSafe API Key。

机会：官方demo只做了机票搜索和维基百科两个场景。选一个垂直领域（电商上货、招聘投递、表单批量填报）做工程化封装，做成开箱即用的产品，2到3周能出MVP。

风险：Jev还在早期访问阶段，定价未定；shadow DOM、canvas、文件上传等复杂页面官方明示不支持；浏览器自动化用于采集需注意目标站点条款。

评分 · 市场需求 5 · 实现难度 3 · 变现可行 4 · 竞争优势 4 · 趋势热度 5 = 21/25

仓库地址：https://github.com/browser-use/jev-ultrafast

2. Agent-Reach：给Agent装上互联网眼睛 · 重点推荐

是什么：AI Agent的联网能力层，83,832星，MIT协议。

解决什么：Agent要读Twitter、小红书、B站、YouTube时，接入工具三天两头失效——平台封禁、API改版。它替你把各平台当下最稳的接入方式选好、装好，失效自动切换备用路由，一条doctor命令体检所有通道。

怎么用：把安装链接丢给Claude Code说一句「帮我安装Agent Reach」即可，16+平台零配置即用6个（网页、YouTube、RSS、GitHub、B站、雪球），配Cookie解锁Twitter、小红书、Reddit等。全部API免费，本地跑无特殊硬件要求。

适合谁：内容创作者做选题雷达、独立开发者做舆情或数据产品。

机会：能力层免费，上层产品收费。基于它做一个「关键词多平台日报」机器人，2周可交付；再往上做垂直品类舆情监控SaaS。

风险：本质是猫鼠游戏，依赖平台容忍度；Cookie类操作注意平台条款。

评分 · 市场需求 5 · 实现难度 4 · 变现可行 3 · 竞争优势 4 · 趋势热度 5 = 21/25

仓库地址：https://github.com/Panniantong/Agent-Reach

3. orca：一个人管一支Agent舰队 · 重点推荐

是什么：Stably AI出品的并行Agent开发环境（ADE），73,568星，周增5,404。

解决什么：现在一个人同时跑五六个编码Agent（Claude Code、Codex、Cursor各一摊），窗口切换混乱、订阅额度分散。orca把它们装进一个工作台统一编排，用你自己的订阅，桌面、手机、远程云机三端同步。

怎么用：官网下载桌面版接入已有订阅即可，无特殊硬件要求；远程runtime需要一台云开发机。

适合谁：重度Agent用户、并行开发的小团队。

机会：IDE本体不建议个人复刻（工程量巨大），但生态配套有空位——Agent工作流模板、任务分发中间件、用量与成本统计面板，2到3周能做一版。

风险：订阅聚合模式存在平台政策风险；这个赛道竞争者不少。

评分 · 市场需求 5 · 实现难度 2 · 变现可行 4 · 竞争优势 4 · 趋势热度 5 = 21/25

仓库地址：https://github.com/stablyai/orca

4. agent-skills：谷歌工程师给AI立的规矩 · 重点推荐

是什么：Addy Osmani（谷歌Chrome团队成员）维护的生产级工程技能包，97,655星，MIT协议。

解决什么：Agent写代码快但工程质量参差——性能、无障碍、安全这些维度容易糊弄。技能包把专家经验固化成Agent可执行的检查流程。

怎么用：按README把技能目录装入Claude Code、Codex、Cursor等任一Agent的技能路径，无特殊硬件要求。

适合谁：用Agent做前端开发的工程师；想发布自己技能包的个人开发者。

机会：内容型资产直接变现弱，但「垂直行业技能包」是空位——选一个行业（医疗合规前端、电商大促性能清单）做深度对齐审计规则，2周可发布。个人品牌价值大于直接收入。

风险：技能合集同质化竞争激烈，MIT协议无护城河，价值在持续维护。

评分 · 市场需求 4 · 实现难度 5 · 变现可行 3 · 竞争优势 3 · 趋势热度 5 = 20/25

仓库地址：https://github.com/addyosmani/agent-skills

5. fast-jev-compaction：压缩上下文不再丢信息 · 重点推荐

是什么：Claude Code插件，4天5,143星，用Jev决策替代摘要式上下文压缩。

解决什么：Agent长会话压缩时，大模型摘要一定丢信息——文件路径、报错原文、关键约束可能在摘要里蒸发。它的做法是不重写任何内容，只逐条判断每个工具调用的结果「还需要吗」：过时的删掉或截断，保留的逐字不动。判断失败自动回退官方压缩。

怎么用：一条命令加入Claude Code插件市场再安装，配置TypeSafe API Key环境变量即可，需Claude Code 2.1.274以上版本。

适合谁：长会话Claude Code重度用户、Agent基础设施开发者。

机会：把「只删不摘要」思路移植到Codex、opencode等其他框架，1到2周一个插件；再往后可以做企业级的上下文治理审计。

风险：概率判断不等于证明，删错的内容靠重跑工具兜底但会多花token；依赖的function hooks还是早期功能。

评分 · 市场需求 5 · 实现难度 4 · 变现可行 3 · 竞争优势 4 · 趋势热度 5 = 21/25

仓库地址：https://github.com/tamaratran/fast-jev-compaction

6. OpenStock：自托管的开源行情面板 · 值得关注

是什么：Open Dev Society社区的开源股票行情平台，16,768星，AGPL协议。

解决什么：商业行情平台动辄每月几十美元。它提供实时报价、自选股、K线图、市场热力图、多源情绪聚合的自部署方案，Next.js 15全栈，Docker一键启动。

怎么用：clone后pnpm安装，配Finnhub Key和MongoDB即可跑起来；Finnhub免费层有限额，实时行情要付费档。

适合谁：想要私有行情看板的开发者、学Next.js全栈的工程师。

机会：明确空位在本土化——把数据源换成国内行情API的fork加一键部署脚本，2周可交付。

风险：AGPL有传染性，改完对外提供服务必须开源；项目明示不提供交易、数据可能延迟、不构成投资建议——做衍生产品同样要守住这条线。

评分 · 市场需求 4 · 实现难度 4 · 变现可行 3 · 竞争优势 3 · 趋势热度 4 = 18/25

仓库地址：https://github.com/Open-Dev-Society/OpenStock

7. jianying-headless：剪映的命令行自动化 · 值得关注

是什么：剪映专业版macOS的headless工具，JSON剪辑计划直接生成可编辑草稿，再调用本机剪映引擎导出MP4。

解决什么：AI视频流水线的最后一公里——成片导出得占着GUI手工点。它让程序直接产出剪映草稿（多轨、变速、画中画、字幕都支持）并原生导出，官方案例154个片段的工程1507帧全部通过校验。

怎么用：clone后先跑doctor命令检查环境，再按JSON计划依次build、publish、export。需要Apple Silicon Mac、macOS 26以上、剪映专业版11.5.0（版本强绑定）。

适合谁：AI视频批量生产者、剪辑自动化工程师。

机会：许可证限非商业使用，但上游不受限——做一个「文案直出剪辑计划」的生成器接它的流程，2到3周；字幕批量对齐、口播模板市场都是方向。

风险：剪映版本升级可能随时失效；作者自述干净机器验收未完成，不是装完就能用。

评分 · 市场需求 4 · 实现难度 3 · 变现可行 3 · 竞争优势 4 · 趋势热度 4 = 18/25

仓库地址：https://github.com/mcncarl/jianying-headless

8. Compositor：Mac原生的免费修图工具 · 值得关注

是什么：独立开发者用Swift写的Mac原生图像编辑器，3,655星，MIT协议，对标Photoshop的合成修图工作流。

解决什么：PS订阅贵，GIMP交互不顺手。它把图层、蒙版、曲线色阶、内容识别填充、仿制图章这些PS核心能力做成了原生Mac应用，快捷键都对齐PS。

怎么用：Xcode 26打开工程直接跑，需要macOS 26。

适合谁：Mac上的合成修图用户、想学Swift图像处理的开发者。

机会：不重造编辑器，取它的图层引擎做单一用途工具——电商图批处理、截图美化，2周一版。

风险：全功能编辑器工程量巨大，跟着上游走成本高；系统版本要求新，用户面受限。

评分 · 市场需求 4 · 实现难度 2 · 变现可行 3 · 竞争优势 4 · 趋势热度 4 = 17/25

仓库地址：https://github.com/robbietilton/Compositor

9. nimble：官方开源的Jev复刻配方 · 值得关注

是什么：Bespoke Labs的开源决策模型：Qwen3.5-9B加LoRA微调，模型权重和数据整理方法全开源，标签一致性90.12%（Jev原版93.21%）。

解决什么：Jev不开源走云API。需要本地私有部署决策能力的场景（隐私、成本、可控性），现在有了带训练配方的开源选项。

怎么用：下载HuggingFace模型合并后，Python一行调用打分接口；Mac走MLX（建议64GB内存），CUDA需支持BF16的显卡。

适合谁：要在产品里嵌高频判断（路由、审核、打分）的工程师、决策模型研究者。

机会：用它的配方在小基座上练边缘场景专用决策模型；或做垂直领域（风控、内容审核）的微调定制服务。

风险：概率只是归一化分数不保证正确率（作者明示）；不支持图像和嵌套schema；单条输入上限2048token。

评分 · 市场需求 4 · 实现难度 2 · 变现可行 3 · 竞争优势 4 · 趋势热度 4 = 17/25

仓库地址：https://github.com/bespokelabsai/nimble

10. kev：把Jev从训练到服务全开源 · 值得关注

是什么：端到端的Jev复刻：训练管线、兼容TypeSafe接口的本地决策服务、可视化Playground、国际象棋对战实验，1,009星。

解决什么：想彻底搞懂「决策模型」范式的人缺一个全链路参考实现。它把架构文档写得极细——状态和所有问题打包进一个序列，块因果注意力掩码让每个问题只看状态和自己，指针头对选项打分。

怎么用：uv run启动本地服务（无鉴权，只能本机用），Playground一条命令起3001端口。Mac的M系列芯片能跑4B模型（单问296毫秒），训练用H100约50分钟。

适合谁：模型研究者、想部署私有决策服务的团队。

机会：研究型项目直接变现弱；做多基座适配教程和评测数据集能攒专业声誉。

风险：本地服务无鉴权不能暴露公网；社区复刻质量参差，用哪个实现前先自测。

评分 · 市场需求 4 · 实现难度 2 · 变现可行 3 · 竞争优势 4 · 趋势热度 3 = 16/25

仓库地址：https://github.com/jaredpalmer/kev

写在最后

这期最值得记住的不是某个项目，而是一个判断：「生成」和「判断」正在分家。聊天、写代码、做长推理，继续交给大模型；而路由、过滤、打分、核验这些高频小判断，会逐步流向又快又便宜的专用决策模型。4天几十个复刻项目的速度说明，社区已经用脚投票了。

对独立开发者来说，三层机会按门槛从低到高：用Jev类API改造现有工作流（压缩、审核、路由），一周见效；做垂直场景的Agent产品，一个月成型；有算力和模型能力的，直接在开源配方上练垂直决策模型。

你会先在哪个环节用上「会判断的AI」？评论区聊聊。

数据说明：GitHub Trending与Search API抓取于2026-09-21，星数为时点值；Jev性能数据为TypeSafe官方口径，nimble一致性数据来自Bespoke Labs官方评测。本文为项目分析与机会判断，不构成任何投资建议；评分仅为研究参考，请结合自身情况独立判断。

#GitHub #开源项目 #AI工具 #独立开发者 #程序员副业 #AIAgent #决策模型