AI工具速递 | 10月11日:WordCraft 两天破 3k 星,Rust 重写办公套件全面爆发

WordCraft — 纯 Rust 重写 Word，两天翻 4 倍

10 月 9 日已推荐（当时 793 星），现已 3,129 星，破 2k 里程碑触发二推。 关键变化：星数增速超过了同门更早发布的 GridCraft（Excel 1,816）和 DeckCraft（PPT 1,399），成为 ArtCraft 10/7 五件套里最受欢迎的一个；配套的 Craft 启动器（craft-launcher）也已上架，全家桶入口成型。

项目本身的完整度超出预期：功能区、样式库、目录、脚注、APA/MLA/Chicago/IEEE 引用、修订与批注、邮件合并全套 Word 工作流都在；读写 .docx，兼容 .odt/.rtf/.md/.tex，导出 PDF 带真实可选文字。188 页文档打字重排版约 1.4 毫秒，egui GPU 原生渲染，无 Electron。

差异化设计是为 Agent 而生：全部 422 个命令同时驱动功能区、快捷键、CLI、JSON 控制通道和 MCP server——AI Agent 可以像人一样操作 Word，且拼写语法检查全部离线。干净室实现，不看微软源码，法律风险最小化。

适合谁： 想要免费、离线、可被 Agent 驱动的 Word 替代的开发者；重度依赖宏和插件生态的办公用户再等等。

评价： 值得上手（里程碑确认社区认可，MCP 可驱动是独一份）

OSS Scanner — Anthropic 官方给开源项目免费做 AI 安全扫描

当你维护一个开源项目，既没钱买商业扫描、又怕漏洞报告被公开处刑时，Anthropic 红队上线的这个服务把流程做成了"提个 PR 就完事"：在仓库里加一个 projects/<name> 目录，附上 project.yaml 和 Dockerfile，他们的扫描器就会在隔离 VM 里构建你的项目、断网分析，把发现的漏洞邮件发给你——每个发现附复现步骤和修复建议。

几个设计细节值得注意：报告由模型生成、不经人工审核，因此不设 90 天披露期、永不公开——只发给项目方；支持 PGP 公钥加密报告；threat_model.md 可让项目方自定义威胁模型，引导扫描器关注真正的攻击面。配置里 disabled: true 可随时暂停而不退订。

差异化在于这是 Anthropic 用自己的模型能力反哺开源生态：传统 SAST 工具靠规则匹配，它靠模型理解代码语义找漏洞，复现器和补丁建议都是模型直接产出。首批收录的项目质量会是最受关注的样本。

适合谁： 开源项目维护者，尤其是安全敏感的基础设施类项目；闭源商业项目不适用。

评价： 值得上手（免费、私密、附复现和补丁，维护者零成本）

fsearch — 0.13 毫秒搜完整块 Mac 硬盘

当你在 800 万个文件里找一个忘了全名的源码文件，Spotlight 转圈、mdfind 找不到、fd 只能搜当前目录时，fsearch 给出的数字是：M4 Max 全盘 830 万文件，按名查找中位数 0.13 毫秒，内容搜索 2.3 毫秒——比作者上一版又快了一个数量级。

能力是 CLI + 常驻守护进程：模糊文件名匹配容忍一个 typo（mian.rs 能找到 main.rs），ext:rs grep:apply_dir 直接搜文件内容，sym: 定位符号定义，type:image size:>5mb mtime:<7d 组合过滤。首次全盘索引 49 秒、峰值内存 0.9GB，之后常驻只占 63MB。

对比数据很敢放：跟社区热门的 fff 比，Chromium 源码树 50.9 万文件，按名查找 0.21ms vs 15.4ms（73 倍），内容搜索 2.0ms vs 64ms，启动即用 28ms vs 2.5s。还提供 JSON-RPC socket 和 Rust crate，可以被其他工具（如 Agent 的代码检索）当库调用——zeusinsight/FinderSearch 已经基于它做了原生 GUI。

适合谁： Mac 上被 Spotlight 伤过心的所有开发者；Windows/Linux 用户暂无。

评价： 值得上手（cargo 一行编译，benchmark 全部可复现）

Laya — 多语言决策引擎破 32k 星，长文档能力实测

10 月 9 日已推荐（当时 31,715 星），现已 32,157 星，破 32k 里程碑。 本次重点不是星数，而是它最近两个对开发者实打实有用的更新：laya-multilingual 检查点长文档上限从 1,024 token 提到 8,192 token，以及 TypeScript 版 laya-ts 正式可用（npm install laya-ts）。

长文档实测数据诚实：约 4,000 token 以内的文本，20 个决策请求答对 16-18 个；超过后波动明显（8-17/20），官方建议在自己的数据上验证再上线。好消息是短输入不受影响、速度按真实长度计——4,000 token 输入在 Apple GPU 上约 1.7 秒。用法一个参数：router.predict(text, questions, model="multilingual", max_len=8192)。

微调的价值也被量化了：在 2,000 条类型化决策基准上，微调后的 laya-typed-decisions 检查点准确率 0.766，零样本基础版只有 0.362——官方给了 Kaggle 双 T4 笔记本和 Apple Silicon 脚本，整个"建数据集→RLCD 训练→校准→导出"流程可一键跑完。100+ 语言自动路由、MCP/LangChain/CrewAI 集成保持原样。

适合谁： 需要给 Agent 加"快速分类/打分/判断"层的开发者；复杂推理仍该交给大模型。

评价： 值得上手（32k 星确认稳定性，长文本和微调是本周实质增量）