AI答个数也开始附发票了,YC总裁干脆把整个软件工厂搬上了GitHub

GITHUB 热榜拆解 · 2026-11-05

AI答个数也开始附发票了，YC总裁干脆把整个软件工厂搬上了GitHub

今日份热榜四大天王：NVIDIA下场给AI的每个数字配"溯源发票"，一个硬核猛男把2.78万亿参数塞进8GB笔记本，老牌爆款短视频工厂回锅再冲榜，还有YC总裁把自己天天用的AI团队原封不动开了源——每一个都值得点star。

各位粉粉的科技少女们，早上好☀️ 今天热榜的画风是"大人物集体下场"：NVIDIA 把自家的数据防幻觉方案直接开源了（auto-ontology）；YC 总裁 Garry Tan 把自己每天用的 AI 软件工厂搬上了 GitHub（gstack）；还有狠人把 2.78 万亿参数的大模型硬塞进了 8GB 内存的笔记本（kimi-k3-in-c）；当然也少不了短视频赛道的常青树 MoneyPrinterTurbo 回锅霸榜。废话不多说，开拆。

01 · AI 数据问答的防伪印章

auto-ontology：NVIDIA下场，给AI的每个数字配一张"溯源发票"

NVIDIA/auto-ontology ｜ Python ｜ 5,690★（今日+2,050，当日榜一）

📦 项目背景：现在的 AI Agent 已经会查数据库、出报表了，但企业敢用吗？README 开篇就一句话扎心："a revenue metric answered faster is worth nothing if the number is wrong"——收入指标答得再快，数字是错的就一文不值。Agent 最缺的不是聪明，而是一个上下文层：数据在哪、是什么意思、能不能用、从哪来。NVIDIA 把自家内部的解法开源了出来：用元数据构建企业本体（知识图谱），通过 MCP、CLI、API 喂给任意 Agent 框架。

🎯 解决痛点：① 同一个"收入"指标，财务系统和销售系统定义对不上——它做定义调和；② Agent 遇到连接 5 张表的复杂问题就开编——它自动推断 join 路径，每次答案都附带完整 SQL 和推理步骤，等于每笔账都开发票；③ 最戳我的是"可答性检查"：你问广告 ROI，它先跑 check_answerable，发现数据里根本没有"广告支出"这个词，就老实说答不了，而不是一本正经地编一个。

✨ 高光功能：Discover/Ground/Validate/Expose/Learn 五步闭环（人工修正还能写回本体，越用越准）；支持 PostgreSQL、MySQL、Snowflake、Databricks、ClickHouse、DuckDB 等十种数据源；自带聊天 UI + 数据目录；一条 uvx 命令起 MCP 服务器，Cursor、Claude Desktop 都能直接挂。兼容 Apache Ossie 开放标准，定位是"补充"你已有的语义模型而非替代。

🚀 安装部署：需要 Docker + uv + NVIDIA API key（build.nvidia.com 免费），五步走：

git clone https://github.com/NVIDIA/auto-ontology.git && cd auto-ontologycp .env.example .env   # 填 API key、改默认密码docker compose up -d --wait postgres   # 再跑示例库 seed 脚本docker compose up -d --build# 打开 http://localhost:3000 登录提问即可

MCP 模式一行接入任意 Agent：

AUTO_ONTOLOGY_API_URL=http://localhost:3000 uvx --from "git+https://github.com/NVIDIA/auto-ontology.git#subdirectory=mcp" auto-ontology-mcp

🛠 使用场景：企业级数据问答 Agent 的可信底座（BI 自助分析、NL2SQL 产品、数据目录）；Apache 2.0 协议随便商用，注意 3001/3002 端口要放内网。

💬 一句话锐评：别人家的AI在比谁答得快，NVIDIA家的AI在交作业前先把发票贴好了——打工人看了直呼专业。

02 · 极限压缩艺术家

kimi-k3-in-c：2.78万亿参数，塞进8GB内存的笔记本，还保证和服务器算得一字不差

FareedKhan-dev/kimi-k3-in-c ｜ C ｜ 10,486★（今日+351）

📦 项目背景：Kimi K3 是个 2.78 万亿参数的 MoE 大模型，bf16 下要 5.56TB 内存，checkpoint 也足有 1.56TB——"没有消费级机器装得下"。这位作者的思路是：瓶颈不是速度，是容量。于是他用纯 C99 写了个 176KB 的推理引擎：不用 GPU、不用 BLAS、不用任何框架，靠 MoE 稀疏性（93 层里每层只激活 896 个专家中的 16 个，约 3.7%）+ MXFP4 原生计算 + 磁盘流式读取，把内存占用一路压到 8.24GB。端到端压缩 675 倍，无近似、无丢权重。

🎯 解决痛点：最硬核的承诺是字节级一致：不管你 8GB 还是 128GB 内存，输出完全一样，加内存只提速不改结果。为什么自己写 kernel 而不用 BLAS？因为 OpenBLAS/MKL/Accelerate 各家归约顺序不同，永远做不到 bit 级复现——作者干脆全自己实现了。代价嘛：速度是 8GB 最快 26.5 秒一个 token（128GB 内存的机器能到 5.6 秒）。这不是给你聊天的，是给你"验证、学习、离线推理"的。

✨ 高光功能：① 无需下载模型就能验证：make test 用 13 层小模型 + PyTorch 参考做端到端校验，一分钟内跑完；② --chat 多轮聊天模式 + --history 会话持久化；③ 6 档内存预设从 ultra（3GB）到 max（224GB）随意选；④ KDA 循环状态与上下文长度无关，全模型仅 626MB。

🚀 安装部署：一分钟快速体验（不需要模型）：

git clone https://github.com/FareedKhan-dev/kimi-k3-in-c.gitcd kimi-k3-in-cmake -j && make test

真跑全量模型：磁盘备好 ~1.7TB，然后 ./scripts/download-model.sh ~/k3model（可断点续传，以小时计）→ ./scripts/pack-trunk.sh（约4分钟）→ 运行。⚠️ 大坑预警：所有预设必须搭配 --trunk 参数，否则引擎会把 113.5GB trunk 全量加载，8GB 预设形同虚设。不想下全量可以 --layers 1 只下 7GB 过过瘾。

🛠 使用场景：在离线/涉密环境跑超大模型；教学与内核研究（176KB 引擎全开源，比看教科书直观）；验证模型输出可复现性的 CI 场景。

💬 一句话锐评：别人在卷"多大的集群跑多大的模型"，这哥们反向操作——"多大的笔记本都配拥有万亿模型"，就是每个字都得等半分钟。

03 · 短视频赛道的常青树

MoneyPrinterTurbo：给个关键词，还你一条高清短视频，139K stars 不是白攒的

harry0703/MoneyPrinterTurbo ｜ Python ｜ 139,259★（今日+617）

📦 项目背景：这可能是中文开源圈最出名的"一键短视频工厂"：给个主题或关键词，自动写脚本、找素材、配音、上字幕、配BGM，最后合成高清成片。139K stars、今日又涨 617 冲上热榜——常青树回锅，说明"批量做短视频"这个需求永远饥渴。

🎯 解决痛点：做短视频的都懂：脚本、配音、字幕、素材、剪辑，五道工序五拨人。它把全流程拧成一个 WebUI：文案大模型写、Edge TTS 免费配音（还支持 Azure、MiniMax、ElevenLabs、Fish Audio 等一排引擎，甚至能上传参考音频克隆音色）、字幕用 TTS 时间戳或本地 Whisper 精确对轴、素材自动匹配——你在 WebUI 里点几下，成品就出来了。

✨ 高光功能：① 现在有官方 Agent Skill，把一段话发给你的 AI 助手就能自动装好并出片；② --batch-file 批量模式一次排 100 个任务；③ API 服务自带 Swagger 文档，接进 n8n 工作流就能全自动日更；④ 4GB 内存、无 GPU 也能跑，主打一个低门槛。

🚀 安装部署：最省事的 pip 安装（官方包名是小写的 mpt，PyPI 上叫 MoneyPrinterTurbo 的是第三方，别装错）：

python -m venv .venv && source .venv/bin/activatepython -m pip install mptmpt webui   # 自动打开浏览器

嫌装环境麻烦？Windows 有解压即用的一键启动包（记得先双击 update.bat 再 start.bat），也有 Docker：docker compose -f docker-compose.release.yml up，WebUI 在 8501 端口，API 文档在 8080。纯命令行党直接 uv run python cli.py --video-subject "人工智能如何改变日常生活"。

🛠 使用场景：自媒体批量日更、知识科普号、带货口播视频、给课程快速出宣传短片。建议把 Edge TTS（免费）当起步配置，玩熟了再上克隆音色。

💬 一句话锐评：以前做一条视频要一个团队，现在做一条视频要一个关键词——内容行业的通胀，从这条命令开始。

04 · 总统同款工具箱

gstack：YC总裁把自己天天用的AI软件工厂，原封不动开源了

garrytan/gstack ｜ TypeScript ｜ 139,486★（今日+290）

📦 项目背景：Garry Tan 是谁？Y Combinator 总裁兼 CEO、硅谷创业教父级人物。他开源的 gstack 不是又一个工具合集，而是他每天真的在用的软件工厂：一套 slash 命令把 Claude Code 改造成虚拟工程团队——会挑战你产品思路的 CEO、锁死架构的工程经理、专抓"AI 味设计"的设计师、能找到"过了CI但上线必炸"bug 的审查员、开真浏览器点页面的 QA、跑 OWASP + STRIDE 审计的安全官、最后发 PR 的发布工程师。MIT 协议，全 Markdown，免费。

🎯 解决痛点：裸用 AI 写代码的两大死穴：一是它只会顺着你说（你提"日历提醒App"，它点头就写）——/office-hours 会先质疑你的需求："你说的其实是私人参谋长AI"，逼你想清楚再动手；二是代码没人把关——从设计评审、工程评审到真浏览器 QA 再到 /ship 发 PR，一条 Think → Plan → Build → Review → Test → Ship 流水线，每步产出喂给下一步，"什么都不漏"。

✨ 高光功能：README 里那个演示堪称爽文：需求聊完 → 双评审过设计 → AI 8 分钟写 2400 行 11 个文件 → 审查自动修 2 个 bug → 真浏览器点击测试抓出一个真 bug → /ship 测试从 42 涨到 51、PR 已挂好。支持 9 种 Agent（Codex、Cursor、Gemini CLI 全都行），还有 GBrain 持久记忆库，跨会话不失忆。Garry 说他同时跑着十个 sprint。

🚀 安装部署：官方口号"30 秒装完"，需要 Claude Code + Git + Bun v1.4.2+（Windows 另需 Node.js），在 Claude Code 里粘贴：

git clone --single-branch --depth 1 https://github.com/garrytan/gstack.git ~/.claude/skills/gstack && cd ~/.claude/skills/gstack && ./setup

团队模式再补一刀，让仓库里所有队友自动装上：

(cd ~/.claude/skills/gstack && ./setup --team) && ~/.claude/skills/gstack/bin/gstack-team-init required && git add .claude/ CLAUDE.md && git commit -m "require gstack for AI-assisted work"

🛠 使用场景：第一次用 Claude Code 不知从何下手的新手（结构化命令代替空白提示词）；想要严格评审和 QA 流程的技术负责人；仍然想亲自写码的创始人/CEO。macOS 和 Linux 完整支持，Windows 属于"能用但不承诺"档。

💬 一句话锐评：别人开源代码，Garry 直接开源了"我开公司的方法"——这大概是硅谷版的家底大放送。

📌 今日总结

今天这批项目的共同主题是"把信任和底气还给个人"：auto-ontology 让 Agent 的每个数字可溯源（大厂级的严谨），kimi-k3-in-c 让 8GB 笔记本配得上万亿模型（个人级的野心），MoneyPrinterTurbo 把视频产能塞进一个关键词（个人级的产能），gstack 干脆把总裁级的管理方法论写成命令行（个人级的管理团队）。

开源世界最浪漫的地方就在这：你缺什么，总有人把自己压箱底的那份搬出来。

觉得有用就点个"在看"，明天同一时间，继续拆热榜🩷