今天 GitHub 最值得试玩的 10 个项目：从 3D 重建到并行 agent
这期挑出 10 个可动手的项目，从浏览器里的多模型聊天、3D 场景重建和低显存推理，到视频剪辑、学习工作台与并行 agent 桌面，帮你先找到最值得打开的三个入口。
先玩哪 3 个
如果今天只留半小时，我会先打开 G0DM0D3，在浏览器里并行比较多个模型的回答；再给 wigolo 跑一次本地网页研究，让 coding agent 自己搜索、抓取和整理资料；最后下载 Orca，把同一个任务分发给几个 agent，看独立 worktree 怎样让「多试几种答案」变得可操作。
10 个值得打开的项目
1. [LingBot-Map：把一段视频变成可走进去的 3D 场景]
今日榜新增 831 stars，总 star 12,936。 LingBot-Map 是一个面向流式 3D 重建的模型，输入连续画面后，尝试在浏览器 viewer 里还原场景的几何结构、相机姿态和长序列变化。README 给出的交互式 demo 会启动一个 viser viewer，默认在
http://localhost:8080 打开。13最短试玩路径是准备
lingbot-map-long 模型，执行 python demo.py --model_path /path/to/lingbot-map-long.pt --image_folder example/courthouse --mask_sky，然后在浏览器里拖着相机看重建结果。项目也提供 Hugging Face 模型入口 和 项目页。3为什么值得玩： 这不是只看一张生成图，而是把「视频里的空间」变成可以浏览的对象。对做机器人、空间计算、游戏场景或视频理解的人，它很适合拿几段室内走动视频做直观实验。
注意： 官方推荐 Python 3.10、PyTorch 2.8.0 和 CUDA 12.8，长序列超过约 320 个视图后性能会下降；没有 NVIDIA GPU 的机器，不适合把它当作随手安装的小工具。3
2. [G0DM0D3：在一个网页里同时比较几十种模型]
今日榜新增 69 stars，总 star 9,505。 G0DM0D3 是一个开源、多模型聊天界面，README 列出 OpenRouter、Venice 和本地 OpenAI-compatible 模型入口，还提供并行回答、跨模型评估、提示扰动和本地历史等功能。14
最省事的方式是直接打开 godmod3.ai，配置一个 OpenRouter key、Venice key，或者接入自己的本地模型。想完全自托管则只需克隆仓库，打开单文件
index.html，无需额外构建步骤；用 Ollama 时，README 给出了 qwen3:8b 和 http://localhost:11434/v1 的示例。4为什么值得玩： 你可以给同一个问题开五条路线，看「多模型竞赛」到底会不会比单独问一个模型更容易发现好答案；隐藏彩蛋和 Konami code 也让它不像普通聊天后台。
注意： 聊天记录只保存在浏览器
localStorage，没有账号同步和云端备份；metadata telemetry 默认开启，可切到 No-Log 或 Local-only，但 provider 和 hosting 的日志政策仍然各自有效。不要把敏感对话或凭证当作测试材料。43. [wigolo：给 coding agent 装一套本地网页研究工具]
今日榜新增 203 stars，总 star 1,239。 wigolo 把搜索、抓取、爬取、抽取、缓存、相似页面查找和研究循环统一成一套本地工具，能通过 MCP、REST 或 SDK 接到 Claude Code、Cursor、Codex 等 agent。15
最短入口是
npx wigolo init --agents=<your-agent>，前提是 Node 20 及以上和约 1.5 GB 磁盘空间。初始化后可以先让 agent 研究一个公开技术问题，再运行 npx wigolo doctor 检查当前能力。5为什么值得玩： 它把「让 agent 上网」从一条模糊能力拆成了许多可观察的动作。你可以对比一次普通搜索和一次带 crawl、extract、research loop 的任务，看看上下文到底多了什么。
注意： 项目仍是 public beta，受挑战保护的网站可能因为 IP reputation 无法访问；README 会标记失败，而不是把空结果伪装成成功。核心数据默认留在
~/.wigolo/，但如果显式启用 LLM 做综合，内容仍可能发给相应模型服务。54. [AirLLM：用很小的显存跑大模型]
今日榜新增 161 stars，总 star 23,330。 AirLLM 的核心做法是一次只把一个模型层放进 GPU，从而把显存压力从「整个模型多大」改成「单层多大」。README 给出的例子包括用约 4GB 显存运行 Llama 3.x 70B、约 8GB 运行 Llama 3.1 405B，以及约 12GB 运行 DeepSeek-V3。16
最短路径是
pip install airllm，再用 AutoModel.from_pretrained("Qwen/Qwen3-32B") 加一段 model.generate(...) 做推理。它支持 Llama、Qwen、DeepSeek、Mistral、Phi、Gemma 等多个模型家族。6为什么值得玩： 这是一个很直观的「硬件错觉」实验：同一块并不夸张的 GPU，竟然可以开始摸到原本看起来完全装不下的模型。
注意： 分层加载会消耗大量磁盘空间，部分 gated model 还需要 Hugging Face token；MacOS 只支持 Apple silicon。它适合做推理和资源实验，不等于大模型在小显存上也能保持桌面级速度。6
5. [OpenCut：开源版 CapCut，但当前要分清新旧两条线]
本周榜新增 13,319 stars，总 star 75,425。 OpenCut 是一个面向 Web、桌面和移动端的开源视频编辑器，目标是成为 CapCut 的开源替代品。当前仓库正在从头重写，规划里包括 Rust core、插件、MCP server、无界面批渲染和脚本标签页。27
想现在就试，应该打开 README 指向的 OpenCut Classic 或 opencut.app，而不是把当前重写中的主仓库误当成成熟桌面软件。若想参与新架构开发，仓库给出的本地入口是
proto use，再分别运行 Web、API 或桌面开发命令。7为什么值得玩： 它同时展示了一个能用的旧版本和一套正在重建的编辑器架构。你可以先剪一条短视频，再回头看插件、MCP 和 headless rendering 为什么会成为下一代编辑器的接口。
注意： 新仓库目前仍在重写，README 明确说暂时还没有准备好接受外部贡献；生产使用要优先评估 Classic 版本的能力和维护状态。7
6. [DeepTutor：把聊天、解题、测验和研究放进同一个学习工作台]
本周榜新增 2,154 stars，总 star 27,648。 DeepTutor 是一个 agent-native learning workspace，把 Chat、Quiz、Research、Visualize、Solve 和 Mastery Path 放在同一套 agent loop 上。它能读附件、调用工具、生成图片、咨询子代理，并把内容继续写入 notebook。28
最快的本地入口是 Python 3.11+、Node.js 20+，执行
pip install -U deeptutor、deeptutor init、deeptutor start，然后打开默认的 http://127.0.0.1:3782。也可以直接用 Docker 运行完整 Web 应用，或只安装 CLI 做终端对话。8为什么值得玩： 它不是单纯问答框，而是可以追问、出题、做研究、建立知识库的一块「学习沙盒」。拿一篇你正在读的论文或一份课程资料进去，比让它泛泛讲一个主题更能看出工作流差异。
注意： 初始化时必须配置 LLM provider、base URL、API key 和模型；Office 类技能会生成并执行 Python 代码，沙箱开关是一个真实的主机信任决策。第一次测试请用隔离目录和非敏感文件。8
7. [Orca：把一条提示分发给多个 agent，再比较哪个结果更好]
本周榜新增 5,520 stars，总 star 21,810。 Orca 是一个桌面端 AI orchestrator，可以让 Codex、Claude Code、OpenCode 或 Pi 并排运行，每个 agent 使用独立 git worktree，统一在一个界面里跟踪。29
最短试玩方式是从 Orca 下载页 获取 macOS、Windows 或 Linux 版本。它的特色不只是在一个窗口里开多个终端，还包括手机 companion、WebGL 终端分屏、Design Mode、拖拽文件到 prompt、SSH worktree 和用 CLI 脚本化工作流。9
为什么值得玩： 让五个 agent 各自完成同一个小任务，再比较 diff，是比「凭感觉挑模型」更可见的实验。独立 worktree 也把试错从一个共享目录里搬了出来。
注意： Orca 使用你自己的 agent 订阅，功能更新很快，README 还专门提供了 privacy 与 telemetry 文档；手机 companion 需要和桌面应用配对。先用测试仓库验证账号、凭据和自动操作边界。9
8. [AI Engineering from Scratch：从线性代数一路造到 agent]
今日榜新增 191 stars，总 star 39,103。 这是一个大型、可运行的 AI 工程课程仓库，包含 20 个阶段、503 节课和四种语言。路线从线性代数、反向传播、tokenizer、attention 一直走到 LLM、工具协议、agent engineering、多 agent 和生产基础设施。110
最轻的入口不是先克隆 503 节课，而是直接打开 课程网站；想动手则可以克隆仓库，运行
python phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py。仓库还提供 /find-your-level 和 /check-understanding 两个技能，帮助你决定从哪个阶段开始。10为什么值得玩： 每节课不只留下笔记，还会产出 prompt、skill、agent 或 MCP server。它更像一张可以持续收集战利品的工程地图，而不是看完就忘的课程清单。
注意： 仓库明确要求读者会写代码，完整路线约 320 小时；不要把「有 503 节课」理解成一周速成。先挑一个能独立运行的小课题，比从 Phase 0 一路线性打卡更现实。10
9. [PostHog：自己搭一套能看用户行为的产品实验室]
今日榜新增 338 stars，总 star 36,591。 PostHog 把产品分析、Web analytics、session replay、feature flags、experiments、error tracking、surveys 和 data warehouse 放在一个开源平台里，README 还提供了 MCP 入口，可以接到 Claude Code、Cursor 或其他 MCP client。111
最快的方式是注册 PostHog Cloud，给一个小网页装 JavaScript snippet，再制造几次点击、报错和功能开关。想自己托管则需要 Linux 和 Docker，README 给出的 hobby deploy 是一行命令，建议至少 4GB 内存。11
为什么值得玩： 它适合拿自己的 side project 做一次「产品考古」：哪些按钮真的被点了，哪个版本带来更多错误，session replay 里用户到底卡在哪一步。
注意： 开源 hobby 部署大约适合每月 100,000 个事件以内，官方不为开源部署提供客户支持或保证；真实用户数据要先确认隐私、保留周期和自托管边界。11
10. [Open Interpreter：把低成本模型装进一个可切换的 coding agent]
本周榜新增 2,344 stars，总 star 66,671。 Open Interpreter 的新 Rust 版本以 Codex 为基础，重点是用 harness 帮低成本模型获得更稳定的 coding agent 工作流。它支持切换模型和 harness、MCP、skills、hooks、permissions，也能通过 ACP 接入编辑器。212
macOS 和 Linux 可以执行
curl -fsSL https://www.openinterpreter.com/install | sh，Windows 则有 PowerShell 安装命令，装好后在终端输入 i 或 interpreter。启动后可以用 /model 切换提供方，用 /harness 切换 native、Claude Code、Kimi CLI、Qwen Code 等 harness。12为什么值得玩： 这次的看点不是再开一个聊天窗口，而是把「模型、harness、权限、MCP 和 ACP」变成可以现场切换的实验台。你可以用同一份小任务比较不同 harness 对低成本模型的影响。
注意： 在线模型仍需要相应 provider credentials；项目会在本机执行命令，虽然 README 提到 native sandboxing 和 permissions，第一次一定要用测试目录，并确认当前模型与工具权限。12
今天这批项目怎么选
想看最直观的画面，选 LingBot-Map；想马上在浏览器里试，选 G0DM0D3；想给 agent 加网页研究能力，选 wigolo。手上有 NVIDIA GPU，可以折腾 AirLLM；想研究创作工具，OpenCut 比较适合先打开 Classic 版本。
如果你更关心工作流，Orca 和 Open Interpreter 分别代表「多 agent 并行」与「单 agent harness 实验」；DeepTutor 和 AI Engineering from Scratch 则把学习从问答变成可持续的项目。PostHog 适合有 side project 的读者，装上几行埋点后才能真正看到价值。
凡是会读文件、执行命令、访问模型 API 或接触用户数据的项目，都先用隔离目录、测试账号和无敏感样本开局。好玩的地方在于把它们跑起来，但真正值得收藏的，是你能看清它们各自把什么复杂问题变成了一个可以动手的入口。
References
- 1GitHub Trending daily
github.com
- 2GitHub Trending weekly
github.com
- 3Robbyant/lingbot-map README
github.com
- 4elder-plinius/G0DM0D3 README
github.com
- 5KnockOutEZ/wigolo README
github.com
- 6lyogavin/airllm README
github.com
- 7OpenCut README
github.com
- 8HKUDS/DeepTutor README
github.com
- 9stablyai/orca README
github.com
- 10
- 11PostHog README
github.com
- 12Open Interpreter README
github.com
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.