这周GitHub上又冒出来一批有意思的项目，不是那种换个皮又来圈star的，而是真在解决具体问题的。我挑了4个方向完全不同的——AI网关省钱、金融时序建模、开发机安全扫描、WiFi穿墙感知——每个都值得单独聊聊。
OmniRoute：一个端点接268家AI供应商，免费额度吃到饱
用AI编程工具最烦什么？额度用完。Claude Pro的5小时窗口跑着跑着就断了，Codex Plus每周重置，Gemini CLI有月度上限。你手动切provider、改环境变量、丢session上下文——时间和钱都浪费了。
OmniRoute干的事很简单：装一个本地网关，把所有AI供应商接到一个OpenAI兼容端点上。你的Claude Code、Codex、Cursor、Cline、Copilot全指向localhost:20128/v1，剩下的它来管。
核心能力
- 268+供应商、500+模型，包括90+免费tier，11家永久免费（Kiro免费Claude、Pollinations免费GPT-5、LongCat每天50M token、Qwen免费Coder……）
- 18种路由策略：优先级、轮询、成本优化、自动评分（6因子：配额/健康/成本/延迟/任务匹配/稳定性）
- Token压缩15-95%：RTK+Caveman双层压缩，工具密集型session实测省89%
- Context Relay：切换账号时自动生成交接摘要，session不断
- 4层智能降级：付费订阅→API Key→超便宜备用→永久免费，永远不停
怎么用
一行装好：
npm install -g omniroute
omniroute然后你的工具改个BASE_URL就行：
# Claude Code
ANTHROPIC_BASE_URL=http://localhost:20128 claude
# Codex CLI
OPENAI_BASE_URL=http://localhost:20128/v1 codex
# Cursor IDE - Settings - Models - OpenAI-compatible
# Base URL: http://localhost:20128/v1最狠的玩法是”free-forever” combo：Kiro免费Claude → Qoder免费Kimi-K2 → LongCat 50M/天 → Pollinations免费GPT-5 → Qwen免费Coder。月费$0，永远不停。
适合谁
- 个人开发者想白嫖AI编程的
- 团队有多账号但各自为战的
- 受地区限制连不上某些provider的
⚠️ 注意：免费tier的稳定性和速度肯定不如付费，适合做降级兜底而不是主力。另外项目是GPL-3.0，商用注意协议。
GitHub: diegosouzapw/OmniRoute · 25K+ ⭐ · TypeScript
Kronos：金融市场的”语言模型”，K线数据的预训练基座
通用时序模型做金融预测一直不太行——金融数据噪声太大、非平稳、还有各种市场微观结构的怪癖。Kronos不装通用，它只做一件事：把K线序列当成”语言”来建模。
是什么
Kronos是一族decoder-only基础模型，专门为金融K线数据预训练。它用自定义tokenizer把连续的市场信息离散化成token序列，保留了价格动态和交易活动模式，然后在120亿条K线记录（来自45个全球交易所）上做自回归预训练。
效果怎么样
- 价格预测RankIC比最强TSFM高93%，比最强非预训练基线高87%
- 波动率预测MAE低9%
- 合成K线生成保真度提升22%
- AAAI 2026收录
它还有个在线Demo（shiyu-coder.github.io/Kronos-demo），实时展示BTC/USDT的概率预测，包括24小时上涨概率和波动率放大指标。
怎么用
pip install kronos-model
# 加载预训练模型做预测
from kronos import KronosModel
model = KronosModel.from_pretrained("kronos-large")
forecast = model.predict(kline_data, T=24, top_p=0.9, sample_count=100)适合谁
- 量化研究员想做市场时序实验的
- 金融ML团队需要预训练基座的
- 学术研究需要可复现的金融模型
⚠️ 未实测。MIT协议，但Kronos-large的商业授权需要单独确认。这是研究工具不是交易软件，别直接拿去下单。
GitHub: shiyu-coder/Kronos · 32K+ ⭐ · Python · AAAI 2026
Bumblebee：Perplexity开源的供应链扫描器，只读不执行
供应链攻击越来越盯上开发者的机器——npm投毒、VS Code恶意扩展、MCP配置被篡改。出了事你第一反应是”我们有没有中招”，但传统SCA工具要么会执行包管理器（反而触发payload），要么需要网络（应急时可能不可用）。
Perplexity把自己内部用的工具开源了：Bumblebee，一个只读的开发机端点扫描器。
核心设计
- 只读：不执行包管理器、不触发安装脚本、不发网络请求。应急响应时最怕的就是扫描工具让事情更糟
- 覆盖面广：npm/pnpm/Yarn/Bun、PyPI、Go modules、RubyGems、Composer、MCP host配置、VS Code/Cursor/Windsurf扩展、Chromium/Firefox扩展
- 结构化输出：NDJSON格式，直接pipe进SIEM/脚本/MDM
- 三种扫描profile：baseline（日常巡检）、project（项目级）、deep（应急响应）
- 零非标准库依赖：Go静态二进制，Apache 2.0
特别值得一提的是：它是第一个把MCP配置文件当安全面来扫的开源工具。你的AI agent连了哪些MCP server、配置了什么权限，它都能盘点出来。
怎么用
go install github.com/perplexityai/bumblebee/cmd/bumblebee@latest
# 日常巡检
bumblebee scan --profile baseline
# 应急响应
bumblebee scan --profile deep --catalog /path/to/advisory.json适合谁
- 安全团队做供应链应急响应的
- 开发团队想盘点本机依赖暴露面的
- 用MCP server的团队需要审计AI工具配置的
⚠️ 目前只支持macOS和Linux，Windows暂不支持。扫描速度约15秒完成baseline。
GitHub: perplexityai/bumblebee · Go · Apache 2.0
RuView：用WiFi信号穿墙感知人体，$9 ESP32就能跑
这个项目有点科幻——用普通WiFi信号检测人体姿态、呼吸频率、心率，还能穿墙。不需要摄像头、不需要穿戴设备、不需要手机App。
原理
RuView从WiFi的信道状态信息（CSI）中提取人体对无线电波的散射和变化，结合机器学习模型推断人体存在、运动和生理信号。底层是卡内基梅隆大学”DensePose from WiFi”研究的开源实现。
硬件门槛极低：3-6个ESP32-S3开发板（每个约$9）组成mesh网络采集CSI数据，配合预训练模型（HuggingFace: ruvnet/wifi-densepose-pretrained）做推理。
能力边界
- 存在检测：房间内有没有人，这个最可靠
- 呼吸频率：6-30 BPM，带通滤波+FFT峰值检测
- 心率趋势：0.8-2.0 Hz频段，精度有限但趋势可用
- 姿态估计：17关键点，但精度明显不如摄像头
- 穿墙：可以，但会降低精度
⚠️ 重要提醒：项目目前仍是beta状态。v2编码器在无标签测试集上的时序三元组准确率为82.3%（之前宣称的”100%存在检测”是在单类别录制上测的，已被撤回）。ESP32-C3和原版ESP32不支持，单节点空间分辨率有限。姿态估计的准确性离实用还有距离。
适合谁
- 智能家居/养老场景做存在检测和跌倒报警的
- 隐私敏感场景不想装摄像头的
- 研究者对WiFi感知感兴趣想复现实验的
⚠️ 未实测。83K star很吓人但要注意这个方向目前还是研究性质居多，别指望买几个ESP32就能搭出商业级监控系统。
GitHub: ruvnet/RuView · 83K+ ⭐ · Rust
小结
这四个项目方向完全不同，但有个共同点：都在解决真实痛点。OmniRoute解决AI工具额度焦虑，Kronos解决金融时序建模的冷启动，Bumblebee解决供应链应急响应的盲区，RuView探索无摄像头感知的可能性。
其中OmniRoute的”free-forever” combo对个人开发者最有即时价值——装上就能白嫖Claude和GPT-5，虽然免费tier速度和稳定性有限，但做降级兜底绰绰有余。Bumblebee对安全团队是刚需工具，尤其MCP配置扫描这个点，目前没有替代品。
Kronos和RuView更偏研究侧，但star数说明社区关注度很高。Kronos有AAAI背书和在线Demo，可信度不错；RuView的beta状态和精度限制需要理性看待。
by 数码罗记·godsun.pro
