AI前沿速递｜claude-obsidian 14K星给Obsidian装AI第二大脑、claude-seo 16K星把SEO做成Claude技能包、marin 开源大模型训练流水线、TSP 4K星自托管A股量化工作台
这周 GitHub 上 AI 项目依旧热闹，但风向明显变了：纯刷星的「玩具」少了，能直接进工作流的工具多了。我挑了四个方向完全不同的：一个把 Obsidian 变成会生长的知识库，一个把 SEO 全案打包成 Claude Code 技能，一个把大模型训练全过程开源的研究框架，一个自托管的 A 股量化工作台。前两个偏个人效率，后两个偏硬核，各有各的玩法和坑。
1. claude-obsidian — ⭐14.6K，给 Obsidian 装一个会自己生长的第二大脑
作者 AgriciDaniel，思路源自 Karpathy 的 LLM Wiki，把 Claude Code 和 Obsidian 接起来，全本地运行，MIT 协议。核心是一个重复循环：捕获（原始资料先进收件箱，内容寻址留档）→ 溯源（每条重要结论挂 source/claim 台账，支持、矛盾、置信度都记）→ 连接（自动生成双链页面、索引、MOC 地图、Canvas 视图）→ 复用（检索、问答、lint，不每次从零聊起）。
- 本地优先：知识库就是普通 Markdown/JSON 文件，不锁进插件缓存，不悄悄上传云端
- 多 Agent 并行不会写坏库：工作线程只出草稿，一个编排者统一事务提交
- 15 个 skill 一套体系：摄入、查询、维护、可视化共用同一套溯源模型
- 能力边界写得很老实：不是录音转写器、不是云同步、不替代备份
上手：
git clone https://github.com/AgriciDaniel/claude-obsidian.git
cd claude-obsidian
python3 scripts/claude-obsidian.py init "$HOME/Documents/MyKnowledgeVault"
# 先审查生成的 JSON 计划，再带 approved-plan-sha256 参数执行 --apply
实话：我没在真实库上跑过，只看了文档。这套设计最值钱的是「计划—批准—执行」机制，每次变更先给你看要干什么，对已有大量笔记的人友好；但你要是连笔记都懒得整理，它改变不了习惯，只会多一个吃灰的脚本。
2. claude-seo — ⭐16.2K，把 SEO 全案打包成 Claude Code 技能
同一个作者的另一作，MIT，410 个测试通过。它把 SEO 服务商的活拆成 25 个子技能 + 18 个专家子代理：技术 SEO、E-E-A-T、Schema、GEO/AEO、本地 SEO、电商、国际站、外链、PDF/Excel 报告全覆盖。
- 并行审计：整站最多 15 个子代理同时跑，审计从几小时压缩到几分钟
- AI 搜索优先：对齐 Google 官方 AI 优化指南，做问题式可引用性打分、llms.txt、AI 生成图片的 IPTC 标记
- 每条建议都可证伪：给出依据、依赖关系和「怎么判断它失败了」的检查项，不是嘴炮
- 装法就是 Claude Code 插件三连：
/plugin marketplace add AgriciDaniel/claude-seo
/plugin install claude-seo@agricidaniel-claude-seo
/seo setup
实话：没实测。这货适合手里有站、愿意每周跑一次审计的人——比如我这种写博客的，正好拿自家站开刀。但它要 API 额度、要 Playwright 环境，是给会折腾的人准备的；指望「一键上首页」的可以走了。
3. marin — ⭐3.3K，把大模型训练从头到尾摊开给你看
斯坦福 CRFM 和 Open Athena 搞的研究框架（Apache-2.0），核心作者是 Levanter 的作者 dlwh。它不是个普通「库」，是训练大模型的流水线平台：数据清洗、tokenize、预训练、后训练、评估全流程，实验像 Makefile 一样按依赖编排。
- 全程开放开发：过程、实验、失败记录全部公开
- Delphi 缩放套件：3e18 到 1e23 FLOPs 的完整配方加 scaling law，checkpoint 挂 HuggingFace
- 战绩：用 Marin 训的 8B 模型在自家评测上超过 Llama 3.1 8B，32B 也训过
- 正在进行：从零训一个 500B+ 参数的 MoE 模型，服务科研场景
上手：
git clone https://github.com/marin-community/marin.git
cd marin
uv venv --python 3.12 && source .venv/bin/activate
uv sync --all-packages
实话：我只看了 README 和教程，没真训。它要 Python 3.12、uv，源码编译还要 Rust 工具链，配 W&B 和 HF token，明显不是给周末玩家准备的。但你想搞懂「大模型到底怎么训出来的」，这可能是目前最好的开源教材，还带作业。
4. tick-stock-panel — ⭐4.2K，自托管 A 股量化工作台
个人开源项目（MIT），名字太长大家叫它 TSP。定位很克制：自托管、零运维的「选股 + 监控 + 回测」工作台，明确不做同花顺/通达信，不内置 AI 荐股、涨停预测。
- Polars 引擎，68 列指标流水线，25 个内置策略，毫秒级扫全 A 股
- 回测体系全：因子回测（IC/IR、分层收益）、策略回测、分钟策略回测，T+1/手续费/滑点约束；挖掘出的候选显式确认才发布，永不自动上线
- AI 干辅助活：个股四维分析（技术/基本面/财务/消息面）、盘后自动复盘注入龙虎榜数据
- 监控中心支持语音播报和飞书推送；数据源插件化，TickFlow/fuyao/自写 YAML 都行
上手：
cp .env.example .env
docker compose up --build
# 打开 http://localhost:3018
实话：没运行过，也不荐股。README 自己都写了「小白请绕路，仅供学习研究」。坑在数据源：TickFlow 之类要 key，免费模式数据质量一般；而且这是个人项目，迭代节奏看作者心情。当量化学习样板看挺好，当实盘工具请三思。
今晚的观察
这周四个项目凑一起，其实是一条线：Agent 生态从「会聊天」转向「占坑位」。claude-obsidian 占的是你的笔记库，claude-seo 占的是你的 SEO 工作流，marin 占的是训练流程本身，TSP 占的是行情数据。工具不再是模型的外皮，而是长在具体场景里的技能和流水线——这也是为什么这周星最多的全是「技能包」「工作流」类仓库。
另一个信号：开源项目开始认真写限制条件了。TSP 说不荐股，claude-obsidian 说不是录音转写器，claude-seo 每条建议标注可证伪。比起画饼的 README，这种把「做不到什么」写清楚的，反而更值得跟进。
以上项目均未深度实测，信息来自各仓库 README 与官方文档，上手前请自行验证。
by 数码罗记·godsun.pro
