01
把下载、播放、阅读和笔记装进一个应用
OmniGet 是把视频下载、播放、阅读、笔记都搞到一起的开源应用，
支持 Windows、macOS 和 Linux，目前已经拿到大几千 Star。
你可以拿它下载在线课程、视频、音乐和电子书，下载完成后继续在应用里播放、阅读和做笔记。
OmniGet 底层接入了 yt-dlp，覆盖 1800 多个网站。
YouTube 播放列表、B 站视频、短视频、播客和图片合集都能处理。
课程下载做得更完整，支持 Udemy、Hotmart、Teachable 等平台，可以把课程章节和附件一起保存下来。
它最舒服的功能是全局快捷键。
复制一个链接，按下 Ctrl+Shift+D，macOS 上是 Cmd+Shift+D，下载任务就会在后台开始。想先选画质，也可以把链接粘进主界面查看预览。
下载后的内容不会继续躺在文件夹里吃灰。
课程播放器支持断点续播和时间戳笔记，点击笔记就能回到对应画面，旁边还能查看课程附带的 PDF。
内置阅读器支持 PDF、EPUB、CBZ、TXT 和 HTML，提供高亮、书签与专注模式。
音乐部分能管理本地曲库、显示同步歌词，常见音频格式基本都能播放。
项目还塞进了字幕编辑、番茄钟、双向链接笔记、知识图谱和本地 FFmpeg 转换。功能确实多，适合想把素材收集、学习和整理放在同一处的人。
安装没有太高门槛。Windows 下载便携版 .exe，macOS 使用 .dmg，Linux 可以安装 Flatpak。
下载课程和媒体时，记得遵守站点条款和当地法律，只保存自己拥有或已获授权的内容。
部分平台还需要登录，能下载的清晰度也取决于账号权限。
开源地址：https://github.com/tonhowtf/omniget02
让 Pi 智能体学会点击桌面应用
pi-computer-use 是 Pi 智能体的扩展，目前约有 1500 个 Star，支持 macOS 和 Windows。
安装以后，Pi 可以查找已经打开的应用和窗口，观察当前界面，搜索可见的文字、按钮与控件，再执行点击、输入、滚动和按键操作。
任务执行后，它还能等待界面发生变化，继续判断下一步该做什么。
这套流程适合那些没有 API、没有 MCP 接口、也不方便通过命令行操作的软件。比如在桌面客户端里调整设置、从老旧内部系统录入信息，或者替你完成一串固定的窗口操作。
项目对边界也写得很清楚。
有稳定 API 或 MCP 集成时，优先走接口。屏幕操作会受窗口位置、权限弹窗和界面改版影响，更适合拿来补齐最后一段自动化链路。
安装只需要一条命令：
pi install npm:@injaneity/pi-computer-usemacOS 端要求系统版本不低于 macOS 14，还要给辅助功能与屏幕录制权限。Windows 端需要在可交互的桌面会话中运行。
开源地址：https://github.com/injaneity/pi-computer-use03
专门给 AI 智能体设计的图表语言
Microsoft 开源的 Flint Chart 目前已经获得约 2000 个 Star。
它是一门面向 AI 智能体的可视化中间语言，让智能体用更短、更容易编辑的规格描述图表，再由编译器补齐坐标轴、标签、间距、图例和布局等细节。
Flint 会结合数据、字段语义、图表类型和画布大小自动做排版。
它内置 70 多种语义类型，例如价格、排名、温度和国家，用来帮助系统理解一个字段表达的含义，而不只是把它当成普通数字或文本。
同一份 Flint 规格可以编译成 Vega-Lite、ECharts 或 Chart.js 的原生配置，目前覆盖 30 多种图表类型。
想换渲染库时，数据和核心图表描述不用跟着重写。
项目还提供了 MCP Server。
智能体可以在对话里选模板、校验规格、渲染图表，最后返回交互式预览、PNG、SVG，或者对应图表库的原生配置。
数据既能直接写进请求，也能从本地 JSON、CSV 和 TSV 文件读取。
在 JavaScript 或 TypeScript 项目里使用 Flint：
npm install flint-chart想接入支持 MCP 的智能体客户端，可以运行：
npx -y flint-chart-mcp如果你正在做数据分析智能体、自动报告或低代码看板，Flint 的价值很实际。
AI 负责表达意图，编译器负责处理大量容易出错的图表细节，生成结果仍然留给人编辑。
开源地址：https://github.com/microsoft/flint-chart04
给不同难度的任务匹配不同模型
很多 AI 智能体默认把所有任务都丢给同一个大模型。
改个文件名和分析一套复杂代码，用的是同样昂贵的推理能力，账单自然降不下来。
OpenSquilla 把模型选择放进了智能体运行时。
这个项目目前约有 6200 个 Star，核心是一套强调 Token 效率的微内核智能体。
它能运行在命令行、Web UI 和聊天渠道里，并通过同一套任务循环处理工具调用、重试和日志。
它的 SquillaRouter 会在本地分析任务长度、语言、代码特征、关键词和语义信息，把请求划分为四个复杂度等级，再选择成本更合适的模型。
分类过程在设备上完成，项目文档称提示词不会为了路由判断而发送到外部服务。
这套架构可以接入 OpenAI、Anthropic、OpenRouter、Ollama、DeepSeek、Gemini、通义千问等 20 多种模型服务。
项目还带有持久化本地记忆、内置网页搜索、分层安全沙箱、MCP、定时任务和多个聊天渠道，已经接近一套完整的个人智能体运行环境。
开源地址：https://github.com/opensquilla/opensquilla