本周 GitHub 热点：AI 基础设施下沉与实战

本周 GitHub 最火的趋势是 AI 基础设施的“下沉”与“实战化”，大家不再盲目追逐新模型，而是开始死磕推理加速、Agent 评估和落地指南。

codex-orange-book

⭐ 2,285 stars 老实说，官方文档有时候真的让人抓狂。这本非官方的 Codex 橙皮书 算是把 Codex 从安装到实战案例扒了个底朝天。如果你和我一样，看官方文档总觉得缺了点“人话”和具体场景，这个仓库绝对能帮你省下几个小时的踩坑时间。它提供了可下载的 PDF，适合放在手边当字典查。我觉得它比零散的教程好在于体系完整，直接 clone 下来看 HTML 或者下 PDF 就行。

DeepSpec

⭐ 2,259 stars 推测解码是现在大模型推理加速的显学，但自己从头搭一套评估环境太折磨了。DeepSeek 开源的 DeepSpec 直接给了一套全栈代码库。与那些只给个推理脚本的项目相比，它把训练和评估算法都包圆了。如果你在做推理优化，直接用它跑 baseline 会省事很多。快速上手：

git clone https://github.com/deepseek-ai/DeepSpec.git
cd DeepSpec && pip install -r requirements.txt

exploitarium

⭐ 2,192 stars 安全圈的老哥总是喜欢整点硬核的。exploitarium 是一个公开的漏洞 PoC 和研究 writeup 集合。作者说发布时这些都没被报告过，鼓励大家自己去提交拿 CVE。这项目适合安全研究员或者想入行网安的新手，用来研究真实漏洞链路。不过作者也提醒了别滥用。我觉得这种“以战代练”的资源库，比看干巴巴的 CVE 描述有效得多。直接浏览仓库里的 markdown 文件就能开始研究。

Qwen-AgentWorld

⭐ 627 stars 做 Agent 的应该都感觉到了，让 Agent 理解物理世界规律是个大坑。通义千问团队搞的 Qwen-AgentWorld 试图用语言世界模型来解决这个问题。和普通的 Agent 框架不同，它更侧重让 Agent 具备常识和世界模型能力。如果你在做具身智能或者复杂的任务规划，这个方向值得盯紧。目前还在早期，建议先跑通它提供的 Python 示例脚本，看看它在特定场景下的表现。

awesome-evals

⭐ 564 stars 现在是个项目都自称 Agent，但到底好不好用全凭感觉。BenchFlow 维护的 awesome-evals 算是给这个乱象踩了脚刹车。它收录了构建和评估 AI Agent 的最佳资源，没有那些水论文的废话。如果你正在头疼怎么量化你开发的 Agent 性能，或者想找个靠谱的 benchmark，直接来这里抄作业。把它当书签收藏，需要评估方案时翻一翻，比自己去搜论文强。

krea-2

⭐ 371 stars Krea 在 AI 图像生成圈子里口碑一直不错，这次他们开源了 krea-2 的官方推理代码。对于想研究顶级图像模型底层实现，或者想在本地部署类似高质量生图能力的团队来说，这代码含金量很高。与那些套壳 Stable Diffusion 的项目相比，这是实打实的官方实现。直接 clone 仓库，按照 requirements 装好依赖，跑一下 inference 脚本就能出图。