Feynman 把AI研究全流程整合到一起，提供开源AI研究代理解决方案。
不仅支持论文搜索、智能多代理深度研究，还能文献综述、实验复现、代码审计，甚至自动生成带引用的研究报告。| #工具 #论文
主要功能：
- 多代理研究系统，自动调度Researcher、Reviewer、Writer、Verifier代理；
- 论文搜索与分析（AlphaXiv），支持Q&A、代码阅读和批注；
- 深度研究/lit审阅，支持多源证据收集、共识分析和开放问题总结；
- 实验复现/replicate，可本地或云GPU（Modal/RunPod）运行；
- 代码审计/audit，对比论文声明与代码库一致性；
- Web搜索、会话记忆、输出预览与导出（浏览器/PDF）。
支持 macOS/Linux/Windows，通过一键安装脚本快速部署，也可 pnpm/bun 本地运行，适合AI研究者和开发者使用。
编程开发层面，他同时使用Claude Code、KIWI K2.5和Codex处理不同类型的编码任务，Cursor负责调试，Lovable专攻网页原型，Vibecode则用于移动端应用开发。他提到自己手上有二三十个实验性App在排队等着做，这种产出效率在过去是不可想象的。
视觉内容生产线同样丰富：Midjourney负责病毒式传播的图像风格，Grok和Nano Banana Pro作为图像生成的补充选项，Topaz Bloom处理图像放大。视频方面，Veo 3.1、Kling、Grok三管齐下，Topaz Astra负责视频增强。更有意思的是3D领域，Meshy AI可以把图片转成3D模型，DeepMind的Genie则用于构建3D世界。
内容运营工具也相当完整：HeyGen和Higgsfield用于AI虚拟人，Opus Clip做病毒式剪辑，Veed处理字幕，CapCut快速剪辑，ElevenLabs生成语音，Suno生成音乐。
有人问他每月在这些工具上花多少钱，他的回答很有意思：太多了，所以2026年的计划是用自己开发的App替换掉其中一部分。这其实揭示了一个趋势，当AI编程能力足够强，很多垂直SaaS的护城河会被个人开发者逐渐瓦解。
另一条评论也很犀利：这么大的工具栈不是竞争优势，而是订阅噩梦，真正的护城河是你独特的创意品味，不是你租用的工具。他的回应是：谁说我每个月都在为这些付费？
这句话点出了一个容易被忽视的事实。工具的价值不在于拥有多少，而在于你能用它们产出什么。当被问到日常最常用什么时，他的答案是自己用代码构建的内部工具和应用。
掌握AI的方式只有一种，就是把所有工具都用一遍。这话听起来偏执，但在技术剧变期，广泛尝试本身就是一种学习策略。
hyprwhspr：Arch Linux 上的原生语音转文字工具 | #工具
用语音输入文字这件事，在 Linux 桌面上一直不太顺手。要么依赖云端服务有延迟，要么本地方案配置繁琐，Wayland 环境下更是各种兼容问题。
hyprwhspr 是一个专为 Arch Linux 和 Hyprland 打造的语音转文字工具，按下快捷键说话，松开后文字直接出现在光标位置，整个过程在本地完成。
项目默认使用 Whisper 模型实现离线识别，也支持最新的 Parakeet-v3 模型，有 NVIDIA 或 AMD 显卡还能启用 GPU 加速。除了本地模型，同样支持 OpenAI、Groq 等云端 API，甚至可以接入任意自定义后端。
主要特性：
- 通过 AUR 一键安装，交互式配置向导自动完成设置；
- 支持切换、按住说话、自动检测三种录音模式；
- 可视化录音状态指示器，自动匹配 Omarchy 主题配色；
- 内置词语替换功能，可自定义专业术语和标点符号转换；
- Waybar 托盘集成，实时显示服务状态；
- 支持多语言识别，可指定语言或自动检测。
安装后运行 hyprwhspr setup 即可完成配置，默认快捷键 Super+Alt+D 触发录音，文字自动粘贴到当前活动窗口。
用语音输入文字这件事，在 Linux 桌面上一直不太顺手。要么依赖云端服务有延迟，要么本地方案配置繁琐，Wayland 环境下更是各种兼容问题。
hyprwhspr 是一个专为 Arch Linux 和 Hyprland 打造的语音转文字工具，按下快捷键说话，松开后文字直接出现在光标位置，整个过程在本地完成。
项目默认使用 Whisper 模型实现离线识别，也支持最新的 Parakeet-v3 模型，有 NVIDIA 或 AMD 显卡还能启用 GPU 加速。除了本地模型，同样支持 OpenAI、Groq 等云端 API，甚至可以接入任意自定义后端。
主要特性：
- 通过 AUR 一键安装，交互式配置向导自动完成设置；
- 支持切换、按住说话、自动检测三种录音模式；
- 可视化录音状态指示器，自动匹配 Omarchy 主题配色；
- 内置词语替换功能，可自定义专业术语和标点符号转换；
- Waybar 托盘集成，实时显示服务状态；
- 支持多语言识别，可指定语言或自动检测。
安装后运行 hyprwhspr setup 即可完成配置，默认快捷键 Super+Alt+D 触发录音，文字自动粘贴到当前活动窗口。
自动化渗透测试一直是安全团队的难题，传统方法耗时且依赖人工判断，漏洞验证更是复杂繁琐。
Shannon 是一个完全自主运行的 AI 渗透测试工具，能自动扫描并真实利用漏洞，提供可复现的攻击示例，帮助开发和安全团队在漏洞被利用前发现风险。它在无提示的源代码环境下，已达到了96.15%的漏洞利用成功率。| #工具
主要特点包括：
- 端到端自动化测试流程，一键启动，AI 自动完成登录、导航到漏洞点和利用验证；
- 重点覆盖注入攻击、XSS、SSRF及认证绕过等关键 OWASP 漏洞类型；
- 结合代码静态分析和动态漏洞利用，确保发现的漏洞是真实可被利用的；
- 支持多线程并行测试，加快检测速度，快速生成专业渗透测试报告；
- 开源 AGPL-3.0 许可，适合安全团队、独立研究者和开发者自测应用安全；
- 支持通过 Docker 快速部署，配置灵活，支持包括两步验证的认证流程。
Shannon 不仅是攻防团队的红队利器，也是持续安全保障的智能助理，让安全检测变得高效、精准且可复制。
适合需要自动化安全检测和漏洞验证的Web应用开发与安全运维人员。
Shannon 是一个完全自主运行的 AI 渗透测试工具，能自动扫描并真实利用漏洞，提供可复现的攻击示例，帮助开发和安全团队在漏洞被利用前发现风险。它在无提示的源代码环境下，已达到了96.15%的漏洞利用成功率。| #工具
主要特点包括：
- 端到端自动化测试流程，一键启动，AI 自动完成登录、导航到漏洞点和利用验证；
- 重点覆盖注入攻击、XSS、SSRF及认证绕过等关键 OWASP 漏洞类型；
- 结合代码静态分析和动态漏洞利用，确保发现的漏洞是真实可被利用的；
- 支持多线程并行测试，加快检测速度，快速生成专业渗透测试报告；
- 开源 AGPL-3.0 许可，适合安全团队、独立研究者和开发者自测应用安全；
- 支持通过 Docker 快速部署，配置灵活，支持包括两步验证的认证流程。
Shannon 不仅是攻防团队的红队利器，也是持续安全保障的智能助理，让安全检测变得高效、精准且可复制。
适合需要自动化安全检测和漏洞验证的Web应用开发与安全运维人员。
below 是一个开源的时间旅行资源监控工具，支持实时查看和录制历史系统数据，包括硬件资源利用率、cgroup层级和进程信息、压力停滞指标（PSI）等。 | #工具
它不仅支持实时模式监控系统状态，还能录制数据以便回放分析，方便排查历史性能问题。通过dump命令还能导出JSON、CSV、OpenMetrics格式数据，方便与Prometheus和Grafana等监控系统集成。
主要功能包括：
- 实时监控系统资源使用情况；
- 支持cgroup和进程信息展示；
- 压力停滞信息（PSI）监控；
- 录制和回放系统历史数据；
- 脚本友好的数据导出接口；
- 支持与Prometheus/Grafana集成。
支持Fedora、Alpine、Gentoo等多种Linux发行版，安装简单，且提供Docker镜像方便快速部署。适合系统管理员和运维工程师使用。
David Finsterwalder开源了一款基于Three.js的神经网络可视化工具，展示了一个简单多层感知机（MLP）在MNIST手写数字上的训练过程。所有训练和可视化代码用PyTorch写成，完全开源，方便学生和开发者直观理解神经网络的动态变化。
这款工具运行在浏览器上，权重数据以JSON形式存储，适合桌面大屏体验，手机端菜单显示有些重叠。尽管目前教学内容主要是德语且依赖现场讲解，作者计划未来翻译并丰富教育资料，甚至考虑通过WebRTC支持平板手写输入，提升互动体验。
Finsterwalder称此项目100%“vibecoded”完成，得益于Three.js的强大以及PyTorch实现MLP的简洁。他的灵感部分来自3Blue1Brown的神经网络视频封面，强烈推荐该频道作为神经网络入门资源。
该项目更适合教学核心原理，网络结构简单（约11万参数），相比大型模型如LLM更便于理解和演示。社区反响热烈，大家一致认为此类可视化是连接理论与实际的桥梁，有助学生直观感受模型训练，甚至激发研究者对架构互动式实验的兴趣。
与现有类似项目相比，Finsterwalder强调自己更注重动态权重更新的展示和空间三维效果，避免了扁平神经元排列的视觉局限。他也在与展览方沟通，期待将此工具带入更多教学和展示场景。
体验地址 | 帖子 | 代码仓库 | #可视化 #工具
这款工具运行在浏览器上，权重数据以JSON形式存储，适合桌面大屏体验，手机端菜单显示有些重叠。尽管目前教学内容主要是德语且依赖现场讲解，作者计划未来翻译并丰富教育资料，甚至考虑通过WebRTC支持平板手写输入，提升互动体验。
Finsterwalder称此项目100%“vibecoded”完成，得益于Three.js的强大以及PyTorch实现MLP的简洁。他的灵感部分来自3Blue1Brown的神经网络视频封面，强烈推荐该频道作为神经网络入门资源。
该项目更适合教学核心原理，网络结构简单（约11万参数），相比大型模型如LLM更便于理解和演示。社区反响热烈，大家一致认为此类可视化是连接理论与实际的桥梁，有助学生直观感受模型训练，甚至激发研究者对架构互动式实验的兴趣。
与现有类似项目相比，Finsterwalder强调自己更注重动态权重更新的展示和空间三维效果，避免了扁平神经元排列的视觉局限。他也在与展览方沟通，期待将此工具带入更多教学和展示场景。
体验地址 | 帖子 | 代码仓库 | #可视化 #工具
