本期 G-Star 项目推荐，聚焦内容发现、深度研究、文献管理、知识蒸馏与协同发布等方向，既有帮助用户筛选信息、核查研究证据的 AI 工具，也有把经验转成可执行 Skill、将成果沉淀为团队知识的开源项目。

G-Star 开源摘星计划，是 AtomGit 面向开源项目成长全流程推出的扶持计划，为入选项目提供代码托管、品牌推广与社区运营等支持。立即申请加入：
https://atomgit.com/g-star/apply

01. 发现真正值得关注的信息

OpenBiliClaw

项目地址：https://atomgit.com/whiteguo233/OpenBiliClaw

OpenBiliClaw 是一个纯本地、私有、开源的自进化跨平台内容发现 Agent从跨平台使用行为、反馈和对话中持续深化用户的心理画像，让agent带着对用户的理解主动去 B 站、小红书、抖音、YouTube、X、知乎、Reddit、Linux.do、Bangumi、V2EX、微博、GitHub 等平台找内容。 

项目亮点

• 跨平台内容发现：将多个内容平台的信息集中到同一套推荐逻辑中，减少兴趣数据被不同平台割裂的问题。
• 本地反馈闭环：画像、推荐和对话数据默认保存在本机 SQLite 中，用户可以通过喜欢、不感兴趣和对话反馈调整后续推荐。

ghfind

项目地址：https://atomgit.com/hikariming/ghfind

ghfind 是一个基于 GitHub 公开数据的开发者发现与账号分析平台。它通过项目质量、贡献情况、生态影响和活动真实性等维度生成账号评分，帮助开发者观察自身公开贡献，也可以用于发现潜在协作者。

项目亮点

• 多维贡献分析：评分模型综合六个分析维度与多项异常信号，降低单纯依赖 Star、Follower 等指标带来的偏差。
• 开发者发现与维护辅助：提供排行榜、公开资料卡和 README 徽章，还可通过 GitHub App 为 Issue、PR 添加评分区间标签，辅助维护者分配审核精力。

02. 把信息变成可追溯的研究

Deep Research Web UI

项目地址：https://atomgit.com/AnotiaWang/deep-research-web-ui

Deep Research Web UI 是一款可自托管的深度研究工具。它能够围绕问题规划搜索、读取网页并生成带引用的研究报告，用户还可以查看引用片段、继续追问，并基于新证据更新相关内容。

项目亮点

• 证据可查看、可追问：报告中的引用可以回到来源片段，支持针对某项发现继续检索，并保留更新前后的研究历史。
• 模型与搜索服务可配置：兼容多种大模型和搜索服务，支持浏览器客户端模式与服务器模式，结果可导出为 Markdown 或 PDF。

Agentero

项目地址：https://atomgit.com/poco-ai/Agentero

Agentero 是一款本地优先、面向人与 Agent 协作的科研工作台。它尝试把论文、批注、笔记和 AI 对话放进统一的本地 Vault，让 Agent 能够参与文献检索、阅读、翻译与知识整理。

项目亮点

• Agent 原生科研工作流：通过 ACP 接入本机 Agent，支持论文导入、划词对话、Skill 导入以及面向文献和笔记的 CLI、MCP 能力。
• 衔接现有文献生态：兼容 Zotero 导入方式，支持 BibTeX 导出、RSS 订阅、PDF 阅读、高亮批注、翻译和 Markdown 双链笔记。

Cangjie Skill

项目地址：https://atomgit.com/kangarooking/cangjie-skill

Cangjie Skill 用于将书籍、长视频、播客、课程和访谈中的方法论，转化为 Agent 可以调用的 Skill。它的目标不是再生成一份内容摘要，而是提取适用条件、执行步骤和能力边界，让知识能够在实际任务中复用。

项目亮点

• 从内容总结走向能力提炼：通过完整理解、并行提取、验证筛选、能力构建和压力测试等阶段，生成可组合、可调用的 Skill Pack。›
• 支持持续维护：提供确定性编译、增量更新、影响分析、评估、快照和回滚机制，方便维护已经生成的能力包。

03. 让知识能够执行与交付

LazyMind

项目地址：https://atomgit.com/LazyAGI/LazyMind

LazyMind 是一个面向知识密集型工作的 AI Skill Runtime。它将知识库、Skills、工作流、可编辑产物和评估机制组织在同一空间，用于研究、写作、演示文稿和知识问答等长流程任务。

项目亮点

• 过程可观察、任务可恢复：工作流中的步骤、中间产物和审批节点均可查看，任务失败后可以从指定步骤重试或回退，不必重新执行全部流程。
• 知识与能力持续复用：支持多来源知识接入、OCR、混合检索和重排序，并通过坏例分析、评估与 A/B 测试迭代工作流和 Skill。

04. 结语

从找到值得关注的信息，到验证证据、阅读文献、提炼方法，再到执行工作流和发布知识，这些项目正在把分散的知识工作连接成更完整的过程。

欢迎前往项目主页体验、提交 Issue 或参与贡献。想让自己的开源项目加入 G-Star，可前往申请：

https://atomgit.com/g-star/apply