认领潮散场：差集里挖出四件

概述

评测对比表

评分为门牌加星轨的纸面分：四件均未读仓库正文，依据是两日快照的门牌文案与星数轨迹。权重按栏目惯例：功能完整度25%、设计质量25%、实战效果20%、上手难度15%、社区活跃度15%。

CLM不开分的理由见下文：门牌一个字都没有，按本栏「无门牌不开分」的判例处理，只给观察位。

方法：对账差集，本期怎么挖

上一期「新星首发」（09-24）的结尾写过一句判词：发现新货不再靠盯榜，靠做对账的差集。本期就是把这句话执行一遍，方法摊开给读者，你下周可以照抄。

第一步，取09-25快照的近7天新星榜20席，逐席去本站存档里找认领出处。对账结果如下（星数均为09-25快照值，「前日」指09-24快照）：

（余下席位：PDoomVideo是Opus 5.5音乐视频的源码仓库、kryvora-node是节点程序，均与本栏工具向错位，不占空位名额；AirCard、WorkBuddy网关、求职题库分别已被卡面专文、灰件判例和求职件报道处理。）

第二步，同样的对账做到近45天「小而美」榜15席：NavierStokes、delivery-harness、deploy-vercel、dsh-agent-teams、holo-card-studio、DSH-Desktop-EAC、FireRedTTS3、nimble、HyperQwen、headcount十席全有存档；ZDTaichu（模型权重）和ZSvirt（Java IaaS引擎）属题材错位；栏内空位恰是青简和WeMM-Embedding两件。

对账的结论先说一句：认领潮真的收敛了。20席里16席在七天内被认领，这个密度是本栏目九月开工以来没见过的——上旬还能捡到「1782星漫画件三周没人拆」这种漏网，现在漏网的生命周期已经压缩到一天以内。Search从前日831星涨到今日1286星（单日+455，是全天榜增速冠军），涨得最快，被认领得也最快。这对读者的含义很直接：看到新面孔想深挖，窗口期不超过24小时。

深拆 magpie：门牌两句话，把模型层拆成了货架

这句门牌值得逐段拆，它是四件空位货里信息密度最高的一句。

第一拍「Every agent's model」——注意定语不是 every model，是 every agent's。它没说自己是模型聚合平台，而是把自己挂在「Agent」的所有格上：模型是谁的不重要，重要的是你的Agent在用谁家的。这一拍把产品钉进了Agent供应链，而不是又一条API转售货架。

第二拍「One place」——一个控制点。按门牌的语序，它管的是所有Agent的模型选择，这意味着它自报家门是个常驻的调度位，不是一次性配置脚本。

第三拍最有信息量：「Codex on DeepSeek, Claude Code on Kimi」——两个例子都是「别家的Agent配别家的模型」。这暴露了一个正在发生的生态事实：Agent壳和模型芯正在解耦。本栏前几轮拆过的执行层（DSH家族、unreal-agent）和指令层（superpowers们）都默认模型是绑死的；magpie的门牌直接宣布模型是可热插的耗材。它在技术栈里的位置，比所有已认领的新星都低一层——不在Agent怎么协作，而在Agent脑子里装的是谁。

第四拍「from the menu bar」——菜单栏。这是上手姿态的自白：不进终端、不改配置文件，目标用户是「已经在跑Agent但不想为换模型写YAML」的人。菜单栏定位直接拉高上手分，也划定了天花板：它不做训练、不做托管，只做开关。

作者背书有一条硬的：本站07-04变现栏存档收录过yetone的前作openai-translator，2.6万星以上的现象级项目。作者有交付过万人级开源工具的记录，这在新星榜里是稀缺信号——大多数空位货的作者栏是空白的。

短板与风险要写足。其一，「Claude Code on Kimi」这类组合的合规边界门牌只字未提：换绑第三方模型是否违反Agent方的服务条款、走的是官方接口还是中转，快照层面无从核验，装之前必须自己去README和条款里确认。其二，门牌承诺了「every agent」，但兼容清单一个没列，这是典型的高承诺低细节门牌。其三，无前值、无基准、无用户反馈，3.6分里实战分只给了3星，这个分是「值得跟踪」，不是「值得依赖」。

WeMM-Embedding：大厂队把记忆地基搬上新星榜

仓库档案：Tencent/WeMM-Embedding，Python，⭐1667，近45天窗口、今日首次进快照。门牌：「a family of universal multimodal embedding models by the WeChat Vision Team at Ten——」（快照在团队所属公司名处截断，按上下文推断为Tencent，标注为推断）。

这件货的看点不在模型本身——门牌没给参数量、没给基准表、没给许可协议，快照层面什么都不能替它吹——而在它的生态位置。把本栏九月拆过的货架摆开看：指令层有superpowers、执行层有DSH家族、决策层有laya和deepopen、评测和数据策展有nimble，唯独「记忆索引层」一直是空档。Agent要记住你，靠的是把你的文档、聊天、代码变成向量存起来，干这活的正是embedding模型。此前这条层线上的新面孔是零，WeMM是第一个。

「family」和「universal multimodal」两个词值得单独读。家族意味着它不是单模型而是按规格分档的一串产品线，大小档位对应端侧和云端的不同预算；universal multimodal意味着文本之外还收图——Agent的记忆要能「想起那张截图」，靠的就是多模态嵌入。微信视觉团队做这件事有场景动机：聊天记录里的记忆本来就是图文混排的。

短板：门牌截断本身就是扣分项——连门牌都写不全的仓库，文档完备度要打问号；embedding模型的选型决策完全依赖基准表（MTEB一类），而它一张都没亮，实战分只能给3星。大厂队上新星榜还有个惯性问题：发布热度高、维护热度存疑，45天窗口说明它不是上周才建的，但快照里没有它的单日增量，活跃分只能按无基线处理。观望清单第一条：看它下一版门牌会不会把基准表补上。

青简：把输入法变成教材的一件小而美

仓库档案：qingjian-team/qingjian，Rust，1665→1688星（24小时+23），近45天窗口。门牌是四件里唯一用中文写的：「青简 Qingjian：用 Rust 写的拼音输入法，候选词旁多一条正在学的语言的译词」。

设计概念一句话就能说清，但值得停下来想十秒：输入法是中国键盘用户一天触碰几千次的高频界面，青简在候选词旁边挂一条你正在学的外语译文——你打「今天」，旁边多一个「today / heute / 今日」里的一条。学习材料不再占你额外的注意力档期，而是搭在肌肉记忆的顺风车上。这个思路和市面上「背单词App」是反着来的：后者要你专门坐下来学，前者承认你不会坐下来，所以把学习塞进你本来就要做的事里。

和昨天被情报栏认领的jev-chat-jarvis对照着看特别有意思——两件货都长在你的键盘边上，哲学完全相反。jarvis读整个屏幕的上下文，替你想该说什么；青简只在你自己打出的词旁边挂一条译文，说什么始终是你自己的事。一个是嘴替，一个是陪读。非侵入路线的信任成本低得多：它不碰你的聊天对象，只碰你自己的候选词列表。

选Rust也顺理成章：输入法是系统级常驻件，延迟和内存是硬指标，Rust在这条赛道上是诚实的选型——本栏九月见过的Rust新货不多，青简是第上量的一件。

短板：+23星/日是温火不是爆件，说明学习输入法这个概念还在验证「是否真有人要」的阶段；门牌没说支持哪些语言对、译词数据从哪来、词库多大，这三个问题每一个都直接影响它是不是玩具；输入法是信任敏感件，装第三方输入法等于把按键流水交给它，源码可自编译（Rust）是加分项，但权限说明门牌里没有。它是四件里设计分最高的（4星），也是离Skills生态最远的一件——本栏收录它的理由很简单：差集挖矿不能只挖自己想看的。

CLM：无描述924星，判例堆里又添一桩

仓库档案：Contrastive-LM/CLM，⭐924，近7天新星榜第10席，门牌两个字：「无描述」。今日首次进快照。

一星期内攒到924星，门牌却一个字不给——星是哪来的？合理的通道只有外部流量：某个热帖、某条转发、某个社群的口口相传，直接把人送到仓库页点了Star。快照层面无法核验是哪条通道，只能标记为未知。可以做的是把本栏的判例堆翻出来对照：laya上过「零字翻倍」的判例（09-21，零README照样翻倍涨星）；AirCard上过「谜件观察位」的判例（09-24，门牌空转到815星）。CLM是第三桩。两桩前例的结局都不坏——零字不影响涨星，只影响装不装。

名字里的「Contrastive」倒是给了个可跟踪的线索：九月新星榜的语义主场就是对比式训练——laya、deepopen、nimble的门牌全是typed decision加contrastive curcation这一族话术（此为联想，非事实认定）。若CLM真是这一族的新成员，它该很快补出门牌；若一个月后门牌还是无描述，那就是又一桩「星在、货不在」的悬案。

处理按判例走：不开分，只观察。观察清单第三条：看它会不会在千星压力下补出第一行门牌。

差集里的异类：ZSvirt，对账方法的诚实注脚

近45天榜上还有一件无人认领的ZSvirt（Java，1727→1733星，24小时+6），自述「Core IaaS engine and cloud infrastructure foundation of ZSvirt」——一个IaaS云底座引擎。它和Skills、Agent、效率工具八竿子打不着，本栏不评、不开分，但值得点名，因为它证明了差集方法的完整性：空位不等于宝藏，有的空位只是因为没人蹲这个赛道。差集挖矿的价值在把「没人写」和「不值得写」分开，这一步只能靠人肉判断，机器对账做不了。

本期四件在技术栈里的位置

flowchart TD
    U["开发者的一句需求"] --> M["模型供给层<br/>magpie 新面孔"]
    M --> H["执行层<br/>ZCode DSH 已认领"]
    H --> S["指令层<br/>superpowers 已认领"]
    S --> K["记忆索引层<br/>WeMM 新面孔"]
    K --> D["快速决策层<br/>laya deepopen 已认领"]
    U --> Q["键盘侧<br/>青简 新面孔"]
    X["无描述谜件<br/>CLM 观察位"] -.->|来路未明| M

读图要点：「已认领」指本站九月存档拆过的在位者，四张新面孔是本期差集挖出的空位。值得注意的读法是：执行层和决策层已经人满为患，模型供给层和记忆索引层各只有一个新面孔在卡位——生态的增量正从「怎么协作」往「用什么料」迁移。CLM用虚线挂在供给层旁边，因为这个若即若离的位置本身就是它目前唯一能确认的信息。

安装命令

# magpie：菜单栏应用，快照未给出安装方式，先读README确认构建依赖与合规说明
git clone https://github.com/yetone/magpie

# WeMM-Embedding：Python模型家族，权重分发渠道与许可以仓库正本为准
git clone https://github.com/Tencent/WeMM-Embedding

# 青简：Rust输入法，需自行编译；装前备份系统输入法配置，确认权限说明
git clone https://github.com/qingjian-team/qingjian

# CLM：观察位，建议只读不开分——想看就浅克隆，别急着跑
git clone --depth 1 https://github.com/Contrastive-LM/CLM

四件都可用skills.sh生态的CLI安装（npx skills add 仓库名），参数以该工具当前版本文档为准。再提醒一次：magpie的模型换绑合规性、青简的键盘权限，这两件事装前必须亲自确认。

推荐排行榜

• 综合第一：magpie（3.6）——四件里唯一踩在新生态位上的货，模型供给层目前就它一个卡位者，作者有2.6万星前作背书；扣分项是合规与兼容清单双双空白。
• 设计奖：青简（3.5）——「把教材挂在肌肉记忆上」是本期最漂亮的一个产品念头，中文门牌一句演完场景；温火星轨说明概念还在等市场验证。
• 分量奖：WeMM-Embedding（3.4）——大厂队补上了记忆索引层的空档，family加多模态的路线图清晰；无基准表是硬伤，补表之前只观望。
• 观察奖：CLM——无门牌924星，判例堆第三桩，一个月后见分晓。
• 方法奖：对账差集——本期真正可复用的产出不是任何一件货，而是那张20席对账表：认领潮收敛之后，这是普通读者找到无主新星成本最低的路。

结语：差集里没有下一个laya

最后把预期管理做足：这四件里没有下一个laya。laya五天两万星的神话是赛道级事件，差集挖出来的空位货更接近「上市前夜的新股」——位置好、体量小、证伪快。magpie可能被证明只是个菜单栏玩具，WeMM可能发了基准表才发现打不过老牌embedding，青简可能永远停在1688星。但反过来说，上期结尾那句话如今有了下文：当认领潮把榜单切成已读和未读两半，生态观察的全部边际价值就藏在未读的那一半里。 下期对账表照常更新，观察清单四条——magpie补不补合规说明、WeMM补不补基准表、CLM补不补第一行门牌、青简扩不扩语言对——任何一个动了，都值得回来续写。

参考来源

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。