项目
业余时间做的东西，代码都在 GitHub。共同的题目：怎么让 AI 的工作可验证、可回放、可对齐——记忆要带证据，改行为要过闸门，评测要有同一把尺。
记忆与自学习
- Work Memory Engine 把你在电脑上的一切轨迹——AI 对话、IM 消息、看过的文档、屏幕操作——变成活的工作记忆：待办自己长出来、记忆可以用自然语言提问（答案带证据）、每天凌晨自动出一页晨报。完整独立实现，local-first，离线可跑。
- Hermes Fork · Episodic + Actionable Habit Memory 对开源 Hermes Agent 记忆层的内核改造：把"全量记录"和"修改自己的行为"拆成两个独立层——记录默认开，改行为要过 fitness 测试和人工审批两道闸，全程留审计日志、可一键回滚。核心立场：agent「记住」不应该等于「偷偷改自己」。
- Hermes Habit Reflector 上面那个项目的前身：每晚回顾过去 30 天对话历史，自动把稳定的用户习惯写进 USER.md。集成测试跑通之后，我自己把这条"全自动改行为"的路线否了——否掉的理由（学习不是万能、行为漂移）写在 fork 版的 README 里。
Agent 系统
- Prism — AI 自主投研智能体 把自然语言研究任务变成结构化、有证据支撑的投资分析。重点不在"调 API 拼答案"，在一个严肃设计的 LLM 控制循环：预算管理、循环检测、上下文压缩、独立 Evaluator 校验。三层解耦——代码管公式和安全，配置管参数，prompt 管判断。
- Augur · 占 一个"监督式思考"（Supervised Thinking）工作台的早期原型：把 AI 辅助研究的中间推理对象——来源、信号、主题社区、运行日志——变成可检查、可回放的节点图。它不猜模型"心里在想什么"，只存一份人能审的外部工作日志。
评测
- Session Lens Benchmark 一个个人真实工作 benchmark：让不同 coding model 做同一道开放式产品题（把 coding agent 的工作轨迹翻译成人能看懂的解释层），同一套 rubric 打分排榜。测的不是谁代码强，是产品理解、抽象、架构判断、信息设计能不能一起做好。
工具
- YouTube RSS Deep Reader 把 YouTube 订阅变成 AI 深度摘要和可直接发布的博客长文，一个视频都不用看。预置 14 个 AI/科技频道，支持批量摘要、封面图生成、OPML 导入导出。