12 个开源 AI 项目：智能体、视频、编程与语音

我收集了 12 个涉及视频、编程、安全、文档和语音的开源 AI 项目。这些是值得探索的工具介绍；我提到的 GitHub 热度和性能数字是 2026 年 6 月的快照，并非独立测试结果。

OpenMontage 旨在将编程智能体变成视频制作团队。用户用自然语言描述创意，它便协调研究、写稿、素材生成、编辑和合成。示例是一支科幻预告片，使用生成的动态片段和配乐，并通过 Remotion 合成；项目也介绍了解说、屏幕演示、动画等工作流程。

字节跳动的 DeerFlow 是面向较长任务的智能体框架，结合子智能体、记忆、沙箱、工具和可扩展技能。视频提到的例子包括数据管线、幻灯片、仪表盘和内容工作流；Berman 建议将它作为其他智能体系统之外的另一种尝试。

Anthropic Cybersecurity Skills 仓库为支持技能的智能体整理了网络安全框架和技术。Berman 建议用它帮助检查并改善代码库的防御，提到了 MITRE ATT&CK 和 NIST 等框架，并承认自己并非网络安全专家；拥有这些技能本身并不能证明系统安全。

HeyGen 的 Hyperframes 将 HTML、CSS、媒体和可定位播放的动画渲染为 MP4。Berman 提到产品演示、幻灯片和动态图形等用途。它使用 Chrome 和 FFmpeg，并可配合动画库，将面向网页的内容制作转化为视频制作流程。

Codebase Memory MCP 旨在让编程智能体了解代码库的结构。项目页面宣称索引速度快、支持多种语言且可减少 token 消耗；Berman 还介绍了三维代码图。这些是项目方的说法，并非他在视频中独立测得的结果。

Matt Pocock 的技能把开发实践整理为智能体指令。Berman 强调了用于选择合适流程的 Ask Matt，以及一个围绕文档提问的工作流，帮助细化项目领域术语和记录。其思路是把有经验开发者的习惯变成可重复的工程流程。

与 Garry Tan 相关的 gstack 把智能体技能组织成开发流程。Berman 介绍了一个类似办公时间咨询的流程，用来质询创业想法，之后依次进行规划、构建、审查、测试、发布和复盘。这些技能旨在让上下文从一个阶段传递到下一阶段。

百度的 Unlimited-OCR 是用于文档识别的开放权重视觉语言模型。演示中，它在论文 PDF 上标出段落，同时显示提取的文本和页面位置。Berman 指出，把文字与正确位置对应起来比单纯提取文字更困难。

NVIDIA 的 SkillSpector 在安装前扫描智能体技能。项目介绍了对提示注入、数据外泄和权限过大等模式的检查，支持仓库、压缩包和文件等输入。Berman 建议检查技能；扫描有助于发现风险，但不能保证技能安全。

Palmier Pro 是 Mac 视频编辑器，视频拍摄时它可通过 MCP 连接智能体，并包含生成式 AI 功能。Berman 展示了通过指令让智能体操作编辑器的思路。他表示当时支持 macOS，希望未来支持更多平台。

Hermes Agent 是 Berman 介绍的另一种智能体框架，可作为 OpenClaw 的替代选择。他强调了其反复使用中改进的思路，包括项目所称的处理失败技能的能力。他建议观众尝试，同时表示完整评测需要另做一期视频。

Voicebox 结合语音生成和转写，并可选择本地模型。展示的界面支持创建和编辑语音、使用类似时间线的故事编辑器及添加音频效果。Berman 展示了 Qwen 模型并谈到声音克隆；使用他人的声音需要取得适当同意。