← 返回日报索引

2026-09-16 GitHub 趋势研究简报

证据边界： 项目名称、星标、tags、description 来自 2026-09-16 GitHub Search API 公开元数据（created_at / pushed_at / stargazers_count / forks_count / language / description / topics / license）+ 各项目 README 公开摘录（API readme 字段 base64 解码）。"X 天 Y⭐"基于 created_at→2026-09-16 总星数除以经过天数（粗略下限估计），stargazers REST endpoint 需要认证故未做精确单日增量统计。今日观察窗为 2026-09-15 创建且截至 2026-09-16 仍在快速增长的 5 个非游戏类高质量工程型项目；09-16 当日新创仓库在 GitHub API 暴露窗口 < 12 小时，本批重点放在 09-15 创建且仍持续增长的项目。本批 5 个项目的共同特征是「Agent 能力可插拔 + 严肃许可 + 强可复现证据」——dsh-computer-use_codex-style 把 Codex 的 window2 13 方法完整复刻到 DeepSeek Harness，agent-skills 把 Codex Skill 标准用具体 Skill 实例固化，wechat-group-report 把 Codex Skill 推到中文本地数据库场景，FLModel/flm 把 Frozen LM × 生物神经连接组做成可本地训练的 278K 参数 adapter，awesome-claude-code-mods 用 claude plugin validate 自动扫描每个 mod 的 footprint 并分 L0/L1/L2/L3 等级。"趋势"是基于公开元数据的观察，不等同于生产成熟度或长期价值。

今日重点趋势（按排名）

1. DeepSeek Harness 桌面控制层补齐「Codex-style Computer Use」（趋势分 88）

2. 中文 Codex Agent Skills 标准实例（趋势分 80）

3. Codex Skill 推到「Windows 微信本地数据库 + 中文场景」（趋势分 82）

4. Frozen LM × 生物神经连接组本地可训练 adapter（趋势分 84）

5. Claude Code Mods 自动 footprint 扫描 + L0-L3 reach 分级（趋势分 78）

最值得关注的方向

  1. 「Codex-style Computer Use 跨 Harness 移植」是 Coding Agent 工具链扩张的新维度——dsh-computer-use_codex-style 把 Codex window2 13 方法完整复刻到 DeepSeek Harness，与昨日 ToolReplay「session 层审计」同构 AI Coding Agent 工具链扩张但推到「DeepSeek Harness 上的桌面控制」层；13 方法命名/参数/默认值/返回形状/错误字符串完全一致意味着 Codex 已有 prompt / skill / hook 可零修改移植——「跨 Harness 可移植」是 Coding Agent 工具链的下一战场；SendInput + UI Automation + Windows.Graphics.Capture 三件套是 Windows 桌面自动化的工业标准组合。
  2. 「本地 + 反 SaaS + Skill 标准」推到中文本地应用场景——TopVitamin/agent-skills（中文 Codex Agent Skills 标准实例）+ Tina2088/wechat-group-report（Windows 微信本地数据库 Codex Skill）两个项目同构「本地 + Skill 标准」反 SaaS 范式，但推到「中文 + 本地数据库」场景——vitamin-prototype-annotation 解决前端标注 + old-system-ui-clone 解决老系统复刻 + wechat-group-report 解决微信群总结 = 「中文 Coding Agent 落地的具体 Skill 实例」；Apache-2.0 + 中文字体 + 默认不上传是中国用户合规与隐私的关键卖点。
  3. 「Frozen LM × 生物神经连接组」是 neuroAI 可本地训练 adapter 的严肃工程化——FLModel/flm 把 MaleCNS v1.0 苍蝇脑（166,700 节点 + 25,582,938 connections）+ Liquid AI LFM2.5-1.2B-Instruct + 278,528 参数 adapter 组合成 「frozen LM + trainable adapter + fixed graph」 的最小可行 adapter；SHA-256 校验上游 + 三路径（CPU/MPS/CUDA）+ parameter-matched 控制组 + 24 separate test 评估 是学术可复现的硬要求；与昨日 FlashREINFORCE「NVIDIA 论文级严肃度」同构但推到「神经科学 + LLM 融合」研究领域。
  4. 「plugin/mod 供应链可见性 + 权限等级分类」是 AI Coding Mod 生态的合规硬需求——awesome-claude-code-mods 用 claude plugin validate 官方命令静态扫描每个 Mod 钩子事件 + $ 调用 + L0-L3 reach 等级分类；与昨日 ToolReplay「session 层审计」同构但推到「plugin/mod 供应链可见性」领域；Mod 跑在 Claude Code 自己进程内 + 可改写 tool call + 可 spawn agent + 可触网 是远超传统 SaaS Skill 的安全风险——L3 触网 Mod 应谨慎安装是企业合规的硬要求；CC0-1.0 + 每晚自动扫描 + 得分页 是「企业可信任的 Mod 目录」严肃形态。
  5. 「单点工程痛点 + 强可复现证据 + 严肃许可」三项目同日出现——dsh-computer-use_codex-style（Python MIT 13 方法完整覆盖 + SendInput + UI Automation + Windows.Graphics.Capture + per-app approvals）+ FLModel/flm（Python OTHER SHA-256 校验 + 三路径 + parameter-matched 控制组 + 24 separate test）+ wechat-group-report（Python Apache-2.0 Windows 微信 4.1.13.65 验证 + cryptography + zstandard + Pillow + 默认不上传）三个项目都是「解决一个具体工程问题 + 证据可独立复现 + 许可明确」——这是 2026-09 趋势的延续特征。
  6. 「Anthropic function hooks 2026-09-03 提出 + 2026-09-09 发版」是 Claude Code 生态进入「Mod 时代」的明确信号——awesome-claude-code-mods 抓住这个时间窗提供 footprint 可见性；CLAUDE_CODE_ENABLE_FUNCTION_HOOKS=1 早期访问开关意味着 Mod API 在版本之间可能变化；企业使用 Mod 应关注 Claude Code 版本锁定。
  7. 「Coexistence-safe」是 Coding Agent 工具链扩张的稳健策略——dsh-computer-use_codex-style 与 DeepSeek 官方 Computer Use experimental release 共存不冲突（同时安装但不同时跑两个驱动）是「官方版与第三方版并行不冲突」的工程表态；这与昨日 ToolReplay「Python 3.11+ 零三方依赖便于集成进合规管线」同构——「不破坏现有生态 + 增量提供新能力」是 AI Coding 工具链扩张的稳健策略。

重点项目深度分析（top 3）

🏆 wushi2333/dsh-computer-use_codex-style（Score 88）

定位判断： Codex-style Computer Use for DeepSeek Harness。它不是又一个桌面自动化工具（那是 PyAutoGUI / AutoIt / WinAppDriver），而是 「Codex window2 13 方法完整复刻到 DeepSeek Harness」 —— 命名/参数/默认值/返回形状/错误字符串与 Codex 完全一致；cordis.patch.yml DSH bundle 安装是「不修改 DSH 主程序就能加载 13 方法」的工程化形式；SendInput + UI Automation + Windows.Graphics.Capture 三件套是 Windows 桌面自动化的工业标准组合。它是 AI Coding Agent 工具链扩张到「DeepSeek Harness 上的桌面控制层」的补齐——昨日 ToolReplay 把「session 层审计」补齐，本项目把「桌面控制层跨 Harness 可移植」补齐。

关键技术亮点： 1. window2 13 方法完整覆盖——list_windows（列出所有可见窗口）/ get_window（查询单个窗口详细信息）/ list_apps（列出已安装应用）/ launch_app（启动应用）/ get_window_state（查询窗口状态最小化/最大化/聚焦）/ click（点击坐标）/ press_key（按键）/ type_text（输入文本）/ scroll（滚动）/ set_value（设置值如输入框）/ drag（拖拽）/ perform_secondary_action（右键等次要动作）/ activate_window（激活窗口）；命名/参数/默认值/返回形状/错误字符串与 Codex 完全一致 2. cordis.patch.yml DSH bundle 安装机制——DSH（DeepSeek Harness）的 bundle 标准是把补丁以 patch 文件形式分发，用户用 DSH 自带 apply 命令加载；这是「不修改 DSH 主程序就能加载 13 方法」的工程化形式 3. SendInput 真实输入——Windows 真实输入事件，与「模拟按键」（keybd_event）不同；SendInput 是 Windows Vista 之后唯一受支持的输入 API 4. UI Automation 无障碍树——Windows 无障碍框架的标准 API；可枚举所有 UI 元素的 Role / Name / Value / Bounding Rectangle；与 macOS 的 AX API / Linux 的 AT-SPI / Web 的 DOM 同级 5. Windows.Graphics.Capture 截屏可见于被遮挡窗口——这是 Windows 10 1809+ 的现代截屏 API；可截取被遮挡窗口的内容（与 PrintScreen 不同）；性能比 GDI BitBlt 高 6. vision image parts 而非 base64 in JSON——截屏以「vision image parts」（模型可识别的图片块）传输，不嵌入 base64 让 JSON 膨胀；性能关键 7. 状态 pill + 合成光标动画 overlay——屏幕上的「正在执行」指示；隐藏单次截图时长避免遮挡用户工作 8. Esc 中断——用户随时按 Esc 停止当前执行；agent 不会无限运行 9. per-app approvals——每个应用独立审批；Photoshop 一组审批 + Slack 一组审批 + Windows Settings 一组审批；避免「全局权限」过宽 10. bundled skills + Chromium 自动化——「桌面 + 浏览器」双 surface 覆盖；Chromium 自动化是当前 Coding Agent 主流浏览器能力 11. 与官方 experimental release 共存不冲突——README 明示可同时安装，但同一时间不推荐两个驱动并行；这是「官方版与第三方版并行不冲突」的工程表态 12. Windows 10 / 11 x64 + Codex baseline 26.903.61454——目标平台明确；Codex 内部版本号说明本项目基于 Codex 26.903.61454 baseline

架构师速览：

决策问题 研究判断 证据边界
系统边界 Codex-style Computer Use for DeepSeek Harness on Windows 10/11 x64；输入 DSH 调用 window2 13 方法；输出执行结果 + 截图（vision image parts）；cordis.patch.yml DSH bundle 安装；SendInput + UI Automation + Windows.Graphics.Capture 三件套；与官方 experimental release 共存不冲突 来自 README 关于「window2 13 方法完整覆盖」「cordis.patch.yml DSH bundle」「SendInput 真实输入 + UI Automation 无障碍树 + Windows.Graphics.Capture 截屏」「vision image parts 不嵌入 JSON base64」「状态 pill + 合成光标动画 overlay + Esc 中断 + per-app approvals」「bundled skills + Chromium 自动化」「Windows 10/11 x64」「Codex baseline 26.903.61454」「与官方 experimental release 共存不冲突」的明示；具体 patch 文件结构、bundle apply 命令细节、每个 window2 方法的 Python 实现细节在 README 中未完全展开
主路径 DSH 调用 list_windows / get_window / list_apps 等查询方法 → 返回当前桌面状态（vision image parts + 文本描述）→ LLM 决策 → 调用 click / press_key / type_text / scroll / set_value / drag 等执行方法 → SendInput 真实输入 + UI Automation 定位 → 截图返回给 DSH → 循环直到任务完成或用户 Esc 中断 主路径来自 README 描述的 13 方法 + 三件套 + act-and-refresh loop 暗示；具体每次截图后是否做 OCR / 是否缓存窗口信息 / per-app approvals 的具体弹窗 UI 在 README 中未完全展开
关键权衡 跨 Harness 可移植 vs DeepSeek Harness 原生集成（Codex prompt 兼容 vs DSH 原生优化）/ SendInput + UI Automation + Windows.Graphics.Capture vs 单一截屏 + 模板匹配（工业级 vs 简单）/ vision image parts vs base64 in JSON（性能 vs 简单）/ 状态 pill overlay vs 无指示（用户可控 vs 简洁）/ per-app approvals vs 全局权限（精细 vs 简单）/ 与官方 release 共存 vs 替代（稳健 vs 激进）/ Windows only vs 跨平台（聚焦 vs 通用） 权衡七因素均从 README + repo 元数据推导；具体 per-app approvals 的 UI 流程、Chromium 自动化的实现细节（puppeteer / playwright / 自研）、DSH bundle patch 的回滚机制待核验
最小 PoC Windows 10/11 x64 + DeepSeek Harness 已安装 + DSH bundle apply + cordis.patch.yml 加载 13 方法；DSH 调用 list_windows 验证返回当前桌面所有可见窗口；再调用 launch_app notepad.exe 启动记事本 + click 点击菜单 + type_text 输入文本；观察截图（vision image parts）+ 状态 pill overlay + Esc 中断；最后尝试 per-app approvals 弹窗验证权限控制 PoC 由「window2 13 方法 + 三件套 + 状态 pill + per-app approvals + Chromium 自动化」路径推导；具体 DSH bundle apply 命令、cordis.patch.yml 内容、13 方法的 Python 实现在本档案未读源码

架构图（MMD）：

证据边界：此图只采用本档案已有可核验描述；"待核验"节点不应视为项目实现事实。

flowchart LR
  DSH[DeepSeek Harness
LLM 决策 + agent loop] --> Bundle[cordis.patch.yml
DSH bundle]
  Bundle --> Patch[patch apply 加载
13 window2 方法]
  Patch --> W2[window2 13 方法
list_windows / get_window /
list_apps / launch_app /
get_window_state / click /
press_key / type_text /
scroll / set_value /
drag / perform_secondary_action /
activate_window]
  W2 --> SendInput[SendInput
真实输入]
  W2 --> UIA[UI Automation
无障碍树]
  W2 --> WGC[Windows.Graphics.Capture
截屏可见于被遮挡窗口]
  UIA --> Desktop[Windows 10/11 x64
桌面]
  SendInput --> Desktop
  WGC --> Desktop
  Desktop --> Desktop2[截图返回 vision image parts
不嵌入 JSON base64]
  Desktop2 --> DSH
  W2 --> Overlay[状态 pill + 合成光标动画
隐藏单次截图时长]
  W2 --> Esc[Esc 中断
用户随时停止]
  W2 --> Approvals[per-app approvals
每应用独立审批]
  W2 --> Chromium[Chromium 自动化
bundled skills]
  DSH -.决策.-> W2
  DSH -.可选并存.-> Official[官方 experimental release
同一时间不推荐两个驱动并行]
  Approval[用户授权] --> Approvals
  Chrom[Chromium 浏览器] --> Chromium

🥈 FLModel/flm（Score 84）

定位判断： Frozen LM × MaleCNS v1.0 苍蝇脑连接组。它不是又一个 LLM 训练框架（那是 HuggingFace Transformers / PyTorch Lightning / Axolotl），而是 「frozen LM + trainable adapter + fixed graph readout」 的最小可行 adapter 工程：166,700 保留节点 + 25,582,938 directed connections 是 MaleCNS v1.0 成年雄性果蝇全脑连接组；278,528 参数 adapter 是极小可训练组件（仅 LM 总参数 ~0.02%）；Liquid AI LFM2.5-1.2B-Instruct 是 Liquid AI 2025 年发布的 1.2B 参数小模型（专门为本地部署优化）。「token embeddings 驱动固定 graph」 + 「adapter 读 graph state 调整 next-token 分数」 + 「only adapter is trained」 是「参数高效 + 数据需求低 + 可本地复现」的标准组合。

关键技术亮点： 1. MaleCNS v1.0 苍蝇全脑连接组——2024 年发表的成年雄性果蝇全脑连接组；166,700 保留节点 + 25,582,938 directed connections；覆盖苍蝇全脑大部分神经元的突触连接 2. Liquid AI LFM2.5-1.2B-Instruct——Liquid AI 2025 年发布的 1.2B 参数小模型；专门为本地部署 + 多模态优化；可在 CPU / Apple Silicon / NVIDIA GPU 上跑 3. 278,528 参数 adapter——极小可训练组件（仅 LM 总参数 ~0.02%）；这是「adapter-based fine-tuning」的标准尺度 4. frozen LM + trainable adapter + fixed graph readout——三件套组合；LM 不更新参数（frozen） + adapter 训练更新 + graph 固定不更新 5. token embeddings 驱动固定 graph——LM 的 token 表示作为 graph 的输入信号；这是「LM 输出 → graph 输入」的方向 6. adapter 读 graph state 调整 next-token 分数——graph 不是 LLM 的「知识」而是「token 预测时的额外约束」；adapter 把 graph 状态转成 next-token 分数的调整量 7. 三路径训练——Apple Silicon MPS + NVIDIA CUDA + CPU；可在普通笔记本 / 工作站 / 服务器上跑 8. 上游 SHA-256 校验——graph files pinned to upstream revisions；同一份数据 + 同一份代码 + 同一份图，应该跑出同一份结果；可复现性硬要求 9. 可选 C kernel + SciPy 同语义——可选 C kernel 加速特征提取不丢节点 / 边；无编译器时 SciPy 路径同语义；硬件门槛最低 10. parameter-matched 直接输入 adapter 控制组——绕过 graph 直接输入控制组；作为 ablation 看 graph 到底贡献多少 11. 64 corpus + 32 synthetic style + 24 separate test——训练数据小（64+32）+ 评估数据独立（24 个 test conversations）；避免「训练数据泄漏到评估」 12. runs/conversation-v2/ 不覆盖已完成 run——「写一次不被覆盖」的工程化形式；多次实验可保留历史 13. /new 清空 /quit 退出交互聊天——交互命令简洁；用户可连续测试多个 prompt

架构师速览：

决策问题 研究判断 证据边界
系统边界 Frozen LM × MaleCNS v1.0 苍蝇脑连接组适配；输入 prompt；输出 next-token（用 adapter 调整）；Python 3.12 + macOS/Linux + Apple Silicon MPS / NVIDIA CUDA / CPU 三路径；上游文件 SHA-256 校验；可选 C kernel 加速 + SciPy 同语义；64 corpus + 32 synthetic style 训练 + 24 separate test 评估；parameter-matched 控制组 来自 README 关于「MaleCNS v1.0 166,700 节点 + 25,582,938 connections」「Liquid AI LFM2.5-1.2B-Instruct 冻结」「278,528 参数 adapter 训练」「token embeddings 驱动固定 graph」「adapter 读 graph state 调整 next-token 分数」「Apple Silicon MPS / NVIDIA CUDA / CPU 三路径」「上游文件 SHA-256 校验」「可选 C kernel 加速 + SciPy 同语义」「64 corpus + 32 synthetic style 训练 + 24 separate test 评估」「parameter-matched 直接输入 adapter 控制组」的明示；具体 adapter 数学形式（线性层 / 注意力 / MLP）、graph 状态向量维度、token 与 graph 的对应关系在 README 中未完全展开
主路径 输入 prompt → LM token embeddings 提取 → 固定 graph 接收 token embeddings 作为输入信号 → graph 状态更新（基于 166,700 节点 + 25,582,938 connections 的递归传播）→ 278,528 参数 adapter 读 graph 状态 → 调整 LM next-token 分数 → 输出 token；训练时只更新 adapter 参数 主路径来自 README 描述的「token embeddings 驱动固定 graph」+「adapter 读 graph state 调整 next-token 分数」+「only adapter is trained」；具体 graph 状态更新规则（message passing / 注意力 / 卷积）、adapter 的具体数学形式（线性变换 / 注意力 / MLP）、控制组的 baseline 实现细节待核验
关键权衡 frozen LM（保留语言能力 vs 不能微调 LM 内部知识）/ adapter-based（参数高效 vs 不能深度改造 LM 行为）/ fixed graph（可解释 vs 不能学习图结构）/ 苍蝇脑（数据丰富 vs 与人脑距离远）/ 1.2B 小模型（本地可跑 vs 能力受限）/ SHA-256 校验（可复现 vs 上游变化需更新）/ parameter-matched 控制组（ablation 严谨 vs 增加实验成本）/ CPU 可跑（硬件门槛低 vs 训练慢） 权衡八因素均从 README + repo 元数据推导；具体 graph 状态向量的物理意义（神经科学 vs 工程化抽象）、adapter 在 benchmark 上的具体效果提升幅度、训练时长与超参数设置待核验
最小 PoC Python 3.12 + macOS 或 Linux（Apple Silicon / NVIDIA GPU / CPU）+ git clone https://github.com/nftechie/flm.git + python3.12 -m venv .venv + pip install -r requirements.txt + python scripts/download.py（SHA-256 校验）+ python scripts/prepare_graph.py + 跳过可选 C kernel + python scripts/train_conversation.py --output runs/test --device cpu；再 python scripts/chat.py --prompt "Invent a tiny museum exhibit." --seed 42；最后 python scripts/train_conversation.py --output runs/direct-input --device cpu 跑控制组对比 PoC 由「上游 SHA-256 + 三路径 + parameter-matched 控制组 + 24 separate test + 写一次不被覆盖」路径推导；具体 adapter 数学形式、graph 状态更新规则、训练时长待核验

架构图（MMD）：

证据边界：此图只采用本档案已有可核验描述；"待核验"节点不应视为项目实现事实。

flowchart LR
  Prompt[prompt batch] --> Embed[LM token embeddings
Liquid AI LFM2.5-1.2B-Instruct frozen]
  Embed --> Graph[固定 graph
MaleCNS v1.0
166,700 节点 + 25,582,938 connections
SHA-256 校验上游]
  Graph --> State[graph state 更新
message passing / 注意力 / 卷积 待核验]
  State --> Adapter[278,528 参数 adapter
线性 / 注意力 / MLP 待核验
only trainable]
  Adapter --> Adjust[调整 LM next-token 分数]
  Frozen[LM frozen
不更新参数] -.冻结.-> Embed
  Adjust --> LMOut[LM 输出 token]
  Corpus[64 corpus + 32 synthetic style
训练数据] -.训练.-> Adapter
  Test[24 separate test
评估数据] -.评估.-> LMOut
  Control[parameter-matched
直接输入 adapter
ablation 控制组] -.对比.-> Adapter
  Hash[SHA-256 校验
graph 上游 pin] -.保证.-> Graph
  CKernel[可选 C kernel
cc / Clang / GCC] -.加速.-> State
  SciPy[SciPy 路径
同语义
无编译器时] -.兜底.-> State
  MPS[Apple Silicon MPS] -.运行.-> Embed
  CUDA[NVIDIA CUDA] -.运行.-> Embed
  CPU[CPU] -.运行.-> Embed
  Runs[runs/conversation-v2/
写一次不被覆盖] -.持久化.-> Adapter
  Chat[scripts/chat.py
/new 清空 /quit 退出] -.交互.-> LMOut

🥉 Tina2088/wechat-group-report（Score 82）

定位判断： Windows 微信群聊总结 Codex Skill。它不是又一个聊天总结工具（那是 LangChain summarize / ChatGPT 摘要），而是 「Codex 会话协调的工作流 + Python 读取渲染 + Codex 理解总结 + 三格式输出同一正文」 的最小可行本地 IM 总结 Skill：Codex 不是直接读 SQLite而是调度 Python 脚本 + 自己理解与总结；项目没有内置模型 API 调用——避免「Skill 偷偷调用 LLM API 把数据传到第三方」；密钥不主动写入文件 + 临时解密副本正常退出清理 + 原微信数据库保持只读是安全底线；默认不上传原始记录 / 数据库 / 个人配置是隐私保护明确表态。

关键技术亮点： 1. Codex 会话协调的工作流——Codex 不是直接读 SQLite 而是调度 Python 脚本（读取 / 渲染）+ 自己理解与总结消息；这是「Codex Skill 不内置模型 API 调用」的工程化形式 2. 按群名精确匹配 + 默认 24 小时——可指定时长（24h / 48h 等）/ 历史截止时间 / 已确认的群 ID；避免「总结错群」/「总结时间错」类常见错误 3. 联系人库 + 消息分片 + WAL 增量——微信本地数据库是分片存储 + WAL（Write-Ahead Log）增量；Skill 完整读取而不是只读主表 4. 结构完整性 + 时间窗口 + 发送者映射 + 重复记录检查——四点完整性检查保证数据可靠 5. 每个报告条目引用本次真实消息编号——可追溯到具体消息 ID；这是「总结可验证」的工程化形式 6. 已确认 / 已接收 / 待完成 / 个人观点 / 报告建议五分类——群聊总结的内容分类标准 7. 三格式输出同一正文——PNG 自动计算高度（朋友圈分享）+ HTML 响应式排版无外部资源依赖（浏览器打开）+ Markdown 摘要（文档归档）；覆盖三种使用场景 8. cryptography + zstandard + Pillow——微信消息是加密存储（cryptography 解密）+ 压缩（zstandard 解压）+ 渲染（Pillow 出图）；Python 3.13 验证 9. 中文字体微软雅黑可指定其他字体——Windows 默认中文字体；可指定其他字体 10. macOS 读取器当前不支持——明确标注局限；不假装跨平台 11. 密钥不主动写入文件——避免「密钥泄漏到本地文件」类常见错误 12. 临时解密副本正常退出清理——Skill 退出时清理临时副本，不留隐私痕迹 13. 原微信数据库保持只读——不破坏原数据；只读权限 14. 默认不上传原始记录 / 数据库 / 个人配置——隐私保护明确表态 15. 微信 4.1.13.65 实际验证——明示具体验证版本；README 警告「微信更新可能导致内存结构变化，需要重新适配」

架构师速览：

决策问题 研究判断 证据边界
系统边界 Windows 微信群聊总结 Codex Skill；输入 Codex 调用 + 群名 + 时长；输出 PNG 长图 + HTML 网页 + Markdown 摘要；微信 4.1.13.65 实际验证 + cryptography + zstandard + Pillow + Python 3.13；macOS 读取器当前不支持；密钥临时解密副本正常退出清理 + 原数据库保持只读 + 默认不上传 来自 README 关于「Codex 会话协调的工作流」「按群名精确匹配 + 默认 24h」「联系人库 + 消息分片 + WAL 增量 + 结构完整性 + 时间窗口 + 发送者映射 + 重复记录检查」「每个报告条目引用本次真实消息编号」「已确认/已接收/待完成/个人观点/报告建议五分类」「PNG + HTML + Markdown 三格式同一正文」「cryptography + zstandard + Pillow + Python 3.13」「中文字体微软雅黑」「macOS 读取器当前不支持」「密钥不主动写入文件 + 临时解密副本正常退出清理 + 原微信数据库保持只读 + 默认不上传」「微信 4.1.13.65 实际验证」的明示；具体微信 SQLite 数据库 schema、cryptography 解密细节、Codex Skill 调用流程在 README 中未完全展开
主路径 Codex 调用 $wechat-group-report → 读取 ~/.agents/skills/wechat-group-report/settings.local.json（含 db_dir / account / self_name / output_root / default_group）→ Python 脚本解密微信 SQLite（cryptography + zstandard）→ 读取联系人库 + 消息分片 + WAL 增量 → 按群名 + 时长过滤 → 渲染 PNG + HTML + Markdown 三格式 → 清理临时副本退出 主路径来自 README 描述的「Codex 会话协调的工作流 + Python 读取渲染 + Codex 理解总结 + 三格式输出同一正文」；具体微信 SQLite schema 字段、cryptography 解密算法、Codex Skill 调用流程细节待核验
关键权衡 Codex Skill 形式（可被 Codex $skill-installer 直接安装 vs 不能脱离 Codex 单独用）/ 本地数据库读取（隐私可控 vs 微信版本更新需适配）/ cryptography + zstandard + Pillow 三个依赖（功能完整 vs 依赖较多）/ macOS 不支持（聚焦 Windows vs 不跨平台）/ 默认不上传（隐私优先 vs 不能云同步）/ Codex 会话协调（Codex 理解 + 总结 vs 不能脱离 Codex）/ 每个报告条目引用消息编号（可追溯 vs 报告变长） 权衡八因素均从 README + repo 元数据推导；具体微信 SQLite schema 兼容性、Codex Skill 调用兼容性、cryptography 性能、报告长度控制待核验
最小 PoC Windows 10/11 + 微信 4.1.13.65 桌面客户端已登录 + Codex 已安装 + Python 3.13 + git clone 到 ~/.agents/skills/wechat-group-report/ + python -m venv .venv + pip install -r scripts/requirements.txt + 复制 settings.example.json 到 settings.local.json 填入 db_dir / account / self_name / output_root / default_group + 在 Codex 中调用 $wechat-group-report，总结"我的项目群"最近 24 小时，生成 PNG 和网页；观察 PNG + HTML + Markdown 三格式 + 默认不上传行为 + 临时副本清理 PoC 由「Windows + 微信 4.1.13.65 + Codex + Python 3.13 + cryptography + zstandard + Pillow + 三格式 + 默认不上传 + 临时副本清理」路径推导；具体微信 SQLite schema 字段、Codex Skill 调用兼容性待核验

架构图（MMD）：

证据边界：此图只采用本档案已有可核验描述；"待核验"节点不应视为项目实现事实。

flowchart LR
  Codex[Codex
理解 + 总结] --> Skill[$wechat-group-report Skill]
  Skill --> Settings[settings.local.json
db_dir / account /
self_name / output_root /
default_group]
  Skill --> Py[Python 脚本
Python 3.13]
  Py --> Crypto[cryptography
解密]
  Py --> Zstd[zstandard
解压]
  WeChat[Windows 微信 4.1.13.65
桌面客户端已登录
数据库只读] --> Crypto
  WeChat --> Zstd
  Crypto --> DB[联系人库 + 消息分片 +
WAL 增量 + 结构完整性检查]
  Zstd --> DB
  DB --> Filter[按群名 + 时长过滤
24h / 48h / 历史截止]
  Filter --> Parse[解析文本 + 引用 + 可解析卡片
每个条目引用消息编号]
  Parse --> Classify[五分类
已确认 / 已接收 /
待完成 / 个人观点 / 报告建议]
  Classify --> PNG[PNG 长图
自动计算高度
Pillow 渲染]
  Classify --> HTML[HTML 网页
响应式排版
无外部资源依赖]
  Classify --> MD[Markdown 摘要]
  PNG --> Output[output_root/
三格式同一正文]
  HTML --> Output
  MD --> Output
  Py -.退出清理.-> Temp[临时解密副本清理
不留隐私痕迹]
  Py -.只读权限.-> WeChat
  Py -.默认不上传.-> Net[无网络传输
默认不上传]
  Font[中文字体
微软雅黑可指定其他字体] -.渲染.-> PNG
  Font -.渲染.-> HTML
  Mac[macOS 读取器
当前不支持] -.局限.-> Py
  Ver[微信版本兼容
4.1.13.65 验证
更新需重新适配] -.约束.-> WeChat

风险与机遇

风险（项目级）

机遇（赛道级）

风险与机遇（叙事级）

风险

机遇

重点项目档案

数据来源: GitHub Search API (2026-09-16) + 各项目 README API readme 字段 base64 解码 | License: MIT / Apache-2.0 / CC0-1.0 / OTHER | Stars: 15/11/10/68/10 | Forks: 0/0/0/13/5 | Created: 2026-09-15