逆向工程、模型网关、语音推理与本机检索出现可自持的开源底座

定位一个 MCP：让 agent 从程序运行行为一路逆向到二进制，读伪代码、汇编、字符串与调用关系。

痛点逆向长期靠 GUI 工具加人工翻页，结论难留痕；agent 想插手却没有结构化的证据接口。

付费安全、兼容性、逆向工程团队，替代 IDA Pro 一类按席位/年费的工具与「买工具再堆人天」。

规模化目标覆盖原生二进制、Go、Electron、SQLite，接入方式是标准 MCP，多平台同一套流程。

边际低 · 纯 CLI 加 MCP，分析算力与已有 Ghidra/Hopper 复用，新增用户不增加运维。

验证npx rea-agents setup，再 npx -y rea-agents@latest analyze-javascript-application /path/to/app --json（静态 JS 分析不需要原生引擎）。

定位高吞吐 AI 网关：一个 OpenAI 兼容端点接多家模型与 MCP，附带故障转移、语义缓存、护栏与密钥管理。

痛点多供应商切换、限额、可观测与密钥治理散在各处，自研网关又要把重试与缓存重做一遍。

付费已经在按调用量买模型的企业团队，把它当统一入口，省的是重复接入与宕机成本。

规模化HTTP 与 Go SDK 两种接入，配置可用文件/API/Web UI，跨行业交付不需要定制。

边际低 · 单个 Go 二进制或容器，推理算力仍由客户自己的账号承担。

验证docker run -p 8080:8080 maximhq/bifrost，再向 /v1/chat/completions 发一次带 key 的请求。

定位面向音频与 omni 模型的多阶段推理运行时：TTS、ASR、流式语音、上传声线，对外是 OpenAI 兼容接口。

痛点语音模型的服务化没有 vLLM 那样的现成栈，生成、声码与流式的调度和传输都要自己拼。

付费做语音 agent、客服与有声内容的团队，把按分钟计的语音 API 换成自有显卡。

规模化音频推理是通用件，模型族与 NVIDIA、Intel XPU、Apple Silicon 后端可替换。

边际低 · 纯软件运行时，算力与运维边界都落在客户侧。

验证uv pip install --prerelease=allow "sglang-omni==0.1.8"，跑一个 TTS 或 ASR 示例（需 GPU）。

定位用 EmbeddingGemma 2 在本机建索引，按内容搜自己的文件：图片、PDF、录音、视频、代码，跨 100 多种语言。

痛点文件名搜索不认内容，云端索引又要把隐私数据传出去。

付费知识工作者与团队的桌面，替代云端检索/索引 API 的成本与上传动作。

规模化自有文件检索是通用需求，三平台安装包交付，索引与推理都在本地完成。

边际中低 · 无服务端成本，但要为三个平台打包并分发 865MB 模型。

验证brew install --cask arahim3/tap/digup（macOS 14+ / Apple Silicon），Windows 与 Linux 走 beta 安装包。

定位v2 重写：无主节点的分布式 SQLite，gossip 复制加分布式事务，对外用 MySQL 协议。

痛点SQLite 单机够用但多节点没法读写，上 Postgres 集群又要重做部署与运维。

付费边缘与多节点自建场景（工具类 SaaS、WordPress 托管），客户端直连、迁移成本低。

规模化部署就是单个 Go 二进制，场景跨行业；多库、DDL 复制与向量索引都已内置。

边际低 · 纯软件，客户用自己的机器组集群。

验证./examples/start-seed.sh 起种子节点（MySQL 3307），再 ./examples/join-cluster.sh 2 localhost:8081 组三节点。