生活不易，編程苦悶，不如“人爲製造”點趣味，讓日子過得更加有玩味感。
本文參考了一些項目推薦，整理了一些編程語言中個人認爲比較有意思，也相對實用的開源項目，每個語言列的都不多，感興趣的有空可以試試看。
一、Go
Gobot 是一個機器人、無人機和物聯網框架，提供在同一時間合併多個不同設備的簡單且強大的解決方案。
Gobot 目前共支持18個不同的平臺，它包含一個 cppp.io 兼容的 RESTful API 來查詢在羣中運行的任何連接、設備或機器人的狀態，還能夠直接向設備和機器人發出命令。
Go, Robot, Go!
Cayley 是一個開源圖(Graph)數據庫，其靈感來自於 Freebase 和 Google 的 Knowledge Graph 背後的圖數據庫。
Cayley 的目標是成爲開發人員工具箱中關聯數據和圖形數據的一部分。運行簡單，只需 3 到 4 個命令。
Træfɪk 是一個新型的http反向代理、負載均衡軟件，能輕易的部署微服務。
Træfɪk 支持多種後端 (Docker、Swarm、Mesos/Marathon、 Consul、Etcd、 Zookeeper、BoltDB、Rest API、file...) ,可以對配置進行自動化、動態的管理。
二、Python
Falcon 是一個高性能的 Python 框架，用於構建雲端 API 和 Web 應用的後端程序。
Falcon 採用的是一個乾淨的設計，追求 HTTP 和 REST 的“建築風格”。不需要大量的依賴和不必要的抽象。
Locust 是一個負載測試工具。使用 Python 代碼定義用戶行爲，也可以仿真百萬個用戶。
Locust 是非常簡單易用，能測試出一個系統可以併發處理多少用戶。相比其他許多事件驅動的應用，Locust 不使用回調，而是使用輕量級的處理方式 gevent。
Coala 能提供一個統一的命令行接口用於代碼分析和修復，無論你使用的是哪種開發語言，使用者可以創建源代碼應遵循的規則和標準。
Coala 有着友好的用戶界面，可以完全自己定製，而且它還可以在任意的開發環境中運行並且是完全模塊化的。
三、JavaScript
Chart.js 是使用 <canvas> 元素的簡易 HTML5 圖表，支持6種統計圖形，不依賴其他庫。
Chart.js 提供了兩種可供使用的不同構建。Chart.js 和 Chart.min.js 文件包含 Chart.js 和附帶的顏色解析庫。
EME 是一款優雅的 markdown 編輯器。設有專注模式，寫作不受干擾。
EME 可從 Markdown 導出到 HTML/PDF...等各種格式，支持數學排版，適用於學生和專業人士。
N1 是一個可擴展的郵件客戶端，設計友好，排版簡潔，帶有輕微的陰影效果。
N1 兼容上百種郵件提供商，包括 Gmail、Yahoo、iCloud、Microsoft Exchange 等等。作爲桌面 app 它可以離線運行。適用於 Mac、 Windows 和 Linux。
四、Shell
oh-my-zsh 是基於 zsh 的功能做的一個擴展，方便的插件管理、主題自定義，以及漂亮的自動完成效果。
oh-my-zsh 包括200多個可選的插件（rails、git、OSX、hub、capistrano、brew、ant、php、python等），140多個主題，和一個自動更新工具。
Dokku 是一個迷你版的Heroku，由 Docker 使用不多於 100 行的 Bash 編寫，是最小的 PaaS 實現。
Dokku 一旦安裝完成，你就可以通過 Git 推送兼容 Heroku 的應用到平臺上運行。
五、Swift
Kitura 是來自 IBM 的基於 Web 框架，也是一個 HTTP 服務器。
Kitura 具有可插拔的中間件，支持 SSL/TLS 和 FastCGI，支持 JSON 解析。
Quick 是一個行爲驅動的 Swift 和 Objective-C 的開發測試框架。靈感來自 RSpec、Specta 和 Ginkgo。
Alamofire 是一個 HTTP 網絡開發工具包，功能強大，支持各種 HTTP Method、JSON、文件上傳、文件下載和多種認證方法。
六、C/C++
Libuv 是一個專注於異步 I / O 的多平臺支持庫，目標是在這個庫中包含所有平臺的差異性。
Libuv 主要被用於 Node.js，但它也被 Luvit、Julia、pyuv 和其它項目使用。
Netdata 是一個分佈式實時性能和健康監控系統，使用現代化的交互式 Web 儀表板，爲其運行的系統（包括 Web 和數據庫服務器等應用）提供高效的實時洞察力。
Netdata 旨在永久運行在所有系統（物理和虛擬服務器、容器、IoT設備）上，而不中斷其核心功能。
Torch7 是一個科學計算框架，支持機器學習算法。易用而且提供高效的算法實現，得益於LuaJIT和一個底層的 C 實現。
Torch7 的目標是在構建科學算法時具有最大的靈活性和速度，同時使過程非常簡單。