生活不易，编程苦闷，不如“人为制造”点趣味，让日子过得更加有玩味感。
本文参考了一些项目推荐，整理了一些编程语言中个人认为比较有意思，也相对实用的开源项目，每个语言列的都不多，感兴趣的有空可以试试看。
一、Go
Gobot 是一个机器人、无人机和物联网框架，提供在同一时间合并多个不同设备的简单且强大的解决方案。
Gobot 目前共支持18个不同的平台，它包含一个 cppp.io 兼容的 RESTful API 来查询在群中运行的任何连接、设备或机器人的状态，还能够直接向设备和机器人发出命令。
Go, Robot, Go!
Cayley 是一个开源图(Graph)数据库，其灵感来自于 Freebase 和 Google 的 Knowledge Graph 背后的图数据库。
Cayley 的目标是成为开发人员工具箱中关联数据和图形数据的一部分。运行简单，只需 3 到 4 个命令。
Træfɪk 是一个新型的http反向代理、负载均衡软件，能轻易的部署微服务。
Træfɪk 支持多种后端 (Docker、Swarm、Mesos/Marathon、 Consul、Etcd、 Zookeeper、BoltDB、Rest API、file...) ,可以对配置进行自动化、动态的管理。
二、Python
Falcon 是一个高性能的 Python 框架，用于构建云端 API 和 Web 应用的后端程序。
Falcon 采用的是一个干净的设计，追求 HTTP 和 REST 的“建筑风格”。不需要大量的依赖和不必要的抽象。
Locust 是一个负载测试工具。使用 Python 代码定义用户行为，也可以仿真百万个用户。
Locust 是非常简单易用，能测试出一个系统可以并发处理多少用户。相比其他许多事件驱动的应用，Locust 不使用回调，而是使用轻量级的处理方式 gevent。
Coala 能提供一个统一的命令行接口用于代码分析和修复，无论你使用的是哪种开发语言，使用者可以创建源代码应遵循的规则和标准。
Coala 有着友好的用户界面，可以完全自己定制，而且它还可以在任意的开发环境中运行并且是完全模块化的。
三、JavaScript
Chart.js 是使用 <canvas> 元素的简易 HTML5 图表，支持6种统计图形，不依赖其他库。
Chart.js 提供了两种可供使用的不同构建。Chart.js 和 Chart.min.js 文件包含 Chart.js 和附带的颜色解析库。
EME 是一款优雅的 markdown 编辑器。设有专注模式，写作不受干扰。
EME 可从 Markdown 导出到 HTML/PDF...等各种格式，支持数学排版，适用于学生和专业人士。
N1 是一个可扩展的邮件客户端，设计友好，排版简洁，带有轻微的阴影效果。
N1 兼容上百种邮件提供商，包括 Gmail、Yahoo、iCloud、Microsoft Exchange 等等。作为桌面 app 它可以离线运行。适用于 Mac、 Windows 和 Linux。
四、Shell
oh-my-zsh 是基于 zsh 的功能做的一个扩展，方便的插件管理、主题自定义，以及漂亮的自动完成效果。
oh-my-zsh 包括200多个可选的插件（rails、git、OSX、hub、capistrano、brew、ant、php、python等），140多个主题，和一个自动更新工具。
Dokku 是一个迷你版的Heroku，由 Docker 使用不多于 100 行的 Bash 编写，是最小的 PaaS 实现。
Dokku 一旦安装完成，你就可以通过 Git 推送兼容 Heroku 的应用到平台上运行。
五、Swift
Kitura 是来自 IBM 的基于 Web 框架，也是一个 HTTP 服务器。
Kitura 具有可插拔的中间件，支持 SSL/TLS 和 FastCGI，支持 JSON 解析。
Quick 是一个行为驱动的 Swift 和 Objective-C 的开发测试框架。灵感来自 RSpec、Specta 和 Ginkgo。
Alamofire 是一个 HTTP 网络开发工具包，功能强大，支持各种 HTTP Method、JSON、文件上传、文件下载和多种认证方法。
六、C/C++
Libuv 是一个专注于异步 I / O 的多平台支持库，目标是在这个库中包含所有平台的差异性。
Libuv 主要被用于 Node.js，但它也被 Luvit、Julia、pyuv 和其它项目使用。
Netdata 是一个分布式实时性能和健康监控系统，使用现代化的交互式 Web 仪表板，为其运行的系统（包括 Web 和数据库服务器等应用）提供高效的实时洞察力。
Netdata 旨在永久运行在所有系统（物理和虚拟服务器、容器、IoT设备）上，而不中断其核心功能。
Torch7 是一个科学计算框架，支持机器学习算法。易用而且提供高效的算法实现，得益于LuaJIT和一个底层的 C 实现。
Torch7 的目标是在构建科学算法时具有最大的灵活性和速度，同时使过程非常简单。