GitHub Trending 日报 · 2026-09-10

概览

今日共收录 13 个 Trending 项目。主要语言分布：Python(4)、JavaScript(3)、TypeScript(3)、HTML(1)、Unknown(1)。

今天的热榜，几乎全是给 AI 编程助手“打补丁”。不是补模型，是补流程、技能、配置和记忆。共同趋势很清楚：Agent 正从聊天框变成工程系统。大家不再满足于问一句答一句，而是让它先问需求、写规格、拆任务、跑 TDD，再派子 Agent 干活。更关键的是，这些能力正在标准化。MCP 成了接外部工具的插口。Agent Skills 刚开放，插件市场也在成形。OpenAI 官方放 Codex 插件示例，腾讯做配置同步 CLI，都是同一个方向：把零散提示词变成可复用、可共享、可版本管理的资产。开发者生态也在变。以前分享 prompt，现在分享技能包、规则、插件清单。以前手抄配置，现在一条命令同步到十几个 agent。以前怕模型胡说，现在加审批闸门、风控和记忆。金融多智能体、3D 建筑、CAD 和机器人技能包，说明 agent 开始进入具体生产环节，不只是写代码。同时，学习缺口被迅速填补：AI 工程课、系统设计模板、出图提示词库，都在把经验变成可复制的产物。一句话，这波热点的核心不是新模型，而是 Agent 的操作系统层正在长出来。谁先把技能、流程和插件生态做顺，谁就掌握下一代开发入口。

项目详情

ayghri/i-have-adhd

Python ⭐ +4,650 今日新增 · 35,246 总星数

一个给编码 AI 助手用的提示词技能包：强制它先给下一步动作、多步任务编号、删掉”好问题”“希望有帮助”这类开场白，让答案不再被埋在废话里。

亮点

• 把”回答格式”当成可安装、可卸载、可 fork 的插件来做，而不是写进个人 system prompt 或者等模型厂商改。
• 规则全部围绕一个取舍：牺牲解释和铺垫，换取第一屏就能看到可执行动作。比如把”你可能想升级 jsonwebtoken”变成 npm install jsonwebtoken@latest + 编辑 src/auth.ts:42。

核心功能

• 核心只是一个 SKILL.md 文本文件，里面写死 10 条输出规则：先给动作、多步任务编号、结尾必须给一个可执行下一步、每轮复述当前状态、禁止开场白和总结、误差用分钟不用”一会儿”。
• 靠 Claude Code 的插件市场机制分发（marketplace add + plugin install），重启后输入 /i-have-adhd 生效；也提供 AGENTS.md 让别的 agent 工具读取。本质是改提示词，没有任何运行时代码或模型改动。
• 可 fork 后改自己的 SKILL.md 再装回来，等于把”agent 怎么跟我说话”做成可替换的配置文件。

适用场景: 日常用 Claude Code、Cursor 这类编码 agent 的开发者。典型场景是让 agent 修 bug 时，它先啰嗦三段背景，你要往下翻才找到那条命令和文件行号。团队也可以拿它统一 agent 的输出规范，比如要求每条建议都带上 文件:行号 和验证命令。

竞品对比: 同类东西是各家的 rules 文件（Cursor Rules、CLAUDE.md、各种 system prompt 模板）。最大差别是它不负责代码质量，只解决”答案被废话埋住”这一个问题，且以插件形式分发，装上和卸下都不用动项目文件。

成熟度: 早期项目，没有版本号，主体是一份 markdown 规则加多语言 README，MIT 协议；规则类内容本身风险低，但措辞会随作者调整，团队用之前建议先 fork 锁定自己的副本。

趋势信号: 编码 agent 在 2025 到 2026 年大量进入日常开发，输出冗长成了普遍抱怨，同时 Claude Code 刚开放插件生态，这种”一份 markdown 就是一个技能”的形态传播成本极低，于是几天内冲上 trending。

cathrynlavery/diagram-design

HTML ⭐ +2,249 今日新增 · 36,840 总星数

给 Claude Code、Codex 等编程 Agent 用的一套图表技能：39 种排版风格图表，直接吐出自包含的 HTML+SVG，不经过 Mermaid，也不用开 Figma。

亮点

• 把设计取舍写成硬规则塞进 skill：”最高质量的操作通常是删除”，强调色只留给读者第一眼该看的 1-2 个元素，目标信息密度定死在 4/10，避免 Agent 往图里堆节点
• 静态 HTML 是默认输出，动效是可选项且做了无障碍（ordered explanation 时才开），不为炫技牺牲”可直接嵌入”这条底线

核心功能

• 出图 = 纯 HTML + SVG 单文件，没有构建步骤、没有 JavaScript、不引外部图片，浏览器直接打开，能原样贴进静态站或文档
• 把”语义模式”和”布局”拆开：队列、策略追踪、信任边界这类结构复用最接近的现有图表类型，不用为每种语义新增一种图表，所以类型数才压得住
• 能把已有的 draw.io / Mermaid / Excalidraw 源文件按指定格式、尺寸、细节层级重绘成这套风格；还能读你的网站自动提取品牌色，号称 60 秒配好

适用场景: 写技术博客、产品文档、README 或官网的工程师和技术写手。他们在 Claude Code / Codex 里说一句要架构图或流程图，直接拿到能嵌进站点的 HTML/SVG，不用花半小时在 Figma 里对色和圆角。

竞品对比: 对比 Mermaid / PlantUML / D2 这类文本转图工具：它们输出的是通用渲染样式，主题很难改到位；这个产出的是可编辑的 HTML+SVG，且能对齐你自己的品牌视觉。对比 Excalidraw / draw.io 是手工画图的活，它则是塞进 Agent 里自动生成。

成熟度: 版本已到 2.5.10，2.0→2.3→2.5.x 迭代很密，文档和截图齐全，且无运行时依赖所以即装即用；但本质是提示词加模板资产集，效果跟宿主 Agent 的版本绑定。

趋势信号: 踩在 Claude Code Skills / Agent Skills 生态起量这一波，同时开发者对 Mermaid 默认圆角框样式已经审美疲劳，两个情绪叠一起推高了这 2249 star/天。

liquidslr/system-design-notes

⭐ +1,397 今日新增 · 18,161 总星数

一本系统设计面试书《System Design Interview》的逐章精读笔记，把限流、一致性哈希、设计 YouTube 等真题整理成可直接背的答题模板，面试季被大量转发。

亮点

• 内容按面试时间轴排，而不是按知识点罗列——先算量、再画图、最后讲权衡，跟面试官实际追问的节奏一致
• 作者是把书里的内容用自己的话重写并重画架构图，不是原文搬运，所以更像压缩过的复习卡片而不是电子书扫描件

核心功能

• 按书逐章整理限流器、一致性哈希、分布式键值存储、唯一 ID 生成器，以及设计 URL 短链、爬虫、聊天系统、News Feed、YouTube 等经典题
• 每章按真实面试的答题顺序组织：先澄清需求和规模假设，再做 QPS/存储容量估算，然后画高层框图，最后逐组件谈取舍，相当于一份口述脚本
• 纯 Markdown + 静态图片，没有构建步骤和依赖，clone 下来或直接在 GitHub 网页上就能读

适用场景: 准备系统设计面试的后端/全栈工程师，尤其是投递大厂或外资公司前 1-2 个月突击复习的人；也常被团队拿来当新人了解分布式组件的入门材料。

竞品对比: 同领域有 donnemartin/system-design-primer（覆盖面更广但偏概念清单和练习题，不成体系）和 ByteByteGo 的付费课程/官方书。这个仓库的差异是绑定一本书逐章精读，深度够、篇幅短，适合当考前一晚的速通材料。

成熟度: 内容型仓库，无版本号和 API 概念，靠零星 commit 补勘误，可放心直接阅读。

趋势信号: 秋招和跳槽季叠加，系统设计是社招和后端岗的必考环节，这本笔记被当成高频转发的中文速通资料，单日涨星近 1400。

affaan-m/ECC

JavaScript ⭐ +1,133 今日新增 · 255,305 总星数

给 Claude Code、Codex、Cursor 等 AI 编程 agent 套一层「技能+记忆+安全」插件，一条 npx 命令装好，让 agent 按固定流程干活。

亮点

• 定位是「跨工具的 agent 操作系统」而不是某一个工具的配置合集——同一份 skills/commands 想在 7 个 harness 里通用，这是它和纯 Claude Code 插件最大的区别。
• MIT 开源 + 商业 GitHub App（私有仓库 $19/人/月）双轨，明说开源版永远免费、靠赞助和订阅养一个每周发版的维护者。

核心功能

• 不做自己的 agent 运行时，而是寄生在宿主工具的原生扩展点上：Claude Code 侧就是标准的 plugin/skill/agent/command/hook 五个机制，插件 slug 为 ecc@ecc，用 /plugin marketplace add 或 npx ecc-universal setup 两条路装，且明确警告两条路别叠加装。
• 一套内容适配 7 个 harness（跑 agent 的外壳工具，比如 Claude Code、Codex、Cursor、Opencode），靠的是把技能和命令写成跨工具的 Markdown 约定，而不是给每个工具写一份代码。
• 拆成两个 npm 包分工：ecc-universal 负责安装、更新、迁移插件作用域并记录你选的 hook profile；ecc-agentshield 单独承担 agent 的安全防护，不跟主包混在一起。

适用场景: 天天用 Claude Code / Cursor / Codex 写代码的个人开发者和十来人小团队，想把「先调研再动手」「代码规范」「安全检查」这些重复动作固化进 agent；私有仓库团队可以装 ECC Pro 的 GitHub App 在 PR 上跑检查。

竞品对比: 对手是 Anthropic 官方 plugin marketplace、SuperClaude 这类 Claude Code 配置合集，以及 Cursor rules / AGENTS.md 这种散装约定。差别在于 ECC 想要跨工具通用并加了商业 GitHub App，但代价是抽象层更厚、装错一步就容易和作用域冲突。

成熟度: 表面成熟（多语言 README、Discord、GitHub App、付费订阅都在），但 25 万 star 这个数字高得反常，上生产前建议先翻提交频率和 issue 响应，别只看星数。

趋势信号: Claude Code 插件市场刚开放、Codex 和 Cursor 也在抢 agent 生态，大家都在找现成的「技能包+记忆+安全」；这个仓库靠多语言 README、star-history 徽章和 sponsor 位做运营，正好踩在热点上冲榜。

freestylefly/awesome-gpt-image-2

JavaScript ⭐ +705 今日新增 · 30,240 总星数

把社区零散的 GPT-Image2 出图案例逆向成结构化提示词模板库，含 544 个案例和 20+ 套工业模板，还能当 Agent Skill 直接调用，解决批量出图提示词不可复用的问题。

亮点

• Prompt as Code 的思路：把提示词当成可管理、可复用的代码资产，而不是一个个孤立范例，这是和普通 awesome 列表最大的区别
• 配套网站做了同一 prompt 在不同模型下的对比视图，带可拖动分隔条和放大预览，方便看清 Sunburst 和 Flare 的差异

核心功能

• 把散文式提示词拆成原子 schema：主体、光照、材质、版式、视觉细节各成一段，可自由拼装，脚本改一个字段就能换风格
• 544 个案例全部逆向工程，按风格和场景分类，每个案例带完整 prompt 和原图，可在网页上直接复制、登录后试生成
• 提炼出 Agent Skills，能挂进 Claude Code、Cursor 这类工具，配合 Remote MCP 让 Agent 自己挑模板出图

适用场景: 电商运营、营销设计、自媒体需要批量产出统一风格配图的团队；以及用 Claude Code / Cursor 搭自动化出图流水线的开发者。

竞品对比: 对比 awesome-chatgpt-prompts 这类纯链接列表，它多了结构化 schema 和 Agent Skill；对比 Midjourney prompt 库，它绑死 GPT-Image2 系列并紧跟 2.5 更新。

成熟度: 文档型项目不是软件，无版本号；30k star、持续更新、有赞助商和独立站点，但案例效果依赖上游模型，无法保证复现。

趋势信号: OpenAI 刚放出 GPT-Image 2.5（Sunburst/Flare），仓库第一时间出了 spotlight 对比页并复刻了 4 个案例，正好接住这波模型更新的搜索流量。

obra/superpowers

Shell ⭐ +688 今日新增 · 284,132 总星数

给编码 Agent 装一套开发流程：先问清需求、写规格、拆小任务，再派子 Agent 逐条 TDD 实现，Claude Code/Cursor/Codex 等 15 种工具通用。

亮点

• 把方法论当插件装。不是提示词合集，而是带 hook 的自动触发器，加上 TDD、YAGNI、DRY 这些纪律约束，Agent 想跳过也难。
• 计划的粒度标准是「一个热情但水平差、没项目上下文、讨厌写测试的初级工程师也能照着做」，每条任务都有确切路径和验证步骤，把不确定性提前消掉。

核心功能

• 技能是可组合的 markdown 文件，靠 session-start hook 自动注入 bootstrap，Agent 一开会话就加载流程，不用手动喊；长会话被 compaction 压缩后还会再注入一次（Hermes 没有这个钩子，会被截断）。
• subagent-driven development：把计划拆成 2-5 分钟的小任务，每个任务派一个全新子 Agent 执行，做两阶段审查——先查是否符合规格，再查代码质量，父 Agent 的上下文不被污染。
• 跨 harness 适配层，同一套技能分别通过 Claude Code 插件市场、Codex 官方插件、Gemini extensions、Copilot/Cursor/OpenCode/Devin 等各家的 plugin 机制装进去，安装靠 Shell 脚本和各家 CLI 命令。
• 流程强制写死：brainstorming 出规格文档 → git worktree 开隔离分支 → writing-plans 拆任务（每个带确切文件路径、完整代码、验证步骤）→ 执行时强制 RED-GREEN-REFACTOR 的 TDD。

适用场景: 用 Claude Code、Cursor、Codex 的个人开发者或小团队，尤其是受够了 Agent 一上来就乱写代码、跑两小时跑偏的人；也可以给需要统一流程的工程团队当规范用。

竞品对比: 同类有 GitHub 官方的 spec-kit 和 BMAD-METHOD。spec-kit 偏生成规格文档，BMAD 是一整套角色扮演式流程；superpowers 的差异点是把自动触发钩子 + 子 Agent 逐任务 TDD 执行做成闭环，而且不绑定单一工具，15 个 harness 都能装。

成熟度: 迭代很快、文档齐全，已被 Claude、Codex、Grok 的官方插件市场收录并有商业支持（sales@primeradiant.com），但技能内容和安装方式还在频繁变动，上生产建议锁版本。

趋势信号: Anthropic 2025 年带火 Skills 概念后，各家 CLI Agent 陆续开放插件市场，这个项目正好从单一 Claude Code 插件长成了跨 15 个 harness 的通用技能包，被多个官方市场收录，装一次就跟着所有工具走。

Tencent/teamai-cli

TypeScript ⭐ +556 今日新增 · 3,199 总星数

腾讯出的 CLI 工具，把团队的 skills、rules、MCP 配置放进一个 git 仓库，一条命令同步到 Claude Code、Codex、Cursor 等 10 多种 AI 编码 agent，解决各家配置互不兼容、团队共享靠手抄的问题。

亮点

• 把团队配置当软件包分发来做：git 仓库是源，CLI 是包管理器，直接用 git 的写权限当准入控制，不额外造一套账号和权限体系
• 分三层设计（Execution / Context / Improvement），后两层还在 beta，包含 learnings、codebase graph、teamwiki、session digest，想让每次执行反过来沉淀成团队知识

核心功能

• 以 git 仓库做唯一数据源：管理员建共享 repo 放 skills/rules，成员跑一次 teamai init <repo>，之后每次 AI 会话自动拉最新，不用手动复制粘贴
• 一套配置翻译成 10+ 家 agent 的原生落盘格式（Claude Code、Codex、Cursor、CodeBuddy、OpenCode、Qoder 等），各家 skills/rules/hooks/mcp 目录结构不同，CLI 负责转换写入
• 权限分发三件套：roles 按角色映射到 namespace，成员只同步自己角色的技能；tags 让成员按标签订阅；source 可订阅外部 skill 仓库，pull 时一起同步

适用场景: 同时用 Claude Code、Cursor 等多个 AI 编码工具的研发团队，TL 定好规范和技能后一次性下发到所有成员，不用每人自己配。也适合外包或咨询团队接新项目时快速铺一套统一的 agent 配置。

竞品对比: 和 rulesync、ruler 这类规则格式转换工具比，那些主要解决单机多 agent 格式互转，TeamAI 多了团队级分发、角色/标签权限和 git 仓库协作。相对直接手抄 CLAUDE.md、.cursor/rules，它省掉了同步这一步。

成熟度: 早期项目，npm 上有正式包、CI 和双语文档齐全，但 Context/Improvement 层明确标 beta，且除 Claude Code、Codex、Cursor 外部分 agent 功能不全（表格里有 — 号），API 和目录结构可能还会变。

趋势信号: 2025 年各家 AI 编码 agent 的 skills/MCP 配置格式互不兼容，团队共享配置成了新痛点，腾讯下场做这个“agent 配置包管理器”，一天涨 556 star 被顶上 trending。

openai/plugins

JavaScript ⭐ +498 今日新增 · 6,253 总星数

OpenAI 官方放出的 Codex 插件示例合集，定义 plugin.json 清单和插件市场格式，让 Codex 能接 Figma、Notion、Netlify 等外部工具。

亮点

• 官方亲自写了 Figma、Notion、build-ios-apps、build-macos-apps、build-web-apps、Expo、Netlify、Remotion、Google Slides 这一批垂直示例，等于把插件作者的模板和最佳实践一起给了
• 插件被设计成「能力包」而不是代码包：技能、命令、钩子、MCP 配置全塞进一个目录，扩展 Codex 不用改 Codex 本身

核心功能

• 一个插件就是一个目录：plugins// 下必须有 .codex-plugin/plugin.json，可选带 skills/、agents/、commands/、hooks.json、.mcp.json，靠目录约定被自动发现，不用写注册代码
• 用 .mcp.json 接 MCP 服务器（MCP 是让 AI 调用外部工具的统一协议），用 hooks.json 挂生命周期钩子，用 commands 注册斜杠命令，把提示词、工具、钩子打包成一个可分发单元
• 维护两套 market place：.agents/plugins/marketplace.json 给普通登录用户，api_marketplace.json 给 API key 登录用户，分发渠道分开

适用场景: 用 Codex 写代码的开发者，尤其是前端、iOS/macOS SwiftUI、Expo React Native 方向的人。场景是让 Codex 直接读 Figma 设计稿、查 Notion 文档、跑 Netlify 部署，而不是自己粘贴截图和上下文。

竞品对比: 基本是对标 Anthropic 的 Claude Code 插件/skills 市场（.claude-plugin/marketplace.json + skills/），思路一致。差别在 Codex 这边把 MCP 服务器配置、斜杠命令、hooks 统一收进一个 plugin 目录，而 Claude 那边插件与 MCP 配置相对更分离。

成熟度: 早期项目，没有版本号，属于刚放出的示例仓库，目录约定和 API 后续大概率会调整。

趋势信号: OpenAI 刚给 Codex 上线插件生态，官方仓库正面跟 Claude Code 的插件市场抢开发者，加上 Figma、Notion 等大厂配套示例同批放出，一天涨近 500 星。

vastsa/PI-Desktop

TypeScript ⭐ +417 今日新增 · 1,806 总星数

本地优先的 AI 编程 Agent 桌面工作区：Electron 界面 + Rust 宿主核，自带任意模型，Agent/Plan/Goal 三种审批闸门加插件市场。

亮点

• 把 coding agent 当成独立桌面工作区而不是编辑器插件或终端工具，项目、会话、review、预览、插件全放在一个应用里，会话可以分支、归档、排队 prompt。
• 流式响应做 checkpoint，应用重启或运行时崩溃后能接着跑，这是为长时间会话专门做的取舍。

核心功能

• UI 和宿主进程分开：Electron 只做界面，文件读写、命令执行、进程管理这些系统操作放在 Rust 写的 host core 里，做隔离。
• Agent / Plan / Goal 三种执行闸门。Plan 模式下 agent 先调研并产出一份冻结的实施计划，人不签字就不许改代码；Goal 模式只锁验收标准，路线由 agent 自己定。所有改文件、跑命令的特权操作统一过权限层，可看 diff 和命令输出。
• Subagent 各自跑在独立上下文窗口里，用来后台做代码库探索、多文件实现、对抗式 review，结果回传主 agent，避免大任务挤爆单窗口。

适用场景: 不想把 agent 绑死在 VS Code 或终端里的开发者；用 Ollama/LM Studio 或自建网关跑本地模型的团队，代码和数据不出内网；需要审批 agent 改动、留 diff 和命令记录的场景。

竞品对比: 对比 Cursor（编辑器内）、Claude Code（终端）、Cline/OpenHands（IDE 插件或 Web），最大差异是不锁定编辑器、不锁定模型供应商，还带一个可安装插件的插件市场。

成熟度: Early Preview 早期项目，README 自己写明 API、扩展接口和部分桌面行为还会变，不适合当稳定依赖。

趋势信号: 刚在 Product Hunt 上线（badge 里带 post_id）并上了 Trendshift，叠加当下本地优先、自带模型这股反对托管服务的情绪，一天涨 417 星。

TauricResearch/TradingAgents

Python ⭐ +367 今日新增 · 104,118 总星数

TradingAgents 用多个 LLM 智能体模拟投研团队：基本面/情绪/新闻/技术分析师出报告，多空研究员辩论，交易员下单，风控和组合经理审核。开源可跑，是当前最火的多智能体金融研究框架。

亮点

• 没让单个 Agent 拍板，而是强制多空两方辩论、再交给风控和组合经理两级审批，把’分歧’写进了架构里；决策日志持久化，方便回查哪天哪个 Agent 说错了
• 把金融领域最容易出错的两件事当一号工程：数据的前视偏差，和 Agent 输出的结构化（Research Manager / Trader / Portfolio Manager 强制结构化输出而不是自由文本），避免解析失败的脏数据流进决策

核心功能

• 用 LangGraph 把角色拆成有向图：分析师团队 → 多空研究员结构化辩论 → 交易员 → 风控组 → 组合经理审批，节点间状态可持久化，支持断点续跑（checkpoint resume），跑一半挂了能从上次的图状态接着走
• v0.4.0 重点修 look-ahead 偏差（用了未来数据做回测），对 FRED 宏观、社媒情绪、决策日志记忆都做了 point-in-time 处理，Alpha Vantage 数据源加了前视过滤——这是量化回测最常见的坑，也是它和玩具项目的分界线
• 数据源和模型都做成注册表：FRED、Polymarket、Alpha Vantage 等行情/宏观/预测市场数据，LLM 侧统一接入 GPT-5.6、Claude、Gemini、GLM、Qwen、DeepSeek、Groq、Bedrock 和任意 OpenAI 兼容端点，API key 走 TRADINGAGENTS_* 环境变量自动识别

适用场景: 适合量化研究员、AI 工程爱好者和金融专业学生，用来做策略回测前的信号生成或写论文实验。典型流程：输入一个 ticker，让框架跑出多空辩论记录和交易建议，再用决策日志复盘每一步推理。不适合拿它当实盘下单工具。

竞品对比: 主要对手是 virattt/ai-hedge-fund 和 AI4Finance 的 FinRobot。ai-hedge-fund 更轻、偏教学演示，跑一串角色拿个结论；TradingAgents 更重，有辩论机制、风控审批层和 point-in-time 数据契约，思路更接近真实交易台的流程，但也更难跑通、更依赖数据源付费 key。

成熟度: 版本已到 v0.4.0，迭代频率高（几乎每月一版），有 arXiv 论文、Discord 社区、多语言 README 和 Docker，但 0.x 版本 API 仍可能变，官方明说只用于研究、不构成投资建议。

趋势信号: v0.4.0 刚发布，专门修了 look-ahead 偏差和 checkpoint 续跑这些硬骨头问题，加上 Trendshift 当日仓库榜第一的徽章冲量，正好踩在’LLM 多智能体 + 量化’这波热度上。

rohitg00/ai-engineering-from-scratch

Python ⭐ +343 今日新增 · 53,819 总星数

523 节课、20 个阶段的开源 AI 工程课，从数学基础讲到 Agent 和 MCP，每节课都要交出一个可复用产物，踩中了编程 Agent 时代的学习缺口。

亮点

• 用’留证据’代替’看懂了’：每节课要求记录命令、工作目录、退出码、真实输出和你改动的产物，学没学会看痕迹不看感觉
• 12 种语言的落地页直接提交进仓库，机器翻译的正文放在 translations 分支（主线只留英文），官网统计数据由 site/stats.json 经 build.js 生成统计块写回 README，避免手改数字

核心功能

• 每节课强制产出一个可复用产物——prompt、Agent Skill、agent 或 MCP server，同一节课还提供 Python、TypeScript、Rust、Julia 四份实现，你可以只挑自己那门语言学
• 自带环境预检脚本 verify.py –route beginner，把’现在必须装的依赖’和’以后才用到的工具’分开，每个失败项都会打印检测到的原因和对应的修复命令
• 选课入口本身做成了一个 Agent Skill（skills/start-learning/SKILL.md），coding agent 读完你的背景直接排学习路径；路径同时以 JSON 存在 learning-paths/ 下，GitHub 和官网共用同一份课程代码，不会两处不同步

适用场景: 适合想从后端/全栈转 AI 工程的开发者，按 Phase 14 自己撸一个 agent loop、按 Phase 13 写一个 MCP server；也适合团队 TL 拿它当内部 AI 工程上手培训的现成教材，或准备 Claude 认证的人照 certifications/claude/GETTING_STARTED.md 刷考点。

竞品对比: 和 fast.ai、Karpathy 的 Zero to Hero、微软 generative-ai-for-beginners 比，最大差异是它不怎么讲模型训练，重点在 MCP、Agent Skills、coding agent 实操和 Claude 认证这些 2025 年后才出现的工具链，而且把’做出可复用产物’当硬性作业。

成熟度: 课程型仓库，没有语义化版本号；523 节课、20 阶段、12 语言翻译、独立官网和赞助商都已成型，但章节质量不均，内容跟着工具链频繁改，不能当成可直接依赖的软件库。

趋势信号: 编程 Agent 和 MCP 在 2025-2026 年从概念变成日常工具，开发者缺的是’怎么在真实仓库里用 agent 干活’的系统教材，这个仓库正好把 MCP、Agent Skills、Claude 认证都编进课程，再用 12 种语言翻译铺开传播。

earthtojake/text-to-cad

Python ⭐ +124 今日新增 · 15,137 总星数

给 AI 编程助手装一套 CAD/机器人/3D 打印技能包，用自然语言生成 STEP 模型、URDF 机器人和切片 G 代码。赶上 agent skills 生态刚开放，所以现在火。

亮点

• 打通了从建模到实际开打的全链路：CAD → DfAM 检查 → 切片 → 上传 Bambu Lab 打印，Bambu 那步还先做干跑（dry-run）再动手，是个安全阀。
• 不做成 App，而是做成各家 agent 通用的 skill/plugin 包，Claude Code、Codex、Grok 都能装；通过 npx skills add 一条命令安装和更新。

核心功能

• 每条技能是一个独立的 SKILL.md 包（CAD、URDF、SRDF、SDF、G-code 等），agent 按需加载；每个技能的 requirements.txt 钉死对应版本的 cadgen 库，避免版本漂移。
• 用 Python CAD 内核生成实体几何，主输出 STEP（可继续编辑的实体格式，不是只能看的网格），再按需转 STL/3MF/GLB；切片环节直接调真实切片器 CLI，按打印机 profile 出 FDM 的 .gcode。
• step.parts 技能不建模，直接去找现成的 STEP 标准件（螺丝、轴承、电机、连接器）；DfAM Check 按工艺量壁厚、悬垂角、支撑体积和摆放方向，判断能不能打印。

适用场景: 机械/机器人工程师、硬件创客、3D 打印玩家。在 Claude Code、Codex 或 Grok 里用自然语言改图纸、出 URDF/SRDF 给 ROS2 + MoveIt2 用、检查模型可打印性，最后把 G 代码传到本机 Bambu Lab 打印机。

竞品对比: 和 Zoo(KittyCAD) 的 Text-to-CAD、FreeCAD 的 AI 插件比，那些是要么是云端 API 服务，要么绑死在单一 CAD 软件里；这个不提供模型服务，只提供插进 agent 的技能包，且覆盖到机器人描述文件和切片打印，比纯建模工具走得远。

成熟度: 早期项目（仓库没有 1.0 版本号），但配了 CI 测试和文档站 texttocad.dev，技能清单和接口还在变，建议当工具用、别当依赖。

趋势信号: Claude Skills 带火的 agent skills 生态刚开始，Claude Code、Codex、Grok 都在抢着收技能包，加上 3D 打印和机器人圈对“说人话出图”的需求，这个仓库正好卡在窗口上。

pascalorg/editor

TypeScript ⭐ +107 今日新增 · 23,042 总星数

开源本地 3D 建筑编辑器，浏览器和 CLI 都能跑，再通过 MCP 让 Claude Code、Codex 这类 AI Agent 直接读改建筑模型。赶上了 MCP 插件生态这波热。

亮点

• 本地优先的 MCP 连接器不需要账号和 API key，一个本地服务只允许接一个 agent 客户端，并发干活得开不同 PASCAL_HOME 和独立进程，避免多个 agent 抢同一份场景状态
• 技能设计克制：furniture-fit 只给有证据支撑的占地评估，明确不声称高度、开门开合、配送检查，减少 agent 编造结论

核心功能

• 渲染用 React Three Fiber + WebGPU，跑在浏览器里；同时提供 npx @pascal-app/cli editor，本地起一个持久化安装，不用 clone 仓库
• CLI 启动时后台同时拉起带鉴权的 MCP 服务，自动挑不冲突的 loopback 端口，项目数据落在本机 SQLite（~/.pascal/data/pascal.db）
• Turborepo 拆成 core（schema、场景状态、插件注册契约）、viewer、nodes、editor、capture-protocol 多个 npm 包，内置节点定义靠 loadPlugin(builtinPlugin) 一次性加载
• Agent skill 会先读 MCP 工具的 schema，再决定能用哪些可选字段；碰到旧版本没有的能力就报告更窄的结果，而不是硬塞源码里才有的输入

适用场景: 建筑师、室内设计师，以及做 agent 工具链的开发者。典型流程：在 Claude Code 或 Codex 里装 pascal-3d / furniture-fit 技能，通过本地 MCP 连接器让 agent 改 3D 场景、评估家具占地，不需要账号也不上传项目。

竞品对比: 同类里有 Spline 这种云端 3D 设计工具、把 Blender 接给 agent 的 Blender MCP 方案，以及 That Open Engine（原 IFC.js）这类浏览器 BIM。Pascal 的差别是把编辑器、本地 CLI、MCP 服务、官方 agent skill 打成一整套，且默认数据留在本机不上传。

成熟度: 早期项目，npm beta 停在 1.0.0-beta.1，README 自己说它比仓库代码旧，要用新功能得装 GitHub prerelease 并核对 SHA-256，API 还可能变。

趋势信号: MCP、Claude Code 和 Codex 插件市场正热，这个仓库把 3D 编辑器直接塞进 agent 工作流，还上了官方 MCP Registry 并发了 skills.sh 技能包，所以被刷到 trending。

趋势观察

今天的热榜，几乎全是给 AI 编程助手“打补丁”。不是补模型，是补流程、技能、配置和记忆。共同趋势很清楚：Agent 正从聊天框变成工程系统。大家不再满足于问一句答一句，而是让它先问需求、写规格、拆任务、跑 TDD，再派子 Agent 干活。更关键的是，这些能力正在标准化。MCP 成了接外部工具的插口。Agent Skills 刚开放，插件市场也在成形。OpenAI 官方放 Codex 插件示例，腾讯做配置同步 CLI，都是同一个方向：把零散提示词变成可复用、可共享、可版本管理的资产。开发者生态也在变。以前分享 prompt，现在分享技能包、规则、插件清单。以前手抄配置，现在一条命令同步到十几个 agent。以前怕模型胡说，现在加审批闸门、风控和记忆。金融多智能体、3D 建筑、CAD 和机器人技能包，说明 agent 开始进入具体生产环节，不只是写代码。同时，学习缺口被迅速填补：AI 工程课、系统设计模板、出图提示词库，都在把经验变成可复制的产物。一句话，这波热点的核心不是新模型，而是 Agent 的操作系统层正在长出来。谁先把技能、流程和插件生态做顺，谁就掌握下一代开发入口。