GitHub Trending 日报 · 2026-09-26

概览

今日共收录 16 个 GitHub Trending 项目。 主要语言分布：Python(7)、TypeScript(2)、Go(2)、Shell(2)、JavaScript(2)。

今天的榜单，AI Agent 项目占了一大半，方向出奇一致：没人再比谁的模型强，都在比谁能把 Agent 管起来。

第一个变化是从单个 Agent 变成一群 Agent。Paperclip 直接给 Agent 排组织架构，分目标、卡预算、审日志；StarNet 用像素房间当权限和交接规则。一个人开十几个终端已经看不过来，工具自然往「管理台」的方向长。

第二个变化是标准化。Anthropic 官方出插件市场和 Agent Skills，技能就是一个带 SKILL.md 的文件夹；Google 用 K8s 风格 YAML 编排 Agent 任务，还能挂起恢复。官方开始定规矩，第三方跟着适配，这跟当年容器生态的剧本很像。

第三个变化是集体反「vibe coding」。Superpowers、Matt Pocock 的技能包、那套专治紫蓝渐变的前端设计规范，做的是同一件事：让 Agent 先追问需求、先写规格和计划，再动手写代码。长期记忆系统也在补 Agent 记不住事的短板。

再看新闻热点和开发者生态：Agent 正从玩具变成要交付的工程。成本、权限、记忆、审计，每一项都得有答案。本地优先和自托管成了默认选项，数据落本地，模型随便换。

一句话收束：AI 编程的竞争已经从模型层下沉到工程层。谁能把 Agent 的组织、记忆、技能、安全这四件事做扎实，谁就拿到下一轮门票。

项目详情

paperclipai/paperclip

TypeScript ⭐ +2,109 今日新增 · 85,282 总星数

Paperclip 是一个开源的多智能体「公司管理台」：用 Node.js 服务加 React 界面，把 Claude Code、Codex、Cursor 等不同来源的 Agent 编成组织架构，分配目标、卡预算、审日志。现在火是因为一个人同时开十几个 Agent 终端已经管不过来了。

亮点

• 把 Agent 当员工而不是函数：有职位、汇报线、月度预算和解雇按钮（可随时暂停或终止）。这个比喻不只是 UI 包装，它直接变成了权限模型和调度模型。
• 用「心跳」做统一适配层。不要求 Agent 用某个 SDK，只要能定时醒来并响应，就能接进来。这让它天然跨 provider，代价是依赖 Agent 自身的主动性，没法精细控制每一步。

核心功能

• 心跳驱动调度：Agent 按计划被唤醒，自己拉任务、干活、再沿组织树往上往下委派。接入标准只有一条——能接收心跳就算上岗，所以 Claude Code、Codex、Cursor、Bash、HTTP 都可以当员工，编排层不绑定任何一家模型或运行时。
• 每个 Agent 有按月预算，跑到上限直接停机，防止失控烧钱；同时把每次工具调用和对话都记进 ticket，配不可变审计日志，事后能查某一步是谁、用什么工具、为什么这么决定。
• 一套部署跑多个组织，数据完全隔离，人和 Agent 混编在同一张组织图里。权限做在角色层：谁向谁汇报、能碰哪些密钥、能调哪些工具，都由组织边界和 scoped secret 控制，再接 SSO/RBAC。

适用场景: 适合同时开着几十个 Claude Code / Codex 终端、已经记不清哪个在干什么的独立开发者和小团队。也适合想让 Agent 7×24 跑业务流程、但必须卡住成本并留审计痕迹的人，比如运营自动化或外包交付场景。

竞品对比: 和 CrewAI、AutoGen、LangGraph 不是一层东西：那些是在代码里写死编排逻辑的框架，Paperclip 是压在 Agent 和 CLI 之上的一层管理层，负责组织、预算、审批和审计，自己不实现 Agent。跟 Claude Code 自带的 subagent 比，它跨 provider、能多组织隔离、能卡预算。

成熟度: 热度极高（8.5 万星、单日 2100+）但成熟度存疑：没看到版本号和发布时间，README 营销话术偏重，宣称的 SSO/GRC 等企业能力是否有落地实现需要自己翻代码和 issue。

趋势信号: 踩中了「一个人管一堆编码 Agent CLI 管不过来」这个当下最普遍的痛点——README 直接写「你开着 20 个 Claude Code 终端」，并蹭 OpenClaw 的热度喊出「OpenClaw 是员工，Paperclip 是公司」，正好接住这波多 Agent 并行的浪潮。

vectorize-io/hindsight

Python ⭐ +1,653 今日新增 · 30,052 总星数

面向 AI Agent 的长期记忆系统，用 retain/recall/reflect 三步替代 RAG 和知识图谱，宣称在 LongMemEval 上成绩最好，支持自托管和云托管。

亮点

• 公开宣称自己不是『记住对话』而是『让 Agent 学习』，正面点名 RAG 和知识图谱的不足，并在 LongMemEval 长记忆基准上刷榜，还做了持续更新的在线 benchmark 页面公开每个模型的准确率、延迟和成本。
• benchmark 结果声称被 Virginia Tech 的 Sanghani AI 中心和华盛顿邮报独立复现，而其他厂商的分数是自报的——用第三方复现来立信，这在 agent memory 赛道里比较少见。
• 可以直接复用已有订阅而不需要 API key：openai-codex（ChatGPT Plus/Pro）、claude-code（Claude Pro/Max）、cursor、github-copilot 都能接，降低了试用门槛。

核心功能

• 把记忆拆成三个明确动作：retain 存、recall 搜、reflect 生成带倾向的回答。reflect 不只是把原文片段捞出来，而是输出一段综合后的判断，这是它和普通向量检索最大的区别。
• 在原始记忆之上再叠一层抽象：observations（从对话里提炼出的观察）和 mental models / knowledge pages（长期沉淀的知识页），避免每次提问都去翻原始对话记录。
• 部署路径给得很全：单条 docker run 自带嵌入式 Postgres（pg0），也支持外挂 PostgreSQL、Oracle AI Database、Helm 上 K8s；Python 还能以 embedded 模式跑，不用起服务。接入侧提供 Python/Node/Go 客户端、CLI、MCP server，以及两行代码包住 LLM 调用的 wrapper。

适用场景: 做长周期对话 Agent 的团队，比如客服、个人助理、销售跟进这类需要记住用户几个月前说过什么的产品。也适合用 Claude Code、Cursor 等编码助手的人，通过 MCP 或集成把项目上下文持久化下来。 数据和隐私敏感的企业（金融、医疗、政府）需要把记忆库放在自己机房时，用自托管 Docker 或 air-gapped 部署；不想运维的则直接连 Hindsight Cloud。

竞品对比: 同赛道主要对手是 Mem0、Zep/Graphiti、Letta（原 MemGPT）和 LangMem。最大差异点有两个：一是 reflect 这一步直接产出综合回答而非只做检索；二是自托管形态更彻底，单容器自带嵌入式数据库，竞品多数要求先跑一套 Postgres+向量库。

成熟度: 已达生产可用：MIT 协议，有 arXiv 论文，自称在财富 500 企业生产环境使用，另有带 99.9% SLA 的云版本；不过官方未在 README 中给出具体版本号，接 API 前建议先看 changelog。

趋势信号: 2025 年底到 2026 年初 agent memory 赛道集中爆发（Mem0、Zep 等接连融资和发版），Hindsight 靠 LongMemEval 榜单第一、第三方复现背书，加上能直接复用在 Claude Code / Cursor 订阅上的玩法，正好踩在『给编码 Agent 加长期记忆』这波需求上。

google/ax

Go ⭐ +1,379 今日新增 · 11,599 总星数

Google 开源的 Agent 编排运行时：用 K8s 风格 YAML 声明 Task/Workspace/Model，把大量 agent 任务沙箱化、可挂起恢复地跑在集群里，控制面用 gRPC 调度。

亮点

• CLI 刻意做成 kubectl 形状（apply/get/watch/describe/ssh/delete），复用 kubectx 切换集群、后台自动建隧道连控制面，已有 K8s 经验的团队几乎零学习成本
• 把 agent 定义成一类新的工作负载：既不是无状态微服务，也不是跑完就退的批处理——它会积累状态、要强隔离、还能在循环里烧钱。所以 suspend/resume 和沙箱边界被当成一等公民做进协议里，而不是事后补丁

核心功能

• 把 agent 任务抽象成三种 K8s CRD 式资源（Task、Workspace、Model），格式是 ax.io/v1alpha1，一条 ax apply 就下发，控制面用 gRPC 接受请求，状态存在 Redis 里
• 每个 Task 由 Agent Substrate 起成一个沙箱 actor，带 CPU/内存限额，网络走 atenet 路由；manifest 里写 debug: true 就能 ax ssh 进沙箱直接看 agent 在干什么
• Workspace 在任务启动前就把 Git 仓库、MCP server、技能包预先挂好，agent 一上来就是热环境，不用每次重新 clone 和装依赖
• suspend/resume 对 actor 状态做 checkpoint，空闲 agent 暂停后能原地续跑，而不是从头再来

适用场景: 面向用 kubectl 管集群的平台团队和 SRE：需要在集群里批量跑成千上万个代码修复、评测、CI 类 agent 任务的场景。写 agent 的人只管提交 YAML，隔离、限流、成本边界由平台侧统一兜住。

竞品对比: 和 Temporal（持久化工作流）、K8s 原生 Job、E2B/Daytona/Modal（沙箱服务）都有重叠。最大差异是分层：调度和生命周期由 AX 自己管，隔离执行甩给 Agent Substrate，而且整个东西直接住在 K8s 里、复用 kubectl 生态，不是另起一套 SaaS。

成熟度: 早期项目，README 自带警告说核心概念和协议还会大改、稳定版前会有破坏性变更，版本是 v1alpha1，暂不适合上生产。

趋势信号: 大厂开始亲自给「跑 agent」修基础设施——agent 正从对话 demo 转向长时间、大规模跑批的任务形态，Google 下场做编排层，正好踩在这个转向点上，所以一天涨了 1379 star。

rohitg00/ai-engineering-from-scratch

Python ⭐ +1,177 今日新增 · 57,672 总星数

一个 523 节课、20 个阶段的 AI 工程实战课程，每节课都要求真的动手做出可复用产物（prompt、agent、MCP server），并覆盖 MCP、Agent Skills 和 Claude/MCPA 认证备考。

亮点

• 把’学完即产出’写成硬流程：读 → 手敲代码（不许复制粘贴）→ 从仓库根目录跑命令 → 留证据（命令、工作目录、退出码、输出），教程变成了可验收的工程记录
• 课程结构直接绑在生态标准上：MCP 路线、Agent Skills 快速路径、Claude 认证和 MCPA 备考都有独立入口，标准一更新课程内容就跟着动

核心功能

• 523 节课拆成 20 个阶段（约 342 小时），每节课的验收标准是交出一个能复用的产物：prompt、skill、agent 或 MCP server，而不是看完代码块就算完
• 同一节课提供 Python、TypeScript、Rust、Julia 多语言实现，命令从仓库根目录直接跑；预检脚本 verify.py –route beginner 会区分’现在就需要’和’以后才需要’的依赖，每个必需项失败都给出检测到的原因和修复命令
• i18n 落到了仓库结构里：12 种语言的落地页直接提交进主仓库，课程页走 translations 分支做机器翻译；另有 start-learning 这个 skill 当入门定位导师，帮你选学习路径

适用场景: 主要给想转 AI 工程的后端/全栈工程师、应届生，以及要在公司内推 Agent 落地的团队做培训材料。典型流程是照着 MCP 路线写自己的第一个 MCP server、照 learning-paths/using-coding-agents.json 练在真实仓库上用 coding agent，或者直接拿它备考 Claude 和 MCPA 认证。

竞品对比: 同类有微软的 AI Agents for Beginners、Hugging Face Agents Course、fast.ai 和 Karpathy 的 nanoGPT/LLM101n。最大差别是体量（523 节 vs 十几节）和’每节必须交产物’的强约束，代价是极容易半途弃坑；另外它把 MCP、Agent Skills、认证备考单独做成路径，比只讲理论的课程更贴当前工程实践。

成熟度: 纯课程仓库、没有版本号，523 节课加官网加赞助商说明投入不小，但课程页是机器翻译、质量参差，内容仍在快速增补中，属于’能用但还在漂移’。

趋势信号: MCP 和 Agent Skills 已经变成事实标准、Claude 和 MCPA 认证刚铺开，开发者缺的是能照着敲、能交作业的实操材料而不是又一篇概念科普，这个仓库正好把题库压在这些新协议和认证上。

dream-num/univer

TypeScript ⭐ +1,050 今日新增 · 18,764 总星数

Univer 是一个开源 Office SDK，把表格、文档、幻灯片做成一堆可插拔的 npm 包，浏览器和 Node.js 都能跑，方便嵌进自家产品或给 AI Agent 读写 Office 文件用。

亮点

• 把”无头运行”当一等公民：同一套存储和计算逻辑在 Node.js 里跑，Agent 和后端批处理不需要开浏览器。这点和大多数只做前端组件的表格库路线不同。
• 数据与视图分离，跨工具可以互相引用。表格里的单元格能被文档或看板绑定，人改单元格、Agent 改文档，指向的是同一份数据。

核心功能

• Canvas 自绘单元格，不用 DOM。几十万行的大表格滚动不卡，代价是不能直接用 CSS 调样式，只能走它的主题和渲染插件。
• 自带公式引擎，靠依赖图做增量重算，支持跨表引用。这套计算逻辑不依赖浏览器，在 Node.js 服务端也能跑同一份工作簿。
• 插件化架构：表格、文档、协同、UI 各是独立包，可以按需组合或懒加载，打包时能裁掉不用的功能。
• 一套 Facade API（统一门面接口层）同时给浏览器和 Node.js 用，前端渲染和服务端批处理共用同一套读写工作簿的代码。

适用场景: SaaS、BI、内部工具团队想在自家产品里嵌入表格或文档编辑器，不想被 Google Sheets、Office Online 绑死；以及做 AI Agent 的团队，需要让 agent（比如 DeepSeek Harness、OpenClaw）在服务端无头地生成、校验、修改 Excel 报表。

竞品对比: 对比 Luckysheet（DOM 渲染、社区基本停更）、Handsontable 和 AG Grid（商业授权、定位是表格控件而非完整办公套件）、SheetJS（只解析文件、没有 UI）。Univer 最大差异是 SDK 优先、插件可裁剪、且带 Node.js 无头运行时。

成熟度: 核心包还在 0.x 版本，API 会有破坏性改动；但仓库提交活跃、文档有多语言版本、有 Discord 和商业 Pro 版，可以试，接生产要留出跟版本升级的成本。

趋势信号: 它最近把定位从”开源表格 SDK”改成了”AI Agent 的 Office Harness”，还配套发了 DeepSeek Harness、OpenClaw、WorkBuddy 等 Agent 集成和 Univer CLI，正好踩上 Agent 工具链这波热度。

mattpocock/skills

Shell ⭐ +583 今日新增 · 269,807 总星数

TypeScript 教学大 V Matt Pocock 开源了自己每天在用的 AI 编码 Agent 技能包：一堆 markdown 指令文件，让 Claude Code、Codex 先追问需求、再按 TDD 写代码，而不是任由 Agent “vibe coding”。

亮点

• 两套分发路线对应两种哲学：Claude Code 插件是只读订阅式（作者更新自动同步，你只有使用权），skills.sh 是把文件拷进你仓库让你随便改、自己 fork；作者明确说别两个都装
• “共享语言”这一招：先让 Agent 和你共建术语表，把”课程 section 里的 lesson 被赋予文件系统位置”压成”materialization cascade”。一句话省 token、命名一致、代码更好被 Agent 导航

核心功能

• 技能本体是纯 markdown 指令文件，不绑模型、不绑厂商，Claude Code、Codex 或其他 Agent 都能装，跟着 Agent 平台走而不是反过来
• /grill-me 和 /grill-with-docs 让 Agent 反过来追问你的需求细节；后者还会生成 CONTEXT.md 共享术语表和 ADR 文档，把项目黑话固化下来
• /tdd 强制红-绿-重构循环（先写失败测试再改代码），/diagnosing-bugs 把调试拆成逐阶段把关的循环，避免 Agent 一次改太多看不到反馈

适用场景: 日常用 Claude Code / Codex 写真实项目的工程师，尤其是被 Agent 跑偏需求、输出啰嗦、代码跑不通折磨过的人。团队也能用它统一 Agent 流程：通过 /setup-matt-pocock-skills 指定 issue 跟踪器（GitHub、Linear 或本地文件）、triage 用哪些标签、文档存哪。

竞品对比: 直接对标 Spec-Kit、BMAD、GSD 这类流程框架。区别是那些框架会接管整个开发流程，流程本身出 bug 时你不好改；这个主打小、可组合、随便改，控制权留在你手里。

成熟度: 文档和技能集合而非代码库，作者本人每天在用、已进 Claude Code 官方 marketplace、配套 6 万人 newsletter；但 skill 定义会随 Agent 平台规则变化频繁调整，Codex 原生插件还在路线图上。

趋势信号: Anthropic 推出 Claude Code Skills / Agent Skills 开放标准后，社区开始把”给 Agent 写 SOP”当正经工程实践，加上 Matt Pocock 本身有大批 TypeScript 教学受众，一发布就被顶上 Trending。

obra/superpowers

Shell ⭐ +468 今日新增 · 291,718 总星数

Superpowers 是一套给编码 Agent 用的开发方法论，用可自动触发的 skill 强制 Agent 先写规格和计划、再做 TDD，并通过子 Agent 逐任务实现。现在火是因为 Claude Skills / plugin 机制刚开放，它一次性适配了 15+ 个编码工具。

亮点

• 它交付的不是代码，而是对 Agent 的行为约束。技能的触发是自动的，用户不用记住任何命令，这跟常见的 slash command / prompt 模板库是两种思路。
• 子 Agent 写、主 Agent 审的分工方式，让单个任务有独立上下文，同时由上层把关，这是它敢宣称能自主跑几小时的底气。

核心功能

• 用各 harness 的 SessionStart 钩子把 using-superpowers 引导语注入会话上下文，并在上下文压缩（compaction）之后再注入一次，保证长会话里技能不会失效——这是它不依赖用户手动敲命令的关键。
• 技能写成可组合的纯文本/Shell 资产，一套内容通过各家的插件市场机制分发到 Claude Code、Codex、Cursor、Gemini CLI、Copilot CLI、Kimi、Qwen Code 等 15 个以上不同的 Agent 运行时。
• 流程是硬的：先问清目标并拆成小块规格让你确认，再产出实现计划，然后启动 subagent-driven-development——每个工程任务派一个子 Agent 执行，主 Agent 检查它的改动再往下走，全程要求 red/green TDD、YAGNI、DRY。

适用场景: 日常用 Claude Code / Codex / Cursor 写代码的开发者，尤其是想让 Agent 自主连续跑几个小时完成一个特性的场景，避免它中途跑偏或跳测试。团队层面则用来把开发规范统一成同一套 skill，而不是每人写一份自己的 prompt 或 rules 文件。

竞品对比: 最直接的对比是 GitHub 的 spec-kit 和各工具自带的 rules 文件（CLAUDE.md、AGENTS.md、Cursor Rules），以及 BMAD-METHOD 这类 Agent 工作流框架。最大差别是跨 harness 通用加自动触发：spec-kit 偏单工具、rules 文件是被动读取的静态规则，而 Superpowers 是把同一套技能包装进十几家的插件系统里统一分发。

成熟度: 文档扎实、安装方式覆盖十几个工具、已有商业支持渠道，但未见明确版本号且依赖各家尚在变动的插件 API，属于可以试但别当成稳定基础设施的阶段。

趋势信号: Claude Skills 与各编码工具的插件市场机制刚落地，Agent 从”单次对话”转向”插件化能力扩展”，Superpowers 是最早一批把技能做成跨平台标准并吃到这波分发红利的项目。

NVIDIA/Model-Optimizer

Python ⭐ +359 今日新增 · 4,520 总星数

英伟达官方的模型压缩库：把 HuggingFace/PyTorch 模型量化、剪枝、蒸馏后，直接导出给 TensorRT-LLM、vLLM、SGLang 加速推理。

亮点

• 量化、剪枝、蒸馏、NAS、投机解码、稀疏化放在同一个库里，可以用 Python API 拼成一条流水线，而不是每样技术各写一套脚本。
• 和 Megatron-Bridge、Megatron-LM、Hugging Face Accelerate 打通，训练阶段就能插入 QAT/QAD，不用等训练完再做后处理量化。

核心功能

• 量化走 NVIDIA 自家路线，原生支持 FP8 和 NVFP4（4 位浮点，Blackwell 芯片的新格式）；用 Local-Hessian 权重 scale 做校准，加量化感知蒸馏（QAD）把 W4A4 掉下去的精度找回来。
• AutoQuantize 自动混合精度：算法自己决定每一层用几位、哪种格式，不用人工一层层试精度。
• Puzzletron 做 LLM/VLM 的异构剪枝 + 神经架构搜索，配合 Minitron 两阶段蒸馏，把 355B 这类大模型直接压到 260B 还能保住质量。
• 一个 HF 导出 API 通吃 transformers 和 diffusers，产出的 checkpoint 直接能被 TensorRT-LLM、vLLM、SGLang、TensorRT 加载。

适用场景: 做推理部署的工程师和 MLOps 团队。典型场景是手里有几十到几百 B 的 LLM/VLM，要部署在 Blackwell 卡上，希望用 NVFP4 把显存和吞吐压下来，同时不想掉精度——他们会先在 ModelOpt 里量化+蒸馏，再推到 vLLM 或 TensorRT-LLM 上服务。

竞品对比: 同领域有 GPTQ、AWQ、llm-compressor（SparseML）、bitsandbytes 这些量化方案。最大差异是它绑定 NVIDIA 硬件路线，原生出 NVFP4/FP8 和 TensorRT-LLM 可用的 checkpoint；而且不止量化，还带剪枝、蒸馏、NAS。

成熟度: 生产可用。NVIDIA 官方维护，Adobe、Domyn、Bielik 等公司已用它产出实际模型（如 Colosseum-355B→260B、Bielik 7B）。

趋势信号: 2025 年 12 月刚从 TensorRT Model Optimizer 更名为 Model Optimizer，赶在 Blackwell NVFP4 生态推广期，NVFP4/QAD 教程和 Nemotron 3 系列官方 FP4 checkpoint 密集放出。

pbakaus/impeccable

JavaScript ⭐ +306 今日新增 · 71,269 总星数

给 AI 编程助手一套设计规范：1 个技能、24 条命令、61 条本地检测规则，专治 AI 生成前端千篇一律——清一色 Inter 字体、紫蓝渐变、卡片套卡片。

亮点

• 把”设计评审”拆成确定性规则层和 LLM 层：能写成 if-else 的判断就不花 token，这一刀切下来让设计检查变得可复现、可进 CI，而不是每次靠模型即兴发挥
• 24 个命令共用一套词汇表（bolder / quieter / distill / critique / harden），开发者和 AI 用同一套词讨论设计，不用每次从头描述”我想要更克制一点”是什么意思

核心功能

• 61 条确定性检测规则，在 CLI 和浏览器扩展里本地跑，不调 LLM、不需要 API key，同一个页面跑两次结果一样，适合塞进 CI 当硬性检查
• 两层评审：能用机器判的（对比度、字体、嵌套卡片、缓动曲线）走规则，主观的（层次感、情感共鸣、文案清晰度）才交给 LLM，省钱也更稳定
• init 把产品事实（受众、场景、约束、语气）写进 PRODUCT.md，视觉方向单独写进 DESIGN.md，强制把”这个产品是干什么的”和”长什么样”分开存，避免后续命令把两件事搅在一起

适用场景: 用 Claude Code、Cursor、Codex 写前端页面的开发者和独立开发者。AI 把界面搭出来后，跑 /impeccable polish 收尾、/impeccable audit 查无障碍和响应式、/impeccable critique 做 UX 评审，或者用 /impeccable live 在浏览器里直接改某个元素看效果。

竞品对比: 起点是 Anthropic 官方的 frontend-design 技能，那个是第一个被广泛用的 Claude 设计技能。Impeccable 的差别在于加了 61 条不依赖 LLM 的确定性规则、浏览器里实时迭代元素变体、以及一套多 harness 安装流程（Claude Code、Cursor、Copilot、Grok 等都能装）。

成熟度: 文档、安装方式（CLI / Git submodule / 插件）都齐，但依赖往 harness 里写 hook 并手动授权信任，还高度绑定各家 AI 工具的版本，处于快速迭代期，别指望 API 完全稳定。

趋势信号: 2025 年 Claude Code、Cursor 这类 agent 大规模铺开，AI 生成的前端页面同质化成了公开槽点，这个项目正好接住”AI 设计去模板化”这波需求。

anthropics/skills

Python ⭐ +189 今日新增 · 178,384 总星数

Anthropic 官方放出的 Agent Skills 仓库：把「技能」定义成一个带 SKILL.md 的文件夹，Claude 按需加载里面的指令和脚本，还公开了驱动 Claude 文档功能的 docx/pdf/pptx/xlsx 技能源码。

亮点

• 渐进式披露：description 常驻，正文和脚本按需加载，这是让几十个技能共存还不炸上下文的关键设计
• 把 Claude 内部驱动文档能力的 docx/pdf/pptx/xlsx 技能以 source-available（能看源码但不是开源许可）方式公开，等于给开发者一份生产级参考实现

核心功能

• 每个技能就是一个文件夹，SKILL.md 用 YAML frontmatter 只声明 name 和 description，Claude 平时只读这两行判断要不要用，真用到才加载正文，避免把一堆流程塞满上下文窗口
• 技能里可以带 Python 脚本和资源文件，Claude 执行脚本而不是让模型硬算，比如 PDF 表单字段提取、Excel/PPT 生成都是调代码完成的
• 仓库同时给了 spec（Agent Skills 规范）、template（技能模板）和 Claude Code 插件市场入口，同一份技能目录能在 Claude Code、Claude.ai 和 API 三处复用

适用场景: 想让 Claude 按自家品牌规范出文档、按内部流程跑数据分析的企业团队；以及用 Claude Code 的开发者，想把「公司专属操作步骤」打包成插件分发给同事。

竞品对比: 和 MCP 不是一个层面：MCP 解决「模型能调哪些外部工具」，Skills 解决「一件事该按什么步骤做」，两者互补；对比 Cursor 的 .cursorrules 或系统提示词模板，Skills 是可分发、带脚本和资源、还有插件市场机制的完整包。

成熟度: 官方维护、有规范和模板，但 README 明说仅供演示教学、行为可能和线上 Claude 不一致，上生产前必须自己测；文档类技能还是 source-available 而非 Apache 2.0。

趋势信号: Anthropic 把 Skills 推成开放标准（agentskills.io）并配上 Claude Code 插件市场，还拉来 Notion 等合作方站台，加上刚上线的 Claude 文档生成能力配套开源，社区开始批量跟风写技能。

derv82/wifit3

Python ⭐ +183 今日新增 · 996 总星数

wifite2 原作者的新作，把 Wi-Fi 审计工具重写成纯 Python 用户态驱动，不依赖内核驱动和 aircrack-ng，Linux/macOS/Windows 上跑同一份代码。

亮点

• 核心思路是把驱动从内核搬到用户态。不用装 DKMS 模块、不用改内核配置，代价是每种芯片都得单独逆向移植，README 里那张长长的硬件支持表就是这么一块块堆出来的。
• 自带驱动接管和归还：插卡后自动绑定（Linux 写 udev 规则和 modprobe 黑名单，Windows 走 UAC 装 WinUSB），用完点 Uninstall 就把设备还给系统原驱动。这是它能真正跨三个平台落地的关键。

核心功能

• 把 Linux 内核无线驱动的寄存器操作移植成 Python「mini-driver」，用 PyUSB 的 bulk/control 传输直接跟 USB 网卡对话，monitor mode 和帧注入全在用户态完成——因此绕开了 Windows 的 NDIS 限制和 Linux 内核驱动的版本冲突。
• 零外部依赖：不调用 aircrack-ng、reaver、hcxtools。抓包解析、PMKID 采集、WPS PixieDust（利用 Null Secret 和 Static Secret 两种 PRNG 弱点）、WEP 的 PTW/ChopChop/ARP replay 全部是自己用 Python 重写的。
• 多网卡聚合：几张卡同时抓包、另外指定一张专门注入；扫描器在 2.4/5GHz 之间跳频，能识别 WPA3/SAE 过渡模式、从 WPS beacon 里读出路由器厂商和型号、靠 BSSID 关联找出隐藏 SSID。

适用场景: 做无线渗透测试的人：红队、CTF 玩家、安全方向的学生。典型场景是插一张 ALFA 网卡，在 Windows 或 macOS 笔记本上直接抓 WPA 握手包、跑 WPS PixieDust 或 EvilTwin WPA3 降级，不用再开 Kali 虚拟机或折腾 Linux 驱动。

竞品对比: 和 wifite2、aircrack-ng、hcxdumptool 相比，最大差别是不依赖 Linux 内核驱动和外部工具链，Windows/macOS 能跑同一套代码。代价也很明确：只支持表里那二十来款 USB 网卡，笔记本内置网卡完全用不了。

成熟度: 早期项目，作者 derv82 刚发布就上 trending，跨平台移植的稳定性高度依赖具体网卡型号；硬件支持文档和驱动移植方法论写得比较细，但用户社区还小，只能用于自己拥有或授权的网络。

趋势信号: wifite2 原作者的新坑，正好踩在「不想为了做无线审计就装 Linux」这个长期痛点上——Windows 用户过去只能上虚拟机或双系统，现在插张 USB 网卡就能用，加上纯 Python 零依赖、单文件可执行，一天涨 183 星。

kelseyhightower/kubernetes-the-hard-way

⭐ +119 今日新增 · 50,150 总星数

手工从零搭一套 Kubernetes：不给任何脚本，证书、kubeconfig、etcd、控制面都靠自己一条条命令敲，目的是搞懂集群每个零件怎么拼起来。

亮点

• 把 kubeadm 藏起来的东西全摊开：TLS bootstrapping、证书分发、service account key、controller-manager 的鉴权配置，做完一遍就知道 kubeadm init 背后到底干了哪些事
• README 里直接写明”结果不要当生产用”，许可证用 CC BY-NC-SA 4.0（禁止商用），主动把它定位成教材而不是工具——这在 5 万星的项目里很少见

核心功能

• 全程手工、零脚本：用 cfssl 自己生成 CA 和 apiserver/kubelet/kube-proxy 等每张证书，手写 kubeconfig 的 cluster/user/context 三段结构，手动生成 etcd 数据加密密钥
• 不用 CNI 插件做 overlay 网络：Pod 跨节点通信靠在每台机器上手动加 ip route 静态路由打通，把”Pod 网络到底怎么通”这件事摊在明面上
• 环境钉死且可复现：4 台 ARM64/AMD64 机器（1 台 jumpbox + 1 个控制面 + 2 个 worker），组件锁在 K8s v1.32、containerd 2.1、etcd 3.6、CNI 1.6，进程全部用 systemd unit 拉起而不是跑容器

适用场景: 想搞懂 K8s 内部原理的运维、SRE、平台工程师，以及准备 CKA/CKS 考试的人。典型场景是照着 13 个 lab 走一遍，之后遇到 kubelet 起不来、证书过期、apiserver 连不上 etcd 这类故障，能自己定位到是哪一层的问题。

竞品对比: 和 kubeadm 比，kubeadm 两条命令起集群但把细节全包住了，这个教程正好相反，慢且累，换来的是每一步都看得见。和 minikube/kind 比，那两个是本地跑个玩具集群，不碰真实多机网络和证书链。和 kubespray、Talos 比，那些是生产级自动化部署工具，目标是省事而不是教学。

成熟度: 这是教程不是软件，没有版本号也没有发布包，内容跟到 Kubernetes v1.32；由 Kelsey Hightower 发起、社区维护，README 明说支持有限，只适合学习不适合生产。

趋势信号: 老牌常青项目而非新发布，本次冒头大概率是因为教程刚刷新到 Kubernetes v1.32 + containerd 2.1，加上每隔一阵有人吐槽 kubeadm 太黑盒就会被翻出来转发。

androoAGI/starnet

JavaScript ⭐ +93 今日新增 · 529 总星数

StarNet 是一个本地优先的桌面 AI Agent 工作台，用像素风空间站把多个 Agent 的实时运行状态画出来。你摆的房间和物件就是真实的权限和交接规则，模型调用、工具执行、花销都走本地 Node sidecar。

亮点

• 把 UI 布局直接当作工作流定义：你画的房间和走廊会被解释成真实的 Agent 分组、权限范围和交接授权，省掉一层 YAML 编排配置。
• Night Shift 加 Task Briefs 两个设计：前者让 Agent 在你离开时按可调权限自动干活且每步留痕可查；后者遇到模糊需求时只问一个带选项的问题，而不是默默猜错。

核心功能

• 像素空间站不是动画装饰，而是运行时状态的投影：房间=一组受限权限的 Agent，走廊=被授权的 Agent 间交接通道，放一个物件=真的给了一项能力，界面不能显示 harness 证明不了的状态。
• 前端是原生 JavaScript，通过 localhost 上的 HTTP/NDJSON + SSE 消费 Node sidecar 的实时事件；sidecar 只用 Node 核心模块，密钥放 sidecar 和系统 keychain，前端永远拿不到 key。
• 支持多 Agent 并发，每个 Agent 有独立工作区、独立 transcript、独立记忆和权限边界；接 OpenRouter（BYOK）或 Anthropic/OpenAI/Google 的 OAuth，也能指向本机 Ollama 的 127.0.0.1:11434 跑免费本地模型。

适用场景: 适合已经在用 Claude Code、Cursor 或 OpenClaw 跑 Agent、但想要可视化监控和权限隔离的个人开发者和小团队。典型场景：同时跑 3-5 个不同职责的 Agent（写代码、查资料、盯日程），用 Telegram/Slack 在手机上指挥，晚上开着 Night Shift 让它们在自己设的权限范围内继续干活，第二天去 OUTBOX 收文件。

竞品对比: 和 OpenClaw（原 Clawdbot/Moltbot）、Claude Code 这类命令行 Agent 比，StarNet 的差异是图形化的实时状态投影 + 显式权限建模，而且能直接从 OpenClaw 或 Hermes 的本地目录导入已有 Agent 的人设、记忆和模型（API key 不迁移要重填）。和 CrewAI、AutoGen 这类多 Agent 框架比，它是面向终端的桌面产品，不是代码库。

成熟度: 早期项目，作者自己标注 Early release：Windows 装机测试最充分，macOS 实际覆盖较少，Linux 只做内部构建不出公开包；发布流水线强制校验 Windows Authenticode 和 Apple 公证，但文档明说不保证你手上那份在你机器上测过。

趋势信号: OpenClaw（原 Clawdbot/Moltbot）改名后爆火，一批人开始找更可控、能看住权限和花销的本地替代品，StarNet 正好在同一时间提供了从 OpenClaw/Hermes 一键导入 Agent 的迁移路径，撞上了这波迁移需求。

anthropics/claude-plugins-official

Python ⭐ +83 今日新增 · 36,970 总星数

Anthropic 官方维护的 Claude Code 插件市场目录，把官方和第三方插件集中收录，用一套清单格式统一安装、版本锁定和改名迁移。插件生态刚起步，官方背书是它的核心价值。

亮点

• 把包管理器的老问题搬到了插件市场：slug 不可变 + renames 自动迁移 + git 固定 sha，等于提前给插件生态留了兼容性后路。
• 刻意把 /plugins（官方自研）和 /external_plugins（第三方）分两档，第三方要过质量和安全审核——用目录分层代替一刀切的信任。

核心功能

• 插件用统一目录结构描述：.claude-plugin/plugin.json 存元数据，.mcp.json 挂 MCP 服务器（让 Claude 能调外部工具的服务），commands/ 放斜杠命令，agents/ 和 skills/ 放 Agent 与技能定义——一个插件就是这几种能力的打包。
• 支持 strict: false 的 skill-bundle 模式：源仓库只有 SKILL.md、没有 plugin.json 时，市场条目直接列 skills 路径（可以跨多级子目录只挑一个子集），用 git-subdir 加固定 commit sha 拉取，每个技能注册成 <插件名>:<技能名>。
• 插件 slug 不可变，改名要靠顶层 renames 映射表；Claude Code 加载器在用户下次同步时自动把旧 slug 重写成新名，避免已安装用户报 plugin-not-found。

适用场景: 用 Claude Code 写代码的开发者，想装现成的斜杠命令、Agent 或 MCP 集成（比如接内部工具、代码审查流程），直接 /plugin install xxx@claude-plugins-official，不用自己写配置。第三方工具厂商则通过提交表单把自家 MCP 服务器塞进官方市场换曝光。

竞品对比: 对标 VS Code 扩展市场、MCP 官方 registry 和 npm，但它是 Anthropic 单方策展加审核的白名单，不是人人可发的开放仓库；差异点在收录门槛，以及与 Claude Code 安装器的原生打通。

成熟度: 官方维护、目录格式基本稳定，但第三方插件质量参差，README 自己都提醒用户自行评估信任风险。

趋势信号: Claude Code 的插件与技能系统上线后，Anthropic 亲自下场做官方市场，社区和工具厂商正抢着上架占位，所以短时间攒到近 3.7 万 star。

openbao/openbao

Go ⭐ +49 今日新增 · 7,785 总星数

Vault 改成 BUSL 商业许可后社区分叉出来的密钥管理服务，MPL-2.0 开源、归 Linux Foundation 下的 OpenSSF 管，做加密存储、动态凭据和租约吊销。

亮点

• 治理方式换了：项目归 Linux Foundation 下的 OpenSSF，有 TSC 和技术工作组，代码走 MPL-2.0（OSI 认可的许可证），从根上避开 Vault 的 BUSL 限制，也把安全披露邮箱挂在 OpenSSF 而不是单家厂商
• 把 Vault 企业版才有的能力往开源搬：命名空间做多租户隔离、PKCS#11 接入 HSM 硬件加密机，这两块都单独建了工作组在推进

核心功能

• 密钥先加密再写后端：磁盘或 PostgreSQL 里只有密文，拿到原始存储也解不开；带租约机制，租约到期自动吊销，还能按用户或密钥类型一次吊销整棵密钥树
• 动态凭据：应用要连 AWS S3 或 SQL 数据库时，OpenBao 临时签发一对有权限的凭据并挂上租约，租约一过自动作废，业务侧不用再存长期密钥
• Transit 加密即服务：业务数据不交给 OpenBao 存，只把加解密和密钥轮转委托给它，密文自己塞进 MySQL 之类的库里；同时对外提供 api/v2 和 sdk/v2 两个 Go 库给别的项目复用

适用场景: 平台工程和运维安全团队给 K8s、CI/CD 流水线、微服务发数据库口令和 API Key；以及有等保/SOC2 审计要求、又不想买 Vault 企业版授权的公司，拿它当自建 secrets 后端。

竞品对比: 直接对手是 HashiCorp Vault，API 基本兼容所以迁移成本低，最大差别在许可证和治理——Vault 1.15 起改用 BUSL 1.1、非 OSI 开源，命名空间/HSM/复制这类能力锁在企业版，OpenBao 把它们开源补上；AWS Secrets Manager、Azure Key Vault 是托管方案，解决的是不想自建的那部分需求。

成熟度: 已发布 2.x 正式版，有 OpenSSF Best Practices 和 Scorecard 徽章，但作为分叉项目生态和插件数量仍不如 Vault 十年积累，生产可用、建议先小范围迁移验证。

趋势信号: Vault 从 1.15 起切换到 BUSL 商业许可，企业不想被许可绑死，社区分叉的 OpenBao 又把命名空间、HSM 等企业版功能逐步开源补齐，迁移窗口持续吸引关注。

shy3130/tick-stock-panel

Python ⭐ +44 今日新增 · 5,172 总星数

TSP 是一个自托管的 A 股量化工作台，把选股、回测、盘中监控、复盘串成一条链，用 LLM 助手替代翻页面取数，数据全部落本地 Parquet。

亮点

• AI 助手只挂 18 个只读工具（查行情、查策略、查因子），能取数但不碰交易和持仓，等于给 LLM 划了一条不会误操作的红线；同时每条回答都带工具调用足迹卡和耗时可核对。
• 市场环境模块把情绪周期拆成冰点/启动/主升/高潮/退潮/修复 6 个阶段，由连板梯队数据驱动，再用 EMA 平滑加 2 日确认过滤假信号，而不是简单看涨跌家数。

核心功能

• 用 Polars 列式计算引擎扫全 A 股：68 列指标一次性算完落盘成 enriched Parquet，选股、回测、监控、复盘共用同一份数据口径，避免各工具算法不一致导致结果对不上。
• 能力路由矩阵：把行情、财务、分钟 K 等 6 类数据集按数据源的实际能力分别路由，换数据源时只换插件，指标定义和回测口径不动。
• 因子 DSL + 样本外挖掘：25 个算子点选拼因子，配 IC/IR、分层收益、Newey-West 检验，挖掘出的候选因子必须手动确认才发布，不会自动上线跑实盘。

适用场景: 适合会写 Python、不想用聚宽/同花顺这类云端付费终端的个人量化玩家：在本地 Docker 里跑，盘前扫策略选股、盘中用异动监控和语音/飞书推送盯盘、盘后让 AI 生成复盘。

竞品对比: 对比聚宽、掘金这类云端量化平台，TSP 主打数据不出本地、零订阅费；对比 backtrader、vnpy 这类纯回测/交易框架，它多了选股扫描、盘中异动监控和 LLM 问答；但明确不做同花顺/通达信那种看盘终端，也不内置 AI 荐股。

成熟度: 个人开源项目，MIT 协议，5 千多 star 说明有一定社区验证，但文档里多个模块标了 Beta，长期维护靠作者一人，API 和功能可能变动。

趋势信号: A 股成交回暖带动散户和量化玩家重新找工具，加上 LLM 做 Agent 取数这两年落地成熟，这个项目正好踩在「本地数据 + AI 助手 + 量化」两个热点的交叉口。

趋势观察

今天的榜单，AI Agent 项目占了一大半，方向出奇一致：没人再比谁的模型强，都在比谁能把 Agent 管起来。

第一个变化是从单个 Agent 变成一群 Agent。Paperclip 直接给 Agent 排组织架构，分目标、卡预算、审日志；StarNet 用像素房间当权限和交接规则。一个人开十几个终端已经看不过来，工具自然往「管理台」的方向长。

第二个变化是标准化。Anthropic 官方出插件市场和 Agent Skills，技能就是一个带 SKILL.md 的文件夹；Google 用 K8s 风格 YAML 编排 Agent 任务，还能挂起恢复。官方开始定规矩，第三方跟着适配，这跟当年容器生态的剧本很像。

第三个变化是集体反「vibe coding」。Superpowers、Matt Pocock 的技能包、那套专治紫蓝渐变的前端设计规范，做的是同一件事：让 Agent 先追问需求、先写规格和计划，再动手写代码。长期记忆系统也在补 Agent 记不住事的短板。

再看新闻热点和开发者生态：Agent 正从玩具变成要交付的工程。成本、权限、记忆、审计，每一项都得有答案。本地优先和自托管成了默认选项，数据落本地，模型随便换。

一句话收束：AI 编程的竞争已经从模型层下沉到工程层。谁能把 Agent 的组织、记忆、技能、安全这四件事做扎实，谁就拿到下一轮门票。