GitHub Trending 日报 · 2026-09-28

概览

今日共收录 9 个 GitHub Trending 项目。 主要语言分布：TypeScript(4)、Python(3)、Shell(1)、C(1)。

先看一件事：Agent 不再是炫技的单机玩具了。

今天榜单里，一半项目都在给 Agent 补“上班”要用的东西。有人做管理台，把多个 Agent 编进组织架构图，定目标、发预算、审结果。有人用 YAML 定义团队，把 Claude Code 和 Codex 当员工塞进 tmux，由 lead 统一排任务。这说明多 Agent 跑起来之后，缺的不是算力，是管理。

记忆是另一个战场。那个 Python 记忆系统用 retain/recall/reflect 替代 RAG，一天涨 4500 星。方向很清楚：Agent 得记住事，还得会反思。

办公能力也在补齐。可嵌入的 Office SDK，让 Agent 直接读写、计算、校验表格文档和 PPT。那门手写 AI 工程的课，每节都要交出一个可复用工件，连 MCP server 都算作业。Agent 正从聊天窗走进真实工作流。

另一条线是本地化和拆墙。本地版 ElevenLabs，音频不上云；NewPipe 硬分叉跟上 YouTube 的 SABR 协议，免账号看视频。开发者在用脚投票：要自主可控，不要平台锁定。

底层也在松动。Vercel 的实验编译器把 TypeScript 直接编成原生可执行文件和 WASM，绕开 Node。还有人把 Wine、FEX-Emu、DXMT 拼起来，让没越狱的 iPhone 跑 Windows 游戏。

一句话收束：Agent 进厂打工，开发者动手拆平台的墙。这一波拼的，是谁的生态更开放、更可控。

项目详情

vectorize-io/hindsight

Python ⭐ +4,520 今日新增 · 38,061 总星数

给 AI Agent 做长期记忆的 Python 系统，用 retain/recall/reflect 三步替代 RAG 检索，号称在 LongMemEval 记忆榜上拿到 SOTA，今天单日涨 4500 星。

亮点

• 明确不走向量 RAG 也不走知识图谱两条老路。README 的论点是 RAG 只能捞回零散片段、知识图谱构造成本高，所以改成让系统主动把历史提炼成观察和知识页。
• LongMemEval 的成绩被 Virginia Tech 的 Sanghani 中心和《华盛顿邮报》独立复现过，而榜单上其他厂商的数据基本都是自报——这在记忆类项目里不常见。

核心功能

• 三个操作分工明确：retain 存、recall 检索、reflect 让 LLM 基于记忆合成一段带立场的回答，而不是只返回几段原文片段。
• 记忆分三层：原始对话 → observations（系统自动从多次交互里提炼的事实）→ mental models / knowledge pages（沉淀成可复用的知识页），避免每次问答都去翻原始对话。
• 部署方式给得很全：Docker 一键起（内置嵌入式 Postgres，数据落在 .pg0 目录）、接外部 PostgreSQL 或 Oracle、Helm 上 K8s、也有托管云；后端支持 25+ 家 LLM，甚至能用 Claude Code / Cursor / GitHub Copilot 的订阅额度当模型来源。

适用场景: 做多轮对话产品的团队，比如客服机器人、个人助理、AI 编程助手——用户上周说过什么、偏好是什么，Agent 得记住并复用，而不是每开一个新 session 就从零开始。也适合给 Claude Code、Cursor 这类编码 Agent 挂 MCP 记忆服务。

竞品对比: 同领域有 Mem0、Zep、Letta(MemGPT)、LangMem、Cognee。最大差别是定位：多数竞品本质是’把对话历史存起来再检索’，Hindsight 强调把历史加工成结论（observations / mental models），让 Agent 学到东西而不只是想起来。

成熟度: 生产可用程度中等偏上：有 PyPI/NPM/Go 客户端、Helm chart、企业版和云服务，自称在财富 500 生产环境跑，但公开的只有 LongMemEval 一类 benchmark，API 仍在快速演进。

趋势信号: 2025 年底到 2026 年初 Agent 记忆是明显热点（LangMem、Mem0、Zep 都在抢这块），Hindsight 刚好在 1 月放出榜单数据、arXiv 论文和云服务，赶上了这波关注。

debpalash/VoiceStudio

Python ⭐ +3,086 今日新增 · 40,705 总星数

本地跑的开源 ElevenLabs 替代品：语音克隆、配音、听写、转写、有声书，支持 646 种语言，音频不上传云端。

亮点

• 全部推理在本地，远程 worker 只是可选加速项，遥测默认要用户同意才开——用隐私换掉云端 API 的便利性，这是它对 ElevenLabs 的核心卖点
• 把 MCP server 和 agent skill（npx skills add）当成一等公民，语音能力直接嵌进编码 agent 的工作流，而不是只做个 GUI

核心功能

• 引擎可插拔，默认用 k2-fsa/OmniVoice，用户能在桌面端里按需下载、切换别的本地 TTS 模型（模型和许可证各自独立）
• 自带本地 HTTP API 和一个 MCP server，Claude Code、Cursor 这类 agent 能直接调用克隆/合成/转写能力，不必写胶水代码
• Electron 全平台桌面端（macOS/Windows/Linux/Docker），0.5.3 之后彻底弃用旧 Tauri 外壳，前端用 Bun 构建，一条 curl 脚本装好

适用场景: 内容创作者和播客/视频团队做多语言配音、有声书批量合成；开发者或企业想在自己的机器或内网跑 TTS/ASR，避免把客户录音发给 ElevenLabs 这类云服务。

竞品对比: 对 ElevenLabs（云端、按字符计费、音频出本机）最大差异是本地推理加免费；对 GPT-SoVITS、F5-TTS、Coqui 这类开源项目，差异是它不只做 TTS，把克隆、配音、转写、有声书打包成一个桌面应用还带 API/MCP。

成熟度: 0.x 早期阶段，刚从 Tauri 迁到 Electron 是大改，API 可能还会变；但已有 CI、多平台安装包、Docker、Discord 和完整文档，迭代速度很快。

趋势信号: 近一年 OmniVoice、Kokoro、F5-TTS 等本地语音模型质量追上可用水平，加上 MCP 让 agent 能直接调语音工具，再叠加 ElevenLabs 的云端费用和隐私顾虑，这类’本地版 ElevenLabs’集中爆发。

paperclipai/paperclip

TypeScript ⭐ +2,401 今日新增 · 90,549 总星数

开源 AI agent 管理台：把多个 agent 编进组织架构图，设目标、发预算、审结果。补上多 agent 跑起来后缺的那层『管理』。

亮点

• 抽象层级选在「目标 + 组织」而不是 pull request：人管的是策略、预算和审批门禁，不是逐行看代码。这是把 agent 当员工而不是当工具的设计取舍。
• 多组织单部署、数据完全隔离，把「同时开几家公司」当成多租户问题处理，一个控制面板管多个 agent 团队。

核心功能

• 用「心跳（heartbeat）」当统一接入协议——agent 按计划被唤醒、领任务、干活。只要能响应心跳就能入编，不绑定某家 SDK，所以 Claude Code、Codex、Cursor、OpenClaw、Bash、HTTP 都能当员工。
• 任务做成 ticket：每段对话有线程、每次工具调用有 trace、每个决策写进不可变审计日志，进程重启会话不丢。人只需要审结果（diff、截图、测试是否通过）。
• 按 agent 设月度预算硬上限，超了直接停；组织架构和角色权限决定谁能调用哪些工具、拿哪些密钥（scoped secrets）。

适用场景: 手上同时开着十几个 Claude Code / OpenClaw 终端、记不清谁在干什么的独立开发者和小团队；或者想把 agent 跑成 7x24 无人值守、但要求随时查账、随时叫停的运营场景。

竞品对比: 和 CrewAI、LangGraph、AutoGen 不同，那些是开发者写代码用的编排库，Paperclip 是点着用的 App；和 Claude Code 自带的 subagent 比，它跨供应商，且自带预算上限和审计日志。

成熟度: 项目很年轻、README 营销味重，SSO/GRC/RBAC 这类企业功能很可能还在路线图上；9 万 star 说明关注度极高，但公开的生产落地案例还看不到，建议先在非关键流程试。

趋势信号: OpenClaw 这类个人 agent 爆火后，大量人手里同时跑一堆 Claude Code 终端，缺一个统一看板和管理层，Paperclip 正好卡在这个空位上。

dream-num/univer

TypeScript ⭐ +895 今日新增 · 20,738 总星数

把表格、文档、PPT 做成可嵌入的 Office SDK，同一套代码在浏览器和 Node.js 跑，让 AI Agent 也能直接读写、计算和校验办公文件。

亮点

• 定位从「开源 Excel」改成「AI Agent 的 Office Harness」：README 里直接列出 DeepSeek Harness、OpenClaw、WorkBuddy 等 Agent 集成仓，还有一个 CLI 让 Agent 在命令行里创建和检查办公文件。
• 人和 Agent 共用同一份文件：配套的 Univer Workspace 里，网页上的指标、图表、控件和单元格双向绑定，Agent 改单元格，页面上的看板跟着变。

核心功能

• Canvas 渲染 + 自研公式引擎：单元格不靠 DOM 元素画，而是画在 Canvas 上，配合独立的公式计算模块，几万行的工作表滚动和重算不会卡死页面。
• 同构运行时（isomorphic）：Workbook、Range、公式这些逻辑在浏览器和 Node.js 里跑的是同一套代码，Agent 可以在服务端 headless 打开文件、改单元格、算公式，再把结果同步回前端。
• 插件化 + Facade API：公式、条件格式等能力都是独立插件，可按需加载或替换，整套 Facade API 统一操作 workbook/range/formula，presets 目录提供一组预置插件让人快速搭出可用应用。

适用场景: 做 SaaS、内部工具或 BI 产品的团队，想在自己的页面里嵌一个表格编辑器或文档编辑器，不想跳转到 Office/Google Sheets。 做 AI Agent 产品的开发者，需要让 Agent 生成 Excel 报表、跑公式校验、把网页上的图表和控件绑定到单元格上做交互式看板。

竞品对比: 对比 Luckysheet（DOM 渲染、基本停更）、Handsontable / AG Grid（商业授权、只做表格、没有 headless 版本）、Google Sheets API / Office JS（必须跑在别人云上或 Office 里，不能自托管嵌入），Univer 的差异点是同构 headless 加多品类（表格/文档/PPT/Base）共用一套运行时的插件架构。

成熟度: 开源核心外加商业 Pro 版，多语言文档、Discord 社区和 CI/覆盖率都齐，但仍在 0.x 早期阶段、API 可能变动，且仓库只覆盖产品家族的一部分能力。

趋势信号: 2025 年 Agent 工具链爆发，LLM 缺一个能真正读写和重算 Excel/文档的运行时，Univer 顺势把仓库重定位成 Agent 的 Office 层，并同期放出 Workspace、CLI 和各家 Agent 插件，单日涨 895 星。

rohitg00/ai-engineering-from-scratch

Python ⭐ +790 今日新增 · 59,606 总星数

从零手写 AI 工程的免费开源课程：523 节课分 20 个阶段，每节课都要交出一个可复用工件（prompt、Agent Skill、agent、MCP server），还内置 Claude 和 MCPA 认证备考路线。

亮点

• 不是纯教程：每节课交付一件能拿走的产物（prompt、Agent Skill、agent、MCP server），学完手里有可复用的东西，而不是一堆看完就忘的代码块
• i18n 做得很取巧：12 种语言的落地页提交进主仓库方便被搜索引擎和社区看到，课程正文放在单独的 translations 分支机器翻译，主分支只维护英文，避免翻译 PR 拖慢主线

核心功能

• 523 节课拆成 20 个阶段、约 342 小时，同一个概念给出 Python/TypeScript/Rust/Julia 四种语言实现，而不是只调框架封装
• 每节课强制留下”证据”：跑过的命令、工作目录、退出码、实际输出、改动的产物；入口的 verify.py –route beginner 做环境预检，失败时打印检测到的原因和对应的修复命令
• 同一份 lesson 代码既在 GitHub 仓库渲染也在官网渲染（URL 带 path=phases/… 指向同一目录），再用 learning-paths/*.json 把小节拼成 6 条职业路线，skills/start-learning 本身就是一个 Agent Skill 形式的入学分班测试

适用场景: 想从传统开发转 AI 工程的程序员、CS 学生，按阶段补数学/ML 基础，再学 LLM 应用和 Agent 开发 准备 Claude 认证或 MCP Associate（MCPA）认证的人，直接用 certifications/ 目录的备考路线刷课；团队也可以拿它当内部 AI 工程培训材料

竞品对比: 和 fast.ai、DeepLearning.AI 的短课、Karpathy 的 zero-to-hero、微软 Generative AI for Beginners 相比，它覆盖面更全（从线性代数一路到 MCP、Agent Skills、认证备考），差别是强调”手敲 + 留证据”；但单节课的深度和讲解质量还比不上成熟的名校课程。

成熟度: 内容型仓库没有版本号，官网、12 语言落地页、赞助商、统计脚本都齐了，但课程正文是机翻、质量参差；适合当自学和团队培训参考，不是可以依赖的软件包。

趋势信号: MCP、Agent Skills、Claude 认证是当下 AI 岗位最热的技能点，这个仓库把 MCPA/Claude 认证备考直接塞进课程，加上作者另一个高星项目 agentmemory 导流，所以现在冲上 trending。

InfinityLoop1308/PipePipe

Shell ⭐ +242 今日新增 · 6,664 总星数

NewPipe 的硬分叉版 Android 客户端，免 Google 账号看 YouTube/B站，自带 SponsorBlock 和弹幕；最近 YouTube 强推 SABR 协议打瘫一批第三方客户端，它是少数跟上的，所以被顶上来。

亮点

• 2022 年初主动硬分叉 NewPipe，不再跟随上游同步——换来的是能自己决定修 bug 和加功能的节奏，代价是上游的修复和安全更新要手动搬
• 登录 cookie 做了场景隔离：YouTube 的 cookie 只在拉取播放流这一步使用，不在其它请求里带上，减少账号被风控的风险

核心功能

• 实现 YouTube SABR（服务器端自适应码率）流协议支持——YouTube 从 2024 年底开始用它替代旧的直链分发，导致 yt-dlp、NewPipe 等一大批工具突然放不出视频，PipePipe 自己逆向研究后补上了
• 集成 SponsorBlock 自动跳过赞助片段（YouTube 和 BiliBili 都支持），并用 ReturnYouTubeDislike 拉回被 YouTube 砍掉的踩数
• 把直播聊天当弹幕叠加在画面上，同时支持 AV1/VP9 解码（同画质下省带宽）、后台播放、关键词/频道过滤、按关键词屏蔽 Shorts 和付费视频

适用场景: 不想装 Google 服务框架、不想看广告的 Android 用户，通过 F-Droid 或 IzzyOnDroid 装它来刷 YouTube、B站、NicoNico，并做后台听歌、跳过赞助片段、按频道屏蔽垃圾内容。

竞品对比: 竞品是上游 NewPipe、跟版同步的 Tubular、以及 2025 年已停更的 LibreTube 和 ReVanced。最大差异是它死磕 SABR 支持且不跟上游同步，新协议适配比 NewPipe 快。

成熟度: 已开发三年多（2022 年初至今），在 F-Droid 和 IzzyOnDroid 上架、有独立 Wiki，属于活跃维护的成熟项目，但依赖解析 YouTube 私有接口，随时可能被官方改协议打破。

趋势信号: YouTube 推 SABR 流协议并加大打击第三方客户端，NewPipe、yt-dlp 一度集体播放失败，PipePipe 是少数及时实现 SABR 的客户端，叠加 LibreTube 停更，用户集中涌向它。

mvschwarz/openrig

TypeScript ⭐ +114 今日新增 · 1,137 总星数

用 YAML 定义一个多 Agent 团队，把 Claude Code 和 Codex 当席位跑在 tmux 里，由一个 lead 统一调度和排队任务。

亮点

• 分层设计：harness 包模型，rig 包 harness。OpenRig 不做模型调用层，只做编排层，所以上游 Claude Code / Codex 更新能力时它基本不用改。
• “同一地址”的思路：团队的工作和上下文留在固定席位（如 dev-owner@first-project）上，下次回来继续找同一个 Agent，而不是每次重开一个无状态会话。

核心功能

• 不自己实现 Agent 循环，而是分别拉起真实的 Claude Code 和 Codex CLI 进程，每个”席位”跑在独立 tmux session 里，YAML 里声明角色（如 owner/checker）和运行时，一条 rig up 全部启动。
• 通过写 provider hooks 采集状态：往 ~/.claude/settings.local.json 写 statusLine 命令和活动 hook，往 ~/.codex/config.toml 打开 hooks 并预写命令信任哈希，这样不改动 Claude/Codex 源码也能拿到各席位的活动和上下文。
• 守护进程用 SQLite 存实例状态，任务走队列（rig queue），但发消息不等于建任务——由 owner 自己显式记录任务并返回 ID，避免消息和任务状态对不上。
• TUI 把整个 rig 先画成 Agent 关系图，再列成席位表，逐行显示 runtime、model、context 用量和当前状态。

适用场景: 适合已经同时用 Claude Code 和 Codex、终端里开着十几个会话难以管理的开发者或小团队。典型场景是让一个 lead Agent 接一个明确改动，它再派给负责实现的席位和负责校验的席位，人只在需要决策时介入。

竞品对比: 和 CrewAI、AutoGen 这类多 Agent 框架比，那些是自己实现 agent loop 并绑定自家模型；OpenRig 不实现 loop，直接编排现成 CLI 会话，且能跨厂商把 Anthropic 和 OpenAI 的 Agent 混编在一个 rig 里。

成熟度: 早期项目（0.x 心态，npm 包刚起量），有完整文档、Apache 2.0 和一天内响应 issue 的承诺，但安装会改写 ~/.claude.json、~/.codex/config.toml、~/.tmux.conf 等文件，README 用大篇幅说明改了什么，说明配置和默认行为还可能变。

趋势信号: Claude Code 和 Codex 都开放了 hooks 和 MCP，第三方编排层第一次能稳定接管这些 CLI 会话；同时很多人手上已经攒了好几个终端 Agent，正好缺一个统一管理的壳。

vercel-labs/scriptc

TypeScript ⭐ +102 今日新增 · 5,476 总星数

Vercel Labs 的实验编译器，把 TypeScript 直接编成不依赖 Node 的原生可执行文件和 WASM，静态编不了的部分退回内嵌 QuickJS。

亮点

• 不走「全静态或全放弃」的二选一，而是静态编译优先、QuickJS 显式兜底，并用 coverage 命令把「有多少能静态编」变成可量化的数字。
• 前端直接借 TypeScript 编译器，把工程精力全压在 IR 和后端上；同时给 macOS 预置 helper 和 runtime pack，让用户不需要本地装 LLVM 也能出汇编和目标文件。

核心功能

• 前端直接复用 TypeScript 编译器做解析和类型检查，不自己写 parser；后端走一条可读链路：typed IR → C → LLVM IR → asm/obj/可执行文件/WASM，每一层都能用 –emit=ir

  c

  llvm

  asm

  obj 单独停下来看

• 静态优先 + 显式兜底：node:http 这类 Node API 直接编到自带的小型原生 runtime，运行时没有 JS 引擎；遇到 npm 包或 any 类型代码时用 –dynamic 把 quickjs-ng 嵌进二进制里跑，所以产物不读 node_modules
• 用 scriptc coverage 把静态覆盖率量化出来（如 100% / 部分静态），每个动态或不可编译点都给编码诊断（例如 WASI 上不支持 socket/子进程/文件监听时报 SC3002），而不是悄悄降级
• 分发上取巧：macOS 15+ arm64 用预打包 helper + 预编译 runtime pack，clang 只当最终链接器驱动，不参与编译程序或 runtime 的 C；asm/obj 这一层连 C 编译器、archiver、SDK 都不需要

适用场景: CLI 工具作者和平台团队：想把自己写的 Node/TS 命令行工具或内部 HTTP 服务打成一个不带 Node、不读 node_modules 的单文件二进制，减少启动开销和部署依赖。 边缘/serverless 场景：需要把同一份 TS 编成 wasm32-wasi 模块塞进 WASI 运行时，或想研究编译管线的人，可以逐层看 IR / C / LLVM IR 输出。

竞品对比: Bun 的 build –compile、Deno compile、Node SEA 都是把 JS 引擎和打包源码塞进一个二进制，本质还是解释执行；scriptc 是 AOT 编到原生代码，除非你用 –dynamic，否则不带 JS 引擎。 对比 Porffor、Static Hermes 这类 JS→原生编译实验，scriptc 的差异点是用 tsc 做类型检查和覆盖诊断，并明确用 QuickJS 处理编不动的部分。

成熟度: 明确标注 experimental 的 Vercel Labs 实验项目，外部 object 消费和 FFI 都还是 experimental，需要 Node 24+，别上生产。

趋势信号: Vercel Labs 官方出品自带流量，加上「TS/JS 直接编成原生二进制、甩掉 Node 运行时」这个话题近期被 Bun compile、Deno compile、Node SEA 反复带热，而它选择编译到 C/LLVM 这条少见路线。

willfaust/Madeira

C ⭐ +83 今日新增 · 867 总星数

Madeira 把 Wine、FEX-Emu、DXMT 拼在一起，让没越狱的 iPhone 直接跑 x86-64 Windows 游戏。目前 Thumper 和 ULTRAKILL 能玩，属于研究项目。

亮点

• iOS 默认关掉 JIT，项目靠 StikDebug 让调试器 attach 上来解锁 JIT 权限。代价是永远上不了 App Store，只能用免费签名 sideload，7 天过期就得重签重装。
• App 容器在重装后保留，所以每周重签名不会丢 Wine prefix 和游戏存档——这是让每周重装这件事能忍受的关键设计。

核心功能

• wineserver 不作为独立进程跑，而是当作线程塞进同一个 Mach 进程里——iOS 禁止 fork/exec，所以所有 Windows 进程都被折叠进一个 App 进程模拟。
• Wine 用 ARM64EC 编译：ARM64 原生代码和 x86-64 模拟代码可以在同一进程内直接互调，不用跨进程或跨 ISA 边界来回传。
• FEX-Emu 负责 x86-64 → ARM64 的 JIT 翻译，DXMT 把 D3D11 调用直接翻成 Metal，不走 D3D → Vulkan → MoltenVK 的两跳，少一层开销。

适用场景: 想把 PC 游戏塞进 iPhone 的折腾玩家和模拟器开发者。需要一台非越狱 iPhone（开发用的是 A15 的 iPhone 13 Pro）、一个 Apple ID 签名、以及能挂调试器的 StikDebug 来开 JIT。

竞品对比: Android 上的 Winlator、macOS 上的 CrossOver/Whisky 都做 Windows 游戏兼容，但它们要么在多进程 Linux 容器里跑，要么在允许 JIT 的桌面系统上跑。Madeira 的差异点是唯一在非越狱 iOS 单进程沙箱里把 Wine + FEX + DXMT 拼起来的方案。

成熟度: 早期研究项目，没有版本号，作者自己写明 API 会变、每个游戏都有各自的毛病。只有 3 款游戏可玩，构建还得用作者 fork 过的 wine/FEX/dxmt 子模块，上游克隆根本编不出来。

趋势信号: iOS 端 StikDebug 这类调试器挂载开 JIT 的方案成熟，加上 DXMT 的 D3D11 → Metal 后端可以直接复用，让非越狱 iPhone 跑 PC 游戏第一次有游戏真能玩起来。

趋势观察

先看一件事：Agent 不再是炫技的单机玩具了。

今天榜单里，一半项目都在给 Agent 补“上班”要用的东西。有人做管理台，把多个 Agent 编进组织架构图，定目标、发预算、审结果。有人用 YAML 定义团队，把 Claude Code 和 Codex 当员工塞进 tmux，由 lead 统一排任务。这说明多 Agent 跑起来之后，缺的不是算力，是管理。

记忆是另一个战场。那个 Python 记忆系统用 retain/recall/reflect 替代 RAG，一天涨 4500 星。方向很清楚：Agent 得记住事，还得会反思。

办公能力也在补齐。可嵌入的 Office SDK，让 Agent 直接读写、计算、校验表格文档和 PPT。那门手写 AI 工程的课，每节都要交出一个可复用工件，连 MCP server 都算作业。Agent 正从聊天窗走进真实工作流。

另一条线是本地化和拆墙。本地版 ElevenLabs，音频不上云；NewPipe 硬分叉跟上 YouTube 的 SABR 协议，免账号看视频。开发者在用脚投票：要自主可控，不要平台锁定。

底层也在松动。Vercel 的实验编译器把 TypeScript 直接编成原生可执行文件和 WASM，绕开 Node。还有人把 Wine、FEX-Emu、DXMT 拼起来，让没越狱的 iPhone 跑 Windows 游戏。

一句话收束：Agent 进厂打工，开发者动手拆平台的墙。这一波拼的，是谁的生态更开放、更可控。