GitHub Trending 日报 · 2026-10-05

概览

今日共收录 16 个 GitHub Trending 项目。 主要语言分布：JavaScript(5)、TypeScript(5)、Python(4)、C(1)、Go(1)。

今天这份榜单只有一个主角：AI 编程代理，也就是 Claude Code、Codex、Cursor 这类工具。围绕它们，长出了一整条生态链。第一层是给代理补课。营销技能包、前端设计规范、CAD 能力、视频流水线，都在把垂直领域的规则和流程塞进代理。以前你得自己写提示词，现在装个包就行。代理从会写代码，变成会干具体行业的活。第二层是管住代理的手脚。7 级复用阶梯、25 个流程技能、pstack 技能栈，诉求高度一致：别让 AI 乱写。先复现、先复用、再动手。少写 54% 代码不是省事，是省得收拾烂摊子。第三层是给代理装上记忆和遥控。跨会话持久上下文、本机 6 家 CLI 统一接管、手机上审批，说明开发者的角色在变：从写代码的人，变成盯着代理干活的人。还有几条线值得注意。测试和错误监控都在往 AI 自愈方向走，录一次、跑回放、自动定位 bug。本地推理继续往前拱，96GB 的 Mac 就能跑大模型，绕开云端计费。开源替代也在蚕食商业软件，OpenCut 直接挖剪映的墙脚。共同点很清楚：AI 代理正在变成新的操作系统，大家抢的是它上面的应用层。谁能定义代理怎么工作、怎么被管住、怎么跨工具通用，谁就握住了下一轮的入口。

项目详情

DietrichGebert/ponytail

JavaScript ⭐ +1,894 今日新增 · 155,126 总星数

一个让 AI 编程助手少写代码的提示词技能：用 7 级阶梯逼它先复用、再动手，实测少写 54% 代码。

亮点

• 把“懒”从一句口号变成可执行的分级决策顺序。对照组说明这一步有意义：纯把回答写简洁的 caveman 提示词只减了 20% 代码，token、成本、时间反而涨了；只喊“YAGNI + 一行流”的提示词减 33% 代码，但安全项掉到 95%。ponytail 是四项指标（代码量 -54%、token -22%、成本 -20%、时间 -27%）同时下降且安全满分。
• 明确划了不能砍的红线：信任边界校验、数据丢失处理、安全性、无障碍，这四类永远不进减法范围。大部分“写简单点”的提示词都说不清边界在哪，它就是靠这条保住了 100% 的安全通过率。

核心功能

• 整个项目核心就是一个提示词文件 skills/ponytail/SKILL.md（外加给只读规则文件的 Agent 用的精简版 AGENTS.md），仓库里其他内容都是把这段提示词塞进不同 Agent 的适配层，没有运行时、没有依赖、没有库代码。
• 内置一个 7 级“惰性阶梯”决策顺序：先问这功能是否真的需要存在（YAGNI），再依次查本仓库现有代码、标准库、操作系统原生能力、已安装依赖、能不能一行搞定，最后才写最小可用实现；阶梯是在读完改动涉及的代码、追完真实调用链之后才走的。
• 分 lite/full/ultra 三档强度，配套命令包括 /ponytail-review（扫当前 diff 输出一份“删除清单”）、/ponytail-audit（全仓过度设计审计）、/ponytail-debt（把代码里 ponytail: 标记的临时取巧收成欠债账本）、/ponytail-gain（打印基准得分板）。
• 基准测试用的是真活儿：让 headless Claude Code 去改 fastapi/full-stack-fastapi-template（一个 FastAPI + React 仓库），跑 12 个功能工单，同一个模型 Haiku 4.5，开/关技能各跑 4 次，按留下的 git diff 打分。

适用场景: 天天用 Claude Code、Codex、Cursor 写业务的开发者和 Tech Lead。痛点是 AI 一被要求做日期选择器就装 flatpickr、写包装组件、加样式表，review 成本比手写还高。装上以后 agent 直接给出 ，diff 小到能一眼看完。 也适合想让整支团队的 AI 产出风格统一的团队：把 AGENTS.md 拷进仓库，所有人在 Copilot、Windsurf、Cline、Gemini 里都按同一套减法规则出代码。

竞品对比: 同类东西是 caveman 这类“把回复写简短”的提示词、各种 YAGNI/one-liner 规则文件，以及 Claude Code 自带的 simplify 类插件。最大差别有两点：一是它改的是动手前的决策顺序，不是压缩输出文字；二是它拉了真实 agentic 任务、带对照组的量化数据，而不是只贴一个截图说“感觉变快了”。

成熟度: 看起来可用：有 npm 包和 Claude Code / Codex 插件市场安装方式、MIT 协议、多语言 README、命令文档和基准复现说明；但本质是一个提示词，效果强依赖宿主 Agent 和模型，仓库也没公开版本迭代节奏和 issue 响应情况。

趋势信号: Agentic coding 工具普及后，“AI 生成代码太多、review 不过来”成了普遍抱怨，而 Claude Code / Codex 的插件市场刚好在这时候开出来，一个几乎零成本、装一行就用、还能立刻看到 diff 变小的提示词插件，正好卡在这个渠道红利上。

pbakaus/impeccable

JavaScript ⭐ +1,171 今日新增 · 76,473 总星数

给 AI 编码助手装一层设计规范：1 个 skill、24 条命令、61 条确定性规则，专门治 AI 生成前端千篇一律。

亮点

• 起点是 Anthropic 的 frontend-design skill，但它把设计判断里能确定化的那部分抽成 61 条不依赖模型的规则，让检查结果可复现、可进流水线，而不是全靠模型自觉。
• 引擎是自包含二进制，首次运行下载到 ~/.impeccable/bin/，Node 只是 npx 安装器的壳；安装时还会给 Claude Code、Cursor、Codex、Copilot、Grok 各自写原生 hook 清单，等于把设计检查挂进 agent 的编辑流程里。

核心功能

• 61 条确定性检测规则，用 CLI 或浏览器扩展本地跑，不调 LLM、不要 API key——相当于给 AI 生成的前端做一份 lint，能进 CI 也能随手跑。
• 24 条斜杠命令共用一套设计词汇（polish / audit / critique / bolder / quieter / distill 等），把「再好看点」这种模糊需求拆成可执行动作；/impeccable pin audit 还能固化成独立的 /audit 快捷命令。
• 把产品事实和视觉方向拆开存：PRODUCT.md 记录受众、用途、约束、语气，DESIGN.md 单独记现有或新建的视觉系统，避免模型把业务事实和界面风格混成一件东西。
• live 模式在真实浏览器里直接迭代元素，generate 可以按元素名批量出变体，不用手动在页面上挑。

适用场景: 用 Claude Code、Cursor、GitHub Copilot、Codex 写前端的产品工程师和设计工程师。典型场景是：AI 生成的落地页/后台界面全是同一套模板脸（Inter 字体、紫蓝渐变、卡片套卡片），想批量体检、评审、润色后再上线。

竞品对比: 对比 Anthropic 的 frontend-design skill：那个只有一个 skill，没 CLI、没确定性规则；对比 v0、Lovable 这类工具：它们是直接生成 UI。Impeccable 不生成界面，只做事后审查和打磨，靠的是可离线跑的规则集。

成熟度: 安装流程和多 provider 支持已经比较完整，有官网文档和真实案例，但 hook 要在各工具里手动授权，命令集和规则还在快速迭代，适合跟进使用但别当成定型标准。

趋势信号: 2025 年 Claude Code、Cursor、Codex 成了写前端的主力，生成结果撞脸严重，Anthropic 先推了 frontend-design skill，这个项目顺势把「设计品味」做成可一键安装、可 lint 的一层，正好接住这波 AI 生成 UI 的同质化问题。

Panniantong/Agent-Reach

Python ⭐ +980 今日新增 · 91,113 总星数

Agent Reach 是一个给 AI Agent 装互联网访问能力的开源 CLI，一条命令接入 YouTube、Twitter、Reddit、B站、小红书等十几个平台，绕开付费 API，用本地 Cookie 和现成工具抓内容。

亮点

• 把「平台接入方式会不断失效」当成一等公民来处理：多后端路由 + 持续跟修，用户不用自己盯平台封禁。
• 安装方式是给 Agent 的一段自然语言指令（install.md），而不是给你一条 pip 命令——把 Agent 当安装器用，改配置也全交给它。

核心功能

• 多后端路由：每个平台配「首选 + 备选」两条链路，如 B站先用 yt-dlp，被封后自动切到 bili-cli。README 里点名 2026-06 那次 yt-dlp 被风控封死、用户零操作切换的实例。
• 靠复用本地浏览器登录态（Chrome 会话 / Cookie-Editor 导出）打通需要登录的平台，不上传 Cookie，也不走各平台官方付费 API。
• agent-reach doctor 做链路体检：一条命令列出每个渠道当前走哪条后端、通不通、怎么修，故障定位不用翻文档。
• 把自身包装成可安装的 SKILL.md 给 Agent 读取，安装流程本身就是一段让 Agent 去执行的 install.md 提示词，覆盖 Claude Code、Cursor、Windsurf、OpenClaw 等。

适用场景: 适合用 Claude Code、Cursor、OpenClaw 做研究/情报/内容搬运的开发者或运营。典型场景：让 Agent 抓 YouTube 字幕做总结、搜 Twitter 口碑、爬小红书笔记做竞品分析、读 V2EX 和雪球帖子。

竞品对比: 同类有各平台官方 MCP server、Firecrawl/Jina Reader 抓网页、Apify 抓社交平台。最大差别是它不做单一能力，而是把十几个门槛不同的平台整合成一套零 API 费、带失效兜底的路由层；代价是依赖 Cookie 和浏览器会话，稳定性和合规性不如官方付费 API。

成熟度: 版本号与提交细节未在摘要中给出，但项目已积累 9 万+ Star、有赞助商和多语言文档，属于可用但依赖非官方抓取手段、接口可能随平台风控变动而调整的中期项目。

趋势信号: Agent 生态（MCP、Claude Code、OpenClaw）爆发后，Agent 缺「上网手脚」成为普遍痛点，加上各平台 API 涨价封禁，这个一站式免费接入方案正好踩中窗口。

thedotmack/claude-mem

TypeScript ⭐ +628 今日新增 · 96,237 总星数

Persistent Context Across Sessions for Every Agent – Captures everything your agent does during sessions, compresses it with AI, and injects relevant context back into future sessions. Works with Claude Code, OpenClaw, Codex, Gemini, Hermes, Copilot, OpenCode + More

OpenCut-app/OpenCut

TypeScript ⭐ +512 今日新增 · 92,302 总星数

OpenCut 是开源的剪映（CapCut）替代品，做浏览器/桌面/手机三端通用的视频编辑器，当前正用 Rust 重写核心，靠 MIT 开源和插件架构吸引从 CapCut 出走的用户。

亮点

• 把渲染和时间线这套重活从 JS 挪到 Rust 核心，浏览器版也能处理大工程，这是和大多数纯 Web 视频编辑器（如基于 WebCodecs 的项目）最大的架构分歧
• 直接暴露 MCP server 和 headless 模式，等于把视频编辑器当成一个可编程服务，而不是只能手点的 GUI 工具

核心功能

• 编辑器核心改用 Rust 重写，前端只做壳，一套代码同时编译出 Web、桌面和移动端，不再像旧版那样只跑在浏览器里
• 插件优先架构 + Editor API：第三方插件不是打补丁，而是从设计上就允许接入时间线、渲染和导出流程，官方称之为 plugin-first
• 内置 MCP server 和 headless 模式，视频工程可以脱离界面被 AI agent 或脚本调用，用来做批量渲染和自动化剪辑

适用场景: 适合两类人：一类是不想付 CapCut Pro 订阅、又在意数据隐私的短视频创作者和 YouTuber；另一类是想把剪辑塞进自动化流水线的开发者，比如用 MCP 让 AI agent 自动剪素材、或跑 headless 批量出片。

竞品对比: 对标 CapCut（剪映国际版），另外 Shotcut、Kdenlive 是桌面开源老牌，但都跑本地、无 Web 端。OpenCut 的差异点在于浏览器里就能用、MIT 许可、且有插件和脚本扩展能力。

成熟度: 早期项目，主仓库正在重写、官方明确暂不接受外部贡献，能实际用的是 opencut-classic 旧版，API 还会变。

趋势信号: 2025 年初 CapCut 随 TikTok 一起在美国短暂下架，加上字节跳动的数据合规争议和剪映条款更新，一批用户开始找开源替代，OpenCut 顺势被推到 Trending。

pingdotgg/t3code

TypeScript ⭐ +490 今日新增 · 25,269 总星数

把本机已装的 Claude Code、Codex、Cursor 等 6 家 agent CLI 统一接管，用手机、网页或桌面远程盯和审批，现已开源可 fork。

亮点

• 定位是「控制面」不是「agent」：只做会话接管、权限审批、远程通信和源码管理集成，不碰模型调用，所以不会和 Anthropic、OpenAI 正面竞争，各家新出的 agent 它跟着支持就行。
• 移动端被当成一等公民而不是附属品——README 里 iOS/Android 排在桌面端和网页版前面，还单独写了远程访问文档，这个顺序本身就是设计取舍。

核心功能

• 它自己不实现 agent 循环，而是接管你电脑上已经装好并登录的 Claude Code、Codex CLI、Cursor CLI、Grok Build、OpenCode、Antigravity，直接复用你现有的订阅额度，不额外收模型钱
• 本地跑一个常驻 server（t3 service install 装成后台服务），iOS/Android 原生 App、Web 版、Electron 桌面版三端连同一个 server，所以人在外面也能用手机继续跑本机的 agent
• 构建链用了 Vite+（vite.plus 提供的全局 vp 命令），而不是常见的 Vite + Vitest 组合，贡献代码前得先装这个工具

适用场景: 重度用 Claude Code / Codex 的开发者：任务跑在工位机器上，人走开了用手机看进度、批准权限请求、追问下一步。也适合一个项目要同时切换多家 agent（比如 Codex 写、Claude 审）的人。

竞品对比: README 自己承认参考了 Codex 桌面版、Conductor、Claude Desktop、Cursor Glass，但认为这些要么不够快、要么不支持远程、要么不开源。最大差异点是移动端远程 + 完全开源可 fork，类似思路的还有 Omnara、Happy Coder 这类远程控制方案。

成熟度: 非常早期，作者原话是「very very early, expect bugs」，基本不收大功能 PR，文档还是仓库里的 markdown 没有文档站；但分发渠道已经很全（winget、Homebrew、AUR、deb、npx）。

趋势信号: 作者是 Theo（t3.gg），发布即自带大量关注；叠加 Claude Code、Codex CLI 今年大规模普及后，「人离开工位怎么继续盯 agent」成了新痛点，正好接上。

tester-army/e2e

TypeScript ⭐ +345 今日新增 · 3,391 总星数

TesterArmy 开源的一套 Web/移动端 E2E 测试框架：用自然语言让 AI agent 操作 App，首次跑通后把动作录成脚本回放，之后不再调用模型。

亮点

• 同一个测试文件里混写两种步骤：业务意图用一句话自然语言交给 agent，精确校验用 getByRole 这类 locator 断言写成代码。既不用维护脆弱的 selector 链，也不是纯 AI 黑盒判断。
• 模型自带（订阅、API key 或本地模型都行），真机可选托管（Kernel 浏览器、EAS 模拟器），把 token 成本和设备成本的选择权交给用户，而不是绑死自家云。

核心功能

• Agent 步骤第一次执行时记录下真实动作序列，后续运行直接回放、零模型调用；只有 App 改版导致回放失败才重新让 AI 决策。等于把 LLM 的不确定性锁在录制阶段。
• Web 端直接复用 Playwright 驱动 Chromium/Firefox/WebKit，移动端用 agent-device 驱动 iOS 模拟器和 Android 模拟器，两端共用同一套 test/expect API。
• @e2e-dev/decision 提供”有界语义动作”的决策模型执行器——模型只在受限动作空间里选，而不是自由生成坐标和点击序列，减少跑飞。
• npm 包里直接带全量文档（node_modules/e2e/docs），Claude Code、Cursor 这类 coding agent 可以离线读文档自己写测试。

适用场景: 前端和 QA 团队在 CI 里跑登录、下单、升级套餐这类关键链路，不想每次都手写 selector，又不敢让纯 AI 测试在流水线上瞎点。移动端团队可以直接用 iOS 模拟器/Android 模拟器跑同一批用例。

竞品对比: 相比 Playwright/Cypress/Selenium，它不用人写 selector，agent 自己找元素；相比 Octomind、Momentic、QA Wolf 这类每次运行都调模型的 AI 测试服务，它的最大差异是”录一次、回放多次”，日常回归不烧 token 也不受模型波动影响。移动端则对标 Maestro 和 Appium。

成熟度: 早期项目，官方明说还在冲 1.0、小版本间 API 和配置都可能变；文档齐全、有 Discord、单日涨 345 star，但还没到可以放心锁版本上生产的阶段。

趋势信号: AI coding agent 正热，测试是 agent 最容易落地的场景之一；加上这个项目拿下了 npm 上 ‘e2e’ 这个极短包名（本身就是社区话题），撞上 Trending 榜单后单日涨 345 star。

addyosmani/agent-skills

JavaScript ⭐ +336 今日新增 · 101,278 总星数

给 AI 编程 Agent 用的工程流程技能包：25 个 SKILL.md，覆盖从写需求到上线的 9 个环节，一条命令装进 70+ 种 Agent。

亮点

• 把工程规范做成可执行的技能文件，而不是一段用完就丢的长 prompt：可以进版本库、按任务组合、像维护代码一样维护流程。
• /build auto 的取舍很清楚——去掉的是人在任务之间点确认这一步，每个任务仍然先测试后提交、单独 commit，失败或高风险步骤自动暂停。用流程约束换来自主执行的可用性。

核心功能

• 25 个技能都写成带 frontmatter 描述的 SKILL.md，Agent 按当前任务自动加载对应技能——设计 API 触发 api-and-interface-design，写前端触发 frontend-ui-engineering，不用手动点名。
• 9 个斜杠命令直接对齐开发生命周期：/spec 出规格、/plan 拆原子任务、/build 分片实现、/test、/review、/ship，每个命令内部再拉起相关技能。
• 通过 vercel-labs 的 skills CLI（npx skills add）安装，同一份 skills/ 目录能被 Claude Code、Cursor、Codex、Gemini CLI、Copilot 等 70+ 种 Agent 读取，各工具另有原生接入方式。

适用场景: 用 Claude Code、Cursor、Codex 这类 Agent 写生产代码的工程师和团队。典型场景是把“先写规格、测试驱动、合并前审查”这类团队规范固化下来，让不同人、不同 Agent 跑出同一套流程。

竞品对比: 对手是 CLAUDE.md / AGENTS.md 这类单一上下文文件、Cursor 的 .mdc rules，以及 GitHub Spec Kit、BMAD-METHOD 等流程方案。最大差别：技能用跨 Agent 的 SKILL.md 标准格式打包，写一次能装进 70+ 种工具，命令、技能、约束分层管理，不是塞进一个巨型提示词。

成熟度: 文档齐全、迭代活跃，每个 Agent 都有单独安装说明；但仍属早期，已知单技能安装会丢掉仓库级 references/ 目录（issue #361），目录结构和用法还可能变。

趋势信号: 2025 年底 Anthropic 的 Agent Skills 格式被 Claude Code、Cursor、Codex、Gemini CLI 接连采纳、渐成通用标准，而作者 Addy Osmani 是 Chrome 团队做 Web 性能的知名工程师，这套“照着大厂工程流程干”的技能包正好踩在 Agent 从能写代码转向能按流程干活的时间点上。

calesthio/OpenMontage

Python ⭐ +245 今日新增 · 63,357 总星数

开源 AI 视频制作系统，把脚本、素材检索、配音、剪辑、合成串成 12 条流水线，交给 AI 编程助手执行，60 秒成片成本可低到 1.3 美元。

亮点

• 图生视频防走形技巧：产品片里把每张 hero still 同时钉成生成视频的首帧和尾帧，让模型在中间自由编运动，但产品和构图不会跑偏
• 用纯文本技能文件当’程序’而不是代码，流程改动只是改 markdown，非程序员也能调流水线顺序和提示词

核心功能

• 把制作流程写成 700+ 个 markdown 技能/知识文件，AI 编程助手（Claude Code 这类）按需读取并执行，不写编排代码也能跑通全流程
• 素材不是’把几张静图动起来’：先从免费素材库和开放档案建检索语料，捞出真实运动镜头再排时间线，用 Remotion（React 写视频的框架）和 FFmpeg 合成，3D 镜头走 Blender Eevee/Cycles
• 生成模型可插拔：Veo、Kling v3（经 fal.ai）、Chirp3-HD 配音、多个图像模型混用，供应商写在 docs/PROVIDERS.md 里可替换

适用场景: 独立创作者和小营销团队用 Claude Code 之类的助手做竖屏短片、产品片、解说型纪录片，不学 Premiere/After Effects，单条预算几美元。

竞品对比: 不做生成，只做编排层——区别于 Runway、Pika、Sora 只出单段片段，也区别于 Remotion（只是渲染框架）和传统剪辑软件；它把脚本、素材检索、配音、字幕、剪辑全串起来直接出成片，代价是底层画质仍受制于 Veo/Kling。

成熟度: 项目没有公布版本号，README 主要靠成片案例和营销话术支撑，采用 AGPLv3 对商用有约束，上生产前需要自己验证流水线稳定性。

趋势信号: AI 视频生成模型（Veo、Kling）刚跨过可用线，AI 编程助手的 agent 工作流又是当下最热的方向，把两者拼起来正好踩在风口上，加上 1.3 美元出一条 60 秒片的案例自带传播力。

michael-denyer/pstack-claude

JavaScript ⭐ +232 今日新增 · 1,202 总星数

把 Cursor 的 pstack 技能栈移植到 Claude Code、Codex、Pi 等 6 家 Agent harness，按角色分配模型和推理档位，强制先复现再改代码。

亮点

• 强制证据链：修 bug 先跑出失败用例，用 how/why 两个技能做根因分析，改完重跑同一个用例，交付给你的是失败和通过两份证据，不是一句’已修复’；如果改动跨函数边界，会先拉 architect 角色进来再动手
• 把’跟上游’和’本地改动’分开管理，用 JSON 声明具名 fork，这对一个移植项目来说是很少见但很实用的做法，解决了 port 类项目最头疼的合并冲突问题

核心功能

• 一套技能文件跨 6 个 harness 复用，靠各家自己的插件机制加载：Claude Code 走 /plugin marketplace、Codex 走 codex plugin marketplace、Pi 走 pi install git:…，同一份 SKILL.md 不用重写
• 按角色分配模型和推理强度：setup-pstack 里能写 ‘arena runners: opus @xhigh, fable @max’ 这种表，Claude Code 通过 pstack:effort-<级别> 或 pstack:poteto-agent-<级别> 子 agent 派发，没写级别的角色就沿用当前会话设置
• 用 tools/forks.json 声明具名 policy fork，明确列出哪些技能偏离了 Cursor 上游、改了什么，同步上游时不会被覆盖；路由 hook 由插件自动挂上，Codex 需要手动 /hooks 信任一次，Pi 由扩展注入同样的路由指令

适用场景: 适合在 Claude Code、Codex、OpenCode 里写业务代码的开发者，尤其是想让 agent 按固定流程走（先复现 bug、再定位、再改、再重跑验证）而不是随口一问就改代码的个人或小团队。

竞品对比: 同类有 Cursor 原生 pstack、obra/superpowers、GitHub spec-kit、BMAD-METHOD。最大差别是这个项目主打跨 harness，一份技能能同时喂给 Claude Code、Codex、Pi、Gemini CLI，并且支持按角色分别指定模型和推理档位（用 opus 做架构、用便宜模型跑验证），其他方案基本绑定单一 Agent。

成熟度: 早期项目，无正式版本号、2026 年新出，但本质是技能和配置包，没有运行时依赖，装上即可用，风险较低；上游 pstack 由 Cursor 维护，质量有底。

趋势信号: Cursor 放出 pstack 后，一大批不用 Cursor 的人想在 Claude Code、Codex 上用这套工作流；恰好这几家的 CLI 插件市场刚开放，跨 harness 复用技能成了新需求，这个 port 正好接住。

antirez/ds4

C ⭐ +211 今日新增 · 23,488 总星数

antirez 写的 C 语言本地推理引擎，只精调几款大模型，让 96GB 以上的 Mac、DGX Spark、Strix Halo 跑得起 DeepSeek V4 Flash 这类大模型。

亮点

• 按 MIT 挪用了 llama.cpp 的 GGUF 量化表和部分 kernel，但代码不链接 GGML，另起一条 DeepSeek V4 专用路径——借着 llama.cpp 铺好的路，同时把通用性这个包袱甩掉。
• 明确承认代码主要由 AI coding agent 写、人负责思路和测试，还反过来建议用户拿自己的 agent 去改这个项目适配自家硬件，把’软件当模板而不是成品’写进发布哲学。

核心功能

• 故意做窄，不做通用 runner：只为 DeepSeek V4 Flash/PRO、GLM 5.2/5.3 写专用推理路径，只吃项目自己产出的 GGUF，不兼容其他来源的模型文件。
• 内存不够就上 SSD 流式加载，把权重放本地 SSD 按需读，小内存 Mac 也能跑大模型；再配合压缩 KV cache，把长上下文压到本地机器能承受。
• 多机凑内存：两台 128GB Mac 用 RDMA 做张量并行，或用流水线并行把多台机器的内存连起来；CUDA 侧能在 8 张 L40S（Ada 架构）上跑到约 126 t/s、16 路并发，而这些新模型在其他后端要求更新的卡。

适用场景: 手上有 128GB MacBook/Mac Studio、DGX Spark 或 Framework Desktop（Strix Halo）的个人开发者和实验室，想在内网自托管本地模型或 coding agent。ds4-agent 直接进程内跑推理，不开 HTTP 服务，可以当云端 coding agent 的本地替代。

竞品对比: 和 llama.cpp 正好相反：llama.cpp 什么模型都跑、硬件覆盖广；DwarfStar 只精调几款模型、只认自家 GGUF，用通用性换贴硬件的速度。Ollama 是易用封装，vLLM 偏数据中心 GPU 服务，都不主打单机大内存消费级硬件。

成熟度: beta 早期，README 自己写着’变化很快，回归和不稳定肯定会发生’，只是每次发版前跑一轮大 QA，API 随时可能动。

趋势信号: DeepSeek V4 Flash、GLM 5.3 这类开放权重刚好能塞进 128GB 个人机器，硬件（DGX Spark、Strix Halo）也在同一时间铺开，再加上 antirez 本人的号召力和’AI 写的代码算不算数’这场争论，一起把它顶上 trending。

coreyhaines31/marketingskills

JavaScript ⭐ +197 今日新增 · 53,180 总星数

给 Claude Code、Cursor 等 AI 编码代理装一套营销技能包，覆盖 CRO、SEO、文案、投放、数据分析，让代理按现成营销框架干活，不用自己写提示词。

亮点

• 用「一个地基技能 + 技能间依赖图」的组织方式，而不是堆一堆互不相关的 prompt 模板，代理能自己把跨环节的营销工作串起来
• 商业模式直接写进仓库：核心 MIT 免费，付费 Verified Partners 出钱，但规则明文规定赞助不得影响技能推荐内容，伙伴列表由 partners.json 经脚本生成，避免手改夹带私货

核心功能

• 每个技能是一个带触发描述的 Markdown 文件（遵循 Agent Skills 规范），代理识别到你在做营销任务时才加载对应技能，而不是把全部内容塞进上下文
• product-marketing 是地基技能，其余 40 多个技能动手前都先读它，拿到产品定位、目标受众、卖点再执行
• 技能之间互相引用，形成依赖图：copywriting ↔ cro ↔ ab-testing、seo-audit ↔ schema ↔ ai-seo、customer-research → 文案/CRO/竞品，做一件事会顺带拉起关联技能

适用场景: 懂技术的市场人员、独立开发者、创业公司创始人，在 Claude Code / Cursor / Windsurf 里让代理直接跑落地页转化率审查、SEO 与 AEO 审计、冷邮件序列、A/B 测试方案、App Store 页面优化，省掉自己拆解营销流程和写提示词的成本。

竞品对比: 对比 Anthropic 官方 skills 仓库和各种 awesome-claude-skills 清单，那些是通用示例集，它是垂直只做营销且技能间有依赖关系；市面上同类营销 prompt 库基本是散装模板，没有共享上下文这一层。

成熟度: 内容型项目而非软件，无版本号，效果取决于单个技能文件的写法，靠社区 PR 迭代，MIT 协议，能用但需自己验证产出质量。

趋势信号: Agent Skills 正被 Claude Code、Codex、Cursor、Windsurf 等多家代理工具共同接受，成了跨工具的事实标准，同时撞上「让内容被 LLM 引用」的 AEO 新需求，加上作者本身经营 Swipe Files 等营销流量入口，推得动传播。

getsentry/sentry

Python ⭐ +152 今日新增 · 45,429 总星数

开源错误追踪与性能监控平台，把异常、链路、日志、会话回放汇到一处，新版用 Seer AI 自动定位并修 bug，也支持整套自托管。

亮点

• Snuba 这层自研查询代理：事件和 trace 按列存进 ClickHouse，查询时不 join，换来秒级搜索和聚合延迟。多数 APM 靠倒排索引做，它直接拿 OLAP 库硬压。
• 许可证用 FSL：源码公开但禁止拿去做竞品，两年后自动转 Apache 2.0，早期版本现在已完全开源——既能防白嫖又不永久闭源。

核心功能

• 写入和查询拆成两条链路：Rust 写的 Relay 在边缘接收、脱敏、限流，事件先落 Kafka 缓冲，再由 Snuba 把 ClickHouse 宽表查询翻译成 SQL，Postgres 只存元数据。
• 25 个官方 SDK 覆盖 20 多种语言和游戏引擎（Unity、Unreal、Godot），共用一个事件协议；堆栈能对 sourcemap 和 native 调试符号做符号化还原。
• Seer 做 AI 归因：读 issue 的堆栈、commit、上下文，猜根因并直接生成修复补丁。

适用场景: 后端、前端、移动端团队上线后抓线上异常和慢请求链路；SRE 和值班同学用它做告警与排障。数据不能出内网（金融、政企）的团队会跑 self-hosted 版，代价是得自己维护 Kafka、ClickHouse 等一堆组件。

竞品对比: 对标 Datadog、New Relic、Elastic APM，以及开源复刻 GlitchTip。最大差别是专注错误追踪而非通用指标，堆栈能还原到源码行还带会话回放，而且可以整套自托管，Datadog 这类做不到。

成熟度: 成熟商业产品，大量企业生产环境在用；但自托管版组件多、运维成本高，官方自身也更推荐 SaaS。

趋势信号: 一是 Seer AI Agent 和 Logs、Uptime 被打包进同一平台，踩中“AI 帮人定位并修 bug”这波热度；二是当年 FSL 授权的代码陆续到期自动转 Apache 2.0，重新把自托管用户拉回来。

garrytan/gstack

TypeScript ⭐ +125 今日新增 · 135,220 总星数

YC 总裁 Garry Tan 开源了自己在 Claude Code 上每天用的 23 个斜杠命令，按 CEO、设计、EM、QA、发布等角色分工，把单个开发者变成一支团队。

亮点

• 不做一个万能 agent，而是把 AI 编码拆成 23 个有明确职责的角色命令（CEO 评审、EM 锁架构、设计防 AI 味、QA 开浏览器、安全官、发布工程师），把提示词工程变成可复用的团队分工
• 团队分发走 Git 不走包管理：命令是 Markdown，直接随代码提交进仓库，没有 vendored 文件、没有版本漂移，也不需要手动升级

核心功能

• 整套工具就是 ~/.claude/skills/gstack 下的 Markdown 斜杠命令，靠 Claude Code 的 skill 机制加载，没有额外插件运行时；team 模式一条命令把 .claude/ 和 CLAUDE.md 提交进仓库，队友克隆即用，会话启动时静默自动更新（每小时节流一次、断网不报错）
• /qa、/make-pdf、/diagram 用真实浏览器跑：macOS 上优先接管 Aside，直接复用你已登录的会话 cookie，没有就用 ./setup 现场构建的 Chromium；/setup-browser-cookies 专门管登录态
• /cso 做 OWASP + STRIDE 安全审计，用 Docker 预加载合格镜像，每个镜像给 30 秒拉取窗口，可用 GSTACK_CSO_IMAGE_PULL_TIMEOUT_SECONDS 调（5-300 秒），单个镜像超时不占用后面镜像的窗口

适用场景: 适合用 Claude Code 写代码的技术创始人、tech lead 和 staff engineer：每个 PR 上自动跑 /review 找生产 bug、/qa 开真浏览器测 staging、/ship 提 PR，不用自己攒一套 agent 流程。

竞品对比: 和 Claude Code 官方 subagents、社区各种 awesome-claude-code 配置集、Cursor rules 是同类，都是给 AI 编码套流程。最大差别是 gstack 只绑 Claude Code skills、全是 Markdown 命令，还带团队自动更新和真浏览器 QA。

成熟度: 版本已到 v1.91.x、MIT 许可、文档齐全，但强绑定 Claude Code，主要由作者一人维护。

趋势信号: Karpathy 公开说自己几个月不手写代码、OpenClaw 单人做到 247K star 的大背景下，YC 总裁把自己每天在用的工作流开源，还配了「810 倍生产力」的争议数据，话题度直接拉满。

earthtojake/text-to-cad

Python ⭐ +83 今日新增 · 16,968 总星数

给 AI 编程助手（Claude Code、Codex、Cursor 等）装上 CAD 能力：用自然语言描述零件，就能本地生成可加工的 3D 模型文件。

亮点

• 把 CAD 计算全放在本地 Open CASCADE 里跑，模型不用云端上传，几何精度和隐私都比纯让 LLM 生成网格的方案靠谱
• 同一个 cadgen 包同时当 CLI、MCP server 和 skill 分发，靠 uv 首次运行时按需下载运行时，用户不用自己装 CAD 环境

核心功能

• 底层用 build123d + Open CASCADE（工业级几何内核，负责真正的实体建模运算），agent 只写 Python 描述形状，导出 STEP/GLB/STL/3MF 四种格式
• 自带本地 MCP 服务器（cadgen mcp，Model Context Protocol，让 agent 调用外部工具的协议），模型能在对话里以可旋转的 viewer 卡片展示，也能给浏览器链接打开
• 集成了面向制造的设计检查（DFM，提前判断零件能不能被机床/打印机做出来）和工程图生成，还能对接 3D 打印、钣金、CNC 加工下单服务

适用场景: 机械工程师、硬件创业者、3D 打印玩家在用 Claude Code / Codex / Cursor 时，直接对话生成支架、外壳、转接件这类零件，省掉 SolidWorks 里手动画草图的时间。

竞品对比: 对比 CADQuery/build123d 这类纯 Python 建模库，它是套在它们之上的 agent 封装层；对比 Zoo、Adam 等 text-to-CAD 云服务，它本地免费开源、不依赖云，但也没云端批量渲染能力。

成熟度: cadgen 版本 0.7.14（未到 1.0），属早期项目，但有 CI 测试、MIT 许可，且已适配多个主流 agent 平台。

趋势信号: Claude Code / Codex 的 plugin 与 skills 生态刚起步，社区正扎堆给 agent 加专业垂直能力，CAD 是高价值空白场景，所以被推上来。

caddyserver/caddy

Go ⭐ +24 今日新增 · 76,653 总星数

Caddy 是一个 Go 写的 Web 服务器和反向代理，默认自动申请并续期 HTTPS 证书，配置可用 Caddyfile 或 JSON，还能通过 API 热更新，不用重启。

亮点

• 配置即 API：唯一权威配置是一份 JSON，改配置走 HTTP 请求而不是改文件再 reload，这是和 Nginx 最大的模型差异，动态环境里不用写脚本重载。
• Go 静态单二进制、无 libc 依赖，容器里可以直接跑在 scratch 镜像上；相比 C 写的 Nginx/Apache，语言层面少了一整类内存安全漏洞。

核心功能

• 自动 HTTPS 靠自研库 CertMagic 实现：公开域名默认同时接 Let’s Encrypt 和 ZeroSSL 两家 CA，一家失败自动换另一家；内网域名和纯 IP 用本地自建 CA 签发，不用去外网申请。
• 全模块化架构：HTTP 处理器、TLS、存储后端、日志都是注册进同一套模块系统的插件，用 xcaddy 在编译期按需拼装，官方二进制不用任何外部依赖，连 libc 都不要。
• 配置以原生 JSON 为准，Caddyfile 只是一个翻译成 JSON 的适配层；运行中的配置通过 admin API（默认 localhost:2019）读写，改完立即生效。

适用场景: 独立开发者和小团队把服务推上线时，不想折腾 certbot 和证书续期；运维在 Kubernetes 或边缘节点上做 ingress 和反向代理；内部微服务之间需要 mTLS，用它的本地 CA 发证书。

竞品对比: 对比 Nginx：Nginx 要手工配证书、改完还得 reload，Caddy 自动签证书加 API 热更新；对比 Traefik：Traefik 强在容器/K8s 服务发现，Caddy 更偏通用 Web 服务器加反向代理，配置模型更简单。

成熟度: 生产可用，v2 已稳定多年，官方称验证过管理数百万张证书、服务过万亿级请求。

趋势信号: 并非突然爆火（日增仅 24 星），主要是随新版本发布持续被推荐——比如新增 Encrypted ClientHello 支持、构建要求升到 Go 1.26。

趋势观察

今天这份榜单只有一个主角：AI 编程代理，也就是 Claude Code、Codex、Cursor 这类工具。围绕它们，长出了一整条生态链。第一层是给代理补课。营销技能包、前端设计规范、CAD 能力、视频流水线，都在把垂直领域的规则和流程塞进代理。以前你得自己写提示词，现在装个包就行。代理从会写代码，变成会干具体行业的活。第二层是管住代理的手脚。7 级复用阶梯、25 个流程技能、pstack 技能栈，诉求高度一致：别让 AI 乱写。先复现、先复用、再动手。少写 54% 代码不是省事，是省得收拾烂摊子。第三层是给代理装上记忆和遥控。跨会话持久上下文、本机 6 家 CLI 统一接管、手机上审批，说明开发者的角色在变：从写代码的人，变成盯着代理干活的人。还有几条线值得注意。测试和错误监控都在往 AI 自愈方向走，录一次、跑回放、自动定位 bug。本地推理继续往前拱，96GB 的 Mac 就能跑大模型，绕开云端计费。开源替代也在蚕食商业软件，OpenCut 直接挖剪映的墙脚。共同点很清楚：AI 代理正在变成新的操作系统，大家抢的是它上面的应用层。谁能定义代理怎么工作、怎么被管住、怎么跨工具通用，谁就握住了下一轮的入口。