30
收录项目
8
覆盖板块
+91,866
本周星标增长(有公开周增数据项目合计)
1.97M
总星标数
💡 本周洞察:本周最大信号是 「能被验证的 AI」登场——阿里 open-code-review(38k⭐,+15,028/周,本周增长王)用「确定性 pipeline + LLM Agent」混合架构做代码审查,Cloudflare security-audit-skill(18k⭐,周增约+8,669)做多阶段安全审计且产出机器可读、独立复核的结论。生态重心正从「Agent 能干活」转向「Agent 干的活能被检查」,这直接呼应你上周做的 hermesoffice 登录密码/JWT/CORS 安全加固,以及 mimocode 里 2.3 万行的「内部使用/」爆款筛选脚本、直接写生产库的 set_price.py 自动调价脚本——这些现在都没有审查环节。Skill 生态第二个信号是「输出质量治理」三连上榜:i-have-adhd(+5,589,结论前置不埋答案)、humanizer(+3,024)、no-ai-slop(+2,134)同时在榜,跟你反复反馈的「AI 重复话语」「报告要面向非技术人员」是同一个痛点。腾讯本周两个项目上榜:WeKnora(+4,867,文档→RAG→自我维护 Wiki)可以对上 mimocode 的「药师帮知识库 | AI生成SQL指南」;BrowserSkill(周增约+2,336,复用真实登录态的浏览器自动化)正好对上 mimocode 正在做的「定时登录指定网站获取信息」脚本和 yjj 账号异地登录风控问题。数据侧 gods-eye-view(+10,207,真实数据 3D 地球空间情报)可以给稀缺品种省份地图(ysbang.top/scarcity)做可视化参考。
🤖

AI Agent 框架

核心领域
Python
AI Agent 个人助手
↑ +2,963/周 ⭐ 247,598 🍴 52,093
「与你共同成长的 Agent」——本周总星标突破 24.7 万,较上周报告(244,635)增长 2,963。核心能力:Skill 系统(SKILL.md 定义可复用技能)、MCP 集成、Cron 调度、记忆管理(Mem0 外部记忆跨会话持久化)、多模型路由(Claude Code / Codex / 本地模型切换)。内置浏览器自动化、GitHub 集成、飞书/企微/Telegram 多网关。更新节奏稳定,push 活跃度到今天(2026-09-21)。

🔍 同类对比

  • vs Claude Code:hermes-agent 跨模型通用 + 内置 Cron/网关/记忆,Claude Code 绑定 Anthropic 模型但编码单点体验更打磨
  • vs Cline:Cline 是 IDE/SDK/CLI 三形态的编码 Agent,hermes-agent 是独立的个人 Agent 运行时,消息网关和定时任务能力 Cline 没有
  • vs ruflo:两者都做编排,hermes-agent 强在个人工作流闭环(Skill+记忆+调度),ruflo 强在多 Agent swarm 协作

🎯 与你/mimocode 的关联

  • 你的整个 Hermes 端项目栈都跑在它上面:Work Dashboard(work.ysbang.top:8501)、外部信息监控(ext-monitor.ysbang.top)、稀缺品种看板 API(8503)、市占率模拟(8506)的定时数据链路
  • mimocode 进行中的「Mimocode 与 Hermes 看板数据同步」(Windows 端 Flask API 经 Tailscale 暴露)和「整合 mimocode 到 hermesoffice 看板」正是在扩展 Hermes 生态的边界,上游版本更新频繁意味着你自建的同步逻辑需要盯着 API 变化
  • 本周 +2,963 增速平稳无爆点,无需急着升级;但你的定时任务体系(daily-intel-scan、品类周报、进化日志等)依赖 cron 行为稳定,建议维持「升级前先在测试配置验证」的节奏
JavaScript
Agent 性能优化 Harness 系统
↑ +6,265/周 ⭐ 263,513 🍴 39,437
「Agent harness 性能优化系统」——目前 GitHub 上星标最高的 Agent 基础设施项目(26.3 万)。它不是单一工具,而是一整套让编码 Agent 跑得更好的方法论实现:Skills(技能注入)、instincts(行为直觉规则)、memory(记忆管理)、security(安全约束)、research-first development(先调研后动手的开发流程)。兼容 Claude Code、Codex、Opencode、Cursor 等主流编码 Agent,本质是给这些 Agent 装上「性能与行为的优化外骨骼」。本周继续 +6,265,连续多周霸榜。

🔍 同类对比

  • vs anthropics/skills(官方技能库):官方库是「技能集合」,ECC 是「技能+记忆+安全+流程」的完整 harness 系统,覆盖更全但也更重,学习成本高
  • vs Superpowers 技能包:Superpowers 偏创意/工作流技能(你已装 brainstorming、verification-before-completion),ECC 偏性能与行为优化,两者互补而非替代
  • vs addyosmani/agent-skills:agent-skills 是生产级工程技能集(单点能力),ECC 是系统级优化层(整体行为),ECC 的记忆管理模块对长会话场景价值更大

🎯 与你/mimocode 的关联

  • 直接对应你反复处理的内存与性能问题:mimocode「Hermes Office系统维护 | Gateway内存占用分析」定位到 state.db 加载 242MB 内存压力、「服务器内部服务升级 | 内存优化防重入」的 4GB 内存限制——ECC 的 memory 模块思路(记忆分层、按需加载)与你「LSP 进程用完必须 kill」的规则是同一类问题的系统化解法
  • mimocode 已在做「系统层级安装 superpowers 技能」「Karpathy 12条AI编程规则导入」,ECC 的 instincts 模块就是这类「长期指导原则」的工程化载体,可以参考它的规则组织方式替代目前散落在 mem0 的做法
  • 注意:它是完整系统,全量引入会增加你 3.6GB 内存服务器的负担;建议只参考其 memory 分层和 research-first 流程两个模块的文档
TypeScript
编码 Agent CLI 工具
↑ +1,999/周 ⭐ 147,015 🍴 24,027
Anthropic 官方的终端编码 Agent:常驻你的终端,理解整个代码库,通过自然语言命令执行常规任务、解释复杂代码、处理 git 工作流。本周 +1,999,增速温和但基数巨大(14.7 万星)。作为「编码 Agent」品类的定义者之一,它同时是 Skill 生态最大的宿主平台——本周上榜的 i-have-adhd、marketingskills、security-audit-skill 等 Skill 项目首要适配目标都是 Claude Code。

🔍 同类对比

  • vs Cline:Cline 开源可换模型、支持 SDK/IDE/CLI 三形态,Claude Code 绑定 Anthropic 模型但工具链打磨和上下文管理更成熟
  • vs MiMo Code(你在用):同为终端编码 Agent,Claude Code 生态(Skill/MCP 兼容面)目前最广;MiMo Code 走国产模型性价比路线,你已遇到 mimocode 速度问题(低于 1t/s)
  • vs Hermes Agent:定位不同:Claude Code 是编码专用工具,Hermes 是跨场景个人 Agent(监控/调度/网关);你的实际工作流是两者并存

🎯 与你/mimocode 的关联

  • 你的 AI 工具演进路径(ChatGPT→PyCharm+Trae插件→Trae Solo→MiMo Code+Hermes)没有用过 Claude Code,但你的 Hermes 技能库里 Claude Code Skill 格式是事实标准——所有新 Skill(包括 mimocode 装的 superpowers)都按它的 SKILL.md 规范写
  • mimocode 进行中「调研 abi/screenshot-to-code 并与 mimo-v2.5 集成」的对比基准之一就是 Claude Code 的视觉理解能力
  • 本周无需行动,关注点是它作为 Skill 生态「宿主标准」的动向——你装的每个第三方 Skill 实际都是按它的加载机制设计的
TypeScript
Multi-Agent Swarm 编排
↑ +812/周 ⭐ 72,966 🍴 8,662
「最初的 agent harness」——部署智能多 Agent 群体(swarm),协调自治工作流,构建对话式 AI 系统。特性包括自适应记忆、自学习智能、联邦学习、向量 RAG 集成,原生支持 Claude Code / Codex / Hermes 等多种 Agent 接入,提供可视化工作流编排界面,支持 Agent 间消息传递和状态同步。本周 +812(上周 72,154→本周 72,966),热度回落但仍稳定在榜。

🔍 同类对比

  • vs hermes-agent:ruflo 强在多 Agent swarm 协作与联邦学习,hermes-agent 强在个人工作流闭环;你的场景更偏后者
  • vs stablyai/orca:orca 是「Agent 开发环境(ADE)」管并行 Agent 的操作界面,ruflo 是底层编排系统;orca 上手更直观,ruflo 更底层更灵活
  • vs CrewAI:两者都做多 Agent 编排,CrewAI Python 生态更贴数据处理场景,ruflo TypeScript + 可视化更贴前端团队

🎯 与你/mimocode 的关联

  • 你面临的真实多 Agent 问题不是「swarm 编排」而是「两套系统记忆不相通」:Hermes 端与 mimocode 端(MiMo Code)各自维护上下文,目前靠 mimocode_context.py 生成摘要文件来桥接——mimocode 进行中的「Mimocode 与 Hermes 看板数据同步」「整合 mimocode 到 hermesoffice 看板」都是在手工解决这个问题
  • ruflo 的「Agent 间消息传递和状态同步」架构值得读文档借鉴,但为同步两个 Agent 的看板数据引入一整套 swarm 系统属于杀鸡用牛刀
  • 结论:文档级参考,不建议部署;你现有的 Flask API + Tailscale 同步方案更符合 4GB 内存服务器的现实
TypeScript
编码 Agent SDK/IDE/CLI
↑ +1,118/周 ⭐ 68,874 🍴 7,459
自主编码 Agent,一个项目三种形态:SDK(嵌入你自己的产品)、IDE 扩展、CLI 助手。开源、可换模型供应商,是目前「不想被单一模型绑定」的团队最主流的选择。本周 +1,118,稳定在榜。它代表了编码 Agent 的一个分化方向:不做一个封闭工具,而是做可被嵌入的 Agent 组件。

🔍 同类对比

  • vs Claude Code:Cline 模型无关可自选供应商,Claude Code 绑定 Anthropic 但上下文管理和工具打磨更成熟;Cline 适合成本敏感场景
  • vs MiMo Code:同为终端编码 Agent,Cline 的 SDK 形态支持嵌入自有产品,MiMo Code 更偏个人使用;你遇到过 mimocode 低至 1t/s 的速度问题,Cline 可作为备选路由
  • vs Trae Solo(你用过):Trae 是 IDE 一体化方案,Cline 提供裸 SDK/CLI 更容易接进自动化流水线

🎯 与你/mimocode 的关联

  • mimocode「AI使用相关 | 药师帮项目mimocode速度问题」记录了 LLM 响应低于 1t/s 的痛点——你的 Hermes 已配置多模型路由,Cline 这类模型无关 Agent 的存在提醒:编码任务也可以按价格/速度路由到不同 harness
  • mimocode「供应商托管项目/自动调价项目」里多个前端页面(adjustment_task.html、AdminDashboard)用 HTML+JS 内嵌形态维护,Cline 的 SDK 形态如果未来要把「AI 辅助调价」封装进托管看板给业务同事用,是可选嵌入方案
  • 结论:保持关注即可,当前 Hermes + MiMo Code 双工具栈已覆盖你的场景
⚡

Skill/技能生态

核心领域 · 本周最热板块(9 个项目)
Python
输出格式 Skill
↑ +5,589/周 ⭐ 49,123 🍴 2,847
「一个阻止你的编码 Agent 把答案埋起来的 Skill」——ADHD 友好型输出。解决的问题极其具体:AI 完成任务后输出大段过程描述,真正的结论埋在中间或结尾,读者要自己翻找。这个 Skill 强制 Agent 结论前置、过程后置、删掉废话。上周上榜(+13,164)本周继续 +5,589,总星标逼近 5 万,是「输出质量治理」类 Skill 的现象级项目。它的爆发说明一个事实:Agent 的产出量已经不是瓶颈,产出的可读性才是。

🔍 同类对比

  • vs humanizer/blader:humanizer 治理的是「AI 腔调」(文风),i-have-adhd 治理的是「信息结构」(结论埋没);两者叠加使用效果互补
  • vs no-ai-slop:no-ai-slop 靠删除 20+ 种模式做事后清理,i-have-adhd 靠约束生成过程做事前预防;一个治已病一个治未病
  • vs 直接在系统提示里写「结论前置」:Skill 的优势是可版本化、可复用、可分享;你自己的记忆规则已经在做同样的事(「简洁直接,结论先行」),这个项目等于把你的规则做成了可安装的产品

🎯 与你/mimocode 的关联

  • 你就是这个 Skill 的目标用户:你多次反馈过 AI「重复话语/卡循环」「只给概述不给详细分析」,微信渠道还有每轮 10 条消息的硬限制——结论前置不是偏好而是刚需
  • 你的 Hermes 记忆里已写入同类规则(「回复保持简洁」「关键结论前置」「一次只说最重要的一件事」),但记忆是全局软约束;这个 Skill 是按场景触发的硬约束,可以装到 Hermes 技能库里补强
  • 对 mimocode 端同样适用:「找货项目数据复盘」「爆款品种汰换汇报」这类要给业务同事看的报告,输出结构直接决定能不能用
JavaScript
安全审计 Skill 机器可读结论
↑ +8,669/周(9/14 9,809→9/21 18,478) ⭐ 18,478 🍴 1,034
Cloudflare 官方开源的编码 Agent Skill:执行多阶段安全审计,产出经独立复核、机器可读的发现(findings)。「机器可读 + 独立复核」是关键差异化:不是让 LLM 说「这里可能有安全问题」,而是输出结构化结论,每个 finding 都经过第二阶段验证,可直接喂给 CI 流水线做门禁。一周内星标从 9,809 涨到 18,478(约 +8,669),是本周 Skill 生态增长最快的项目之一。Cloudflare 品牌背书 + 安全审计这个高频刚需场景,是它爆发的双重原因。

🔍 同类对比

  • vs alibaba/open-code-review:两者同属「可验证的 AI」路线;open-code-review 是全流程代码审查工具(确定性 pipeline + Agent),security-audit-skill 是专注安全域的 Skill 插件,后者更轻、只管安全一个维度
  • vs npm audit / Snyk 等依赖扫描:传统工具只查依赖漏洞清单,这个 Skill 审查的是代码逻辑层的安全问题(授权、注入、越权),互补而非替代
  • vs 让 LLM 自由发挥做安全审查:自由发挥产出不可信、不可自动化;它的「独立复核 + 机器可读」设计让结论可以被程序消费,这是 Skill 工程化的一次明显进步

🎯 与你/mimocode 的关联

  • 你刚做过 hermesoffice 登录密码防护加固(SHA-256→bcrypt、JWT 密钥存储、CORS 跨域漏洞修复)——这类工作目前是「出问题→人工排查」模式,security-audit-skill 可以让 Hermes 在每次代码变更后自动跑一轮同类检查
  • mimocode 侧风险更高:set_price.py / filter_set_price.py / 百万商业自动补贴脚本直接连药师帮生产 MySQL,「云服务器/」Flask API 支持 CORS 跨域——这些是典型的 SQL 注入与越权审计目标
  • 接入建议:Skill 形态对 Hermes 零成本(放进技能库即可),建议先对 8503/8506 两个对外 API 的鉴权逻辑(sim_tokens 表 token 权限)跑一次审计
JavaScript
工程技能集
↑ +3,445/周 ⭐ 97,562 🍴 10,289
Google Chrome 团队资深工程师 Addy Osmani 维护的生产级工程技能集,面向 AI 编码 Agent。定位是「把资深工程师的隐性经验写成 Agent 可执行的 Skill」:代码质量、性能优化、可维护性等工程实践维度。近 10 万星,是个人维护类 Skill 仓库的星标天花板,本周 +3,445 稳步增长。与官方/机构技能库相比,它的特点是带有强烈的个人工程品味和实战导向。

🔍 同类对比

  • vs anthropics/skills(官方):官方库覆盖面广、格式标准,addyosmani 版深度集中在前端与工程实践,单点质量更高
  • vs VoltAgent/awesome-agent-skills:VoltAgent 是 1000+ 技能的策展目录(广度),addyosmani 是亲手打磨的精选集(深度);找技能去前者,学工程方法用后者
  • vs ECC:ECC 是系统级 harness 优化,agent-skills 是技能点集合;ECC 改变 Agent 的「行为方式」,agent-skills 扩展 Agent 的「能力清单」

🎯 与你/mimocode 的关联

  • mimocode 的「内部使用/」爆款筛选脚本(23,615 行)和「品种研究/」包销绿通模块(3,230 行)是典型「业务跑通但工程化欠账」的代码——性能优化类 Skill 可以直接指导这类 pandas 脚本的向量化改造(你已经历过 calc_scarcity_score 的列赋值问题、cal_provider_price 的 5 分钟性能瓶颈)
  • mimocode 已有「设置全局规则禁止自动 Git 提交」「Karpathy 12条规则」的实践,这个仓库展示了同类规则如何组织成可复用 Skill 而非散落的全局提示
  • 建议:挑其中性能与代码质量两个 Skill 装进 Hermes,供药师帮脚本优化任务时自动加载
Python
文风治理 Skill
↑ +3,024/周 ⭐ 50,571 🍴 4,068
「移除文本中 AI 生成痕迹」的 Agent Skill,总星标突破 5 万。与事后润色工具不同,它作为 Skill 挂载在 Agent 上,让 Agent 在生成阶段就避免 AI 腔(排比堆砌、「值得注意的是」句式、空洞总结等)。本周 +3,024,是「输出质量治理」三件套中增长最稳的一个。注意:你的 Hermes 技能库里已有同名 humanizer skill(creative 分类),说明这个方向你早已认可。

🔍 同类对比

  • vs petergyang/no-ai-slop:humanizer 是生成时约束(Skill 内嵌工作流),no-ai-slop 是生成后清理(删除 20+ 模式);humanizer 保留更多原意,no-ai-slop 清理更彻底但可能误伤
  • vs i-have-adhd:humanizer 治「语气像机器」,i-have-adhd 治「结构埋答案」;报告类输出建议两个都挂
  • vs 商业 AI 检测/降重工具:商业工具按字收费且数据出内网,这个 Skill 本地执行零成本;对你处理内部文档更安全

🎯 与你/mimocode 的关联

  • 直接命中你的三个高频场景:AI 分享 PPT 演讲稿(mimocode「AI分享PPT-20260728」15页内容迭代)、AI 专题作业报告(面向公司领导的转型建议)、品类运营周报——这类「本人署名」的内容对 AI 腔最敏感
  • 你的 PPT 偏好里有「署名黄振杰,单位三方运营中心」,内容以本人口吻输出时,文风治理类 Skill 是质量底线保障
  • 你已装的 humanizer skill 如果是早期版本,建议对照这个 5 万星的上游版本更新一次触发规则
Python
AI 味清理
↑ +2,134/周 ⭐ 10,773 🍴 737
「从任何文本中移除 20+ 种 AI slop 模式」的 Python 工具。所谓 AI slop:「让我们深入探讨」「在当今快速发展的时代」、无意义的三点式排比、每段结尾强行升华等可被模式识别的 AI 写作痕迹。与 humanizer 的生成时约束不同,它是事后清理器——输入一篇 AI 草稿,输出去掉套路化表达的干净文本。一周 +2,134,基数 1 万星出头,属于快速上升期的新项目。

🔍 同类对比

  • vs blader/humanizer:humanizer 挂载 Agent 前置干预,no-ai-slop 独立工具后置清理;流程上先 humanizer 生成、再 no-ai-slop 清理是当前社区推荐组合
  • vs LLM 二次改写(让 AI 自己删 AI 味):LLM 改写会引入新内容和事实漂移风险;模式删除只做减法不改事实,对数据类报告更安全
  • vs 人工修改:20+ 模式的机械匹配毫秒级完成,人工改一篇 3000 字报告至少半小时;但模式匹配不懂业务语境,专业表述仍需人审

🎯 与你/mimocode 的关联

  • 你有明确的「长结果用文件交付」场景:品类周报、找货项目复盘、爆款汰换汇报、外部信息监控摘要——这些报告的数据部分可信,但 LLM 研判段落常带 AI 腔,no-ai-slop 可以作为报告生成流水线的最后一道清理工序
  • mimocode「定时AI信息获取」系列任务(daily-intel-scan、药师帮监控)的推送文案面向企微群,推送质量直接影响业务同事的阅读意愿
  • 接入建议:纯 Python 工具,可以直接加进 ysbang-weekly-report skill 的生成流程,作为 HTML 报告文案的最后一步
JavaScript
营销技能集 增长工程
↑ +1,391/周(对比上周报告 49,649) ⭐ 51,040 🍴 7,730
面向 Claude Code 和 AI Agent 的营销技能集,覆盖 CRO(转化率优化)、文案写作、SEO、数据分析、增长工程五大方向。上周曾以 +13,164 爆发上榜,本周回落至 +1,391(49,649→51,040),进入平稳期。它是「职业技能化」方向的代表——不是教 Agent 写代码,而是教 Agent 干运营的活。

🔍 同类对比

  • vs every-app/open-seo(上周上榜):open-seo 是开源 SEO 工具产品(对标 Semrush),marketingskills 是教 Agent 做营销的技能集;前者给工具,后者给方法论
  • vs anthropics/knowledge-work-plugins:knowledge-work-plugins 面向通用知识工作(文档/会议/研究),marketingskills 专注营销增长单一职能,专业深度更高
  • vs 通用 LLM 直接做营销文案:Skill 的价值在于内置了 CRO/SEO 的评估标准,让 Agent 产出可被营销指标衡量,而非泛泛的「好文案」

🎯 与你/mimocode 的关联

  • 你的岗位本质是药品品类和活动运营——转化率优化(CRO)方法论可以直接映射到药师帮的活动页转化、补贴活动 ROI 分析;mimocode「百万商业/十万商业自动补贴」的补贴率计算(cal_subsidy)就是增长工程的定价侧实践
  • mimocode「药师帮知识库 | 优化Vue海报功能」新增连锁拼团模板,营销 Skill 的文案与转化方法论可参考用于海报卖点文案生成
  • 建议:重点看 CRO 与数据分析两个模块,跟你的「数据分析方法论」记忆规则(阈值基于数据分布定、占比分析看异常值)互补——它提供营销侧的指标框架,你已有数据侧的严谨性
策展目录
Skill 目录 1000+ 技能
🔥 GitHub Topics 9/20 热榜 · 周增未单独公开 ⭐ 34,669 🍴 3,691
1000+ Agent 技能的策展合集,收录来自官方开发团队和社区的技能,兼容 Claude Code、Codex、Gemini CLI、Cursor、Hermes Agent 等主流平台。目录里可以看到 Skill 生态的全貌:从模型路由(zscole/model-hierarchy-skill 按任务复杂度做成本优化路由)、前端品味(Leonxlnx/taste-skill 反通用 UI)、测试自动化(testdino-hq/playwright-skill 70+ 生产级模式)到 Rootly 的 AI 事件响应。本周出现在 GitHub Topics 与 Trendshift 双热榜。

🔍 同类对比

  • vs addyosmani/agent-skills:addyosmani 是一人精选(深度),VoltAgent 是千人策展(广度);目录类项目的价值在检索,深度类项目的价值在质量
  • vs anthropics/skills:官方库只收 Anthropic 系,VoltAgent 跨平台跨厂商收录,对用非 Claude 模型的用户(比如你的 mimo-v2.5)更实用
  • vs GitHub Topics/skills 话题页:话题页是算法聚合无质量筛选,awesome-agent-skills 有人工策展和分类;找 Skill 的起点应该是它

🎯 与你/mimocode 的关联

  • 你的 Hermes 技能库已有 100+ skills(ysbang 系列、数据分析、devops 等),这个目录可以作为补充技能的检索入口——尤其是你还没有覆盖的领域:目录里的「数据库迁移类」「测试类」Skill 对药师帮 Python 项目(现在零测试)是空白区
  • mimocode 在做「从本地多个 opencode 项目提取 skill 和 Agent 配置统一归档」的工作——这个目录的分类体系(按职能/按平台双维度)值得参考作为归档结构
  • 目录中 zscole/model-hierarchy-skill(按任务复杂度做模型路由以优化成本)与你 llm-model-comparison skill 里的模型路由实践方向一致,可对比它的路由维度设计
Skill 集合
Obsidian 技能 知识管理
🔥 GitHub Topics 9/20 热榜 · 周增未单独公开 ⭐ 48,679 🍴 3,469
Obsidian 官方 CEO(kepano 本人维护)发布的 Agent 技能集:教你的 Agent 使用 Obsidian CLI 和开放格式——Markdown、Bases(结构化数据视图)、JSON Canvas(画布)、defuddle(正文提取)等。近 4.9 万星,是「笔记软件 × Agent」方向的标杆项目。它的意义在于:把个人知识库变成 Agent 可读写的资产,而不是只能人肉翻阅的存档。

🔍 同类对比

  • vs 通用文件读写(Agent 直接 read/write md 文件):直接读写不懂 Obsidian 的双链、frontmatter、Bases 语法,容易写出破坏库结构的文件;这个 Skill 教的是「格式语义」而非「文件操作」
  • vs Notion MCP/Skill:Notion 数据在云端受 API 限制,Obsidian 数据是本地纯文本,Agent 操作更快更可控;你的服务器环境本地方案更友好
  • vs 药师帮自建知识库方案:mimocode 正在做的「AI生成SQL指南」是把飞书文档知识喂给 AI,obsidian-skills 展示了另一种范式——知识直接存在 Agent 可操作的开放格式里

🎯 与你/mimocode 的关联

  • 你的 Hermes 已装 obsidian skill(note-taking 分类),可以对照这个上游官方版升级——特别是 Bases 结构化视图部分,对「工作项分类归档」(你的 session-librarian 场景)有直接帮助
  • mimocode「药师帮知识库 | AI生成SQL指南」已消化飞书 SQL 知识(硬约束、默认口径、表结构、枚举值),如果迁移到 Obsidian 开放格式存储,Agent 读写不再依赖飞书 API 权限——你经历过飞书 OAuth token vs tenant token 的坑,开放格式能绕开这类问题
  • mimocode「AI进化历程展示系统」「Hermes每周六自动备份至GitHub」都在处理「AI 资产持久化」,Obsidian 纯文本库天然适配 GitHub 备份
Python
知识工作插件 Claude Cowork
↑ +1,034/周 ⭐ 25,269 🍴 3,005
Anthropic 官方开源的知识工作者插件库,主要面向 Claude Cowork 场景:文档处理、会议、研究等非编码工作流。这是 Anthropic 官方对「Agent 不只是写代码」的表态——把 Skill 生态从开发者扩展到运营、分析师、行政等知识工作人群。本周 +1,034,稳步增长。

🔍 同类对比

  • vs marketingskills:marketingskills 深耕营销单一职能,knowledge-work-plugins 覆盖通用知识工作场景;官方出品格式规范更标准,社区出品垂直深度更强
  • vs 你现有的 Hermes 技能(meeting-action-items、document-to-action-items、weekly-review-planning):功能高度重叠——你的技能库已经在做同一件事,且更贴你的飞书/企微工作流
  • vs office 类 MCP 工具:MCP 工具提供操作能力(读写文档),插件库提供工作流方法论(如何处理会议/研究),两者是能力与流程的关系

🎯 与你/mimocode 的关联

  • 最有参考价值的是它对「知识工作流」的拆解方式——mimocode「杂物处理 | 总结TAPD需求内容」(大单询价补贴规则改造)、「需求梳理工具开发 | grill 项目动态决策树」都是知识工作流场景,可以对照它的插件划分优化你的 skill 分类
  • 你的飞书云文档集成(mimocode「读取飞书云文档列表」「飞书文档读取」已走通 lark-cli)+ 这类知识工作流插件 = 官方 Claude Cowork 的自建版,且数据不出内网
  • 结论:你的技能库已覆盖大部分功能,浏览其工作流设计即可,无需整体引入
🛠

AI 工具链

核心领域
Go
代码审查 混合架构
↑ +15,028/周 👑本周增长王 ⭐ 38,281 🍴 2,729
阿里巴巴开源的代码审查工具,本周 GitHub 周榜增长王(+15,028)。核心卖点是混合架构:确定性 pipeline + LLM Agent——确定性部分负责能在阿里规模(海量仓库、PB 级代码)下稳定运行的静态规则与流水线调度,LLM Agent 只负责需要理解语义的部分,输出精确到行级的评论。内置多语言规则集:NPE(空指针)、线程安全、XSS、SQL 注入等生产事故高发模式。兼容 OpenAI 与 Anthropic 两种模型接口,不锁定供应商。「在阿里自身规模下战斗验证」+ 大厂开源背书,是它一周暴涨的核心原因:LLM 审查幻觉多、纯规则审查理解力差,混合架构正好补上两边的短板。

🔍 同类对比

  • vs GitHub Copilot Code Review:Copilot 深度绑定 GitHub 平台与订阅,open-code-review 开源可私有化部署、规则集可自定义;但开箱体验和 IDE 集成不如 Copilot 顺滑
  • vs 纯 LLM 审查(直接让模型看 diff):纯 LLM 方式幻觉率高、结论不可复现;它用确定性 pipeline 兜底,同样的问题每次给出一致结论,LLM 只补语义层
  • vs SonarQube 等传统静态扫描:SonarQube 规则强但不懂业务语义,误报多到被忽略;它的 LLM 层能理解「这段改动想干什么」,行级评论更可执行

🎯 与你/mimocode 的关联

  • 本周最高价值项目:mimocode「内部使用/」模块已积累 23,615 行爆款筛选自动化脚本,且 set_price.py / filter_set_price.py 这类自动调价脚本直接读写药师帮生产库——目前没有任何代码审查环节,一行 SQL 或内存逻辑错误直接影响线上药品价格
  • mimocode 近期大量工作是性能优化(cal_provider_price 10万行数据从5分钟优化、upload_pintuan_wholesale 循环改批量、AdminDashboard 全托管供应商查询优化),优化前后行为一致性目前靠合成数据人工验证,open-code-review 的确定性规则层可做这类回归检查
  • 接入建议:先对「百万商业/十万商业自动补贴」「供应商分析项目/销量预测API」两个写生产库的模块跑一遍,SQL 注入与 NPE 规则集开箱即用;Go 单二进制对宝塔服务器无依赖压力
Python
文档转换 LLM 数据预处理
↑ +2,767/周 ⭐ 185,907 🍴 13,686
微软开源的 Python 文档转换工具:把 PDF、Word、Excel、PPT、图片等文件和 Office 文档统一转成 Markdown。它的定位早已超越「格式转换器」——在 LLM 工作流里,它是万物进模型前的统一入口:任何格式的资料先转 Markdown,再喂给模型处理,token 消耗可预测、结构不丢失。18.6 万星,本周 +2,767,持续稳定增长,是 AI 数据预处理管线的事实标准组件。

🔍 同类对比

  • vs docling-project/docling(IBM):docling 在版面分析和表格还原上更强,markitdown 胜在轻量、API 简单、微软维护的更新节奏;简单批量场景用 markitdown 更快
  • vs pymupdf/marker-pdf(你已装):你的 ocr-and-documents skill 里 marker-pdf 对扫描件效果更好,markitdown 对原生 Office 格式支持更全;两者互补
  • vs 直接让 LLM 读文件:多模态模型可以直接读 PDF 但 token 成本高、页数受限;markitdown 预处理后成本低一个数量级,且可缓存复用

🎯 与你/mimocode 的关联

  • 外部信息监控(ext-monitor.ysbang.top):你的四个信息源(Pharmacy Times、摩熵医药、国家医保局、医药网)产出大量 PDF 公告和文档——医保局政策文件、药监局召回通知多为 PDF,markitdown 是采集后转文本环节的可靠选择
  • mimocode 的文档型任务高频出现:「杂物处理 | 总结TAPD需求内容」「数据需求文档完善(提交大数据部门)」「AI专题作业」「招聘面试简历分析」——全部是「多格式文档→AI 理解」链路
  • Hermes 侧你已在用 anydoc/自研转换,markitdown 的价值在于 Office 格式(Excel 数据字典、Word 需求文档)转换的稳定性,可作为兜底转换器接入
Rust
研究 Agent 情报收集
↑ +940/日(9/20 GitHub 日榜) ⭐ 5,490 🍴 337
alphaXiv(arXiv 论文社区)出品:「把你的编码 Agent 变成研究 Agent」。从一个想法出发,自动完成文献检索、证据收集、交叉验证,产出「paper-ready evidence」(可直接写进论文级别的证据材料)。Rust 编写,性能导向。项目较新(2026-06 创建),本周登上 GitHub 日榜(日增 +940),总星 5,490,属于早期爆发阶段。它代表的趋势:Agent 的战场从「写代码」扩展到「做研究」,核心竞争力是证据链的可信度而非文笔。

🔍 同类对比

  • vs GPT/Deep Research 类产品:闭源产品体验好但数据出内网、按订阅收费;OpenResearch 开源可自部署,证据链透明可复查
  • vs agent-reach(你在用):agent-reach 是「信息采集层」(搜索+读取多平台内容),OpenResearch 是「研究流程层」(检索→验证→成文的完整链路);前者产出原始信息,后者产出研究结论
  • vs 让 LLM 直接总结:直接总结无出处不可信;它强调 evidence 的可引用性,与你记忆里的 grounded-citations 原则(信息必须可溯源)同路

🎯 与你/mimocode 的关联

  • 你的「定时AI信息获取」体系(daily-intel-scan、品类周报自动搜索行业信息)目前是「搜索→过滤→推送」,缺「交叉验证」环节——你定过规则「信息必须具体到药品通用名」「出口信息过滤」,这类规则本质上就是在人肉做证据筛选
  • mimocode「药品自动复盘功能 | 必洛斯断供调查」是典型研究型任务:从断供现象出发查原因、建监控机制——OpenResearch 的流程设计可参考用于这类调查任务
  • 注意:Rust 项目部署轻量,但它面向学术证据场景,医药行业信息(医保政策、集采信息)接入需要自定义数据源,参考其方法论比直接部署更有价值
C
推理引擎 NVMe 流式推理
🔥 Trendshift 热榜 · 周增未单独公开 ⭐ 2,434 🍴 186
依赖为零、可嵌入的 C 语言推理引擎:让 2.78 万亿参数的 Kimi K3、DeepSeek V4.1 Flash、GLM-5.3-Flash 这类超大模型超越物理内存运行——把激活的专家权重直接从 NVMe SSD 流式加载。核心技术是 MoE(专家混合)模型只激活部分专家的特性,配合磁盘流式,25GB 内存的消费级机器就能跑 744B MoE 模型。项目 2026-07 创建,本周登上 Trendshift 热榜,属于「本地推理极限化」方向的代表作。

🔍 同类对比

  • vs llama.cpp(你装过 llama-cpp skill):llama.cpp 生态成熟、量化格式丰富,但大模型仍需权重整体放得下内存/显存;warp 的 NVMe 流式专攻「放不下」的场景,两者是互补关系
  • vs vLLM 等 GPU 推理框架:vLLM 面向高吞吐服务化部署(需 GPU 资源),warp 面向无 GPU/小内存环境的嵌入式推理;你的服务器没有 GPU,方向不同
  • vs 纯 CPU 量化方案:量化是压缩权重换内存,warp 是流式换磁盘 IO;对 MoE 架构模型流式方案精度损失更小

🎯 与你/mimocode 的关联

  • 诚实评估:当前不适合你的服务器。宝塔服务器 3.6-4GB 可用内存、且已被 Work Dashboard(8501)、稀缺品种 API(8503)、市占率模拟(8506)、Hermes Gateway 等服务占满,NVMe 流式推理的磁盘 IO 压力会直接影响现有 API 响应
  • 但它的思路与你的记忆规则「服务器内存紧张,LSP 进程用完必须 kill」同源:把不活跃的数据放到更慢但更大的存储层——你处理 Hermes state.db 242MB 内存压力、mem0 云端化时,用的是同一个原理
  • 如果未来 MiMo Desktop 端(Windows 新电脑)想本地跑模型配合 mimocode,warp 值得关注——Windows 端内存和磁盘条件比云服务器好
🔌

MCP 生态

核心领域
TypeScript
浏览器自动化 CLI + 扩展
↑ +2,336/周(9/14 3,857→9/21 6,193) ⭐ 6,193 🍴 443
腾讯出品:「让 AI Agent 使用你真实的、已登录的浏览器,而不打断你的工作」。形态是 CLI + 浏览器扩展,适配任何支持 shell 的 AI Agent。核心价值在于复用登录态——Agent 操作的是你日常使用的那个浏览器会话,cookie、session 全部现成,不需要模拟登录或维护账号池。本周从 3,857 星涨到 6,193(约 +2,336),腾讯 Xiaowei 团队维护,更新活跃(push 至今)。

🔍 同类对比

  • vs Playwright/Puppeteer:无头浏览器框架需要自己注入 cookie、处理登录风控;BrowserSkill 直接复用真实登录态,对有反爬和登录风控的站点(如药师帮后台)是本质区别
  • vs Hermes 内置浏览器自动化(browser-use):Hermes 的浏览器是 Agent 独立会话,同样面临登录态问题;BrowserSkill 的模式是「借用户的浏览器」,风控风险更低
  • vs 各类 stealth 反检测浏览器:反检测方案(如 trendshift 上的隐身浏览器项目)走对抗路线,账号风险高;BrowserSkill 走「真实用户会话」路线,行为与人操作无异

🎯 与你/mimocode 的关联

  • 直接命中 mimocode 进行中的任务:「定时AI信息获取 | 你能帮我做一个定时,每天自动登录'某网站'获取信息」——如果目标网站有登录和风控,这个方案比爬虫模拟登录更稳
  • 你有真实的风控痛点:mimocode「yjj账号登录风险提示触发条件分析」在排查「异地或多设备频繁登录触发账号风险提示」的 JS 逻辑——爬虫式登录正是触发源,复用真实浏览器会话能从根上减少这类触发
  • mimocode 药师帮 Python 项目里的「自动上架、爬虫」模块长期与平台反爬打交道(医药网需 HW_CHECK cookie 绕反爬),腾讯这个项目的思路值得纳入技术选型评估
TypeScript
MCP + Hooks 上下文优化
↑ +1,359/周 ⭐ 23,755 🍴 1,714
AI 编码 Agent 的上下文窗口优化工具。三大能力:① 把工具输出沙箱化,宣称减少 98% 的上下文占用(工具返回的大段日志/文件内容不再直接塞进对话);② 会话记忆持久化(跨会话保留上下文);③ 通过 MCP + hooks 在 17 个平台间强制路由(不同任务分发到不同 Agent/模型)。本周 +1,359,2.4 万星。它解决的是 2026 年 Agent 使用的真实瓶颈:不是模型不够聪明,而是上下文被垃圾信息吃光。

🔍 同类对比

  • vs ECC 的 memory 模块:ECC 从「记忆管理」角度优化上下文,context-mode 从「工具输出压缩 + 路由」角度切入;ECC 是系统级方案,context-mode 是工具级方案
  • vs 手动控制输出(你在用的 search_files limit、read_file 分页):你现在靠 Agent 自觉控制读取量(工具默认截断 + 分页),context-mode 把这层控制做成了强制机制,不依赖 Agent 自觉
  • vs 模型侧长上下文(1M token 模型):长上下文是「扩大容器」,context-mode 是「减少垃圾」;后者成本更低且对所有模型有效

🎯 与你/mimocode 的关联

  • 你的实际痛点完全对得上:「用户纠正:分析不熟悉的业务脚本时不要直接运行」「对话上下文消耗查询」、mimocode「药师帮项目mimocode速度问题」——上下文过载既拖慢响应又烧 token 额度(你写过 token 报销申请材料)
  • mimocode 药师帮代码库动辄单文件数百行(四川优势品种复盘脚本 723 行、爆款筛选 2.3 万行总量),AI 每次读库都会产生大量工具输出——「98% 工具输出沙箱化」如果属实,token 节省直接可量化
  • 它的「17 平台路由」能力与你的 Hermes 多模型路由(llm-model-comparison skill 里记录的 t/s 基线和模型选择策略)方向重叠,可对比谁的路由维度更实用
TypeScript
MCP 集成 自托管 Chat 平台
↑ +1,573/周 ⭐ 44,472 🍴 9,133
功能增强版 ChatGPT 克隆,开源可自托管。支持 Agents、MCP、Skills、DeepSeek、Anthropic、OpenAI、Azure、Groq、GPT-5、Mistral、OpenRouter、Vertex AI、Gemini 等几乎所有主流模型供应商,集成 Artifacts、AI 模型切换、消息搜索、代码解释器、langchain、DALL-E-3、OpenAPI Actions、多用户安全认证、预设系统。定位是「团队级 AI 工作台」:一个部署,全公司共用,模型随意切。本周 +1,573,项目持续活跃维护。

🔍 同类对比

  • vs Open WebUI(你用过):两者都是自托管 Chat 平台;LibreChat 的 MCP/Skills/多供应商路由更激进,Open WebUI 的本地模型(Ollama)集成和社区插件生态更成熟
  • vs Hermes Gateway + 飞书/企微:你现在的方案是「Agent 直连消息平台」,LibreChat 是「Web 工作台 + 多用户」;前者个人自动化强,后者团队协作和权限管理强
  • vs lobehub:lobehub 主打「Agent 运营编排」(雇 Agent 干活),LibreChat 主打「统一聊天入口」(人用 AI);面向的问题不同

🎯 与你/mimocode 的关联

  • 你提交过「公司 AI 场景提报的部门填报」(整理自动调价、毛利调整、销量预测等团队 AI 实践)——如果公司层面要推广 AI 工具,LibreChat 是「给团队一个统一 AI 入口」的成熟开源选项,支持多用户权限管理
  • 现实约束:你的服务器 3.6GB 内存已捉襟见肘,再部署一个 Node 全家桶平台不可行;真要用需要独立实例或公司资源
  • Hermes 侧你已有微信/飞书双渠道,个人工作流无缺口;LibreChat 的参考价值在「药师帮知识库」如果要给业务同事提供 AI 查询入口时的产品形态
📊

数据/监控

个性化推荐 · 对应外部信息监控 + 稀缺品种项目
JavaScript
空间情报 3D 可视化
↑ +10,207/周 ⭐ 39,300 🍴 7,948
「浏览器里的间谍卫星模拟器——只不过数据是真实的」。基于真实开源空间情报数据,在照片级真实感的 3D 地球上实时展示全球动态情报。项目本周 +10,207,是数据可视化方向的爆款。技术栈为 JavaScript/WebGL,开源数据 + 3D 地球的组合让「地理数据讲故事」的门槛大幅降低。它证明了一件事:数据可视化的核心竞争力不是图表库,而是数据叙事的空间化表达。

🔍 同类对比

  • vs Kepler.gl/Deck.gl(Uber 系地理可视化):Kepler 是专业 GIS 可视化工具箱,灵活但需要数据工程能力;gods-eye-view 是开箱即用的叙事产品,展示效果强但定制性弱
  • vs ECharts 地图(你在用):你的稀缺品种报告用 ECharts 省份地图,胜在轻量可控;gods-eye-view 的 3D 地球视觉冲击力强,但对服务器和浏览器性能要求高
  • vs 纯表格/卡片看板:空间化展示对「省份维度分布」类数据有天然表达优势,但精确数值查阅仍需表格配合——你的看板做法(地图+表格双视图)是对的

🎯 与你/mimocode 的关联

  • 直接对应你的稀缺品种项目:「平台稀缺品种」核心产出就是省份维度的稀缺地图与线索分(销量+库存)×省份权重×上架难度,归一化 0-500,页面 ysbang.top/scarcity——gods-eye-view 的空间叙事手法可以给你的省份特有稀缺品种数、边远省份剔除逻辑提供更直观的可视化表达
  • mimocode「潜力商业识别页面」(potential_provider_drugs 单表、供应商省份覆盖)和「稀缺品种合作管理页面」(Vue+Django CRUD)如果要向业务方汇报,3D/空间化展示比表格更有说服力
  • 务实建议:不必整体引入,参考它的视觉设计(光效、省份高亮、数据浮层),用 ECharts/现有技术栈实现轻量版即可——你的服务器跑不动 WebGL 重度渲染
Python
信息采集 多平台 CLI
↑ +3,914/周 ⭐ 83,776 🍴 7,343
「给你的 AI Agent 一双看整个互联网的眼睛」——一个 CLI 读取和搜索 Twitter、Reddit、YouTube、GitHub、Bilibili、小红书,零 API 费用。8.4 万星,本周 +3,914,上游持续活跃开发。它是「Agent 信息采集层」的代表性项目:不要求每个平台申请 API key,用统一的 CLI 接口把多平台内容拉进 Agent 工作流。

🔍 同类对比

  • vs web_search/web_extract(Hermes 内置):通用搜索对特定平台(小红书、B站)覆盖差——你定过规则「搜索特定平台必须用 Agent Reach,web_search 不能替代」;上游修复进度直接影响你的小红书 MCP(18060) 和 B站采集可用性
  • vs 各平台官方 API:官方 API 稳定但有配额和费用(你踩过 Exa 免 key 方案失效的坑);agent-reach 零费用但依赖页面结构,平台改版就会坏
  • vs 爬虫自研(医药网 HW_CHECK 绕反爬):自研爬虫可控性强但维护成本高;agent-reach 覆盖平台广但对医药垂直站点无能为力——你的 ext-monitor 四信息源仍需自研采集

🎯 与你/mimocode 的关联

  • 你正在用且正在修:mimocode 进行中任务「验证更新后agent-reach功能——根治 Exa 搜索在 agent-reach 中失效问题」——本周上游 +3,914 星说明项目开发活跃,值得关注失效问题的修复是否已合入上游,可能省掉自研修复的工作量
  • 你的 Hermes 记忆里已配置:GitHub/YouTube/B站/RSS/小红书(mcp:18060) 均可用、Exa 经 mcporter 免 key、服务器 r.jina.ai 超时需用 web_extract——整套信息采集栈与这个项目的演进深度绑定
  • mimocode「定时AI信息获取」体系(AI 新闻日报、品类周报行业信息搜索)是其下游消费者,上游稳定性影响所有定时任务的产出质量
Go
LLM 知识平台 RAG + Wiki
↑ +4,867/周 ⭐ 27,920 🍴 3,754
腾讯开源的 LLM 知识平台:把原始文档变成三样东西——可查询的 RAG、自主推理的 Agent、自我维护的 Wiki。「自我维护的 Wiki」是核心差异点:不是一次性建库,而是知识库随新文档进入自动更新结构化条目。Go 编写,部署轻量,本周 +4,867,是继 BrowserSkill 之后腾讯本周第二个上榜项目。

🔍 同类对比

  • vs RAGFlow/Dify 等开源 RAG 平台:RAGFlow 强在文档解析深度,Dify 强在工作流编排;WeKnora 的差异化在「知识自我维护」——Wiki 自动更新减少了人工维护知识库的成本
  • vs llm-wiki(Karpathy 模式,你有 skill):llm-wiki 是手工/Agent 辅助构建的 markdown 知识库,WeKnora 是平台化自动维护;前者轻适合个人,后者重适合团队
  • vs 飞书知识库 + AI:飞书生态与你现有工作流无缝但知识消化靠人工(你经历了把 SQL 知识喂给 AI 的过程);WeKnora 自动化程度高但需要迁移知识源

🎯 与你/mimocode 的关联

  • 直接对应 mimocode「药师帮知识库 | AI生成SQL指南」:已消化飞书文档中的 SQL 硬约束、默认口径、表结构、枚举值,目标是让 AI 理解业务数据结构后自主生成 SQL——WeKnora 的「文档→RAG→自我维护」正是这个需求的产品化形态
  • mimocode「药师帮知识库」另一条线是「构建代码知识图谱(函数摘要)」并已知「前端/后端技术问题、系统性能问题」——自建系统遇到的坑(检索质量、更新机制),WeKnora 作为成熟开源方案可以对照评估
  • 现实约束:Go 编写部署轻,但完整平台仍需向量数据库等组件,4GB 内存服务器上要评估资源占用;建议先在 Windows 端(mimocode 所在新电脑)试部署评估效果
⚙️

自动化/Agent 调度

个性化推荐 · 对应 cron 体系 + mimocode/Hermes 双端协作
TypeScript
并行 Agent ADE 开发环境
↑ +5,404/周 ⭐ 73,380 🍴 4,803
「与 Agent 舰队一起工作的 ADE(Agent Development Environment)」——用你自己的订阅运行任意编码 Agent,桌面端、移动端、远程运行时三端可用。定位很清晰:当你的工作模式从「一个 Agent 对话」变成「多个 Agent 并行干活」,就需要一个类似 IDE 的调度台来看管它们。本周 +5,404,7.3 万星,是「并行 Agent 工作流」方向最火的项目。

🔍 同类对比

  • vs ruflo:ruflo 是底层编排系统(swarm、联邦学习),orca 是操作界面(ADE);orca 解决「怎么看管并行 Agent」,ruflo 解决「Agent 之间怎么协作」
  • vs max-sixty/worktrunk:worktrunk 只管 git worktree 隔离(文件层),orca 管 Agent 全生命周期(进程/会话/订阅层);两者可叠加使用
  • vs Hermes 的 subagent(delegate_task):Hermes 内置子代理调度但限定在单会话框架内;orca 是跨工具的独立调度台,支持任意 Agent 品牌混用

🎯 与你/mimocode 的关联

  • 你的现实架构就是「双端双 Agent」:云端 Linux Hermes(消息网关+定时任务+看板)+ Windows 端 MiMo Code(药师帮代码库),mimocode 进行中的「Mimocode 与 Hermes 看板数据同步」(Flask API 经 Tailscale 暴露)、「更新Windows Tailscale配置适配新电脑」都是在手工搭建自己的「双 Agent 调度台」
  • orca 的移动端远程运行时思路值得参考:你的核心诉求之一是微信/飞书随时下达指令、云端执行——你已经用 Hermes Gateway 实现,orca 展示了同类问题的另一种产品化解法
  • 结论:你的 Hermes+Tailscale 方案已覆盖核心需求,orca 作为「如果重来怎么设计」的参考;移动端管理 Agent 舰队的交互设计可以借鉴
TypeScript
Agent 运营 7×24 调度
🔥 GitHub Topics 9/20 热榜 · 周增未单独公开 ⭐ 82,714 🍴 15,908
「你的首席 Agent 运营官(Chief Agent Operator)」——把你的 Agent 团队当成一支 7×24 运营的员工队伍来管理:雇用(hire)、排班(schedule)、汇报(report)。8.3 万星,本周出现在 GitHub Topics 热榜。从早期的 LobeChat 聊天界面进化而来,现在的叙事重心完全转向「Agent 运营管理」:不是怎么跟一个 AI 聊天,而是怎么管理一队 AI 的工作排期和产出质量。

🔍 同类对比

  • vs Hermes cron 体系:你已经在运营一队「数字员工」(daily-intel-scan、品类周报、进化日志、GitHub趋势看板、ext-monitor 等十余个定时任务),Hermes 用 crontab + prompt 管理,lobehub 用产品化的 hire/schedule/report 界面管理——你走的是「脚本即员工」路线
  • vs LibreChat:LibreChat 管「人使用 AI」的入口,lobehub 管「AI 自主工作」的排班;面向的问题不同
  • vs 纯 crontab:crontab 无状态可视化、无产出汇总;lobehub 的 report 概念对应你手工做的「定时任务信息去向查询」「检查定时任务状态」等工作

🎯 与你/mimocode 的关联

  • 你有真实的「Agent 运营」管理痛点,且已经踩过坑:「定时任务信息去向查询」(把投递目标从 origin 对话改到飞书 Home 群)、「检查定时任务状态并按 token 消耗调整频次」(情报扫描从每天6次调整)、「hermes-weekly-backup 失败排查」、「flock 锁卡住」——这些全是 Agent 运营官的日常工作
  • mimocode「Hermes Office系统维护」线(token 消耗展示、cron health check 脚本修复、定时任务防重入)本质上就是在自建 lobehub 所说的 report 和 schedule 能力
  • 可借鉴点:它的「员工-排班-汇报」三元数据模型,比你现在「cron list + 手动检查」的管理方式更结构化;hermesoffice 看板如果要升级定时任务管理模块,可参考它的汇报视图设计
Rust
并行工作流 Git Worktree CLI
↑ +1,141/周 ⭐ 8,172 🍴 284
专为并行 AI Agent 工作流设计的 Git worktree 管理 CLI。解决的问题非常具体:多个 Agent 同时改一个代码库会互相踩踏,git worktree 让每个 Agent 在独立的工作目录里干活、互不干扰,worktrunk 把 worktree 的创建/切换/清理做成顺手的命令行工具。Rust 编写,本周 +1,141,8,172 星。小而专的工具,它的上榜说明并行 Agent 工作流已经普及到需要配套基建的程度。

🔍 同类对比

  • vs 手动 git worktree 命令:裸命令功能一样但容易忘记清理、分支命名混乱;worktrunk 的价值在工作流封装,Rust 实现对大仓库操作更快
  • vs stablyai/orca:orca 管 Agent 进程和会话(上层),worktrunk 管代码工作目录(底层);并行 Agent 场景两者配合使用
  • vs 不隔离直接并行:不隔离的前提是 Agent 之间零文件冲突——你的场景里 Hermes 和 mimocode 操作不同项目目录,天然隔离,这个工具的边际价值低

🎯 与你/mimocode 的关联

  • 你的多 Agent 文件冲突风险点不在 git 仓库而在共享服务器目录:/www/wwwroot 下多个看板、8503/8506 多个 API 服务、/root/hermes_files 输出目录——这些没有 git 版本管理,靠「输出到 hermes_files」的约定隔离
  • mimocode 药师帮代码库(E:\python\药师帮\)是本地目录无 git 管理(你设置过「全局规则禁止自动 Git 提交」)——如果未来把药师帮项目上 GitHub(你做过「共同搭建项目回顾」归档到 GitHub 的工作),并行 Agent 场景下 worktrunk 这类工具才有用武之地
  • 结论:当前价值低,纳入工具箱知识储备;等药师帮代码库 git 化后再评估
🗄

数据库工具

个性化推荐 · 对应 MySQL TencentDB + SQLite 技术栈
TypeScript
Postgres 平台 BaaS
↑ +1,389/周 ⭐ 110,409 🍴 14,436
「Postgres 开发平台」——为你的 Web、移动和 AI 应用提供专属 Postgres 数据库,开箱包含认证、即时 API、实时订阅、存储、Edge Functions。11 万星,本周 +1,389。它是「开源 Firebase」路线最成功的项目:把数据库从「需要 DBA 维护的基础设施」变成「开发者注册即可用的平台」。对 AI 应用场景,pgvector 向量检索的支持让它也成为 RAG 底座的热门选择。

🔍 同类对比

  • vs MySQL TencentDB(你在用):TencentDB 是托管 MySQL,成熟稳定适合核心业务数据(hermes 库、药师帮生产库);Supabase 强在应用开发配套(auth/API/实时),但换数据库引擎对存量 SQL 资产(你的 SQL 知识库、ysbang-sql skill)迁移成本高
  • vs SQLite(你在用):你的 Work Dashboard、ext-monitor、反馈系统都用 SQLite——单机零运维完全够用;Supabase 的价值在多用户并发和远程访问场景,你的看板是单管理员使用,SQLite 反而更合适
  • vs 自建 Flask API + MySQL(你的 8503/8506 模式):你已经用手写 API 实现了数据服务层,与 Supabase 自动生成 REST API 的思路同构——你的方案更贴业务但每次加字段要改代码,Supabase 模式 schema 变更即 API 变更

🎯 与你/mimocode 的关联

  • 诚实评估:不建议迁移,建议借鉴一个能力。你的 MySQL TencentDB + SQLite + 手写 API 栈已稳定服务全部业务(稀缺品种、潜力商业、市占率模拟、托管项目),迁移收益远小于风险和成本
  • 值得借鉴的是 pgvector 模式:mimocode「药师帮知识库」(SQL 知识消化、代码知识图谱)目前检索质量是痛点,Supabase 展示的「关系型数据 + 向量检索同库」架构,MySQL 侧可用 tidb/或者 SQLite 的 sqlite-vec 扩展近似实现
  • mimocode「创建优化数据库插入脚本」(calc_scarcity_score_optimized_v2 替代低效轮询插入)解决的写入性能问题,Supabase 的批量 upsert API 设计可以参考其幂等写入模式
🎨

创意/生产力

个性化推荐 · 对应 PPT/HTML 报告工作流
HTML/JS
PPT 生成 Skill 咨询方法论
🔥 Trendshift 日榜 #22(2026-09-09,JS 分类)· 周增未单独公开 ⭐ 544 🍴 49
「让 AI 制作真正专业的 PPTX」的 Claude Code Skill(日文项目)。方法论扎实:幻灯片规范(SlideSpec)+ 62 型幻灯片目录(36 型规范 + 27 型自由描述部件)+ 生成流水线 + 机械检查。它不是「AI 帮你写 PPT」的玩具,而是把咨询公司的幻灯片制作规范工程化:每种页面类型有明确的适用场景和排版约束,生成后还有机械校验环节。星标 544 刚过收录线,属于小而精的方法论项目。

🔍 同类对比

  • vs guizang-ppt-skill(你在用):guizang 走「横向翻页网页 PPT」路线(WebGL 背景、章节幕封、数据大字报),视觉冲击强;consulting-pptx-skill 走「传统 PPTX 文件 + 咨询规范」路线,产出可编辑的 .pptx 给业务场景用——两者面向不同交付物
  • vs Hermes powerpoint/docx skill(你在用):你的 powerpoint skill 提供 PPTX 读写底层能力,consulting-pptx-skill 提供的是「页面类型目录 + 质量规范」这层方法论——正好是底层能力之上缺的东西
  • vs 让 LLM 直接生成幻灯片:直接生成的页面类型随机、排版无规范;62 型目录 + 机械检查把「好看」变成「合规」,这对反复汇报的标准化场景价值最大

🎯 与你/mimocode 的关联

  • 你有明确且反复的 PPT 场景:AI 提效分享 PPT(mimocode「AI分享PPT-20260728」15页迭代多轮对齐)、「AI专题作业」报告、品类运营汇报——你定的流程规则「先写 md 内容文档对齐,确认后再做 PPT」正是这个 Skill 所说的「生成流水线」的前半段
  • 你的 PPT 偏好已沉淀(dark 深靛蓝统一背景、署名黄振杰、三方运营中心、输出到 /hermes_files/ppt-ai-share/)——相当于你已经有了自己的「SlideSpec」,这个项目的目录化组织方式(36 型规范分类)可以帮你的偏好从记忆条目升级为结构化模板库
  • 建议:项目文档是日文,但结构清晰;值得把它的「页面类型目录 + 机械检查」思路合并进你的 PPT 工作流 skill,特别是「数据大字报」「对比表格」这类品类汇报高频页面类型
TypeScript
HTML→视频 Agent 视频生成
↑ +2,498/周 ⭐ 51,891 🍴 4,726
HeyGen(AI 数字人视频公司)开源:「写 HTML,渲染成视频,为 Agent 而生」。思路是用 Agent 最擅长的 HTML/CSS 作为视频创作的中间层——Agent 写 HTML 动画,hyperframes 负责渲染成视频文件。5.2 万星,本周 +2,498。这个项目代表了 Agent 内容生产的一个分叉:不是让 AI 直接生成视频(质量不可控),而是让 AI 生成可控的 HTML,再确定性地渲染成视频(质量可保证)。

🔍 同类对比

  • vs MoneyPrinterTurbo(34周上榜 +10,953):MoneyPrinterTurbo 走「文案→素材拼接→成片」的全自动化路线,产出快但同质化;hyperframes 走「代码即动画」路线,每一帧可控,适合数据类内容
  • vs 直接 AI 生成视频(Sora/veo 类):生成式视频不可复现、数据不能精确呈现;hyperframes 用 HTML 渲染,图表数值精确——对数据报告场景是本质优势
  • vs ascii-video skill(你技能库里有):ascii-video 是风格化艺术视频,hyperframes 是通用 HTML 动画渲染;你的数据报告场景更需要后者

🎯 与你/mimocode 的关联

  • 你的工作流已经重度 HTML 化:品类运营周报(ysbang-weekly-report skill,HTML 报告发布到网站+企微推送)、GitHub 趋势看板(本周这个报告本身)、找货项目复盘(HTML 可视化报告)、数据平台看板系列——这些 HTML 报告都是 hyperframes 的潜在输入源
  • 具体想象一个场景:品类周报的「省份稀缺分布」「爆款汰换结论」等关键页面渲染成 15-30 秒短视频,推送到企微群/飞书——业务同事不用点开长报告就能看到核心数据变化
  • 务实建议:先观望,你的报告消费场景以「网页查看+截图推送」为主(本周看板也是截图发飞书),视频化是锦上添花而非当前瓶颈