14
收录项目
8
覆盖板块
+54,830
本周星标增长(12 个有公开周增数据项目合计)
567K
总星标数
💡 本周洞察:三条主线。第一条是 「Agent 记忆」二次爆发:vectorize-io hindsight(41k⭐,+15,537/周,本周增长王)上周 +7,282 本周直接翻倍——「会学习而不只是会回忆」的 retain / recall / reflect 三段式 + 心智模型,正在把这个赛道从「能存」推到「能长」;同周 akitaonrails/ai-memory(Rust,+1,110 新上榜)打出另一个切面:跨厂商 agent CLI 的记忆交接(handoff)。你 mimocode 里 mem0 的三连坑(「mem0 中文写入 UTF-8 编码错误」「Hermes Bot Mode 记忆隔离」「mem0 配置文件位置隔离」)正是这两家在解的问题。第二条是 「Agent 公司化」加速:paperclip(93k⭐,+10,518,上周 +5,376 翻倍)继续领跑 Agent 管理台,Trendshift 实时榜上「Chief Agent Operator」类(lobehub,82.9k⭐)和「Agent 审计」类(iFixAi)持续上位——组织、排班、汇报、审计,Agent 正在被当成真正的员工体系来管。第三条是 行业垂类模板沉淀:Anthropic financial-services(38k⭐,+2,381)连续第二周在榜,纯 Markdown/YAML 的「行业工作流 Agent + Skill + 数据连接器」打包方式已经定型,这就是药师帮品类运营/找货/补贴工作流该抄的交付格式。另外两条支线值得注意:腾讯双发(WeKnora 自维护知识 Wiki +2,509 / Octop 多用户自托管助手 +970),以及 VoiceStudio(+7,972,全本地语音创作全家桶)的爆发。Trendshift 侧的信号:Rust 写的「AI Agent 专用浏览器」登顶、本地推理一键安装包上榜、「跨会话持久上下文」工具(明确支持 Hermes)在榜——Agent 基建正在往「眼睛(浏览器)+ 脑子(记忆)+ 手脚(CLI)」三个方向收敛。
🤖

AI Agent 框架

核心领域
TypeScript
Agent 管理台 组织化调度
↑ +10,518/周 ⭐ 92,814 🍴 15,893
「The open-source app everyone uses to manage agents at work」——开源的 Agent 公司管理台:把 AI Agent 当员工来管,提供组织架构、任务分发、预算/用量控制、目标对齐和审批流。它回答的问题不是「怎么让 agent 干活」,而是「agent 干的活怎么被管理」:谁(哪个 agent)在做什么、花了多少 token、产出对不对齐目标、哪些操作需要人批。本周 +10,518,比上周的 +5,376 直接翻倍,总星标 92,814,是「Agent 管理/治理」赛道星标最高的独立项目,TypeScript 全栈实现。趋势信号很明确:当一个团队的 agent 数量超过 3 个,管理面就会从「奢侈品」变「必需品」。

🔍 同类对比

  • vs stablyai/orca(同榜):orca 管「干活的舰队」(任务级并行、diff/review 操作面),paperclip 管「运营一家公司」(组织架构、预算、目标对齐管理面);一个让你看今天的 diff,一个让你看这个月 agent 花得值不值
  • vs lobehub/lobehub(同榜,Chief Agent Operator):lobehub 打「7×24 运营值班」(招聘/排班/汇报,对话式入口),paperclip 打「公司治理结构」(预算+审批+目标分解);前者像 COO 值班室,后者像财务+OKR 系统
  • vs 人肉 crontab + 多 agent 脚本(你现在的做法):你现在 Hermes cron + mimocode 双端跑任务、手工在 hermesoffice 看 token,本质是 paperclip 的人肉版;paperclip 的用量/预算/审批视图是这套人肉流程的产品化,但对 2-3 个 agent 的规模属于杀鸡用牛刀

🎯 与你/mimocode 的关联

  • 你和 mimocode 正在做的「整合 mimocode 到 hermesoffice 看板」「Mimocode 与 Hermes 看板数据同步」(Windows Flask API + Tailscale 同步 session/token 数据)就是一个小型 paperclip——它的组织架构/任务面板/预算视图可以直接当交互参考,省得自己发明
  • mimocode「获取对话真实token消耗」(从 state.db 聚合 token 展示到前端)对应 paperclip 的预算治理模块;它把「用量→成本→归因」做成闭环的做法值得抄,你目前只到「展示」这层
  • 注意规模匹配:它是给「几十上百个 agent 的团队」设计的重型方案,你双端(Hermes + MiMo Code)规模用不上全套,参考交互即可,不必引入部署
TypeScript
多 Agent 编排 并行调度
↑ +6,151/周 ⭐ 80,721 🍴 5,257
「并行 Agent 舰队的 ADE(Agent Development Environment)」——Orca 的定位不是又一个编码 Agent,而是「同时指挥一群编码 Agent」的工作台:把你已有的编码 Agent(Claude Code、Codex、MiMo Code 等,用你自己的订阅)挂进来,在一个界面里并行开任务、看 diff、做 review,桌面端 + 移动端 + 远程运行时三种形态都有。连续三周在榜(前两周 +5,404、+6,503),本周 +6,151,增速稳定,总星标 80,721,是「多 Agent 并行」赛道星标最高的独立项目。它解决的问题很具体:单个 Agent 再强,人还是瓶颈——Orca 把人的角色从「打字员」变成「调度员 + 审核员」。

🔍 同类对比

  • vs paperclip(同榜):Orca 管「干活的舰队」(任务级并行、diff/review 工作流),paperclip 管「运营一家公司」(组织架构、预算、目标对齐);Orca 贴近日常开发操作面,paperclip 贴近管理面,二者不冲突可叠用
  • vs Git worktree 手动并行:worktree 方案零依赖但全靠人盯,Orca 直接给可视化调度台 + 远程运行时,代价是多一个常驻服务和学习成本
  • vs Claude Code 单体会话:单体强在深度上下文和复杂重构,Orca 强在吞吐量(多个独立任务同时推进);「一个巨型重构」选单体,「一批独立小任务」选 Orca

🎯 与你/mimocode 的关联

  • mimocode 代码库里有大量「互不依赖的批处理任务」正是 Orca 场景:平台稀缺品种(calc_scarcity_score_optimized_v2.py / calc_clue_score.py 线索分)、找货项目数据复盘、爆款品种汰换(25 淘汰 + 29 新增分析)这类可以开一个舰队并行跑
  • 你的多 Agent 现状是「Hermes(Linux 云端)+ MiMo Code(Windows 端)」人肉调度,mimocode「整合 mimocode 到 hermesoffice 看板」就是在自建简版调度台——Orca 的任务分发 + 统一 review 交互可做参考原型
  • 服务器只有 4GB 内存(「内存优化防重入」的教训),Orca「重活放桌面端/远程运行时、轻调度」的架构反而合适;但 MiMo Code 能否挂进 Orca 需要验证
Python
自托管助手 多用户多Agent
↑ +970/周 ⭐ 5,523 🍴 676
腾讯云出品的自托管 AI 助手,主打 multi-user + multi-agent:一台部署、多用户共享,每个用户有自己的 agent 团队和会话空间;自托管意味着数据不出内网。「A smarter, self-hosted AI assistant」——smarter 体现在多 agent 协作(不同 agent 分管不同职能互相调用),self-hosted 体现在企业数据合规。本周 +970 新上榜,星标基数还不大(5,523)但背后是腾讯云的工程团队,属于「大厂下场做自托管 agent 底座」的信号型项目。

🔍 同类对比

  • vs paperclip / lobehub:Octop 走「自托管 + 多租户」路线(数据不出内网),后两者走「工作台/运营」路线;对数据敏感的企业,Octop 的合规牌是杀手锏,但管理面没前两者丰富
  • vs Dify / FastGPT:那些是 LLM 应用平台(工作流 + RAG 优先,agent 是其中一环),Octop 是「agent 组织优先」(多 agent 团队 + 多用户空间优先);建问答应用选前者,建 agent 团队选后者
  • vs Hermes Bot Mode:Hermes 多 bot 共享外部记忆要做隔离(你踩过「Hermes Bot Mode mem0 兼容性问题」),Octop 从架构层就有多用户隔离设计——这正是「单人工具」和「团队产品」的分水岭

🎯 与你/mimocode 的关联

  • 如果药师帮要给品类运营团队铺 AI 助手(你已经在做「AI 使用场景总结」提报),「多用户 + 自托管 + 数据合规」是绕不开的需求,Octop 是候选底座之一,值得放进技术选型观察清单
  • 但迁移成本高:你现有 Hermes 体系(Work Dashboard / 外部监控 / cron / mem0)已经稳定运转,不建议换底座;把 Octop 当「团队化扩展」的 Plan B 观察即可
  • 它是 Python 实现,代码结构可以读——「多 agent 怎么互相调用」的编排设计可参考给 mimocode 的「供应商托管项目/自动调价项目」做多步骤任务拆解
TypeScript
Chief Agent Operator 7×24 运营
— 补充收录·无周增数据 ⭐ 82,987 🍴 15,958
「🤯 LobeHub is your Chief Agent Operator, organizing your agents into 7×24 operations by hiring, scheduling, and reporting on your entire AI team.」——把 agent 当「员工」来招聘、排班、汇报,7×24 运营你的整个 AI 团队。来自 GitHub topics/skills 榜(10 月初更新)的补充收录,星标/分叉数经 GitHub API 核实(82,987 / 15,958),无公开周增数据。「Chief Agent Operator」这个概念本身是本周趋势关键词:agent 不再是工具,是需要 HR(招聘/配置)、排班(调度)、绩效(汇报)的数字员工。

🔍 同类对比

  • vs paperclip(同榜):都打「agent 公司化」,lobehub 更偏「对话式入口 + 运营值班」(hire / schedule / report 的操作隐喻),paperclip 更偏「治理结构」(预算/审批/目标分解);lobehub 上手快,paperclip 治理深
  • vs OpenClaw 类个人助手:个人助手管「一个 agent 替你干活」,lobehub 管「一支 agent 团队替你干活」——定位差一个数量级
  • vs 手工排班(cron + 人肉盯):lobehub 的「scheduling + reporting」把你的 Hermes cron 体系包装成可汇报的运营概念,管理视角更友好,但灵活性不如直接写 cron

🎯 与你/mimocode 的关联

  • 跟你的「Hermes Work Dashboard」(LLM 自动从对话提取工作项、追踪进度)理念撞车——都是「把 AI 干活的过程变成可汇报的工作流」;它的 reporting 模块设计可对照你的看板做竞品参考
  • 你 mimocode 里「AI工作集成看板」类工作项(token 用量、会话进展、完成率展示)正是 lobehub「reporting on your entire AI team」在做的事,可以直接对比两边的信息架构
  • 引入一个新全家桶的迁移成本高,结论:只做竞品参考,不引入部署
⚡

Skill/技能生态

核心领域
JavaScript
安全审计 可验证输出
↑ +3,962/周 ⭐ 22,749 🍴 1,324
Cloudflare 官方出品的编码 Agent 安全审计 Skill:「A coding-agent skill for multi-phase security audits with independently verified, machine-readable findings」。核心不是让 LLM 自由发挥找漏洞,而是把审计做成多阶段流程(multi-phase):发现→独立复核(independently verified)→输出机器可读的 findings。第二个 pass 独立验证每一条发现,压低 LLM 审计最大的痛点——误报;机器可读输出让审计结果能进 CI/CD 和工单系统。本周 +3,962,较上周 +6,474 增速回落但仍居 Skill 榜首,已连续三周在榜。

🔍 同类对比

  • vs davila7/claude-code-templates(同榜):templates 是「模板集市」(配置/监控/一键装),security-audit-skill 是「单点深度技能」(一个审计流程打磨到可验证);一个是货架,一个是精品店
  • vs 通用「帮我做安全审计」prompt:差异全在「独立验证」步骤——LLM 自审自报误报率高,双 pass 复核 + 结构化输出让结果可信到能进工单;这是 Skill 工程化和 prompt 玩具的分界线
  • vs Snyk / CodeQL 传统扫描器:传统工具确定性强但不懂业务上下文(看不懂「这个鉴权绕过是业务允许的」),Skill 版懂上下文但需要验证机制兜底——它就是靠「可验证」立身的

🎯 与你/mimocode 的关联

  • 你的对外服务全是快速搭起来的:work.ysbang.top、ext-monitor.ysbang.top、github-trending.ysbang.top、biz-up(8507)……mimocode「登录密码防护力度分析」(bcrypt/JWT/CORS 加固)说明安全审计是真实需求,这个 skill 可以直接装给 Hermes 跑一轮全站审计
  • 它的「机器可读 findings + 独立复核」模式值得抄进你已有的「requesting-code-review」skill 做增强——现在是单 pass,加一个独立复核 pass 就能把误报压下去
  • 顺带的启发:你所有 skill 输出如果都按「结构化 findings」格式写,就能被 Work Dashboard 自动消费(审计结果→工作项),串起你的自动化链路
Python
Skill 分发 配置监控
↑ +1,200/周 ⭐ 32,077 🍴 3,654
「CLI tool for configuring and monitoring Claude Code」——Claude Code 的配置与监控 CLI:一键套用社区模板(agents、skills、MCP 配置、hooks、状态行),并监控你的使用情况。本质是「Claude Code 生态的包管理器 + 管理面板」:搜索模板→一键安装→版本管理→看哪些被用到。本周 +1,200,稳定在榜。它的价值在「分发」这个环节——当 skills 数量爆炸(GitHub topics 上 awesome-claude-skills、VoltAgent/awesome-agent-skills 都是千级收录),「怎么装、装了什么、谁在用」就变成了真问题。

🔍 同类对比

  • vs cloudflare/security-audit-skill(同榜):集市 vs 单品,前者解决「怎么管理一堆 skill」,后者解决「一个 skill 怎么做好」
  • vs awesome-claude-skills 类清单:清单只给链接(选了还得手动装),templates 给「一键安装 + 版本管理 + 使用监控」闭环;但清单广度更大
  • vs Composio 等商业 skill 平台:纯 CLI 免费开源自托管 vs 托管 SaaS;它没有商业平台的企业管控能力,但零成本零依赖

🎯 与你/mimocode 的关联

  • 你的 Hermes skills 已经 70+ 个(从 ysbang-sql 到 guizang-ppt-skill 五花八门),缺的正是「按需安装 + 使用监控 + 定期清理」的管理面——它对 skill 分发的思路可以参考到你的 skill 治理流程(比如每周 review 时清掉没用过的 skill,省上下文)
  • mimocode「Superpowers 对 Hermes 效果评估」(评估技能包价值并补齐缺失技能)这类工作就是手动版的「skill 装了什么、值不值」分析,可以借它的监控思路自动化
  • 直接使用价值有限:它管的是 Claude Code 不是 Hermes,参考交互和治理理念即可
🛠

AI 工具链

核心领域
Python
Agent-Native 软件接口化
↑ +1,227/周 ⭐ 50,892 🍴 4,647
港大 HKUDS 出品,口号「CLI-Anything: Making ALL Software Agent-Native」——给任意软件生成/封装 CLI 接口(配套 CLI-Hub 平台 clianything.cc),让 agent 能操作一切软件。思路很直接:GUI 软件没有 agent 接口?那就生成一层 CLI 适配,agent 调 CLI 就能驱动它。本周 +1,227,总星标 50,892,是「让存量软件变成 agent 可用」这条路上星标最高的学术团队项目。它赌的是:agent 时代的「最后一公里」不是缺模型,而是缺接口。

🔍 同类对比

  • vs MCP 协议路线(DesktopCommanderMCP 等):MCP 是「协议化工具接口」(要工具方配合或有人写 server),CLI-Anything 是「自动生成 CLI 适配层」(对没人管的存量软件更友好);两者互补,MCP 管新建生态,CLI-Anything 管历史包袱
  • vs computer-use 视觉路线(trycua/cua):视觉点击通用但慢、费 token、有误触风险;CLI 化快速、确定性强,但要能生成出靠谱的适配层;「有结构化界面的用 CLI-Anything,纯视觉的用 cua」
  • vs Anthropic 官方 computer-use 工具集:官方工具绑定 Claude 生态,CLI-Anything 是模型无关的通用生成;前者稳,后者广

🎯 与你/mimocode 的关联

  • 药师帮内部一堆「只有网页/GUI、没有 API」的系统:宝塔面板、TAPD(mimocode「总结TAPD需求内容」还在人工读)、企微后台(「企业微信授权登录问题排查」)——这些如果能 CLI 化,就都能进 Hermes 自动化流
  • 你已有 agent-reach + MCP 体系管「外部信息源」,CLI-Anything 适合补「内部老系统」短板,跟「定时AI信息获取」类任务(自动登录签到脚本那种)天然契合
  • 落地建议:先挑一个高频、无 API 的内部页面试点(比如每天要人肉点的某个后台),验证生成的 CLI 适配靠不靠谱再推广
🔌

MCP 生态

核心领域
TypeScript
MCP Server 终端/文件控制
— 补充收录·无周增数据 ⭐ 9,913 🍴 1,247
给 Claude(及一切 MCP client)的「机器操作面」MCP server:终端控制、文件系统搜索、diff 式文件编辑、进程管理。定位是「你去干吧」型工具——把整台机器的操作面通过 MCP 交给 agent。本周补充搜索源里的讨论热点是它的「存废之辩」:现代编码 Agent(Codex、Claude Code)已自带终端和文件能力,它的差异化在于跨 agent 通用(任何 MCP client 都能用)+ 文件系统细粒度权限控制。MIT 协议,星标/分叉数经 GitHub API 核实(9,913 / 1,247),无公开周增数据。

🔍 同类对比

  • vs Claude Code / Codex 自带终端:自带终端零配置但绑定各自生态;DesktopCommanderMCP 是中立 MCP 层,换个 agent 工具不用重配——对「多 agent 混用」的用户才有价值
  • vs MCP 官方 filesystem server:官方实现偏只读/简单写,它支持 diff 编辑(改动可控可审)、进程管理(能起停服务)——功能面宽得多,风险面也大得多
  • vs 全桌面控制(trycua/cua):它管「终端 + 文件」这层(确定性强、可控),cua 管视觉 GUI 层(通用但不稳);安全边界上前者更收敛

🎯 与你/mimocode 的关联

  • 你已是 MCP 深度用户(mem0-mcp、小红书 mcp:18060、飞书 mcp/lark-cli),但 Hermes 自带的 terminal/read_file/patch/write_file 全家桶已覆盖它的核心能力——结论:不必引入,避免重复授权增加风险面
  • 可借鉴的是接口设计:它把「diff 式编辑 + 进程管理」做成统一 MCP 资源,你 mimocode 端(Windows MiMo Desktop)如果缺文件操作工具,可以直接装它补位
  • 教训性参考:它引发的讨论(「agent 已自带的能力还要不要单独做 MCP」)对你筛选 MCP 有普适意义——先看 Hermes/skill 是否已覆盖,再决定装不装
📊

Agent 记忆/知识库

个性化 · 数据/知识库
Python
Agent 记忆 知识提炼
↑ +15,537/周 👑 周增王 ⭐ 40,989 🍴 5,535
「Hindsight: Agent Memory That Learns」——会学习而不只是会回忆的 Agent 记忆系统。核心概念是 retain / recall / reflect 三段式:retain 存下经历,recall 取回相关,reflect 主动复盘提炼——把杂乱的对话历史提炼成结构化的「心智模型」(mental models / knowledge pages),比如「这个用户的偏好」「这个项目的规则」。曾在 LongMemEval 长期记忆基准拿到 SOTA。本周 +15,537,比上周 +7,282 直接翻倍,是全榜周增王,总星标破 4 万。赛道信号非常清晰:Agent 记忆的竞争正从「能存多少」转向「能长多聪明」。

🔍 同类对比

  • vs akitaonrails/ai-memory(同榜):ai-memory 解决「跨厂商 agent CLI 的记忆交接」(handoff——换工具不清零),hindsight 解决「记忆怎么变聪明」(reflect——越用越懂你);一个管搬家,一个管成长
  • vs mem0(你在用):mem0 是轻量抽取式记忆(上手快、托管省心,但抽取质量依赖 LLM),hindsight 是「记忆 + 定期复盘」重架构(上限高,多一个 reflect 管道要维护);规模小用 mem0,追求长期质量看 hindsight
  • vs 向量库 + RAG 自建:自建只有「存取」没有 reflect,长期积累噪音、检索质量下滑;hindsight 的 knowledge pages 就是给记忆「定期整理房间」的机制

🎯 与你/mimocode 的关联

  • 你正在连环踩 mem0 的坑:「检查 mem0 连接是否正常」「mem0 中文写入 UTF-8 编码错误」「Hermes Bot Mode mem0 兼容性问题(多 bot 隔离)」「mem0 配置文件位置([hermes-env] 前缀隔离)」——hindsight 的「分 bank 隔离 + 主动提炼」正是这些问题的系统化解法,值得拉下来跟你的火山引擎 Mem0 方案做一次对比评测
  • 「药师帮知识库」(SQL 硬约束/默认口径/表结构/枚举值,「AI生成SQL指南」)目前是人工沉淀,hindsight 的 knowledge pages 概念可以直接借:让 agent 每次写完 SQL 自动把口径变化沉淀成知识页,解决「口径变了文档不更新」
  • 部署注意:reflect 管道要吃模型调用 + 存储,你的 4GB 内存服务器要精打细算;建议先在 Windows 端试点再上云
Rust
跨厂商记忆 Rust 本地
↑ +1,110/周 ⭐ 8,567 🍴 581
Rust 写的 agent CLI 长期记忆方案,主打「facilitate handoff between different agent vendors」——跨厂商交接:一份记忆,Claude Code、Codex、Cursor 等各家 agent CLI 都能读写。解决的问题极其具体:你换一个 agent 工具,历史记忆就清零、上下文重建一遍。本地 Rust 二进制、无云依赖。本周 +1,110 新上榜,是「记忆中立层」这个细分的第一枪。

🔍 同类对比

  • vs hindsight(同榜):ai-memory 管「记忆搬家」(跨工具互通),hindsight 管「记忆成长」(reflect 提炼);两个问题都真实存在,未来可能合流
  • vs mem0 云服务:ai-memory 本地 Rust、零云依赖、数据不出机器;mem0 托管省心但你已踩过编码/隔离的坑;对数据敏感场景前者更稳
  • vs 各家自带 memory(Claude Code 的 memory 文件、Hermes memory.md):自带的互不兼容、格式各异,ai-memory 是「中立格式 + 各家适配器」——标准化的价值随你用的 agent 数量增长

🎯 与你/mimocode 的关联

  • 你的现状就是它的目标场景:Hermes(Linux)+ MiMo Code(Windows)双端记忆不相通,现在靠「mimocode_context.md」人肉桥接 + 跨端共享 mem0 协议(来源标记 agent_id+metadata.channel)硬打通——ai-memory 的「中立记忆层 + 各家适配器」是同一个问题的产品化解法,值得对比两种路线的维护成本
  • 它偏「编码 agent 会话记忆」场景,你的场景一半是业务对话(品类运营、找货复盘),适配度中等——先看它支不支持自定义记忆分类再评估
  • Rust 单二进制对你的 4GB 内存服务器非常友好(不像 Python 方案吃内存),这是加分项
Go
RAG/知识平台 自维护 Wiki
↑ +2,509/周 ⭐ 30,953 🍴 4,134
腾讯开源的 LLM 知识平台:「turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki」——把原始文档变成三种形态:可查询的 RAG、自主推理的 agent、自我维护的 Wiki。亮点是第三项:知识库会自己更新(文档变了 Wiki 跟着改),不用人工整理维护。Go 实现,部署轻量。本周 +2,509(上周 +4,867),连续在榜,是「文档→知识」赛道大厂开源的代表作。

🔍 同类对比

  • vs Dify / FastGPT:那些是「LLM 应用平台」(工作流 + 应用发布优先),WeKnora 是「文档→知识」专精;自维护 Wiki 是它独有的差异点,别人只到「问答」它到「知识沉淀」
  • vs hindsight(同榜):hindsight 管「对话中学到的」(经验记忆),WeKnora 管「文档里写着的」(知识记忆);一个长在会话里,一个长在文档库上,天然互补
  • vs Notion AI / 飞书知识库问答:闭源 SaaS、数据在别人家 vs 开源自托管;对药师帮这类有内部制度文档的企业,私有部署是硬需求

🎯 与你/mimocode 的关联

  • 「药师帮知识库」(SQL 硬约束/默认口径/表结构/枚举值先沉淀到飞书文档、再喂给 AI 的「AI生成SQL指南」链路)目前全靠人工维护,WeKnora 的 self-maintaining Wiki 正对「口径变了文档不更新」这个痛点
  • 你有大量制度/需求文档资产(TAPD 需求、半年度复盘、飞书云文档集成与管理模块),WeKnora 的「文档→RAG→agent」管道是现成的,能直接接 lark-cli 拉文档
  • Go 部署轻量,4GB 内存服务器跑得动(对比 Python RAG 全家桶省内存),落地门槛低——如果你想给「AI生成SQL」换个更稳的知识底座,这是本周最值得试的一个
🏦

行业 Agent 落地

个性化 · 行业垂类
Python
行业 Agent 参考实现
↑ +2,381/周 ⭐ 38,063 🍴 5,482
Anthropic 官方「Claude for Financial Services」参考实现:投行、股票研究、PE、财富管理四类金融工作流的 reference agents + skills + data connectors。一切是纯 Markdown/YAML,两种交付方式出自同一套源码:装成 Claude Cowork 插件,或通过 Claude Managed Agents API 挂到你自己的工作流引擎后面(同一套 system prompt/skills,跑在哪自己选)。含 /rebalance(再平衡+税感知)、/client-report、/proposal、/tlh(税损收割)等工作流命令,还有 scripts/sync-agent-skills.py(skill 单一来源、多处分发同步)和 scripts/check.py(校验 manifest 和引用完整性)。本周 +2,381,连续第二周在榜,趋势稳定——「行业 Agent 该怎么打包交付」的格式已经定型。

🔍 同类对比

  • vs 教程型仓库(如 rohitg00/ai-engineering-from-scratch,本栏已按规则过滤):它是「可执行的参考实现」不是课件——fork 下来改改数据连接器就能跑,教程只教不跑
  • vs 垂直 SaaS(各类金融 AI 产品):SaaS 卖成品但锁死工作流,它只给骨架不卖产品,数据连接器接谁的系统自己定——「参考实现」是开源和商业之间聪明的中间态
  • vs 通用 agent 框架(LangChain 等):通用框架给你轮子(怎么搭),它给你成品答案(这个行业的工作流该拆成哪些命令/技能/连接器)——对行业用户后者价值密度高得多

🎯 与你/mimocode 的关联

  • 这就是「药师帮品类运营/找货/补贴/调价工作流该怎么 Skill 化」的教科书:一个 vertical plugin = N 个工作流命令 + skills + 数据连接器,你的「找货对赌」(周一发需求价+量→低价提报锁定→周六起销售→结算赔差额 2%)完全就是 /rebalance 那种命令式工作流,可做成药师帮版的 /zhaohuo
  • scripts/sync-agent-skills.py(skill 单一来源、多 agent 同步分发)正对你「Hermes 和 mimocode 两边 skill 重复维护、记忆不相通」的痛点,这个脚本思路可以直接抄;scripts/check.py(校验 skill 引用完整性、防止 bundled skill 漂移)也能抄进你的 skill 治理
  • 「爆款品种汰换」(25 淘汰 + 29 新增的分析流程)「托管项目有效品次复盘」这类固定复盘工作流,都可以照它的格式沉淀成命令,以后一句话触发而不是每次重新描述需求
🤖

Computer-Use/自动化

个性化 · 自动化调度
HTML
Computer-Use 开源驱动
↑ +1,293/周 ⭐ 26,860 🍴 1,867
「Scale computer-use 2.0 with open-source drivers, cross-OS fleets, and benchmarks」——computer-use 2.0 开源套件:开源驱动 + 跨 OS 设备群(fleets) + 训练/评测/数据生成基准。目标是把「让 AI 操作电脑」从单机 demo 变成可规模化的基础设施:沙箱隔离、多机器并行调度、标准化基准测试(既给模型评测用,也给训练数据生成用)。本周 +1,293,稳定在榜。它代表的路线是:computer-use 不该是「一个会点鼠标的模型」,而是「一群可调度的数字劳动力」。

🔍 同类对比

  • vs Claude computer-use / Operator(闭源):闭源绑定生态、按量付费 vs 开源自建 fleet、数据不出机;规模小用闭源省事,规模大/合规敏感用 cua
  • vs DesktopCommanderMCP(同周热点):一个管视觉 GUI 层(什么都能点,但慢、费 token、有误触),一个管终端/文件层(确定性强但只能碰有接口的);两者是「手」的不同部分
  • vs 传统 RPA(影刀/UiPath):RPA 靠录屏回放,界面一改就断;cua 靠模型理解界面,容错性强但单步成本高——「界面稳定的高频任务选 RPA,多变低频任务选 cua」

🎯 与你/mimocode 的关联

  • 药师帮运营有一批「只能人点网页」的操作:企微后台(「企业微信授权登录问题排查」「Chrome CORS 错误协助」都在折腾网页操作)、SSPanel 签到(你已脚本化)、TAPD——cua 的 fleet 模式适合批量跑这类任务
  • 但你的高频场景已有更便宜的方案(HTTP 探活 watchdog、「api 接口假死」的 cron 自愈、API 直连),computer-use 吃模型能力和 token,只在「真没有接口又必须点」的场景用,别为了用而用
  • 它的 benchmark 部分对你是纯参考(训练/评测用),部署优先级低;关注它的开源驱动更新即可
🎨

办公/内容创作

个性化 · 办公创作
Python
语音创作 全本地
↑ +7,972/周 ⭐ 44,108 🍴 5,099
开源、全本地的 ElevenLabs 替代品:声音克隆、声音设计、视频配音、听写转录、有声书制作,号称支持 646 种语言。一个工具箱把语音创作全链路做完,数据不出本机。本周 +7,972,是全榜增长亚军,总星标 44,108。它的爆发说明「语音 AI」正在从「API 调用念一段话」升级成「本地全链路创作套件」——克隆、配音、转录、成片一条龙,而且免费。

🔍 同类对比

  • vs ElevenLabs:全本地免费、隐私安全 vs 云订阅、质量仍领先;克隆音色这种敏感数据放本地是杀手锏,商用音质要求高的场景云服务仍是首选
  • vs OpenAI TTS / Edge TTS(Hermes 在用的):API 型只管「念一段」,VoiceStudio 管「克隆 + 配音 + 转录 + 有声书」全链路;轻量念字用现有 TTS,重活创作才上它
  • vs PaddleSpeech / ESPnet 等开源语音工具包:那些是研究工具包(要自己搭 pipeline),VoiceStudio 是产品化 UI(装完就能用);工程量差一个数量级

🎯 与你/mimocode 的关联

  • 你有真实的内容产出场景:「AI分享PPT-20260728」(15 分钟线下分享)、「药师帮品类周报」(每周 HTML 报告 + 企微群推送)、「总结罗福莉3.5小时访谈视频」(B 站字幕转录总结)——配音、转录、视频配音的需求都真实存在
  • Hermes 的 text_to_speech 已覆盖「念一段话」,VoiceStudio 适合更重的「视频配音、克隆音色」需求(比如给品类周报出个视频版、给 PPT 配音),跟你的 guizang-ppt-skill 工作流能接上
  • 部署注意:语音大模型吃显存/内存,4GB 内存服务器跑不动,放 Windows 端跑合适(跟 mimocode 同机,产物再同步回云端)