GitHub 周趋势看板 2026-10-19
第42周(10.13—10.19)· 本周洞察:「Everything is a Plugin」插件化 Harness 定调 + rea 逆向 Agent 二连爆(单周 +229,268,历史级)· DeepSeek Harness 开源 25.3 万星押注插件生态 · mattpocock/skills +12,147 方法论 Skill 加速 · K-Dense 科学 Skill 库(177 技能+100 科学库)与医药业务直接相关· 「产品出厂带 MCP」一周三见(solidcraft/Concat/DesktopCommanderMCP)
💡 本周洞察:三条主线。第一条是 「Harness 插件化定调」:DeepSeek Harness「Everything is a Plugin」(25.3 万星、3 万 fork)把工具/技能/记忆/应用全部插件化,同期 mattpocock/skills(+12,147,全站最高星 Skill 集)、claude-plugins-official(+2,217 官方目录治理)、cursor/plugins(+1,717 规范公开化)从供给、治理、标准三面合围——上周的「Skill 方法论化」本周升级为「插件成为 harness 的竞争主轴」,你的 Hermes skills/plugins 体系正处在这条主线的受益位。第二条是 「老专家领域 + Agent」继续屠榜:rea 单周 +229,268(上周 +94,100,连续翻倍),把逆向工程这种 20 年老领域交给 agent 编排;同周 solidcraft(Rust 重写 Fusion 360、MCP 原生)、Concat(可脚本化剪辑)显示另一分支——传统重型软件开始「出厂带 MCP」,产品接口化从工具蔓延到工业软件。第三条是 「信任与记忆基建」补课:iFixAi(+5,200,审计 agent 有没有按预期做事)、harness2(Google 递归自优化 harness)、ai-memory(跨厂商记忆交接)集体上榜——生态从「让 agent 更强」转向「让 agent 可信、可交接」。跟你的连接点本周格外密:K-Dense scientific-agent-skills(5.3 万星,177 技能 + 100+ 科学数据库)是「品种研究/包销绿通」「爆款筛选」可直接借力的药品知识层;ai-memory + billion-context 正对你的 mem0 跨端协议、48KB mimocode_context.md、双端记忆不相通三连痛点;iFixAi 的审计思路能把你「定时任务必须说明模式差异」的告知义务升级成机器可验证。
🚫 本周未收录(热门但不在关注范围):boykopovar/AnyPS5(PS5 游戏移植,+14,224)· storytold/artcraft/photocraft/wordcraft(创意媒体三件套,合计 +4 万)· NationalSecurityAgency/ghidra(逆向框架,+7,602,已在 rea 对比中点评)· LibreSpark/LibreTV(影视工具)· DmNote(游戏插件)· debpalash/VoiceStudio(语音)· Ebony-Vinyl/dsh-our-free-model(非官方免费模型插件,合规风险,已在 deepseek-harness 中警示)· AhmadHassan-BTed 系列(多个 ~800 星仓库疑似刷榜)。过滤规则:星标 <500、纯前端框架、纯教程仓库不收录。
🤖
AI Agent 框架
核心领域「Reverse engineer anything with agents, from app behavior down to native binaries.」——用 Agent 逆向一切:从 App 的运行时行为一路拆到原生二进制。它把「逆向工程」这个传统上靠 Ghidra/IDA + 老法师经验的专家领域,改造成 agent 可编排的流程:观察应用行为、分析产物、下钻到汇编层,全程由 agent 驱动、人做关键决策。本周 +229,268,连续两周现象级爆发(上周约 +94,100,本周直接翻倍再翻倍),Trendshift 周榜第一,总星标已冲到 32.4 万。这是 2026 年「老专家领域 + Agent 编排」浪潮里最猛的一个浪头——CAD、视频、音乐、逆向,一个接一个被吃掉。
🔍 同类对比
- vs NationalSecurityAgency/ghidra(本周在榜 +7,602,9.1 万星):ghidra 是「人用的专业工具」,沉淀 20 年插件生态、能力上限高但学习曲线陡;rea 是「agent 用的流程」,牺牲部分深度换取自动化吞吐。短期共存:rea 类项目越火,ghidra 这类底层引擎越是被 agent 调用的后端
- vs earthtojake/text-to-cad(上周在榜 +2,244):同属「专家领域 + agent」公式,但 text-to-cad 是生成式(文本出模型),rea 是分析式(成品拆原理);一进一出,共同验证了公式的普适性
- vs 通用编码 Agent(Claude Code/Codex 直接干):通用 agent 拆二进制会淹没在无结构输出里,rea 把逆向工作流(行为观测→产物分析→汇编下钻)固化成了专用工具链——专用化是本周多项目共同的答案
🎯 与你/mimocode 的关联
- 直接业务关联低(不做逆向/安全),但方法论值得抄:你 mimocode 端「内部使用/爆款筛选自动化脚本(1.9 万行)」就是同一个公式——把老运营的选品经验固化成 agent 可执行流程,rea 证明这个方向的天花板还在涨
- mimocode 正在调研的 screenshot-to-code(截图转代码)属于同族「感知类 agent 工具」,rea 的行为观测管线可作为它能力边界的参照
- 留意安全面:你服务器上跑着公网服务(biz-up 8507、zh_backend 8000 有被扫描器骚扰的前科),这类逆向 agent 工具的普及会降低攻击者分析成本,8000 端口的线程占用问题建议继续收紧
「Everything is a Plugin.」——DeepSeek 官方开源的 Agent Harness(dsh):围绕模型的整个执行外壳(工具、技能、记忆、应用、原生扩展)全部做成插件体系,官方插件用 dsh-plugin 规范注册,社区插件直接装。仓库里 apps / packages / native / benchmarks 四层结构,21,000+ commits,MIT 协议,是目前开源阵营里「插件化 harness」路线体量最大的实践(25.3 万星、3 万 fork)。它押注的判断是:harness 的竞争力不在模型而在生态——谁的插件多、插件规范清晰,谁就留住开发者。
🔍 同类对比
- vs Anthropic claude-plugins-official(官方插件目录):Anthropic 做「目录和标准」(策展 + 审核),DeepSeek 做「运行时和规范」(插件如何被加载执行);一个管供给侧质量,一个管底层机制,恰好是插件生态的上下两层
- vs mksglu/context-mode(17 平台路由):context-mode 是横切关注点(上下文、路由、记忆)的外挂层,dsh 是全栈外壳——dsh 更彻底但绑定 DeepSeek 系模型与工具链,context-mode 跨平台可拆卸
- vs Cursor/VSCode 插件体系:IDE 插件生态花 10 年建起来的东西,dsh 想在 agent 时代用「一切皆插件」一次重做;但 IDE 插件有成熟的权限/分发体系,dsh 插件生态还在草莽期,供应链风险更高
🎯 与你/mimocode 的关联
- 你的模型主力就是 DeepSeek/MiMo 系(mimo-v2.6-pro),dsh 值得装一个实测——你「梳理 skill 配置」「mem0-mcp 配置」这类跨工具配置工作,dsh 的插件模型是目前最成体系的参照
- mimocode 在做的「AI工作集成看板 / 整合 mimocode 到 hermesoffice 看板」本质上是自建 harness 数据层,dsh 的插件注册与数据结构可当架构参考,减少自己造轮子
- ⚠️ 插件即代码:Trendshift 上已出现「dsh 免费模型插件」这类来路不明的第三方插件(免 API Key 用前沿模型,合规与供应链风险都存疑),装插件前先审仓库来源——这条对你 Hermes 的 skills/plugins 管理同样成立
「The job search that runs on your machine.」——跑在本地的 AI 求职框架,把求职拆成一条 agent 流水线:评估职位匹配度→按 JD 定制简历→写求职信→面试准备,全部基于 Claude Code 运行,fork 后完全自己掌控数据。它的设计里有个关键边界:每一份申请的最终提交都由人按按钮,agent 只准备不发车。本周 +5,742(Trendshift 周榜 +3.5k 同步在榜),5.4 万星、1.7 万 fork——fork/星比高得惊人,说明大量用户是真的拿它日用,不是收藏。
🔍 同类对比
- vs 通用 Agent 直接跑:它把「评估→定制→写作→准备」固化成带状态的多步流水线,可复跑、可中断、产物落盘;通用对话式 agent 干同样的事每次都要重新交代背景
- vs 商业求职工具(LinkedIn 付费/简历代写服务):数据全本地、流程可审计、免费,代价是自己维护 prompt 和流程;与「订阅制 SaaS」路线正好相反
- vs 手工多步脚本(mimocode 找货项目那种):它多了「人只管最后一道闸」的审批模型和统一产物目录,少的是对业务库的直连——纯 LLM 流水线 vs 数据库驱动流水线的差异
🎯 与你/mimocode 的关联
- 跟你「定时任务必须说明模式差异(纯脚本 vs AI Agent)」的偏好同频:它把「agent 准备、人提交」的边界写死在流程里,是你在 biz-up 周报、补贴提交等场景想要的审批模型
- mimocode 找货项目的「SQL 解析工具→品种数据.py 两用法改造→找货数据复盘」就是同构的多步流水线,它对中间产物落盘、步骤可复跑的处理方式可直接借鉴
- 对你本人顺手能用:你有「招聘面试准备支持」工作项,这个框架可以直接跑你自己的求职/面试准备场景(或给团队同事演示 agent 流水线的最小样板)
⚡
Skill/技能生态
核心领域「Skills for Real Engineers. Straight from my .agents directory.」——TypeScript 圣经作者 Matt Pocock 把自己 .agents 目录里的工程技能全部开源:需求访谈(grill-me,先把需求问穿再动手)、TDD 循环、重构纪律等,全是把工程方法论固化成 skill 而不是堆提示词。本周 +12,147,总星标 29.6 万——全站星标最高的 skill 集合,而且增长还在加速(上周 +7,448)。它验证了一个判断:skill 的价值不在数量,在于把「老工程师怎么做」变成可执行的流程。
🔍 同类对比
- vs anthropics/claude-plugins-official(官方插件目录,4 万星):官方目录求广(策展上百个插件),mattpocock 求深(少量但每个都是完整方法论);广度靠平台,深度靠个人功力
- vs VoltAgent/awesome-agent-skills(1000+ skill 合集):合集型是「skill 超市」,量大但良莠不齐(Reddit 上已有人吐槽大多数 skill 是未经审核的垃圾);mattpocock 是「主厨精选」,每个都经过他本人日用验证
- vs 你自己的 40+ Hermes skills:你的 skill 重流程与排坑(路径、命令、pitfall),他的重方法论(怎么问需求、怎么写测试)——两个维度正交,可直接互补
🎯 与你/mimocode 的关联
- 你用户画像里写明「分析不熟业务脚本先问用户逻辑和数据库结构再执行」「不自作主张跳步骤」——这正是 grill-me 类需求访谈 skill 的中文业务版,值得照它的结构固化成你自己的 skill,让 mimocode 端也遵守
- 你的 test-driven-development / verification-before-completion skill 与它的 TDD 循环重叠,可对照补缺(比如它对「重构纪律」的处理是你缺的)
- mimocode 刚修完「品种数据.py 两用法逻辑 + ts_zhdrug_info 兜底」这种高危重构——如果先跑 grill-me 式需求确认 + TDD 循环,fork #1 那次返工大概率能省掉
Anthropic 官方维护的高质量 Claude Code 插件目录:所有收录插件由 Anthropic 审核把关,覆盖文档处理、行业模板(上期上榜的 financial-services)、开发工作流等方向。它解决的是插件生态的信任问题——当 skill/plugin 数量破千、质量参差时(本周 Reddit 热帖「大多数 agent skill 是未经审核的垃圾」说的就是这事),官方目录充当筛选层。本周 +2,217,4.3 万星,Trendshift 周榜 +3.6k 也在涨,是插件「供给侧治理」路线的代表。
🔍 同类对比
- vs mattpocock/skills(个人方法论派):官方目录赢在可信度与覆盖面,输在深度——目录型收录难有主厨精选的打磨;两者一个管『能装什么』一个管『怎么干好活』
- vs cursor/plugins(规范派):Anthropic 用「审核」保质量,Cursor 用「公开规范」促供给;长期看规范 > 审核(参考 npm vs App Store 的路线之争),但短期审核更救急
- vs 自建 skill 仓库(你的 ~/.hermes/skills/):你已有 40+ skill 且有 curator 钉选机制,缺的是「外部优质 skill 的引入通道与审核标准」——官方目录的收录标准可直接抄作业
🎯 与你/mimocode 的关联
- 你 Hermes 的 skills 已经多到需要管理(分类 20+、curator 钉选),官方目录的收录/淘汰标准(活跃度、可验证性、维护者)可用来定期审计你自己的 skill 库,防止过期 skill 变负债
- mimocode 端 MiMo Desktop 的 skill/MCP 配置刚梳理过一轮,官方目录里文档处理、行业模板类插件是低风险高复用的引入候选(比如对接你们的 Excel 提交验证场景)
- 注意它只策展 Claude Code 生态——你主力是 Hermes + MiMo,引入时要过一道「跨 harness 兼容」检查(正好是你 mcp-server-configuration skill 覆盖的活)
「Turn any AI agent into an AI Scientist.」——面向科学领域的 Agent Skills 库,自称全球 25 万+ 科研人员在用:177 个经过验证的技能 + 100+ 科学数据库接入,覆盖生物、化学、医药等方向(化合物检索、文献/数据库查询、实验设计等),兼容 Claude Code、Codex、Gemini CLI 等主流 harness。本周 Trendshift 周榜 +3.6k,5.3 万星。它是「垂直行业 skill 库」赛道目前体量最大的项目——skill 生态从通用工程方法论向行业知识下沉的标志。
🔍 同类对比
- vs mattpocock/skills(通用工程方法论):mattpocock 教 agent「怎么干活」(流程纪律),K-Dense 教 agent「活里的知识」(科学数据库与领域操作);行业 skill 的护城河在数据源授权与验证,不在提示词
- vs 各大药企/文献平台自建 MCP(如 PubChem MCP 等零散项目):零散 MCP 只解决单个数据源接入,K-Dense 把「技能 + 数据库」打包成可复用资产,但深度上未必比官方 API 直连强,关键数据仍需回源核对
- vs 你用 Exa/agent-reach 的通用检索:通用搜索给网页信号,K-Dense 给结构化科学库——做药品品种研究时二者是上下游关系而非替代
🎯 与你/mimocode 的关联
- 本周与你业务最直接相关的一个项目。药师帮的「品种研究/包销绿通活动提交」「自动复盘/四川优势品种复盘」「爆款筛选」都卡在药品/化合物的结构化知识上——177 个科学技能里的化合物与药物数据库检索可以直接给品种初筛提供通用名、剂型、靶点维度的校验
- 你外部信息监控(定时AI信息获取:Pharmacy Times、摩熵医药、国家医保局、医药网四源)目前靠爬虫+LLM 过滤,K-Dense 的科学数据库 skill 可做「药品通用名实体规范化」的第二校验层,降低误匹配
- ⚠️ 引入前先验证:它宣称的数据库覆盖与实际 API 可用性要抽查(你有「数据平台带 ground-truth 校验」的既定方法论,先小样本对照摩熵数据再上量)
Cursor 官方的插件规范(plugin specification)与官方插件集合:把「一个 agent 插件长什么样、如何声明能力、如何注册」定义成公开规范,第三方照规范开发即可被 Cursor 加载。上周上榜时 +1,109,本周 +1,717 继续加速。它的意义不是某个插件多好用,而是把插件格式从私有实现推成公开标准——一旦规范被广泛采纳,skill/插件就能像 npm 包一样跨工具流通。
🔍 同类对比
- vs anthropics/claude-plugins-official:Anthropic 的插件格式随 Claude Code 生态走,事实标准但私有色彩浓;Cursor 直接把规范文档开源,赌的是「规范先行、生态跟进」
- vs MCP 协议:MCP 管「agent 连外部工具」,插件规范管「agent 装内部能力」——两层不同但会互相渗透(本周 solidcraft、Concat 都是『产品带 MCP 接口』,工具层标准化已先行一步)
- vs 各家自定义 SKILL.md(含 Hermes):格式不统一导致你跨端迁移 skill 要手工翻译(Hermes↔MiMo 就在这么干);规范型项目的胜出会直接降低你的迁移成本
🎯 与你/mimocode 的关联
- 你「Hermes 端与 mimocode 端记忆/skill 不相通」的长期税,本质是格式不统一——cursor/plugins 这类规范文档值得读一遍,你自建 skill 模板时向公开规范靠拢,将来少写迁移胶水
- mimocode 的「梳理 skill 配置并通过 Tailscale 配置居家电脑」涉及多机同步 skill,插件的声明式清单(能力、依赖、版本)思路能让同步脚本不用解析 SKILL.md 全文
- 体量还小(1.2 万星)、Cursor 绑定深,现阶段当参考文档读,不用押注
🛠
AI 工具链
核心领域「Context window optimization for AI coding agents.」——给 AI 编码 agent 做上下文管理的外挂层,三个核心能力:①把工具输出沙盒化(宣称减少 98% 上下文占用),②会话记忆持久化,③通过 MCP + hooks 在 17 个平台间强制路由。本周 +4,038(Trendshift 周榜 +3.8k 同步在榜),3.1 万星。它赌的判断:agent 的瓶颈不是智商是上下文——谁把上下文花在刀刃上,谁的 agent 就能在长任务里不崩。
🔍 同类对比
- vs ranxianglei/billion-context(压缩派):billion-context 是「把长上下文压缩后塞进小窗口」(事后压缩),context-mode 是「从源头不让垃圾进上下文」(事前沙盒);一个治已病一个治未病,可叠加
- vs Harness 内置机制(Claude Code 的 context compaction 等):内置机制免安装但黑盒、按 harness 各自为政;context-mode 跨 17 平台统一治理,代价是多一层钩子的稳定性风险
- vs 手工裁剪(你现在 grep/分页读文件的做法):你已经在人肉做「输出瘦身」(read_file 分页、grep 先行)——context-mode 是把这套习惯自动化、规则化
🎯 与你/mimocode 的关联
- 直击你的三个痛点:①mimocode_context.md 已 48KB,每周趋势任务都要人工摘要搬运;②ext-monitor 采集输出大;③服务器内存紧张、LSP 用完必须手动 kill——它的输出沙盒与路由思路能从源头减负
- 「17 平台 MCP+hooks 路由」与你「Hermes 端 + mimocode 端」双 harness 现实完全对口——你们目前用 mimocode_context.md 人肉同步,它的跨平台路由是产品化答案
- 风险提示:hooks 层挂多了会互相打架(你在 Hermes 上就有 cron 配置漂移的前科),引入时先只开「工具输出沙盒」单功能验证,别全量上
「Recursive Agent Harnessing for an Open World」——Google Research 开源的递归式 harness 优化框架(附 arXiv 论文):harness = 模型外面那圈「提示词、工具、记忆、技能、编排」,harnessing = 优化这圈东西的过程。Harness² 让 agent 在干任务的同时自动改自己的 harness:任务级递归(harness 编辑器提出修改→探针执行→合成)+ 经验级递归(反思器沉淀教训),模型权重全程不动。8 个可编辑组件(system prompt、guardrails、memory、tool guidance、subagents、skills、scripts、plugins),在 JobBench/LAB/WorkBuddy-Bench 上给 GLM-5、Gemini 3.5 Flash 带来最高 +11.5 分提升。Trendshift 日榜第一,Apache 2.0。
🔍 同类对比
- vs 手工调 prompt(你现在 biz-up 周报 prompt 的做法):手工调优靠人的直觉迭代,Harness² 把「提出修改→探针验证→合成」变成可重复的搜索过程——本质是把 prompt 工程从手艺变成算法
- vs Evals 框架(promptfoo 等):评测框架只回答「哪个 prompt 好」,Harness² 直接产出「更好的 harness」并自我迭代;评测是它的子步骤
- vs 商业 harness 优化服务:闭源方案给结论不给方法,Harness² 全开源可审计,但要自己搭基准数据——你的 llm-model-comparison 盲评流程正好是现成的基准雏形
🎯 与你/mimocode 的关联
- 你已有 llm-model-comparison(双模型盲评)方法论和 biz-up 周报 prompt 对齐流程——Harness² 的「propose→probe→compose」递归正是把这两个流程自动化,可以直接读它的 benchmark 组织方式升级你的盲评
- 它把 skills/plugins 列为可编辑组件,和你「记忆系统自动提炼(Checkpoint Writer)」的研究方向同框——先读 docs/EXPERIMENTS.md 看它的反思器设计,比自己从头设计省一轮
- 注意论文项目的通病:基准(JobBench 等)是它自建的,分数提升换到你的业务任务上未必等比——按你「不能用单项目作淘汰依据」的原则,先在小任务上对照实验
🔌
MCP 生态
核心领域给 Claude 系 agent 用的经典 MCP server:把终端控制、文件系统搜索、diff 式文件编辑暴露成 MCP 工具,让 agent 能「自己动手」管理机器。它是 MCP 生态里最老牌的实用服务器之一(1 万星、1,287 fork),本周虽不在 GitHub 周榜,但在多个趋势综述中被反复提及——因为它代表 MCP 的「基础设施层」:当 agent 能操作终端和文件,工具链的最后一块拼图就齐了。争议也在:现代编码 agent(Claude Code、Codex)已内置大部分终端/文件能力,它的定位正从「补能力」转向「跨 harness 的统一控制层」。
🔍 同类对比
- vs Claude Code/Codex 内置终端能力:内置的免配置但绑定 harness;DesktopCommander 走 MCP 标准,任何支持 MCP 的客户端(包括你的 Hermes、MiMo)都能用同一套工具面
- vs Hermes 自带 terminal/read_file/patch 工具组:你已有同构能力且更深(后台进程管理、fuzzy patch),引入它属于重复建设——价值在于给不带这些工具的轻量客户端补齐
- vs 浏览器类 MCP(browser-use 等):浏览器 MCP 管「外面的世界」(网页),DesktopCommander 管「自己的机器」(文件/进程);两者拼起来才是完整的 agent 操作面
🎯 与你/mimocode 的关联
- 对你 Linux Hermes 主机而言是重复建设,真正场景在 mimocode/Windows 端:「托管任务 bug 修复(本地文件系统路径)」「MiMo Desktop skill 配置梳理」这类跨文件系统操作,用标准 MCP 比各工具自定义脚本稳
- 你的 mcp-server-configuration skill 可补一条:终端类 MCP 一律限定工作目录 + 只读优先——它给 agent 的是整台机器的 shell,权限面比一般 MCP 大一个量级
- 服务器端(BT Panel、公网服务)慎装:root 权限 + MCP 终端控制组合的风险收益比不划算
「An open-source, clean-room reimplementation of Autodesk Fusion 360 in pure Rust.」——用纯 Rust 干净-room 重写 Fusion 360:参数化 3D CAD,桌面、浏览器、并且通过 MCP 对 AI agent 开放。它本周上榜的意义主要在信号面:传统重型工业软件开始「原生带 agent 接口」出厂——CAD 这种几十年的深水区,新玩家直接以「agent 可操作」为设计前提,而不是事后补插件。
🔍 同类对比
- vs earthtojake/text-to-cad(agent 生成 CAD):text-to-cad 是给现有 CAD 套 agent 外壳,solidcraft 是重造一个 agent 原生的 CAD 内核——外挂 vs 原生,长期看原生路线的上限更高,但短期生态为零
- vs Autodesk Fusion 360(商业霸主):Fusion 赢在 20 年特征完善与制造生态,solidcraft 赢在开源、跨端、MCP 原生;做日常机械设计还远不够格,做「agent 可操作的 CAD 基础设施」验证足够
- vs 各类产品加 MCP 接口(本周 Concat 也是『视频剪辑 + MCP』):同一趋势的两个样本——「产品带 MCP 出厂」正在从工具类蔓延到重型软件类
🎯 与你/mimocode 的关联
- 业务直接关联低(不做机械设计),但「产品出厂自带 MCP」的趋势跟你有关:药师帮内部系统(找货/托管看板、定价 API、自助补贴 API)如果哪天对内开放 MCP 接口,agent 就能直接调业务能力而不是走爬虫/页面——这个架构方向值得跟技术团队提一嘴
- mimocode 的「云服务器/定价 API」「供应商分析项目/自助补贴 API」已经是结构化接口,离「agent 可调用」只差一层 MCP 包装(可参考 mcp-server-configuration skill 的做法)
- 现阶段当信号看,不建议投入——Rust CAD 重写是十年工程,等它过了可用性拐点再说
⚙️
自动化/Agent 调度
个性化推荐「Orca is the ADE for working with a fleet of parallel agents.」——为「并行 agent 舰队」设计的 ADE(Agent Development Environment):一个人同时指挥一群编码 agent(Claude Code、Grok Bot 等)并行干活,用自己的订阅跑任意 agent,桌面、移动、远程运行时全端可用,441 位贡献者,9.7 万星。它把开发者的角色从「写代码的人」升级成「调度 agent 舰队的人」——第40周在榜时 +6,151,本周仍是 Trendshift 常客,是「多 agent 并行」赛道体量最大的产品。
🔍 同类对比
- vs 单 agent IDE(Cursor/Windsurf):单 agent IDE 优化「一人一 agent 的体验」,orca 优化「一人 N agent 的吞吐」;任务可并行拆分时 orca 碾压,强耦合任务反而不如单 agent 深耕
- vs mvschwarz/openrig(上周在榜,常驻团队):openrig 管「团队协作」(角色、共享上下文、任务归属),orca 管「舰队调度」(并行吞吐、多端运行时)——一个像项目组一个像流水线
- vs Hermes 自带 subagent(delegate_task 并行):你已有并行子代理能力但缺统一调度视图;orca 的舰队视图是产品级答案,代价是引入一整套新运行时
🎯 与你/mimocode 的关联
- 你和 mimocode 的「协作分工与交互模式」(本地项目 MiMo 主导、Hermes 协助;Hermes 自有项目 Hermes 主导)目前靠约定执行——orca 的 fleet 视图 + 任务归属 UI 正是这种分工的可视化运行时,做「整合 mimocode 到 hermesoffice 看板」时可参考它的视图设计
- mimocode 的「Mimocode 与 Hermes 看板数据同步」(Windows Flask API + Tailscale 暴露 stats 接口)本质在自建轻量调度数据层——先跑通自己的,orca 当交互设计参照即可
- 规模匹配度提醒:你的并行需求是「2 端 + 偶尔 subagent」,orca 面向舰队级(几十个 agent)——现阶段参考大于使用
「Independent Auditing of AI Agents.」——独立审计 AI agent 的执行质量:由人或另一个 agent 来审计「agent 有没有按预期做事」,号称 120 秒内给出答案,回答 AI Agent 经济里最关键的问题——我托付给 agent 的事,它真的按说的做了吗?审计结果可复核、可留痕。本周 Trendshift 周榜 +5.2k,3 万星。它踩中的是 agent 落地的信任缺口:能力已经不缺,缺的是事后验尸的手段。
🔍 同类对比
- vs google-research/harness2(事前/事中优化):harness2 优化「让 agent 干得更好」,iFixAi 回答「agent 干得对不对」——一个管生产一个管质检,配合使用
- vs 人工 review(你现在盯产出的做法):人工 review 精度高但不 scale;iFixAi 把审计也 agent 化,适合「先机器过一遍、人只看异常」的分层质检
- vs 传统 Evals(跑分):evals 是离线考卷,iFixAi 是在线稽核(针对真实执行过程);对你这种「脚本 + agent 混跑」的定时任务体系,稽核比考卷更贴近真实风险
🎯 与你/mimocode 的关联
- 你反复强调「定时任务必须说明模式差异(纯脚本无 LLM 判断 vs AI Agent 智能判断)」——iFixAi 的审计思路可以把这条从「告知」升级成「验证」:对 ext-monitor、biz-up 周报等 AI 任务挂一层事后审计,机器先核对「该采的采了、该滤的滤了」
- mimocode 刚做过「api 接口假死根因分析 + HTTP 探活看门狗」和「cron 健康检查脚本修复」——那是进程层监控,iFixAi 是产出层审计,两层合起来才是完整的可观测
- 注意它 2026 年新项目、审计标准未公开透明化,先拿它审计你已知结果的任务(如 v2free 签到、药师帮监控)校准准确率,别直接上核心链路
🧠
Agent 记忆/上下文管理
个性化推荐「Solution for long term memory for agent coding CLIs and to facilitate handoff between different agent vendors」——给编码 agent CLI 做长期记忆,并解决跨厂商 agent 的工作交接:Rust 实现(3,535 commits,自带 evals 与 .claude-plugin/.agents 插件注册),把会话记忆沉淀下来,在换工具(Claude Code↔Codex↔其他)时把上下文带走。上周 Trendshift 新上榜 +1,100,本周继续在榜,1.06 万星。它直面的问题是:用户换 agent 供应商时,最贵的不是订阅费,是重新教会一个新 agent 你的业务。
🔍 同类对比
- vs mem0(你正在用的火山引擎版):mem0 是云记忆服务(API、user_id 组织、需要接线),ai-memory 是本地 CLI 级记忆层(自动挂会话、随工具走);mem0 强在跨端共享与检索,ai-memory 强在跨厂商交接的便携性
- vs claude-mem(上期在榜 +3,153,支持 Hermes):claude-mem 赌覆盖面(全会话捕获+多 harness 注入),ai-memory 赌交接场景(换厂商时的上下文搬运)+ Rust 性能与本地可控;后者更对「数据不落云」的口味
- vs 手工记忆文件(你的 mimocode_context.md + memory 规则):你现在靠「48KB 上下文文件 + mem0 来源标记协议」人肉实现交接,ai-memory 把这层自动化——但自动化也意味着你失去对『哪些记忆被带走』的精细控制
🎯 与你/mimocode 的关联
- 直击你最痛的结构性问题:「Hermes 端与 mimocode 端记忆不相通」、mem0 来源标记协议、UTF-8 中文写入坑、Bot Mode 记忆隔离——这一整串就是 ai-memory 要标准化的场景,它的交接格式设计值得完整读一遍再决定 mem0 协议要不要改
- mimocode 的「AI工作集成看板 / 看板数据同步」只同步了数据(项目、token、session),记忆层还是断的——ai-memory 的 handoff 机制是数据同步之上的第二层方案
- 药师帮业务数据敏感,选型标准里「本地优先」权重应最高:ai-memory(Rust 本地)在这点上比云端 mem0 干净,可先在你个人项目试点
上下文压缩插件(中文项目):「兼顾小窗口(100K 上下文足矣)省 token(省 5 倍)和超长会话(数月级别、几十亿 token 单会话)」。思路是把长会话历史持续压缩成紧凑表征,让小上下文窗口的模型也能维持月级连续会话,同时大幅省 token。本周 +659,1,895 星——体量最小的一个收录项目,但它解决的问题(小窗口 + 长会话 + 省钱)对用非顶级上下文模型的团队非常实际。
🔍 同类对比
- vs mksglu/context-mode(源头沙盒):context-mode 阻止垃圾进上下文,billion-context 把已有历史压小——前者适合工具输出爆炸的场景,后者适合对话历史绵长的场景
- vs Harness 原生 compaction:原生方案按 harness 各自实现、压缩比保守;billion-context 激进(宣称 5x),代价是压缩损失不可控——关键决策上下文可能被压丢
- vs mem0/ai-memory(记忆提取派):记忆派是「提取要点存起来」,压缩派是「整体压小保留全部」——提取可检索但有损选择,压缩保全量但检索弱
🎯 与你/mimocode 的关联
- mimocode 端的典型场景正好命中:「罗福莉 3.5 小时访谈总结(6.4 万字转录)」「半年度工作复盘长文」这类超长输入 + 长期会话——5 倍省 token 对你们这种高频长会话的用法是真金白银
- 你每周一跑的这套趋势任务要搬运 48KB 的 mimocode_context.md,若在 mimocode 端挂压缩插件,上下文文件可以更薄(或者干脆双端都装,同步成本减半)
- 风险:压缩损失不可逆——找货/补贴这类涉及具体数字和规则的业务会话别开激进压缩(你有「单位一致、阈值基于分布」的分析纪律,压丢一个口径就全错),先在闲聊/调研类会话验证
🎨
办公/内容创作
个性化推荐「Editorial diagram design for Claude Code, Codex, GitHub Copilot, Cursor, Factory Droid, and Pi. 44 diagram types. Self-contained HTML + SVG. No shadows. No Mermaid slop.」——给主流编码 agent 用的编辑级图表设计 skill:44 种图表类型,产物是自包含的 HTML + SVG,明确拒绝 Mermaid 默认样式的「AI 味」图表。它卖的是审美:让 AI 画的图看起来像专业杂志的信息图,而不是流水线默认皮肤。本周 +7,901,5.8 万星,是「内容创作类 skill」赛道的头部。
🔍 同类对比
- vs Mermaid/PlantUML(文本转图表):Mermaid 胜在语法简单、随处渲染,输在千篇一律的默认样式;diagram-design 赢在设计质感与 44 种版式,代价是产物体积大、依赖 skill 提示词质量
- vs 你的 architecture-diagram / excalidraw skills:你的架构图 skill 偏「深色技术架构图」,excalidraw 偏手绘风——diagram-design 补的是「编辑级排版」这一档,三者正好覆盖三种视觉语境
- vs 通用设计工具(Figma 手画):人工设计上限更高但慢;它的定位是「agent 30 秒出一张能直接进报告的图」,吞吐换上限
🎯 与你/mimocode 的关联
- 你的 HTML 报告高频用图:「找货项目数据复盘」「爆款品种汰换汇报」「四川优势品种复盘」——这些报告的信息图质量直接影响给业务方的说服力,44 种版式里挑几个当模板收进你的 data-analysis-html-report skill 很划算
- 「No Mermaid slop」的主张跟你「UI 展示跟数据模型实际枚举对齐、不假设不折叠」的审美纪律同向:都是拒绝默认皮肤、按真实数据设计
- PPT 场景同样吃香:你「PPT 先写 md 对齐再做」的流程里,图这块可以直接用它出 SVG 贴进 guizang-ppt-skill 的页面
「Write HTML. Render video. Built for agents.」——HeyGen 开源的「HTML 写视频」工具:用 HTML/CSS 描述画面,直接渲染成视频,为 agent 设计(agent 写 HTML 就能产视频)。上周在榜 +3,996,本周 +5,883 继续加速,6.7 万星。它把视频制作的门槛降到「会写网页」——演示视频、数据动画、产品介绍,agent 全程可产出。
🔍 同类对比
- vs 传统剪辑工具(含上周 Trendshift 常客 Concat):剪辑工具面向「拍了素材再剪」,hyperframes 面向「无素材直接生成」;数据演示/动画类内容效率碾压,真人口播类无解
- vs Remotion(React 写视频):Remotion 是开发者的 React 视频框架,hyperframes 面向 agent 直出 HTML——更简单但定制深度低一些;HeyGen 背书带来更好的 AI 集成预期
- vs PPT 转视频:PPT 流程适合静态汇报,hyperframes 适合需要动效叙事的场景(比如趋势数据的动态展示),两者互补
🎯 与你/mimocode 的关联
- 你有 AI 分享的对外输出需求(ppt-ai-share、飞书分享)——把「周趋势看板」这类 HTML 报告变成 30 秒动态视频发视频号/B 站,hyperframes 是现成管线
- mimocode 的「药品自动复盘功能」「爆款汰换汇报」如果要给业务方更轻的传播形态,HTML 报告→视频是低摩擦升级
- 服务器资源提醒:视频渲染吃 CPU/内存(你的机器内存常年紧张、磁盘刚清理过),渲染任务放 mimocode/Windows 端跑更合适
「The truly free, open-source, local-first, cross-platform CapCut replacement.」——免费开源本地优先的剪映/CapCut 替代品,Rust 实现,跨平台,关键是可通过 JSON-RPC API 与 MCP 脚本化:agent 能直接驱动剪辑(切片、拼接、加字幕)。Trendshift 周榜 +3.2k,9,108 星。「视频剪辑 + agent 可操作」是本周继 solidcraft 之后又一个「传统软件原生带接口」的样本。
🔍 同类对比
- vs 剪映/CapCut(商业):CapCut 生态强、模板多但闭源+订阅+水印争议;Concat 免费本地、可脚本化,代价是素材/模板生态几乎为零
- vs hyperframes(HTML 生成视频):hyperframes 无中生有做动画,Concat 处理真实素材;有实拍素材用 Concat,纯数据/演示用 hyperframes
- vs FFmpeg(命令行):FFmpeg 能力上限更高但对 agent 不友好(参数地狱);Concat 把剪辑抽象成结构化操作,agent 调用出错率低得多
🎯 与你/mimocode 的关联
- 你的媒体消费/产出都在线上:B 站字幕转录(罗福莉访谈)、AI 分享视频——Concat 的 MCP 接口能让 agent 直接「剪」而不只是「转录+总结」,内容流水线补上最后一环
- 「产品带 MCP 出厂」本周三见(solidcraft/Concat/DesktopCommander)——这个趋势值得写进你给技术团队的观察里:药师帮内部工具的接口化方向可以对标
- 本地优先 + 免费,对预算敏感的个人使用场景(比如把周报自动生成 1 分钟口播视频)零成本试错