21
收录项目
8
覆盖领域
+12,062
最高周增(hallmark)
5
新上榜项目
294,215
最高总星(ECC)
本周趋势解读:如果说上周是「Harness 控制面」开战,这周的主题是「AI 产出质量门禁」——周增前两名(hallmark、impeccable)都是给 AI 前端产出「去油腻」的设计品味 Skill,加上持续霸榜的 security-audit-skill(安全审计)和 Google 新下场的 elephant-goldfish-model(软件设计/评审),行业风向很明确:Agent 会写代码已经不是卖点,写出来的代码/页面「像不像人做的、过不过得了审」才是下一个战场。另一条暗线是 DeepSeek Harness 生态(dsh-superagent-prototype / dsh-purge / dsh-Go)开始向「更自治 + 移动化」铺开。数据源:GitHub Trending(周榜)+ Trendshift(日/周榜补充),星标 < 500 的项目已过滤。
🤖

AI Agent 框架

核心领域3 个项目
Shell
AI Agent 框架方法论
↑ +5,636/周 ⭐ 310,591 🍴 27,647
「An agentic skills framework & software development methodology that works.」——全站星标最高的 Agent 技能框架(31 万星),本周再 +5,636。它不只是 skill 集合,而是一整套软件开发方法论:怎么让 agent 先想后写、怎么做 TDD、怎么自我验证、怎么把工作拆成可回滚的小步骤,全部固化成可复用的技能文件。核心理念是「让 agent 像严谨的资深工程师一样工作」,而不是一次性 vibe coding。跨 harness 通用(Claude Code / Codex / Hermes 等都能挂载)。

🔍 同类对比

  • vs anthropics/skills(18.6 万星,本周同榜 +2,389):Anthropic 官方库是「能力目录」(文档处理、数据可视化等具体任务),superpowers 是「工作方式」(怎么干活才靠谱)。两者互补:一个给技能,一个给纪律
  • vs affaan-m/ECC(29.4 万星,本周 +6,380):ECC 侧重 harness 性能优化(instincts/memory/security 全家桶),superpowers 侧重开发流程方法论;ECC 配置重、superpowers 拿来就挂
  • vs multica-ai/andrej-karpathy-skills(22.7 万星):karpathy-skills 只是一个 CLAUDE.md 规则文件(轻量、单文件),superpowers 是几百个可组合技能——前者像「员工守则」,后者像「作业指导书」

🎯 与你/mimocode 的关联

  • 你和 mimocode 正在做「双端技能体系」:mimocode 侧梳理过 skill/MCP 配置(「梳理 skill 配置并通过 Tailscale 配置居家电脑」),Hermes 侧有 skill_manage。superpowers 的技能组织方式(触发条件 + 编号步骤 + 验证环节)跟你们「好 skill」的标准一致,可以直接借它的方法论模板改造现有 skill
  • 它强调「自我验证后再交付」——正好呼应你踩过的坑:mimocode 的「托管任务 bug 修复」「calc_clue_score.py 列赋值问题」这类返工,若走 superpowers 的 TDD/验证流程可提前拦截
  • 轻量(Shell + Markdown),挂到 Hermes 或 mimocode 都不占服务器内存——对 4GB 常年紧张的云服务器友好
TypeScript
AI Agent 框架自治 Agent
✨ 新上榜 ≈+4,400/周 ⭐ 7,014 🍴 703
「Towards a More Autonomous Agent System」——DeepSeek 官方放出的更自治 Agent 系统原型,Trendshift 日榜第一。上周 DeepSeek Harness 以「一切皆插件」定调开源,这周官方继续往前推:让 agent 系统自己规划、自己调度、自己收尾,减少人工每一步确认。属于实验性原型(prototype),但信号意义明确——国产 harness 阵营开始正面竞争「自治性」这个维度。

🔍 同类对比

  • vs obra/superpowers(本周 +5,636):superpowers 用「方法论纪律」约束 agent 行为,dsh-superagent 用「系统架构」提升自治度——一个管「怎么干」,一个管「干多少不用问人」
  • vs stablyai/orca / pingdotgg/t3code(控制面路线):控制面是「人管一群 agent」,自治路线是「agent 自己管自己」——两条路线正在同时演进,未来大概率合流
  • vs Anthropic 的 Claude Code 内置自治模式:DeepSeek 选择开源原型试水、社区共建;闭源厂商在产品里直接迭代。原型阶段功能完成度肯定低于商业产品,但可改可拆

🎯 与你/mimocode 的关联

  • mimocode 端跑在 DeepSeek 系 harness 上,「dsh 生态一周三见」意味着你常用的工具链上游在快速迭代——值得让 mimocode 跟踪其插件/协议演进,评估升级窗口(你们已有「MiMo v2.5 升 v2.6」的定时任务升级经验)
  • 你们的「Windows 端 Flask API + Tailscale 呼叫 Hermes 部署」协作模式,正是「半自治」形态——它的自治调度思路可以借鉴进 AI工作集成看板(Mimocode 与 Hermes 看板数据同步),让任务分派少一层人工确认
  • 原型性质注意别直接上生产:药师帮的自动上架/调价脚本涉及真实业务数据,自治程度要按「人工可回滚」原则分级放开
Python
AI Agent 框架IM 集成
↑ +2,137/周 ⭐ 45,387 🍴 3,325
「AI Agent Assistant & development framework that integrates lots of IM platforms, LLMs, plugins and AI feature, and can be your openclaw alternative.」——大而全的 IM 接入 Agent 框架:QQ / 微信 / Telegram / 飞书等主流 IM 平台统一接入,多 LLM provider 切换,自带插件市场和 Agent 编排能力,本周 +2,137 至 4.5 万星。定位是「自己搭一个聊天机器人助理」的开源底座,中文社区活跃。

🔍 同类对比

  • vs Hermes Agent(你现在用的):Hermes 走「个人 Agent + gateway 接 IM」路线,AstrBot 走「IM 机器人框架」路线——AstrBot 的插件市场和多群管理更强,Hermes 的工具/skill/记忆体系更深
  • vs OpenClaw 等同类开源 bot 框架:AstrBot 的优势是国产 IM(QQ/微信生态)支持和中文文档;劣势是深度自动化/文件系统操作能力弱于终端型 agent
  • vs 自己写企微 webhook 脚本:轻量推送场景(如 ext-monitor 通知)现有脚本够用;只有要做「群里 @机器人问答」才值得上框架

🎯 与你/mimocode 的关联

  • 你的通知主链路是企微(ext-monitor 只推当次新增高优)+ 飞书(lark-cli 发文件/截图)——AstrBot 的 IM 接入层如果哪天要做「企微群里直接查数据」(比如 @机器人问某品种 30 天销量),它是现成底座
  • 注意合规红线:企微/微信个人号自动化有封号风险,药师帮是港股公司,业务群机器人建议走企业微信官方 API 通道,别用逆向协议插件
  • 它对多 LLM provider 的抽象(含国产模型)跟你定时任务里 mimo-v2.6-pro 等多模型混用(biz-up 周报)是同类问题,配置组织方式可参考
⚡

Skill/技能生态

核心领域5 个项目
JavaScript
Skill/技能安全审计
↑ +11,908/周 ⭐ 55,551 🍴 3,623
「A coding-agent skill for multi-phase security audits with independently verified, machine-readable findings」——Cloudflare 官方出品的安全审计 Skill:让 coding agent 按多阶段流程做安全审计(信息收集 → 漏洞识别 → 独立验证 → 机器可读报告),核心卖点是每条 finding 都经过复核验证,杜绝 AI 安全审计「一本正经报假洞」的老毛病。上周 +12,680 登顶后本周再 +11,908,连续两周霸榜前三,5.5 万星。

🔍 同类对比

  • vs 通用 SAST 工具(Semgrep/CodeQL):传统工具规则死板、误报多;这个 skill 让 agent 带着上下文做深度审计+验证,但覆盖面不如规则引擎全——最佳姿势是两者叠加
  • vs ifixai-ai/iFixAi(Trendshift 榜「Agent 行为审计」):iFixAi 审计的是「agent 有没有按要求干活」,security-audit-skill 审计的是「代码有没有漏洞」——一个管过程一个管产物
  • vs 让 agent 裸跑「帮我看看有没有安全问题」:差距在流程化(多阶段)和可验证(独立复核)——零散 prompt 的产出质量完全不可比

🎯 与你/mimocode 的关联

  • 你的对外服务面不小:biz-up(8507)、zh_backend(Django 8000)、稀缺品种看板(8503)、模拟页(8506)、admin.ysbang.cn 代理链——都是 Python/FastAPI + token 鉴权(sim_tokens、dashboard-token-auth),跑一轮这个 skill 的审计成本低、收益直接
  • 爬虫/采集脚本(ext-monitor 四信息源、医药网 HW_CHECK cookie 绕过)涉及凭证明记在脚本里,正好用它的「机器可读 findings」批量扫凭证泄露面
  • 建议归档为 Hermes 一次性任务 skill 而非常驻——服务器内存紧张,审计任务跑完即释放
Markdown
Skill/技能规则文件
↑ +4,277/周 ⭐ 227,617 🍴 22,710
「A single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathy's observations on LLM coding pitfalls.」——把 Karpathy 对 LLM 编程坏习惯的观察(过度设计、不留证据就声称完成、破坏既有代码风格、伪修复……)浓缩成一个 CLAUDE.md 规则文件。单文件、零依赖、拷进项目即生效,本周再 +4,277,22.7 万星,是「规则源仓库」路线的绝对头部。

🔍 同类对比

  • vs obra/superpowers(31 万星):karpathy 是「负面清单」(别做什么),superpowers 是「正面流程」(该怎么做)——两者同时挂效果最好
  • vs affaan-m/ECC:ECC 把规则做成庞大系统(instincts + memory + security),karpathy 反其道而行只给一个文件——轻量党的胜利,4 千周增说明「简单可落地」仍有巨大市场
  • vs 各项目自定义 AGENTS.md:它的价值是把「LLM 通病」提炼成通用条款,省去每个项目重新踩坑;但业务约束(如你的「先问业务逻辑再动手」)仍需自己补

🎯 与你/mimocode 的关联

  • 你被 agent 气过的点(「只给概述不给详细分析」「自作主张跳步骤返工」「不重复话语/不卡循环」)跟 Karpathy 观察的 LLM 通病高度重合——这份文件可以直接垫进 mimocode 的 CLAUDE.md 和 Hermes 的协作纪律,白拿一份高质量负面清单
  • mimocode 上下文里「审计线索脚本更改」「托管任务 bug 修复」等返工类工作项,正是「伪修复/破坏既有逻辑」通病的产物——规则前置能减少复发
  • 部署成本约等于零(一个 md 文件),适合你们「本地 mimocode + 云端 Hermes」双端统一下发
Python
Skill/技能官方目录
↑ +2,389/周 ⭐ 185,994 🍴 21,957
「Public repository for Agent Skills」——Anthropic 官方 Agent Skills 公开仓库:文档处理(docx/pdf/pptx/xlsx)、数据分析、视觉设计等成套技能的规范参考实现。本周 +2,389 稳步增长至 18.6 万星。它的重要性不在单个 skill 多强,而在「Skill 格式规范」本身已成为事实标准——SKILL.md + 触发条件 + 附属脚本/模板的组织方式被各家 harness 广泛兼容。

🔍 同类对比

  • vs ComposioHQ/awesome-claude-skills(7.8 万星合集):官方库胜在质量稳定、格式规范;社区合集胜在长尾覆盖(什么冷门需求都有)——生产用官方,探索用合集
  • vs obra/superpowers:官方库是「任务技能」(做 PPT、读 Excel),superpowers 是「工作方法」(怎么写代码不翻车),定位不冲突
  • vs VoltAgent/awesome-agent-skills(1000+ 技能目录):目录类项目解决「找」的问题,官方库解决「标准」的问题

🎯 与你/mimocode 的关联

  • 你们的 skill 体系已经是同款结构(Hermes 的 SKILL.md + references/templates/scripts、ysbang-doc-check / ysbang-doc-update 这类业务 skill)——官方库是持续对齐格式演进的参照物,升级 Hermes 时留意新字段/新约定
  • 它的文档处理技能(docx/xlsx/pdf)跟你日常「飞书文档读取」「Excel 导出(自动翻页统计 account 导出 Excel)」场景重叠,缺需求时先翻官方再自研
  • 注意:官方 skill 是给 Claude Code 系设计的,挂到 mimocode/Hermes 时个别依赖 Python 脚本要按你们 venv 环境(宝塔 Python)适配
Python
Skill/技能SEO
↑ +4,814/周 ⭐ 25,133 🍴 3,325
「Universal SEO skill for Claude Code. 26 sub-skills + 19 sub-agents covering technical SEO, E-E-A-T, schema, GEO/AEO, agent readiness (Lighthouse Agentic Browsing, WebMCP, llms.txt), backlinks, local SEO, e-commerce, international SEO, Google APIs, and PDF/Excel reporting.」——把 SEO 全流程拆成 26 个子技能 + 19 个子代理的巨型 Skill:技术 SEO、结构化数据、外链、本地/电商/国际化 SEO,还带 Google API 对接和 PDF/Excel 报告输出。本周 +4,814 至 2.5 万星。亮点是「agent readiness」方向(Lighthouse Agentic Browsing、WebMCP、llms.txt)——为「AI 来读你的网站」做优化。

🔍 同类对比

  • vs 传统 SEO 工具(Ahrefs/Screaming Frog):传统工具数据面全(爬取/排名/外链库),claude-seo 胜在执行闭环(审计→改代码→生成报告一条龙)且免费;数据深度仍依赖它接的 Google API
  • vs 单点 SEO skill:26 子技能的覆盖面是护城河,但也意味着配置和维护成本高,轻量需求用不上全套
  • vs 让 agent 裸问「帮我做 SEO」:GEO/AEO、llms.txt 这些新概念已有成熟 checklist,裸问容易漏掉「AI 搜索适配」这一层

🎯 与你/mimocode 的关联

  • 你手上有一批公开 Web 资产:www.ysbang.top 下的稀缺地图(/scarcity/)、潜力看板(/potential/)、脚本文档站、GitHub 趋势看板(github-trending.ysbang.top)——虽然多是内部/半内部工具,但「llms.txt + 结构化数据」这套 agent readiness 做法对文档站(ysbang-doc)很有价值:让 AI 检索脚本文档时拿到结构化内容而不是裸 HTML
  • 它「26 子技能 + 19 子代理」的拆分方式,是你们拆业务 skill(如 ysbang-weekly-report 拆搜索/生成/发布/推送)的现成参照
  • 对国内场景注意:它面向 Google 生态,百度/微信搜一搜的优化规则不同,别照搬结论
Python
Skill/技能设计评审
✨ 新上榜 ≈+6,800/周 ⭐ 8,883 🍴 558
「Open-source skills for designing and reviewing software with AI agents」——Google 官方开源的软件设计与评审 Skill 集:教 agent 怎么做架构设计、怎么评审设计方案、怎么发现设计缺陷。Trendshift 周榜第 8(≈+6,800),一周冲到 8.9 千星。Google 亲自下场做「设计品味/评审」类 skill,是本周「质量门禁」主题的又一注脚——大厂认为「AI 做设计决策」需要专门的方法论供给。

🔍 同类对比

  • vs hallmark/impeccable(前端设计品味):那两个管「UI 长什么样」,这个管「软件怎么设计」——架构、接口、评审流程,抽象层级更高
  • vs obra/superpowers 的开发方法论:superpowers 覆盖全开发流程,这个专攻设计/评审环节且出自 Google 工程实践,单点更深
  • vs 现成架构评审 checklist 文档:它把评审拆成 agent 可执行的步骤和提问模板,比人肉对照 checklist 一致性强;但新颖,成熟度待观察

🎯 与你/mimocode 的关联

  • mimocode 正在做「稀缺品种合作管理页面方案」「潜力商业识别页面需求与数据清单」这类方案设计工作(SCARCE_ITEM 表设计、potential_provider_drugs 单表化)——评审 skill 可以在方案定稿前当「第二意见」,特别是表结构这种改起来贵的决策
  • 你有「分析方案要基于既定决策路径、不引入违反约束的替代方案」的纪律要求——这个 skill 的评审框架正好是把这类约束固化下来的载体
  • 仓库名带 model 字样但实质是 skill 集,接入方式与普通 SKILL.md 一致,挂 Hermes 试用成本低
🖥

Web 开发/UI·设计品味

个性化推荐4 个项目
CSS
Web/UI设计 Skill
↑ +12,062/周(全站第一) ⭐ 44,115 🍴 2,329
「Anti-AI-slop design skill for Claude Code, Cursor, and Codex.」——本周全站周增第一(+12,062)。专治「AI 生成页面一眼假」:圆角卡片+紫色渐变+emoji 图标的那套模板腔。它以 skill 形式给 coding agent 注入设计规范(排版、间距、配色、层次),输出更像有审美的设计师做的页面而不是套模板。4.4 万星、纯 CSS+规则实现,跟得上任何支持 skill 的 agent。

🔍 同类对比

  • vs pbakaus/impeccable(9.8 万星,本周 +12,031):impeccable 给 agent 一套「设计词汇表」(polish/bolder/critique 等可调指令)+ 审查流程;hallmark 给的是「设计规范约束」。impeccable 偏交互式调优,hallmark 偏默认兜底,两者叠加最佳
  • vs Leonxlnx/taste-skill(10.7 万星,本周 +4,975):taste-skill 走「参考图 + 浏览器实检」路线(生成后截图检查),hallmark 走「事前规范」路线——一个事后验收一个事前约束
  • vs 每次 prompt 里手写「不要 AI 味」:skill 化后规范稳定可复现,不靠每次发挥

🎯 与你/mimocode 的关联

  • 你是「看板大户」:work.ysbang.top(FastAPI+React+Tailwind)、稀缺品种看板、潜力商业 Demo(登录/总览/筛选/管理页)、爆款汰换 HTML 报告——全是 AI 生成前端,直接吃「反 slop」红利
  • 你的 PPT/网页偏好已经很明确(dark 深靛蓝统一背景、署名规范)——hallmark 的规范约束方式适合把你的「UI 展示跟数据模型枚举对齐、不假设不折叠」这类要求也固化进去
  • mimocode 侧「对外品种潜力看板 Demo」这类要给商务看的页面,第一印象就是设计质感,值得把 hallmark 挂进 mimocode 的 skill 配置
Rust
Web/UI设计 Skill
↑ +12,031/周 ⭐ 98,513 🍴 5,814
「The design vocabulary for your coding agent. Stear with polish and bolder, review with critique and audit, catch AI slop before it ships.」——给 coding agent 一套设计词汇表:做之前用 polish/bolder 等档位给方向,做完用 critique/audit 做设计评审,在发布前拦住 AI slop。Rust 实现,9.8 万星,本周 +12,031 与 hallmark 并驾齐驱。作者 pbakaus 是资深设计工程背景,卖点是「把设计判断力变成 agent 能执行的指令」。

🔍 同类对比

  • vs Nutlope/hallmark:hallmark 是「规范约束」(静态规则),impeccable 是「词汇调优 + 评审闭环」(动态流程)——想要省心挂 hallmark,想要可控调 impeccable
  • vs Leonxlnx/taste-skill:taste-skill 用参考图定向风格(艺术指导感强),impeccable 用设计语言描述定向(更工程化、可脚本化);taste-skill 浏览器实检是独有优势
  • vs 设计师人工走查:它能拦住 80% 的「一眼 AI」问题,但品牌级调性仍需人拍板——当「第一道筛」用性价比最高

🎯 与你/mimocode 的关联

  • 你的验证习惯是「页面截出来看」(GitHub 趋势看板每周截图推飞书)——impeccable 的 critique/audit 环节可以插在截图前自查一轮,减少「发出去才发现丑」的返工
  • 数据平台前端(Element Plus + Vue3)这类组件库页面最容易出「AI 味」千篇一律,它的「bolder」档位适合给品类运营看板做出区分度
  • Rust 实现意味着它带二进制工具,Windows 端 mimocode 和云服务器都能装,但注意服务器磁盘/内存紧张,建议只挂 skill 文件部分
JavaScript
Web/UI设计 Skill
↑ +4,975/周 ⭐ 107,202 🍴 7,250
「Agent skills that give coding agents taste: art direction, reference images and a browser check instead of generic AI pages」——给 agent「审美」的老牌头部项目(10.7 万星):艺术指导(art direction)+ 参考图定向 + 生成后浏览器实检三板斧,可调设计方差、动效强度、视觉密度。本周 +4,975 稳步增长。设计品味三件套(taste-skill / hallmark / impeccable)里它最「视觉化」,靠参考图锚定风格。

🔍 同类对比

  • vs hallmark(新贵,+12,062):hallmark 轻(纯规范、无流程)冲得快;taste-skill 重(参考图管理+浏览器检查)沉淀深。hallmark 适合默认全挂,taste-skill 适合重要页面精做
  • vs impeccable:impeccable 用「设计词汇」沟通,taste-skill 用「参考图」沟通——给设计师看后者更直观,给纯工程流前者更好参数化
  • vs 单纯给 agent 截图::「浏览器实检」自动化了「做完自己开浏览器看一眼」这步,是三件套里唯一的闭环验收能力

🎯 与你/mimocode 的关联

  • 你的 design-taste-frontend skill 就是「tasteskill v2, the anti-slop frontend skill」——你已经是这个项目的用户,本周 +4,975 说明上游还在活跃迭代,值得对比 v2 之后上游又加了什么(参考图管理、动效强度参数)反哺你的 skill
  • 「浏览器实检」环节跟你「verification-before-completion、跑验证再声称完成」的纪律互补——一个验功能一个验观感
  • 它偏前端单页场景;你的 HTML 数据报告(爆款汰换复盘、品类运营周报)也能用参考图锚定「报告风格统一」
Markdown
Web/UI界面构建
↑ +1,272/周 ⭐ 9,660 🍴 372
「A collection of agent skills that help you build great interfaces.」——一组专注「界面构建」的 agent skills:布局、组件、交互模式等界面层面的技能集合,纯 Markdown 实现,9.7 千星本周 +1,272。相比三件套的「审美」定位,它更偏「界面工程」——怎么把界面搭得对、搭得快。

🔍 同类对比

  • vs hallmark/impeccable/taste-skill(品味系):品味系解决「好不好看」,这个解决「对不对路」(信息层级、组件选择、交互模式)——先做对再做好看
  • vs 官方文档(React/Vue 官方指南):它把界面模式提炼成 agent 可消费的 checklist,比翻文档快;但框架特定细节仍以官方为准
  • 星量级(9.7k)远低于品味系三巨头,属于「小而专」补充型

🎯 与你/mimocode 的关联

  • work.ysbang.top 的交互规范(卡片选择器、截断+弹窗编辑、点击背景只关最上层弹窗、公共端/管理端布局一致)正是「界面工程」问题——可以参考它的交互模式清单,把你的偏好固化成 Hermes 侧的 frontend skill 条款
  • mimocode 的「稀缺品种合作管理页面」CRUD、供应商现状表格页(排序、模糊搜索、区间统计)是典型的界面模式问题,套它的表格/筛选/表单模式能少踩坑
🛠

AI 工具链

核心领域4 个项目
JavaScript
AI 工具链Harness 优化
↑ +6,380/周 ⭐ 294,215 🍴 43,560
「The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.」——全站总星第一(29.4 万)的「harness 性能优化系统」:把 skills、instincts(直觉规则)、memory、security、research-first 开发流程打包成一套可安装体系,横跨 Claude Code / Codex / OpenCode / Cursor。本周 +6,380 持续走高。它的野心是「不管你用什么 harness,装上我它就更聪明」——做 agent 时代的「性能外挂」。

🔍 同类对比

  • vs obra/superpowers(31 万星):两者是「harness 增强」赛道的双雄:ECC 是全家桶(memory/security/instincts 全都要),superpowers 是方法论流(轻量、流程向)——ECC 配置面大、superpowers 即挂即用
  • vs multica-ai/andrej-karpathy-skills(单文件规则):同为「提升 agent 表现」,karpathy 是一杯速溶咖啡,ECC 是整套咖啡机——小团队从 karpathy 起步、重度用户上 ECC 更合理
  • vs harness 厂商内置优化(Claude Code 自身迭代):第三方全家桶胜在跨 harness 通用;劣势是跟底层 harness 版本节奏容易脱节,升级时要跟着调

🎯 与你/mimocode 的关联

  • 你们是「多 harness 混编」(Hermes + mimocode + 曾用 Trae),ECC 的跨 harness 通用性正好对口——但它的 memory 组件跟你现有记忆主通道(Hindsight,mem0 只读备份)可能打架,上之前先理清记忆层归属
  • 「research-first development」理念跟你「分析不熟业务脚本先问用户逻辑和数据库结构再执行」的纪律同频,可只借它的 research 流程组件
  • 体量警告:全家桶安装物多,云服务器 4GB 内存常年紧张(pyright 用完都得 kill)——建议只在 Windows 端 mimocode 试,云端挂最小集
JavaScript
AI 工具链提示词工程
↑ +6,641/周 ⭐ 14,770 🍴 3,417
「DeepSeek Harness 破甲:让所有模型都能破甲,不同模型可换不同提示词;默认提示词面向国模『小码酱』。Jailbreak for every model — swap prompts per model.」——DeepSeek Harness 生态本周第二把火(+6,641 至 1.5 万星):一套可按模型切换的提示词方案,绕过各家模型的内容限制(「破甲」),默认面向国产模型优化。属于对抗性提示词工具,技术上有信息量(多模型提示词适配),但用途敏感。

🔍 同类对比

  • vs togg53192-cmd/jailbreaks(Trendshift 周榜在列):同赛道都是提示词对抗,dsh-purge 的差异点是「按模型换提示词」的适配工程化——承认不同模型防线不同、需要不同打法
  • vs 正向提示词工程(karpathy-skills 等规则集):一个破规则一个立规则;对生产力场景,立规则的 ROI 明显更高
  • ⚠️ 合规提醒:「破甲」用途在企业环境有内容安全风险,且二次开发带署名要求——港股公司业务环境建议只研究其「多模型提示词适配」思路,不引入破甲用途

🎯 与你/mimocode 的关联

  • 对你真正有用的是「不同模型换不同提示词」这个工程事实:你混用 mimo-v2.6-pro、Kimi 等多模型跑定时任务(biz-up 周报、daily-intel-scan),同一个 prompt 在不同模型上表现漂移是实际问题——它的多模型提示词适配结构值得借鉴
  • 破甲用途与药师帮业务无关,不建议引入生产;了解即可,别追热度
TypeScript
AI 工具链Agent 控制面
↑ +3,718/周 ⭐ 37,729 🍴 8,897
t3 团队(Theo)出品的开源 Agent 控制面:iOS / Android / Web / Electron 全家桶,让你从手机远程指挥电脑上的各家 coding agent(Claude Code、Codex 等)干活,完全开源可 fork。本周 +3,718 至 3.8 万星。上周它作为「Harness 控制面」开战的代表之一上榜,本周继续涨——「出门用手机派活、回家收结果」正在从极客玩法变成标准形态。

🔍 同类对比

  • vs stablyai/orca(上周 +9,828 的 Agent 舰队):orca 是「多 agent 编排战场」(管一群),t3code 是「远程控制台」(控一台/一组但强在移动端体验)——t3code 的移动端全家桶更完整,orca 的多 agent 视图更全
  • vs vercel-labs/agent-desktop(本周新上榜):agent-desktop 管「agent 怎么操作电脑 UI」,t3code 管「人怎么远程指挥 agent」——一个是执行层一个是指挥层
  • vs Tailscale + SSH 手搓方案(你现在用的):你用 Tailscale 呼叫 Hermes 部署是「远程进机器」,t3code 是「远程发任务给 agent」——交互抽象高一层,但黑盒程度也高一层

🎯 与你/mimocode 的关联

  • 你的沟通主渠道是微信、人经常不在工位——「手机触发本机 agent 跑任务」跟你的生活方式高度契合;而你已经在做「Windows 端 Flask API + Tailscale 暴露给云端 Hermes 看板」(AI工作集成看板),t3code 的协议设计可以对照参考,避免重复造轮子
  • 注意你们的协作纪律:MiMo 侧与 Hermes 侧禁止抢写同一目标——引入第三方控制面时要把「任务归属」规则一起定死,防止双 agent 冲突(之前 relay 双开重复会话的教训)
  • 它带 Electron/iOS/Android 多端,别全装;挑手机端 + 现有 Tailscale 链路试用即可
Python
AI 工具链成本控制
✨ 新上榜 ⭐ 3,826 🍴 222
「Experience-Driven Black-Box Cost Control for Coding Agents」——微软研究院出品的编码 Agent 成本控制工具:把 agent 当黑盒,从历史使用经验里学出「哪类任务烧 token 多、怎么省」,在不侵入 agent 内部的前提下压成本。Trendshift 榜新面孔,3.8 千星。当 agent 从「偶尔用」变成「全天跑」,token 账单管理正在变成刚需。

🔍 同类对比

  • vs 各 harness 自带用量统计(usage 面板):自带统计只告诉你「花了多少」,TokenEconomizer 试图告诉你「怎么花得少」——从记录到干预是本质区别
  • vs 手动换便宜模型(你现在按任务选 mimo-v2.6-pro/其他):人工策略靠经验,它靠历史数据归纳;任务量小时人工够用,规模化后数据驱动更稳
  • vs 缓存/批处理类省钱方案:它走「任务路由与行为优化」路线,跟缓存类正交,可叠加

🎯 与你/mimocode 的关联

  • 你的 token 消耗正在规模化:多个 cron 任务(daily-intel-scan、biz-up 周报、ext-monitor、GitHub 趋势)+ 双端 agent 全天跑,而 AI工作集成看板已经在做「Token 用量、会话进展与完成率」统计——统计之上加「省钱建议」正是 TokenEconomizer 的定位,方向值得跟踪
  • 它是 Python 实现,跟你的技术栈(宝塔 Python venv)亲和,接入统计管道的成本低
  • 黑盒方案对 API 计费的国产模型效果待验证——先观望,等它出 provider 支持清单再决定
🧠

Agent 记忆/上下文管理

个性化推荐1 个项目
TypeScript
AI 工具链记忆管理
↑ +4,575/周 ⭐ 108,154 🍴 9,490
「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」——跨会话持久记忆的头部项目(10.8 万星,本周 +4,575):自动记录 agent 每次会话的所作所为,AI 压缩后在未来会话里按相关性注入上下文。明确支持 Hermes。它解决的就是「agent 失忆」——换个会话就忘了自己昨天干了什么。

🔍 同类对比

  • vs Hindsight(你现用的记忆主通道):Hindsight 是 recall/retain 语义记忆服务,claude-mem 是「会话流水捕获 + 压缩回注」——前者记「结论/知识」,后者记「过程/履历」,哲学不同
  • vs akitaonrails/ai-memory(上周上榜,跨厂商记忆交接):ai-memory 主打「记忆在不同 agent 间交接」,claude-mem 主打「单 agent 记忆持久化」——你双端(Hermes + mimocode)场景其实两者都要看
  • vs mem0(你只读备份的那套):mem0 是记忆 API 服务,claude-mem 是采集+回注一体化工具链;你们已定「Hindsight 主、mem0 只读备份」,引入第三套前先想清楚记忆层会不会打架

🎯 与你/mimocode 的关联

  • 你的核心痛点就是「记忆不相通」:Hermes 端与 mimocode 端靠 mimocode_context.md 手工传话——claude-mem 的「会话捕获→压缩→回注」管道是自动化版的这个流程,但它是单工具记忆,跨端仍需配合 ai-memory 类方案
  • 它对 Hermes 的支持是官方声明的,可以低成本试挂;注意你已有的记忆规则([hermes-env] 前缀隔离、来源标记 agent_id)要兼容进去,别把 mem0 隔离规则冲掉
  • 「压缩后回注」跟你踩过的 skill_view 压缩丢正文坑类似——上生产前验证它对中文长上下文的压缩保真度(mem0 就有中文 UTF-8 写入 bug 的前科)
🔌

MCP 生态

核心领域1 个项目
Rust
MCP 生态AI 搜索
✨ 新上榜(Trendshift) ⭐ 18,655 🍴 1,422
「AI search engine and MCP server for bots and agents. One Rust binary indexes code, docs, logs, JSONL/CSV and PDFs for BM25 full-text, vector and hybrid search, code search without grep, agent memory and RAG. Elasticsearch-compatible API; Corpus Hub serves hundreds of reference memory corpora.」——给 agent 用的AI 搜索引擎 + MCP server:单个 Rust 二进制索引代码、文档、日志、JSONL/CSV、PDF,支持 BM25 全文、向量、混合检索,API 兼容 Elasticsearch,还带「语料库中心」。MCP 生态从「连接器」走向「深度检索基础设施」的代表作,1.9 万星。

🔍 同类对比

  • vs grep/ripgrep 类代码搜索:关键词匹配 vs 语义+全文混合检索——找「逻辑相似」的内容(比如找同类 SQL 处理)时混合检索明显更强;找精确字符串还是 grep 快
  • vs 向量数据库方案(Chroma/PGVector):向量库只管语义层,xerj 把全文+向量+代码搜索打包成一个二进制——运维面小得多,适合你的单服务器环境
  • vs WeKnora 类知识库(自维护 Wiki):WeKnora 偏「知识沉淀展示」,xerj 偏「检索供给 agent」——一个给人看,一个给模型喂

🎯 与你/mimocode 的关联

  • 「药师帮知识库」项目正是它的目标场景:把脚本文档站、飞书文档导出、SQL 表字段说明(ts_zhdrug_info、ts_ 表结构)索引进去,agent 问答时混合检索比现在翻文档快得多
  • ext-monitor 四信息源(Pharmacy Times、摩熵医药、国家医保局、医药网)的历史采集数据是现成的 JSONL/CSV 语料——索引后「这个品种过去出过什么召回/短缺」可以一句话查
  • Rust 单二进制省内存(对比 Elasticsearch 全家桶),对 4GB 服务器友好;但 PDF/文档索引吃磁盘,注意你们刚清理过 92% 磁盘占用,控制索引范围
⚙️

自动化/Agent 调度

个性化推荐2 个项目
Rust
自动化Computer Use
✨ 新上榜 ≈+2,100/周 ⭐ 6,676 🍴 489
「Agent Desktop gives any agent reliable computer use on the desktop. Built with Rust, it sees any app's real UI structure through OS accessibility trees and operates it — refs stay stable and actions stay safe to retry, instead of guessing from pixels.」——Vercel 实验室出品的桌面 Computer Use 底座:不靠截图像素猜 UI,而是读操作系统无障碍树(accessibility tree)拿到应用的真实控件结构来操作,引用稳定、动作可安全重试。Rust 实现,Trendshift 日榜第 2。这解决的是 computer use 最大的痛点——「点错、重试把事情搞砸」。

🔍 同类对比

  • vs 截图+视觉模型方案(Anthropic computer use 常规做法):视觉方案通用但慢、贵、易错位;无障碍树方案快且稳,代价是只支持暴露了无障碍接口的应用
  • vs Playwright/Selenium(网页自动化):那套只管浏览器,agent-desktop 管任意桌面应用(Excel、ERP 客户端、桌面工具)——你的「浏览器外」自动化缺口正需要它
  • vs lightpanda-io/browser(本页同榜):lightpanda 管网页层,agent-desktop 管桌面层,互补不冲突

🎯 与你/mimocode 的关联

  • mimocode 端的自动化场景基本是「桌面/浏览器操作」:每天定时登录网站签到(SSPanel 类)、自动翻页统计 account、自动上架、托管任务——目前靠脚本+浏览器控制台脚本硬打,「可安全重试的桌面操作」正是这类任务稳定性的命门(你们已经为 flock 卡死、API 假死上过看门狗)
  • Windows 端是它的主场(macOS/Windows),放 mimocode 端试;云服务器是 Linux 无桌面,别往那装
  • 药师帮内部若有只能用客户端/桌面工具操作的流程(如 ERP、远程桌面里的操作),它是「agent 接管」的少数可行路径
Zig
自动化无头浏览器
✨ Trendshift 榜 ⭐ 40,027 🍴 1,959
「Lightpanda: the headless browser designed for AI and automation」——专为 AI/自动化设计的开源无头浏览器(Zig 实现):比 Chromium 系无头浏览器轻一个数量级(内存占用极低、启动快),面向机器人/agent 抓取与自动化场景,支持 CDP 协议(可接 Playwright/Puppeteer 生态)。4 万星,Trendshift 榜持续在列。

🔍 同类对比

  • vs headless Chromium / Playwright:Chromium 功能全但重(每个实例几百 MB 内存);lightpanda 极轻但对复杂 JS/新标准兼容性还在追赶——采集简单页面它赢,渲染重页面还是 Chromium 稳
  • vs requests + lxml 纯 HTTP 抓取:纯 HTTP 最轻,但过不了 JS 验证页(你医药网 660 字节 JS 挑战就是例子);lightpanda 是「介于两者之间」的档位
  • vs moli(你的 JS 验证页兜底工具):moli 是整套「Agent 专用浏览器」方案,lightpanda 是底层引擎——若 moli 底层换 lightpanda 类引擎,资源占用会进一步下降

🎯 与你/mimocode 的关联

  • ext-monitor 四信息源采集 + 每日登录签到 + 自动翻页统计,全是轻页面高并发场景——「一台服务器跑十几个采集任务」的内存压力(你们 4GB 常年紧张、LSP 都要手动 kill)正是 lightpanda 的目标痛点
  • 医药网的 JS 验证挑战页属于「重 JS」场景,兼容性风险先验证再迁移,别一次性换掉 moli 兜底
  • 它支持 CDP,理论上可直接替换现有 Playwright/CDP 链路(Hermes 的 browser 也走 CDP)——迁移成本低是最大吸引力
📊

数据/金融

个性化推荐1 个项目
Python
AI Agent 框架多 Agent 决策
↑ +5,483/周 ⭐ 119,135 🍴 22,797
「TradingAgents: Multi-Agents LLM Financial Trading Framework」——多 Agent LLM 金融交易框架:把交易决策拆成辩论式多角色协作(基本面分析师、技术分析师、多头/空头辩论者、风控官、最终交易员),让 agent 群体先互相挑战再出决策。11.9 万星,本周 +5,483。金融赛道最大的多 Agent 决策框架之一,中文社区贡献活跃。

🔍 同类对比

  • vs 单 agent 直接问「该买吗」:辩论式多角色的决策链更长、可解释性更强(每个角色有立场和产出),能压住单 agent 的拍脑袋倾向——代价是 token 消耗数倍
  • vs shiyu-coder/Kronos(Trendshift 榜「金融市场基础模型」):Kronos 走「专用模型」路线,TradingAgents 走「通用 LLM + 编排」路线——前者快而专,后者灵活可换模型
  • vs 量化因子框架(传统):传统量化数据驱动、可回测;TradingAgents 是「叙事+数据」混合判断,回测体系不成熟,别当交易圣杯

🎯 与你/mimocode 的关联

  • 跟你的业务没有直接关系(金融交易 ≠ 药品品类运营),收录理由是它验证了「多角色辩论式决策」这个编排模式的价值——你们的「找货项目数据复盘」「爆款品种汰换」其实是同类决策问题(多维度数据 + 淘汰/新增裁决),可以借它的「分析师→辩论→裁决」结构组织 prompt 流
  • 它的风控官角色设计值得抄进你的「品种汰换」流程:先出淘汰名单、再让「辩护 agent」找反证,减少误杀
  • Python 实现、组件可拆,摘「辩论编排」模块比整体部署现实得多