GitHub 周趋势看板 2026-11-02
第44周(10.27—11.02)· 本周洞察:「质量门禁类 Skill」集体登顶——hallmark +12,062 / impeccable +12,031 设计品味双爆、security-audit-skill +11,908 安全审计持续,Skill 生态从「能力扩展」转向「品味与质检」· DeepSeek Harness 生态一周三见(dsh-superagent-prototype 新上榜 7k 星 / dsh-purge +6,641 / dsh-Go)· claude-mem +4,575 记忆基建不停 · Google 亲自下场做设计评审 Skill(elephant-goldfish-model)· MCP 转向「AI 搜索引擎」深度工具(xerj)
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「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
「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
「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「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
「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
「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
「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
「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「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
「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
「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」
「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「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
「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
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
「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「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「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「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
「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「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