17
收录项目
8
覆盖领域
+17,100
最高周增(t3code)
10
新上榜项目
318,455
最高总星(mattpocock/skills)
本周趋势解读:上周「质量门禁」主题还在发酵(impeccable / hallmark 双双再涨 6k+),但本周真正的头条是「Agent 指挥舱与调度层」:t3code 单周 +17,100 登顶,把「用手机远程指挥电脑上跑着的各家 coding agent」变成了大众需求;worktrunk(并行 agent 的 git worktree 管理)、Claude-Code-Game-Studios(49 个 agent 按工作室层级协作)、OpenMausBot(带虚拟机的开源 bot)都在指向同一件事——「一个 agent 干活」正在变成「一支 agent 团队干活」,谁来调度谁就赢。另一条线是 Skill 生态进入「个人 IP 收割期」:mattpocock/skills 以 31.8 万星登顶全站 Skill 仓库,超越官方 anthropics/skills 和 superpowers。数据源:GitHub Trending(周榜)+ Trendshift + 补充搜索,星标 < 500 已过滤;总星/Forks 为 11.09 GitHub API 实时数据,周增为 GitHub 周榜口径。
🤖

AI Agent 框架

核心领域3 个项目
Shell
AI Agent 框架多 Agent 编排
↑ +5,719/周 ⭐ 36,956 🍴 4,870
「Turn Claude Code into a full game dev studio — 49 AI agents, 72 workflow skills, and a complete coordination system mirroring real studio hierarchy.」——把 Claude Code 变成一个完整的游戏开发工作室:49 个 AI agent 按真实工作室层级组织(制作人 → 主策 → 美术/程序/关卡/QA……),72 个 workflow skill 覆盖从立项、原型到测试发布的全流程,外加一套协调系统管 agent 之间的任务分派、交接和状态同步。以 GitHub Template 形式发布(MIT),支持 Unity / Unreal / Godot,自带「CCGS Skill Testing Framework」对每个 skill 做触发率测试。本周 +5,719 至 3.7 万星,是「多 Agent 组织学」路线本周最火的样本。

🔍 同类对比

  • vs obra/superpowers(31.5 万星):superpowers 是「单 agent 工作纪律」(TDD、验证、小步回滚),Game-Studios 是「多 agent 组织架构」(角色、层级、交接协议)——一个是把一个人练成精兵,一个是把一群兵编成师
  • vs stablyai/orca 等并行 Agent 舰队工具:orca 类工具管「同时跑 N 个 agent」(纯调度),Game-Studios 管「N 个 agent 按角色协作」(带领域知识的流程),后者重但产出一致性更好
  • vs 直接让一个 agent 写全栈游戏:单 agent 长任务容易前后矛盾、忘了前期设定;49 agent 的代价是 token 消耗和协调开销大——它适合「做完整项目」,不适合改一个小 bug

🎯 与你/mimocode 的关联

  • 直接用它做游戏没意义,但它对你的价值是「多 agent 角色分工」的组织模板:你们 mimocode↔Hermes 双端协作(「本地开发由 MiMo 主导、Hermes 协助」)目前靠约定,它的角色定义 + 交接协议(每个 agent 有职责边界和交接文档)可以直接抄结构
  • 它的「Skill Testing Framework」思路值得偷师:你和 mimocode 积累了几十个 skill(meeting-notes-intake、ysbang-doc-*、ext-monitor-collector……),但没人测过触发率——「skill 会不会被正确唤起」正是你们踩过的坑(skill_view 压缩后失效、skill 没被加载就干活)
  • 注意成本:49 agent 全跑一轮的 token 开销巨大,你们的定时任务(biz-up 周报、品类周报)都是成本敏感场景,别照搬规模,只借架构
TypeScript
AI Agent 框架Computer Use
↑ +7,077/周 ⭐ 18,131 🍴 2,528
「Open-source Grok Bot alternative with a virtual machine that bots can use」——对标 xAI Grok Bot 的开源自主 bot 平台,核心差异是给 bot 配了一台可以真实操作的虚拟机:bot 不只是聊天,而是在 VM 里点鼠标、敲键盘、跑命令、开浏览器完成任务(computer-use)。自托管部署(Docker / Electron / Cloudflare 全套都有),支持 Claude Code / Codex 作为底层 agent,带 connector、companion、enterprise 目录,8,500+ commits 迭代极快。本周 +7,077 至 1.8 万星,Apache-2.0,官方强调与 xAI 无关联。

🔍 同类对比

  • vs Grok Bot(闭源对标物):OpenMausBot 赢在开源自托管(数据不出内网)、可换底层模型;输在成熟度和生态——官方 VM 驱动这类「电脑操作」能力极难打磨,自托管意味着自己扛稳定性
  • vs Hermes Agent 的浏览器/终端工具(browser_exec / terminal):Hermes 是「工具随用随开」,OpenMausBot 是「常驻 VM + 会话式指挥」——它适合「一个 bot 长期待命干活」,Hermes 适合「任务式调用」;你们 4GB 内存的服务器跑常驻 VM 不现实
  • vs Anthropic computer-use 参考实现:官方实现是「能力 demo」,OpenMausBot 是「产品化封装」(账号、多 bot、任务队列)——要上生产用后者,要研究能力看前者

🎯 与你/mimocode 的关联

  • 你的「每日自动登录签到」类需求(v2free 签到、SSPanel 风格站点每日 09:07 登录)现在是 mimocode 定时脚本直连实现——如果这类站点增多、登录流程频繁改版,「带 VM 的 computer-use bot」比每次手改脚本更抗变化,可以关注它的任务复用机制
  • 它的 connector/companion 架构(bot 与外部系统对接层)跟你们「Flask API + Tailscale 暴露给 Hermes 看板」的 AI工作集成看板是同类问题,接口分层方式可参考
  • 风险提示:computer-use bot 碰真实账号有风控风险(你们踩过 yjj「异地/多设备频繁登录」的坑),生产账号自动化要控制操作频率和指纹一致性
Shell
AI Agent 框架方法论
↑ +4,466/周 ⭐ 314,560 🍴 27,987
「An agentic skills framework & software development methodology that works.」——全站星标最高的 agent 技能框架之一(31.5 万星),本周再 +4,466。它不只是一堆 skill,而是一整套软件开发方法论:让 agent 先想后写、TDD、自我验证、把工作拆成可回滚的小步骤,全部固化成可复用技能文件。连续多周上榜后增速趋稳(上周 +5,636 → 本周 +4,466),进入「存量消化期」,但仍是跨 harness(Claude Code / Codex / Hermes)通用的事实标准之一。

🔍 同类对比

  • vs mattpocock/skills(31.8 万星,本周反超登顶):superpowers 是「流程纪律」(怎么干活才靠谱),mattpocock 是「工程师实用技能包」(grilling 需求拷问、writing-for-agents 等具体招式)——本周王座易主说明社区口味从「大而全的方法论」转向「拿来就用的具体技能」
  • vs Donchitos/Claude-Code-Game-Studios(多 agent 组织):一个管单兵素质,一个管团队编制,正交不冲突
  • vs CLAUDE.md 规则文件(karpathy 路线):规则文件轻(几 KB)但只有约束,superpowers 重(几百个技能文件)但有完整操作步骤——你们目前「规则 + 关键 skill」的混合形态其实已经是两者的折中

🎯 与你/mimocode 的关联

  • 你们已经评估过它(「Superpowers 对 Hermes 效果评估」,补了 brainstorming 和 verification-before-completion 两个 skill)——本周可以看它的增量更新,特别是 verification 类技能的演进,你踩过的「不给证据就声称完成」坑正是它管的
  • mimocode 侧已「系统层级安装 superpowers 技能」,双端口径一致;后续新增 skill(如 ysbang-doc-update)建议继续套它的「触发条件 + 编号步骤 + 验证环节」格式
  • 轻量(Shell + Markdown),对 4GB 内存服务器友好——保持它「文件型技能」的形态,别往里塞常驻进程
⚡

Skill/技能生态

核心领域3 个项目
Shell
Skill/技能工程方法
↑ +9,664/周 ⭐ 318,455 🍴 26,650
「Skills for Real Engineers. Straight from my .agents directory.」——TypeScript 圈顶流讲师 Matt Pocock 从自己日常使用的 .agents 目录里掏出来的工程师向 skill 合集,本周 +9,664,31.8 万星反超 superpowers 登顶全站 Skill 仓库。内容全是「真实工程师天天要用」的招式:grilling(对一个计划/决策穷追猛问直到每个分支都清楚,是 grill-me、triage、wayfinder 等多个 skill 的底层原语)、writing-for-agents(怎么给 agent 写文档/skill)、wait-what(消息没传达时自动换说法重讲,还带 GLOSSARY.md 术语表约束)、以及一批 TS 工程实践技能。配套 aihero.dev/skills 文档站,skill 分「用户唤起 / 模型自唤起」两类,组织清晰。

🔍 同类对比

  • vs anthropics/skills(官方,18.9 万星):官方库是「任务能力目录」(文档处理、PPT、Excel),mattpocock 是「工作方式工具箱」(拷问需求、写给 agent 看的文档)——前者解决「会不会做」,后者解决「做得对不对」
  • vs obra/superpowers(31.5 万星):superpowers 流程重(完整方法论),mattpocock 单点锋利(每个 skill 一个明确场景);grilling 这类「对话原语」是 mattpocock 独有的强项
  • vs jakubkrehel/skills(垂直 UI 向):jakubkrehel 垂直做深「界面」,mattpocock 横向覆盖「工程师日常」——按缺口补,不冲突

🎯 与你/mimocode 的关联

  • 它的 grilling 跟你已经自建的「需求梳理工具(grill 项目:固定清单重构为动态决策树)」几乎同构——直接看它的「可复用访谈原语」怎么抽象的,能给你的 HTML 工具补一层「多 skill 复用同一问答引擎」的思路
  • writing-for-agents + GLOSSARY.md 机制直击你的痛点:你们的「报告要有术语解释、品种规格」要求,本质就是给读者维护术语表——GLOSSARY.md 让 agent 输出统一用词,可以加进药师帮知识库(AI 生成 SQL 指南)防口径漂移
  • wait-what(消息没落地就换说法重讲)对你的微信通道零容忍丢消息场景很实用——「没收到 = 没完成」的场景里,自动换表述重推比人工排查快
Python
Skill/技能官方目录
↑ +2,796/周 ⭐ 189,539 🍴 22,338
「Public repository for Agent Skills」——Anthropic 官方的 Agent Skills 公开仓库(18.9 万星,本周 +2,796),是 SKILL.md 格式的「参考实现 + 官方技能目录」:文档处理、幻灯片、表格、前端设计等生产力 skill 都在这里维护,Python 为主(82%),配套官方文档定义了 skill 的触发、打包、分发规范。本周增速温和,处于「标准沉淀期」——但注意它定义的 SKILL.md 格式已经是事实标准(Claude Code / Codex / Gemini CLI / Cursor 全兼容),你们 Hermes 的 skill_manage 体系也是同构的「frontmatter 触发 + 正文步骤」形态。

🔍 同类对比

  • vs mattpocock/skills(31.8 万星):官方库胜在「任务覆盖面 + 格式规范权威性」,mattpocock 胜在「工程场景真实度」——官方的 docx/pptx 类 skill 你们已在用同构物(docx、xlsx、pdf skill)
  • vs obra/superpowers:官方是「能力供给」,superpowers 是「纪律约束」——一个给工具,一个给规矩
  • vs VoltAgent/awesome-agent-skills 等合集类:合集是「索引」,官方库是「源厂」——找技能先翻合集,定格式看官方

🎯 与你/mimocode 的关联

  • 你们双端(Hermes skill_manage + mimocode skill 目录)的 skill 规范可以继续对齐它的 SKILL.md 格式演进——尤其「分发」环节:mimocode 侧「提取 opencode 项目 skill 到根目录」「系统层级安装 superpowers」都踩过组织问题,官方的打包/安装约定值得抄
  • 它的生产力 skill(docx/xlsx/slides)与你「先写 md 对齐再做 PPT」的流程互补:md 内容定稿后,官方 skill 负责格式化产出,你只管内容
  • 低优先级:不需要每周盯,它更新慢——但每次大版本(格式变更)要跟着迁移,不然 skill 生态会分叉
Markdown
Skill/技能界面工程
↑ +1,938/周 ⭐ 11,704 🍴 455
「A collection of agent skills that help you build great interfaces.」——设计工程杂志《Interfaces》主理人 Jakub Krehel 的界面构建 skill 全家桶(1.2 万星,本周 +1,938):better-interface(一次性评审无障碍/布局/文案/排版/配色并输出排序报告)、better-ui(圆角、光学对齐、阴影、图标状态、动效的精确数值)、better-typography(字号阶梯、断行、截断、标点)、better-colors(生成色板、语义 token 命名、对比度测量)、build-design(照 Figma/设计图还原 UI)、state-machine(把组件每个状态渲染在一张切换页上)、variant(同组件多方案对比)。npx skills add jakubkrehel/skills 一行安装,也提供 Claude Code plugin。

🔍 同类对比

  • vs Nutlope/hallmark(5.1 万星,「反 AI 味」):hallmark 管「别像 AI 做的」(负面清单 + 主题卡),jakubkrehel 管「怎么做好」(正面工艺参数)——hallmark 是验收关,jakubkrehel 是施工图
  • vs pbakaus/impeccable(10.6 万星):impeccable 是「设计语言 + 审查流程」(重、全、带 lint),jakubkrehel 是「分主题的工艺手册」(按排版/配色/动效拆开、给精确值)——想要哪个取决于你是缺「审美决策」还是缺「执行参数」
  • vs vercel-labs/web-interface-guidelines(规范文档):规范是给人读的 checklist,jakubkrehel 是给 agent 用的可执行 skill——后者能直接进工作流

🎯 与你/mimocode 的关联

  • 你有一排前端产出要养:Hermes Work Dashboard(React+Tailwind)、稀缺/优势品种看板(8503)、模拟页(8506)、总部中台找货看板(Vue+Element UI)——better-ui / better-typography 的「精确数值」正对你「UI 跟数据模型枚举对齐、分布条直接映射」的务实口味
  • state-machine 技能跟你的弹窗交互痛点相关:「点击背景只关最上层弹窗」「拖拽选文字不误关」这类状态 bug,把组件每个状态渲染出来逐一过是笨但稳的办法
  • 你的 PPT/报告输出量大(周报、复盘、分享),better-colors 的语义 token 命名可以直接用在 dark 深靛蓝模板体系上,保证多份产出观感统一
🖥

Web 开发/UI·设计品味

个性化 · 2 个项目
Rust
设计品味Web/UI
↑ +7,623/周 ⭐ 106,148 🍴 6,307
「The design language that makes your AI harness better at design.」——前 Google 工程师 Paul Bakaus 的设计语言 + 设计评审体系,本周 +7,623 至 10.6 万星,连续多周霸榜。它不是一句「做得好看点」的 prompt,而是一整套可执行的设计词汇表:用「polish / bolder / critique / audit」等指令指挥 agent 提升设计感,在发布前跑设计 lint 抓 AI 味(千篇一律的渐变、滥用 emoji 标题、假交互按钮……),号称「catch AI slop before it ships」。核心亮点是跨 harness 支持极广:Claude Code、Codex、Cursor、Grok Build、OpenCode、Trae、Kiro、Google Antigravity,以及 Hermes Agent(仓库里直接带 .hermes/skills/impeccable 目录);Rust 实现,Apache-2.0,有 npm CLI 包。

🔍 同类对比

  • vs Nutlope/hallmark(5.1 万星,同榜):hallmark 是「主题卡 + 硬门槛」(发牌式定主题、逐条打分),impeccable 是「设计语言 + 指令体系」(教 agent 设计词汇、事中指挥)——hallmark 偏验收器,impeccable 偏教练;两者作者互相致敬,可叠加用
  • vs design-taste-frontend / taste-skill 等中文圈品味 skill:那些是「风格注入」(一次 prompt 换气质),impeccable 是「流程嵌入」(steer → review → audit 三段式)——前者见效快但不稳,后者慢但可复现
  • vs 让模型自由发挥:它最大的价值是把「品味」从玄学变成可 lint 的规则集,agent 产出的方差显著下降——但规则过强会千站一面,留 override 口子很重要

🎯 与你/mimocode 的关联

  • 它原生支持 Hermes(.hermes/skills/impeccable 目录随仓库分发)——你装它基本零成本,先在下次 HTML 报告(药师帮品类周报、biz-up AI 周报)里试跑一轮 audit,看能不能抓住「AI 味版式」
  • 你的产出审美标准很明确(dark 深靛蓝统一、不要 light/dark 混用、分布条直接映射数据)——正好用它的「设计 lint + 自定规则」把你的 house style 写成规则,比每次口头叮嘱稳
  • 它和你已有的 design-taste-frontend skill 分工:一个管「整体品味方向」,一个管「发布前体检」——建议品味 skill 负责生成、impeccable audit 负责验收
CSS
设计品味Web/UI
↑ +6,624/周 ⭐ 50,892 🍴 2,703
「Anti-AI-slop design skill for Claude Code, Cursor, and Codex.」——Together AI 出品的反 AI 味设计 skill(5.1 万星,本周 +6,624,上周 +12,062 登顶后热度延续)。机制很特别:从 50 套主题材质里「发牌」发三套,围绕访客要干的事组织页面,然后在真实浏览器里对「机器味特征」逐条 lint——每个标题上方的小标签、字距拉大的全大写标签、标题里单独染色的词、整页空框或纯图、不合屏的 hero、每页结尾都来个邮件订阅、表单只谢谢不发送……全是 AI 生成页的经典穿帮点。验收分三层:Floor(一票否决:对比度、焦点、减弱动效、编造事实、手机端崩版)、Reflex(模型惯性套路,有理由可申辩豁免)、Finish(工艺细节,不阻塞发布),最后还有「fresh-context 复审员」把关。图片只用 Wikimedia Commons(明确规避 Unsplash 等禁 AI 条款),MIT。

🔍 同类对比

  • vs pbakaus/impeccable(10.6 万星):hallmark 的「三层门禁 + 申辩机制」在工程严谨度上更进一步(哪些必须卡、哪些可豁免分得很清);impeccable 的生态兼容面更广(含 Hermes)——想要「验收流程」选 hallmark,想要「全程教练」选 impeccable
  • vs 纯 prompt 约束(「不要 AI 味」一句话):它把「AI 味」拆成了可枚举的视觉特征清单并用真实浏览器校验——从口号变成测试用例,这是它两周 18k 星的核心原因
  • vs 人工设计走查:机器 lint 覆盖「穿帮点」但给不了「惊喜感」;它的 fresh-context 复审员机制(换个干净上下文再审一遍)倒是可以借给所有 AI 产出质检

🎯 与你/mimocode 的关联

  • 你每周产出大量 HTML(本看板、品类周报、复盘报告、品种分析),「Floor 一票否决」清单(对比度/焦点/手机端/编造事实)几乎是免费的 QA 表——其中「编造事实」一条对你的数据报告尤为重要,跟你的「阈值基于数据分布、单位一致」方法论互补
  • 「fresh-context 复审员」机制值得抄进报告流程:主上下文写完报告后,开个干净会话只看成品挑毛病——你们「报告要有 LLM 研判」可以升级成「报告要有独立复核」
  • 它规避 Unsplash 等禁 AI 图库条款(只用 Wikimedia)的合规意识,对你对外汇报 PPT/看板用图也是提醒:港股公司物料用图要注意授权
🛠

AI 工具链

核心领域3 个项目
Python
AI 工具链SDD 规格驱动
↑ +4,280/周 ⭐ 148,683 🍴 13,356
「💫 Toolkit to help you get started with SDD or any other process!」——GitHub 官方的规格驱动开发(Spec-Driven Development)工具包(14.9 万星,本周 +4,280):先用自然语言写清 spec(需求规格 / PRD),把规格变成唯一事实源,再让 agent 按 spec 拆任务、生成代码、对照验收。核心命令围绕 specify → clarify → plan → tasks → implement 的闭环,支持 presets / bundles / extensions / integrations 四层扩展(含 Copilot 等多 agent 适配),.specify/memory 存项目记忆。MIT,2,200+ commits,是「先对齐需求再写代码」路线的官方背书。

🔍 同类对比

  • vs mattpocock/skills 的 grilling(需求拷问):grilling 是「问清楚」的对话技术,spec-kit 是「写下来并持续对照」的工程流程——先 grilling 问明白,再 spec-kit 落成规格,是自然衔接
  • vs 传统 TAPD/飞书需求文档 + 手工拆任务:spec-kit 胜在「规格可被 agent 直接消费」(任务树、验收标准都结构化);输在需要团队接受「spec 即代码」的纪律——你一个人用没这个问题
  • vs 直接 vibe coding(说一句写一段):适合改小东西;超过一天工作量的需求,spec-kit 的 upfront 投入会靠「少返工」赚回来——你的「跳步骤返工」痛点正是它的靶子

🎯 与你/mimocode 的关联

  • mimocode 侧在做「需求梳理工具开发」(grill 动态决策树)和「TAPD 需求总结」「数据需求文档完善」——spec-kit 的 spec/plan/tasks 三层文件结构可以直接借鉴为梳理工具的输出格式,让「梳理完的需求」直接变成 agent 可执行的任务树
  • 「稀缺品种合作管理页面」「爆款品种汰换管理页面」这类多轮迭代需求(页面设计→数据导入→CRUD),正是 spec-kit 的 clarify 环节擅长的:先把 6 省剔除名单、白名单口径这类业务约束钉死在 spec 里,避免海南漏筛那种口径 bug 再发生
  • 轻量(Python CLI),跑完即走不占内存;建议只在「新项目启动 / 大需求」时上,日常小改不必过重流程
Python
AI 工具链代码审查
↑ +1,576/周 ⭐ 15,591 🍴 2,149
「🚀 PR Agent: The Original Open-Source PR Reviewer. This project is not the Qodo free tier.」——AI 代码审查工具的开山鼻祖(Qodo 前身出品),最近 Qodo 已把它捐赠给社区(迁至 The-PR-Agent 组织,全社区所有,正在捐向开源基金会,出现首位外部 maintainer)。功能是 PR 全流程自动化:/describe 自动写 PR 描述、/review 多维审查、/improve 给改进建议、/ask 就 PR 提问,支持 GitHub / GitLab / Bitbucket,可跑成 GitHub Action / Docker / webhook,.pr_agent.toml 配置。本周 +1,576 至 1.6 万星——「社区化重生」是它本周重回视野的原因。

🔍 同类对比

  • vs GitHub Copilot code review(官方内置):Copilot 胜在零配置、原生集成;pr-agent 胜在可自托管(代码不出内网)、可自定义审查规则和模型——对你们这种有内部业务代码的场景,自托管是硬需求
  • vs cloudflare/security-audit-skill(上周榜):security-audit-skill 做「深度安全审计」(多阶段+独立验证),pr-agent 做「日常 PR 把关」(描述/审查/建议)——一个定期体检,一个每单把关
  • vs Qodo 商业版:开源版强调「不是免费平替而是原版」——功能同源,商业版多的是团队管理和 SaaS 托管

🎯 与你/mimocode 的关联

  • 你们已经有自研的「GitHub 项目读取」工具(AI 分析代码 diff 生成人类可读变更总结)——pr-agent 的 /describe 和 /improve 提示词工程是现成的升级参考:它对 diff 的分块策略、上下文裁剪值得抄
  • 你和 mimocode 双端改同一代码库(品种数据.py fork #1、set_price.py 优化)时,PR 级审查能替代一部分「人工互查」——配合你们「合并冲突找中立第三方」的 merge-reconciler 思路形成闭环
  • 轻量 Python、Docker 可跑,审查完即释放——符合你们服务器内存纪律;但注意它需要 LLM key,定时批量审查的 token 成本要设上限
Rust
AI 工具链并行 Agent
↑ +2,292/周 ⭐ 12,105 🍴 467
「Worktrunk is a CLI for Git worktree management, designed for parallel AI agent workflows」——为并行 AI agent 工作流而生的 git worktree 管理 CLI(1.2 万星,本周 +2,292,Rust 实现)。git worktree 允许同一个仓库同时开多个工作目录,天然适合「几个 agent 同时改不同分支互不踩脚」;worktrunk 把 worktree 的创建/切换/清理/模板做成一条命令,配 hooks、skills、.claude-plugin/.codex 插件入口,甚至带 benchmarks 和多 shell(bash/zsh/fish/nushell/pwsh)集成测试。5,200+ commits,配套文档站 worktrunk.dev——本周和 t3code 一起构成「并行 agent 基建」双子星。

🔍 同类对比

  • vs 裸 git worktree 命令:裸命令能用但容易忘清理、分支命名乱、agent 不会用;worktrunk 的价值是「给 agent 的安全护栏」(模板化 + 自动清理)——它是「让 agent 敢用 worktree」的封装层
  • vs t3code(沙箱 worktree + GUI 审批):t3code 把 worktree 做进「指挥舱」(沙箱化 + 一键 PR),worktrunk 专注底层管理命令——用 t3code 的人可能直接内置了类似能力,纯 CLI 党选 worktrunk
  • vs 多 clone 几份仓库:worktree 共享 .git 省磁盘省同步,代价是同一工作目录树不能被两个 agent 同时写——worktrunk 的隔离管理正是补这个坑

🎯 与你/mimocode 的关联

  • 你们的真实并发场景已经出现:「对比品种数据.py 两用法(fork #1)」「MiMo 主导部署、Hermes 协助」双端同库协作——worktree 隔离能防「SSH 抢写同一目标」这类事故(你们已立过协作纪律,工具层面再加一道保险)
  • Rust 单二进制、无常驻进程,内存友好;配合 flock 防重入的定时任务体系,「脚本级并行」也可以用 worktree 给每个并行任务一个干净工作目录
  • 注意:你们的药师帮代码库在 Windows 端(E:\python\药师帮\...)+ 云服务器双端,worktree 跨端同步仍要走 git 远端(gh 认证 https fetch),worktrunk 只管本地并行,不管跨机同步
🧠

Agent 记忆/上下文管理

个性化 · 1 个项目
TypeScript
Agent 记忆上下文管理
↑ +7,482/周 ⭐ 114,866 🍴 9,977
「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」——跨会话持久记忆基建,本周 +7,482 至 11.5 万星。工作方式三步:① 全量捕获 agent 会话里发生的一切(工具调用、决策、改动);② 用 AI 压缩提炼成结构化记忆(ChromaDB 向量 + SQLite 存储);③ 下次会话按相关性把记忆注回上下文。支持面极广(明确列出 Hermes),为每个宿主提供独立插件目录(.claude-plugin / .codex-plugin / .cursor-plugin / .grok-plugin / .qoder-plugin…),3,900+ commits,Apache-2.0,还带 cowork、docker、dsh 等多种集成形态。

🔍 同类对比

  • vs mem0(你们在用的备查通道):mem0 是「托管记忆 API」(云端、按条存取),claude-mem 是「本地自动捕获 + 注回」(全自动、含会话细节)——claude-mem 省心但记忆质量依赖压缩模型,mem0 可控但要自己写入;你们的「Hindsight 主通道 + mem0 只读备份」架构可以参考它的「捕获→压缩→注回」管线
  • vs Hindsight(会学习的记忆,你们主通道):Hindsight 强在「从纠正中学习」,claude-mem 强在「全量工作流记录」——前者存结论,后者存过程,互补大于替代
  • vs 纯 AGENTS.md / 记忆文件(你们的 MEMORY 块):文件式记忆透明、可控、但要手动维护;claude-mem 自动但黑盒(压缩可能丢细节)——你们「skill_view 压缩后丢正文」的教训说明:关键记忆不能全交给有损压缩

🎯 与你/mimocode 的关联

  • 它官方支持 Hermes——正好对上你们正在做的「Hermes 记忆迁移到火山引擎 Mem0」项目:迁移前值得把它当对照组跑一轮,看「自动捕获式记忆」和「托管 API 式记忆」哪个更贴合你的工作流(你的记忆里全是模块路径、坑、约定,丢一条就重踩)
  • 你们「记忆不相通」的双端问题(Hermes 端 / mimocode 端各一套)它给的思路是「记忆跟随插件走、宿主无关」——mimocode 侧的 mem0 环境隔离([hermes-env] 前缀)如果哪天要合并,这种「统一存储 + 宿主标签」的模型是对的方向
  • 注意它自带 ChromaDB 向量库(有本地存储开销),你们 4GB 内存服务器上装它要先压测——Hermes gateway 内存已经因为 state.db 吃紧过
🔌

MCP 生态

核心领域1 个项目 + 本周观察
Go
MCP 生态官方 MCP
↗ 30 天 +882(周均 ≈+200) ⭐ 34,324 🍴 5,308
「GitHub's official MCP Server」——GitHub 官方 MCP 服务器(3.4 万星),本周 MCP 板块无新面孔上榜,挑这个「生态压舱石」做存量更新记录:它把仓库、Issue、PR、Actions 全部通过 MCP 协议暴露给 agent,支持 GitHub 托管远程端点(api.githubcopilot.com/mcp/,OAuth 免本地进程)和本地 Docker / Go 二进制两种形态,带 agent-plugin 目录、e2e 测试、细粒度工具集(还能选只启用部分工具控 token)。近期活跃度不错(4 天前仍有 commit,12 周 161 次 commit),近 30 天 +882 星(数据来源:Glama 2026.11 榜单)——MCP 生态整体从「爆发期」进入「沉淀期」,官方件在靠持续维护攒信任。

🔍 同类对比

  • vs gh CLI(你们现在用的):gh 是「命令行工具」,github-mcp-server 是「agent 原生接口」——agent 用 MCP 少一层命令拼装和输出解析;但 gh 已经够用且你们有 gh auth git-credential 的成熟工作流,切换收益有限
  • vs github-security-mcp(39 个安全工具):官方件管「日常工作流」(repo/PR/issue),security-mcp 管「安全面」(组织设置/供应链/权限)——安全审计时再上后者
  • vs Octocode MCP(本地代码研究):Octocode 重本地(ripgrep/LSP 导航),官方件重远端(GitHub API 全覆盖)——搜代码用前者,管 PR/issue 用后者

🎯 与你/mimocode 的关联

  • 你们的 GitHub 链路已稳定(agent-reach 的 GitHub 通道、gh 认证 https fetch 绕 SSH 拒绝、GitHub 项目读取 diff 总结工具)——没必要换;但如果以后要做「PR 自动化」(比如 pr-agent 那条线),MCP 形态比脚本拼 gh 命令更稳
  • 它「按需启用工具子集控 token」的设计对你们是刚需——你们天天算 token 账(hermesoffice token 统计、情报扫描频次下调),任何工具接入先问「能不能只开用得到的接口」
  • 低优先级观察项:MCP 生态沉淀期反而是你「减少折腾」的窗口——mcp-server 配置 skill 已经够用,本季度不追新
MCP 本周观察:本周 GitHub 周榜没有 MCP 新面孔,Trendshift 上带 #ai-skills / #mcp 话题的上升项目也以 skill 为主(cloudflare/security-audit-skill 连续第三周在榜、google/skills、bangtutorial/bang-motion 浏览器动效 skill)。值得注意的是「产品出厂自带 MCP」继续蔓延:爬虫框架 Scrapling 内置 MCP server + agent-skill 目录(见下方数据板块)、github-mcp-server 加 agent-plugin——MCP 正在从「独立生态」变成「一切工具的标准配置项」。
⚙️

自动化/Agent 调度

个性化 · 2 个项目
TypeScript
Agent 指挥舱远程调度
↑ +17,100/周 🔥 本周第一 ⭐ 52,403 🍴 9,999
「T3 Code is an agent harness control surface.」——t3dotgg(Theo)团队的coding agent 统一指挥舱,本周 +17,100 全榜第一、5.2 万星。它不发明 agent,而是控制你电脑上已有的各家 agent:Claude Code、Codex、Cursor、Grok Build、OpenCode、Google Antigravity、fx 只要在你机器上装好,T3 Code 就能统一指挥——iOS/Android 手机 App、Web、Electron 桌面三端同权。核心能力:沙箱化 git worktree 跑任务、监督式审批(agent 干危险操作先过人)、实时活动日志、任务排队、中途改指令(steering)、统一 diff 审查、一键 commit/push/开 PR;BYOS(自带订阅),本地 websocket 桥接,代码和 API key 都留在本机,完全开源可 fork。项目很早期(官方原话「Expect bugs」,暂不大收贡献),Nix 一键安装。

🔍 同类对比

  • vs Conductor / Cursor Glass / Codex 桌面端:它明说灵感来自这些但「没一个够格」——差异点是三端同权(手机体验是主打)、真开源(不满意可 fork)、多厂商 agent 通吃不绑一家
  • vs stablyai/orca 等「Agent 舰队」:orca 侧重服务端并行跑任务,t3code 侧重「人对多 agent 的实时指挥与审批」——一个是无人车间,一个是驾驶舱
  • vs 各家 agent 自带 GUI:单家 GUI 只能控自家;t3code 的价值随你用的 agent 数量增长——只用一个 agent 的人不需要它

🎯 与你/mimocode 的关联

  • 你的现实架构就是「多 agent 双端」:Windows 跑 MiMo Code + 云服务器跑 Hermes,靠 Tailscale 打通——t3code 的「手机远程指挥 + 沙箱 worktree + 中途改指令」跟你「通过 Tailscale 呼叫 Hermes 部署项目」「AI 工作集成看板数据同步」是同一个需求的两种实现,值得装一个试试手机指挥的真实体验
  • 它的「监督式审批 + 一键 PR」流程跟你们的协作纪律(「超时后只准只读查证据,禁 SSH 抢写同一目标」)互补:工具层面把「谁在改什么、要不要人批」显性化,比口头纪律可靠
  • 注意:项目极早期(Expect bugs)、且主要面向订阅制 agent 用户——建议只在非生产项目(如顺德楼盘工具、个人看板)先试,药师帮生产库相关任务暂不托管给它
Rust
浏览器自动化Agent 工具
↑ +1,476/周 ⭐ 47,522 🍴 3,255
「Browser automation CLI for AI agents」——Vercel Labs 的agent 专用浏览器自动化 CLI(4.8 万星,本周 +1,476,Rust 实现,Apache-2.0)。定位是「让 agent 稳定地开浏览器干活」:命令行 + MCP 双形态(skills/agent-browser 目录直接挂 agent),支持本地 Chrome 和云浏览器(AWS AgentCore profile,cookie/localStorage 跨会话持久化),还带实验性 Obscura 引擎(本地无头渲染,但无障碍/iframe/渲染有已知限制,保真场景仍推 Chrome)。仓库工程化程度高:benchmarks、evals、docker、skill-data、测试一条龙,是「agent 开浏览器」这个刚需里工程最扎实的开源选项之一。

🔍 同类对比

  • vs browser-use(Python 系 browser automation 框架):browser-use 走「LLM 决策式」(模型看页面自己决定点哪),agent-browser 走「CLI 指令式」(agent 发结构化命令)——前者灵活但费 token、不稳;后者可预测、便宜,适合固定流程
  • vs Playwright MCP / 原生 Playwright:Playwright 是工程师向测试框架,agent-browser 是 agent 向操作工具(输出结构化、容错、可续会话)——测试用 Playwright,agent 干活用 agent-browser
  • vs Hermes 自带 browser_exec(Browser Use CLI):你现在用的 browser_exec 同属「驱动真实浏览器」路线;agent-browser 的优势是 profile 持久化(登录态跨任务保活)和 Rust 速度——登录态管理正是你的痛点(B 站字幕登录态掉了要重登)

🎯 与你/mimocode 的关联

  • 你有一堆「浏览器流程自动化」需求:每周趋势看板截图推飞书、SSPanel 每日签到、医药网 JS 挑战页兜底抓取(moli fetch)、yjj 登录风控分析——「cookie/localStorage 跨会话持久化」直击你反复出现的登录态丢失问题
  • 它的 MCP 形态可以挂到 Hermes 的 mcp-server 配置里替代部分手写脚本——尤其「自动登录并取数」类定时任务,结构化 CLI 命令比 curl 拼 cookie 稳
  • 云浏览器(AgentCore)形态跟你的场景不合(数据合规 + 成本),盯本地模式即可;Rust 单二进制对 4GB 内存服务器友好
📊

数据/监控·采集

个性化 · 2 个项目
Python
爬虫/采集内置 MCP
↑ +8,712/周 ⭐ 99,823 🍴 10,438
「🕷️ An adaptive Web Scraping framework that handles everything from a single request to a full-scale crawl!」——本周 +8,712、逼近 10 万星的自适应 Python 爬虫框架。从单次请求到全站大规模爬取全覆盖,核心卖点是「抗反爬自适应」:指纹伪装(stealth)、对抗 Cloudflare 等防护、选择器在页面改版后自动迁移(adaptivity,页面变了不用连夜改 XPath)、Playwright 集成、代理/并发/限速全套。新版本紧跟 agent 潮流:仓库里带 agent-skill 目录 + MCP server(topics 里 mcp / mcp-server / ai-scraping 齐全),让 agent 直接把「抓数据」当工具调。BSD-3,作者 Karim Shoair(D4Vinci),文档/测试/benchmark 齐全。

🔍 同类对比

  • vs Scrapy(老牌爬虫框架):Scrapy 生态成熟、中间件丰富,但反爬对抗和「页面自适应」是弱项,配置重;Scrapling 轻量、抗反爬开箱即用、agent 友好——大规模存量爬虫不必迁移,新场景选 Scrapling
  • vs Playwright/Puppeteer 裸写:裸写灵活但每次都要自己处理指纹、选择器脆弱、重试;Scrapling 把这些做成了框架能力——你「医药网 660 字节 JS 挑战页」这种对抗场景正是它的主场
  • vs browser-use(LLM 驱动浏览):browser-use 靠模型理解页面(贵、慢、灵活),Scrapling 靠工程对抗(便宜、快、确定)——固定采集流程用 Scrapling,探索式浏览才用 LLM

🎯 与你/mimocode 的关联

  • ext-monitor 四信息源采集(Pharmacy Times / 摩熵医药 / 国家医保局 / 医药网)里最头疼的就是医药网反爬(HW_CHECK cookie 绕过 + moli fetch 兜底)——Scrapling 的指纹伪装和选择器自适应正对这个病灶,值得在「医药网信息源采集修复」(mimocode 正在做的监控 bug 修复)时做个对比测试
  • 它的「选择器自动迁移」特性对你们的定时采集是稳定性红利:外部网站改版不再意味着脚本半夜挂掉、当天情报缺条——你们「工具失败静默吞掉」的定时任务短板可以借它的重试/自适应补
  • 注意采集合规:你们自己的规则是「出口信息只收影响国产药生产的、美国只收 FDA 召回/短缺」——框架能抓得多,抓什么仍按你的口径过滤,别因为工具强了就放宽范围
Python
时序基础模型预测
↑ +2,937/周 ⭐ 47,343 🍴 7,826
「Kronos: A Foundation Model for the Language of Financial Markets」——首个开源的金融 K 线(蜡烛图)基础模型(4.7 万星,本周 +2,937):把 K 线序列当「语言」做 decoder-only 预训练,覆盖 45+ 全球交易所数据,两阶段框架专门针对金融数据高噪声特性设计(区别于通用时序基础模型 TSFM)。带 Model Zoo(多尺寸模型 + HuggingFace 权重)、微调管线(finetune / finetune_csv,兼容 Qlib 回测)、WebUI 和 BTC/USDT 实时预测 demo。清华系团队(Yu Shi 等,arXiv:2508.02739),MIT。README 特别标注「demo 到生产有距离、回测≠实盘」,姿态诚实。

🔍 同类对比

  • vs 通用时序基础模型(TimesFM / Chronos 等):通用模型什么序列都能预测但不懂市场微观结构,Kronos 只懂 K 线但把「价格语言」吃透了——领域预训练在金融任务上通常碾压通用模型
  • vs 传统量化模型(LSTM/Transformer 自训):自训要海量数据和调参,Kronos 给预训练底座 + 微调管线——小数据场景省一个数量级的功夫
  • vs 让 LLM 看图预测:LLM 预测价格纯属玄学,Kronos 是结构化时序建模 + 回测验证——方法论上是正路,但金融预测本身不确定性依旧(作者自己都提示)

🎯 与你/mimocode 的关联

  • 你的「单品包邮销量预测系统」(Vue 前端 + Flask 后端,供应商分析项目/ 下的 price_analysis 模块)本质也是时序预测——Kronos 的「领域预训练 + finetune_csv 微调」路线可以借鉴:用平台历史销量预训练/微调,比每个 SKU 从零建模更适合你们 SKU 多、单品数据少的现实
  • 金融 K 线和销量序列差异很大(前者高频高噪、后者周度强周期),别指望直接套权重——但它的 Qlib 回测集成思路(预测→策略→回测闭环)值得抄进你的销量预测验证环节(「预测好不好」目前缺系统性回测)
  • 数据/算力门槛提醒:微调基础模型需要 GPU,你们云服务器 4GB 内存跑不动——真要试也是 Windows 端(mimocode 那台机器)跑实验,产出的模型文件再择机部署