21
收录项目
8
覆盖领域
+13,448
最高周增(t3code)
11
新上榜项目
325,105
最高总星(mattpocock/skills)
本周趋势解读:三条主线。其一,「Agent 的操作界面」成了主战场:t3code 连续第二周全榜第一(+13,448,上周 +17,100),把「手机远程指挥各家 coding agent」变成标配;Vercel 同周推 agent-desktop(computer-use CLI,+12,120)与 agent-browser(+2,994 连续上榜),分别补上 agent 的「手」和「眼」——「人在外面指挥」和「agent 操作真实软件」两端同时爆发。其二,token 成本疼到值得重构工作流:caveman(原始人电报体砍 65% token,12 万星)、billion-context(月级长会话压缩进 100K 窗口)、claude-mem(跨会话记忆 +5,130)构成「省 token 三件套」。其三,Skill 生态两极化:一极是「单一流水线」——cloudflare/security-audit-skill(+10,695)把安全审计拆成六阶段 + 独立复核的深流程;另一极是「个人 IP」——mattpocock/skills(+9,800)破 32.5 万星稳坐第一。数据基建线上,NVIDIA/auto-ontology(+10,159)用语义本体给「LLM 问数据」上确定性保险,Scrapling(+8,226)破 10 万星并内置 MCP server。数据源:GitHub Trending(周榜 + TS/Python/Go 语言周榜)+ Trendshift + 补充搜索,星标 < 500 已过滤;总星/Forks 为 11.16 GitHub API 实时数据,周增为 GitHub 周榜口径(Trendshift 来源项目标注 n/a)。
🤖

AI Agent 框架

核心领域2 个项目
TypeScript
AI Agent 框架VM 执行环境
↑ +8,325/周 ⭐ 23,312 🍴 3,235
「Open-source Grok Bot alternative with a virtual machine that bots can use」——开源的 Grok Bot 替代品,核心卖点是「给 bot 发一台虚拟机」:bot 不只是回消息的聊天壳,而是拿到一台能跑命令、开浏览器、装软件的完整 VM,在里面把活干完再把结果交回来。定位介于聊天机器人和 coding agent 之间,面向「让 AI 帮你操作电脑办杂事」的通用 bot 场景。连续上榜且在加速:上周 +7,077,本周 +8,325,总星 2.3 万。

🔍 同类对比

  • vs Donchitos/Claude-Code-Game-Studios(3.9 万星):OpenMausBot 是「单 agent + 一台 VM」把执行环境做厚,Game-Studios 是「多 agent + 角色分工」把协作做厚——前者赢在简单开箱即跑,后者赢在长项目产出一致性
  • vs vercel-labs/agent-desktop(computer-use CLI):agent-desktop 是给已有 agent 补「手」(操控现成电脑),OpenMausBot 自带「身体」(隔离 VM)+ 对话入口——VM 隔离好但环境要另备,desktop 接管现成环境但误触风险高
  • vs t3code/paseo 这类指挥舱:指挥舱管「人在外面遥控 agent」,OpenMausBot 管「agent 自己有个工位」——一个解决接入问题,一个解决执行环境问题,路线可叠加

🎯 与你/mimocode 的关联

  • 你们的自动化全是「无 UI 后台脚本」(mimocode 的内部使用/爆款筛选、百万商业/自动补贴、set_price.py 调价),OpenMausBot 的「bot + VM」模式适合做运营入口层:企微/飞书里喊一声,bot 在 VM 里跑脚本交结果——正好接你们的微信/企微主通道习惯
  • 但它是 Grok Bot 生态替代品,VM 默认开放度高,接内网 MySQL(TencentDB)前必须收紧网络;而且 4GB 内存的生产机连 pyright 常驻都要清理,跑 VM 不现实——只能云端单开一台试
  • MiMo relay 那套 SSH 反向通道(C:\tmp 沙箱拒写的坑)本质就是在解决「远程执行环境」问题,这个项目验证了「给 agent 一台完整机器」是主流方向,值得跟踪它的沙箱隔离设计
Shell
AI Agent 框架多 Agent 编排
↑ +4,324/周 ⭐ 39,550 🍴 5,154
「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 变成完整游戏开发工作室: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 覆盖立项、原型、开发、测试、发布全流程,外加协调系统管 agent 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。连续第二周上榜(上周 +5,719,本周 +4,324)。

🔍 同类对比

  • vs obra/superpowers(31.4 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)——一个把一个人练成精兵,一个把一群兵编成师
  • vs stablyai/orca、getpaseo/paseo 等舰队调度:舰队工具管「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)——前者轻快、后者重但产出一致性好
  • vs 单 agent 直接写全栈游戏:单 agent 长任务容易前后矛盾、忘前期设定;49 agent 的代价是 token 消耗和协调开销巨大——它适合「做完整项目」,不适合改一个小 bug

🎯 与你/mimocode 的关联

  • 你们 mimocode↔Hermes 双端协作(「本地开发由 MiMo 主导部署、Hermes 协助」)目前靠约定,它的角色定义 + 交接文档结构可以直接抄:每个 agent 有职责边界和交接产物,正好固化你们的协作分工
  • 它的「Skill Testing Framework」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 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——只借组织架构,别照搬规模
⚡

Skill/技能生态

核心领域5 个项目
JavaScript
Skill/技能生态安全审计流水线
↑ +10,695/周 ⭐ 73,180 🍴 4,898
Cloudflare 把内部漏洞挖掘 harness 沉淀成的开源 coding-agent skill(MIT):把 agent 变成六阶段安全审计员——侦察、覆盖率驱动的分片猎杀(多个隔离 agent 并行找洞)、候选验证、结构化输出、独立记录校验、最终报告。核心纪律是「发现漏洞的 agent 不能自己验证自己」——每条 finding 由另一个 agent 独立复核,产出机器可读、可核验的结果。本周 +10,695 全榜第二,是「专业技能深流程化」路线本周最重的样本。

🔍 同类对比

  • vs mattpocock/skills、anthropics/skills(skill 合集):那些是「技能超市」,security-audit-skill 是「单一深流程」——把一件专业工作拆成可验证的流水线,深度远超合集里的单条 skill,但通用性为零
  • vs 直接让 agent「看看有没有安全问题」:自由发挥的审计容易假阳性刷屏;六阶段 + 独立复核把误报压下去,代价是流程长、token 多——专业场景值得,日常 review 不值得
  • vs NVIDIA/SkillSpector(本周同上榜 +1,212):SkillSpector 管「skill 本身可不可信」(审工具),security-audit-skill 管「用 skill 干安全活」(用工具)——两条不同的供应链

🎯 与你/mimocode 的关联

  • 你们全是自建 Web 服务(biz-up、work.ysbang.top、ext-monitor、8503/8506 API、zh_backend Django),安全加固是被动式的(hermesoffice 出事后才上 bcrypt + JWT + CORS 修复)——这个 skill 可以让 agent 对 biz-up 后端跑一轮完整审计,把「出事再修」变成「定期体检」
  • 「发现与验证分离」的复核机制值得直接偷师:药师帮知识库的「AI 生成 SQL」如果加一道「另一个 agent 独立验证口径」的校验,能挡掉一部分口径漂移——你们的硬约束/默认口径踩坑史正是这个模式的用武之地
  • 用前先看权限边界:它会让 agent 广泛读代码和配置,别直接对带生产密钥的目录跑(admin.ysbang.cn 的 JWT 密钥、企微 webhook 一律先脱敏)
Shell
Skill/技能生态个人 IP 仓库
↑ +9,800/周 ⭐ 325,105 🍴 27,292
「Skills for Real Engineers. Straight from my .agents directory.」——Matt Pocock(TypeScript 圈知名讲师)把自己 .agents 目录里的 53 个 skill 原样开源。全站星标第一的 Skill 仓库(32.5 万星),继续拉开与 superpowers(31.4 万)和官方 anthropics/skills(19.5 万)的距离。特色是「工程师实战向」而非「AI 演示向」:围绕 TypeScript/全栈工程日常(类型、重构、测试、调试)给出可执行 skill,每个 skill 自带触发条件。本周 +9,800,个人 IP 收割期持续。

🔍 同类对比

  • vs obra/superpowers(工作纪律向):superpowers 教「做事的规矩」(TDD、验证、小步回滚),mattpocock 教「具体技术活的做法」——内容维度不同,可叠加共存
  • vs anthropics/skills(官方规范向):官方仓库定「什么是 skill」(格式、安全边界、通用文档能力),mattpocock 回答「什么 skill 有用」(垂直经验)——官方保兼容性承诺,个人仓库保新鲜度
  • 风险面:个人仓库质量靠作者一人把关,更新节奏和兼容性全看个人状态;星标第一不等于质量第一,装前按 skill 逐个 review 的纪律不能省

🎯 与你/mimocode 的关联

  • 你们的 skill 库(guizang-ppt-skill、ysbang-sql、ddl-governance、data-platform-with-validation……)走的正是「个人实战沉淀」路线,它的组织方式(按工程师日常任务分组、每个 skill 自带触发条件声明)可以直接对照整理你们的 skills_list
  • 它验证了 skill 生态的「个人 IP 收割期」:你 AI 分享 PPT(AI分享PPT-20260728)里讲的提效经验如果整理成 skill 仓库开源,就是这个赛道的入场姿势——药师帮场景的 skill(补贴、调价、找货复盘)反而稀缺
  • mimocode 侧的药师帮脚本文档站(ysbang-doc-*)本质是 skill 的文档化,可以考虑产出 SKILL.md 格式双发布,让两边 AI 直接加载
CSS
Skill/技能生态反 AI 味设计
↑ +5,987/周 ⭐ 55,449 🍴 2,974
「Anti-AI-slop design skill for Claude Code, Cursor, and Codex.」——「反 AI 味」设计 skill:一套设计品味规则,让 agent 产出的前端不再是一眼 AI 的紫渐变 + 玻璃拟态 + emoji 满天飞。连续第二周霸榜(上周 +6,624,本周 +5,987),与 impeccable 一起构成「设计质量门禁」双雄——社区共识已经清晰:AI 写前端不缺代码量,缺品味。

🔍 同类对比

  • vs pbakaus/impeccable(上周 +7,623):impeccable 偏「交互与工程质感」(微交互、状态处理),hallmark 偏「视觉设计语言」(排版、配色、构图)——一个管手感一个管脸面
  • vs 你的 design-taste-frontend(tasteskill v2):你的 skill 是带 art direction 的定制 anti-slop 方案,hallmark 是通用规则集——通用的覆盖面广,但不对 ysbang 系品牌定制
  • vs 纯组件库(Tailwind UI 类):组件库给积木,hallmark 给判断力——它改的是 agent 的「设计决策」,对「AI 生成整页」的场景比组件库更治本

🎯 与你/mimocode 的关联

  • 你所有看板(scarcity、potential、simulation、work.ysbang.top、本趋势看板)都是「AI 生成前端」产物,hallmark 的规则可直接喂给 design-taste-frontend skill 做补强——尤其截断/弹窗/布局一致性这些你反复纠偏的点
  • 你的 UI 纪律(「跟数据模型实际枚举对齐、不假设不折叠分类、分布条直接映射实际值」)和 hallmark 思路同源:把约束写成 skill,而不是每次口头提醒——值得把你这些偏好正式沉淀进 tasteskill
  • mimocode 侧 Vue+Django 看板(总部中台找货/托管、adminDashboard、adjustment_task.html)同样是 AI 生成 UI 重灾区,规则可共用
Python
Skill/技能生态官方标准
↑ +3,796/周 ⭐ 195,320 🍴 22,958
Anthropic 官方的 Agent Skills 公开仓库——skill 格式的「标准答案」:文档处理(docx / xlsx / pdf / pptx)、通用工程流程等 20+ 官方 skill,定义了 SKILL.md 的结构、触发方式和安全边界。全站第二大 skill 仓库,本周 +3,796 稳步增长。它的重要性不在数量而在「事实标准」:第三方 skill(mattpocock、superpowers、cloudflare)全在兼容它的格式。

🔍 同类对比

  • vs mattpocock/skills:官方库「全而平」(办公文档、通用流程),个人库「窄而深」(TS 工程实战)——装机两样都要,缺一不可
  • vs obra/superpowers:superpowers 是社区工作流方法论(大胆、激进),anthropics/skills 是官方工具箱(保守、兼容)——格式上后者是规范,内容上前者更野
  • vs openai/skills(2.8 万星):OpenAI 也出了自家 skill 库但声量小得多——skill 的事实标准当前在 Anthropic 一侧,选格式押注方向明确

🎯 与你/mimocode 的关联

  • 你的 productivity skill 链路(docx/xlsx/pdf、周报 HTML、Excel 导出、飞书文档交付)用的就是这套事实标准——官方库更新时 diff 一下常有惊喜(比如 xlsx 处理、大文件分页的坑,你们都踩过)
  • 药师帮脚本文档站的 SKILL.md 化(见 mattpocock 条)应对齐这个官方格式——Hermes、MiMo Code 都吃这套,兼容性最好
  • 它的 skill 安全边界声明(skill 能做什么、不能做什么)值得抄进你们对内 skill 模板,防止 skill 越权(你们的 skill 碰生产库、企微 webhook,边界声明不是可选项)
Go
Skill/技能生态Token 压缩
↑ +1,851/周 ⭐ 120,444 🍴 7,031
「why use many token when few token do trick」——一个 skill + 代理(proxy),让 coding agent 用「原始人电报体」通信,官方宣称砍掉 65% token。病毒式传播冲到 12 万星。原理是把 agent 的工具调用、多 agent 间通信压成极简短语(语义保留、语法全扔),最终给人看的报告再翻译回正常语言。它代表的信号很直白:token 成本已经疼到用户愿意牺牲可读性来省钱。

🔍 同类对比

  • vs 上下文压缩路线(billion-context、claude-mem):caveman 在「通信格式」上省(出口瘦身),压缩路线在「历史上下文」上省(入口瘦身)——两条路线不冲突,可叠加
  • vs 模型侧优化(prompt caching、推理优化):模型侧无感但依赖厂商节奏;caveman 是用户侧可控的省钱手段,缺点是压缩有损、复杂任务容易丢细节
  • vs 手动 prompt 里写「请简洁」:proxy 机制在传输层强约束,比求 LLM 自觉可靠得多——「求简洁」的失败率你们在周报 prompt 迭代里应该深有体会

🎯 与你/mimocode 的关联

  • 你对 token 成本极度敏感(情报扫描从每天 6 次砍到 1 次、biz-up 周报标注成本敏感、hermesoffice 专门做过 token 消耗统计),caveman 的思路适合用在「agent 间中转」场景:Hermes↔MiMo 协作消息、subagent 委派的中间产出、cron 任务的过程日志
  • 但给人看的交付物别用(周报、看板、飞书推送)——用户要的是「结论先行的人话」,电报体直接违背你的沟通纪律
  • 65% 是官方宣称值,实际节省取决于工作负载——先在非关键定时任务(如 daily-intel-scan 的中间步骤)试点,量出真实节省率再决定推广
🛠

AI 工具链

核心领域4 个项目
TypeScript
AI 工具链Agent 指挥舱
↑ +13,448/周 ⭐ 61,459 🍴 11,015
「The best way to control Claude Code, Codex and more from any computer or phone」——Theo 的 t3 团队出品的「Agent 指挥舱」:用手机或任意外部电脑远程指挥家里/公司跑着的各家 coding agent——查看进度、回消息、接管会话、派新任务。连续第二周全榜第一(上周 +17,100,本周 +13,448 增速回落但仍为全榜最高),总星 5.4 万 → 6.1 万。它把「远程指挥 agent」从极客玩法变成了大众需求。

🔍 同类对比

  • vs getpaseo/paseo(2.4 万星,同榜):paseo 是「多 agent 编排面板」(桌面+手机统一派活看进度),t3code 是「远程接入入口」(人在外面连回自己的 agent)——一个管调度广度,一个管接入深度,v1 功能重叠但侧重不同
  • vs stablyai/orca(12.5 万星):orca 用「你自己的订阅」托管跑 agent 舰队(多实例),t3code 强调轻量远程控制自己的机器——orca 胜在跑得多,t3code 胜在连得上、上手快
  • vs vercel-labs/agent-desktop:agent-desktop 给 agent 装「手」(computer use),t3code 给人装「遥控器」——本周 t3 与 Vercel 两家正面撞车,说明「agent 的操作界面」是当前最大战场

🎯 与你/mimocode 的关联

  • 你就是「人不在电脑前也要指挥 agent」的典型用户(微信/飞书是主通道、手机办公高频)——t3code 模式和 Hermes Gateway 的飞书/微信接入是同一件事的两个实现,它的会话中转/接管设计值得对比参考
  • mimocode↔Hermes 跨机协作(Tailscale 呼叫 Hermes 部署项目至云服务器)目前靠 SSH + relay 自建,t3code 验证了这条赛道的产品化形态,自建方案的「进度回传、状态展示」可以向它对齐
  • work.ysbang.top 工作看板管「留痕」,t3code 管「操控」——两者互补不冲突;如果 MiMo 会话多起来,可以试试它当远程入口
Rust
AI 工具链Computer Use
↑ +12,120/周 ⭐ 24,163 🍴 1,795
Vercel 实验室的 computer-use CLI:给 AI agent 一双「手」——Rust 写的电脑操控命令行,agent 通过它操作桌面应用、点按钮、读屏幕、走流程。本周 +12,120 全榜第二,与同门 agent-browser(浏览器操控,连续两周上榜)组成「agent 感官套装」。信号意义明确:coding agent 的瓶颈正从「写代码」转移到「操作真实软件」。

🔍 同类对比

  • vs vercel-labs/agent-browser:browser 只管浏览器内操作(DOM/网络层,稳定精准),agent-desktop 管整个桌面(任意应用,通用但可控性低)——网页活选 browser,桌面活才上 desktop
  • vs OpenMausBot 的 VM 路线:VM 给 agent 一台隔离机器随便折腾,agent-desktop 让 agent 操控现有人用的机器——前者隔离好适合批量任务,后者适合接管人类工作环境
  • vs Anthropic computer use(API 能力):API 是模型能力、绑 Claude;agent-desktop 是开源执行层,可配自家模型(mimo 也能用)——执行层中立是它的最大筹码

🎯 与你/mimocode 的关联

  • 你们大量操作是「网页控制台 + 宝塔面板 + 企微/飞书客户端」,这类工具能把手动操作变成 agent 可执行动作——杂物处理里那个「浏览器控制台 JS 自动翻页统计 account 导 Excel」就是它的低配自研版,还有宝塔重启、企微发群、SSPanel 签到
  • 4GB 生产机跑不动桌面环境,这工具属于「Windows 端 MiMo / 居家电脑」侧——正好 MiMo 在做 Tailscale 居家电脑远程访问,两端组合起来就是「居家电脑当 agent 手」
  • 风险要盯:desktop 级操作误触代价大(点错按钮动生产数据),先只读场景(读屏幕取数、截图核对)起步,写操作等流程稳定再放
Python
AI 工具链设计评审
↑ +5,560/周 ⭐ 19,697 🍴 1,460
谷歌开源的「用 agent 做软件设计与评审」插件:不写代码,管设计——在编码之前让 agent 生成设计方案、对抗式挑刺、评审架构决策,把「设计与评审」变成 agent 可参与的结构化流程。名字取自「大象记住一切、金鱼只有七秒」(长上下文与遗忘的矛盾)。本周 Python 周榜 +5,560,是「AI 左移到设计阶段」的代表作。

🔍 同类对比

  • vs pr-agent / alibaba/open-code-review(事后审代码):这俩是「写完再审」,elephant-goldfish 是「动手前先审设计」——左移更早、改错成本更低;代码审查看它们,方案把关看它
  • vs github/spec-kit(上周 +4,280,规格驱动):spec-kit 先写规格再让 agent 照着实现(管「定下来写清楚」),elephant-goldfish 专注设计文档本身的对抗评审(管「想清楚挑明白」)——上下游关系
  • vs 你的 brainstorming skill / 需求梳理工具 grill:brainstorming 是发散对话、grill 是动态决策树,它是结构化评审产物——三者可拼成「发散→拷问→评审」完整链

🎯 与你/mimocode 的关联

  • 你的数据方案纪律(「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」、数据需求文档给大数据部门、TAPD 需求总结)正是设计评审场景——这个插件的评审轮次可以让 AI 在写 SQL/脚本前先出结构化设计并自挑毛病,直接减少返工(你最反感的「跳步骤返工」的解药)
  • 需求梳理工具(grill 项目动态决策树)可以借鉴它的「评审轮次 + finding 记录」结构,把工具从问答升级为评审
  • 药师帮知识库「AI 生成 SQL」上线前评审同样适用:先交设计(涉及表、口径、过滤条件)独立评审通过再生成 SQL——与 security-audit-skill 的「发现验证分离」呼应
Rust
AI 工具链浏览器自动化
↑ +2,994/周 ⭐ 51,580 🍴 3,604
面向 AI agent 的浏览器自动化 CLI(Rust),连续第二周上榜:给 agent 一个稳定、快速、语义化的浏览器操作接口——导航、点击、抓取、执行 JS、读页面状态,接口粒度和返回结构都为 LLM 上下文优化过,比「让 agent 裸写 Playwright 脚本」稳一个量级。

🔍 同类对比

  • vs 传统 Playwright/Puppeteer:传统库面向人类写脚本(灵活但样板代码多),agent-browser 面向 agent 调用(工具化、返回值适合进上下文)——agent 场景选后者效率高
  • vs chrome-devtools-mcp:chrome-devtools-mcp 走 MCP 挂进 IDE/Claude,能拿性能、网络、DOM 细节(透视向);agent-browser 是独立 CLI 走 shell(操控向)——CLI 兼容任何 agent,MCP 集成更深
  • vs Scrapling:Scrapling 是「爬取框架」(数据采集、反爬对抗),agent-browser 是「操作工具」(交互办事)——采集选前者,办事选后者;Scrapling 内置 MCP 后两者边界在模糊

🎯 与你/mimocode 的关联

  • 你的浏览器自动化需求密度是全公司最高之一:网页翻页统计 account、自动登录签到(v2free/SSPanel 定时任务)、医药网 JS 验证页 moli 兜底、企业微信快捷登录排查、小红书/B站采集——今天靠 moli / browser_exec / 手写 JS 拼凑,agent-browser 是同赛道的开源正规军
  • ext-monitor 采集链(医药网反爬、摩熵)若重写,Scrapling + agent-browser 组合可以替掉自研绕过逻辑,降低「反爬一变就挂」的维护成本
  • mimocode 侧「每天定时登录网站签到」(SSPanel 09:07 任务)也可换它的接口,脚本脆弱性直接下降
🔌

MCP 生态

核心领域2 个项目
Python
MCP 生态领域应用 MCP 化
↑ +2,302/周 ⭐ 7,873 🍴 480
Home Assistant 官方团队出的 MCP server:让 Claude、ChatGPT 等 AI 助手直接配置和操控 Home Assistant——设备控制、自动化编排、场景管理全部走 MCP。本周 +2,302。它的样板意义大于功能意义:一个成熟领域应用「官方下场」把自己的能力 MCP 化暴露给 agent,工具按场景(而非按 API)分组,schema 自描述让 agent 现场发现能力。

🔍 同类对比

  • vs 社区第三方 HA MCP:官方版跟 HA 版本同步、权限模型一致;社区版功能激进但兼容性靠运气——选型逻辑跟你们「lark-mcp 迁到 lark-cli」的决策同构(稳定/官方优先)
  • vs chrome-devtools-mcp:同样是「把大应用暴露给 agent」,chrome-devtools 暴露调试面(DOM/网络/性能),ha-mcp 暴露操作面(设备/自动化)——前者给开发用,后者给终端用户用
  • vs 裸 REST API + 自写脚本:MCP 化后 agent 现场发现能力、免预先封装——这是 MCP 相对裸 API 的核心增益,也是「工具调用」替代「脚本维护」的分水岭

🎯 与你/mimocode 的关联

  • 你们的内部系统(biz-up、ysbang.top 各看板、admin.ysbang.cn 埋点接口、8503/8506 API)目前只对人暴露页面/HTTP——ha-mcp 示范了「官方 MCP server」形态,把药师帮中台能力(查品种、查供应商、跑复盘)MCP 化后,Hermes/MiMo 免封装直接调用,比每次写 SQL/脚本快得多
  • 飞书云文档集成模块正处在同样的「暴露方式」决策点(feishu-mcp vs lark-cli),ha-mcp 的工具粒度设计(按业务场景分组、权限最小化)值得参考
  • 顺带一提:如果你家里智能设备用 HA,Tailscale 网络里跑个实例就能让 Hermes 控灯控空调——正好和 MiMo 的 Tailscale 居家方案联动
TypeScript
MCP 生态官方调试工具
▲ Trendshift 上升榜 · 周增 n/a ⭐ 56,859 🍴 4,804
Chrome 官方给 coding agent 的 DevTools MCP server:把 Chrome DevTools 全套调试能力(DOM 检查、网络请求、控制台、性能分析、截图、Lighthouse、heap snapshot)通过 MCP 暴露给 Claude Code / Codex 等。「MCP 即产品界面」路线的最高星样板(5.7 万星),本周 Trendshift 持续上升(未进周榜,周增无口径数据)。注意:它已经在你这边实际服役——Hermes 的 chrome-devtools 工具集(33 个工具)正是这条链路。

🔍 同类对比

  • vs vercel-labs/agent-browser(操控向):agent-browser 管「操作网页」(点击、导航、抓取),chrome-devtools-mcp 管「透视网页」(调试、性能、网络)——前者是手,后者是 X 光
  • vs Playwright MCP(微软):Playwright MCP 偏测试自动化(跨浏览器、可跑 E2E),chrome-devtools-mcp 偏真实调试(绑 Chrome、能力深度强)——做测试选前者,排查线上问题选后者
  • vs 手动 F12:MCP 化后 agent 自己看、自己分析、自己修,一轮对话闭环——前端排障工时下降的直接来源

🎯 与你/mimocode 的关联

  • 你已经在用它:inspecting-hermes-desktop-dom skill 走 CDP 读桌面端 DOM/CSS,这个项目就是上游——持续跟版本等于白嫖排障能力升级(性能分析 insight、heap snapshot 都是新武器)
  • ysbang.top 全系前端(scarcity/potential/simulation/work 看板、biz-up 前端)的 UI 调试都靠这条链路;「Chrome Local Network Access 新策略挡企微快捷登录」那类问题,用它的网络请求视图排查比盲猜快一个量级——这类案例值得沉淀成 skill
  • mimocode 侧 Vue 前端缺陷测试(销量预测 Vue+Flask 测试)同样能用它做浏览器侧自动化测试,替代纯代码走查
🧠

Agent 记忆/上下文管理

个性化领域2 个项目
TypeScript
Agent 记忆/上下文跨会话持久
↑ +5,130/周 ⭐ 117,352 🍴 10,193
「Persistent Context Across Sessions for Every Agent」——跨会话持久上下文基建:自动捕获 agent 会话里发生的一切(改了什么、试了什么、结论是什么),用 AI 压缩成记忆,下次会话把相关上下文自动注回。支持各类 agent 不限 Claude,等于给 agent 装了外置海马体。11.7 万星,本周 +5,130(上周 +7,482 破 11 万后增速放缓,但仍是记忆赛道第一)。

🔍 同类对比

  • vs Hindsight / mem0(你的记忆栈):claude-mem 是「会话工作记忆」(这个项目做过什么、改过哪、为什么),Hindsight/mem0 是「用户长期记忆」(你是谁、偏好什么)——层次不同,可互补而非替代
  • vs ranxianglei/billion-context(同榜):claude-mem 存「事实摘要」按需召回,billion-context 压「原始上下文」整体瘦身——一个换记忆(检索成本高、保真好),一个压缩缩(无检索、有损)
  • vs 手写摘要(你们的 mimocode_context.md):手工摘要靠人驱动、质量高但不可持续;claude-mem 全自动但召回质量依赖压缩模型——你们现在正好站在这个分叉口

🎯 与你/mimocode 的关联

  • 你们已经在做同一件事的低配版:mimocode_context.py 手工生成工作摘要喂 Hermes、hermesoffice 的 LLM 自动总结 session→工作项、进化日志 skill——claude-mem 的「捕获→压缩→注回」三段式就是这套的工业级实现,架构直接对齐
  • 「记忆容量与检索能力不足」正是你们从原生记忆迁 mem0 的动因,它的压缩策略(每会话一摘要 + 语义召回)可给 Hindsight 的 retain/recall 调参做参照
  • 双端记忆不相通(Hermes↔mimocode)的协作痛点,它「一切 agent 通用」的定位给出方向:记忆层做成中立服务,而不是内嵌在某个 agent 里——这跟你们把工作数据抽到 work.ysbang.top 中台是同一个架构直觉
TypeScript
Agent 记忆/上下文上下文压缩
↑ +2,986/周 ⭐ 7,536 🍴 621
上下文压缩插件:把「月级超长单会话(十亿 token 级)」塞进小上下文窗口——「100K 窗口就够用」。思路是在 agent 跑的过程中持续把历史上下文滚动压缩进一个紧凑窗口,用小窗口模型跑出长会话效果。本周 TS 周榜 +2,986,是「省 token 三件套」里最激进的一个:直接改写上下文的存续方式。

🔍 同类对比

  • vs claude-mem:claude-mem 是「外置记忆库」(存摘要、按需取、不怕丢),billion-context 是「内置压缩器」(窗口内滚动瘦身、无检索开销)——外置贵在检索准,内置省在链路短
  • vs 长上下文模型路线(1M/10M 窗口):模型路线贵且慢但保真,压缩路线便宜快但有损——「月级会话」里早期细节大概率被压掉,这是它宣称与代价的平衡点
  • vs caveman(通信瘦身):caveman 减少「输出」体积,billion-context 减少「记忆」体积——省 token 的两个不同阀门,可叠加

🎯 与你/mimocode 的关联

  • 你们的长会话痛点真实:B 站 3.5 小时访谈(5148 条字幕、6.4 万字转录)、半年度复盘文档讨论、understand 系列代码库理解——都是「大上下文」场景,压缩器能让小窗口模型干大活,直接降 mimo 成本
  • mimocode「速度低于 1t/s」的问题部分源于上下文过长,压缩插件是换模型之外的第二条路——值得在非精确场景试
  • 注意有损风险:涉及精确数字(品种销量、补贴金额、市占率口径)的分析别开压缩模式,口径会花——跟你的数据纪律(单位一致、阈值基于分布)直接冲突,建议按任务类型白名单开关
⚙️

自动化/Agent 调度

个性化领域2 个项目
Rust
自动化/Agent 调度并行隔离
↑ +2,395/周 ⭐ 12,546 🍴 497
为「并行 AI agent 工作流」设计的 Git worktree 管理 CLI:多个 agent 同时改一个仓库时,每人一个 worktree(独立工作目录 + 分支),worktrunk 管创建、切换、合并、清理,让并行 agent 不互相踩脚。Rust 写的,快而轻。连续第二周上榜(+2,395),是「多 agent 同改一份代码」的基建层。

🔍 同类对比

  • vs 手动 git worktree 命令:手动管 N 个 worktree 的分支命名、残留清理容易出乱子;worktrunk 把这套做成 agent 友好工作流(状态清晰、可脚本化、可回滚)
  • vs orca / paseo(舰队调度):舰队工具管「跑哪些 agent、进度如何」(调度层),worktrunk 管「每个 agent 的代码工作区不打架」(隔离层)——层次不同,配套使用
  • vs 单 agent 顺序干活:并行 worktree 是多 agent 同仓库的先决条件;任务间不共享文件时收益最大,共享文件多时合并成本会吃掉收益

🎯 与你/mimocode 的关联

  • 你们的「共同搭建项目回顾」已把 Hermes Work Dashboard、Hermes Office 等归档 GitHub 1.0——如果让 Hermes 和 MiMo 并行改同一仓库(work 看板前后端),worktrunk 式 worktree 隔离 + 你们已有的 flock 防重入是同一套纪律在 git 侧的补全
  • 「全局规则禁止自动 Git 提交」的约束下 worktree 隔离反而更安全:agent 各自分支产出、人决定合并时机——正好符合你的手动提交纪律
  • mimocode 侧药师帮代码库多脚本并行改动频繁(品种数据.py 两用法改造、calc_scarcity_score 优化、filter_set_price.py 性能优化都在动核心文件),worktree 能避免「同一目录互相覆盖」的事故
TypeScript
自动化/Agent 调度多 Agent 指挥面板
↑ +756/周 ⭐ 24,119 🍴 2,972
「Orchestrate multiple coding agents from desktop and mobile」——开源的多 agent 指挥面板:把 Claude Code、Codex 等多家 agent 接到一个调度台里,统一派活、看进度、收结果,桌面手机都能用。t3code 同赛道的开源选手,2.4 万星,本周 +756。区别于「远程接入」型工具,它的核心是「一人管一队 agent」的编排体验。

🔍 同类对比

  • vs t3code(+13,448):t3code 强在「远程接入」(人不在场遥控),paseo 强在「多 agent 编排」(一个台子管一队)——单人单机选 t3code,一人管多 agent 选 paseo
  • vs stablyai/orca(12.5 万星):orca 是「舰队托管」(跑它家 runtime、用你的订阅),paseo 是「本地编排」(跑你机器上)——数据不出门选 paseo,规模弹性选 orca
  • vs Game-Studios(49-agent):Game-Studios 靠「角色剧本」协调(软流程),paseo 靠「调度面板」协调(硬工具)——流程复杂选前者,纯并行选后者

🎯 与你/mimocode 的关联

  • 你的 AI 工作流正在朝「多 agent 并行」走:Hermes cron 情报任务 + MiMo Code 主力开发 + subagent 委派 batch 分析——paseo 的面板形态跟 work.ysbang.top 的「工作项追踪」互补:一个管「派活」,一个管「留痕」
  • 它验证了「手机指挥多 agent」的产品形态,跟你的微信/飞书主通道习惯完全吻合——等 MiMo 会话多到管不过来,可拿它当统一调度台试用
  • 注意它跟 t3code 功能重叠度高,先选一个上手别都上——两个指挥舱并存只会增加心智负担
📊

数据/监控·采集

个性化领域3 个项目
Python
数据/监控·采集语义本体
↑ +10,159/周 ⭐ 13,007 🍴 1,094
英伟达开源的「自动本体」框架:在数据之上构建语义图谱推理层——把表结构、业务概念自动整理成本体(ontology),让查询变成确定性的图上推理(deterministic query generation),而不是让 LLM 每次自由发挥 SQL。本周 +10,159 全榜第三,几乎全周新增(新项目即爆款)。本质是给「LLM 问数据」上一层语义保险:可复现、可审计、口径不漂。

🔍 同类对比

  • vs 直接 Text2SQL:Text2SQL 灵活但口径漂移、幻觉列名;auto-ontology 先建语义层再查询,牺牲灵活性换确定性——高频固定口径场景选本体,探索式分析选 Text2SQL
  • vs ragflow 等 RAG 知识库(9.3 万星):RAG 检索「文档片段」答题,auto-ontology 推理「结构化关系」生成查询——文档问答选 RAG,数据分析选本体,两者不互斥
  • vs 你们的药师帮知识库(AI 生成 SQL 指南):知识库是「规则文档喂 LLM」(软约束,靠模型自觉),auto-ontology 是「规则编码进图谱」(硬约束,机器保证)——前者改造成本低见效快,后者执行稳但起步重

🎯 与你/mimocode 的关联

  • 这是对你们「AI 生成 SQL」路线参考价值最大的项目:ts_ 系列表(ts_zhdrug_info 等)、硬约束/默认口径/枚举值(SQL 知识库)完全就是本体素材——把口径从飞书文档升级为机器可推理的语义层,能根治 AI 写 SQL 口径漂移的老毛病
  • 稀缺品种/线索分体系(省份权重、供给系数、6 省剔除名单、海南白名单口径坑)是天然图谱关系(药品-供应商-省份-分数),它的建模方式跟 calc_scarcity_score 的规则体系同构——你们上周还在排查「海南正向筛选口径」这种本该机器兜住的问题
  • 但它是图谱基建,起步成本高——先拿单点 POC(比如「找货品种查询」或「市占率口径」),量出防错收益再决定铺不铺开
Python
数据/监控·采集自适应爬虫
↑ +8,226/周 ⭐ 103,290 🍴 10,763
自适应爬虫框架:从单次请求到大规模全站抓取都管——反爬对抗(指纹、代理、行为模拟)、结构自适应(页面改版不碎)、内置 MCP server(agent 直接调用爬取能力)。破 10 万星,连续上榜(上周 +8,712,本周 +8,226),爬虫基建事实上的新王者。

🔍 同类对比

  • vs Scrapy(老牌框架):Scrapy 生态成熟但反爬对抗要自己拼插件;Scrapling 把反爬、指纹、自适应做成开箱即用——新项目选 Scrapling,存量 Scrapy 迁移成本自估
  • vs Playwright 裸写:Playwright 管浏览器不管采集语义(去重、结构识别、限速、对抗);Scrapling 是「采集专用层」——你们医药网那 660 字节 JS 验证页的对抗正属于它的主场
  • vs agent-browser(操作向):采集选 Scrapling、办事选 agent-browser;但 Scrapling 内置 MCP 后两者边界在模糊(agent 可直接指挥爬虫),值得关注

🎯 与你/mimocode 的关联

  • ext-monitor(医药网/摩熵/Pharmacy Times/国家医保局四源)现在靠自研请求 + moli 兜底 + HW_CHECK cookie 绕反爬——Scrapling 的自适应和指纹能力正是为「采集老被反爬打断」造的,值得在医药网源做替换试点,降低「反爬一变就挂」的维护成本
  • mimocode 侧爬虫类脚本(爆款筛选/自动上架的平台数据获取、爆款话题数据)同理受益
  • 内置 MCP server 意味着 Hermes 能把「爬一下某页面」变成工具调用而不用写脚本——daily-intel-scan、竞品监控这类情报任务直接受益
Python
数据/监控·采集AI 新闻雷达
▲ Trendshift 上升榜 · 周增 n/a ⭐ 14,430 🍴 2,084
「📡 Your own AI-powered news radar. Generates daily briefings in English & Chinese」——用 AI 构建你专属的新闻雷达:自动聚合信息源、按兴趣过滤、每天生成中英双语简报。跟你的 ext-monitor 是同一件事的开源对标物:它解决「信息源 → 过滤 → 摘要 → 推送」全链路,强调个性化雷达(只看自己关心的领域)。本周 Trendshift 持续上升(未进周榜,周增无口径数据)。

🔍 同类对比

  • vs 你的 ext-monitor.ysbang.top:ext-monitor 胜在领域定制(药品通用名粒度、出口/召回过滤规则、当天-1 天时间过滤、企微只推新增高优),Horizon 胜在通用雷达形态(任意主题、双语简报)——垂直深耕 vs 水平通用
  • vs RSS 聚合器(feedly 类):聚合器只「收」,Horizon 收完还「筛 + 写」——AI 摘要层是本质区别,也是省掉人工过目的关键
  • vs 你的 daily-intel-scan:同思路不同域——你的盯 AI Agent 领域动态,它通用;两边都验证了「cron + LLM 过滤 + 去重推送」是可持续的情报模式

🎯 与你/mimocode 的关联

  • 可直接借鉴的对标:它的「信息源管理 + 简报生成 + 双语输出」结构能给 ext-monitor 扩品类做参考(public-apis 项目当时就想补药监局/行业新闻源)
  • 你们的过滤规则(具体到药品通用名、只收影响国产药生产的出口信息、企微只推当次新增高优)是核心业务资产,别用它的通用过滤替掉——学它的雷达 UI 和简报排版即可
  • ysbang-weekly-report(行业信息搜索→HTML→企微群)的聚合层也能借它的源管理思路,减少每周搜索词的手工维护
🖥

Web 开发/UI·设计品味

个性化领域1 个项目
—(skill 仓库)
Web 开发/UI官方规范 skill
▲ Trendshift 周榜第一 · 周增 n/a ⭐ 17,594 🍴 669
Chrome 团队官方出的「现代 Web 最佳实践指南 skill」:把最新的 Web 平台最佳实践(性能、可访问性、新 API、弃用警告)打包成 coding agent 可读的 skill,让 agent 写前端时自动跟上 Chrome/现代 Web 官方建议,而不是用训练语料里的过时写法。本周 Trendshift 周榜第一(62 mentions),内容源仓库 modern-web-guidance-src 在 TS 周榜 +1,341。浏览器厂商下场给 agent 立规矩,信号意义拉满。

🔍 同类对比

  • vs hallmark / impeccable(品味向):hallmark 管「好不好看」(视觉语言),modern-web-guidance 管「对不对、新不新」(语义化、a11y、性能、新 CSS)——审美与规范正交,装了不冲突
  • vs MDN 文档查询:MDN 是「agent 需要时查」(事后纠错),guidance 是「开局就注入」(事前预防)——预防过时写法比事后修便宜
  • vs 社区通用前端 skill:它是浏览器厂商官方口径、随 Chrome 版本演进更新,权威性和时效性压过社区 skill——尤其 API 弃用这类「训练数据必过时」的领域

🎯 与你/mimocode 的关联

  • 你所有页面都是 AI 生成前端(本看板、scarcity、potential、simulation、work.ysbang.top、biz-up 前端),agent 写出「训练时旧写法」的概率不低——装上它相当于给前端生成上一道官方规范保险
  • 「design-taste-frontend(tasteskill v2)+ hallmark + modern-web-guidance」三件套正好覆盖「品味 + 反 AI 味 + 规范」三个维度,一次配齐
  • mimocode 侧 Vue+Django 前端(总部中台看板、adminDashboard、adjustment_task.html)同样适用——a11y/性能建议跨框架通用,Vue 模板里照样吃
数据口径说明:数据快照 2026-11-16 06:00—09:00(CST)。总星/Forks 为 GitHub API 实时数据;周增为 GitHub Trending 周榜口径(全球榜 + TypeScript/Python/Go 语言周榜,快照时间略有差异);ChromeDevTools/chrome-devtools-mcp、Thysrael/Horizon、GoogleChrome/modern-web-guidance 三个项目来自 Trendshift 上升榜,未进 GitHub 周榜故周增标注 n/a。星标 < 500 的项目已过滤;纯前端框架(Vue/React/Angular 本身)与纯教程仓库不收录。对比与关联分析为基于公开资料的研判。