
给 Claude Code、Codex、Pi 用的画图技能,产出自包含的 HTML + SVG,架构图、流程图、金字塔各有专门模板。
Star 19,271本周新增 +14,735Fork 1,170未关闭 Issue 22最近提交 2026-08-14
把「怎么算一张好图」写成了规则,模型画出来的图第一次能直接贴进正式文档。如果你常写技术博客、产品文档或内部方案,而且已经在用这几个编码 agent,这套工具会比较顺手。不过,它产出的是静态 HTML/SVG,后面还要回 Figma 精修的话就接不上了。
让模型画张架构图,回来的多半是一堆圆角方框,跟自己文章的调性半点不搭。不将就,就得开 Figma 手搓半小时;将就了,图就白画。作者说她每次写文章都卡在这一步,干脆把「怎么算一张好图」写成了规则:版式、配色、信息密度全都定死,强调色只留给最该先看的那一两处,目标密度 4/10——多一个节点都得先证明自己有用。
装上以后它是 Claude Code、Codex、Pi 的一个技能,产出是自包含的 HTML + SVG,没有构建步骤,也不依赖外部图片,扔进网站就能用(README 写 27 种版式,仓库简介写 29 种,取用时以实际目录为准)。手上已经有 draw.io 或 Mermaid 的旧图,也可以让它按指定尺寸和详略程度重画一遍。
一周涨 1.47 万 Star 说明它戳中的不是「画图」这件事,而是 agent 产出物的质量下限——同一批人已经受够了看着像 AI 做的东西。

Prime Intellect 开源的编码与研究 agent,用递归语言模型和持久 harness 支撑长时间运行的任务。
Star 16,472本周新增 +8,488Fork 1,774未关闭 Issue 74最近提交 2026-08-16
把上下文当变量、子 agent 当函数,让有效的干活套路能跨会话留下来。它更适合要连续跑几小时甚至几天的重构、迁移和调研任务。如果你只想要一个补全式助手,这套全代码编排的做法就太重了。
大部分 agent 把一切都塞在对话上下文里,窗口一满就失忆,昨天调顺的工作方式今天得从头教。Prime Intellect 换了两个抽象来治这件事。一个叫 RLM(递归语言模型),把上下文当变量、把子 agent 当函数,全部丢进一个常驻的 Python REPL 里用代码调度:读写文件、执行命令、管理上下文都是代码,rlm(...) 一调就派生出真实的子 agent 去并行干活。另一个叫 Continual Harness(论文 arXiv:2605.09998),把补充提示词、记忆、技能描述、可复用的子 agent 规格存成持久状态,靠一次次有证据支撑的小修改慢慢磨,默认只在本地会话生效。
说白了,就是让「有用的上下文」和「好使的干活套路」活得比一个聊天窗口更久。要跑几小时甚至几天的重构、迁移、调研任务,它值得一试,但你得接受 agent 用代码而不是自然语言来编排一切。

图原生的上下文与知识基础设施,把企业数据建成上下文图和知识图谱,每个结论都带决策溯源。
Star 8,107本周新增 +5,339Fork 827未关闭 Issue 70最近提交 2026-08-16
自称「AI Agent 的开源版 Palantir」,戳中了企业「答案说得清凭什么」的硬需求。金融、医疗、公共服务等需要向合规部门交代模型依据的团队,最能用上这套能力。但团队得真懂知识建模和本体设计;只做一个内部问答机器人,用它有点杀鸡用牛刀。

团队级的 agent 记忆中枢,把对话、文档和代码沉淀成 Chat Memory、Skill、LLM-Wiki、Code-Graph 四类可复用资产。
Star 22,148本周新增 +3,956Fork 2,031未关闭 Issue 603最近提交 2026-08-15
把记忆从单个 agent 里抽出来做成共享服务,多人多工具能接同一份团队知识。同时用着好几种 agent 工具、又想沉淀团队知识而不只是个人聊天记录的团队,会更容易感受到它的价值。代价也不小:要用 Node 22.16 以上并自建三个服务;许可证没有被 GitHub 识别为标准协议,商用前得先看 LICENSE。

面向 AI 编码 agent 的工程技能集,用 8 个斜杠命令把需求、计划、实现、测试、评审、发布串成一条流水线。
Star 87,661本周新增 +3,300Fork 9,392未关闭 Issue 104最近提交 2026-08-14
把资深工程师的流程和质量关卡写成技能,agent 每个阶段照着走,不再全凭发挥。已经在用 Claude Code、Codex 或 Cursor,又吃过「跳过设计直接写码」亏的团队,可以拿它补流程。只是这套流程偏重,改一个小 bug 也走完六步会显得很繁琐。

4,500 万参数的端侧模型,专做工具调用、设备操作和结构化抽取,官方自述整个模型是一个 14MB 二进制。
Star 6,366本周新增 +2,488Fork 424未关闭 Issue 25最近提交 2026-08-15
把工具调用压进手表能装的体积,端侧 agent 第一次有了不联网的现实选项。做端侧、可穿戴、机器人或离线产品,而且需要稳定 JSON 输出的工程师,才是它真正瞄准的人。它不是通用对话模型,写文案和复杂推理都别指望;对比基准也只是项目方自己的测试数据。
手机、手表、智能音箱、机器人上,很多时候只需要「听懂一句话,然后调对一个接口」。为这么点事跑一趟云端,延迟、隐私、断网可用性三头都不划算。Needle 2 就是奔着这个场景去的:4,500 万参数,官方自述整个模型是一个 14MB 二进制,跑完整会话大约占 28MB 内存,用自研的 CQ2 量化压到 2 bit,权重在 Hugging Face,架构见 arXiv:2607.18363。
工程上的几处设计比参数量更值得看:输出被你自己 schema 编译出来的字节级语法约束住,保证吐出来的是结构化 JSON;每条响应带一个校准过的置信度分数,超过阈值就执行、低于阈值就上交给大模型;工具目录很长时有检索头兜着,每轮只渲染最相关的五个。它对比的 FunctionGemma 270M、LFM2.5 230M 都是自家跑的基准,落地前最好自己复测一遍。

把邮件、聊天、文档、任务、通话、CRM 和 agent 装进一个工作区,所有内容用 @ 互链,底层是同一张双向图。
Star 3,348本周新增 +2,434Fork 332未关闭 Issue 65最近提交 2026-08-16
共享的团队级记忆让人和 agent 查同一份上下文,不用再靠 MCP 和 Zapier 拼工具。几人到几十人、愿意整体换掉现有工具链的初创团队,最可能吃到这种统一上下文的好处。但 AGPL-3.0 对闭源二次开发或对外做 SaaS 是硬约束,把老工具链整体迁走的成本也不会低。

开源的 AI agent 团队编排工具,Node.js 服务加 React 界面,给 agent 派目标、跟踪产出与成本。
Star 78,431本周新增 +2,430Fork 14,373未关闭 Issue 5,093最近提交 2026-08-16
定位是「管一群 agent 的公司」而不是单个助手,自带成本看板戳中了实际痛处。已经有多个 agent 在跑、正缺一个地方统一派活和算账的团队,会比较容易上手。不过,五千多个未关闭 Issue 说明扩张速度明显快过收敛速度,上生产前最好先把稳定性摸清。

本地运行和训练大模型、扩散模型的桌面应用,覆盖 Qwen、Kimi、Gemma、DeepSeek、FLUX 等一批开源权重。
Star 72,340本周新增 +2,207Fork 6,518未关闭 Issue 1,234最近提交 2026-08-16
从调参库变成了装好就能用的桌面应用,本地微调的门槛又降了一截。手边有本地 GPU,又想自己跑或微调开源模型的开发者和研究者,可以从桌面端开始试。但它现在还是 beta;显存一旦吃紧,真正能选的模型会比展示列表少很多。

用 Tree-sitter 把多语言代码库解析成知识图谱存进 Memgraph,再用自然语言查询、改写和优化代码。
Star 4,408本周新增 +1,756Fork 597未关闭 Issue 51最近提交 2026-08-16
它这周最值得看的变化,是把测试里真正跑过的调用关系补进知识图谱;单靠静态分析漏掉的那部分,现在也能看见了。如果团队正要在多语言 monorepo 里做大重构、补文档或清理死代码,这张图才比较值回部署成本。前提是愿意自己维护一套 Memgraph;仓库不大时,编辑器全局搜索反而更快。