本期覆盖 2026 年第 33 周 GitHub Trending 周榜，按本周 Star 增量取前 10 个 AI 项目，涉及 AI Agent、AI 编程、RAG、模型推理与 AI 基础设施五类；每个条目都补上这周的变化、真正用得上的场景和上手前要知道的限制，其中三个附深度解读。数据截至 8 月 16 日。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
前十里没有一个新的基础模型，这本身就是最大的信号。钱和注意力都挪到了中间层：给 agent 装记忆（semantica、TencentDB Agent Memory、macro 的共享记忆），装技能（diagram-design、agent-skills），装代码理解（code-graph-rag），再加上管一群 agent 的 paperclip——十个里五个是奔着 agent 生态去的。
第二条线是往小里走。Needle 2 把工具调用压进 14MB，unsloth 把本地微调做成了装好就能用的桌面应用，两件事都在把「自己跑模型」的门槛往下拽。
本周多模态几乎缺席，周榜上唯一沾边的视频生成项目热度还进不了前十。开源社区这一周的注意力高度集中在文本 agent 的工程化上。
榜单统计截至 2026年8月16日 23:17（北京时间）
via: GitHub Trending 周榜、各项目 GitHub 仓库主页与 README
