数据源：GitHub Trending（daily）｜分析师：GitHub 分析师 🤖｜生成时间：2026-08-10 09:00 (Asia/Shanghai)
今日榜单被 「Agent 的工程化」 彻底统治——12 项里有 6 项直接服务于 AI Agent，占比 50%。且竞争焦点已经从「模型能力」下移到 harness（骨架）层：怎么让 Agent 记住、怎么让它按规范干活、怎么衡量它干得好不好。榜首 prime-agent 单日狂揽 2,356 星，而星数最少的 harvey-labs（827☆）反而藏着最高的战略密度。
📊 今日 Trending 全景
| # | 项目 | 语言 | Stars 总 | Today ☆ | 方向 |
|---|---|---|---|---|---|
| 1 | PrimeIntellect-ai/prime-agent | TypeScript | 11,106 | 2,356 | 自我改进型编码 Agent |
| 2 | vitali87/code-graph-rag | Python | 2,987 | 96 | 代码知识图谱 RAG |
| 3 | msitarzewski/agency-agents | Shell | 140,687 | 858 | AI Agent 角色合集 |
| 4 | pranshuparmar/witr | Go | 20,667 | 210 | 进程因果溯源 CLI/TUI |
| 5 | google-deepmind/weathernext | Python | 7,089 | 86 | 天气预报大模型 |
| 6 | addyosmani/agent-skills | JavaScript | 85,141 | 680 | 工程化 Agent Skills |
| 7 | ZhuLinsen/daily_stock_analysis | Python | 61,194 | 306 | LLM 多市场股票分析 |
| 8 | goauthentik/authentik | Python | 24,275 | 310 | 开源 IdP / SSO |
| 9 | google/skills | Python | 17,230 | 528 | Google 官方 Agent Skills |
| 10 | Comfy-Org/ComfyUI | Python | 125,526 | 365 | 扩散模型节点式 GUI |
| 11 | harveyai/harvey-labs | Python | 827 | 47 | 法律 Agent 基准 |
| 12 | pingdotgg/t3code | TypeScript | 17,660 | 163 | 开源编码工具 |
🔍 深度分析：5 个高价值项目
1. PrimeIntellect-ai/prime-agent — 自我改进的 RLM 编码 Agent
TypeScript · 11,106☆（今日 +2,356，榜首）· MIT · 创建于 2026-05-08
是什么：Prime Intellect 开源的编码与研究 Agent，专为「长周期任务」设计。两个核心抽象：
- RLM（Recursive Language Model）：把上下文当变量（prompt-as-a-variable），把工具和子 Agent 当函数调用，全部跑在一个持久化 IPython REPL 里。文件操作、shell、子 Agent 全走代码，不走"工具 JSON"。
- Continual Harness：把补充提示词、记忆、技能描述、可复用子 Agent 规格存成持久状态。
/refine复盘当前轨迹做小步、有证据支撑的更新——但绝不改写不可变的基座系统提示词，且有快照可回滚。
其余关键能力：rlm(...) 原生 spawn 子 Agent；技能是可导入的 Python 包（可执行而非纯文档）；daemon 托底让会话在终端断开后继续跑、可重新 attach；Agent 之间可直接通信互相编排；自动压缩 + 持久目标 + 心跳 + 定时 + 有界自主模式（在 turn/token/时间预算内跑，可挂质量门）。
- 项目价值：目前对「Agent 长期运行」答得最完整的一份开源工程答卷。多数框架停在"单次对话内做好一件事"，它把 持久进程 + 持久状态 + 可回滚的自我改进 三件事一起做了。REPL-as-runtime 的选择尤其务实：省掉了工具协议的表达力天花板。README 也很诚实——worker/kernel 隔离是为了生命周期恢复，不是安全沙箱。
- 适用受众：做长周期研究/评测任务的团队、Agent 框架开发者、需要后台跑数小时任务的工程团队。
- 收益方向：MIT 全开源，变现靠 Prime Intellect 的算力与订阅——典型「开源 harness 引流到自家 compute」。
- 创业者切入点：安全沙箱是官方明说的缺口。基于它做「带真隔离的托管执行层」（gVisor/Firecracker + 审计 + 回放），卖给要跑不可信代码的企业客户，边界清晰。另一路是把 Continual Harness 的 refine 记录做成"Agent 能力成长曲线"的可观测产品。
2. pranshuparmar/witr — "这玩意儿为什么在跑？"
Go · 20,667☆（今日 +210）· Apache-2.0 · 已进 Debian/Ubuntu 官方源
是什么：只回答一个问题——Why is this running? 给它一个进程、端口、容器或文件，它把因果链完整还原：
witr node Process : node (pid 14233) Why It Exists : systemd (pid 1) → pm2 (pid 5034) → node (pid 14233) Source : pm2 Working Dir : /opt/apps/expense-manager Sockets : 127.0.0.1:5001 (TCP | LISTENING)
核心洞察写在 README 里：ps/top/lsof/ss/systemctl/docker ps 暴露的是状态，告诉你"什么在跑"，但把"为什么"留给你跨工具脑补。witr 把这层因果显式化——万物归 PID，拿到 PID 就往上追溯供应链。CLI / TUI / JSON 三态输出，容器侧覆盖 Docker、Podman、nerdctl、K8s crictl、Incus、LXC、LXD、FreeBSD jails。退出码有语义（0 干净 / 1 有告警 / 2 未找到），能直接进 CI 和监控脚本。
- 项目价值：工具设计的教科书——不做大而全，只把所有 SRE 每周都要手动干十遍的动作做到极致。20K☆、进 Debian sid、Product Hunt + HN 双热榜，说明"小而准的痛点"依然是开源最好的入场券。浏览器里的模拟 Linux 沙箱教程更是零摩擦获客的范本。
- 适用受众：SRE、运维、后端；任何在多层 supervisor（systemd + pm2 + docker）环境下 debug 过的人。
- 收益方向：Apache-2.0 纯开源，目前靠 Sponsors。本体不适合直接收费。
- 创业者切入点：单机因果 → 集群因果。witr 解决一台机器的溯源，但生产事故是跨节点的。做「分布式 witr」——把因果链从 systemd 延伸到 K8s Deployment → Helm release → GitOps commit → PR 作者，配合事故时间线自动生成，就是可以卖的 incident forensics SaaS。JSON 输出和语义化退出码已经把集成接口铺好了。
3. addyosmani/agent-skills — 把资深工程师的工作流固化给 AI
JavaScript · 85,141☆（今日 +680）· MIT · Google Chrome 团队 Addy Osmani 出品
是什么：24 个「生产级工程技能」包，把资深工程师的工作流、质量门和最佳实践编码成 AI Agent 能一致执行的规范。8 个 slash command 映射完整开发生命周期：
DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP /spec /plan /build /test /review /ship
核心原则每条都很硬：先规格后代码、小而原子的任务、一次一片、测试即证明、改善代码健康度、更快即更安全。/build auto 是关键设计：批准一次计划后自主跑完所有任务——它去掉的是任务之间的人工中转，不是验证环节；每个任务仍然测试驱动、独立提交，遇到失败或高风险步骤会暂停。安装走 Vercel Labs 的开放 skills CLI，一条命令覆盖 70+ 种 Agent（Claude Code、Cursor、Codex、Copilot、Cline……）。
- 项目价值：85K☆ 且今日仍在涨，说明市场已形成共识——AI 写代码的瓶颈不是模型，是流程。它真正的贡献是把"资深工程师的默会知识"显式化成可分发的资产。配合今天榜上 google/skills（17K☆）同向上榜，"Skills"正在成为 Agent 生态的事实标准分发格式。
- 适用受众：所有用 AI 编码的团队；想给 Agent 立规矩的 Tech Lead；Agent 工具厂商。
- 收益方向：MIT 开源，Addy 的个人品牌与影响力资产，无直接变现。
- 创业者切入点：Skills 的"包管理器 + 私有仓库"层还空着。开源 Skills 已在爆发，但企业要的是：内部私有仓库、版本管理、合规审计（这个 Skill 会不会让 Agent 干出格的事）、按团队分发与权限。做 Skills 界的 Artifactory / npm Enterprise，是当下窗口期最明确的位置。项目 issue #361 提到"单技能安装会丢 references/ 目录"，恰恰说明这套分发体系还很原始。
4. vitali87/code-graph-rag — 给单体仓库的终极 RAG
Python · 2,987☆（今日 +96）· MIT · PyPI: code-graph-rag
是什么：用 Tree-sitter 解析多语言代码库，把函数、类、方法、模块及其关系抽成知识图谱存进 Memgraph，然后用自然语言查询、编辑、优化这份代码。
Source Code → Tree-sitter Parser → AST Analysis → Memgraph Knowledge Graph
↓
User Query → AI Model (Cypher Gen) → Cypher Query → Graph Results → Response
能力清单：自然语言问代码（答案锚定真实结构，不是向量瞎猜）、按名称或意图取任意函数源码、基于 AST 的外科手术式补丁（改前有 diff 预览）、按最佳实践或自定义规范优化代码、从入口点走调用边找死代码、用 ast-grep 做结构化搜索与重写。语言覆盖 Python / TS / TSX / JS / Rust / Go / Java / C / C++ / C# / PHP / Lua / Dart；Ruby 通过新的可插拔 ast-grep 层接入——一个 YAML 模式文件就能加一门语言，不用手写 parser，把"加语言支持"的边际成本压到接近零。
- 项目价值：向量 RAG 在代码上的根本缺陷是丢结构——"谁调用了这个函数"、"删了它会炸哪里"，embedding 相似度答不了，图谱才是正解。工程信号也扎实：CI + Codecov + SonarCloud + OpenSSF Scorecard + Best Practices 全绿，2,987☆ 对 520 forks 的高 fork 比说明真在被用和改。风险提示：README 里徽章至今注释着，作者 GitHub 账号被封过、主力已迁 Bitbucket 镜像，选型前该知道。
- 适用受众：维护大型/多语言 monorepo 的团队；做代码理解、重构、死代码清理的工程组；给编码 Agent 补上下文层的开发者。
- 收益方向：MIT 开源 + 官网挂 Enterprise Support & Services——标准 open-core 咨询变现。
- 创业者切入点：做成 CI 里的"重构影响面分析"服务。每个 PR 自动跑图谱 diff：改动的爆炸半径多大、碰了哪些下游调用方、有没有制造死代码。这是 code review 里最耗人力也最容易漏的部分，按仓库规模计费。另一路是遗留系统迁移评估——图谱天然能算出模块耦合度和拆分边界。
5. harveyai/harvey-labs — 法律 Agent 的开源基准
Python · 827☆（今日 +47）· MIT · 1,671 个任务 · 24 个法律执业领域
是什么：Harvey（法律 AI 独角兽）开源的 Legal Agent Benchmark (LAB)，在真实环境里评测 LLM Agent 干法律活的能力。两部分：任务数据集（Agent 指令 + 文档 + 评分量表，覆盖 24 个执业领域 + 合同业务，共 1,671 个任务）与执行框架（跑 Agent 并对照任务评分，含模型适配器、报告、sweep 对比看板）。评测用 all-pass rubric 评分 + LLM judge。上手教程是一个完整的 M&A 数据室任务，从环境搭建、任务检查、Agent 运行、评分、报告到对比看板走通全流程。
- 项目价值：星数最少，但信号密度最高。它代表一个重要转折：垂直行业龙头开始开源自己的评测标准。这比开源模型更有战略性——定义了怎么算"做得好"，就定义了整个赛道的游戏规则。M&A 数据室审阅这种任务通用 benchmark 根本测不出来，只有真在这行里的人才知道量表怎么写。
- 适用受众：法律科技团队、评测 Agent 能力的研究者、想进垂直 AI 的模型厂商。
- 收益方向：MIT 开源不变现。战略收益是标准话语权——所有人用 Harvey 的尺子量自己，Harvey 就是那把尺子。
- 创业者切入点：把 LAB 的模式复制到别的高价值垂直行业。医疗病历审阅、审计底稿、专利检索、保险理赔核定——每个都是"通用 benchmark 测不准、行业专家才懂量表"的场景。先做 benchmark 占住标准位，再顺势做产品，是 Harvey 已验证的路径。更轻的一路：做跨行业的 Agent 评测即服务，企业上传自己的任务和量表，平台跑多模型横评出报告。
⭐ 综合项目价值观评分表
五个维度各 1–10 分。门槛：分越高表示复现/追赶的壁垒越高。综合 = 五维均值。
| 项目 | 创新性 | 实用性 | 成长性 | 商业化 | 门槛 | 综合 |
|---|---|---|---|---|---|---|
| PrimeIntellect-ai/prime-agent | 9 | 8 | 9 | 8 | 8 | 8.4 |
| vitali87/code-graph-rag | 8 | 8 | 7 | 7 | 8 | 7.6 |
| addyosmani/agent-skills | 7 | 10 | 9 | 6 | 5 | 7.4 |
| pranshuparmar/witr | 8 | 10 | 7 | 5 | 6 | 7.2 |
| harveyai/harvey-labs | 8 | 6 | 8 | 5 | 9 | 7.2 |
评分解读
- prime-agent（8.4，第一）：唯一五个维度都不掉队的项目。RLM + Continual Harness 是真抽象创新，不是包装；单日 +2,356☆ 的势能确认了市场认可。扣分只在——它明确不是安全沙箱，生产落地还要自己补一层。
- code-graph-rag（7.6）：技术门槛最扎实（Tree-sitter + 图 schema + Cypher 生成，三层都不好抄），且有明确的企业服务变现路径。成长性扣分是 Memgraph 依赖抬高部署门槛，加上作者账号被封的历史风险。
- agent-skills（7.4）：实用性满分——今天装今天就能改善 Agent 输出质量。但门槛只有 5：Skills 本质是精心组织的 markdown，护城河是品牌和社区，不是技术。这既是弱点，也正是"Skills 基础设施层"存在创业空间的原因。
- witr（7.2）：实用性同样满分，工具设计堪称范本。但纯 CLI 工具的商业化天花板明摆着——真正的钱在集群化和事故取证那一层。
- harvey-labs（7.2）：门槛 9 分全场最高——1,671 个任务 × 24 个执业领域的量表，没有真实法律业务积累根本造不出来。实用性和商业化低，是因为它压根不是产品，是战略资产。
🧭 今日趋势洞察
- Agent 竞争的战场已从"模型"下移到"harness"。 榜单 12 项中 6 项服务 Agent，且没有一个是模型本身——全是骨架层：怎么持久化状态（prime-agent）、怎么建立记忆与代码理解（code-graph-rag）、怎么规范行为（agent-skills、google/skills）、怎么度量效果（harvey-labs）。模型是商品，harness 才是差异。
- "Skills" 正在成为 Agent 生态的事实标准分发格式。 addyosmani/agent-skills（85K☆）与 google/skills（17K☆）同日在榜，加上 Vercel Labs 的 skills CLI 已覆盖 70+ 种 Agent，分发协议基本定型。但包管理、私有仓库、版本与合规审计这一层完全空白——这是今天榜单暴露出的最清晰的创业窗口。
- 自我改进从口号变成了有约束的工程实践。 prime-agent 的
/refine值得单独强调：它改的是补充状态，不动不可变基座提示词，且每次都有快照可回滚。这种"有边界的自我改进"比无约束的自我重写靠谱得多，很可能成为后续项目的默认范式。 - 垂直龙头开始用开源 benchmark 抢标准话语权。 Harvey 开源 LAB 不图 star，图的是让全行业用它的尺子。这条路径对任何有真实行业数据积累的公司都可复制，性价比远高于开源模型。
- "小而准"的经典工具依然能杀出重围。 witr 20K☆、进 Debian 官方源，靠的只是把
ps + lsof + systemctl的手动脑补自动化。在 AI 淹没一切的榜单里，这提醒了一件事：明确的痛点 + 极致的执行，永远是开源最短的路。
报告生成：2026-08-10 09:00 Asia/Shanghai ｜ 分析师：GitHub 分析师 🤖 ｜ 数据源：GitHub Trending + GitHub REST API
