™GitHub 周榜 Vol.1：本周 8 个值得看的项目
本周 8 个值得看的项目：7 个真装真跑，1 个读码验证。只说能验证的实话。
Vol.1：被 Skill 统治的一周
创刊词：这一周是「agent skill 周」——候选里 skill 形态占大头，说明 Claude Code / Codex / Cursor 生态的插件经济正在成形；另一条线是「本地大模型工程」（20 万行手写 C 推理引擎）和「AI 编程提效」。本期 8 个项目，7 个真装真跑，1 个读码验证，只说能验证的实话。
本期速览
★ 是本站每天自己记的| # | 项目 | 一句话 | 方式 | ★ | 本周 |
|---|---|---|---|---|---|
| 01 | graphify-labs/graphify | 把任意文件夹（代码、文档、PDF、图片、音视频）变成可查询知识图谱的 agent skill， /graphify . 一行命令，支持 20+ agent 工具。 | 实测 | 127,596 | — |
| 02 | justvugg/colibri | 纯 C 编写的本地大模型推理引擎，「小引擎、大模型」：每个模型家族一个独立 C 引擎，能在普通 CPU 机器上跑数百 B 参数的 MoE 大模型（常驻内存只留推理必需部分，专家权重按需从磁盘读取）。 | 实测 | 42,540 | — |
| 03 | alibaba/open-code-review | 阿里内部用了两年的 AI 代码评审 CLI，开源版；Go 写的 ocr 命令行工具，读 git diff 后调用可配置的 LLM 做带行级定位的代码评审。 | 实测 | 47,541 | — |
| 04 | mksglu/context-mode | 给 AI 编程 agent 用的 MCP 服务器，解决「上下文浪费」：沙箱工具把原始数据挡在上下文之外，SQLite 做会话连续性，强制「让 LLM 写代码做分析、而不是自己读数据」的范式，支持 17 种客户端。 | 实测 | 30,460 | — |
| 05 | panniantong/agent-reach | 给 AI agent 一键装上互联网能力的「能力层」工具：替你选好、装好、体检好各平台最稳的接入方式（X、Reddit、YouTube、B站、小红书、GitHub、RSS 等 16+ 渠道）。 | 实测 | 98,612 | — |
| 06 | zhuyansen/new-term-radar | 每天抓 X、HuggingFace 热榜、GitHub 新仓库爆发等 7 路信号，发现「刚冒头」的 AI 新名词（新模型、新产品、新仓库），并生成关键词决策表。纯 Python 标准库，另有 3 个 Agent Skill 和一个 MCP server。 | 实测 | 1,079 | — |
| 07 | cathrynlavery/diagram-design | 让 AI coding agent 画出「编辑级」图表的 Agent Skill：约 45 种图表类型，输出单个自包含 HTML+SVG 文件，可读取你的网站自动套用品牌配色，号称「No Mermaid slop」。 | 实测 | 56,841 | — |
| 08 | Oldcircle/geo-sleuth | 开源的 Agent Skill（SKILL.md + 20 多个 Python 脚本），把「从一张照片反推拍摄点」的方法论装进 coding agent：给 agent 一张照片、一句「find where this photo was taken」，按剧本查证并给出坐标、误差半径和证据图。 | 读码 | 3,203 | — |
逐个看
往期周榜-
把任意文件夹（代码、文档、PDF、图片、音视频）变成可查询知识图谱的 agent skill，
/graphify .一行命令，支持 20+ agent 工具。- 为什么值得看
- 两段式架构是真东西：第一段 tree-sitter 纯本地解析约 40 种语言，零 LLM、零 token 成本，提取跨文件调用和继承关系；第二段才对文档图片调模型；每条边带置信标签。背后是 YC S26 的 Graphify Labs。
- 坑在哪
- 12.7 万 star，1520 个 open issue（偏多），Apache-2.0。PyPI 包名是
graphifyy（双 y），命令是graphify，容易装错；因回答 Karpathy 的帖子病毒式传播。语义抽取需 LLM API key，纯代码模式完全离线。 - 适合谁
- 在中大型代码库用 AI agent、被重复读文件烧 token 的开发者；想给 agent 加持久结构记忆的团队。
怎么测的
Python 3.12 venv，
pip install graphifyy一次成功（约 1 分钟）。自建 3 文件 Python 语料，graphify update .生成 12 nodes / 21 edges / 3 communities；graphify query正确返回 EXTRACTED 调用边，affected/path/explain 均正确。全程离线无 key，约 5 分钟。文档语义抽取需 key，未测。 -
纯 C 编写的本地大模型推理引擎，「小引擎、大模型」：每个模型家族一个独立 C 引擎，能在普通 CPU 机器上跑数百 B 参数的 MoE 大模型（常驻内存只留推理必需部分，专家权重按需从磁盘读取）。
- 为什么值得看
- 工程极其硬核：13 个引擎、约 20 万行手写 C，CUDA/Vulkan/Metal/XDNA 多后端，附带量化内核和单元测试。号称 744B 参数的 GLM-5.2（int4）常驻内存只要 9.9GB。
- 坑在哪
- 实测
make gliner_decide一次编译通过（约 7 秒，产物 481KB），--help正常。坑：真实推理需要下载 22GB+ 的模型权重，本次未验证；130 个 open issue。 - 适合谁
- 想在本地跑大模型的人，以及研究 MoE 推理、CPU 量化优化的开发者。
怎么测的
Linux VM（gcc）。克隆后
cd c && make gliner_decide，约 7 秒编译成功；运行./gliner_decide --help验证二进制可用。总耗时约 15 分钟（含克隆）。真实推理要下载 22GB+ 模型，未做，只验证了引擎本体。 -
阿里内部用了两年的 AI 代码评审 CLI，开源版；Go 写的
ocr命令行工具，读 git diff 后调用可配置的 LLM 做带行级定位的代码评审。- 为什么值得看
- 「确定性工程 × Agent」混合架构：文件选择、规则匹配、评论定位这些不容出错的环节用硬编码保证，LLM 只负责需要判断的部分。自带 AACR-Bench 数据集（50 个仓库 / 200 个真实 PR / 80+ 资深工程师标注的 1505 个问题）。
- 坑在哪
- 精度数字是自家 benchmark，第三方独立复现曾出现 12% precision（作者称是工具调用异常，已修复，无独立二次验证）。Recall 官方承认偏低——故意牺牲召回换精确度的设计。
ocr review/scan需自备 LLM key，本次只验证了无需 LLM 的链路。317 个 open issue，Apache-2.0。 - 适合谁
- 想把 AI 评审接进 CI、受够通用 agent 误报太多的工程团队；对「确定性约束 LLM」架构感兴趣的开发者。
怎么测的
Linux x86_64，node v24（无 Go 工具链，未从源码构建）。按 README 执行
npm i -g @alibaba-group/open-code-review（约 27 秒，v1.13.1）。ocr --version/ocr --help正常；新建 git 测试仓库跑ocr delegate preview，约 1.5 秒输出评审文件清单，无 LLM 配置也能跑。 -
给 AI 编程 agent 用的 MCP 服务器，解决「上下文浪费」：沙箱工具把原始数据挡在上下文之外，SQLite 做会话连续性，强制「让 LLM 写代码做分析、而不是自己读数据」的范式，支持 17 种客户端。
- 为什么值得看
- Hacker News 榜首（570+ points），3 万 star，npm 包已发布。技术有真实干货：4742 个测试的 vitest 套件、benchmark 文档、多客户端适配器，不是营销壳。
- 坑在哪
- 实测全量测试 4696/4742 通过（44 skip），2–3 个失败全是容器 root 身份导致的环境问题，非产品 bug。注意：GitHub API 显示 license 为 NOASSERTION（README 自称 ELv2），商用前先核实；356 个 open issue。
- 适合谁
- 用 Claude Code / Cursor / Codex 写代码、经常被「上下文爆炸」或压缩失忆困扰的开发者。
怎么测的
Linux VM，node v24。
npm install首次失败（npm 自身 bug），改用仓库自带的bun install，28 秒装完 161 个包。npx vitest run全量 4742 个测试约 4 分钟；CLI smoke test 正常。总耗时约 25 分钟。 -
给 AI agent 一键装上互联网能力的「能力层」工具：替你选好、装好、体检好各平台最稳的接入方式（X、Reddit、YouTube、B站、小红书、GitHub、RSS 等 16+ 渠道）。
- 为什么值得看
- 代码是实的：每个 channel 真探活（实际跑版本命令区分「未装/装了但跑不动」），doctor 对异常做隔离、有凭据脱敏；测试覆盖扎实。9.8 万 star，有多家第三方独立报道，中文项目。
- 坑在哪
- README 营销味重：顶部 4 家赞助商表格、尾部「业务合作」加微信二维码；仓库自己警告 PyPI 上的同名包是冒牌货，不要装错。223 个 open issue。
- 适合谁
- 用 agent 做调研、舆情、内容抓取的开发者；想给 agent 接互联网能力但不想逐个踩坑的人。
怎么测的
Ubuntu 云 VM + Python 3.12.3。用仓库自带的
test.sh（自建隔离 venv）：装依赖 →agent-reach install --dry-run→agent-reach doctor（16 个 channel 全部识别）→ pytest 全量 607 passed / 35.76 秒，exit 0。全程约 4 分钟，一次跑通。 -
每天抓 X、HuggingFace 热榜、GitHub 新仓库爆发等 7 路信号，发现「刚冒头」的 AI 新名词（新模型、新产品、新仓库），并生成关键词决策表。纯 Python 标准库，另有 3 个 Agent Skill 和一个 MCP server。
- 为什么值得看
- 设计思路漂亮：新名词的传播链是 X/HF → GitHub 爆发 → 目录站建页面 → 搜索曝光 → Google Trends，关键词工具只读到第 5 步，它每天读前 4 步。README 用真实运行数据讲清每个信号的成本和局限。
- 坑在哪
- 完整能力需要 AIsa API key（付费，按调用计费；README 里是 referral 链接）；X 信号的质量完全取决于你配置的账号列表。2026-10-12 建仓，1079 star，422 fork，仅 2 个 open issue，MIT。
- 适合谁
- 做 AI 工具站 SEO、newsletter、AI 目录站的人；想低成本监控 GitHub/HF 新动向的开发者。
怎么测的
本机 Python 3.12.3，建 venv 装 pytest。
pytest -q tests→ 94 passed / 1 skipped，2.83 秒。真实 dry run：python -m radar sources成功读取 HF 热榜；python -m radar daily经 GitHub Search API 拉取 200 个新仓库，约 16 秒生成中文 breakout 报告，AIsa 花费 $0。 -
让 AI coding agent 画出「编辑级」图表的 Agent Skill：约 45 种图表类型，输出单个自包含 HTML+SVG 文件，可读取你的网站自动套用品牌配色，号称「No Mermaid slop」。
- 为什么值得看
- 解决真痛点。它不只是 prompt 堆砌：带了一套「几何契约」校验器，能算术级地抓出「渲染正常但数据是错的」图表，这是同类 skill 里少见的硬核工程。5.6 万 star，半年涨到 Mermaid star 数的一半。
- 坑在哪
- 首次顺序跑完全部 41 个测试脚本时 35 个失败；重新克隆后逐个重跑，抽查 6 个全部通过——初步判断是测试间状态污染，CI 本身是绿的。生成的图是纯静态 HTML，无可编辑源格式，不适合「放进 git 随版本改」的场景，作者自己也承认这点。43 个 open issue，MIT。
- 适合谁
- 写技术文档、博客、路演材料需要好看架构图的人；想学「怎么写出高质量 agent skill」的人（它的测试方法论值得抄）。
怎么测的
Python 3.12.3。浅克隆后直接运行测试脚本：test-self-check（8 个用例全过） 、test-verify-waterfall（3 个 shipped 示例通过 + 21 个变异样本全部被判错 + 9 个小数精度对照）、test-verify-geometry 等逐个运行全部通过。总耗时约 10 分钟。
-
开源的 Agent Skill（SKILL.md + 20 多个 Python 脚本），把「从一张照片反推拍摄点」的方法论装进 coding agent：给 agent 一张照片、一句「find where this photo was taken」，按剧本查证并给出坐标、误差半径和证据图。
- 为什么值得看
- 技术非常硬核——不是让模型凭感觉猜，而是「脚本排名、模型只做选择题」：桥墩间距当尺子量距离、阴影算方位角、山脊线做指纹和地形高程匹配。README 给出 3 个完整盲测案例，附带每步的候选数收敛表和复现检查点，方法论透明度极高。
- 坑在哪
- 端到端验证需要照片 + 浏览器 + 首次下载约 2.4GB 模型，10 分钟内跑不通完整链路，只做了离线验证。作者自己的 accuracy 数字来自小样本自测，尚无公开盲测集。隐私双刃剑：作者自己也承认隐私面，不要拿去跑别人的照片。2026-09-18 建仓，3200 star，424 fork，13 个 open issue，MIT。
- 适合谁
- OSINT 研究者、新闻核查人员、agent skill 玩家，以及对「地理推理 + 地形计算」方法论感兴趣的人。
读码
读码：没装没跑，看了代码和文档
为什么重要
agent skill 正在变成 agent 时代的应用商店，本期只收录能验证的实话。
评论
相关新闻
今天
10月18日 星期日- 早报
- 周榜GitHub 周榜 Vol.1：本周 8 个值得看的项目
实测 + 读码，每周一期往期 →
- 三问
- 预测
最新新闻
全部 →- 10月18日商务部 48 号公告：拟将 23 项 AI 技术列入出口管制目录，即日起出口前登记
- 10月18日Anthropic：Claude Mythos 5 自主设计量子电路，某设计门数降至 1/17
- 10月18日GitHub Copilot 11 月 16 日下架三款旗舰模型：Claude Opus 4.8/5、GPT-5.6 Terra 退役
- 10月18日DeepSeek V4.1-Flash-1017 发布：据报道 MIT 开源权重，同步上线自研搜索 API
- 10月17日微软 MAI-Base-2 完成预训练：2 万亿参数全 MoE 架构，1.6 万张 GB200 训练 38 天
- 10月17日Meta 更新商务条款：10 月 30 日起可爬取企业客户网站训练 AI，无退出选项