又到 GitHub 周榜时间。这周的画风很有意思不是单纯新模型刷屏而是 Agent 工具链继续往下沉。安全扫描、会议纪要、求职投递、代码库记忆、Token 成本优化、模型路由、Codex/Claude Code 互通插件全都在往一个方向走让 AI Agent 从 demo 进入具体工作流。顺手推荐一下我最近做内容时在用的 iMini AI这类 GitHub 周榜内容经常要做封面、项目卡片、视频素材如果不想自己反复搭生图/生视频环境iMini 这种多模型图像/视频生成面板会省很多事。更适合把它接进自己的内容生产 Agent 工作流里负责视觉素材这一环。说明一下Star 数会实时变化本文只代表 2026 年 7 月 8 日的一个快照。项目介绍只做信息整理不代表推荐生产环境直接采用。1. strix开源 AI 黑客开始替你做安全扫描usestrix/strix· Python · 约 38.5k stars · 本周 10.7k这周最猛的是 strix一个开源的 AI hacking agent。它的定位很直接AI 驱动的安全测试工具可以从代码和运行环境里自动发现漏洞、验证漏洞并生成报告。换句话说它不是传统的静态扫描工具而是把 Agent 放进安全测试流程里让它自己读、自己试、自己输出结果。这类项目上榜很正常。AI 编程工具越强安全问题就越突出。以前大家关心的是“AI 能不能写代码”现在开始关心“AI 写出来的东西有没有洞”。而 strix 这类工具本质上是在给 Agent 时代补安全闭环。它也说明一个趋势安全会是 Agent 最早深入的专业场景之一。因为安全任务天然适合自动化扫描、推理、验证、报告每一步都有相对清晰的反馈。仓库https://github.com/usestrix/strix2. agency-agents把 Agent 当成一个“团队”来组织msitarzewski/agency-agents· Python · 约 128.8k stars · 本周 8.6kagency-agents 是一个很典型的多 Agent 项目。它不是只做一个聊天助手而是把不同 Agent 按角色组织起来有的负责规划有的负责执行有的负责审查有的负责工具调用。这个方向最近一直很热因为单 Agent 很容易在复杂任务里丢上下文、跑偏或者反复试错。多 Agent 框架的核心问题是分工到底有没有减少复杂度还是只是把一个难调的 Agent 变成一群难调的 Agent。所以我对这类项目的态度是可以看适合研究任务编排但真要落地重点不是“Agent 越多越高级”而是任务边界、状态同步、成本控制和失败恢复能不能处理好。仓库https://github.com/msitarzewski/agency-agents3. caveman把 LLM Token 成本压下去JuliusBrussee/caveman· Rust · 约 86.3k stars · 本周 8.1kcaveman 的定位是 “highly scalable LLM context compression”也就是 LLM 上下文压缩。这个项目上榜很合理。Agent 真跑起来以后最痛的不是某一次调用而是长任务里的上下文膨胀。读仓库、读文档、保留历史、反复试错每一步都在吃 token。上下文越长成本越高速度越慢模型也越容易抓不住重点。所以 2026 年做 Agent压缩上下文已经不是锦上添花而是基础设施。caveman 这类项目说明开源圈已经不只是在做“怎么把更多内容塞进模型”而是在思考“怎么把真正有用的内容留下来”。仓库https://github.com/JuliusBrussee/caveman4. Meetily本地优先的 AI 会议记录工具Zackriya-Solutions/meetily· TypeScript · 约 20.7k stars · 本周 7.3kMeetily 是一个开源的 AI 会议纪要工具主打本地优先、免费、跨平台。这个方向很实际。会议纪要是 AI 最容易被普通用户理解的场景之一录音、转写、总结、提取待办事项。它不像通用 Agent 那么抽象也不像编程 Agent 那么门槛高。Meetily 的看点在于本地优先。会议内容通常涉及公司内部信息大家并不总愿意把音频和纪要上传到第三方平台。本地化、隐私、可控会是这类工具的核心卖点。如果你只想找一个开源项目快速感受 AI 如何进入办公场景Meetily 比很多“大而全 Agent”更直观。仓库https://github.com/Zackriya-Solutions/meeting-minutes5. codebase-memory-mcp给编程 Agent 装长期记忆DeusData/codebase-memory-mcp· C · 约 28.0k stars · 本周 5.5k这个项目上一期也很值得看这周还在涨。codebase-memory-mcp 是一个高性能的代码库记忆 MCP server。它给整个代码库构建持久化知识图谱让 Claude Code / Codex 这类编程 Agent 不再每次都从零开始理解项目。Agent 做代码最怕什么不是不会写一个函数而是不理解项目已有结构。它不知道这个模块为什么这么设计不知道历史约束不知道哪些文件不能乱改也不知道一次修改会影响哪些调用链。所以“代码库记忆”会是编程 Agent 的关键基础设施。这类项目的价值不一定体现在单次 demo而是体现在长期使用Agent 能不能越来越懂你的仓库。仓库https://github.com/DeusData/codebase-memory-mcp6. ai-job-searchAI 求职自动化开始变成开源项目MadsLorentzen/ai-job-search· TypeScript · 约 10.8k stars · 本周 5.4kai-job-search 是一个 AI 求职工具。它的场景很垂直帮用户自动化找岗位、分析岗位、生成申请材料甚至辅助投递流程。这类项目会火一点都不意外。求职是典型的信息密集型任务你要刷招聘网站、筛岗位、对比 JD、改简历、写 cover letter、记录投递状态。很多步骤不难但很消耗人。Agent 在这里的价值不是“替你拿 offer”而是把低价值重复劳动自动化让人把精力放在判断岗位和准备面试上。当然这类工具也有边界。自动投递如果做得太激进很容易变成垃圾申请也可能违反招聘平台规则。真正好的求职 Agent 应该是辅助筛选和准备而不是无脑海投机器。仓库https://github.com/MadsLorentzen/ai-job-search7. system_prompts_leaks大家还是爱看系统提示词asgeirtj/system_prompts_leaks· 约 53.0k stars · 本周 5.3k这是一个收集系统提示词泄露内容的仓库。它上榜其实挺能说明问题开发者对主流 AI 产品背后的 prompt、工具调用、约束策略非常好奇。不过这类仓库我建议保持克制地看。它可以用来观察产品设计思路比如系统提示词如何约束模型角色、如何声明工具、如何避免越权、如何做安全边界。但不建议直接拿来复刻闭源产品的内部策略更不应该把它当成“破解教程”。系统提示词热本质上说明大家已经意识到AI 产品不只是模型提示词、工具、权限、上下文组织同样决定体验。仓库https://github.com/asgeirtj/system_prompts_leaks8. exercises-dataset非 AI 热门项目胜在刚需hasaneyldrm/exercises-dataset· JavaScript · 约 10.7k stars · 本周 5.0k这周榜单里少见的非 AI 项目。exercises-dataset 是一个练习动作数据集提供不同肌肉群、器械、动作类型的健身动作数据。这类项目没有 AI Agent 那么性感但很实用。很多健身 App、训练计划工具、健康类产品都需要结构化动作数据。动作名称、目标肌群、器械类型、示意图、分类标签这些基础数据整理起来其实很麻烦。它能冲上来说明 GitHub 热榜不全是 AI真正有用的数据集和基础资源依然有生命力。仓库https://github.com/hasaneyldrm/exercises-dataset9. OmniRoute开源的 LLM 网关和模型路由diegosouzapw/OmniRoute· TypeScript · 约 13.1k stars · 本周 4.8kOmniRoute 是一个开源的 LLM API gateway。简单说它帮你在不同模型和不同供应商之间做路由、切换、管理。现在做 AI 应用很少只接一个模型。OpenAI、Anthropic、Google、DeepSeek、Qwen、GLM各家模型价格、速度、上下文、能力都不一样。模型越来越多以后应用层最需要的是一层统一网关。什么时候用便宜模型什么时候用强模型什么时候 fallback什么时候切供应商什么时候记录成本这些都需要基础设施来管。OmniRoute 这类项目的出现说明 AI 应用开发正在从“调一个 API”进入“管理一组模型资源”的阶段。仓库https://github.com/diegosouzapw/OmniRoute10. codex-plugin-cc让 Codex CLI 也能指挥 Claude Codeopenai/codex-plugin-cc· JavaScript · 约 26.6k stars · 本周 4.7k这个项目很有意思。codex-plugin-cc 是 OpenAI 官方的 Codex CLI 插件用来把任务委托给 Claude Code。这件事本身比项目代码更值得看。它说明 AI 编程工具之间的关系不一定只是“谁替代谁”也可能是互相调用、互相编排。未来开发者的工作流很可能不是只押一个 Agent而是用一个主控工具把不同 Agent 放到适合的位置上。Codex 负责规划Claude Code 负责某类执行或者反过来。不同模型、不同工具、不同插件各干一段。这就是 Agent 工具链开始成熟的信号从单一产品崇拜走向多 Agent 编排。仓库https://github.com/openai/codex-plugin-cc一句话总结这周这周 GitHub 热榜最值得看的不是“又出了哪个新模型”而是 AI Agent 开始进入具体流程安全strix会议Meetily求职ai-job-search编程记忆codebase-memory-mcpToken 压缩caveman模型路由OmniRoute多 Agent 编排agency-agents、codex-plugin-cc这说明开源圈的关注点正在继续变化。去年大家还在追“模型有多强”。现在越来越多人在做“怎么让模型真的干活”。而且这个“干活”不再只是写一段代码而是进入安全、办公、求职、研发、模型管理这些具体场景。Agent 的下半场大概率不是比谁 demo 更震撼而是比谁更稳定、更便宜、更容易嵌进真实工作流。下周继续更新。如果你最近刷到什么值得看的开源项目也可以丢到评论区互相补作业。