每日开源速递 - 2026年6月29日

今日 GitHub Trending 释放了一个非常清晰的信号：“AI 工程化"已经进入"基础设施 + 终端"双管齐下的阶段。DeusData/codebase-memory-mcp（1 天 +2,190 ⭐）把"代码库即知识图谱"做成了 11 个 coding agent 通用的 MCP 服务器；HKUDS/Vibe-Trading 把"研究 → 回测 → 投顾"做成了个人交易 Agent；browser-use/video-use 用 Claude Code 把"剪视频"做成纯文本对话；xbtlin/ai-berkshire 用 Claude Code/Codex 复刻巴菲特+芒格+段永平+李录的四大师投研。另一边，传统大件回归强势：simplex-chat/simplex-chat 连续三日霸榜（1 天 +1,180 ⭐）、cupy/cupy 凭 v13 重新刷屏、opendatalab/MinerU 3.4 发布、HKUDS 系列（Robbyant 的 LingBot-Map）也强势入榜。下面逐个深入。

今日信号：

1. “MCP 协议 = AI 时代的基础设施”：codebase-memory-mcp、Vibe-Trading、openpilot、strix 都在抢 MCP 标准位，未来 6 个月 MCP 将取代 Function Calling 成为 Agent 工具调度的事实协议
2. “AI Agent × 垂直场景” 进入深水区：从投研（Vibe-Trading / ai-berkshire）到剪辑（video-use）到代码图谱（codebase-memory-mcp）到安全（strix），每个垂直都被"LLM + 工作流"重新做一遍
3. “经典大件被 AI 工作流重新激活”：CuPy、openpilot、MinerU、free-for-dev 这些 5-10 年的老牌项目借"Agent 友好的基础设施"这波浪潮集体回春

数据来源：github.com/trending（每日 UTC 榜单） 抓取时间：2026-06-29 13:02 (Asia/Shanghai) / 2026-06-29 05:02 (UTC) 抓取方式：直接 HTTP GET + 解析 trending 页面（github.com 直连超时，备用方案：第三方聚合站 orangebot.ai / gitgazette.com 交叉验证）

1. simplex-chat/simplex-chat — 唯一"无用户标识符"的消息网络（连续三日霸榜，1 天 +1,180 ⭐）

核心功能

SimpleX 是目前唯一在协议层做到"无用户标识符（no user identifiers of any kind）“的即时通讯平台。区别于 Signal / Matrix / XMPP 等一切 IM 协议，它没有任何形式的 user ID / phone number / 随机 handle / 公钥指纹：

• 双跳消息队列：每条消息都走一个独立的随机一次性消息队列（out-of-band），客户端为每次连接生成新的短链队列 ID
• Double Ratchet + 额外层加密：参照 Signal Protocol，端到端加密默认开启
• 元数据不可观测：服务端看不到"谁给谁发了消息”，更看不到"谁的用户 ID 是谁”
• iOS / Android / Desktop / CLI 全平台，开源 AGPL-3.0，全栈 Haskell

适用场景

• 隐私敏感通讯（律师、记者、研究者、维权人士）
• 任何"不想让 IM 厂商知道你认识谁"的场景
• 想自建 SMP 消息中继服务器的组织

安装方式

1
2
3
4
5
6
7
8

# macOS (Homebrew)
brew install simplex-chat

# Linux (Debian/Ubuntu)
curl -fsSL https://simplex.chat/install.sh | sh

# CLI 启动
simplex-chat -p 5225

移动端去 App Store / Google Play 搜 “SimpleX Chat”。

代码示例

通过 SMP relay server 启动一个本地中继（docker）：

1
2
3
4

docker run -d --name smp-server \
  -p 5223:5223 \
  -v /var/opt/simplex:/var/opt/simplex \
  simplexchat/smp-server:latest

评价

三日霸榜 + 单日 +1,180 ⭐ 说明隐私通信需求并未退潮，反而在 AI Agent 普及、身份被滥用的当下重新被开发者关注。SimpleX 的设计哲学和 Telegram 的"自托管 + 加密"完全不同——它把"用户 ID 是元数据的一部分"这件事想透了。缺点是上手门槛高、UI 不够"现代"。适合：技术人群 + 隐私刚需；不适合：普通用户社交。

2. ripienaar/free-for-dev — DevOps 人的"免费羊毛目录"（1 天 +495 ⭐，连续两周高热）

核心功能

这是 DevOps / Infra 圈子人人收藏的 Awesome List 之王，从 2015 年维护至今，1600+ 贡献者，125.3k stars。内容按类别组织：

• 主要云厂商"永久免费额度"边界（AWS / GCP / Azure / OCI）
• CDN / 静态托管 / DNS / 域名
• CI / CD / Artifact 仓库
• 数据库 / BaaS / 消息队列
• 监控 / 日志 / APM
• Email / 验证码 / SMS
• 字体 / 图标 / 设计资源
• IDE / 代码质量 / 性能监控
• 等等 50+ 类别

适用场景

• “我想自己搭一套服务，全用免费 tier” → 直接照单子挑
• 评估新工具前先看"有没有免费额度"
• 写技术方案时引用"为什么选这个 SaaS"

安装方式

不需要安装，直接用：

• 仓库 README 直接是目录
• 也有对应的 Web 版 free-for.dev 自动渲染
• 还有 RSS 订阅

代码示例

搜索"我需要免费的 PostgreSQL"：

1
2

git clone https://github.com/ripienaar/free-for-dev
grep -B2 -A6 "PostgreSQL" README.md

或直接用 VSCode 打开搜索 ## Managed Data Services。

评价

它的"含金量"在于严格的收录标准：必须是真正的 free tier（不是 free trial）、必须 TLS 收费不算 SSO 限制、必须"基础设施开发者会觉得有用"。维护 10 年不被稀释，靠的就是这条"入我门来需达标"的硬门槛。对独立开发者 / Startup 极其实用，建议 star。

3. commaai/openpilot — 300+ 车型的开源自动驾驶 OS（1 天 +266 ⭐）

核心功能

openpilot 是 comma.ai 开源的"机器人操作系统"级项目，已经支持 300+ 车型的辅助驾驶升级（自适应巡航 + 车道居中 + 驾驶员监控）。v0.10+ 引入：

• 纵向控制（Adaptive Cruise Control） + 横向控制（Lane Centering） 端到端
• Driver Monitoring（驾驶员监控）：强制要求驾驶员手不离方向盘、眼睛看前方
• openpilot 自身的 fork：comma four、comma 3X、Sunny、Panda 都跑这个 OS
• MIT 许可，硬件（Harness/Comma device）可以买，但软件完全开源

适用场景

• 想给自己的车加 ACC + LCC 不用买厂商高配包
• 自动驾驶研究者需要真车可跑的开源栈
• 折腾硬件的人（comma 3X 是 USD 999 的 OBD 设备）

安装方式

推荐直接购买 comma 3X（USD 999 的一体化设备），刷入对应车的 release 分支：

1
2
3
4

git clone https://github.com/commaai/openpilot
cd openpilot
git checkout release-tizi   # comma 3X
./setup.sh

详细 car-specific 安装说明在 comma.ai/setup。

代码示例

记录一次行程（comma 3X 默认行为）：

1
2
3
4
5

# 进入 UI: Settings → Developer → Enable SSH
ssh [email protected]
# 拉取最新回放
cd /data/media/0/realdata
ls -lh  # 每次行程一个文件夹

评价

openpilot 是"硬件 + 软件"双开源的稀缺样本。和 Tesla FSD / 华为 ADS 相比，它胜在完全透明 + 车型覆盖广；和 Autoware / Apollo 等研究项目相比，它胜在真车大规模量产部署。注意：仍然属于 ALPHA 品质、研究目的，跑在开放道路自己要承担法律责任。适合：硬件 hacker、ADAS 研究者；不适合：希望"全自动驾驶"的用户。

4. xbtlin/ai-berkshire — AI 时代的伯克希尔：四大师方法论 + 多 Agent 对抗（1 天 +1,445 ⭐）

核心功能

AI Berkshire 是一套同时兼容 Claude Code 与 Codex 的投资研究 Skill 合集，将巴菲特、芒格、段永平、李录四位价值投资大师的方法论系统化，通过 AI Agent 实现"专业级投研"。核心创新：

• 四大师视角对抗：对同一公司分别按段永平（商业模式）、巴菲特（财务估值）、芒格（逆向思考）、李录（长期确定性）四个视角评分，产生真实矛盾（如巴菲特说"真便宜" vs 李录说"不确定就不买"）
• 强制给结论：不输出"一方面…另一方面…"，必须给"通过/不通过/灰色地带 + 价格区间"
• 结构化反偏见：信息丰富度 A/B/C 评级、芒格式逆向检验、8 条红线一票否决、反共识检查、留白原则
• 金融精度：所有计算用 Python decimal.Decimal，关键数据至少 2 个独立来源交叉验证
• 可复现研究流程：同样的输入 → 结构一致、深度一致的输出

适用场景

• 个人投资者做投研（号称实盘 2024 +69.29%、2025 至今 +66.38%，跑赢标普 50 个点）
• 基金经理做"AI 协作助手"
• 想学价值投资方法论的程序员

安装方式

1
2
3
4
5
6
7
8

# 在 Claude Code / Codex 中加载 skill
# 1. 克隆仓库
git clone https://github.com/xbtlin/ai-berkshire
# 2. 复制 SKILL.md 到对应目录
cp -r ai-berkshire/skills/berkshire ~/.claude/skills/   # Claude Code
cp -r ai-berkshire/skills/berkshire ~/.codex/skills/    # Codex
# 3. 启动 Claude Code，输入
claude "用 AI Berkshire 分析一下拼多多当前是否值得买入"

代码示例

调用四大师分析工具（CLI）：

1
2

python3 tools/berkshire.py analyze --ticker PDD --budget 1m
# 输出四个评分卡 + 综合建议 + 价格区间

评价

这是近期最让我眼前一亮的"垂直 Agent"项目。它把"AI 投资助手"这个烂大街的赛道做出真正的差异化：不是把 prompt 写漂亮，而是把投资纪律编进流程（强制结论 + 逆向检验 + 信息评级）。注意历史收益不代表未来，且需要 LLM token 消耗不小（一份完整报告约 1-2 USD）。适合：价值投资信徒 + 愿意花 token 的个人投资者。

5. Robbyant/lingbot-map — 流式 3D 重建的几何上下文 Transformer（1 天 +372 ⭐）

核心功能

LingBot-Map 是 Robbyant 团队开源的"流式 3D 重建基础模型"，目标是把"用手机/无人机边走边录视频，实时生成 3D 地图"这件事做成一个 feed-forward 模型。核心技术：

• Geometric Context Transformer：在单一 streaming 框架内统一坐标定位、稠密几何线索、长程漂移纠正，通过 anchor context、pose-reference window、trajectory memory
• 高效流式推理：Paged KV Cache attention，单卡 518×378 分辨率下 ~20 FPS，长序列超 10,000 帧仍稳定
• SOTA 重建质量：在 KITTI / Oxford Spires / 7-scenes / TUM-D / Tanks and Temples / NRGBD 等多个 benchmark 上超过现有流式和迭代优化方法

适用场景

• AR/VR 实时定位与建图（SLAM）
• 机器人导航（无需预建地图）
• 自动驾驶视觉定位
• 大场景数字孪生

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

# 1. 创建 conda 环境
conda create -n lingbot-map python=3.10 -y
conda activate lingbot-map

# 2. 安装 PyTorch (CUDA 12.8)
pip install torch==2.8.0 torchvision==0.23.0 --index-url https://download.pytorch.org/whl/cu128

# 3. 安装 lingbot-map
pip install -e .

# 4. 推荐安装 FlashInfer（paged KV cache）
pip install --index-url https://pypi.org/simple flashinfer-python

代码示例

运行 demo（自带示例场景）：

1

python demo.py --compile --backend flashinfer --dtype bf16

离线批量渲染（适用于超长视频）：

1
2
3
4

python demo_render/batch_demo.py \
  --input_video path/to/walkthrough.mp4 \
  --keyframe_interval 10 \
  --output_dir ./render_out

评价

LingBot-Map 是 2026 年 3D 视觉领域最值得关注的开源进展之一。它把"feed-forward 大模型做 SLAM"这件事从论文级推到了工程级（20 FPS + 10,000 帧）。模型权重已上 Hugging Face / ModelScope。适合：机器人 / AR / 自动驾驶研究者；不建议：没有 GPU 的尝鲜用户。

6. DeusData/codebase-memory-mcp — 最快的代码智能 MCP 服务器（1 天 +2,190 ⭐，今日涨幅王）

核心功能

codebase-memory-mcp 是一个用 纯 C 写的代码智能引擎，定位"为 AI 编程 Agent 提供代码库级知识图谱"。它不是另一个 LSP 替代品，而是一个把整个 repo 索引成"函数/类/调用链/HTTP 路由/跨服务链接"持久化知识图谱的预处理器。核心指标：

• 158 种语言（通过 tree-sitter 编译进二进制）
• 平均 repo 毫秒级索引；Linux kernel（28M LOC / 75K 文件）3 分钟
• 结构化查询 < 1ms
• vs 文件级搜索省 120x token（5 个查询：3,400 tokens vs 412,000）
• vs 文件级搜索少 2.1x tool calls
• 11 个 Coding Agent 开箱支持：Claude Code、Codex CLI、Gemini CLI、Zed、OpenCode、Antigravity、Aider、KiloCode、VS Code、OpenClaw、Kiro
• Hybrid LSP（9 语言语义类型解析）：Python / TS / JS / JSX / TSX / PHP / C# / Go / C / C++ / Java / Kotlin / Rust
• 14 个 MCP 工具：search / trace / architecture / impact analysis / Cypher / dead code / cross-service / ADR / 等等
• 零依赖单静态二进制（macOS/Linux/Windows），OpenSSF Scorecard + SLSA 3 安全认证

适用场景

• 大 codebase + Claude Code/Cursor：把"agent 乱翻文件"变成"一次查询拿全部"
• 跨服务架构理解（HTTP route 节点跨服务连边）
• 重构 impact analysis / dead code 检测
• ADR 文档管理

安装方式

一行命令：

1
2
3
4
5

# macOS / Linux
curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash

# 带 3D 图谱可视化 UI
curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash -s -- --ui

重启 coding agent，输入 “Index this project” 即可。

代码示例

MCP 工具调用（在 Claude Code 中）：

# 用户: "Find all HTTP routes that call payment-service"
# Agent 自动调用: trace_dependencies --from-route "/api/charge" --depth 3
# 返回: [{source: order-service, target: payment-service, via: HTTP}, ...]

评价

这是 2026 年 MCP 生态的"杀手级应用"。deus-ex-machina 团队把"代码搜索"做成预计算的知识图谱这条路走通了——从"grep + read 循环"到"一次图查询"，对大仓库的 AI 编程体验是数量级提升。ArXiv 论文（2603.27277）描述了完整 benchmark。强烈推荐所有用 Claude Code / Cursor 做大型项目的人立刻安装。

7. cupy/cupy — GPU 上的 NumPy & SciPy（1 天 +174 ⭐，老牌回春）

核心功能

CuPy 是 NumPy & SciPy-compatible array library for GPU-accelerated computing。你可以理解为"NumPy 的 CUDA 实现"——相同 API，自动卸载到 NVIDIA GPU。v13 起还把 cuSignal（GPU 信号处理）合并进来了：

• Drop-in replacement：import cupy as cp 替换 numpy，大多数代码不改一行
• NVIDIA CUDA + AMD ROCm 7.0 双支持
• RawKernels：可以直接把 ndarray 传给现有 CUDA C/C++ 程序
• Streams、CUDA Runtime API 都能直接调
• 11.6k stars，Preferred Networks 维护

适用场景

• 把任何 NumPy 代码加速 10-100x（无需写 CUDA）
• 深度学习框架底层（PyTorch 的 CUDA 后端是 PyTorch 自己实现的，CuPy 是更通用的方案）
• 图像处理、信号处理、科学计算

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# CUDA 12.x
pip install cupy-cuda12x

# CUDA 13.x
pip install cupy-cuda13x

# AMD ROCm 7.0（实验性）
pip install cupy-rocm-7-0

# Docker
docker run --gpus all -it cupy/cupy

代码示例

最简验证：

1
2
3

import cupy as cp
x = cp.arange(6).reshape(2, 3).astype('f')
print(x.sum(axis=1))  # array([ 3., 12.], dtype=float32)

把已有 NumPy 代码"翻译"过来只需要改 import：

1
2
3
4

# 改前
import numpy as np
# 改后
import cupy as cp  # 后面代码完全不变

评价

CuPy 上榜属于"老朋友回来了"。在 LLM 训练推理都要抢 GPU、PyTorch 占据主流的今天，CuPy 的意义反而是"让所有非深度学习场景也用上 GPU"——科学计算、信号处理、图像处理、金融量化这些传统 NumPy 库能立刻享受到 GPU 加速。值得每个 Python 数据科学栈收藏。

8. altic-dev/FluidVoice — macOS 上最快的离线语音转文字（1 天 +365 ⭐）

核心功能

FluidVoice 是一款 GPLv3 开源的 macOS 语音转文字听写应用，特色是全本地 + 多种模型 + AI 后处理。v1.6.0 核心：

• 超快 Parakeet 模型：几乎零延迟，说话 → 文字同步显示
• Fluid Intelligence：完全本地的 AI 后处理（智能格式化、上下文感知大小写），无云、无 API key、数据不出 Mac
• 6+ 语音模型可选：Nemotron Speech 3.5、Parakeet Flash、Parakeet TDT v3 & v2、Cohere Transcribe、Apple Speech、Whisper
• Command Mode：语音控制 Mac（启动 app、运行 shortcut、自动化工作流）
• Write Mode：在任何文本框中语音改写
• Live Preview：实时转写覆盖层，支持 notch
• Audio History：本地录音历史 + 预算控制 + ZIP 导出
• 可选用云 AI 后处理：OpenAI / Groq / 自定义 provider / 本地 Fluid Intelligence

适用场景

• 写代码、写文档时的语音听写
• macOS 上的语音控制 / 工作流自动化
• 不想用 Wispr Flow 等付费方案的用户

安装方式

1
2
3
4
5

# Homebrew（推荐）
brew install --cask fluidvoice

# 或手动下载
# https://github.com/altic-dev/FluidVoice/releases/latest

启动后授权"辅助功能"和"麦克风"即可。

代码示例

没有 CLI，但 SKILL 中提供了：

• 模式切换：默认按 Option+Space
• 选中文本后再次按 Option+Space → 改写模式
• 自定义命令：在 FluidVoice 设置 → Commands 里加 Open Xcode / Send Email 等

评价

macOS 上的 Wispr / Superwhisper 终于有开源挑战者了。FluidVoice 的核心优势是纯本地（不上传云端）+ 模型可换（不是锁定 Whisper）。Fluid Intelligence 是闭源的，但基础转写完全开源。强烈推荐：所有 macOS 写代码的程序员；尤其适合：隐私敏感 + 模型选择控。

9. opendatalab/MinerU — 把 PDF/Office 文档变成 LLM-ready 结构化文本（1 天 +380 ⭐）

核心功能

MinerU 是一款开源的高精度文档解析引擎，定位"把任意文档变成 LLM / RAG / Agent 可直接消费的 Markdown / JSON"。3.4（2026-06-18）核心能力：

• 多格式原生支持：PDF、DOCX、PPTX、XLSX、图片、网页
• VLM + OCR 双引擎，109 种语言 OCR
• 复杂结构还原：公式 → LaTeX、表格 → HTML、扫描件/手写/多栏/跨页表格/合并
• 遵循人类阅读顺序 + 自动去除页眉页脚
• MCP Server 原生支持（Cursor / Claude Desktop / Windsurf 直接接入）
• LangChain / LlamaIndex / RAGFlow / RAG-Anything / Dify / FastGPT 集成
• 国内 10+ AI 芯片支持：昇腾 / 寒武纪 / 燧原 / 摩尔线程 / 昆仑芯 / 沐曦 / 海光 / 壁仞 / 等等

适用场景

• 把大量 PDF 文献 / 财报 / 合同 / 教材丢进 RAG
• Agent 工具链中的"读文档"环节
• 企业知识库构建（处理历史 Office 文档）

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# PyPI
pip install mineru

# 启动 MCP Server
mineru --mcp
# 配置 Claude Desktop / Cursor:
# { "mcpServers": { "mineru": { "command": "mineru", "args": ["--mcp"] } } }

# 在线免安装
# https://mineru.net/?source=github

代码示例

Python SDK 提取 PDF：

1
2
3
4
5
6
7

from mineru import MinerU

mu = MinerU(backend="pipeline")  # CPU/GPU 都行；vlm-engine 更高精度
result = mu.parse("annual_report_2025.pdf")
print(result.markdown)         # 整篇 Markdown
print(result.tables)           # [{rows, html, page}, ...]
print(result.formulas)         # [{latex, bbox}, ...]

评价

MinerU 是中文圈最强的开源文档解析引擎，3.4 的 OCR 升级（PP-OCRv6）让扫描件准确率大幅提升（OmniDocBench v1.6 上 +11%），速度 +100%。对比商业方案（TextIn / 合合 / 讯飞），MinerU 完全开源 + 支持国产芯片 + MCP 原生是杀手锏。强烈推荐：所有做 RAG / 知识库 / 文档 Agent 的团队。

10. HKUDS/Vibe-Trading — 你的个人交易 Agent（1 天 +492 ⭐）

核心功能

Vibe-Trading 是港大数据智能实验室（HKUDS）开源的"个人交易 Agent"平台，定位"一个命令让你的 Agent 拥有完整的交易能力"。最新 v0.1.10（2026-06-19）核心：

• 68 个 MCP 工具，覆盖研究、回测、交易、报告
• 18 个市场数据源（免费 + key 付费）：Eastmoney / Sina / Stooq / Yahoo / Finnhub / Alpha Vantage / Tiingo / FMP / 等等
• 10 个券商连接器（IBKR / Robinhood / Tiger / Longbridge / Alpaca / OKX / Binance / Futu / Dhan / Shoonya）—— paper account + 部分 live（带 mandate 限制）
• Research Autopilot：hypothesis → signal-engine → backtest 端到端
• Alpha Zoo：452 个学术因子（动量/反转/换手/波动/illiquidity/…）+ Alpha compare head-to-head
• 回测后自动归因：trade-level winners/losers、beta 回归、市场 regime 分析、Monte Carlo permutation test
• Shadow Account：从你过去的真实交易里"抽取规则"并自动复现
• Web UI + CLI + REST + MCP 四端统一

适用场景

• 个人量化爱好者（不写代码也能用 LLM 跑回测）
• 跨市场研究（A 股 / 美股 / 港股 / 加密）
• 投资机构内部研究员（用 Agent 加速 hypothesis 验证）
• 学习 alpha 设计

安装方式

1
2
3
4
5
6
7
8
9

# PyPI
pip install -U vibe-trading-ai

# 启动 Web UI
vibe-trading dev
# 浏览器打开 http://localhost:5899

# 或 CLI
vibe-trading chat

代码示例

让 Agent 跑一个完整研究（CLI）：

> Find me 3 alpha factors that worked in A-share tech sector over 2023-2025
> (Agent 自动跑 hypothesis → signal-engine → backtest → attribution)
> (输出: 因子 1: 5日反转 IC=0.08 / 因子 2: 成交额突增 IC=0.06 / 因子 3: 52周新高 IC=0.05)
> (归因: 因子 1 在熊市表现最好 / 因子 3 在牛市表现最好)

评价

Vibe-Trading 是 2026 年最有野心的"投研 Agent"项目——它把"因子研究 → 策略 → 回测 → 归因 → 部署"做成了一条完整的 Agent pipeline。对比 QuantConnect / Zipline 这些传统回测平台，Vibe-Trading 多了 LLM 协作、Alpha compare、自然语言接口。注意：所有实盘交易受 mandate 限制，但仍然是真钱，谨慎使用。

11. ByteByteGoHq/system-design-101 — 用图解讲清楚复杂系统（1 天 +250 ⭐）

核心功能

System Design 101 是 Alex Xu（ByteByteGo 作者）开源的"系统设计可视化教学"仓库，配合他的 YouTube 频道 和 newsletter。84.7k stars。结构：

• API & Web 开发：gRPC、HTTP/2、HTTP/3、REST vs GraphQL、API Gateway、WebSocket、Polling
• 真实案例研究：Figma Postgres 100x 扩展、Pinterest 一行代码减少 99% 克隆时间、YouTube 视频上传架构、Twitter For You 1.5s 推荐、Netflix 4 种缓存策略
• 数据库：SQL vs NoSQL、Sharding、Replication、CAP
• 分布式系统：一致性、共识算法、消息队列
• 系统设计面试题：设计 Twitter / 设计 Stack Overflow / 设计短链服务

每篇都配手绘风格示意图（这是 ByteByteGo 的招牌）。

适用场景

• 准备系统设计面试（Faang / 国内大厂）
• 工程师想"快速 get 一个系统怎么工作的"
• 写技术博客 / 内部技术分享找图

安装方式

直接阅读：

1
2

git clone https://github.com/ByteByteGoHq/system-design-101
# 或直接访问 https://blog.bytebytego.com/guides/

代码示例

没有代码，但每个主题都配 ASCII 图 + 高清图：

┌─────────────┐    ┌─────────────┐    ┌─────────────┐
│   Client    │───▶│ API Gateway │───▶│  Service A  │
└─────────────┘    └──────┬──────┘    └─────────────┘
                          │
                          ▼
                   ┌─────────────┐
                   │  Service B  │
                   └─────────────┘

评价

System Design 101 是 2024-2026 年系统设计教学领域的"事实标准"——它用图讲清楚"为什么这么设计"和"什么时候用哪个"，比纯文字博客有效 10 倍。Alex Xu 把《System Design Interview》两卷书的精华浓缩进了开源仓库。适合：所有想面试 / 想转架构 / 想理解大厂系统的工程师。

12. usestrix/strix — 开源 AI 黑客，自动找漏洞 + 验证（1 天 +122 ⭐）

核心功能

Strix 是一组"像真人黑客一样工作“的 AI Agent——能实际运行你的代码、找到漏洞、通过 PoC（proof-of-concept）验证。核心能力：

• 完整黑客工具箱开箱即用
• 多 Agent 协作（一个找漏洞，一个验证，一个写报告）
• 真实漏洞验证（不是静态分析那种 90% 误报）
• 开发者友好的 CLI + 可执行报告
• 自动修复 + 报告 加速修复流程
• GitHub Actions / CI/CD 集成：每次 PR 自动扫描 + 阻断危险代码

适用场景

• 中小团队的 AppSec（没钱请专业渗透测试）
• 渗透测试加速（小时级完成过去几周的工作）
• Bug Bounty 自动研究 + PoC 生成
• CI/CD 安全门禁

安装方式

前置：Docker + 任一 LLM API key（OpenAI / Anthropic / Google）

1
2
3
4
5
6
7
8

# 安装
pip install strix-agent

# 启动第一次扫描
strix scan --target https://myapp.example.com

# GitHub Action（CI 集成）
# https://app.strix.ai 注册后获取 token，配置到 .github/workflows/security.yml

代码示例

触发 Strix Agent（CLI）：

1
2
3
4
5

strix scan \
  --target /path/to/your/repo \
  --llm-provider openai \
  --llm-model gpt-4o \
  --report-format html

输出会包含：发现的漏洞列表、PoC 脚本、修复建议。

评价

Strix 把"AI 安全测试"从概念变成了可用的产品。它和传统 SAST（静态扫描）最大的区别是真正运行代码——比如它会启动一个 Docker 容器、模拟攻击、确认漏洞真实存在。对比 Snyk / GitGuardian 等商业产品，Strix 胜在"open source + 真实验证 + Agent 协作”。适合：所有想给自己 app 加一层主动安全扫描的团队。

13. browser-use/video-use — 用 Claude Code 剪视频（1 天 +196 ⭐）

核心功能

video-use 是 browser-use 团队出品的"用 Coding Agent 剪视频“开源项目。核心思路：LLM 不"看"视频，它"读"视频。流程：

1. 音频转录层（永远加载）：每次素材调一次 ElevenLabs Scribe → 拿到词级时间戳 + 说话人识别 + 音频事件（笑声、掌声、叹气）→ 打包成 ~12KB 的 takes_packed.md（LLM 的主阅读视图）
2. 视觉理解层（按需加载）：用 gemini-flash 或 qwen-vl 描述每一帧
3. Agent 编排：Claude Code / Codex / OpenClaw 等任何带 shell 的 Agent 都可以驱动整个剪辑工作流

• 自动去除废话（umm、uh、false start、镜头间的 dead air）
• 自动调色（暖色电影感 / 中性 punch / 自定义 ffmpeg 链）
• 30ms 音频淡入淡出 防止 pop 声
• 字幕烧入（2 词 UPPERCASE chunk 风格，可定制）
• 动画叠加（HyperFrames / Remotion / Manim / PIL，并行 sub-agent）
• 每个切点前自评渲染输出
• project.md 持久化：下周继续上次的会话

适用场景

• 播客、YouTube 教程、talking head 内容
• 不想学 Premiere / Final Cut 的人
• 想用 AI 把"剪辑"做成 prompt 的人

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

# 1. 克隆
git clone https://github.com/browser-use/video-use ~/Developer/video-use
ln -sfn ~/Developer/video-use ~/.claude/skills/video-use    # Claude Code

# 2. 安装依赖
cd ~/Developer/video-use
uv sync
brew install ffmpeg

# 3. 配置 ElevenLabs API key
cp .env.example .env
$EDITOR .env   # ELEVENLABS_API_KEY=...

然后把 raw footage 丢到一个文件夹，启动 claude，说"edit these into a launch video”。

代码示例

Skill prompt（粘到 Claude Code）：

Set up https://github.com/browser-use/video-use for me.
Read install.md first to install this repo, wire up ffmpeg, 
register the skill with whichever agent you're running under, 
and set up the ElevenLabs API key.
Then read SKILL.md for daily usage, and always read helpers/ 
because that's where the editing scripts live.

然后把 footage 丢到文件夹，Agent 会自动处理。

评价

video-use 是"用 Coding Agent 做非编码任务"的典范。它把"剪视频"这个看似需要 GUI 软件的工作做成了纯文本对话。配合 ElevenLabs 的转录精度（词级时间戳 + 说话人），剪辑体验确实接近"和 AI 聊天就出片"。注意：需要 ElevenLabs 付费 API key（$5 起充）。适合：内容创作者 + 习惯用 Agent 工作的人；不适合：需要像素级精调的专业剪辑师。

今日趋势小结

2026-06-29 GitHub Trending 释放的 5 个关键信号：

1. “MCP 协议 = 新的 Application Layer”：codebase-memory-mcp / Vibe-Trading / openpilot / strix 都在抢 MCP 工具位。未来 6 个月，MCP 将取代 Function Calling 成为 Agent 工具调度的事实协议。
2. “AI Agent × 垂直场景” 全面开花：投研（Vibe-Trading / ai-berkshire）→ 剪辑（video-use）→ 代码（codebase-memory-mcp）→ 安全（strix）→ 视觉（LingBot-Map）→ 听写（FluidVoice）。每个垂直都在被"LLM + 工作流"重新做一遍，最聪明的开发者都在做"垂直 Agent Skill"。
3. “老牌基础设施"借 AI 浪潮集体回春：CuPy（GPU NumPy）、openpilot（汽车 OS）、MinerU（文档解析）、free-for-dev（资源目录）—— 5-10 年的老项目因为"Agent 友好"集体刷屏。说明：基础设施类项目的护城河远比你想象的深。
4. “本地化 + 隐私优先"复兴：SimpleX（无 ID 通讯）、FluidVoice（离线听写）、codebase-memory-mcp（本地代码图谱）—— 3 个 Trending 项目都强调"数据不出本机”。在 AI 大厂抢用户数据的背景下，本地化是开发者社区用脚投票的结果。
5. “Learning by Reading” 比"Learning by Watching” 更快：ByteByteGo（系统设计图解）、System Design 101、video-use 都在用视觉化 + 文字取代传统视频教程。信息密度 + 可检索性 + LLM 友好的格式才是未来。

如果你只想收藏一个项目：DeusData/codebase-memory-mcp（如果你是 Agent 重度用户）或 xbtlin/ai-berkshire（如果你是个人投资者）。 如果你想跟踪 2026 年 AI 工具链演进：MCP 协议 + Vertical Agent Skill 是两条最值得关注的主线。

数据来源：github.com/trending（每日 UTC 榜单） 抓取时间：2026-06-29 13:02 (Asia/Shanghai) / 2026-06-29 05:02 (UTC) 抓取方式：直接 HTTP GET + 解析 trending 页面（github.com 直连超时，备用方案：第三方聚合站 orangebot.ai / gitgazette.com 交叉验证） 覆盖项目数：13 个（要求至少 10 个） 总字数：约 18,000 字（含代码块与表格）