每日开源速递 - 2026-07-03

抓取时间：2026-07-03 13:08 (Asia/Shanghai)
数据来源：https://github.com/trending（GitHub 官方"今日热门"页面，按当日获得 ⭐ 数排序）
覆盖范围：今日 trending 前 17 名项目，逐条带"核心功能 / 适用场景 / 安装方式 / 代码示例 / 评价"五段式解读。

今天 trending 的最大变量是一个叫 JuliusBrussee/caveman 的 Claude Code 技能——空降 #2,标语是"why use many token when few do trick",官方 benchmark 说能砍 65%~75% 输出 token,脑洞开得挺野;另外 ChromeDevTools/chrome-devtools-mcp 第一次以"MCP 形态"登上 trending,意味着 Google 正式把浏览器调试能力"送给"所有 AI Agent。下面 17 个项目挨个拆开。

1. usestrix/strix — 把"AI 黑客"团队塞进你的 CI(连续多日榜首,+约 1,000 ⭐)

核心功能
“Strix"是一群自主协作的 AI 渗透测试 agent——不是单一工具,而是侦察 → 漏洞发现 → 漏洞利用 → 报告生成 的完整闭环,内置 HTTP 拦截代理、浏览器漏洞利用、shell 终端、Python 沙箱运行 PoC、SAST+DAST 静态动态分析,以及 CVSS + OWASP 分类的知识库。多 agent 协同(recon / exploit / post-exploit),共享发现、串联漏洞。

适用场景

• 中小团队的"周度自动安全巡检”:给内部 staging 跑一遍,生成可贴进 Confluence 的报告
• 红队演练的第一阶段加速器(信息收集 + 漏洞扫描)
• Bug Bounty 自动化:为发现的漏洞生成可直接提交的 PoC
• CI/CD 集成:每个 PR 自动跑,阻断 unsafe 代码合并

安装方式

1
2
3
4

curl -sSL https://strix.ai/install | bash
export STRIX_LLM="openai/gpt-5.4"
export LLM_API_KEY="sk-..."
strix --target ./your-app-directory

(首次运行会自动拉沙箱 Docker 镜像)

代码示例(CLI 一次"灰盒 + 业务逻辑"测试)

1
2

strix --target https://api.your-app.com \
  --instruction "Perform authenticated testing using credentials: alice:hunter2. Focus on IDOR and business logic flaws in /api/orders/* endpoints."

高级:多目标 + PR diff 范围

1
2

strix -t https://github.com/org/app -t https://staging.your-app.com
strix --target ./app --instruction-file ./engagement.md --scan-mode standard

评价
Strix 的卖点是"agent 自主决策下一步扫什么",而不是传统 nmap + sqlmap + nuclei 的死板流水线;所有发现都配可复现的 PoC,这比商业 SAST 厂商的"95% 误报率"强很多。但必须只在明确授权的目标上使用,且报告人工复核——AI 渗透工具不是合规挡箭牌。推荐度:⭐⭐⭐⭐⭐(值得立刻试,但必须配审计流程)。

2. JuliusBrussee/caveman — Claude Code 的"省 token 模式",砍掉 65% 输出

核心功能
一个 Claude Code 技能/插件(同时兼容 Codex / Gemini / Cursor / Windsurf / Cline / Copilot / 30+ agent),通过 prompt 改造让 agent 说话像"穴居人"——保留所有技术正确性,只压缩"废话"。自带的 caveman-compress 还能压缩你的 CLAUDE.md / 项目笔记,每次 session 启动就省 ~46% 输入 token。

适用场景

• 长期跑 Claude Code 做开发的个人/小团队(每月账单肉眼可见地降)
• 想"减少 Agent 啰嗦,但不损失正确性"的强迫症用户
• 把 Agent 输出当成"Markdown 文档"长期归档的人(短 = 易检索)
• 给 MCP server 做一层压缩中间件(caveman-shrink)

安装方式

1
2
3
4
5

# 一行装到所有 agent(自动检测已安装的)
curl -fsSL https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.sh | bash

# Windows PowerShell
irm https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.ps1 | iex

代码示例(四种强度,按需切换)

1
2
3
4
5
6

/caveman          # 默认 full 模式,砍掉寒暄/解释性废话
/caveman ultra    # 电报体,极致压缩
/caveman wenyan   # 文言文,再省 30%
/caveman-commit   # Conventional Commit,主题 ≤50 字符
/caveman-review   # PR 一行评论,L42: 🔴 bug: user null. Add guard.
/caveman-stats    # 本 session 累计省了多少 token,可 --share 分享

压缩项目记忆文件:

1
2

/caveman-compress CLAUDE.md
# → 706 → 285 tokens,节省 59.6%

评价
本质是写 prompt 而非"框架",所以效果取决于底层 agent 的指令遵循度。但 README 公开的 benchmark 表格很诚实——10 个 prompt 平均省 65%(范围 22%~87%),React Error Boundary 这种"AI 默认超啰嗦"的题型省 87%。引用 March 2026 论文 “Brevity Constraints Reverse Performance Hierarchies” 说明"短 = 更准"。推荐度:⭐⭐⭐⭐⭐(今天 trending 最值得 star 的"小而美")。

3. msitarzewski/agency-agents — 把 Claude Code 延展成"一整间 AI 公司"(连续多日 Top 3)

核心功能
由 Reddit 帖子孵化出的"AI 代理集":前端巫师、Reddit 社区忍者、文案注入师、现实检验员…… 每个代理都自带人格 + 标准流程 + 可交付物。新出了原生桌面 app(agencyagents.app),macOS/Linux/Windows 全支持,一键装到 Claude Code / Cursor / Codex / Gemini / OpenCode / Qwen / Osaurus。

适用场景

• 个人/小团队的"AI 全能助理团队":一个会话同时承担 PM+设计+前端+运营
• 想把"零散 prompt"沉淀成"组织资产"——把工作流写进文件而不是对话里
• 教学/分享:演示"如何把一个 AI 工具用成公司形态"

安装方式

1
2
3
4
5
6

# 方式 1:图形化(推荐)
brew install --cask msitarzewski/agency-agents/agency-agents

# 方式 2:CLI
git clone https://github.com/msitarzewski/agency-agents.git
./scripts/install.sh --tool claude-code

代码示例(一个最简代理定义 .claude/agents/frontend-wizard.md)

1
2
3
4
5
6
7
8
9

---
name: frontend-wizard
description: Senior frontend engineer (React/Next.js/TypeScript). Use proactively for UI tasks.
---
You are a senior frontend engineer with 10 years of React/Next.js experience.
- Always think mobile-first
- Prefer TypeScript + Tailwind
- Before writing code, ask clarifying questions about design tokens
- After writing code, output a short self-review checklist

评价
理念对了:prompt 写在对话里会丢,写在文件里才是"组织资产"。125k+ stars / 20k+ forks 说明这不是小众玩具。推荐度:⭐⭐⭐⭐(clone 一个下午挑有用的)。

4. hasaneyldrm/exercises-dataset — 1,324 个动作的"开箱即用"数据集(连续多日 Top 5)

核心功能
面向健身 App 开发者的脚手架:1,324 个动作的结构化元数据(分类、目标肌群、器械、说明、缩略图 ID、动画 GIF ID),额外 6 种语言的说明翻译(英、西、意、土、俄、中)。配套 index.html(浏览器交互查看)+ setup.html(数据库/API 一键生成模板)。

适用场景

• 个人健身教练 App、健身 SaaS 的冷启动数据
• LLM/RAG 应用的动作知识库(直接灌进 vector DB)
• AI 教练 prompt 的"动作词典"基础
• 健身硬件(智能镜、家用器械)的"动作库"

安装(直接读 JSON 即可,无需 pip):

1
2
3

git clone https://github.com/hasaneyldrm/exercises-dataset
cd exercises-dataset
python3 -c "import json; d=json.load(open('data/exercises.json')); print(len(d), d[0].keys())"

代码示例(加载并查询)

1
2
3
4
5
6
7
8
9

import json
exercises = json.load(open("data/exercises.json"))
# 找所有"杠铃 + 背部"的动作
back_barbell = [
    e for e in exercises
    if "back" in e["target"].lower() and e["equipment"] == "barbell"
]
for e in back_barbell[:5]:
    print(e["name"], "→", e["instructions"]["en"][0])

评价
字段设计贴近 DB schema,直接映射成 SQL/NoSQL 表无压力。图片/GIF 不打包(避免版权纠纷),只保留 media_id,按需调 CDN——这是个负责任的设计。推荐度:⭐⭐⭐⭐(健身类项目的"零成本种子数据")。

5. santifer/career-ops — 把任何 AI CLI 变成"求职作战指挥中心"(空降 #5)

核心功能
作者用它评估了 740+ 个 offer、生成 100+ 份定制简历,最终拿下 Head of Applied AI 职位。Career-Ops 把任何 AI 编程 CLI(Claude Code / Codex / OpenCode / Antigravity / Grok / Kimi / Qwen / Copilot)变成求职管道:

• 6 段式评估:角色摘要、CV 匹配、级别策略、薪酬调研、个性化、面试 STAR+
• ATS 优化 PDF 生成:每份 JD 都生成专属 CV
• 45+ 公司门户扫描器(Anthropic / OpenAI / ElevenLabs / Retool / n8n…)
• 批量处理 + Go TUI 仪表盘 + 人工兜底(系统从不替你提交申请)

适用场景

• 海投焦虑者:让 AI 先帮你筛,把时间留给值得面试的少数岗位
• 想给简历"按 JD 定制"但没时间手动改的人
• 多语言求职者(README 官方翻译 12 种语言)
• 求职教练 / Career Counselor 做案例库

安装方式

1
2
3

npx @santifer/career-ops init   # 一行克隆最新 release + 装依赖
cd career-ops
claude                           # 或 gemini/codex/opencode/qwen/agy/grok

首次启动会"以聊天的形式"问你 CV/偏好/目标岗位,不用手改配置文件。

代码示例(自动流水线)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# 1) 把一个 JD URL 喂给 CLI
#    → 自动输出: 6 段评估 + ATS PDF + tracker entry

# 2) 批量扫 45+ 公司门户
/career-ops scan-mode

# 3) 查看 TUI 仪表盘
/career-ops tracker-mode

# 4) 生成 cover letter
/career-ops cover

评价
740 个 offer 真实跑出来的工具,不是 demo——这比大多数"AI 求职工具"强一个数量级。作者明确警告:不要用评分 <4.0 的 offer——价值观对了。推荐度:⭐⭐⭐⭐⭐(求职期 star;非求职期关注待下次换工作)。

6. obra/superpowers — Coding Agent 的"软件开发方法论"(连续多日 Top 10)

核心功能
一个完整的 SDLC 方法论,基于一组可组合的 skills,外加让 agent 主动使用这些 skills 的初始指令。流程:发现你要做东西时,先停下来反问真实目标 → 拆 spec 给你逐段确认 → 写出"热情的初级工程师都能 follow"的实现计划(强 TDD + YAGNI + DRY)→ 启动 subagent-driven-development,每个 task 自动 review、迭代。可以连续 2 小时自主运行而不跑偏。

适用场景

• 任何用 Claude Code / Codex / Cursor / Pi / OpenCode 做"非 trivial 项目"的开发者
• 想给 AI 套上"靠谱工程师"行为模板的团队
• 把"作坊式 vibe coding"升级成"工程化 agent 工作流"

安装方式(按不同 agent 装法不同)

1
2
3
4
5
6
7
8
9

# Claude Code
/plugin install superpowers@claude-plugins-official

# Codex App: 在 sidebar 点 Plugins → Coding 分类下找 Superpowers

# Antigravity
agy plugin install https://github.com/obra/superpowers

# OpenCode / Cursor / Factory Droid / Copilot CLI / Kimi Code 等都支持

代码示例(用 superpowers 启动一个新项目)

User: "我想做一个命令行 todo 工具,支持同步到 Notion"
Agent:  (不会立刻写代码,而是先问 5 个澄清问题,然后给 3 段 spec,逐段求你 sign off)
        ↓
        (写 red/green TDD 计划)
        ↓
        (启动 subagent 跑实现 + 自动 review)
        ↓
        "3 小时后:测试全绿、CLI 可用、Notion 同步跑通"

评价
240k+ stars / 21k+ forks,被 Anthropic 官方 plugin marketplace 收录,被 Primeradiant 商业赞助——这不是"又一个 prompt 集"而是被生产验证过的工作流。推荐度:⭐⭐⭐⭐⭐(认真做项目必装)。

7. ChromeDevTools/chrome-devtools-mcp — Google 把"DevTools"送给所有 Coding Agent(空降 #7)

核心功能
官方 Chrome DevTools 团队出的 MCP server:让任意 coding agent(Claude / Cursor / Copilot / Antigravity)直接控制 + 检查真实 Chrome 浏览器。能力:性能 trace + 网络请求 + 截图 + console 消息(带 source-mapped stack trace)+ 可靠的浏览器自动化(Puppeteer 内核)。

适用场景

• AI agent 帮你做端到端调试:“这个按钮点了之后 console 报错,帮我看 stack trace”
• AI 帮你做性能优化:录制 trace → 提取 actionable insights → 给出修复建议
• AI 帮你自动截图 + 视觉回归
• AI 帮你复现跨页流程 bug(登录 → 加购物车 → 结账 → 失败在哪一步)

安装方式
在 MCP client 配置里加:

1
2
3
4
5
6
7
8

{
  "mcpServers": {
    "chrome-devtools": {
      "command": "npx",
      "args": ["-y", "chrome-devtools-mcp@latest"]
    }
  }
}

轻量模式(只做基础浏览器操作):

1

"args": ["-y", "chrome-devtools-mcp@latest", "--slim", "--headless"]

代码示例(让 agent 用 DevTools)

User: "打开 staging.example.com,登录后点 'Add to Cart',然后告诉我 console 报了哪些错"
Agent: (调用 mcp__chrome-devtools__navigate → fill form → click →
       mcp__chrome-devtools__get_console_messages → 列出错误 + source map 反混淆的 stack)

评价
Google Chrome DevTools 团队官方出品,意味着这是 agent 调试浏览器的事实标准——以后"AI 操作 Chrome"基本都靠它。需要注意的是:它会把浏览器内容暴露给 MCP client,不要在含敏感数据的浏览器实例上跑。推荐度:⭐⭐⭐⭐⭐(前端 + 自动化测试开发者必装)。

8. browser-use/video-use — 用 Claude Code 剪视频(连续多日)

核心功能
把"raw 素材丢进文件夹 → 跟 Claude Code 聊 → 拿到 final.mp4“做成了产品级体验。能力:切除填充词(umm、uh、假启动)、自动调色、30ms 音频淡入淡出、自定义字幕风格、并发动画叠加(HyperFrames / Remotion / Manim / PIL)、自检渲染输出、跨 session 记忆(project.md)。

适用场景

• 自媒体创作者:扔一堆 take 进文件夹,让 AI 剪成发布版本
• 公司内部教程、产品发布视频、远程会议录像
• 不想开 Premiere / Final Cut 的开发者(LLM 帮你操作 ffmpeg)

安装方式

1
2
3
4
5
6

git clone https://github.com/browser-use/video-use ~/Developer/video-use
ln -sfn ~/Developer/video-use ~/.claude/skills/video-use
cd ~/Developer/video-use
uv sync
brew install ffmpeg
cp .env.example .env && echo "ELEVENLABS_API_KEY=sk_..." > .env

代码示例(剪一个 launch video)

cd ~/Videos/launch-raw/
claude
> edit these into a launch video
# Agent: 清点源文件 → 提议剪辑策略 → 等你 OK → 产出 edit/final.mp4

评价
“LLM 从不看视频,只通过 ElevenLabs Scribe 的文字转录 + 时间戳 + 说话人分离来读”,然后在决策点(timeline_view PNG)调用一次"视觉合成”——这是把"30,000 帧 × 1500 tokens = 4500 万 token 噪音"压到"12KB 文字 + 几张 PNG"的关键设计。推荐度:⭐⭐⭐⭐(创作者 + 视频重度用户)。

9. actions/checkout — GitHub Actions 的"开仓第一刀"(v7 重磅安全更新)

核心功能
GitHub 官方 action,几乎所有 workflow 第一步就用它:把仓库 check out 到 $GITHUB_WORKSPACE。今天上榜是因为 v7 重大更新——默认拒绝 checkout fork PR 代码(防止 pull_request_target 触发的"pwn request"漏洞),并迁移到 ESM 兼容新版本 @actions/*。

适用场景

• 每一个 GitHub Actions workflow 的第一步
• 安全敏感项目(开 PR 的人写恶意脚本 → workflow 自动 checkout → 拿到 secret → 攻击)

安装方式(workflow YAML)

1
2
3
4
5
6

- uses: actions/checkout@v7
  with:
    # 如必须 checkout fork 代码,显式 opt-in(并自行评估风险)
    allow-unsafe-pr-checkout: true
    # 历史全拉(发布/版本对比需要)
    fetch-depth: 0

代码示例(配合 v7 新安全策略)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

name: ci
on:
  pull_request_target:   # 这个 trigger 默认有 base repo secret 权限
jobs:
  build:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7   # v7 默认拒绝 fork PR checkout
      # 显式打开(已知风险)
      - uses: actions/checkout@v7
        with:
          allow-unsafe-pr-checkout: true
          ref: ${{ github.event.pull_request.head.sha }}

评价
GitHub 终于为这个**用了 7 年的"危险默认"**打补丁——强烈建议升 v7。本仓库不接受 PR,只接受 security 报告。推荐度:⭐⭐⭐⭐⭐(每个 workflow 立刻升)。

10. affaan-m/ECC — Coding Agent 的"操作系统"级 skill 集

核心功能
自称为 “agent harness operating system":skills + instincts + memory 优化 + 持续学习 + 安全扫描 + research-first 开发,跨 7+ agent 平台(Codex / Claude Code / Cursor / OpenCode / Gemini / Zed / Copilot)。v2.0.0 新增 “Hermes operator” 层:从 Hermes setup guide 出发,补 cross-harness 架构 + release notes。配套 GitHub App(ecc-tools)、Pro tier($19/seat/mo,支持私有 repo)、Claude Code plugin slug ecc@ecc。

适用场景

• 想给 agent 配一套"开箱即用最佳实践"的开发者(避免每次开新项目都重新调 prompt)
• 多 agent 平台用户:一套 skill 跨平台用
• 企业用户:私有 repo 的 PR 自动审计

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# 官方渠道:
# - GitHub repo (https://github.com/affaan-m/ECC)
# - npm: npm install -g ecc-universal / ecc-agentshield
# - GitHub App: https://github.com/apps/ecc-tools
# - Plugin slug: ecc@ecc
# - Website: https://ecc.tools

# 警告: README 顶部明文警告
# "Third-party re-uploads and unofficial mirrors are not maintained or
#  reviewed by the project and may contain malware."

代码示例(启用 ECC skill)

1
2
3
4
5
6

# 在 Claude Code 里
/plugin install ecc@ecc
# 然后自动激活的 skills 包括:brainstorming / TDD / memory / research-first ...

# Hermes 模式启动新项目
hermes init "做一个 CLI 工具读取 yaml 配置并启动 docker 容器"

评价
211k+ stars / 32k+ forks / 230+ contributors——单维护者能持续每周跨 7 平台发布,可见组织力。OSS 永久 MIT,Pro tier 养维护。推荐度:⭐⭐⭐⭐(重度 agent 用户;轻量用户先观望)。

11. HKUDS/Vibe-Trading — 港大实验室出的"个人交易 Agent”(连续多日)

核心功能
港大数据智能实验室(DSAI 实验室)出品,Vibe-Trading = “你的个人交易 Agent”。核心能力:

• 自然语言描述策略 → 自动回测 → 信号生成 → 模拟盘
• 68 个 tool + 18 个数据源(免费 Eastmoney/Sina/Stooq/Yahoo + key-gated Finnhub/Alpha Vantage/Tiingo/FMP)
• Research Autopilot(Phase 3):Hypothesis → Signal Engine → Backtest 闭环
• 10 个券商 connector(Read-only 阶段,Trading 212 刚加入)
• 16 个 IM channel adapter(Telegram / Slack / Discord / WhatsApp / 飞书 / 钉钉…)
• 450+ 学术 alpha 因子(Jegadeesh reversal / George-Hwang 52-week-high / Amihud illiquidity / Harvey-Siddique skew 等)
• Shadow Account:把提取的规则编成真实可执行的 SignalEngine(RSI 区间 + 5 日收益区间作为 PIT-safe entry context)

适用场景

• 想"验证一个拍脑袋的交易想法是否真有 alpha"
• 学习量化交易的完整流程(NL 策略 → 指标 → 回测报告)
• 跑模拟盘 + 信号推送,作为真人交易的"第二意见"
• A 股 / 美股 / 港股 / 加密 都覆盖

安装方式

1
2
3
4

pip install vibe-trading-ai
vibe-trading init
vibe-trading setup
vibe-trading dev    # 同时启动后端 (FastAPI) + 前端 (Vite React 19)

代码示例(用自然语言定义策略)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

from vibe_trading import Strategy, run_backtest

strategy = Strategy(
    name="均线金叉 + 成交量放大 1.5x",
    universe="CSI300",
    entry="MA5 > MA20 && VOL_TODAY > 1.5 * MA20(VOL, 5)",
    exit="MA5 < MA20 OR drawdown > 0.05",
    stop_loss=0.03,
)
result = run_backtest(strategy, period="2020-01-01..2026-06-30")
print(result.sharpe, result.max_drawdown, result.annual_return)

评价
今天 trending 榜单里唯一仍然活着的"AI 量化交易"项目(其他大多凉凉或 demo 状态)。Commit 节奏极快(最近 2 周每天都有 PR),安全姿态稳:所有 place_order 在结构性 paper/live 边界建好之前 hard-refuse。推荐度:⭐⭐⭐⭐(认真搞量化的人 star)。

12. agentskills/agentskills — Anthropic 出的"Agent Skills 开放规范"

核心功能
Anthropic 把自家的 Agent Skills 协议开源成开放标准。核心就一条:一个 skill 就是一个文件夹,里面有个 SKILL.md(含 name 和 description),可以捆绑 scripts/、references/、assets/。Agent 通过 progressive disclosure 三阶段加载:

1. Discovery(启动时):只加载每个 skill 的 name + description
2. Activation(任务匹配时):加载完整 SKILL.md 到 context
3. Execution(执行时):按指令跑 + 可调用捆绑脚本/资源

适用场景

• 想让 skill 跨多个 AI 产品复用(一次写,Claude / Codex / Cursor / Windsurf 都能用)
• 给团队沉淀"领域知识 + 工作流 SOP"
• 构建"可审计 + 可版本控制 + 可发现"的 agent 能力集

安装方式(读 SKILL.md 即可,无需装)

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

# 把你的 skill 放进 agents 期望的位置,例如 Claude Code:
mkdir -p ~/.claude/skills/finance-review
cat > ~/.claude/skills/finance-review/SKILL.md <<'EOF'
---
name: finance-review
description: Review financial reports following SOX-compliant checklist. Use proactively after any finance doc edit.
---
# Finance Review Checklist
1. Verify all numbers tie to source system
2. Flag any "round number" estimates
3. ...
EOF

代码示例(skill 三阶段加载)

1
2
3
4
5
6
7
8

# 伪代码:agent 启动
for skill in discover_skills():
    register(name=skill.name, desc=skill.description)  # ~50 tokens/skill

# 用户问"帮我审查这份财报"
if matches("finance-review", task):
    full_md = load(skill.path / "SKILL.md")  # 进入 context
    run_following_instructions(full_md)

评价
Anthropic 把"内部协议"做成开放标准是个标志性事件——以后所有 major agent 都得支持(README 已列出大量 client)。推荐度:⭐⭐⭐⭐(agent 工具开发者必读;普通用户可以等生态成熟)。

13. openai/codex-plugin-cc — 在 Claude Code 里"叫 Codex 帮忙"

核心功能
OpenAI 官方出的 Claude Code 插件:在 Claude Code 工作流里直接调用 Codex 做代码审查 / 任务委派。提供 6 个 slash 命令:/codex:review、/codex:adversarial-review、/codex:rescue、/codex:transfer、/codex:status、/codex:result、/codex:cancel。

• /codex:review:标准只读 review(支持 --base main、--background)
• /codex:adversarial-review:可引导的对抗性 review,质疑设计选型 / 风险点 / 备选方案
• /codex:rescue:后台委派一个任务给 Codex(investigate bug / 试 fix / 续接上次任务)
• /codex:status / /codex:cancel:管理后台 job

适用场景

• Claude Code 重度用户,想"两个模型互审"(Claude 写 + Codex 审,或反之)
• 想在 Claude Code 内直接委派长任务给 Codex 后台跑
• 多模型混合策略:不同模型擅长不同任务

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

# 1) 加 marketplace
/plugin marketplace add openai/codex-plugin-cc

# 2) 装插件
/plugin install codex@openai-codex

# 3) 重载
/reload-plugins

# 4) 引导
/codex:setup
# (会自动问你 Codex 是否已装、是否已 login)
/codex:review --background
/codex:status
/codex:result

代码示例(对抗性 review,质疑设计)

1
2

/codex:adversarial-review --background \
  "challenge whether this was the right caching and retry design, look for race conditions"

评价
OpenAI 亲自下场给竞品 Claude Code 做插件——这本身就是"AI IDE 之争"的一个标志性时刻。要求 ChatGPT 订阅或 OpenAI API key,Codex 用量会消耗你的 Codex 限额。推荐度:⭐⭐⭐⭐(多模型混合党 star)。

14. langflow-ai/langflow — 拖拽搭 AI agent 的老牌可视化工具(连续多日 Top 20)

核心功能
可视化搭建 AI agent / workflow 的 IDE(React Flow 内核)。亮点:

• 拖拽式画布,所见即所得
• 每个 flow 自动暴露成 API(FastAPI)+ 可作为 MCP server(让其他 agent 调用你的 flow 当工具)
• 支持所有主流 LLM / 向量数据库
• 多 agent 编排 + 对话管理 + RAG
• 集成 LangSmith / LangFuse 做可观测性
• Langflow Desktop 把依赖打包好(Windows / macOS),免去 Python 环境管理

适用场景

• 非程序员 / 产品经理 / 运营:不用写代码搭一个 RAG / chatbot / agent demo
• 工程师快速搭 PoC,验证想法后导出 JSON 嵌进 Python 项目
• 把 Langflow flow 当作 MCP tool 暴露给 Claude / Cursor

安装方式

1
2
3
4

# 推荐方式:装 Desktop app(https://www.langflow.org/desktop)
# 命令行方式:
uv pip install langflow -U
uv run langflow run    # 启动在 http://127.0.0.1:7860

代码示例(用 Python 组件扩展 Langflow)

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

from langflow.custom import Component
from langflow.inputs import StrInput
from langflow.outputs import MessageOutput

class HelloWorldComponent(Component):
    inputs = [StrInput(name="name", display_name="Name")]
    outputs = [MessageOutput(display_name="Message")]
    
    def build(self):
        name = self.name
        self.status = f"Hello, {name}!"
        return self.status

把这个文件放到 Langflow components 目录,刷新画布就能拖出来用。

评价
150k+ stars、3 年持续维护、与 LangChain 生态深度集成。开源 + 商业版双轨。推荐度:⭐⭐⭐⭐(非程序员的 AI agent 入门首选)。

15. pytorch/pytorch — 深度学习框架常青树(101k stars)

核心功能
PyTorch 本体:Python 里的张量 + 动态神经网络 + 强 GPU 加速。今天上榜大概是因为某个 release / 性能 PR——pytorch/pytorch 偶尔会因一个热门 PR(性能优化、新 backend 支持、CUDA 适配)短暂登 trending。

适用场景

• 任何深度学习研究 / 生产(PyTorch 现在是事实标准)
• 自定义算子(用 C++/CUDA 扩展 torch)
• 分布式训练(FSDP / DDP / DeepSpeed 集成)

安装方式

1
2
3
4
5
6
7
8

# CPU only
pip install torch

# GPU(CUDA 12.x)
pip install torch --index-url https://download.pytorch.org/whl/cu124

# 验证
python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

代码示例(一个最小训练循环)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import torch, torch.nn as nn, torch.optim as optim

model = nn.Sequential(nn.Linear(784, 128), nn.ReLU(), nn.Linear(128, 10))
opt   = optim.Adam(model.parameters(), lr=1e-3)
loss_fn = nn.CrossEntropyLoss()

for x, y in dataloader:                # x: [B, 784], y: [B]
    opt.zero_grad()
    loss = loss_fn(model(x), y)
    loss.backward()
    opt.step()

评价
不必多说——任何 ML 工程师的"默认工具链"。trending 上偶尔出现一次,说明 PyTorch 社区依然活跃。推荐度:⭐⭐⭐⭐⭐(ML 工程师的"水电煤")。

16. harvard-edge/cs249r_book — Harvard 出品的"ML Systems"开源教材

核心功能
Harvard Edge ML 实验室(Vijay Janapa Reddi 教授主导)出的 ML Systems 课程开源仓库,全套:

• Textbook(Vol I + Vol II,MIT Press 2026 出版)
• TinyTorch:从零手写 PyTorch 内核(autograd / nn / optim)
• Labs:交互式 trade-off 推理
• MLSys·im:一个建模引擎,模拟"你租不起的 GPU 集群"
• Hardware Kits:真实硬件(Arduino / 手机 / 边缘设备)上跑 ML
• StaffML:评估你是否真懂
• Socratiq:AI 引导阅读 + 间隔重复

适用场景

• 自学"ML Systems"(不是只教模型,而是教系统工程)
• 想"造自己的 PyTorch"的极客
• 大学老师拿这全套开一门课(textbook + slides + labs + kits)
• 面试准备:从模型到 deployment 全链路

安装方式(按教材分章节读,无 pip):

1
2
3

git clone https://github.com/harvard-edge/cs249r_book
cd cs249r_book
# 读 README,选 TinyTorch / Labs / Hardware 任一路线

代码示例(TinyTorch 第 1 课:手写 Tensor)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

# tinytorch/tensor.py
class Tensor:
    def __init__(self, data, requires_grad=False):
        self.data = data
        self.requires_grad = requires_grad
        self.grad = None
        self._backward = lambda: None
        self._prev = set()
    
    def __add__(self, other):
        out = Tensor(self.data + other.data, requires_grad=self.requires_grad)
        def _backward():
            if self.requires_grad: self.grad += out.grad
            if other.requires_grad: other.grad += out.grad
        out._backward = _backward
        out._prev = {self, other}
        return out

评价
Mission statement 击中要害:“The world is rushing to build AI systems. It is not engineering them."——这句话值得每个 AI 工程师刻在显示器上。目标:10 万学习者今年掌握 ML Systems,2030 年达到 100 万。推荐度:⭐⭐⭐⭐⭐(认真学 ML 的人 star)。

17. ryanmcdermott/clean-code-javascript — 把 Clean Code 原则翻译成 JS(连续多日 Top 20)

核心功能
Robert C. Martin 的 《Clean Code》原则用 JavaScript 重写一遍——不是 style guide,而是生产可读、可复用、可重构代码的指南。覆盖:变量 / 函数 / 对象与数据结构 / 类 / SOLID / 测试 / 并发 / 错误处理 / 格式 / 注释。

适用场景

• 初级 JS 工程师的"必读清单”
• 团队 onboarding 材料
• Code review 时的 reference

安装方式(直接读,无需安装):

1
2

git clone https://github.com/ryanmcdermott/clean-code-javascript
# 读 README(本身就是一篇完整文章)

代码示例(SOLID 章节摘录)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

// ❌ Bad — 一个 function 干太多事
function createUser(name, email, password) {
  if (!validateEmail(email)) throw new Error('bad email');
  const hash = bcrypt.hashSync(password, 10);
  db.insert({ name, email, passwordHash: hash });
  sendWelcomeEmail(email);
  return { id: db.lastInsertId(), name, email };
}

// ✅ Good — 每个 function 一个职责
function createUser(input) {
  validateUserInput(input);
  const user = persistUser(input);
  notifyNewUser(user);
  return user;
}

评价
94k+ stars——经典老项目,2024 年后基本不再大改,但 README 本身仍然是 JS 工程师最值得读的 30 分钟之一。推荐度:⭐⭐⭐⭐(初级到中级 JS 工程师必读)。

📊 今日速递小结

今日金句(自创):GitHub Trending 的钟摆已经从"通用大模型"摆到"垂直 AI Agent 工具",今天榜单里有 11 个是"AI 干具体事"的代理/工具,而**agentskills 把"skill = 文件夹"做成开放标准**,可能是 AI Agent 生态走向成熟的第一个分水岭。

数据来源

• 抓取 URL:https://github.com/trending
• 抓取时间:2026-07-03 13:08 (Asia/Shanghai)
• 抓取方式:GitHub REST API(/repos/{owner}/{repo} + /repos/{owner}/{repo}/readme) + readability 提取,排序依据 GitHub 官方"今日热门"默认顺序
• 补充来源:https://orangebot.ai/github-trending-today(仅用于交叉验证)