2026 年 9 月 GitHub 月榜深度解读：16 个爆火项目，和它们背后的 4 个技术拐点

数据说明：本文所有 Star 数、项目描述均取自 GitHub Trending 2026 年 9 月月榜真实统计；涉及性能数字的部分，逐条标注了来源（项目官方 README / 论文 / 基准榜），不写没有出处的话。
篇幅：全文约 7000 字，前半部分是结论和选型表，后半部分是每个项目的拆解，可按需跳读。

一、先看结论（不想读长文看这 300 字就够）

这个月的月榜，用四句话概括：

Agent 的竞争正式下沉到"上下文层"。模型能力在趋同，真正拉开差距的是记忆怎么存、检索怎么组织、执行怎么留痕。本月 5 个高星项目全在这个方向，其中火山引擎的 OpenViking 拿出了硬数据：记忆准确率从 24–57% 提到 80–83%，输入 token 反而降了 34–91%。
本地推理从"能不能跑"进入"跑得值不值"。llmfit 用一个命令回答"我的机器能跑什么模型"，omlx 把 KV 缓存做成内存+SSD 两级、重启后仍能复用，MTPLX 在不额外占用显存的前提下做到约 3 倍提速。
AI 供应链安全终于有趁手工具。腾讯朱雀实验室的 AI-Infra-Guard 更新到 v4.6.1，一次覆盖 Agent、Skill、MCP、AI 基础设施、越狱评测五个面，Skill 扫描在 SkillTrustBench 上 F1 达到 0.9848。
AI 的产出从"一段文字"变成"一个可交互制品"。榜首 archify（本月 +47k★，断层第一）让 Agent 输出可验证、可对比、可导出的架构图，而不是一堆 Mermaid 代码。

16 个项目速查表

项目	Star / 本月新增	语言	一句话	上手成本
OpenViking	36.8k / +8.6k	Python	Agent 的上下文数据库，记忆+RAG+技能统一底座	中
ai-memory	6.6k / +5.1k	Rust	编码 Agent 的长期记忆，可在不同工具间迁移	低
maka	5.3k / +4.0k	TS	Apache 孵化，完整记录 Agent 每一步操作	中
Switchyard	2.9k / +2.7k	Python	NVIDIA 出品，多模型路由网关，OpenAI 兼容	低
llmfit	36.2k / +4.8k	Rust	一条命令告诉你硬件能跑什么模型	极低
omlx	21.7k / +3.1k	Python	Mac 上的 LLM 推理服务器，KV 缓存落盘	低
MTPLX	2.3k / +1.1k	Python	MLX 原生投机解码，免 draft 模型约 3×	中
needle	10.9k / +7.2k	Python	仅 14MB 的基础模型，跑在手机和嵌入式	低
minimind	60.8k / +6.3k	Python	2 小时从零训一个 64M 参数 LLM	低
AI-Infra-Guard	6.2k / +1.8k	Python	AI 红队平台，五大攻击面全覆盖	低
archify	59.3k / +47.3k	JS	Agent 生成可验证的架构图（本月榜首）	极低
diagram-design	38.7k / +32.7k	HTML	38 种编辑级图表模板	低
i-have-adhd	43.1k / +21.0k	Python	让 Agent 别把答案埋在废话里	极低
omarchy	40.5k / +16.1k	Shell	DHH 操刀的现代化 Linux 桌面发行版	高
OpenLogi	20.8k / +12.4k	Rust	开源版 Logitech Options+，无账号无遥测	低
OpenMAIC	36.1k / +15.3k	TS	清华出品，多智能体互动课堂	中

二、大盘：这个月涨得有多猛

三个值得注意的信号：

信号一：榜首断层。 archify 一个月新增 47,287 Star，比第二名（public-apis，24,522）高出近一倍，而它的总 Star 才 59.3k——意味着这个项目的绝大部分 Star 都是这一个月涨的。这种曲线通常只说明一件事：它命中了一个所有人都受苦、但此前没人好好解决的痛点。

信号二：Rust 正在接管"个人工具"。 Top15 里 Rust 占 3 席（llmfit、OpenLogi、ai-memory），清一色是"单二进制、零依赖、快"的 CLI/桌面工具。同赛道的 Python 项目往往要配环境、装依赖，Rust 项目给一个二进制就完事——对个人工具来说，这是降维打击。

信号三：Python 依然统治"AI 基础设施层"。 15 个里 6 个 Python，但它们不再是"调包脚本"，而是数据库、推理服务器、上下文引擎这类要长期运行的服务。

三、拐点一：Agent 的竞争，正式下沉到"上下文层"

先看全景，理解这批项目在栈里的位置：

2025 年大家卷的是"怎么造一个能跑的 Agent"，2026 年的问题变成了"怎么让 Agent 跑一周还不忘事、还能审计、还能换模型"。模型层在商品化，上面这四层才是壁垒。

3.1 OpenViking —— 把上下文当成"文件系统"来管理

36.8k★ / 本月 +8.6k / Python / AGPLv3 / 火山引擎开源

一句话：给 Agent 一个 viking:// 虚拟文件系统，把知识、记忆、技能统一管理，还能自己进化。

它解决什么真问题：当下 Agent 的记忆实现普遍是"往向量库里塞一堆碎片"，结果是越用越慢、越用越不准。OpenViking 换了个思路——用文件系统的范式组织上下文：

viking://
├── resources/            # 资源：项目文档、仓库、网页
│   └── my_project/
│       ├── docs/
│       └── src/
└── user/
    └── {user_id}/
        ├── memories/     # 记忆：用户偏好、历史经验
        ├── skills/       # 技能：怎么做某类任务
        └── peers/

关键在于三层按需加载，这是它省 token 的核心机制：

L0（摘要）：一句话，用于快速判断相关性；
L1（概览）：核心信息与适用场景，用于规划；
L2（全文）：原始完整内容，只在确实需要时才读。

Agent 可以先用 L0/L1 判断"该不该读这个文件"，避免一上来就把整仓库塞进上下文。

实测数据（官方 README 与基准报告，0.3.22 版本）：

评测	结果
长对话用户记忆（LoCoMo）	准确率 80–83%，而各 Agent 原生记忆仅 24–57%
输入 token	下降 34.3% – 91.0%
查询延迟	下降 58.45% – 66.10%
Agent 任务（tau2-bench）	开启经验记忆后，成功率 +6.87pp（零售）/ +11.87pp（航空）

准确率大幅提升的同时 token 反而大降——这正是 L0/L1/L2 分层加载带来的收益。

它还有学术底子：支撑它的三篇论文分别中了 VLDB 2026（VikingMem）、ICDE（Directory-Aware Query）和在投的 VikingRAG。不是拍脑袋的工程品。

怎么用：

pip install openviking --upgrade
openviking-server init      # 配置 embedding 模型与 VLM，写入 ~/.openviking/ov.conf
openviking-server doctor    # 检查配置与连通性
openviking-server           # 启动服务

ov add-resource https://github.com/xxx/yyy   # 灌入一个仓库
ov ls viking://resources/                    # 像操作文件一样浏览
ov find "这个项目怎么处理鉴权"                # 语义检索
ov grep "keyword" --uri viking://resources/xxx/docs

接入你的 Agent：官方提供了 Claude Code、Codex、Cursor、TRAE、OpenClaw、LangChain 等集成（多为 Hooks + MCP 方式），装完即可实现跨会话记忆。也支持 Python / Go / TypeScript SDK。

注意：需要 Python 3.10+，且必须准备一个 embedding 模型和一个视觉语言模型（可用云端也可用本地 Ollama）。主项目协议是 AGPLv3，商业闭源集成前要看清楚。

3.2 ai-memory —— 换 Agent 工具不丢记忆

6.6k★ / 本月 +5.1k / Rust

解决的是一个非常具体的痛：上午用 Claude Code 调好的项目上下文，下午换 Codex 就全丢了。它把记忆抽成独立可迁移的一层，让不同厂商的编码 Agent CLI 之间能做"交接"。Rust 实现，够轻够快，适合重度多工具用户。

3.3 maka —— Agent 的"行车记录仪"

5.3k★ / 本月 +4.0k / TypeScript / Apache 孵化

高性能 Agent 工作区，完整记录 Agent 做过的每一步。当 Agent 开始自动改代码、跑命令，"它到底干了什么"就从加分项变成准入项——尤其在有合规要求的环境里。Apache 孵化身份意味着治理规范，企业落地的阻力小很多。

3.4 Switchyard —— 改个 base_url 就能做模型 A/B

2.9k★ / 本月 +2.7k / Python / NVIDIA

多模型、多供应商之间的路由网关，保持 OpenAI 和 Anthropic 原生 API 兼容。也就是说业务代码不用改，换个地址就能做模型选型、成本优化、故障切换。

同赛道还有 experiential（4.6k★ / 本月 +4.2k），定位是"零加价的 BYOK 网关"，能根据流量学习来推荐更省钱的模型——思路更激进，可以对比着看。

四、拐点二：本地推理，从"能不能跑"到"跑得值不值"

4.1 llmfit —— 先回答"我到底能跑什么"

36.2k★ / 本月 +4.8k / Rust / MIT

这是我认为本月的首选装机工具，上手成本近乎为零。

以前想知道"16G 内存的笔记本能不能跑 Qwen 32B 的 Q4 量化"，得翻一堆博客、对着参数表手算。现在：

llmfit

它会扫描你的 CPU 核心数、系统内存、独显/核显、显存、统一内存架构（支持 NVIDIA CUDA、Apple Silicon、AMD ROCm、Intel OneAPI），然后按四个维度给每个模型打分：

fit（能不能装下）
speed（预计多快）
quality（效果好不好）
context（能撑多长上下文）

常用命令：

llmfit                      # 交互式 TUI，默认入口
llmfit recommend            # 直接输出硬件概况 + 推荐模型
llmfit fit                  # 按适配度排序的全量模型表
llmfit info "Qwen3-32B"     # 单个模型：为什么这么打分、怎么自己验证
llmfit bench                # 实测真实 tok/s，而不只是估算
llmfit doctor               # 硬件检测报告，提 issue 时用
llmfit serve                # 起 HTTP API + Web 面板

几个容易被忽略的细节：

支持 MoE 架构（Mixtral、DeepSeek 类模型按激活参数算，而不是总参数），这点很多同类工具做不对；
支持多 GPU、GGUF / AWQ / GPTQ / EXL2 多种量化格式；
能对接 Ollama、llama.cpp、MLX、Docker Model Runner、LM Studio 等本地运行时；
llmfit bench --share 可以把你机器上的实测数据贡献回社区，让同款硬件的人直接看到真实数字；
Windows 二进制做了 Authenticode 签名，官方声明默认不联网。

安装（按你的系统选一条）：

scoop install llmfit                                  # Windows
brew install AlexsJones/llmfit/llmfit                 # macOS / Linux
curl -fsSL https://llmfit.axjns.dev/install.sh | sh   # 通用一键脚本
uv tool install -U llmfit                             # Python 生态

4.2 omlx —— Mac 上最像"产品"的推理服务器

21.7k★ / 本月 +3.1k / Python / Apache 2.0 / 仅 Apple Silicon

一句话：给 Mac 的 LLM 推理服务器，带菜单栏 App、Web 面板，KV 缓存分内存与 SSD 两级。

它最值得说的设计是分级 KV 缓存：

热层（内存）：高频访问的 KV block 留在内存；
冷层（SSD）：热层满了就卸载到 SSD（safetensors 格式），下次命中相同前缀时从磁盘恢复，而不是重算——即使服务重启过也一样。

配合前缀共享和写时复制（Copy-on-Write），这对长对话场景是质变：你隔天接着问同一个项目的问题，不用重新 prefill 一遍。作者原话是，这让本地模型"真正能配合 Claude Code 这类工具干活"。

其他关键能力：

持续批处理（基于 mlx-lm 的 BatchGenerator）；
同时兼容 OpenAI 和 Anthropic API（/v1/chat/completions 与 /v1/messages 都有），默认端口 8000，/admin 有 Web 面板，/admin/chat 自带聊天界面；
支持 LLM、视觉语言模型、OCR、embedding、reranker 多模型同服；
模型可 pin（常驻）、LRU 自动淘汰、按模型设 TTL、进程总内存上限保护；
实验性支持多台 Mac 分布式推理（Thunderbolt RDMA / JACCL），内存不等长也能切分；
一键集成 OpenClaw、OpenCode、Codex、Hermes Agent、Copilot、Pi。

怎么用：

brew tap jundot/omlx https://github.com/jundot/omlx
brew install jundot/omlx/omlx
omlx start                                   # 后台服务，崩溃自动重启
# 或前台运行：omlx serve --model-dir ~/models

一个必须知道的坑：GLM-5.2 / MiniMax M3 等模型的原生自定义 kernel 不会被普通 pip install 编译。缺少时不会报错，而是静默回退到慢得多的通用路径——官方实测 GLM-5.2 的融合 DSA prefill 在 M3 Ultra 上是 845 tok/s vs 约 29 tok/s，差约 30 倍。要拿到正常性能，必须用官方 dmg，或装完整 Xcode 后：

brew install jundot/omlx/omlx --HEAD --with-custom-kernel

装完可以用这条命令验证：

python -c "from omlx.custom_kernels import native_kernel_status; print(native_kernel_status())"

4.3 MTPLX —— 不额外占显存的投机解码

2.3k★ / 本月 +1.1k / Python

在 MLX 上做原生 MTP 投机解码，Qwen 3.8 27B 上约 3 倍提速。它和同类方案最大的区别是不需要外挂 draft 模型——省下的显存可以留给主模型。

有意思的是，omlx 的致谢里明确写了 MTPLX 为它提供了 Metal kernel。这两个项目不是竞争关系，而是同一生态里的上下层。

4.4 needle —— 只有 14MB 的基础模型

10.9k★ / 本月 +7.2k / Python

面向手机、可穿戴、智能家居、机器人。14MB 的体量意味着它可以直接塞进固件里离线运行，不需要任何云端依赖。做嵌入式和 IoT 的朋友值得重点跟一下。

4.5 minimind —— 花一个周末搞懂大模型

60.8k★ / 本月 +6.3k / Python

老牌项目，本月又涨 6k+。它的价值不在模型本身，而在于把 LLM 全流程（预训练 → SFT → RLHF → 蒸馏）压缩成"2 小时、64M 参数"就能跑完的教学项目。想真正理解大模型，没有比亲手训一个更快的路径。

git clone https://github.com/jingyaogong/minimind

五、拐点三：AI 供应链安全，终于有趁手工具了

5.1 AI-Infra-Guard —— 腾讯朱雀实验室的 AI 红队平台

6.2k★ / 本月 +1.8k / Python / Apache 2.0 / 最新版 v4.6.1（2026-09-10）

这是本月我最想推荐给安全从业者的项目。请注意它的版本迭代速度：7 月 v4.5.0、8 月 v4.5.2 / v4.6.0、9 月 10 日 v4.6.1——这个节奏说明团队在持续跟进最新的攻击手法。

它覆盖五个攻击面 + 一个附加能力：

能力	具体做什么
Agent Scan	多智能体自动化扫描框架，评估 Agent 工作流安全，支持 Dify、Coze 等平台上的 Agent
Skill + MCP Scan	检测 14 大类安全风险，支持从源代码或远程 URL 扫描，无需运行实例
AI Infra Scan	指纹识别 146 个 AI 组件，覆盖 2000+ CVE，含 Ollama、vLLM、ComfyUI、n8n、Triton 等
Jailbreak 评测	多轮越狱攻击（Many-Shot、PAIR、GOAT、ActorAttack）+ 跨模型横向对比
ClawScan	一键评估 OpenClaw 的安全风险：不安全配置、Skill 风险、CVE、隐私泄露
Relay Checker（附加）	模型指纹识别、Claude 签名校验、中转服务黑盒审计、PAMELA、Ventor QTest

Skill 扫描的实测水平（官方 SkillTrustBench 榜单）：

模型	F1	精确率	召回率	误报率
Claude Opus 4.6	0.9848	0.9725	0.9974	0.0663
GLM 5.1	0.9836	0.9701	0.9974	0.0723
Gemini 3.5 Flash	0.9792	0.9947	0.9641	0.0120

它把 Skill 风险分成 5 层 9 类（T01–T09）：指令劫持、记忆投毒、远程载荷下载执行、内嵌恶意代码、提权与越权、系统持久化、工具劫持与仿冒、不安全依赖、不安全编码实践。这个分类基本可以当作 Agent Skill 的安全 checklist 用。

为什么这件事现在非做不可：Agent 会"自己调工具"，一次提示注入就可能让它在你的机器上执行任意命令——传统 WAF 和漏扫完全看不到这一层。更值得警惕的是该项目附带的研究 SkillJack：被投毒的运行轨迹，能给自进化 Agent 的技能系统注入持久化后门。另一项研究对 DeepSeek Harness 做了 14,560 次 Agent 运行的间接提示注入评估。

怎么用（场景一：扫内网 AI 服务）

git clone https://github.com/Tencent/AI-Infra-Guard.git
cd AI-Infra-Guard
docker-compose -f docker-compose.images.yml up -d
# 浏览器打开 http://localhost:8088

注意：AI Infra 扫描的目标是运行中服务的网络地址，不是 GitHub 链接。比如扫本地 vLLM 就填 http://127.0.0.1:8000，扫局域网 Ollama 填 http://192.168.1.100:11434，也支持 CIDR 和 IP 段批量。

怎么用（场景二：接入 CI 扫 Skill）

pip install aig-skill-scan
export LLM_API_KEY="your-api-key"

aig-skill-scan --repo /path/to/your/skill \
           -m deepseek-v4-flash \
           --language en \
           -o result.json

提交 Skill 或 MCP 配置时自动扫一遍，成本极低，收益极高。

部署红线（官方明确要求）：项目当前没有认证机制，不得部署在公网，只能用于内网自查。这条别嫌啰嗦，真有人把这类工具暴露到公网上。

它是什么来头：腾讯安全平台部朱雀实验室（2019 年成立），成果发表在 Black Hat、DEF CON、ICLR、CVPR、NeurIPS、ACL，曾协助 NVIDIA、Google、Microsoft 及 OpenClaw、Linux、Hugging Face 修复高危漏洞。相关论文《Securing the AI Agent: A Unified Framework for Multi-Layer Agent Red Teaming》见 arXiv:2606.31227。

六、拐点四：AI 的产出，从"一段文字"变成"一个可交互制品"

6.1 archify —— 本月榜首，断层第一

59.3k★ / 本月 +47,287（全榜第一）/ JavaScript / MIT

一句话：一个 Agent Skill，把代码库或系统描述变成可验证、可对比、可导出的交互架构图。

它和普通"AI 画图"的根本区别在于可验证三个字：

Agent 产出的是带类型的 JSON IR（中间表示），再由渲染器确定性编译成 HTML/SVG——不是靠模型自由发挥画出来；
交付前有原子化校验：schema、布局、HTML/SVG、路径、标签间距，全部通过才替换上一版，"最后一次正确结果"永远保底；
失败时返回机器可读的修复回执（规则码 + 出错位置 + 支持的修复动作），而不是甩一个 Node 堆栈给你。

五种图，按场景选：

类型	适合
Architecture	组件、服务、存储、信任边界
Workflow	CI/CD、审批、工具调用、运维手册
Sequence	API 调用、缓存回退、鉴权、异步链路
Data Flow	数据管道、血缘、PII、消费方
Lifecycle	状态、重试、等待、终态

最实用的一个功能：Architecture Delta——把两个版本的架构快照做 Before / Delta / After 对比，精确列出新增、删除、修改、移动、改道的实体。这等于把"架构评审"塞进了 PR 流程：

node archify/bin/archify.mjs compare architecture base.json head.json architecture-delta.html --json

怎么用：

npx skills add tt-a1i/archify -g

装好后在任意 Agent 对话里说一句话就行，不需要仓库：

Use Archify to draw: Browser -> API -> Redis cache -> PostgreSQL fallback.

有仓库时可以让它从源码取证：

Analyze this repository, then use archify to create a high-level runtime architecture diagram.
Show 8–12 core components, one primary path, external dependencies, and trust boundaries.

支持 Cursor、Claude Code、Codex CLI、opencode、Raven。导出支持 PNG / SVG / WebM，以及 1200×630 的分享卡片（直接贴 README 或发社交媒体）。

6.2 diagram-design —— 拒绝"Mermaid 味"的图表

38.7k★ / 本月 +32.7k / HTML

38 种编辑风格的图表类型，专为 Claude Code / Codex / Pi 设计，自包含 HTML + SVG。项目简介里那句 "No shadows. No Mermaid slop." 说得很直白。和 archify 是同赛道竞品，建议都试一下再留一个。

6.3 i-have-adhd —— 一个月 21k Star 的共鸣

43.1k★ / 本月 +21.0k / Python

名字是梗，痛点是真的：AI 回答太啰嗦，结论埋在第八段。这是一个 Skill，强制模型把结论前置、去掉水话。一个月涨 21k Star，说明这是全体用户的共同遭遇，不需要我再解释了。

七、桌面与系统：两个值得"重装级"尝试的项目

7.1 omarchy —— DHH 做的现代化 Linux

40.5k★ / 本月 +16.1k / Shell

Ruby on Rails 之父 DHH 亲自操刀的 Arch Linux 发行版：Hyprland 平铺窗口管理器 + 精心调校的开箱体验。想体验"折腾过但不用自己折腾"的 Linux 桌面，这是目前最省事的答案。代价是：Arch 系，需要一定动手能力。

7.2 OpenLogi —— 开源版 Logitech Options+

20.8k★ / 本月 +12.4k / Rust

罗技外设用户的福音：改键、调 DPI、SmartShift，全部通过 HID++ 协议本地实现，不需要账号，不上传遥测。硬件厂商用订阅制软件筑起的护城河，正在被开源社区一段段填平。

顺带一提 vorssaint-utils（18.5k★ / 本月 +13.3k / Swift）——免费的 macOS 菜单栏工具箱，喜欢折腾菜单栏的可以看看。

八、常青树速览：那些一直在涨的老面孔

项目	总 Star / 本月新增	一句话
public-apis	479.3k / +24.5k	免费 API 大全，练手和找数据源的第一站
MoneyPrinterTurbo	122.7k / +20.6k	一个关键词全自动生成高清短视频
3b1b/manim	93.8k / +3.8k	3Blue1Brown 的数学动画引擎，教学视频天花板
screenshot-to-code	78.6k / +4.8k	截图直接转 HTML / React / Vue 代码
google-research/timesfm	32.3k / +5.1k	Google 的时序预测基础模型

九、三条落地路线：按你的角色挑

如果你在做 Agent 应用：
OpenViking（记忆与上下文）→ maka（执行留痕）→ AI-Infra-Guard（上线前体检）→ Switchyard（多模型降本）。这条链路解决的是"Agent 能不能上生产"。

如果你想本地跑模型：
先 llmfit 摸清家底，Mac 用户直接 omlx 起服务；要压榨性能加 MTPLX；想搞懂原理就跑一遍 minimind；设备端场景看 needle。

如果你是安全 / 运维：
AI-Infra-Guard 是本月必装。优先做两件事：① 用它扫一遍内网所有 Ollama / vLLM / ComfyUI 实例的 CVE；② 把 aig-skill-scan 接进 CI，任何第三方 Skill、MCP 配置入库前先过一遍。

十、我的三个判断

"上下文工程"会成为一个正式岗位技能。 当模型能力趋同，谁能用更少的 token 喂给模型更准的上下文，谁的产品体验就更好。OpenViking 那份"准确率翻倍、token 降九成"的数据，是这个趋势最好的注脚。
Rust 会继续吃掉"个人工具"市场。 单文件、无依赖、启动快，对工具类软件是碾压性优势。如果你在做 CLI 或桌面小工具，值得认真考虑。
AI 安全的主战场会从"模型越狱"转向"供应链与运行时"。 越狱只是让模型说错话，而一个被投毒的 Skill、一个配置失当的 MCP Server，能让 Agent 直接在你机器上执行命令。AI-Infra-Guard 这类工具的稀缺性，未来还会更高。

如果这篇对你有用，点个赞、收个藏，下个月月榜继续深扒。

想问你一句：你的机器用 llmfit 跑出来能上什么模型？欢迎把结果贴在评论区，我挑几个有意思的配置在下期一起分析。

数据来源：GitHub Trending 2026 年 9 月月榜（Star 数为截稿时数据，持续变动）；各项目能力、命令与性能数字均引自项目官方 README、文档与论文。

posted @ 2026-09-13 00:14 橘和柠阅读(42) 评论(0) 收藏举报

刷新页面返回顶部

2026 年 9 月 GitHub 月榜深度解读：16 个爆火项目，和它们背后的 4 个技术拐点

2026 年 9 月 GitHub 月榜深度解读：16 个爆火项目，和它们背后的 4 个技术拐点

一、先看结论（不想读长文看这 300 字就够）

16 个项目速查表

二、大盘：这个月涨得有多猛

三、拐点一：Agent 的竞争，正式下沉到"上下文层"

3.1 OpenViking —— 把上下文当成"文件系统"来管理

3.2 ai-memory —— 换 Agent 工具不丢记忆

3.3 maka —— Agent 的"行车记录仪"

3.4 Switchyard —— 改个 base_url 就能做模型 A/B

四、拐点二：本地推理，从"能不能跑"到"跑得值不值"

4.1 llmfit —— 先回答"我到底能跑什么"

4.2 omlx —— Mac 上最像"产品"的推理服务器

4.3 MTPLX —— 不额外占显存的投机解码

4.4 needle —— 只有 14MB 的基础模型

4.5 minimind —— 花一个周末搞懂大模型

五、拐点三：AI 供应链安全，终于有趁手工具了

5.1 AI-Infra-Guard —— 腾讯朱雀实验室的 AI 红队平台

六、拐点四：AI 的产出，从"一段文字"变成"一个可交互制品"

6.1 archify —— 本月榜首，断层第一

6.2 diagram-design —— 拒绝"Mermaid 味"的图表

6.3 i-have-adhd —— 一个月 21k Star 的共鸣

七、桌面与系统：两个值得"重装级"尝试的项目

7.1 omarchy —— DHH 做的现代化 Linux

7.2 OpenLogi —— 开源版 Logitech Options+

八、常青树速览：那些一直在涨的老面孔

九、三条落地路线：按你的角色挑

十、我的三个判断

公告