跳到主要内容

GitHub Trending 周报 - 2026-04-10

概述​

本周共发现 19 个值得关注的开源项目（本周新增 Stars > 500），涵盖 AI Agent、RAG 时间序列、LLM 框架等多个领域。总 Star 增长趋势旺盛，AI/ML 项目仍占据绝对主导地位。

数据来源：GitHub Trending（Python / TypeScript / Go），统计周期为 2026-04-04 ~ 2026-04-10

Python 项目​

1. NousResearch / hermes-agent​

  • 本周新增 Stars: 19,765 | 总 Stars: 47,212
  • 解决问题: 一个可以"与你一起成长"的 AI Agent 框架，提供持久化记忆、多Agent协作、工具调用等能力。
  • 核心技术栈: Python、Claude Code、OpenAI API、Codex、多Agent编排
  • 与现有方案对比: 相比单一用途的 Agent，Hermes Agent 强调长期记忆和渐进式学习，支持 OpenClaw/Claude Code 生态集成，定位更接近"个人 AI 助手"而非纯工具调用框架。
  • Tags: ai-agent, llm, claude, openai, multi-agent

2. onyx-dot-app / onyx​

  • 本周新增 Stars: 5,556 | 总 Stars: 26,263
  • 解决问题: 开源 AI Chat 平台，支持私有化部署，可对接任意 LLM，提供企业级搜索和 RAG 能力。
  • 核心技术栈: Python、Next.js、RAG、向量检索、企业搜索
  • 与现有方案对比: 定位介于 ChatGPT 和 LangChain 之间，强调开箱即用的企业级体验，Next.js 前端降低部署门槛，相比纯后端 RAG 框架多了完整的 UI。
  • Tags: llm-ui, rag, enterprise-search, self-hosted

3. HKUDS / DeepTutor​

  • 本周新增 Stars: 3,233 | 总 Stars: 15,304
  • 解决问题: Agent 原生的个性化 AI 助教系统，基于 Deep Research 能力提供交互式学习体验。
  • 核心技术栈: Python、多Agent系统、RAG、大语言模型
  • 与现有方案对比: 区别于传统的知识问答，DeepTutor 强调"交互式学习"和个性化反馈，Multi-Agent 架构让不同 Agent 承担教学、评估、引导等不同角色。
  • Tags: ai-tutor, multi-agent-systems, rag, interactive-learning

4. sherlock-project / sherlock​

  • 本周新增 Stars: 3,980 | 总 Stars: 80,714
  • 解决问题: 通过用户名在 100+ 社交平台批量检索关联账号（OSINT 工具）。
  • 核心技术栈: Python、网络爬虫、社交网络分析
  • 与现有方案对比: 经典老牌工具，本周新增大量关注可能与近期隐私话题热度相关。相比同类工具（如 maigret），Sherlock 维护活跃、支持平台多。
  • Tags: osint, social-media, username-search

5. luongnv89 / claude-howto​

  • 本周新增 Stars: 7,342 | 总 Stars: 24,254
  • 解决问题: Claude Code 可视化教程和实战模板，从入门到高级，覆盖 Agent 开发全流程。
  • 核心技术栈: Claude Code、提示词工程、Agent 工作流
  • 与现有方案对比: 纯教程类项目，将 Claude Code 的分散文档整理为可抄即用的模板，降低上手门槛。
  • Tags: claude-code, templates, agent-workflow

6. google-research / timesfm​

  • 本周新增 Stars: 3,095 | 总 Stars: 16,075
  • 解决问题: Google Research 开发的时序预测基础模型（Foundation Model），一个模型搞定各类时序预测任务。
  • 核心技术栈: Python、PyTorch、时间序列预测、Foundation Model
  • 与现有方案对比: 相比传统 ARIMA / Prophet 等方法，TimesFM 通过预训练+微调范式泛化到未见过的时序类型；相比 N-BEATS 等深度学习方案，参数效率更高，支持零样本推理。
  • Tags: time-series, forecasting, foundation-model

7. NVIDIA / personaplex​

  • 本周新增 Stars: 2,745 | 总 Stars: 8,814
  • 解决问题: NVIDIA 多模态人格代理系统，支持人格模拟和跨模态交互。
  • 核心技术栈: Python、多模态 AI、人格代理、NVIDIA 技术栈
  • 与现有方案对比: NVIDIA 在 GPU 加速推理上的积累为此类 Agent 提供了性能优势，适合需要高吞吐量多模态交互的场景。

8. TheCraigHewitt / seomachine​

  • 本周新增 Stars: 2,112 | 总 Stars: 5,345
  • 解决问题: 专门用 Claude Code 打造长篇 SEO 优化博客内容的自动化工具链。
  • 核心技术栈: Claude Code、SEO 优化、内容生成、工作流自动化
  • 与现有方案对比: 将 Claude Code 的 Agent 能力定向到 SEO 内容生产，相比通用内容生成多了关键词研究和排名分析环节。

9. vectorize-io / hindsight​

  • 本周新增 Stars: 1,728 | 总 Stars: 8,760
  • 解决问题: Agent 记忆系统，能够从历史交互中持续学习和优化。
  • 核心技术栈: Python、Agent Memory、长期记忆、RAG
  • 与现有方案对比: 专注"记忆学习"这一细分方向，与 LightRAG（知识检索）和 Hermes Agent（整体 Agent）形成互补。

10. HKUDS / LightRAG​

  • 本周新增 Stars: 1,290 | 总 Stars: 32,812
  • 解决问题: EMNLP 2025 论文实现的轻量级快速 RAG 框架，优化检索和生成效率。
  • 核心技术栈: Python、RAG、GraphRAG、知识图谱
  • 与现有方案对比: 相比原生 RAG，LightRAG 引入图结构增强检索多样性；相比微软 GraphRAG，计算开销更小，适合资源受限场景。
  • Tags: rag, graphrag, knowledge-graph, llm

11. microsoft / agent-framework​

  • 本周新增 Stars: 838 | 总 Stars: 9,247
  • 解决问题: 微软官方 Agent 开发框架，支持构建、编排和部署多Agent工作流，同时覆盖 Python 和 .NET 生态。
  • 核心技术栈: Python、.NET、多Agent编排、工作流引擎
  • 与现有方案对比: 微软背书 + 双语言支持是最大亮点，适合已在微软技术栈中的企业。相比 LangChain/Autogen，框架化程度更高但灵活性略低。
  • Tags: multi-agent, orchestration, python, dotnet, workflows

12. punitarani / fli​

  • 本周新增 Stars: 744 | 总 Stars: 1,723
  • 解决问题: Google Flights MCP（Model Context Protocol）工具库，方便 AI Agent 接入真实航班数据。
  • 核心技术栈: Python、MCP (Model Context Protocol)、Google Flights API
  • 与现有方案对比: 将结构化 API 转化为 Agent 可用的 MCP 工具，是 MCP 生态快速成长的一个缩影。

13. HKUDS / RAG-Anything​

  • 本周新增 Stars: 632 | 总 Stars: 15,484
  • 解决问题: 通用型 RAG 框架，支持对任意格式文档进行向量化检索和问答。
  • 核心技术栈: Python、RAG、多模态文档解析
  • 与现有方案对比: HKUDS 团队继 LightRAG 之后的又一 RAG 力作，定位更通用。

14. google-deepmind / gemma​

  • 本周新增 Stars: 534 | 总 Stars: 4,689
  • 解决问题: Google DeepMind 开源的 Gemma 系列 LLM 权重库和推理工具包。
  • 核心技术栈: Python、LLM、Gemma 权重、推理优化
  • 与现有方案对比: 相比 GPT/Qwen 等闭源或更大规模开源模型，Gemma 以轻量级见长，适合本地部署和研究复现。
  • Tags: llm, google-deepmind, open-weight

TypeScript 项目​

1. siddharthvaddem / openscreen​

  • 本周新增 Stars: 12,278 | 总 Stars: 27,167
  • 解决问题: 开源、免费的屏幕录制和演示视频制作工具，无需订阅、无水印，商业可用——Screen Studio 的开源替代品。
  • 核心技术栈: TypeScript、Electron、Canvas/PixiJS、屏幕录制
  • 与现有方案对比: 定位精准对标 Screen Studio，但开源免费是核心差异点。本周暴增可能与 Screen Studio 近期政策变动有关。
  • Tags: screen-recorder, open-source, electron, commercial-use

2. Yeachan-Heo / oh-my-codex​

  • 本周新增 Stars: 9,737 | 总 Stars: 20,157
  • 解决问题: 为 Claude Code/AI Codex 添加 Hooks、Agent Teams、HUDs 等扩展能力，让 AI 开发工具更强大。
  • 核心技术栈: TypeScript、Claude Code、Codex、Agent Teams、Hooks 系统
  • 与现有方案对比: 生态插件思路，类似 VS Code 插件生态之于 IDE。填补了 Claude Code 缺乏可扩展性的空白。
  • Tags: claude-code, codex, agent-teams, hooks

Go 项目​

1. ollama / ollama​

  • 本周新增 Stars: 1,715 | 总 Stars: 168,417
  • 解决问题: 本地 LLM 推理运行平台，一键部署 Kimi、GLM、MiniMax、DeepSeek、Qwen、Gemma 等开源模型。
  • 核心技术栈: Go、LLM 推理、本地部署、Ollama Library
  • 与现有方案对比: 本地 LLM 推理的事实标准，生态最成熟。相比 vLLM、LM Studio，Ollama 强调极简操作和跨平台覆盖。
  • Tags: llm, ollama, local-inference, golang

2. QuantumNous / new-api​

  • 本周新增 Stars: 1,387 | 总 Stars: 25,912
  • 解决问题: 统一 AI 模型网关，支持将各种 LLM（DeepSeek、Claude、Gemini 等）转换为 OpenAI / Claude / Gemini 兼容格式。
  • 核心技术栈: Go、AI 网关、API 聚合、模型管理
  • 与现有方案对比: 解决多模型管理碎片化问题，统一入口降低切换成本。相比 One API 等同类项目，new-api 在兼容性格式覆盖更全面。
  • Tags: ai-gateway, openai-compatible, claude-compatible, deepseek

3. NoFxAiOS / nofx​

  • 本周新增 Stars: 701 | 总 Stars: 11,777
  • 解决问题: 个人 AI 交易助手，支持任意市场和模型，使用 USDC 支付而非 API Key。
  • 核心技术栈: Go、AI 交易、Web3 支付（USDC）
  • 与现有方案对比: 最大亮点是以 USDC 替代传统 API Key 计费，降低了付费门槛和对单一平台的依赖。

趋势洞察​

1. AI Agent 仍是最大热点 从 Hermes Agent 到 DeepTutor、oh-my-codex，本周 Top 项目中 Agent 相关占一半以上。方向从"能做某件事"演进到"能持续学习、协同工作"——记忆、多Agent协作、可扩展性成为关键词。

2. Claude Code 生态快速扩张 claude-howto、oh-my-codex 两个项目本周爆发式增长，说明 Claude Code 的用户基数在扩大，围绕它的工具链生态正在快速形成。

3. 开源替代商业工具蔚然成风 openscreen 替代 Screen Studio 的叙事非常有代表性——用户对 SaaS 订阅模式的不满正在转化为开源替代品的增长动力。

4. RAG 走向实用化和轻量化 LightRAG、RAG-Anything、hindsight 等多方向演进，RAG 已从"概念验证"进入"深度优化"阶段，图增强检索、轻量化、本地记忆成为新的研究重点。

5. 时序 AI 开始破圈 TimesFM（Google Research）的活跃增长表明，继 NLP 之后，时间序列预测正在成为 Foundation Model 的下一个落地场景。

报告生成时间：2026-04-10 15:14 (Asia/Shanghai) 抓取工具：browser-cdp（复用用户 Chrome 登录态）