GitHub 趋势洞察 2026-08-06，Agent 基建平台日，云厂商集体下场

今日焦点，Agent 基建成了大厂的擂台

你想想看，8 月 6 号这份榜单最刺眼的不是某一个项目，而是它集体性的姿态。

前十里挤进了腾讯的 TencentDB-Agent-Memory(+1,892 stars)、Cloudflare 的 computer(+891)、Uber 的 ADR(+354)、Cloudflare 的 cloudflare-os(+330)，再把眼光放到全榜，firecrawl 的 pdf-inspector(+1,582) 和 anydoc、obra 的 superpowers(+931,总 star 已经 26.7 万)、airllm(+833) 全都在。

这已经不是哪个黑客周末 hackathon 的小打小闹了。

这是云厂商和一线大厂在同一天里，集体把 Agent 基建这条赛道铺到了台面上。腾讯做记忆层、Cloudflare 做执行沙箱、Uber 做安全防线、firecrawl 做文档解析、airllm 做推理下沉，一家切一刀，把一个 Agent 从感知到执行到审计的完整链路全切完了。

本期的话题统计也佐证了这件事，Agent 出现 10 次，ai 出现 7 次，Skill 3 次，framework 3 次。

主线一句话，Agent 基建正式进入平台化阶段，谁先把运行时、记忆、安全这几块拼起来，谁就拿到了下一轮入场券。

榜单前五深度解读

1. TencentDB-Agent-Memory，记忆被拆成了可治理的四件套

bojieli/ai-agent-book 那本书把 Agent 拆成 LLM + 上下文 + 工具，腾讯这份 TencentDB-Agent-Memory 干的就是中间那一层的事。

它没有笼统地说一句「给 agent 加记忆」，而是把团队级记忆拆成四类可治理资产。

Chat Memory 存偏好、决策、交互历史，但不是一锅乱炖，而是异步蒸馏成 L0 原始、L1 原子事实、L2 场景工作记忆、L3 核心人设四层，检索走 BM25 + 向量 + RRF 融合。Skill 把复杂工作流和工具调用固化成带版本、触发边界、执行步骤、校验规则的结构化资产。LLM-Wiki 把文档和运维手册变成带链接图谱的可导航页面。Code-Graph 索引代码符号、文件、调用关系，直接告诉 Agent「改这个会影响哪些地方」。

最有意思的是它的治理模型。

记忆不进全局 prompt，而是当成「Agent 的装备栏」，用固定绑定加 ACL 控制，分 private、team、restricted 三级可见性，新记忆默认 private 防泄漏。

这种设计直接对应一个工程现实，Agent 越多，记忆越不能全局共享，否则一个 Agent 把脏数据灌进去，全员跟着犯傻。腾讯给的官方数字是 PersonaMem 基准准确率从 48% 拉到 76%，相对提升 59%。这个数字能不能完全代表生产环境另说，但至少把「记忆该不该分权」这件事摆到台面上了。

2. firecrawl/pdf-inspector，PDF 解析被重写成 Rust 路由层

firecrawl 这一天上榜两次，pdf-inspector(+1,582) 和 anydoc(+285)。

pdf-inspector 不是又一个 PDF 转文本工具，它的定位是「智能路由前置」。核心能力是快速判断一份 PDF 到底是扫描件还是原生文本件，从而决定下游走 OCR 还是走文本抽取。

这个判断看着不起眼，但它解决的是一个真实的工程痛点。

RAG 流水线里，PDF 来源杂得离谱，把扫描件当文本件抽，出来的全是空字符串或乱码；把文本件丢去 OCR，既慢又损耗精度。firecrawl 用 Rust 把这个分流决策做到纳秒级，让下游的 anydoc 之类的转换器只处理自己擅长的那类输入。

从榜单看，它配合 anydoc(Word/PPT/Excel/EPUB/CSV/PDF 全转 Markdown，Rust 写、带 Node.js 和 Python 绑定)一起出现，firecrawl 显然是想把「文档进 Agent 系统的第一公里」整条吃下。

3. obra/superpowers，26.7 万 star 的技能框架不是吹的

obra/superpowers 本期 +931，总 star 已经 26.7 万，Jesse Vincent 和 Prime Radiant 出品。

它最值钱的地方不是某个具体 Skill，而是它把「Agent 软件开发方法论」这件事强制化了。

不是建议，是强制。

它内置 15 个 Skill，分测试、调试、协作、元、核心工作流五类。流程上，先 brainstorm 再 plan，然后开 git worktree 隔离工作区，执行阶段用子 Agent 派活。它强制 RED-GREEN-REFACTOR 的 TDD 循环，先写测试再写代码，没测试的代码直接删；代码 review 时关键问题 block 往下走。

这套东西能同时跑在 Claude Code、GitHub Copilot CLI、Cursor、Gemini CLI、Codex 上。

我一直觉得，Agent 写代码最大的问题不是不会写，是它写得太快、停不下来，没有一个外力逼它先想后写、写完自证。superpowers 干的就是这个外力的事，这大概也是它能在 Agent 工程圈火成现象级的原因。

4. cloudflare/computer，给 Agent 发一台无头电脑

Cloudflare 这一天上榜两个项目，computer 和 cloudflare-os，我重点说 computer。

很多人第一眼看到「给 agent 一台 computer」会以为是 Anthropic Computer Use 那种截屏点鼠标的 GUI 自动化。

完全不是。

Cloudflare computer 是一个跑在 Durable Object 里的虚拟文件系统，状态用 SQLite 存，执行入口只有一个 workspace.runtime.exec(source, { backend })。它给 Agent 的不是屏幕鼠标键盘，而是一个隔离的后端执行环境和文件系统。

三种后端各有讲究。Container 后端把 SQLite 状态通过 FUSE 挂载到沙箱容器里，一个叫 computerd 的守护进程用 capnweb RPC 把改动同步回去，提供完整 Linux 用户态、真实二进制和联网。Isolate Shell 在 Cloudflare Dynamic Worker 里跑 bash，用 Workers RPC 通信，没有二级数据存储。Isolate JavaScript 在全新 Dynamic Worker 里跑 ECMAScript 模块，支持结构化输入、相对导入、ws:git 这种可信模块。

说白了，Anthropic 让 Agent 像人一样看屏幕点鼠标，Cloudflare 让 Agent 像程序一样操作文件系统跑进程。

两条路线的取舍很值得琢磨。GUI 路线通用性高但慢且贵，文件系统路线快、便宜、可复现，但要求目标环境本来就是无头的。对大量后端型 Agent 任务来说，Cloudflare 这条路其实更顺。

5. lyogavin/airllm，4GB 显存跑 70B 的层流式魔法

airllm 本期 +833，做的事儿听起来像玄学，单张 4GB 显存的 GPU 跑 Llama 3 70B。

它的秘密只有一个，层流式推理，推理过程中显存里永远只留一层权重。

因为显存需求只取决于单层大小，跟总参数量脱钩，所以 70B 全精度只需 4GB、Llama 3.1 405B 约 8GB、DeepSeek-V3 671B 约 12GB，Kimi K3 这种 2.8T 的怪物也能在 3.72GB 显存上跑（因为它把需要的专家单独流式加载）。

代价当然有，而且很直白。

权重存在硬盘上，推理时一层层从盘上读，瓶颈卡在磁盘 IO，速度比全显存推理慢一大截。作者用了两个优化对冲，预取（prefetching）把模型加载和计算重叠，提速 10%；块级量化（4-bit 或 8-bit）能把推理再提速 3 倍，同时压缩磁盘读取量。

还有一个常被忽略的坑，推理前原模型要先按层分解存盘，你得有足够大的 HF cache 空间，可以用 delete_original 设置在分解后删掉原模型省盘。

airllm 的定位很清楚，它不是给生产服务用的，是给那种「我就是想试一下 70B，但手上只有一张消费级卡」的开发者用的。在 Agent 时代，这种「让大模型触手可及」的工程普惠，本身就是它持续上榜的理由。

趋势分析

Agent 基建从单点工具走向平台化

把这天的榜单横着看，你会发现一个完整的 Agent 栈正在成型。

记忆有腾讯 TencentDB-Agent-Memory，执行沙箱有 Cloudflare computer，工作区有 cloudflare-os，文档入口有 firecrawl pdf-inspector + anydoc，长期状态有 loopx(durable goals、quota-aware auto-wake、可验证交接)，并行 Agent 编排有 stablyai/orca，安全有 Uber ADR。

坦白讲，半年前我们还在讨论单个 Agent 框架谁强谁弱，现在大厂直接把整条 Agent 运行时当基础设施来铺。这背后的信号是，Agent 不再是应用，它是平台，是云厂商下一个十年的主战场。

安全成为 Agent 基建的一等公民

Uber ADR 只排第 8，但它代表的趋势比排名重要。

它不是又一个 DevSecOps 工具，它是专门给 AI Agent 做的检测与响应，覆盖 Cursor、Claude Code、Codex 等 7+ 编码工具，benchmark 有 303 个任务、133 个 MCP 服务器、17 种 Agent 攻击技术，论文进了 MLSys 2026，而且已经在 Uber 生产环境跑了。

把 Agent activity 的遥测、防御评估、威胁检测、动作阻断做成一个体系，这事在一年前几乎没人谈。今天它能进趋势榜，说明业界终于承认，Agent 安全不是一个可选项，而是 Agent 能不能进企业的生死线。

Skills 作为可移植资产正在固化成方法论

obra/superpowers(15 个 Skill)、addyosmani/agent-skills(production-grade engineering Skills)、ponytail(让 Agent 像最懒资深开发一样思考)、human-writing(活人感中文写作 Skill)这些项目同一天上榜，不是巧合。

Skills 正在从「每个开发者自己维护的一堆 markdown」演变成可分享、可移植、可固化为方法论的资产。superpowers 强制 TDD、强制 plan 先于 code，本质上是把工程纪律编码进了 Agent 能直接调用的格式。这跟上一波把 prompt 工程沉淀成 system prompt 是一回事，只是颗粒度从句子变成了完整工作流。

值得关注的潜力项目

huangruiteng/loopx(+326)

长期运行的 Agent 团队状态内核。loop-agnostic，跨 Codex、Claude Code 等编码 Agent，提供 durable goals、quota 感知的自动唤醒、可执行 todos、证据日志、可验证交接。它解决的是长任务 Agent 跑着跑着断了、状态丢了、接不上的问题，这恰恰是 Agent 从 demo 走向生产的最后一公里。

get-bb/bb(+61)

一个能控制自己的 agentic IDE。目前 star 还小（总 376），但「IDE 自我控制」这个方向很有想象力，它把 Agent 从「IDE 里被调用的工具」翻转成「IDE 本身就是 agent」，值得长期跟踪。

PrimeIntellect-ai/prime-agent(+308)

self-improving RLM(reinforcement learning over language)Agent，能跑编码工作流，也能跑长时间自治任务。self-improving + RLM 是当前 Agent 训练范式的前沿关键词，这个项目把研究路线和工程实现放在一起，适合想看 Agent 怎么自我进化的人。

完整榜单

写在最后

三点收束。

第一，Agent 基建正式平台化。腾讯的记忆、Cloudflare 的沙箱、Uber 的安全、loopx 的状态内核，这一天榜单把一个完整 Agent 运行时栈的雏形拼了出来，大厂在用脚投票，Agent 是下一代的操作系统。

第二，安全不再是后置项。Uber ADR 把 Agent 攻击面当成一个独立学科来治，303 个任务、17 种攻击技术、MLSys 论文加身，说明 Agent 安全已经从概念走到了工程落地。

第三，技能正在取代 prompt 成为新的抽象单元。superpowers 强制 TDD、强制 plan，本质上是把工程纪律沉淀成 Agent 能直接执行的资产，prompt 工程正在向 Skill 工程迁移。

一个总判断，别再问哪个 Agent 框架最强了，该问的是你的 Agent 跑在哪条运行时栈上，这条栈的记忆、沙箱、安全、状态每一块靠谁兜底。这一天榜单给出的信号是，选栈比选框架重要。