本周 GitHub 趋势洞察，Agent 全栈开源周

2026 年 7 月 26 日至 8 月 2 日 · 本期共收录 25 个热门开源项目

今日焦点

这周的榜单，我盯着看了很久，最强烈的感受就一句话，Agent 的整条技术链路，在这一周被开源集体打通了。

榜首 odysseus-dev/odysseus 单周 +22,319 星，总星冲到 8.4 万，一个自托管 AI workspace。第 5 名 MoonshotAI/Kimi-K3 开源了 2.8 万亿参数的模型权重，世界首个开源 3T 级。第 4 名 openai/codex-security 把安全能力直接做进了 coding agent。第 16 名 vercel-labs/scriptc 把 TypeScript 编译成没有 V8、没有 JS 引擎的原生二进制。

把这些项目按链条摆开看，会看到一条完整的线。最底层是 Kimi K3 的开源权重，往上是 AgentENV 和 AgentENV 这类运行时环境，再往上是 codex-security、orca 这类 Agent 工具和 IDE，最顶端是 odysseus 这样的用户 workspace，加上 ai-agent-book 和 mattpocock/skills 这类知识和经验的沉淀。

我一直在想，为什么是这一周。坦率讲，单独看任何一个项目都很强，但真正让我警觉的是它们集体上榜的这种节奏。当一个生态从单点突破变成全链条成熟，意味着进入这个领域的门槛正在被快速摊平。

榜单前五深度解读

1. odysseus-dev/odysseus

Python，84,441 星，单周 +22,319。自托管 AI workspace。

这周最猛的项目，没有之一。Python 后端加 JavaScript 前端加 Docker 部署，本地起服务开在 localhost:7000，默认开启认证。

真正让我多看几眼的是它的「全家桶」做得很彻底。它内置了 IMAP/SMTP 收件箱和 CalDAV 日历同步，把邮件、任务、日历全部离线化进了 AI workspace。这不是一个聊天框加几个插件的拼装货，而是把办公协作的整条数据流搬进来让 Agent 接管。它还内置了 SearXNG 元搜索、一个 MCP servers 目录，以及一个盲测 Compare 模块，可以侧对侧盲测不同模型再综合打分。

「选模型」这件事被做成了 workspace 的一等功能，这个判断很有意思。当模型越来越多、越来越难选，把盲测和对比做成内置能力，比写一篇「十大模型横评」要实用得多。

2. mattpocock/skills

Shell，198,576 星，单周 +9,093。Skills for Real Engineers，直接来自作者的 .agents 目录。

Matt Pocock 是 TypeScript 圈子里很有名的工程师，他把自己工程实践里沉淀的 skill 全部开源出来。安装方式是 npx skills@latest add mattpocock/skills，共 22 个 skill。

我更想说的是它的 skill 设计哲学，它把 skill 分成两大类，User-invoked 和 Model-invoked。前者是用户显式输入 /xxx 来触发，负责编排工作流。后者是 AI 在上下文匹配时自动触发，是「可复用的纪律」。这个二元分层给出了 agent skill 工程化的清晰范式，比笼统地把一堆 prompt 文件扔进目录要高明得多。

具体的 skill 也有工程巧思。code-review 跑双轴并行 sub-agent，一个查 Standards、一个查 Spec。improve-codebase-architecture 扫描代码库输出 HTML 报告。to-tickets 用 tracer-bullet 方法拆票并声明阻塞边界。这些单独拎出来都是值得学的工程模式。

3. bojieli/ai-agent-book

Python，29,059 星，单周 +8,292。李博杰的《深入理解 AI Agent》开源主仓库。

这本书在榜上已经连续很多天了，周榜排到第 3，说明 Agent 学习需求是结构性的，不是脉冲式。它的核心定位公式很直白，「Agent = LLM + 上下文 + 工具」，主张「Harness 工程才是竞争力」。

全书 10 章，配套 95 个实验项目，分可运行、可复现、设计类三种。环境用 Python 3.10+（部分章节要 3.12），用 uv 加 uv.lock 保证可复现。最硬的是它通过自动 bash 脚本 clone 了 22 个外部仓库，包括 SWE-bench、OSWorld、verl、minimind，把每章对应到真实的 benchmark 环境和 RL 训练后端。这是一本「带活体实验的教科书」。国际化覆盖 13 种语言，远超一般技术书的翻译覆盖。

4. openai/codex-security

TypeScript，7,922 星，单周 +7,830。Codex Security 的 SDK 和 CLI。

要求 Node 22.13+、Python 3.10+，支持本地和 Docker 容器化。认证分三态，ChatGPT 登录走系统 keyring，API Key 走环境变量且永不落盘，还可以用 --auth 显式指定。它用 native multi-agent worker 在 deep scan 时分布式处理，还能非交互地扫描固定在不可变 Git revision 的仓库。

它和传统 SAST 工具的根本差异，在于做的是 AI 驱动的根因验证。它验证漏洞是否真实存在，而不是规则匹配出可能的疑点，然后自动修复。它还做了 findings 跨扫描的生命周期追踪，CLI 的 scans compare BEFORE AFTER 会自动按根因匹配，标注 resolved、reopened、new。

一个细节，它引用了具体的模型标识 gpt-5.6-terra，可以指定 model 和 effort。这是这个模型名比较早的公开露出点。安全从「卖报告」走向「卖能力」，codex-security 走的是最激进的一条路。

5. MoonshotAI/Kimi-K3

2.8 万亿参数，单周 +7,412。世界首个开源 3T 级权重。

模型架构的硬参数摆出来你就知道这有多重。MoE 架构，总参 2.8 万亿，激活 104B，896 个专家里激活 16 个加 2 个共享专家，激活率只有大约 2%。93 层，1 层 dense 加 69 层 KDA 加 24 层 Gated MLA attention，hidden 7168，96 heads，词表 160K，激活函数 SiTU-GLU。它还引入了两个新结构，Kimi Delta Attention（KDA）和 Attention Residuals（AttnRes）。

上下文 1,048,576 tokens，100 万。视觉编码器 MoonViT-V2 有 401M 参数，原生多模态，支持文本、图像、视频。

最关键的工程决策是量化前置。它从 SFT 阶段就开始做 quantization-aware training，MXFP4 权重加 MXFP8 激活，而不是训完再量化。这是保住 MXFP4 精度的关键。Benchmark 方面，它自陈 SWE-Marathon 拿到 42.0，大幅领先 GPT-5.6 Sol 的 39.0，GPQA Diamond 93.5，BrowseComp 91.2。当然这些是仓库自陈数据，属官方声明而非独立验证。

趋势分析

Agent 运行时进入虚拟化深水区

这周最值得认真对待的信号，不是哪个模型或哪个应用，而是 AgentENV 这类运行时项目上榜。

AgentENV 是给 Kimi K3 做 agentic RL 训练的大规模环境分布式平台。它用 Firecracker microVM 跑 agent，环境镜像用 OCI 兼容镜像加 overlaybd 按需加载，镜像可以比本地盘还大，本地盘只做热数据缓存和冷数据驱逐。快照恢复启动只要不到 50ms，暂停不到 100ms，增量快照也不到 100ms。

它的核心命题很清楚，不是「跑得快」，而是「让空闲环境变便宜」。当你要跑成千上万个 agent 做训练，绝大部分时间这些环境是空闲的，能快照暂停释放 CPU 和内存、需要时毫秒级唤醒，省下的是真金白银的算力成本。用 overlaybd 让镜像大于本地盘成为可能，再配 S3 持久化快照，这是为 RL 训练那种「环境数量远超物理盘」的场景量身设计的存储层。普通容器 runtime 根本不解决这个问题。

harness 编排成为独立品类

orca、qm、openworker 这周都在榜上，它们做的是同一件事的不同切面，把多个 Agent 编排起来。

orca 用 git worktree 隔离并行 agent，一个 prompt 扇出到 5 个 agent 各自独立 worktree，还支持 SSH Worktrees 在远端 Linux 服务器跑。它兼容 25+ 个框架，Claude Code、Codex、Cursor、Copilot、Grok、Devin、Goose、Cline、Kimi、Qwen Code，主打「用你自己的订阅跑任意 agent」。它是编排层而不是又一个 coding agent，这个定位很清晰。

openworker 是吴恩达的仓库，本地优先的桌面 AI coworker。它的三层进程架构值得借鉴，Tauri 的 Rust 外壳加 Python 的 agent 引擎加 Rust 的语音转写 sidecar，三种语言各管一摊，原生体验、agent 逻辑、语音各用最合适的工具。所有 write、send、shell 操作都走审批门控，后台自动化请求排队进 inbox，这是「自动化后台 agent」场景里少见但关键的权限模型。

TypeScript 开始摸系统语言的边界

vercel-labs/scriptc 这周涨了 2,376 星，它做的是一件很激进的事，把 TypeScript 编译成独立原生可执行文件，二进制里没有 Node、没有 V8、没有 JS 引擎。

前端用官方 TypeScript compiler API 解析加类型检查，降到 typed IR，后端转 LLVM IR 或 C 代码，再用 Clang 产出最终二进制。启动只要 2.4ms，号称比 Go 和 Rust 还快，Node 大约是 47ms。静态二进制只有 170-200KB，对比 Node SEA 的 60-100MB，小了两个数量级。它用 800+ 差分测试，对 Node 做了百万级 doubles 的 fuzz 验证。

我一直觉得 TypeScript 是「应用语言」，scriptc 这种 AOT 路线要把它推到「系统语言」的位置。安全 devirtualization 加 stackful fibers 实现 JS-exact 语义的 async/await，兼顾了原生性能和语义不漂移。如果这条路线能跑通，TypeScript 写的 Agent 工具就能以原生二进制分发，启动快、占用小，这对端侧和 CLI 场景意义重大。

值得关注的潜力项目

andrewyng/openworker

Python，11,496 星，单周 +4,877。吴恩达的本地优先桌面 AI coworker。

它不是聊天框，是自主执行工作流交付成品的 agent，产出格式化文档、带数据的 Slack 回复、管理日历和收件箱分流。基于 aisuite 构建。最有意思的是它的审批门控加 inbox 队列模型，所有写操作和发送操作都要审批，后台的自动化请求排队等你处理。这区别于纯对话式工具，是「自动化后台 agent」该有的样子。

kvcache-ai/AgentENV

Rust，2,723 星，单周 +2,509。给 Kimi K3 做 RL 训练的环境分布式平台。

前面趋势分析里详细拆过。一句概括，它解决的是「让空闲的 Agent 环境变便宜」，快照暂停和唤醒都在 100ms 内，这是海量并发 agent 成本优化的关键。提供 E2B 兼容 HTTP API，把 E2B_API_URL 指过去就能复用标准 E2B SDK，迁移成本极低。

vercel-labs/scriptc

TypeScript，2,663 星，单周 +2,376。TypeScript 到原生的编译器。

把 TS 编译成无引擎二进制是激进路线。170-200KB 的二进制、2.4ms 启动，如果成熟，会改变 Agent CLI 工具的分发形态。现在用 TypeScript 写的 agent 工具大多要带一个 Node runtime，分发体积和启动延迟都是负担，scriptc 给了另一条路。

alibaba/open-code-review

Go，17,376 星。阿里开源的代码审查工具，在阿里规模上验证过。

混合架构，确定性流水线加 LLM Agent，能给到精确的行级评论，内置微调过的规则集（NPE、线程安全、XSS、SQL 注入），兼容 OpenAI 和 Anthropic。它和 codex-security 是一对，codex-security 把安全做进写代码阶段，open-code-review 把审查做进合并阶段，两者都在用 LLM 重塑代码质量保障的流程。

block/buzz

Rust，20,142 星。Block（Square）开源的「蜂巢思维」通信平台。

一个 hive mind communication platform。Agent 之间的通信一直是被低估的方向，MCP 解决了 Agent 调工具，A2A 解决了 Agent 之间对话，但 Agent 群体怎么形成「集体智能」、怎么共享上下文和决策，这块基础设施还很缺。buzz 进的是这个赛道。

完整榜单

写在最后

第一，整条链路被打通了。从 Kimi K3 的开源权重，到 AgentENV 的运行时虚拟化，到 codex-security 和 orca 的 Agent 工具，到 odysseus 的用户 workspace，再到 ai-agent-book 和 mattpocock/skills 的知识沉淀。这一周开源社区把 Agent 的每一层都补齐了代表项目，进入这个领域的门槛被快速摊平。

第二，运行时虚拟化是下一个战场。AgentENV 用 Firecracker microVM 加 overlaybd，把「让空闲环境变便宜」做成了核心命题。当 Agent 训练和部署规模上去，环境管理的成本会超过模型本身，谁能把成千上万个 agent 环境的成本压下来，谁就拿到下一波红利。

第三，工具链语言边界在被重写。scriptc 把 TypeScript 编译成无引擎原生二进制，170KB、2.4ms 启动，这不是优化，是把应用语言往系统语言推的激进路线。如果成熟，Agent 工具的分发形态会变。

一个总判断。这周榜单最值得记住的，是 Agent 生态从「单点开源」走向「全栈开源」。单点突破能造势，但只有全链条成熟才能让一个生态真正扎根。当模型权重、运行时、工具链、IDE、workspace、知识体系在同一周集体上榜，说明 Agent 已经跨过了「能不能做」的阶段，进入「怎么系统地做」的阶段。对开发者来说，现在最该做的不是再造一个 Agent，而是找到链条里自己最擅长的那一环，把它做深。