又到 GitHub 周榜时间。

这周的画风很有意思：不是单纯新模型刷屏，而是 Agent 工具链继续往下沉。

安全扫描、会议纪要、求职投递、代码库记忆、Token 成本优化、模型路由、Codex/Claude Code 互通插件，全都在往一个方向走：让 AI Agent 从 demo 进入具体工作流。

顺手推荐一下我最近做内容时在用的 iMini AI：这类 GitHub 周榜内容经常要做封面、项目卡片、视频素材，如果不想自己反复搭生图/生视频环境，iMini 这种多模型图像/视频生成面板会省很多事。更适合把它接进自己的内容生产 Agent 工作流里，负责视觉素材这一环。

说明一下：Star 数会实时变化，本文只代表 2026 年 7 月 8 日的一个快照。项目介绍只做信息整理，不代表推荐生产环境直接采用。

---

1. strix：开源 AI 黑客，开始替你做安全扫描

usestrix/strix · Python · 约 38.5k stars · 本周 +10.7k

这周最猛的是 strix，一个开源的 AI hacking agent。

它的定位很直接：AI 驱动的安全测试工具，可以从代码和运行环境里自动发现漏洞、验证漏洞，并生成报告。换句话说，它不是传统的静态扫描工具，而是把 Agent 放进安全测试流程里，让它自己读、自己试、自己输出结果。

这类项目上榜很正常。

AI 编程工具越强，安全问题就越突出。以前大家关心的是“AI 能不能写代码”，现在开始关心“AI 写出来的东西有没有洞”。而 strix 这类工具，本质上是在给 Agent 时代补安全闭环。

它也说明一个趋势：安全会是 Agent 最早深入的专业场景之一。因为安全任务天然适合自动化：扫描、推理、验证、报告，每一步都有相对清晰的反馈。

仓库：https://github.com/usestrix/strix

2. agency-agents：把 Agent 当成一个“团队”来组织

msitarzewski/agency-agents · Python · 约 128.8k stars · 本周 +8.6k

agency-agents 是一个很典型的多 Agent 项目。

它不是只做一个聊天助手，而是把不同 Agent 按角色组织起来：有的负责规划，有的负责执行，有的负责审查，有的负责工具调用。这个方向最近一直很热，因为单 Agent 很容易在复杂任务里丢上下文、跑偏或者反复试错。

多 Agent 框架的核心问题是：分工到底有没有减少复杂度，还是只是把一个难调的 Agent 变成一群难调的 Agent。

所以我对这类项目的态度是：可以看，适合研究任务编排；但真要落地，重点不是“Agent 越多越高级”，而是任务边界、状态同步、成本控制和失败恢复能不能处理好。

仓库：https://github.com/msitarzewski/agency-agents

3. caveman：把 LLM Token 成本压下去

JuliusBrussee/caveman · Rust · 约 86.3k stars · 本周 +8.1k

caveman 的定位是 “highly scalable LLM context compression”，也就是 LLM 上下文压缩。

这个项目上榜很合理。

Agent 真跑起来以后，最痛的不是某一次调用，而是长任务里的上下文膨胀。读仓库、读文档、保留历史、反复试错，每一步都在吃 token。上下文越长，成本越高，速度越慢，模型也越容易抓不住重点。

所以 2026 年做 Agent，压缩上下文已经不是锦上添花，而是基础设施。

caveman 这类项目说明，开源圈已经不只是在做“怎么把更多内容塞进模型”，而是在思考“怎么把真正有用的内容留下来”。

仓库：https://github.com/JuliusBrussee/caveman

4. Meetily：本地优先的 AI 会议记录工具

Zackriya-Solutions/meetily · TypeScript · 约 20.7k stars · 本周 +7.3k

Meetily 是一个开源的 AI 会议纪要工具，主打本地优先、免费、跨平台。

这个方向很实际。

会议纪要是 AI 最容易被普通用户理解的场景之一：录音、转写、总结、提取待办事项。它不像通用 Agent 那么抽象，也不像编程 Agent 那么门槛高。

Meetily 的看点在于本地优先。会议内容通常涉及公司内部信息，大家并不总愿意把音频和纪要上传到第三方平台。本地化、隐私、可控，会是这类工具的核心卖点。

如果你只想找一个开源项目快速感受 AI 如何进入办公场景，Meetily 比很多“大而全 Agent”更直观。

仓库：https://github.com/Zackriya-Solutions/meeting-minutes

5. codebase-memory-mcp：给编程 Agent 装长期记忆

DeusData/codebase-memory-mcp · C · 约 28.0k stars · 本周 +5.5k

这个项目上一期也很值得看，这周还在涨。

codebase-memory-mcp 是一个高性能的代码库记忆 MCP server。它给整个代码库构建持久化知识图谱，让 Claude Code / Codex 这类编程 Agent 不再每次都从零开始理解项目。

Agent 做代码最怕什么？

不是不会写一个函数，而是不理解项目已有结构。它不知道这个模块为什么这么设计，不知道历史约束，不知道哪些文件不能乱改，也不知道一次修改会影响哪些调用链。

所以“代码库记忆”会是编程 Agent 的关键基础设施。

这类项目的价值不一定体现在单次 demo，而是体现在长期使用：Agent 能不能越来越懂你的仓库。

仓库：https://github.com/DeusData/codebase-memory-mcp

6. ai-job-search：AI 求职自动化开始变成开源项目

MadsLorentzen/ai-job-search · TypeScript · 约 10.8k stars · 本周 +5.4k

ai-job-search 是一个 AI 求职工具。

它的场景很垂直：帮用户自动化找岗位、分析岗位、生成申请材料，甚至辅助投递流程。

这类项目会火，一点都不意外。

求职是典型的信息密集型任务：你要刷招聘网站、筛岗位、对比 JD、改简历、写 cover letter、记录投递状态。很多步骤不难，但很消耗人。

Agent 在这里的价值不是“替你拿 offer”，而是把低价值重复劳动自动化，让人把精力放在判断岗位和准备面试上。

当然，这类工具也有边界。自动投递如果做得太激进，很容易变成垃圾申请，也可能违反招聘平台规则。真正好的求职 Agent 应该是辅助筛选和准备，而不是无脑海投机器。

仓库：https://github.com/MadsLorentzen/ai-job-search

7. system_prompts_leaks：大家还是爱看系统提示词

asgeirtj/system_prompts_leaks · 约 53.0k stars · 本周 +5.3k

这是一个收集系统提示词泄露内容的仓库。

它上榜其实挺能说明问题：开发者对主流 AI 产品背后的 prompt、工具调用、约束策略非常好奇。

不过这类仓库我建议保持克制地看。

它可以用来观察产品设计思路，比如系统提示词如何约束模型角色、如何声明工具、如何避免越权、如何做安全边界。但不建议直接拿来复刻闭源产品的内部策略，更不应该把它当成“破解教程”。

系统提示词热，本质上说明大家已经意识到：AI 产品不只是模型，提示词、工具、权限、上下文组织，同样决定体验。

仓库：https://github.com/asgeirtj/system_prompts_leaks

8. exercises-dataset：非 AI 热门项目，胜在刚需

hasaneyldrm/exercises-dataset · JavaScript · 约 10.7k stars · 本周 +5.0k

这周榜单里少见的非 AI 项目。

exercises-dataset 是一个练习动作数据集，提供不同肌肉群、器械、动作类型的健身动作数据。

这类项目没有 AI Agent 那么性感，但很实用。很多健身 App、训练计划工具、健康类产品都需要结构化动作数据。动作名称、目标肌群、器械类型、示意图、分类标签，这些基础数据整理起来其实很麻烦。

它能冲上来，说明 GitHub 热榜不全是 AI，真正有用的数据集和基础资源依然有生命力。

仓库：https://github.com/hasaneyldrm/exercises-dataset

9. OmniRoute：开源的 LLM 网关和模型路由

diegosouzapw/OmniRoute · TypeScript · 约 13.1k stars · 本周 +4.8k

OmniRoute 是一个开源的 LLM API gateway。

简单说，它帮你在不同模型和不同供应商之间做路由、切换、管理。现在做 AI 应用，很少只接一个模型。OpenAI、Anthropic、Google、DeepSeek、Qwen、GLM，各家模型价格、速度、上下文、能力都不一样。

模型越来越多以后，应用层最需要的是一层统一网关。

什么时候用便宜模型，什么时候用强模型，什么时候 fallback，什么时候切供应商，什么时候记录成本，这些都需要基础设施来管。

OmniRoute 这类项目的出现，说明 AI 应用开发正在从“调一个 API”进入“管理一组模型资源”的阶段。

仓库：https://github.com/diegosouzapw/OmniRoute

10. codex-plugin-cc：让 Codex CLI 也能指挥 Claude Code

openai/codex-plugin-cc · JavaScript · 约 26.6k stars · 本周 +4.7k

这个项目很有意思。

codex-plugin-cc 是 OpenAI 官方的 Codex CLI 插件，用来把任务委托给 Claude Code。

这件事本身比项目代码更值得看。

它说明 AI 编程工具之间的关系不一定只是“谁替代谁”，也可能是互相调用、互相编排。未来开发者的工作流很可能不是只押一个 Agent，而是用一个主控工具，把不同 Agent 放到适合的位置上。

Codex 负责规划，Claude Code 负责某类执行；或者反过来。不同模型、不同工具、不同插件各干一段。

这就是 Agent 工具链开始成熟的信号：从单一产品崇拜，走向多 Agent 编排。

仓库：https://github.com/openai/codex-plugin-cc

---

一句话总结这周

这周 GitHub 热榜最值得看的不是“又出了哪个新模型”，而是 AI Agent 开始进入具体流程：

• 安全：strix
• 会议：Meetily
• 求职：ai-job-search
• 编程记忆：codebase-memory-mcp
• Token 压缩：caveman
• 模型路由：OmniRoute
• 多 Agent 编排：agency-agents、codex-plugin-cc

这说明开源圈的关注点正在继续变化。

去年大家还在追“模型有多强”。

现在越来越多人在做“怎么让模型真的干活”。

而且这个“干活”不再只是写一段代码，而是进入安全、办公、求职、研发、模型管理这些具体场景。

Agent 的下半场，大概率不是比谁 demo 更震撼，而是比谁更稳定、更便宜、更容易嵌进真实工作流。

下周继续更新。

如果你最近刷到什么值得看的开源项目，也可以丢到评论区互相补作业。

---