4月的 GitHub Trending 月榜數據來了，有點神仙打架的意思。

4月的 GitHub Trending 月榜數據來了，有點神仙打架的意思。

19 個項目一共獲得了 46.7 萬 Star。榜單裏面 andrej-karpathy-skills 憑藉一個CLAUDE.md 文件獲得了 8.9 萬 Star 。Hermes Agent 本月增長了 10.8 萬 Star，總 Star 數已經突破 12.4 萬。microsoft/markitdown 本月增長了 2.6 萬，claude-mem 本月增長了 2.8 萬，rtk 本月增長了 2.3 萬……。

榜單的19個項目中，至少有10個都是爲 AI 編程助手（Claude Code / Codex / Cursor 等等）服務的。整個軟件開發範式已經發生了變化。

今天把排行榜按AI 編程助手增強、Agent 基礎設施三組、專業領域 / 實用工具這三個類型展開聊聊。

AI 編程助手增強

AI 編程助手增強這類項目都在做同一件事情——讓 AI 編程助手更好用。

[andrej-karpathy-skills](https://github.com/forrestchang/andrej-karpathy-skills) — 98,136 Stars / 月增 88,829

一個 CLAUDE.md 文件，Karpathy 將他對LLM 編程的經驗，提煉成四條最佳實踐原則。

Karpathy 原話：

"模型會代你做錯誤假設，然後不假思索地執行。它們不管理自身的困惑，不尋求澄清，不呈現矛盾，不展示權衡，在應該提出異議時也不反駁。"

"它們真的很喜歡把代碼和 API 搞複雜，堆砌抽象概念，不清理死代碼……明明 100 行能搞定的事情，非要實現成 1000 行的臃腫架構。"

"它們有時仍會改動或刪除自己理解不足的代碼和註釋，即使這些內容與任務本身無關。"

這個CLAUDE.md增加了四個原則：

1. 編碼前思考。不要假設。不要隱藏困惑，困惑時停下來，適時提出異議。

2. 簡潔優先。用最少的代碼解決問題，不要過度推測。

3. 精準修改。只碰必須碰的。只清理自己造成的混亂。

4. 目標驅動執行。定義成功標準，循環驗證直到達成。

[claude-mem](https://github.com/thedotmack/claude-mem) — 69,494 Stars / TypeScript / 月增 27,718

Claude Code 的長期記憶插件。通過捕獲 Claude 在編碼過程中完成有操作，用 AI 壓縮，然後在後續編碼會話時注入給 Claude 上下文。

核心流程：

1. **捕獲**：利用 Claude Code 的 Hook 機制（SessionStart / PostToolUse / Stop），記錄每次工具調用的輸入、輸出，並寫入本地 SQLite 隊列。

2. **壓縮**：後臺 Worker 會將原始記錄餵給一個 AI 觀察者（基於 Anthropic Agent SDK，同時支持 Gemini / OpenRouter），將每個工具調用提煉爲一張結構化的"觀察卡片"：包含類型（bugfix/feature/decision）、摘要、關鍵事實、涉及到的文件等。原始輸出可能幾千 token，經過壓縮僅剩 50-100 token。

3. **注入**：下次新開會話時，從 SQLite + Chroma 向量庫中檢索相關記憶，自動注入到上下文裏。Claude 立刻知道之前改過什麼、爲什麼這麼改。

有一個設計細節值得注意：漸進式披露。claude-mem 不會把所有記憶一股腦塞進上下文窗口。它分兩層——大多數記憶只注入標題和類型（約 15-25 token），只有最近幾條才展開完整內容。需要深入查看時，通過內置的 mem-search 技能按需檢索，也是三步走：先搜索返回緊湊索引，再用 timeline 查看上下文，最後按 ID 批量拉取完整記錄。整個設計都在控制 token 消耗。

月增 2.8 萬 Star，在已知的所有 Claude Code 插件中僅次於 Karpathy Skills。

[claude-howto](https://github.com/luongnv89/claude-howto) — 30,197 Stars / Python / 月增 26,211

一份"週末入門 Claude Code"的教程文檔。從輸入 claude，一路教你編排 Agent、Hook、Skill、MCP Server，全程有圖有代碼的實操教程。

Claude Code官方文檔會介紹功能，但不會告訴你如何把它們組合起來，感覺就是一個一個的碎片化文檔。而且沒有清晰的學習路徑，實例也非常清楚。

Claude How To不是另一份功能參考手冊，而是一份結構化、可視化、以示例驅動的指南。它會教你如何使用 Claude Code 的每一項功能，並提供今天就能複製到項目裏的真實場景模板。

月增 2.6 萬 Star，說明市場上關於"Claude Code 入門教程"還是比較欠缺。

[free-claude-code](https://github.com/Alishahryar1/free-claude-code) — 18,019 Stars / Python / 月增 15,944

一個代理服務器，將 Claude Code 的 API 請求路由到 NVIDIA NIM、OpenRouter、DeepSeek、LM Studio、llama.cpp、Ollama——六個完全免費或低成本的模型提供商之一。

[oh-my-codex](https://github.com/Yeachan-Heo/oh-my-codex) — 26,752 Stars / TypeScript / 月增 23,981

一個跑在 OpenAI Codex CLI 之上的多智能體編排框架。Codex CLI 本身是個命令執行器，oh-my-codex 在上面包了一整套結構化工作流：澄清需求 → 共識規劃 → 執行驗證，每一步都有明確的狀態機和門控條件。

四個內置 Skill 各管一段：

• **$deep-interview**：蘇格拉底式需求澄清。用數學公式算"歧義分數"，不到閾值不進入規劃階段。支持三種深度（quick / standard / deep），最多 20 輪追問。

• **$ralplan**：三角色共識規劃。規劃師出方案，架構師給"最強反題"，評審員審查通過後才允許執行。最多迭代 5 輪，確保計劃經得起質疑。

• **$ralph**：持久化執行循環。迭代實現、跑測試、驗證通過，最後強制跑一輪 `ai-slop-cleaner` 清理冗餘代碼，才標記完成。最多 10 輪，不驗證過不了。

• **$team**：當工作量足夠大時進行協調並行執行。

所有狀態持久化在項目的 .omx/ 目錄裏——面試記錄、規劃文檔、執行進度、團隊通信——會話斷了可以恢復。

和gstack有點像。

[rtk](https://github.com/rtk-ai/rtk) — 38,082 Stars / Rust / 月增 23,044

一個用於將命令輸出到達 LLM 上下文之前進行過濾和壓縮的工具,減少 60-90% 的 token消耗。

實現原理：通過 Claude Code 的 PreToolUse Hook 自動把重寫命令（比如 git status → rtk git status），獲取輸出並壓縮返回。

三個設計細節：

• Tee 原始輸出恢復：如果壓縮輸出還不夠用，會自動把原始完整輸出緩存到本地硬盤，LLM 隨時可以恢復讀取，而不需要重新執行。

• SQLite token 追蹤：每次命令消耗的 token 和執行時間都記錄到本地數據庫，可以通過 rtk gain 查看累積報告。

• 零依賴單二進制：全流程 Rust 編譯，4-6MB，啥也不依賴，完美適配 macOS / Linux / Windows 三端，開箱即用。

[mattpocock/skills](https://github.com/mattpocock/skills) — 40,781 Stars / Shell / 月增 24,449

Total TypeScript 作者 Matt Pocock整理的 Claude Code Skill集合，形成了一套軟件工程解決方案。

解決的是 AI 編程過程中，四大常見痛點：

1. 需求對不齊

2. 輸出太囉嗦

3. 代碼不自運行

4. 架構一不小心就會塌

• `/grill-me`、`/grill-with-docs`（項目最火的skill）：多輪問答思考，讓 Agent 不斷施壓追問直到所有分支情況都明確。grill-with-docs 還能自動記錄一個 `CONTEXT.md` 作爲術語共識，在後續的溝通交流中節省大量 token ，變量命名也自然就統一了。

• `/tdd`：測試驅動開發紅-綠-重構循環。先編寫測試用例，再編寫代碼實現，形成“Agent 得到真實執行反饋”的循環。

• `/diagnose`：科學系統化調試模板——復現問題 → 縮小化 → 假設原因 → 插樁檢查 → 找到問題解決 → 迴歸測試。

• `/improve-codebase-architecture`：代碼庫深度重構，防治 AI 越來越快造成代碼熵增。Matt 建議每兩三天跑一次。

• `/to-prd` + `/to-issues`：把對話內容直接生成 PRD ，再按步驟拆解成可以單獨提出認領的 Issue（垂直拆分）。

• `/caveman`：溝通最簡模式，刪掉個 ~75% 的填充語，只保留純技術含義的提示信息，有效省 token 。

安裝也極簡：npx skills@latest add mattpocock/skills，選擇需要的 skill 即可。

Agent 基礎設施

[Hermes Agent](https://github.com/NousResearch/hermes-agent) — 124,014 Stars / Python / 月增 107,890

這個項目應該不需要過多的介紹，前端時間真的是刷屏，月增高達 10.8 萬 Star，本月排行榜的絕對統治者。

我自己也是從Openclaw遷移到了hermes，不過兩個都用過之後我覺得這倆是可以互補的。

openclaw的每個workspace都可以是一個hermes。

[Archon](https://github.com/coleam00/Archon) — 20,094 Stars / TypeScript / 月增 6,309

Archon 是一款面向 AI 編碼智能體的工作流引擎。你可以將開發流程定義爲 YAML 工作流，包括規劃、實現、驗證、代碼審查、拉取請求創建，並在所有項目中可靠地運行這些流程。

這個項目將AI 編程工作流標準化了，就像 Dockerfile 標準化了基礎設施，GitHub Actions 標準化了 CI/CD 這麼規範一樣。每次運行都是確定性和可重複的。Archon 爲每個工作流維護一個 git worktree，能並行運行五個修復 bug 不衝突。

[GenericAgent](https://github.com/lsdefine/GenericAgent) — 8,130 Stars / Python / 月增 7,182

GenericAgent 是一個極簡、可自我進化的自主 Agent 框架。核心僅 ~3K 行代碼，通過 9 個原子工具 + ~100 行 Agent Loop，賦予任意 LLM 對本地計算機的系統級控制能力，覆蓋瀏覽器、終端、文件系統、鍵鼠輸入、屏幕視覺及移動設備。

它的設計哲學是：不預設技能，靠進化獲得能力。

每解決一個新任務，GenericAgent 就將執行路徑自動固化爲 Skill，供後續直接調用。使用時間越長，沉澱的技能越多，形成一棵完全屬於你、從 3K 行種子代碼生長出來的專屬技能樹。

專業領域 / 實用工具

[Kronos](https://github.com/shiyu-coder/Kronos) — 21,944 Stars / Python / 月增 10,628

第一個開源的金融市場 K 線基礎模型，用來自全球 45+ 交易所的數據進行預訓練的模型。

訓練路線圖：先將連續的 OHLCV 數據量化爲層次化的離散 Tokens，再使用自迴歸 Transformer 進行預訓練。AAAI 2026 論文接受。提供 15M 到 1B 參數不等的模型系列。

這是一個很好的 AI Agent 用於垂直領域的例子：通用型模型不能產生足夠好的預測，但是針對金融市場數據專門預訓練的模型則可以。

[FinceptTerminal](https://github.com/Fincept-Corporation/FinceptTerminal) — 17,521 Stars / Python / 月增 14,039

現代金融智能端末，集成 CFA 級別的分析、AI 自動化、無限連接數據。宣稱要取代 Bloomberg Terminal。

如果說上面的 Kronos 是底層基礎模型，那 FinceptTerminal 就是上層應用了。

[markitdown](https://github.com/microsoft/markitdown) — 118,530 Stars / Python / 月增 25,993

微軟出品的各種文件格式轉 Markdown 工具。支持從 PDF、PPT、Word、Excel、圖片（EXIF+OCR）、音頻（EXIF+語音轉寫）、HTML，甚至包含數據的格式 CSV/JSON/XML、壓縮包 ZIP 進行轉換。

目前總計 11.8 萬 Star，本月增長了 2.6 萬。這個數據說明：對 AI 輸入做格式轉換這個看似無用的需求，在 AI 撐起全棧架構的新時代有了新的意義。所有的 LLM 都需要 Markdown 格式的輸入，markitdown 就是那條管道。

[OpenScreen](https://github.com/siddharthvaddem/openscreen) — 33,554 Stars / TypeScript / 月增 24,564

Screen Studio 免費開源的替代。錄屏 → 自動裁剪縮放 → 添加背景 → 輸出高質量 PPT 格式演示視頻。

100% 免費且商用可用。功能包括錄製指定窗口或者全屏、自動/手動裁剪縮放比例、錄製麥克風和系統音頻、畫中畫動態模糊、添加註釋標記。用 TypeScript 寫的桌面應用。

月增長高達 2.5 萬 Star，說明市場上的"PPT 高質量演示視頻"需求早就被壓抑了。

[PPT Master](https://github.com/hugohe3/ppt-master) — 9,315 Stars / Python / 月增 5,881

AI 將任意文檔轉換爲原生可編輯的 PPTX 幻燈片格式，而不是低能的圖片截圖或 PDF。

有一個用戶問題被解決了：AI 輸出 PPT 的大部分工具生成的是圖片格式的內容，用戶沒法在 PowerPoint 中二次編輯。PPT Master 的輸出是 PowerPoint 的原生形狀和文本框，可以直接修改。

剩下的項目速覽

• **Google AI Edge Gallery**（22,250 Stars / 月增 6,809）：由 Google 提供的用於展示端側 ML/GenAI 的用例的 Gallery 應用

• **Google LiteRT-LM**（4,494 Stars / 月增 3,481）：由 Google 提供的端側 LLM 推理引擎，C++ 實現

• **hackingtool**（68,270 Stars / 月增 12,549）：收錄了安全相關工具的全家桶，老項目本月再度回春

• **DeepTutor**（22,493 Stars / 月增 11,653）：來自港大的 Agent-Native 個性化學習助手

---

總結

1. AI 編程助手正進入"生態系統"階段。 榜單前十名中有七個都直接服務於 Claude Code / Codex 等 AI 編程助手。當一個工具周圍的生態達到整個 Trending 榜單的規模時，可以認爲它已經進化成了底層基礎設施。

2. 減少使用 Token 的成本正在成爲一個巨大的用戶需求。 rtk 在輸入端減少 Token，claude-mem 在存儲狀態時壓縮 Token，Karpathy Skills 在減少不必要的輸出方面減少了 Token——從不同的角度切入了同一個痛點。Token 的成本是 AI 編程大規模落地的關鍵瓶頸。

3. 垂直領域定製的小模型開始顯現價值。 Kronos 就是針對金融市場 K 線數據專門訓練出來的小模型，收錄於 AAAI2026。這不是將通用模型套一個新的頭，在內核和 tokenizer 層面都重新爲特定數據格式設計。後面類似的小模型會湧現在金融市場之外的法律、醫療、工業等領域。

GitHub 4 月的趨勢大家也看出來了：AI 編程助手相關的佔了一大半。從讓 Claude/ChatGPT 寫代碼更好用的 Skill，到記憶系統，從輸入端和輸出端的 Token 壓縮，到任務編排工作流。

GitHub 上完整排行榜：https://github.com/trending?since=monthly