本週從 GitHub Trending 前 15 名中，篩選出 11 個 AI/LLM 相關專案：
1. mattpocock/skills
mattpocock/skills 專案提供了一套精心設計的代理程式技能集，旨在解決大型語言模型（LLM）在程式碼生成與工程實踐中常見的痛點。這套技能直接從經驗豐富的工程師工作流程中提煉而來，針對 LLM 容易出現的「理解偏差」、「過於冗長」、「程式碼無法運作」及「架構混亂」等問題，提供了 /grill-me (追問細節)、/tdd (測試驅動開發) 和 /improve-codebase-architecture (改善架構) 等具體工具。透過這些可組合、易於適應的技能，開發者能更有效地引導 AI 代理程式，使其產出更精準、簡潔且符合工程最佳實踐的程式碼。對於追求 LLM 程式碼品質與效率的 AI 開發者來說，這是一個提升代理程式智慧與可靠性的實用指南與工具箱。
2. Alishahryar1/free-claude-code
free-claude-code 是一個巧妙的代理伺服器專案，讓開發者能夠免費或以更低的成本使用 Claude Code 的介面，同時將後端語言模型導向至 NVIDIA NIM、OpenRouter、DeepSeek、LM Studio 甚至本地部署的 llama.cpp 或 Ollama 等多種提供者。它解決了依賴單一高昂 API 服務的痛點，透過保持 Claude Code 客戶端協議穩定，同時允許用戶自由選擇底層模型。這對於希望在不犧牲開發體驗的前提下，降低成本、或在本地環境中實驗不同大型語言模型的 AI 開發者而言，是極具吸引力的解決方案。它不僅促進了 LLM 生態系統的互操作性，也為更多個人開發者和小型團隊提供了利用先進程式碼代理工具的機會。
3. CJackHwang/ds2api
ds2api 是一個以 Go 語言實現的高性能中間件專案，其核心功能是將 DeepSeek 的網頁對話能力轉換為與 OpenAI、Claude 和 Gemini 等主流 LLM 服務兼容的 API 介面。它解決了不同 LLM 平台間 API 標準不一的整合挑戰，讓開發者能透過熟悉的介面，無縫地接入 DeepSeek 模型，並支援模型別名、多帳號輪詢、高並發控制、DeepSeek PoW 加速以及工具呼叫（Tool Calling）適配等進階功能。專案還附帶一個 React WebUI 管理台。這項技術對於需要靈活切換或整合多個 LLM 提供者、並尋求高效能和低延遲的 AI 應用開發者來說，提供了重要的橋樑，極大提升了多模型策略的實用性。
4. Z4nzu/hackingtool
hackingtool 是一個集合了超過 185 種安全工具的全功能駭客工具，涵蓋了資訊收集、無線攻擊、網路攻擊、社會工程、逆向工程等多個類別。它旨在為安全研究人員和滲透測試工程師提供一個整合、易於管理和使用的平台，並具備智能更新、標籤篩選和工具推薦等功能。儘管專案說明中並未明確指出其核心功能直接採用 AI 或 LLM 技術，但這類全面的自動化工具集合在 AI 時代具有潛在的協同價值。未來的 AI 代理程式若要執行自動化滲透測試或安全評估，將會需要整合並利用此類豐富的工具庫，因此可將其視為 AI 輔助安全領域的基礎設施。
5. forrestchang/andrej-karpathy-skills
forrestchang/andrej-karpathy-skills 專案將 Andrej Karpathy 對大型語言模型（LLM）程式碼撰寫陷阱的觀察，濃縮成一個簡潔的 CLAUDE.md 文件中的四大原則。這些原則包括「先思考再寫程式」、「簡潔優先」、「精準修改」和「目標導向執行」，旨在指導 Claude Code 等 AI 程式碼代理程式，改善其行為模式，避免產生錯誤假設、過度複雜的程式碼、不相關的修改或缺乏明確的成功標準。這是一個純粹的提示工程（Prompt Engineering）實踐，透過將這些高品質的工程思維直接注入 AI 代理程式的上下文，顯著提升其程式碼生成品質與可靠性，對於任何希望有效利用 LLM 進行軟體開發的團隊都極具參考價值。
6. huggingface/ml-intern
huggingface/ml-intern 是一個開源的機器學習工程師 AI 代理程式，能夠自主地完成從閱讀論文、訓練模型到部署 ML 模型的端到端工作流程。它深度整合了 Hugging Face 生態系統，可訪問文檔、論文、數據集和雲端計算資源。該專案旨在解決 ML 開發過程中的自動化和效率問題，讓 AI 能夠自主規劃、執行任務並從錯誤中學習。作為一個「AI 打造 AI」的典範，ml-intern 展現了多代理系統在複雜科學與工程領域的潛力，為開發者提供了探索自動化 ML 生命週期、加速模型迭代與部署的新途徑，是代理程式工程的關鍵前沿應用。
7. TauricResearch/TradingAgents
TradingAgents 是一個多代理 LLM 金融交易框架，旨在模擬真實交易公司的動態。它部署了多個專業的 LLM 驅動代理程式，如基本面分析師、情緒分析師、技術分析師、新聞分析師、交易員、風險管理團隊和投資組合經理。這些代理程式協同工作，進行市場評估、動態討論並制定最佳交易策略，確保系統具備穩健和可擴展的市場分析與決策能力。該框架為研究人員提供了探索 AI 在金融領域應用的強大工具，特別是在多代理協作、風險管理和複雜決策制定方面，展現了 LLM 在高風險、高複雜度場景下的巨大潛力。
8. AIDC-AI/Pixelle-Video
Pixelle-Video 是一個創新的 AI 全自動短視頻引擎，用戶只需輸入一個主題，系統就能自動完成文案撰寫、AI 配圖/視頻生成、語音解說合成、背景音樂添加以及最終的視頻合成。它解決了傳統視頻製作門檻高、耗時長的痛點，讓無剪輯經驗的用戶也能快速創作專業級短視頻。這個專案完美展示了多模態 AI 在內容創作領域的強大整合能力，它結合了 LLM 的創意文本生成、文生圖/文生視頻技術以及 TTS 語音合成，提供了一個端到端的智能內容生成管線，對於希望透過 AI 規模化產出視覺內容的創作者和企業來說，具有極高的應用價值。
9. abhigyanpatwari/GitNexus
GitNexus 是一個零伺服器程式碼智能引擎，它能將任何程式碼庫索引成一個互動式知識圖譜，並在瀏覽器或透過 CLI / MCP（模型上下文協議）運行。專案的核心在於解決 AI 程式碼代理程式在理解複雜程式碼庫時的「上下文缺失」問題，透過預計算的關係智能（Precomputed Relational Intelligence）來捕捉程式碼的深層結構，如依賴關係、呼叫鏈、功能模組和執行流程。這使得 AI 代理程式能夠獲得 360 度無死角的程式碼視圖，從而顯著提升其修改程式碼的可靠性、減少錯誤，並提高小模型在複雜任務上的表現，是 RAG（檢索增強生成）在程式碼理解領域的典範應用。
10. mksglu/context-mode
context-mode 是一個專為 AI 程式碼代理程式設計的 MCP 伺服器，旨在優化 LLM 的上下文視窗效率。它解決了工具輸出資訊過於冗長、快速消耗上下文記憶體和導致代理程式遺忘任務狀態的問題。該專案透過「上下文保存」（沙盒化工具輸出，大幅減少上下文消耗）、「會話連續性」（將任務進度、文件編輯等關鍵事件存儲於 SQLite，實現跨會話記憶）、「程式碼思考」（鼓勵 LLM 編寫腳本而非直接處理大量數據）和「輸出壓縮」等四大機制，實現了高達 98% 的上下文節省。對於提升 AI 代理程式在複雜、多輪程式碼任務中的長期穩定性、效率和成本效益，context-mode 是一個不可或缺的基礎設施。
11. lsdefine/GenericAgent
GenericAgent 是一個極簡、可自我演化的自主 AI 代理程式框架，其核心僅約 3K 行程式碼。它透過 9 個原子工具和約 100 行的 Agent Loop，賦予任何大型語言模型（LLM）對本地電腦的系統級控制能力，涵蓋瀏覽器、終端、文件系統、鍵鼠輸入、螢幕視覺及行動設備。該專案的獨特之處在於其「不預設技能，靠演化獲得能力」的設計哲學：每完成一個新任務，GenericAgent 就會自動將執行路徑固化為可重複使用的技能，形成專屬的技能樹。這不僅大幅提升了代理程式的學習效率，也顯著降低了對上下文窗口的需求，使其在極致省 Token 的同時，保持了高成功率和強大的執行力，為個人化 AI 助手奠定了基礎。