本週從 GitHub Trending 前 15 名中，篩選出 15 個 AI/LLM 相關專案：
1. zhaoxuya520/reverse-skill
zhaoxuya520/reverse-skill 是一個針對逆向工程、滲透測試與資安研究的「AI 技能路由包」。它旨在解決 AI 代理在執行複雜資安任務時，難以判斷應使用何種專業工具（如 jadx、Frida、IDA Pro）的痛點。此專案為 AI 提供一套自動路由機制，根據任務類型（如 APK 分析、前端 JS 加密、CTF 挑戰）智能引導 AI 選擇正確的方法論、檢查可用工具，並執行標準化工作流程，避免重複錯誤，有效沉澱經驗。
對於 AI/LLM 領域而言，reverse-skill 意義重大。它將大型語言模型從僅能生成代碼或文字的輔助角色，提升為能在資安領域中進行「智能決策」和「協同作業」的代理。它為 AI 提供了處理現實世界複雜資安挑戰所需的結構化知識與執行框架，使其能更精準、高效地完成任務，從而真正釋放 AI 在專業領域的潛力。這不僅是工具的整合，更是 AI 行為模式的進化。
2. TencentCloud/TencentDB-Agent-Memory
TencentCloud/TencentDB-Agent-Memory 是一個為 AI Agent 團隊設計的記憶中心，旨在解決多個 AI Agent 在執行任務時，重複學習、重新理解上下文的低效問題。它能將對話、文件和程式碼等多元資訊，提煉並轉化為四種可重複利用的記憶資產：聊天記憶 (Chat Memory)、技能 (Skill)、LLM-Wiki 和程式碼圖 (Code-Graph)。
此專案超越了單純的 RAG 或對話歷史記錄，它提供了一個精密的記憶管理框架。透過分層記憶、自動資產提取、以及細緻的權限控制（如所有權、版本、ACLs），人類管理者可以為不同的 Agent 精準配置所需的知識。這不僅大幅提升 Agent 的運作效率與穩定性，更使得知識與經驗能在團隊內部累積與傳承，有效解決了多 Agent 協作和「冷啟動」的痛點，對於建構更智能、可控且具備學習能力的 AI Agent 系統，是相當值得關注的底層創新。
3. lyogavin/airllm
AirLLM 是一個引人注目的開源專案，旨在解決大型語言模型 (LLM) 推理時 VRAM 需求過高的難題。它採用獨特的層級串流策略，每次僅將模型的一層載入 GPU，而非整個模型，從而大幅減少 VRAM 佔用。這讓使用者無需複雜量化，就能在單張 4GB GPU 上運行 70B 模型，甚至在不到 4GB VRAM 中驅動 2.8T 的 Kimi K3 模型。這項技術顯著降低了高性能 LLM 推理的硬體門檻，讓更多人得以在消費級硬體上體驗尖端 AI。AirLLM 透過 AutoModel 介面支援廣泛的主流 LLM，並提供 4bit/8bit 壓縮選項，可加速高達 3 倍。對於普及大型模型應用、推動邊緣端 AI 發展，AirLLM 展現了巨大的潛力。
4. microsoft/AI-For-Beginners
microsoft/AI-For-Beginners 是一個由微軟為 AI 初學者打造的 12 週、24 課系統性課程。它深入淺出地涵蓋符號式 AI 到深度學習（包含電腦視覺、NLP、Transformers 及大型語言模型基礎）、基因演算法，並提供 PyTorch/TensorFlow 實作。此專案因微軟出品、內容專業且支援超過 50 種語言，使其在 AI/LLM 社群中深具價值。它幫助全球學習者建立 AI 核心知識，為探索最新 AI/LLM 技術奠定堅實基礎，是極佳的入門資源。
5. esengine/DeepSeek-Reasonix
esengine/DeepSeek-Reasonix 是一個為開發者設計的 AI 編碼代理，其核心理念是提供一個可以在終端機中「持續運行」的穩定開發助手。它解決了傳統 AI 助手在長時間會話中上下文管理不佳的問題，透過獨特的 prefix-cache 穩定性與智慧的上下文維護機制，確保大型或複雜的編碼任務能夠連貫執行，大幅提升開發效率與專案可控性。此外，它的 checkpoints 與 undo 功能也讓自主運行變得更加可靠。
這個專案之所以在 AI/LLM 領域值得關注，是因為它不僅支援 DeepSeek 等多種模型（兼容 OpenAI API），還具備高度的可配置性和插件化能力，讓使用者能根據需求客製化工具與工作流程。其單一 Go 執行檔的輕量級分發模式，以及涵蓋 CLI、桌面應用到 VS Code 擴充的多種介面，極大地降低了開發者將 AI 編碼能力整合進日常工作的門檻，體現了未來 AI Agent 走向實用化的重要方向。
6. usekaneo/kaneo
Kaneo (usekaneo/kaneo) 在 GitHub Trending 上備受矚目，它是一個開源的專案管理工具，致力於解決傳統工具因功能過於臃腫而導致的效率低下問題。其核心理念是「少即是多」，提供一個極簡、快速且可自我託管的解決方案，讓團隊能專注於實際工作，而非被複雜的介面和功能所干擾，將數據主權牢牢掌握在自己手中。
對於 AI/LLM 技術社群而言，Kaneo 的一大亮點在於它內建了對 MCP (Model Context Protocol) 伺服器的支援。這表示領先的 AI 工具，如 Claude 和 Cursor 等，能夠透過標準化的 MCP 介面，直接與 Kaneo 互動，自動管理專案中的任務、標籤和上下文資訊。這種深度整合能力，為 AI 助理無縫融入日常專案工作流提供了可能性，使智慧化協作與自動化任務管理成為現實。對於追求高效、數據自主且擁抱 AI 協作未來的開發者，Kaneo 無疑是一個值得深入探索的選擇。
7. virgiliojr94/book-to-skill
virgiliojr94/book-to-skill 是一個值得關注的 AI 專案，它巧妙地將任何技術書籍或文件（如 PDF、EPUB、內部文件夾）轉換為可供 AI 代理（例如 Claude Code、GitHub Copilot CLI）加載的「技能」。面對龐大的技術文檔，傳統的 PDF 搜尋或直接將內容丟給 LLM 往往效率不彰，不僅查詢耗時，更常因上下文限制而產生幻覺或缺乏精確性。這個工具的創新之處在於，它透過一次性的結構化處理，將書籍內容提煉成心智模型、章節索引、詞彙表、設計模式及速查表等，避免了每次查詢時的重複解析。這不僅大幅減少了 24 到 51 倍的 token 消耗，有效解決了 AI 代理的「幻覺」問題，確保回答基於實際內容，更讓開發者能將私有知識無縫融入 AI 輔助工作流，極大提升了查詢與學習效率。對於希望最大化利用自有知識庫，並降低 LLM 使用成本的技術社群來說，book-to-skill 提供了一個實用且高效的解決方案。
8. iv-org/invidious
iv-org/invidious 是一個值得關注的開源專案，它提供了 YouTube 的替代前端。其核心價值在於解決了主流影音平台長期存在的隱私追蹤、廣告干擾與資料壟斷問題。透過 Invidious，使用者能在無廣告、無追蹤的環境下觀看 YouTube 內容，甚至無需 JavaScript，並能自主管理訂閱與觀看紀錄，擺脫對 Google 帳戶的依賴。它提供輕量化、可客製化的使用體驗，並支援多種語言及匯入匯出功能，展現了開放社群的力量。
在 AI/LLM 領域快速發展的當下，Invidious 的出現提醒我們數據隱私和平台去中心化的重要性。AI/LLM 的訓練高度依賴龐大數據，使用者隱私與數據主權議題日益突出。Invidious 倡導的「使用者優先」理念，以及提供開放、可自我託管的替代方案，與開源 AI 運動的目標不謀而合，都在嘗試打破科技巨頭的壟斷，促進更公平、透明且使用者可控的數位生態。它展示了如何透過技術實現數位自由，這對於思考未來 AI 服務的設計與部署模式深具啟發。
9. different-ai/openwork
Different-AI 推出的 OpenWork 是一個值得關注的開源桌面應用程式，旨在解決當前 AI Agent 生態系統中的碎片化問題。想像一下，你可以在 Claude Code、Cursor、ChatGPT 等不同 AI 工具中，重複利用你建立的 AI 工作流程、技能和整合服務，而無需重新配置。OpenWork 提供了一個跨平台、跨工具的統一層，讓使用者能輕鬆創建、分享並管理他們的 AI 能力。它不僅是一個個人生產力工具，透過其核心的 MCP（Master Control Program）概念，還能將外部服務如 Google Workspace 整合進你的 AI Agent。對於團隊和企業而言，OpenWork Den 則提供了強大的管理介面，用於規模化地供應 AI 推理資源、精細化權限控制，並發布內部技能與插件。這使得 AI 應用開發與部署更加高效、協同，對於追求 AI 工作流程標準化和共享的開發者和組織來說，OpenWork 無疑提供了一個具備潛力的解決方案。
10. unclebob/swarm-forge
SwarmForge 是一個基於 tmux 的輕量級 AI 代理協調平台，目標是讓多個 AI 代理像專業工程師團隊一樣協作，完成軟體開發任務。它透過定義明確的角色、共享的憲法（constitution）、隔離的 Git worktrees 和標準化的交接協議，解決了多代理在同一專案中協作時的衝突與混亂，確保工作紀律與可靠性。專案提供了從快速開發到全面品質保證的多種「Pack」配置，細化了如 specifier、coder、architect、QA 等代理職責。
在 AI/LLM 領域，SwarmForge 值得關注，它為實用且可觀察的多代理協作系統提供了具體範例。透過本地化部署和 tmux 監控，開發者能直觀理解代理工作狀態與協作過程。這種結構化的工作流與清晰的溝通機制，對於將 AI 從單點工具轉化為可靠的軟體工程夥伴至關重要，也為提升 AI 輔助開發的效率與品質提供寶貴思路。
11. google/skills
Google推出的google/skills專案，為AI/LLM社群帶來了一系列關鍵的「代理人技能」（Agent Skills），旨在讓AI代理能更高效、精準地操作Google旗下產品與技術，特別是Google Cloud。它解決了LLM應用在實際環境中落地時，需要與各式複雜API和服務互動的痛點，透過預先定義好的技能模組，讓代理人可以直接執行如GKE資源管理、BigQuery數據分析、Gemini AI模型調用，甚至是遵循Google Cloud Well-Architected Framework進行配置等任務。在AI代理日益普及的趨勢下，此專案的重要性不言而喻。它為開發者提供了一套標準化介面，使得構建能夠自動化執行複雜雲端操作、數據處理或AI/ML工作流的智能代理變得更容易。無論是開發智能客服、自動化运维助手，還是建構多步驟的Agentic工作流，google/skills都提供了一個強大的基石，讓AI代理從「會說」提升到「會做」的層次，極大加速了企業級AI應用的開發與部署。
12. antirez/ds4
antirez/ds4 專案，又名 DwarfStar，是一款專為 DeepSeek V4 Flash 及 PRO 模型設計的本機推論引擎，同時支援 GLM 5.2。它獨特的價值在於極致的效能優化與廣泛的硬體支援，從 macOS 的 Metal、NVIDIA CUDA 到 AMD ROCm，都能高效運行。DwarfStar 不僅提供單機高效能推論，更透過 SSD streaming 讓大模型超越實體記憶體限制，甚至支援多 GPU 和跨機器管線與張量並行，解決了在消費級硬體上運行高階 LLM 的挑戰。
這個專案之所以值得關注，除了作者 antirez （Redis 創辦人）的技術實力保證外，還在於其針對特定頂尖開源模型 DeepSeek V4 的深度優化。它採用了激進的路由專家量化技術，顯著降低記憶體需求卻仍保持高品質輸出。此外，專案還包含豐富的工具集，如本機代理、OpenAI/Anthropic 相容伺服器、基準測試與評估工具，讓使用者能更靈活地部署和探索 DeepSeek 模型的能力，無疑是本地 LLM 運行領域的一股強大新力量。
13. Comfy-Org/ComfyUI
ComfyUI 是一個在 AI 創作領域極具影響力的工具，以其獨特的節點圖形介面，為使用者提供了前所未有的彈性和精確控制。它解決了傳統 AI 工作流複雜且難以客製化的痛點，讓創作者無需編碼即可設計、重複使用並整合各種生成式 AI 任務，涵蓋圖像、影片、音訊、3D 甚至文本生成。
在 AI/LLM 技術社群中，ComfyUI 備受關注，原因在於其強大的模組化架構和對最新開放原始碼模型的廣泛支援，例如 SDXL、SD3.5，以及 Gemma、Qwen 等 LLM。其高效的本地執行、智慧 VRAM 管理及跨平台相容性，使個人用戶到專業團隊都能在多種硬體環境下，靈活運用 ComfyUI 探索尖端 AI 技術，並將複雜的創意想法轉化為實際成果。
14. DataExpert-io/data-engineer-handbook
這個 DataExpert-io/data-engineer-handbook 專案是個極其豐富的資料工程資源寶庫，旨在為此領域專業人士提供一站式指南。它解決了學習路徑混亂、資源分散的問題，從入門路線圖、訓練營、精選書籍、社群、業界工具到技術部落格、白皮書，全面覆蓋資料工程師所需的知識與技能，是構建堅實數據基礎的藍圖。
對於 AI/LLM 領域，此專案價值不言而喻。高效能、高品質的資料管道是訓練大型語言模型、資料預處理及建構可擴展 LLM 應用的基石。Handbook 不僅涵蓋現代資料架構如 Lakehouse，更直接列出 LangChain、LlamaIndex 等 LLM 應用開發庫，明確其在 AI 數據基礎建設中的關鍵地位。它為 AI 開發者提供堅實的數據工程基礎，確保數據以正確方式被收集、處理與交付，最大化 AI/LLM 專案成功率。
15. donnemartin/system-design-primer
「donnemartin/system-design-primer」這個專案無疑是所有志在成為頂尖軟體工程師的必讀寶典。它提供了一套系統性的指南與豐富資源，幫助你掌握大型系統設計的藝術，並為嚴苛的系統設計面試做好準備。專案內容涵蓋了擴展性、一致性、可用性等核心概念，以及負載平衡、資料庫（SQL/NoSQL）、快取機制、非同步處理等實戰技術，更提供Anki抽認卡輔助記憶，將散亂的知識點有條理地組織起來。
對 AI/LLM 領域而言，此專案價值極高。現今的 AI 模型，尤其是大型語言模型，其訓練與推論均建立在龐大的分散式系統之上。無論是處理海量資料、設計高效能推論服務、確保高可用性與彈性，還是優化模型部署的擴展能力，皆需深厚的系統設計功底。這個 primer 提供的紮實基礎，能幫助我們理解如何構建穩定、高效且可擴展的 AI/LLM 基礎設施，將複雜的 AI 應用從演算法概念落實為能服務數百萬用戶的生產級智能服務。