本週從 GitHub Trending 前 15 名中，篩選出 15 個 AI/LLM 相關專案：
1. cathrynlavery/diagram-design
這個專案 cathrynlavery/diagram-design 是一個針對 AI/LLM agents（如 Claude Code, Codex, Pi）設計的技能，旨在解決目前大型語言模型在生成圖表時普遍存在的美觀和品質問題。許多時候，LLM 產出的圖表往往是千篇一律的「圓角方框」或低品質的 Mermaid 原始碼，這讓技術文件或內容的視覺呈現大打折扣。diagram-design 提供 20 多種編輯級別的圖表類型，從架構圖、流程圖到序列圖應有盡有。它的核心亮點在於能自動從你的網站提取品牌顏色和字體，並應用於生成的圖表中，確保視覺一致性與專業度。此外，它還支援將既有的 draw.io 或 Mermaid 圖表重繪成符合其設計系統的風格，並能以 HTML、SVG 或 PNG 格式匯出。對於 AI/LLM 領域而言，這個專案展示了如何讓 AI 不僅能理解和生成內容，更能透過精良的工具擴展其輸出能力，產出真正符合設計標準、具備高可用性和美學價值的視覺化資訊，這是提升 AI 輔助創作體驗的關鍵一步。
2. semantica-agi/semantica
Semantica 是一個圖原生基礎設施，旨在建構可解釋、可稽核的 AI 系統。它解決了 AI 決策不透明、缺乏審計軌跡的痛點。透過轉化企業數據為知識與上下文圖譜，Semantica 為 AI 決策提供完整因果鏈和證明 (provenance)。這對金融、醫療、法律等高度監管領域至關重要，確保 AI 合規並能解釋其決策。它補足了 RAG 與向量資料庫的不足，提供建構負責任、可信任 AI Agents 的「智慧記憶層」。
3. PrimeIntellect-ai/prime-agent
Prime Agent 是一個針對編碼工作流和長時間自主任務設計的自改進 RLM（遞歸語言模型）代理。它解決了傳統 LLM 代理在上下文維持、狀態管理及任務持續性上的痛點。透過其核心的「遞歸語言模型 (RLM)」抽象，代理能將上下文視為變數，並以程式化方式調用工具與子代理；而「持續式工作平台 (Continual Harness)」則能持久化代理的知識、記憶與技能，並透過小幅、有證據支持的更新來自我完善。
在 AI/LLM 領域，Prime Agent 值得關注之處在於它提供了一個強大且可編程的框架，讓代理不只是一個聊天介面。它將程式化控制提升到核心地位，透過內建的 IPython 環境和多層次子代理機制，能執行複雜且長期性任務。這種強調持久性、自改進和程式化控制的設計，為開發更可靠、更具彈性的自主代理提供了新的思路和實作，特別適合需要長期協作或複雜迭代的專案，是推動自主代理發展的重要一步。
4. megadose/holehe
megadose/holehe 是一個強大的開源情報（OSINT）工具，專為調查電子郵件是否已註冊於各類主流平台而設計。它巧妙地利用網站的「忘記密碼」功能，檢查目標電郵在 Twitter、Instagram 及超過 120 個其他服務上的存在狀態，甚至能擷取部分模糊化的復原郵件或電話號碼，且不會觸發目標的警報。這個專案以 Python 3 編寫，提供 CLI、Python 模組與 Docker 等多種使用方式，讓資訊搜集變得高效便捷，輸出結果為標準化的 JSON 格式。
在 AI/LLM 領域，holehe 雖然本身不涉及機器學習，但其在數據收集與數位足跡分析方面的價值不容小覷。對於開發網路安全、身分驗證或隱私保護相關 AI 模型的團隊而言，holehe 能提供寶貴的開源情報數據，用於訓練模型辨識潛在威脅或評估用戶數位安全風險。此外，在構建自動化威脅情資系統時，LLMs 可與此類 OSINT 工具整合，實現更全面的情報分析與報告生成，協助安全分析師更迅速地理解攻擊面與防禦策略。
5. NVIDIA-NeMo/Switchyard
NVIDIA-NeMo 推出的 Switchyard 是一個用 Rust 編寫的 LLM 流量代理與函式庫，旨在解決大型語言模型應用在多模型、多供應商環境下的整合與優化挑戰。它最核心的價值在於實現了 OpenAI Chat、Anthropic Messages 等不同 API 格式間的無縫轉換，讓開發者能輕鬆將為專有 API 設計的應用程式（如 Claude Code 或 Codex）導向 vLLM、NVIDIA NIM 或 Ollama 等開源模型後端，大幅提升彈性。
Switchyard 不僅提供協議翻譯，更內建多種路由策略，例如用於 A/B 測試的隨機分流、根據請求內容決策的 LLM 分類器路由，甚至能基於對話信號進行智能路由，實現成本與效能的最佳化。它還提供豐富的運行指標。儘管目前仍處於實驗性階段，Switchyard 對於正在尋求靈活模型部署、效能監控與成本控制的 LLM 應用開發者來說，無疑是一個極具潛力的基礎設施專案，值得持續關注其發展。
6. vitali87/code-graph-rag
vitali87/code-graph-rag 是一個為多語言程式碼庫設計的終極 RAG 系統。它透過 Tree-sitter 精確解析程式碼，並在 Memgraph 中建立一個整合的知識圖譜，從而解決了大型專案（特別是 Monorepo）中，開發者難以快速理解、查詢和修改複雜程式碼結構的痛點。這讓工程師能以自然語言提問、搜尋、編輯，甚至優化程式碼，極大地提升了開發效率。
在 AI/LLM 領域，這個專案尤其值得關注。它不僅示範了 RAG 在理解與生成結構化資料（如程式碼）方面的強大應用，更進一步結合 AI 模型，將自然語言轉譯為圖譜查詢，並驅動 AST 級別的程式碼編輯與優化。這種將 LLM 能力與知識圖譜深度整合，使 AI 能在真實且精確的程式碼結構上進行操作，有效避免了 LLM 常見的「幻覺」問題，為開發更智能、更可靠的程式碼輔助工具開闢了新方向。
7. cactus-compute/needle
Needle 2 是一個引人注目的 14MB 基礎模型，專為手機、穿戴裝置、智慧家庭和機器人等資源受限的微型設備設計。它解決了將先進 AI 能力，特別是工具呼叫與結構化資料提取，直接部署到邊緣設備的重大挑戰。儘管模型參數僅 45M 且執行時僅需約 28MB RAM，Needle 2 卻能在基準測試中與比其大 5 到 70 倍的模型（如 FunctionGemma 270M）匹敵，這得益於其創新的 Simple Attention Network 架構和獨特的 CQ2-bit 量化技術。
對於 AI/LLM 技術社群而言，Needle 2 值得關注之處在於它極限地突破了終端設備 AI 的可能性。它不僅提供了一個自給自足、14MB 單一檔案的模型，無需外部網路即可推論，還具備高效率的 LoRA 微調與易於使用的 Python API。其強調的信心門控、工具檢索及有界記憶體等實用特性，使其成為開發次世代智慧、自主邊緣應用的關鍵技術，預示著真正的設備上智慧的未來。
8. macro-inc/macro
Macro 是一個旨在解決團隊工具分散化問題的統一工作空間。它將電子郵件、聊天、文件、任務、AI 代理、通話和 CRM 整合於單一介面，核心亮點在於其「共享團隊級 AI 記憶」。這記憶匯集團隊所有對話、郵件、任務等資訊，為 AI 代理提供全面且即時的上下文，使其能更精準地執行任務、更新文件，甚至協助 CRM 管理，讓公司變得更「可計算」。
在 AI/LLM 領域，Macro 的價值在於其將 AI 代理視為「第一級公民」的設計理念。它不僅讓 AI 代理能讀取和理解團隊脈絡，更透過 MCP 介面賦予其主動執行任務（如編輯文件、基於郵件建立任務）的能力。這種將 AI 深度整合到團隊作業系統、提供統一記憶與工具介面的方式，為我們展示了 LLM 驅動的協作模式如何超越傳統聊天機器人，走向更自主、更高效的未來。
9. ToolJet/ToolJet
ToolJet 是一個開源平台，旨在加速內部工具、儀表板、業務應用程式和自動化工作流的建置與部署。它提供強大的視覺化建置器、拖放式介面，並整合了超過 80 種資料來源，讓開發者能高效地打造應用。其社區版已具備多頁面、多使用者協作及 Docker/Kubernetes 等彈性部署能力，大幅降低了企業內部應用開發的門檻。在 AI/LLM 領域，ToolJet 的企業版「ToolJet AI」尤其值得關注。它將 AI 能力深度整合到開發流程中，不僅能透過自然語言提示自動生成應用程式介面，還能利用 AI 協助建構查詢和進行偵錯。更重要的是，它提供了 Agent Builder，讓使用者能夠輕鬆創建智慧型 AI 代理，以自動化複雜的工作流和協調各種流程。對於希望快速原型化、部署具備 AI 功能的內部應用或 AI Agent 的團隊來說，ToolJet 提供了一個兼具效率與彈性的 AI-native 解決方案。
10. TencentCloud/TencentDB-Agent-Memory
TencentDB Agent Memory 是一個 AI Agent 團隊級記憶中心，旨在解決 Agent 重複學習、知識碎片化問題。它將對話、文件、程式碼提煉為 Chat Memory、Skill、LLM-Wiki、Code-Graph 等可重用資產，讓 Agent 繼承團隊經驗，大幅提升效率。其超越傳統 RAG，透過多層次記憶與結構化知識（如 Wiki 連結圖、CodeGraph 呼叫關係），提供更精準高效檢索。完善的資產管理、版本控制及多 Agent 框架支援，使其成為追求團隊智能協作的 AI/LLM 開發者極具價值的解決方案。
11. addyosmani/agent-skills
addyosmani 的 agent-skills 專案為 AI 編碼代理引入了生產級的工程技能。它旨在解決 AI 代理在加速開發時，往往會忽略軟體可靠性所需的關鍵步驟，例如撰寫規格文件、執行嚴謹測試或進行安全審查。這個專案將資深工程師在實際軟體開發中採用的工作流程、品質門檻與最佳實踐，編碼成一系列可供 AI 代理遵循的「技能」。
在 AI/LLM 技術社群中，agent-skills 值得高度關注，因為它將人類的工程判斷與紀律，直接融入 AI 的開發生命週期。這意味著 AI 不再僅是提供快速的程式碼，而是能系統化地生成符合生產標準、可驗證且維護性高的軟體。透過 /spec 定義需求、/test 驗證功能，甚至 /review 審查程式碼，這些技能讓 AI 能夠以更成熟、更負責任的方式參與軟體開發，有效彌補了 AI 在品質控制和工程最佳實踐方面的短板，並支援多種主流 AI 編碼工具。
12. 3b1b/manim
Manim 是由知名科普 Youtuber 3Blue1Brown 創作者開發的動畫引擎，專為製作精確、程式化的數學解釋影片而生。它解決了將複雜抽象的數學概念視覺化的難題，透過 Python 程式碼，能將公式、圖形、變動過程轉化為清晰動態的動畫，極大地提升了學習與教學的效果。這個專案有 3b1b 原始版（ManimGL）與社群版，兩者各有特色。
在 AI/LLM 領域，理解並解釋如神經網路架構、梯度下降、注意力機制等核心概念至關重要。Manim 的程式化動畫能力，使其成為視覺化這些複雜演算法和數學原理的絕佳工具。技術寫作者可以利用 Manim 製作引人入勝的教學動畫，將抽象的 AI 理論具象化，例如展示模型的訓練過程或權重更新。這不僅能大幅提升內容的解釋力，未來甚至可想像透過 LLM 生成 Manim 程式碼，加速高品質教學內容製作，讓複雜的 AI 知識更容易被大眾理解與掌握。
13. cloudflare/computer
Cloudflare Computer 是一個引人注目的專案，它為 AI 代理提供了在 Cloudflare Durable Object 中運行的虛擬檔案系統與執行環境。它將 SQLite 數據庫作為權威狀態，並透過 FUSE 掛載、Workers Shell 或 Workers JavaScript 環境提供可插拔的執行表面。這解決了 AI 代理在無狀態環境中執行複雜任務時，對持久化工作空間和靈活計算能力的需求。開發者可以讓代理在一個具備完整 Linux 使用者空間的沙盒容器中運行二進制檔，或者在更輕量的 Worker 環境中執行 Shell 命令或 JavaScript 模組。這個專案的核心在於，讓 AI 代理能夠擁有一個有狀態的「電腦」來記憶、讀寫文件和執行任務。
14. google/skills
「google/skills」專案是 Google 官方釋出的一系列「代理程式技能」（Agent Skills），旨在賦予 AI 代理直接操作 Google 各項產品與技術的能力。它解決了 LLM 驅動的代理程式在現實世界中執行實際任務的挑戰，將抽象的語言理解轉化為具體行動，實現從「說」到「做」的飛躍。
在當前 AI/LLM 領域，行動導向的代理程式（Agentic AI）是關鍵趨勢，而 google/skills 正是實現此目標的核心基礎。這些技能涵蓋 Google Cloud 服務、AI/ML 工具、基礎設施管理、資料庫操作乃至廣告平台互動，提供了豐富的 API 和操作介面。開發者可透過 npx skills 安裝，或與 Claude、Codex 等代理框架整合，為 AI 應用程式輕鬆賦予強大的現實世界操作能力，是建構真正智能、自動化系統不可或缺的工具。
15. google-deepmind/weathernext
Google DeepMind 的 weathernext 專案展示了 AI 在天氣預報領域的驚人突破，特別是其最新模型 WeatherNext 2 (WN2)。這個專案旨在透過尖端 AI 技術，提供全球性、中程的大氣與熱帶氣旋預報，有效解決了傳統數值天氣預報在精確度與運算效率上的挑戰。它整合了 GraphCast 的圖神經網路與 GenCast 的擴散模型等創新方法。
對於 AI/LLM 技術社群來說，weathernext 值得深入探究。它不僅體現了深度學習如何駕馭複雜的物理模擬系統，從模型架構到預訓練權重的提供，再到透過 Colab 筆記本的便捷上手方式，都為 AI 應用於其他科學與工程領域提供了寶貴的參考與啟發。這個專案證明了 AI 在提升人類應對氣候變遷能力上的巨大潛力。