本週從 GitHub Trending 前 15 名中，篩選出 15 個 AI/LLM 相關專案：
1. Nutlope/hallmark
Hallmark 是一個為 Claude Code、Cursor 等 Coding Agent 設計的「反 AI 塑膠感」前端設計技能。LLM 生成網頁往往充斥刻板的「AI 味」：無意義小標、突兀的高亮色單字與空洞卡片。Hallmark 透過 50 種風格材質、嚴格的分層審查門檻（Floor/Reflex），並以無頭瀏覽器實測驗證，有效防堵這些特徵。隨著 AI 生成代碼進入實戰階段，它用系統化規則與驗證閉環解決前端美感同質化，是探索 Agent 審美品味落地的指標專案。
2. cloudflare/security-audit-skill
Cloudflare 開源的 security-audit-skill 是一套專為 Coding Agent 設計的資安審計技能，源自其內部大型漏洞挖掘體系。它直擊傳統 LLM 審查代碼時「誤報率高」與「覆蓋率難以量化」的痛點，透過六階段工作流實現嚴謹的結構化審計。專案最亮眼的設計在於「對抗性驗證」機制：指派獨立隔離的 Agent 試圖推翻候選漏洞，並以 Ledger 追蹤審查邊界。這展示了 Multi-Agent 架構如何藉由相互制衡，在極度要求精準度的資安領域完成可靠的工程落地。
3. AgriciDaniel/claude-seo
Claude SEO 是專為 Claude Code 打造的開源 SEO 工具。它調度 19 個專職 Agent，並行檢測技術 SEO、E-E-A-T 與結構化資料，並產出明確的修復計畫。此專案最值得關注的是對 GEO（生成式引擎最佳化）與「Agent 友善度」（如 llms.txt 與 WebMCP）的支援，評估網站被 Perplexity 或 AI Overviews 引用的潛力；同時依任務調度 Opus 與 Sonnet，展現了 LLM 多 Agent 協作落地垂直專業的優秀實踐。
4. pbakaus/impeccable
使用 Coding Agent（如 Claude Code、Cursor）生成前端時，常產出千篇一律的「AI slop」——充斥著 Inter 字體、藍紫漸層與套版卡片。Impeccable 為此建立了一套專門對齊 Agent 的設計詞彙庫與審查機制。它提供具體的引導指令（如 bolder、critique），讓開發者能精準校正介面風格，並內建 62 條確定性規則把關排版與無障礙細節。這標誌著 AI 輔助開發正從「能跑就好」邁向「視覺美學與工程品質兼備」，極具實用意義。
5. obra/superpowers
obra/superpowers 是一套專為 Coding Agents 設計的技能框架與軟體工程方法論，支援 Claude Code、Cursor、Devin 等主流工具。它解決了 AI 寫程式時常「未想清楚就盲目產 code」的硬傷；透過規範化的工作流，Agent 必須先梳理規格、拆解任務，並在獨立 Git Worktree 中嚴格執行 TDD（測試驅動開發）與子代理審查。其價值在於將成熟的軟體工程紀律系統化地約束 Agent 行為，讓自主寫 code 從不可控的隨機生成，轉變為可預測的高品質工程流水線。
6. multica-ai/andrej-karpathy-skills
這款專案將 Andrej Karpathy 對「LLM 寫程式通病」的觀察，轉化為適用於 Claude Code 與 Cursor 的輕量規則檔（CLAUDE.md）。它直擊模型愛腦補假設、架構過度設計與擅改周邊程式碼的痛點，歸納出先思考、極簡至上、手術式修改與目標導向執行四大原則。隨著 Coding Agent 成為日常工具，如何有效約束模型邊界並建立自動驗證迴圈是提升產出的關鍵；這份實踐指南示範了極簡 Prompt 工程的威力，能顯著降低程式碼維護成本。
7. TauricResearch/TradingAgents
TradingAgents 是基於 LangGraph 的開源多 Agent 金融交易框架，旨在模擬真實避險基金的協同決策流程。它將研究拆解為基本面、技術面與情緒等專業 Agent，並引入多空雙方的結構化辯論，最後交由風控與投資經理審核。在 LLM 領域中，該專案展現了 Multi-Agent 走向嚴謹工程化的典範：不僅採用快思與深思模型分層架構，更嚴格解決了金融回測中最常見的「未來資訊洩漏」（如 SEC 財報發布時間戳對齊），並內建覆盤記憶機制，為 LLM 在複雜垂直領域的應用提供了極高水準的實踐範本。
8. jakubkrehel/skills
jakubkrehel/skills 是一套專為 AI Coding Agent（如 Claude Code）設計的介面工程技能庫。隨著開發者日益依賴 AI 生成前端程式碼，產出的 UI 常面臨缺乏細節打磨、排版失衡或忽略無障礙（a11y）規範等問題。該專案將資深設計工程思維模組化，提供涵蓋 WCAG 2.2 審查、光學對齊、語意化色彩與極端情境測試等 Agent 工具。它代表 AI 輔助開發從「寫出能跑的代碼」邁向「產出產品級設計」的關鍵一步，極具實戰價值。
9. Leonxlnx/taste-skill
Leonxlnx/taste-skill 是一款為 Coding Agent（如 Claude Code、Codex）注入「設計品味」的擴充技能，專門解決 AI 生成前端介面時千篇一律、缺乏質感的痛點。它基於數百個精選網站的研究，引導模型套用成熟的藝術風格與開源影像素材。其核心亮點在於結合了真實瀏覽器檢查：Agent 能在多種解析度下截圖自我審視，並迭代修正排版缺陷。這項實踐展示了 Agent 工作流結合視覺反饋與主觀審美評判的潛力，是 AI 輔助前端開發非常精采的探索。
10. pingdotgg/t3code
T3 Code 是一款開源的「Agent 控制介面」，旨在解決目前 AI 程式開發工具介面分散且體驗不一的問題。它不重造模型輪子，而是統一接管本機已授權的 Claude Code、Codex、Cursor 等多款 Agent，並提供支援跨桌面、網頁與手機的遠端操控能力。在 LLM 領域中，T3 Code 的關鍵價值在於實踐了「操控介面與 Agent 本體解耦」的架構哲學。開發者無需額外付費，即可享受極致流暢的 UI/UX 來調用多元模型訂閱，為 AI 輔助寫程式的工具形態提供了極具啟發性的全新解法。
11. thedotmack/claude-mem
claude-mem 是為 Claude Code 等開發 Agent 打造的持久化記憶系統，解決了終端 Agent 重啟後遺忘脈絡、反覆載入專案背景導致 Token 浪費的痛點。它透過生命週期 Hook 捕捉操作，經 AI 語意壓縮後存入 SQLite 與向量庫；其「漸進式揭露」三層檢索機制，能精準回填歷史上下文並節省近 90% Token。在 Agent 邁向長期協作的演進中，這種兼顧連續性與成本效益的記憶工程實踐極具參考價值。
12. anthropics/skills
這是 Anthropic 官方推出的 Agent Skills 開源實作與標準規範庫。過往打造特定領域的 Agent 往往仰賴冗長 prompt 或龐雜微調，而此專案將專業任務拆解為模組化的技能包，讓 Claude 能依情境動態載入結構化指引與腳本。值得關注的是，官方不僅定義了通用標準，更直接釋出驅動 Claude 原生處理 DOCX、PDF 等文件的生產級實作範例。這為社群建立可重複、可維護的 Agent 能力架構奠定基石，是研究 LLM 系統化工程落地的絕佳參考。
13. affaan-m/ECC
ECC 是專為 Claude Code、Codex 與 Cursor 等編程代理打造的工程增強框架。AI 輔助開發常面臨上下文膨脹、欠缺工程規範與跨階段記憶斷層等問題。ECC 透過整合多元專門 Agent、模組化技能、運行時 Hooks 與跨工具記憶庫，將「規劃、TDD、審查到持續學習」標準化。它跳脫單純依賴 Prompt 的局限，從 Harness 層面賦予代理嚴謹的工程閉環與安全護欄，為打造可靠自主代理提供了扎實範式。
14. YuJunZhiXue/dsh-purge
dsh-purge 是一個針對 DeepSeek Harness（DSH）官方本地環境設計的資安紅隊評估外掛。在 LLM 系統部署中，宿主框架常在運行時重寫提示詞並加裝沙箱政策，導致研究者難以區分模型的「拒絕回答」是來自模型本體的安全機制，還是宿主層級的攔截。dsh-purge 透過修補本地運行時邏輯與動態提示詞注入，讓安全團隊能精準隔離宿主與模型層，實施多模型的越獄（Jailbreak）與安全邊界測試。此專案值得關注之處，在於它展現了現代 Agent 框架在模型之外所建構的隱性控制層，為 LLM 系統的安全評估與紅隊測試提供了深度的實作參考。
15. AstrBotDevs/AstrBot
AstrBot 是一款開源的多平台 AI Agent 框架，旨在解決將大模型部署至各類即時通訊軟體（如 Telegram、Slack、飛書、微信等）時的系統整合痛點。在 AI/LLM 領域，它值得關注之處在於極高的架構整合度：不僅支援 DeepSeek、OpenAI 與本地 Ollama 模型，還融入了 MCP 協議、Agent 沙盒安全執行環境及豐富的外掛生態。這讓開發者能以極低門檻，將具備多模態與程式執行能力的生產級 AI 助理，無縫對接到既有的社群與工作流程中。