本週從 GitHub Trending 前 15 名中，篩選出 15 個 AI/LLM 相關專案：
1. DeusData/codebase-memory-mcp
「DeusData/codebase-memory-mcp」是一個專為 AI 編碼代理設計的高效能程式碼智能伺服器，旨在透過將整個程式碼庫建構為持久性的知識圖譜，解決傳統 LLM 探索大型專案時 token 消耗龐大與理解深度不足的問題。它結合 Tree-sitter AST 解析和 Hybrid LSP 語義解析，支援 158 種語言，能以極快的速度（Linux kernel 僅需 3 分鐘）建立豐富的程式碼關係圖。對於 AI/LLM 技術社群來說，這個專案提供了一個關鍵的「程式碼記憶體」，讓 LLM 無需反覆讀取原始碼，即可透過結構化查詢獲得精準且豐富的語義上下文，大幅提升代理的程式碼理解效率和回答品質，實現在 AI 輔助開發中的效率飛躍。
2. chopratejas/headroom
Headroom 專案提供了一個精巧的上下文壓縮層，旨在顯著減少傳送給大型語言模型（LLM）的輸入 token 數量。它能壓縮 AI 代理的各種輸入，包括工具輸出、日誌、RAG 檢索到的區塊，甚至是對話歷史，在不犧牲答案品質的前提下，實現高達 60-95% 的 token 削減。這解決了當前 LLM 應用中 token 成本高昂與上下文窗口限制的兩大痛點。Headroom 的設計具備多種整合模式，無論是作為 Python/TypeScript 函式庫、零程式碼修改的代理代理，或是專為 AI 代理設計的專用包裝器，都能輕鬆導入。它還創新性地結合了多種壓縮演算法，並提供可逆壓縮與跨代理記憶體，甚至能透過策略優化 LLM 的輸出 token。對於追求效率、成本效益與更長上下文的 AI/LLM 開發者來說，Headroom 無疑是一項值得深入探索的關鍵工具。
3. Panniantong/Agent-Reach
「Panniantong/Agent-Reach」為 AI Agent 解決了關鍵痛點，賦予它們「看」遍網際網路的真實能力。當前的 AI Agent 在處理內部任務時表現出色，但從 YouTube、Twitter、Reddit、Bilibili 或小紅書等平台獲取即時外部資訊時，常因付費 API、封鎖或登入限制而受阻。Agent Reach 作為一個智能化的能力層，自動替 Agent 篩選、安裝並維護各平台最穩定的存取工具，讓 Agent 免去繁瑣的配置。
這個專案在 AI/LLM 領域值得關注，主要因其「零 API 費用、持續換代、兼容所有 Agent」的核心設計。它不僅確保 Agent 能免費且穩定地抓取網路內容，更會自動更新底層工具以應對平台策略變更，大幅減輕了維護網路存取能力的負擔。Agent Reach 實質上擴展了 Agent 的資訊獲取邊界，使其能進行更深度、即時的網路調研與分析，進而增強 Agent 的自主決策與執行能力，是推動 AI Agent 走向實際應用的重要基礎建設。
4. iptv-org/iptv
iptv-org/iptv 是一個在 GitHub Trending 上備受關注的開源專案，它巧妙地整合了全球各地公開可用的 IPTV 頻道。本質上，它是一個龐大且持續更新的 M3U 播放列表集合，旨在解決用戶尋找和管理直播電視資源的痛點，只需將列表連結貼入任何支援串流的播放器即可觀看。儘管此專案本身並非 AI 應用，但在 AI/LLM 領域，其價值不容小覷。它提供了一個豐富的「實時媒體數據源」，研究者可利用其頻道的元數據、EPG 節目指南甚至潛在的串流內容，來訓練多模態 AI 模型，進行內容識別、實時語音轉文字、情感分析，或開發更精準的內容推薦系統。LLM 則能基於其提供的 API 介面，實現智能化的頻道搜尋、節目摘要或作為生成式 AI 應用獲取實時媒體資訊的基礎。其背後對海量動態數據的聚合與管理模式，也為其他 AI 數據集專案提供了寶貴的參考。
5. NVIDIA/SkillSpector
NVIDIA 的 SkillSpector 是一款專為 AI 代理（Agent）技能設計的資安掃描工具，它旨在解決 AI 技能在部署前缺乏嚴謹審查的現況。隨著 Claude Code、Gemini CLI 等 AI 助理日益普及，其「技能」往往在隱式信任下執行，但研究指出許多技能存在漏洞甚至惡意行為。SkillSpector 提供一個關鍵的安全評估機制，幫助開發者判斷「這個技能安裝安全嗎？」。
在當前 AI/LLM 浪潮下，SkillSpector 的出現尤其重要。它涵蓋了多達 16 類、64 種漏洞模式，包括提示詞注入、資料外洩、供應鏈攻擊及不當的工具使用等，全面檢測潛在風險。更獨特的是，它結合了快速靜態分析與選用性的 LLM 語義評估，提升了檢測的精度與解釋性。透過提供清晰的風險評分和多種報告格式，SkillSpector 為 AI 代理應用構築了一道不可或缺的安全防線，確保這些高自主性工具能更安心地被整合與使用。
6. n0-computer/iroh
Iroh 是一個基於 Rust 的模組化網路堆疊，旨在解決傳統 IP 位址在 NAT、防火牆等複雜網路環境下難以建立穩定、點對點連線的痛點。它允許開發者透過公開金鑰進行「撥號」，Iroh 則會自動處理 NAT 穿透、中繼伺服器等底層網路細節，確保裝置間能建立並維護最快、最穩定的連線，且核心基於 QUIC 協議提供加密、可靠的傳輸。對於 AI/LLM 領域，Iroh 的價值體現在分散式與邊緣 AI 應用。想像在多個裝置上進行聯邦學習，或在邊緣節點上協同推論，Iroh 能提供一個無需擔心網路拓撲變化的安全通訊骨幹。其內建的 iroh-blobs 可高效傳輸大型模型檔案或資料集，而 iroh-gossip 則能建立去中心化的發布訂閱網路。這讓 AI 系統在面對動態或去中心化的部署場景時，擁有更強的韌性、隱私和可擴展性，是構建未來分散式 AI 生態的關鍵基礎設施。
7. addyosmani/agent-skills
addyosmani/agent-skills 是一個為 AI 程式碼代理提供「生產級工程技能」的專案。它解決了當前 AI 代理生成程式碼時，常忽略資深工程師所遵循的規範、測試與品質關卡的問題。此專案將資深工程師的「工程判斷與實踐」，如嚴謹的開發流程、驗證標準與反合理化機制，編碼成結構化的工作流程，讓 AI 代理在定義、規劃、建構、測試、審查到部署的每個環節，都能展現出一致的開發紀律。
專案內含 24 項核心技能、多個專屬代理角色與參考清單，並支援主流 AI 開發工具。它不僅融入了 Google 工程文化的最佳實踐，更透過具體步驟確保 AI 不再走捷徑，而是產出可靠、可維護的程式碼。對於希望提升 AI 輔助開發至企業級品質的開發者和團隊而言，agent-skills 無疑是將 AI 從「原型製造機」轉變為「生產級協作者」的關鍵一步，使其在 LLM 領域顯得格外重要。
8. asgeirtj/system_prompts_leaks
asgeirtj/system_prompts_leaks 專案是 AI/LLM 社群的寶庫，彙整並公開了 Anthropic Claude、OpenAI ChatGPT、Google Gemini 等主流 AI 模型的核心「系統提示詞」（System Prompts）。這些提示詞是定義 AI 預設行為、語氣與安全規範的關鍵指令，揭示了這些先進 LLM 的「隱藏規則」。對於 Prompt Engineering 開發者而言，此專案提供了深入理解模型運作的獨特視角，有助於更精準地引導 AI。它定期更新，並提供不同版本模型（如 Claude Opus 4.8 與 Fable 5）的提示詞差異比較，這對追蹤 AI 技術演進與功能迭代極具參考價值，是探索 LLM 幕後邏輯不可多得的工具。
9. google-research/timesfm
Google Research 推出的 TimesFM (Time Series Foundation Model) 是一個預訓練的時間序列基礎模型，旨在徹底改變複雜數據的時間序列預測方式。它解決了傳統方法在處理大規模、多樣化時間序列數據時，往往需高度客製化與耗費大量資源的痛點，透過一個通用且強大的模型提供開箱即用的預測能力。
TimesFM 在 AI/LLM 社群中備受關注，原因在於它借鑒了大型語言模型（LLM）的成功範式。作為「基礎模型」，它將預訓練與轉移學習的概念帶入時間序列領域，其 decoder-only 架構與 LLM 異曲同工。它支援使用 Hugging Face Transformers 及 PEFT (LoRA) 進行微調，讓開發者能以熟悉的方式適應性訓練。最新版 TimesFM 2.5 不僅參數更精簡、上下文長度大幅提升，還加入了連續分位數預測與 Agent 支援，預示著時間序列預測將邁向更泛用、更智能的未來。
10. phuryn/pm-skills
「phuryn/pm-skills」是一個引人注目的專案，它將大型語言模型（LLM）的潛力帶入產品管理（PM）的核心工作流程。它不是簡單的文字生成器，而是為產品經理打造的「AI作業系統」，透過提供 100 多種代理（agentic）技能、指令和插件，涵蓋從產品探索、策略、執行、發佈到成長的全生命週期。這個專案旨在解決通用 AI 僅提供文本而缺乏結構性思考的問題，將 Teresa Torres、Marty Cagan 等專家的成熟 PM 框架編碼成 AI 可執行的步驟。對於 AI/LLM 社群而言，pm-skills 展示了如何將領域專業知識與 AI 助理（如 Claude、Codex、Gemini 等）結合，使其能夠執行複雜、多步驟的任務，從而提升生產力與決策品質。它不僅是工具集，更是將 AI 從輔助對話轉變為專業領域「代理」的實踐典範，為未來更多專業級 AI 應用奠定基礎。
11. meshery/meshery
Meshery 是一個由 Cloud Native Computing Foundation (CNCF) 支持的開源專案，定位為雲原生管理器與自助式工程平台。它旨在簡化 Kubernetes 基礎設施和應用程式的設計與管理，尤其在多雲、多叢集環境下，透過視覺化與協同的 GitOps 方式，讓開發者擺脫繁瑣的 YAML 設定。無論是基礎設施生命週期管理、跨叢集操作，還是部署前的乾跑測試，Meshery 都提供了一站式解決方案。
在 AI/LLM 領域，Meshery 的價值尤其凸顯在其強大的效能管理能力。隨著 LLM 模型的部署日益複雜，對推論速度、資源效率和服務穩定性的要求極高。Meshery 透過內建的負載生成器 (如 Fortio) 和效能分析工具，能夠對 AI 服務進行精確的效能評測與特徵化。這讓 MLOps 團隊能夠追蹤模型在不同版本或環境下的效能表現、比較部署差異，並收集關鍵指標，進而優化模型運作效率和使用者體驗。它提供的不僅是基礎設施管理，更是一個能為 AI/LLM 工作負載提供關鍵洞察的平台。
12. swc-project/swc
SWC（Speedy Web Compiler）是一個由 Rust 打造的超高速 TypeScript/JavaScript 編譯器，旨在徹底加速網頁開發流程。它扮演著前端工具鏈的核心角色，能夠替代 Babel 等工具，在解析、轉換與打包 JavaScript/TypeScript 程式碼時，提供顯著的效能提升，大幅縮短開發者的等待時間。對於 AI/LLM 領域而言，SWC 的重要性不僅止於提升前端體驗。許多 AI/LLM 應用，從資料標註工具、模型互動介面，到結果視覺化儀表板，都高度依賴複雜的網頁前端。SWC 帶來的快速編譯與打包能力，能顯著加速這些前端的開發迭代週期，讓開發者能更專注於 AI 模型與演算法的核心邏輯，而非耗時的建置過程。同時，SWC 選用 Rust 作為底層，也呼應了 AI/ML 領域對高效能、低延遲工具的需求，展示了 Rust 在打造核心開發基礎設施上的潛力，值得 AI 工程師關注其如何間接賦能更快速、更高效的 AI 應用交付。
13. LMCache/LMCache
LMCache 是一款專為大型語言模型 (LLM) 推論打造的高效 KV 快取管理層。它革新了傳統快取作為臨時狀態的模式，將 KV 快取轉化為可持久儲存、跨引擎重複使用、可監控與轉換的「AI 原生知識」。這項創新顯著降低了 TTFT (Time-to-First-Token) 並提升整體吞吐量，尤其對長上下文、代理式、多輪對話及 RAG 等工作負載助益良多。
其獨立於推論引擎的部署、分層快取卸載與重用，以及生產級可觀測性等核心特性，讓 LMCache 能靈活地在 GPU、CPU 記憶體或持久儲存間管理快取，並支援供應商中立性。它不僅優化了 LLM 推論的效率和成本，更因其成為 LLM 生態系統中 KV 快取管理的事實標準，成為 AI 開發者在建構高性能、可擴展 LLM 應用時不可忽視的關鍵技術。
14. pytest-dev/pytest
pytest 是一個功能強大且廣受好評的 Python 測試框架，它以簡潔的 assert 語句和詳細的失敗報告，極大地簡化了測試撰寫和執行。它不僅適用於小型單元測試，也能擴展支持大型、複雜的應用程式功能測試。其自動測試發現、模組化 Fixtures 以及豐富的插件生態，都是其核心亮點。
在 AI/LLM 領域，專案往往涉及複雜的資料處理管道、模型訓練與推論邏輯，以及各種 API 整合。確保這些環節的正確性與穩定性至關重要。pytest 的模組化 Fixtures 機制，讓開發者能有效地管理測試資料集、模型配置或環境依賴，確保測試的可重複性與獨立性。其參數化測試（parametrization）功能，對於測試不同輸入資料對模型輸出的影響，或是比較不同版本模型的性能，都極為實用。此外，pytest 豐富的插件生態系統，也能幫助社群開發出專為 AI/ML 流程設計的測試工具。選擇 pytest 作為 AI/LLM 專案的測試基石，能顯著提升開發效率與程式碼品質。
15. lfnovo/open-notebook
lfnovo/open-notebook 是一個值得關注的 AI 專案，它提供了一個開源、隱私導向的 Notebook LM 替代方案。在 AI 工具日益普及的今天，許多使用者面臨資料隱私與廠商鎖定的困擾，而 Open Notebook 正是為了解決這些痛點而生。它強調 100% 本地運行、資料自主控制，並支援超過 18 種主流 AI 模型供應商，包括 OpenAI、Anthropic 乃至於本地部署的 Ollama。這讓使用者能依需求彈性選擇模型，有效管理成本，並透過完整的 REST API 實現高度客製化與自動化。此外，它能匯入多種格式內容進行整理、搜尋與上下文對話，甚至生成專業播客，對於追求個人資料掌控權、多樣化 AI 能力的技術社群來說，無疑是一項強大且具備高度自由度的研究與筆記工具。