本週從 GitHub Trending 前 15 名中，篩選出 15 個 AI/LLM 相關專案：
1. calesthio/OpenMontage
OpenMontage 是一個開源且由 AI 代理驅動的視訊製作系統，旨在將你的 AI 程式碼助理轉變為一個完整的視訊製作工作室。它解決了傳統 AI 視訊工具僅限於單一片段或靜態圖片動畫的限制，提供從研究、腳本、素材生成到剪輯和合成的端到端生產管線。
其在 AI/LLM 領域值得關注的核心在於其創新的「代理優先」架構。AI 助理作為實際的協調者，能利用多達 12 種生產管線、52 種工具及 400 多項代理技能，精準執行複雜任務。更重要的是，OpenMontage 不僅能製作基於圖像的視訊，還能從免費素材與開放檔案中剪輯出「真實」的動態視訊。結合嚴謹的品質控管、預算治理及多提供商支援，它展示了 AI 在複雜、多步驟內容創作任務上的卓越潛力，為自動化視訊生產樹立了新標竿。
2. DeusData/codebase-memory-mcp
DeusData 的 codebase-memory-mcp 是一個高性能的程式碼智慧 MCP 伺服器，它能將程式碼庫快速轉換成持久化的知識圖譜。專案旨在解決 AI 編碼代理在處理龐大程式碼時，難以高效地理解與查詢結構性資訊的挑戰。它結合 Tree-sitter 和 Hybrid LSP 技術，能以極快的速度（Linux 核心僅需 3 分鐘）索引 158 種語言，生成包含函式、類別、呼叫鏈等精確的結構化知識，且所有處理均在本地安全執行。
對 AI/LLM 領域而言，codebase-memory-mcp 的重要性在於它作為一個無 LLM 的高效結構分析後端，專門為 AI 編碼代理提供服務。透過查詢這個詳盡的知識圖譜，LLM 能以大幅減少的 Token 消耗（效率提升高達 99%），快速執行複雜的程式碼分析、呼叫路徑追蹤或死程式碼偵測。這使得 AI 輔助開發工具在理解程式碼意圖、提供準確建議及加速開發流程方面，能達到前所未有的效率與深度，是提升 LLM 程式碼智能的關鍵基礎建設。
3. kunchenguid/no-mistakes
no-mistakes 專案提供了一個巧妙的解決方案，透過本機 Git 代理機制，在程式碼推送至遠端前，運行一套 AI 驅動的驗證流程。它旨在解決開發者在提交程式碼時可能遇到的各種「疏漏」，例如忘記運行測試、未通過 lint 檢查，或是 PR 內容不夠規範等問題。當你執行 git push no-mistakes 時，它會在一個獨立的工作區中執行測試、文件檢查、linting 等步驟，並利用 AI 代理進行智能審核與自動修復，確保只有「乾淨」的程式碼才能最終被推送到目標分支，甚至自動為你建立 PR。
在 AI/LLM 領域，no-mistakes 尤其值得關注，因為它將 AI 賦能的自動化能力，深入整合到 Git 工作流的核心環節。它不僅能利用 Claude、Codex 等 AI 代理檢查程式碼品質，更提供 /no-mistakes 指令，讓 AI 程式碼生成工具可以直接將其產出透過這個質量閘門。這意味著 AI 寫出的程式碼也能在提交前經過嚴格把關，確保其品質符合專案規範，同時保持人類開發者對最終決策的掌控權，是提升開發效率與程式碼品質的強力工具。
4. google-labs-code/design.md
google-labs-code/design.md 是一個由 Google Labs 開發的創新規範，旨在讓 AI 代理能夠「理解」視覺設計系統。它透過結合機器可讀的 YAML 設計代幣與人類可讀的 Markdown 設計理念，彌補了設計與程式碼之間的鴻溝。這份文件不僅提供精確的設計數值，更闡述了這些數值背後的「為何」與「如何」應用，確保 AI 能獲得完整的設計語境。
對 AI/LLM 社群而言，DESIGN.md 意義重大。它讓大型語言模型能從單純的程式碼生成，進化到能產出符合品牌風格、兼具設計邏輯的 UI。想像一下，AI 能自動生成遵循設計系統規範的組件、分析設計變體，甚至自動檢查 UI 是否符合 WCAG 標準。這開啟了 AI 輔助設計自動化的新篇章，提供了一套讓 AI 真正掌握設計意圖的實用工具。
5. ZhuLinsen/daily_stock_analysis
ZhuLinsen/daily_stock_analysis 是一個由大型語言模型（LLM）驅動的多市場股票智能分析系統。它整合多源行情數據與即時新聞，為 A 股、港股、美股等多地股市生成每日「決策儀表盤」，包含核心結論、買賣點位與風險警報，並能自動推送，顯著降低投資研究的時間與資訊負擔。
此專案在 AI/LLM 技術社群中值得關注，在於其靈活支援多種主流大模型，並透過 Agent 策略提供基於均線、纏論等多種理論的互動式「問股」功能。尤其，它利用 GitHub Actions 實現零成本定時運行，展示了 LLM 在金融決策支援上，提供高效、實用解決方案的巨大潛力，值得技術社群深入探討與應用。
6. penpot/penpot
Penpot 是一個開源的設計協作平台，旨在解決設計與開發之間的傳統鴻溝。它將設計表達為程式碼，原生支援 SVG、CSS、HTML 等開放標準，讓設計資產更具可操作性。Penpot 透過提供完整的設計基礎設施自主權（支持自託管），並透過即時協作、原生 Design Tokens 確保設計系統的一致性，加速產品開發流程。
對於 AI/LLM 技術社群而言，Penpot 尤其值得關注。其「設計即程式碼」的哲學，使得設計稿能被 AI 讀取和理解，這透過 MCP server 和強大的開放 API 實現。專案明確提到支援「AI 驅動的工作流程」和自動化，這為開發者將 LLM 或其他 AI 模型整合到 UI/UX 設計生成、分析或優化流程中提供了巨大潛力。Penpot 的開放性、自託管能力與程式碼導向的本質，使其成為探索 AI 輔助設計新範式的理想平台。
7. Panniantong/Agent-Reach
Agent-Reach 是一個為 AI Agent 賦予「互聯網之眼」的實用方案。現有 AI Agent 在處理如搜尋推特、提取 YouTube 字幕、瀏覽小紅書等網路任務時，常因 API 費用、平台限制或複雜配置而力不從心。
此專案作為「能力層」，精準解決了這些挑戰。它自動為 Agent 選擇、安裝並維護一系列免費且穩定的網路存取工具，涵蓋 Twitter、Reddit、YouTube、Bilibili、小紅書及全網語義搜索等多元平台。Agent-Reach 關鍵在於持續追蹤各平台反爬策略，動態切換最佳接入方式，確保 Agent 無縫、可靠地獲取資訊，大幅減輕開發者的配置與維護負擔。
在 LLM 時代，Agent 的自主性與實用性日益關鍵。Agent-Reach 賦予其感知並互動真實互聯網的能力，擴展了應用邊界，能處理更複雜、實用的任務。這不僅降低了開發門檻，也為通用 AI Agent 的發展奠定基礎，因此在技術社群中值得高度關注。
8. interviewstreet/hiring-agent
interviewstreet/hiring-agent 是一個引人注目的 AI 代理專案，旨在革新履歷評估流程。它透過解析 PDF 履歷，利用 LLM 將非結構化資料轉為結構化 JSON，並結合 GitHub 資訊豐富候選人背景，最終產出具備分數、佐證與解釋的客觀評估報告。這解決了傳統履歷篩選效率低下與潛在偏見的問題，為 HR 帶來了更智能的解決方案。
在 AI/LLM 領域，此專案值得關注之處在於其巧妙融合 RAG 模式與大型語言模型。它能將 PDF 轉換為 Markdown，並透過精心設計的 Jinja 模板，引導 LLM 進行精準的資訊抽取與評分。特別是，專案支援 Ollama 實現完全本地化的 LLM 推理，讓開發者在無需依賴雲端 API 的情況下，體驗 AI Agent 的強大能力。同時，其強調公平性與可解釋性的評估設計，也為負責任 AI 在實際應用中提供了重要範例，是學習 LLM 於資料抽取與自動化決策場景的絕佳資源。
9. JCodesMore/ai-website-cloner-template
JCodesMore/ai-website-cloner-template 專案展示了 AI 程式碼代理在網頁開發領域的創新應用。它旨在透過 AI 代理，將任何現有網站「逆向工程」為現代化的 Next.js 程式碼庫。使用者只需提供 URL，AI 便能自動分析目標網站的設計、元件與行為，最終重建一個基於 shadcn/ui 和 Tailwind CSS 的全新專案。
這個工具解決了將舊有網站平台（如 WordPress）遷移至現代技術棧的痛點，也能幫助重建遺失原始碼的網站，或是作為學習頂尖網站設計模式的實用工具。其獨特的多階段流程，從「偵察」設計元素到「平行建構」各個區塊，最終進行「組裝與品管」，完整展現了 AI agents 執行複雜、多步驟工程任務的強大能力。這不僅是程式碼生成的範例，更是 Agentic AI 在實際應用中如何分析、分解並重建複雜系統的絕佳實踐，為 AI/LLM 技術的應用提供了深刻見解。
10. jamiepine/voicebox
Voicebox 是一個值得關注的開源 AI 語音工作室，它以「本地優先」的理念，提供一套完整的語音輸入與輸出解決方案。不同於市面上主流的雲端服務，Voicebox 將語音複製、生成（TTS）和語音轉文字（STT）功能完全在你的本機執行，有效解決了使用者對資料隱私的疑慮。它整合了多達七種 TTS 引擎、支援 23 種語言，並內建 Whisper 進行 STT，甚至還能透過本機 LLM 為語音設定個性或優化聽寫內容。其 API-first 設計和對 Model Context Protocol (MCP) 的支援，使其能無縫與各種 AI 代理程式整合，賦予它們獨特的聲音和語音互動能力。這不僅為開發者提供了高度客製化和隱私保護的語音工具，也為打造更個人化、在地化的 AI 體驗開闢了新的可能性。
11. stablyai/orca
Orca 專案是為了解決多個 AI 程式碼生成代理（coding agents）協同工作時的複雜性而生。它將自己定位為一個強大的「AI 編排器」或「代理開發環境」（ADE），讓開發者能夠同時運行並管理多個 AI 代理，如 Codex、ClaudeCode 等，每個代理都在獨立的 Git 工作樹中運作。這巧妙地解決了在利用 LLM 進行軟體開發時，需要比較不同代理產出、選擇最佳方案，並將其整合到專案中的痛點。對於 AI/LLM 領域的技術社群來說，Orca 值得關注的原因在於它提供了一個統一的平台，最大化這些強大工具的潛力。它不僅提供平行工作樹、行動端監控、AI 差異註釋等功能，還能深度整合現有的開發流程（如 GitHub、Linear），大幅提升開發效率與人機協作體驗。隨著 AI 代理在軟體開發中扮演的角色日益重要，Orca 這類工具將成為管理「代理艦隊」、實現高效開發的關鍵基礎設施。
12. BuilderIO/agent-native
BuilderIO/agent-native 是一個專注於開發「代理原生 (agent-native)」應用程式的開源框架。它旨在解決當前 AI 代理多半停留在「聊天介面」而非「深度操作應用程式內部」的痛點。透過提供共享動作 (actions)、SQL 狀態、工具、技能、任務與 UI 介面等產品級原語，agent-native 讓開發者能建構出與應用程式無縫整合、功能強大的 AI 代理。
在 AI/LLM 領域中，此專案的價值在於其「代理優先」的設計理念。它將代理與 UI 視為同一系統的平等公民，確保所有操作能透過指令或點擊觸發，且狀態即時同步。這不僅實現了人機協同，更讓代理能感知應用上下文、呼叫其他代理，甚至具備「自我改進」應用功能及優化 UI 的能力。其豐富的應用範本，從程式碼規劃到設計原型，皆展示了如何將 AI 深度融入真實應用，為未來智慧軟體的開發樹立了具體且可行的典範。
13. mukul975/Anthropic-Cybersecurity-Skills
這個 mukul975/Anthropic-Cybersecurity-Skills 專案提供了一個龐大的開源網路安全技能庫，旨在賦予 AI 代理人資深分析師級的實戰能力。它整合了 817 項結構化的網路安全技能，涵蓋 29 個安全領域，並詳細對應至 MITRE ATT&CK、NIST CSF 2.0、MITRE ATLAS 等六大業界標準框架。對於 AI/LLM 技術社群來說，這個專案的價值在於它不僅僅是工具或腳本的集合，更是一個為 AI 代理人量身打造的「AI 原生知識庫」，遵循 agentskills.io 標準，讓 LLM 能夠從模糊指令進階到精確、步驟化的安全任務執行。在當前網路安全人才短缺的背景下，它透過賦予 AI 代理人決策流程和工作流程，有效彌補了通用 LLM 在專業安全領域的不足，使其能應用於威脅獵捕、事件響應等複雜場景，是實現 AI 賦能安全運營的關鍵一步。
14. koala73/worldmonitor
最近在 GitHub Trending 上，koala73/worldmonitor 是一個非常吸睛的專案，它提供了一個即時的全球情報儀表板，旨在解決資訊爆炸時代下，整合多源情報的挑戰。這個專案透過 AI 驅動新聞聚合、地緣政治監控和基礎設施追蹤，將來自 500 多個精選來源的資訊，AI 合成簡報，並能進行跨流數據關聯，分析軍事、經濟、災害等信號，甚至計算國家不穩定指數。對於 AI/LLM 技術社群來說，worldmonitor 尤其值得關注。它不僅整合了 Ollama、Groq 和 OpenRouter 等多種 LLM 技術，最亮眼的是其「Local AI」能力，支援透過 Ollama 在本地端運行所有功能，無需外部 API 密鑰，大幅提升了數據隱私與自主性。此外，前端還運用了 Transformers.js 實現瀏覽器端的 AI 處理。這是一個將多模態 AI 應用於實時情報分析的實踐典範，對於探索開源 LLM 落地應用或注重數據隱私的開發者，都提供了極高的參考價值。
15. asgeirtj/system_prompts_leaks
「asgeirtj/system_prompts_leaks」這個 GitHub 專案無疑是當前 LLM 技術社群的一大亮點。它持續彙整並揭露來自 Anthropic (Claude)、OpenAI (ChatGPT)、Google (Gemini)、xAI (Grok) 等領先 AI 廠商旗下各個模型的系統提示詞 (System Prompts)。這些「洩漏」的提示詞，其實就是 AI 模型在底層遵循的「隱藏規則」或「操作手冊」，它們定義了模型的個性、安全機制、回應風格，甚至工具使用方式。
對於 AI/LLM 開發者和研究者來說，這個專案的價值不言而喻。它不僅是學習高階提示詞工程 (Prompt Engineering) 的寶貴資源，讓我們能窺探頂尖模型是如何被設計以實現特定行為和功能的。更深層次地，透過比對不同模型版本（例如 Claude Fable 5 與 Opus 4.8 之間的差異），我們可以追蹤 LLM 能力的演進，理解開發者如何迭代模型行為。同時，這也為安全研究和紅隊測試提供了新的視角，有助於探測模型的防線。它為理解和掌握這些黑箱中的智慧提供了難得的透明度。