每日开源速递 - 2026年6月22日

今日 GitHub Trending 榜单被 AI Agent 工具和视频生成类项目主导。Headroom 凭借 60-95% 的 Token 压缩能力登顶日增星，Palmier Pro 把 macOS 视频编辑器对 AI 全面开放，OpenMontage 则把任意 AI 编程助手变成专业视频制片厂。下面让我们逐个深入了解。

1. chopratejas/headroom - AI Agent 上下文压缩层

核心功能

headroom 是一款专为 AI Agent 设计的"上下文压缩层"，能在 LLM 读取内容之前对工具输出、日志、RAG 块、文件和对话历史进行压缩，平均节省 60-95% 的 Token。它提供 4 种使用形态：

• 库模式：compress(messages) 直接嵌入 Python/TypeScript 应用
• 代理模式：headroom proxy --port 8787 透明代理，零代码改动
• Agent 包装：headroom wrap claude|codex|cursor|aider|copilot 一键包装
• MCP Server：暴露 headroom_compress / headroom_retrieve / headroom_stats 三个工具

底层由 6 种算法协同工作：ContentRouter 识别内容类型、SmartCrusher 压缩 JSON、CodeCompressor 处理 AST、Kompress-v2-base 处理散文、CacheAligner 稳定前缀命中 KV 缓存、CCR（可逆压缩）缓存原文供按需取回。它还能压缩 输出 Token（“be terse” 引导 + 工具结果后的 effort 降级），并提供 headroom learn 从历史会话中自动学习最优简洁度。

适用场景

• RAG 与代码搜索：100 个代码搜索结果从 17,765 → 1,408 Token（-92%）
• SRE 事件调试：65,694 → 5,118 Token（-92%）
• 大型 Codebase 探索：把"读 50 个文件"变成"几个图查询"
• 节省模型账单：Opus 类模型输出是输入的 5 倍贵，headroom 还能压输出

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# Python
pip install "headroom-ai[all]"

# Node / TypeScript
npm install headroom-ai

# 一键包装 Claude Code
headroom wrap claude

# 启动透明代理
headroom proxy --port 8787

代码示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

from headroom import compress

messages = [
    {"role": "user", "content": "为什么我的服务报 502?"},
    {"role": "tool", "content": huge_log_dump},  # 65k tokens
    {"role": "user", "content": "分析下根因"},
]

# 压缩后再发给 LLM
compressed = compress(messages)
response = llm.invoke(compressed)

1
2
3
4
5
6

# 实时查看节省效果
headroom perf
# Reduction: 31.7% (95% CI 27.7% … 35.7%)

# 学习你的简洁度偏好
headroom learn --verbosity --apply

评价

优点：

• 真实工作负载测试：代码搜索/SRE/Codebase 探索全部 47-92% 节省
• 准确度不掉：GSM8K ±0.000、TruthfulQA +0.03、SQuAD v2 19% 压缩率仍 97% 准确
• 完全本地优先，数据不出机器；KV 缓存友好的前缀稳定设计
• MCP + 跨 Agent 共享内存，自动 dedup

缺点：

• 算法组合较复杂，调优需要理解 ContentRouter 路由规则
• 一些高级功能（输出 shaping）默认关闭，需要 HEADROOM_OUTPUT_SHAPER=1 开启
• 学习曲线略陡，对纯小白不如直接用 Claude 友好

2. palmier-io/palmier-pro - 为 AI 而生的 macOS 视频编辑器

核心功能

Palmier Pro 是一款用 Swift 从零编写的开源 macOS 视频编辑器，目标是成为"Age of AI 的 Premiere Pro"。其核心创新是把视频时间线暴露给 AI Agent：你和 Claude/Codex/Cursor 可以在同一个时间线上协同生成、编辑视频。

• 集成 SOTA 生成模型：Seedance、Kling、Nano Banana Pro
• 内置 MCP Server，监听 http://127.0.0.1:19789/mcp，可直接被 Claude Code、Codex、Cursor、Claude Desktop 接入
• 视频编辑器、MCP Server、Agent Chat 全部开源（GPLv3），仅生成式 AI 处理闭源

适用场景

• AI 视频创作：用自然语言让 Agent 在时间线上编排镜头
• MCP 调试：把本地视频项目变成 Agent 可操作的资源
• 现有工作流增强：CapCut/Premiere 用户希望叠加 AI 能力
• 视频 Agent 实验：研究"AI 编辑视频"这一新范式

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

# 1. 下载 App
open https://github.com/palmier-io/palmier-pro/releases
# 下载 Palmier-Pro.dmg，仅支持 macOS 26 (Tahoe) on Apple Silicon

# 2. 启动后 MCP Server 自动暴露在 19789

# 3. 接入 Claude Code
claude mcp add --transport http palmier-pro http://127.0.0.1:19789/mcp

# 4. 接入 Codex
codex mcp add palmier-pro --url http://127.0.0.1:19789/mcp

# 5. 接入 Cursor（手动）
# 编辑 ~/.cursor/mcp.json
{
  "mcpServers": {
    "palmier-pro": {
      "type": "http",
      "url": "http://127.0.0.1:19789/mcp"
    }
  }
}

代码示例

1
2
3
4
5
6
7

# 在 Claude Code 中
"打开我最新的项目，把最后一段切成 3 个不同节奏的镜头，
 第一个用 Kling 1.6 重生成，第二个保留，第三个做个 2x 慢动作"

# 在 Codex 中
codex> 加载 palmier-pro MCP，列出我时间线上的所有片段
codex> 选中第 3 个片段，让它转成 16:9 并加 cinematic LUT

评价

优点：

• Swift 原生、macOS 26 + Apple Silicon 性能优异
• MCP Server 协议中立，Claude/Codex/Cursor 通用
• 编辑器本体完全免费开源（仅生成式 AI 收费）
• 与 PR/反馈渠道（Discord + X）结合紧密，作者活跃

缺点：

• 平台锁定严重：只支持 macOS 26 Apple Silicon，Windows/Linux 用户无缘
• 核心生成能力（Seedance/Kling 调用）仍闭源，存在被抽走的可能性
• 生态仍早期，第三方插件/教程稀少

3. calesthio/OpenMontage - 第一个开源的 Agentic 视频制片系统

核心功能

OpenMontage 号称"世界第一个开源的 Agentic 视频制片系统"，包含 12 条生产线、52 个工具、500+ Agent Skills。它把你的 AI 编程助手（Claude Code、Cursor、Copilot、Windsurf、Codex）直接变成一个完整的视频制片厂：从研究、脚本、素材生成、剪辑到最终合成一气呵成。

与传统"动画几张图假装视频"的项目不同，OpenMontage 提供两种真正的视频路径：

1. 图像基础路径：用 FLUX/Kling 生成图像，Remotion 合成动效（粒子、视差、Ken Burns、字幕）
2. 真实素材路径：Agent 从 Pexels/Pixabay 免费图库检索真实运动素材，编辑进时间线再渲染

每条视频的成本示例：吉卜力风格短片 $0.15，60 秒皮克斯风格短片 $1.33，全 AI 产品广告 $0.69。系统运行 ffprobe 验证、帧采样、音频电平分析、自评多检查后再交付。

适用场景

• 短视频内容生产：TikTok/Reels/YouTube Shorts 自动化
• 概念验证视频：产品发布前的 cinematic trailer
• 教育/解说视频：把博客文章转成动画
• 风格化短片：吉卜力、皮克斯、赛博朋克、纪录片多种风格
• 低成本 MV/广告：1 美元级别的全流程制作

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# 前置：Python 3.10+, FFmpeg, Node.js 18+, 一个 AI 编程助手
git clone https://github.com/calesthio/OpenMontage.git
cd OpenMontage
make setup

# 或手动
pip install -r requirements.txt
cd remotion-composer && npm install && cd ..
pip install piper-tts
cp .env.example .env
# 填入 FAL_KEY / PEXELS_API_KEY 等

代码示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# 在 AI 助手中直接说话
"做一个 60 秒的神经网络科普动画"

# 真实素材路径
"做一个 75 秒的雨天城市生活纪录片蒙太奇，只要真实素材，
 不要旁白，沉静语调，配音乐"

# 从参考视频开始
"这是我喜欢的 YouTube Short，帮我做一个关于量子计算的类似视频"
# Agent 会分析原视频的节奏/钩子/结构，输出 2-3 个差异化概念 + 成本估算

1
2
3
4

# .env — 每个 key 都是可选的，按需启用
FAL_KEY=your-key           # FLUX 图片 + Google Veo/Kling/MiniMax 视频
PEXELS_API_KEY=your-key    # 免费真实素材
PIXABAY_API_KEY=your-key   # 免费图片视频

评价

优点：

• 真正的"端到端" Agentic 制片，不只是素材拼贴
• 成本极低（多数视频 $0.15 - $1.33），适合个人创作者
• 多 LLM/工具兼容：Claude Code/Cursor/Copilot/Codex 都能驱动
• 12 条预设生产线（pipelines）覆盖短片、广告、纪录片、动画
• 自带多维度自评（ffprobe、字幕检查、音频电平、交付承诺）

缺点：

• 依赖很多外部 API Key（fal、Pexels、OpenAI、Veo 等），配置略繁
• 风格受限于所选模型的强项（FLUX 偏静帧，Kling 偏运动）
• 长视频（5+ 分钟）目前还不是强项，建议控制在 90 秒内
• 渲染耗时仍是最大瓶颈，需要本地 GPU 或云渲染

4. tursodatabase/turso - Rust 写的进程内 SQLite 兼容数据库

核心功能

Turso Database 是一款用 Rust 编写的进程内 SQL 数据库，完全兼容 SQLite（SQL 语法、文件格式、C API）。它在 SQLite 的基础上加上了现代数据库的关键能力：

• MVCC 并发控制：BEGIN CONCURRENT 提升写吞吐
• CDC（Change Data Capture）：实时追踪数据变化
• 多语言绑定：Rust、JavaScript、Python、Go、Java、.NET、WebAssembly 全覆盖
• io_uring 异步 I/O：Linux 上极致性能
• 向量支持：精确搜索与向量操作
• 加密 at rest：保护本地数据
• DBSP 增量计算：增量视图维护和查询订阅
• FTS（Full-Text-Search）：基于 tantivy 的全文检索
• 多进程 WAL 协调：.tshm sidecar 实现跨进程读写

附带 MCP Server 模式：tursodb your_database.db --mcp 启动后，AI 助手即可通过 9 个工具查询你的数据库（open_database、execute_query、schema_change 等）。

适用场景

• SQLite 升级路径：想要多写并发又不想换 Postgres
• Edge 计算：WebAssembly 跑在浏览器/边缘节点
• AI 助手的数据库后端：通过 MCP 让 Claude 直接查你的本地数据
• 嵌入式应用：跨平台（Linux/macOS/Windows/浏览器）一致性
• RAG 系统：内置向量 + FTS，无需额外组件

安装方式

1
2
3
4
5
6

# 命令行工具
curl --proto '=https' --tlsv1.2 -LsSf \
  https://github.com/tursodatabase/turso/releases/latest/download/turso_cli-installer.sh | sh

# 启动交互 shell
tursodb

代码示例

1
2
3
4
5

use turso::Builder;

let db = Builder::new_local("sqlite.db").build().await?;
let conn = db.connect()?;
let res = conn.query("SELECT * FROM users", ()).await?;

1
2
3
4

import turso
con = turso.connect("sqlite.db")
cur = con.cursor()
print(cur.execute("SELECT * FROM users").fetchone())

1
2
3
4

import { connect } from '@tursodatabase/database';
const db = await connect('sqlite.db');
const users = db.prepare('SELECT * FROM users').all();
console.log(users);

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

// Claude Code 接入 MCP
{
  "mcpServers": {
    "turso": {
      "command": "/path/to/.turso/tursodb",
      "args": ["/path/to/your/database.db", "--mcp"]
    }
  }
}
// 然后问 Claude："列出 users 表的所有索引"

评价

优点：

• 完美的 SQLite 兼容性：现有 SQLite 工具、ORM、驱动基本无痛迁移
• 多语言绑定齐全，特别是 WebAssembly 让你能在浏览器跑
• MVCC + io_uring 让 SQLite 终于有"正经数据库"的并发能力
• 内置 MCP Server，AI-native 体验自然
• 加密、FTS、向量一个不缺

缺点：

• 仍是 BETA：作者明确警告可能有 bug，生产数据请备份
• 向量索引（近似搜索）还在路线图，目前只支持精确搜索
• 文档相对简略，生产部署需要自己研究
• 生态比 SQLite 小，遇到问题需自己看源码

5. penpot/penpot - 真正开源的设计与代码协作平台

核心功能

Penpot 是面向产品团队的开源设计平台，主打"设计即代码"——设计稿以 SVG / CSS / HTML / JSON 表达，开发可以直接读取、复制和落地。核心能力包括：

• 完全自托管：Docker / Kubernetes / Elestio 一键部署，也可使用官方 SaaS
• 实时协作：多光标、评论、版本管理
• Design Tokens 原生支持：设计与开发之间的"单一事实源"
• CSS Grid + Flex Layout：设计稿行为就像真实代码，响应式天生支持
• MCP Server：通过 MCP 让 AI 在设计与代码之间双向工作流
• 插件系统：通过 Penpot Hub 扩展功能
• API + Webhooks：完整可编程工作空间

适用场景

• 设计系统管理：Tokens + Components + Variants 全套
• 跨职能团队：设计师与开发者共用一个工作空间
• 数据敏感企业：需要私有部署（金融、政府、医疗）
• Figma 替代：不想被 Figma 锁定，又需要现代设计工具
• AI 工作流：用 MCP 把 Penpot 接入 Cursor/Claude，自动从设计稿生成代码

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# Docker（最简单）
docker run -d --name penpot \
  -p 9000:9000 \
  -v /data/penpot:/data \
  penpotapp/penpot

# 或使用 Docker Compose / Kubernetes
# 详见 https://help.penpot.app/technical-guide/getting-started/

# 也可以用官方 SaaS
open https://design.penpot.app

代码示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

# 接入 MCP（在你的 IDE 中配置）
{
  "mcpServers": {
    "penpot": {
      "command": "npx",
      "args": ["-y", "penpot-mcp-server"]
    }
  }
}

# 在 Claude Code 中
"打开 Penpot 中名为 'Onboarding Flow' 的文件，
 把第三个屏幕的登录按钮转成 React + Tailwind 代码"

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# Design Tokens（Penpot 原生支持）
colors:
  primary:
    50: "#EFF6FF"
    500: "#3B82F6"
    900: "#1E3A8A"
spacing:
  xs: 4
  sm: 8
  md: 16
  lg: 24

评价

优点：

• 真正开源（AGPL/MPL），无供应商锁定
• 设计即代码：Inspect 面板直接出 SVG/CSS/HTML
• 自托管友好，企业合规首选
• MCP Server + Design Tokens 把"设计与 AI"工作流打通了
• 社区活跃（社区、Discord、PeerTube 都有）

缺点：

• 性能偶有卡顿（特别是大文件），不如 Figma 流畅
• 高级功能（如智能组件、变体管理）仍在追赶 Figma
• 插件生态还在早期，第三方资源少
• 学习曲线对纯设计师略陡（要理解 Tokens/CSS 概念）

6. ZhuLinsen/daily_stock_analysis - LLM 驱动的多市场股票分析系统

核心功能

daily_stock_analysis 是基于 AI 大模型的自选股智能分析系统，覆盖 A 股、港股、美股、ETF 以及日股/韩股（.T / .KS / .KQ），每天自动生成"决策仪表盘"并推送到企业微信、飞书、Telegram、Discord、Slack、邮箱。

主要能力：

• AI 决策报告：核心结论、评分（0-100）、趋势、买卖点位、风险警报、催化因素、操作清单
• 多市场数据聚合：TickFlow、AkShare、Tushare、Pytdx、Baostock、YFinance、Longbridge
• Agent 策略问股：15 种内置策略（均线金叉、缠论、波浪、热点、事件驱动、成长质量等）
• 多渠道推送：GitHub Actions / Docker / 本地定时
• Web/桌面工作台：手动分析、任务监控、历史报告、回测、持仓管理
• 零成本运行：通过 GitHub Actions 免费 schedule 跑

适用场景

• 个人投资者：每天看一份自动生成的多市场决策报告
• 量化研究：回测、Agent 问股、API 调用
• 内容运营：把每日报告分享到飞书/企业微信群
• 多市场覆盖：A 股为主，兼顾港美股和日韩

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

# 1. Fork 仓库
# 2. Settings → Secrets → Actions 配置至少一个 AI Key 和一个通知渠道
#    ANSPIRE_API_KEYS / WECHAT_WEBHOOK_URL / TELEGRAM_BOT_TOKEN ...
# 3. 配置 STOCK_LIST secret：600519,hk00700,AAPL
# 4. Actions → 每日股票分析 → Enable workflow
# 5. 默认工作日 18:00（北京时间）自动跑

# 本地运行
git clone https://github.com/ZhuLinsen/daily_stock_analysis.git
cd daily_stock_analysis
pip install -r requirements.txt
cp .env.example .env && vim .env
python main.py

# 启动 WebUI
python main.py --webui
# 访问 http://127.0.0.1:8000

代码示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# 自定义分析目标
python main.py --stocks 600519,hk00700,AAPL

# 大盘复盘
python main.py --market-review

# 启动定时调度
python main.py --schedule

# 仅启动 API 服务
python main.py --serve-only

1
2
3
4
5
6

# GitHub Actions 默认配置
# .github/workflows/daily_analysis.yml
on:
  schedule:
    - cron: '0 10 * * 1-5'  # 北京时间 18:00（UTC+8）
  workflow_dispatch:         # 手动触发

评价

优点：

• 多市场覆盖完整，特别是 A 股/港股支持优秀
• 零成本部署：GitHub Actions 免费跑，无需服务器
• 通知渠道齐全，企业微信/飞书/Telegram/Discord/Slack/邮箱一应俱全
• WebUI + CLI + API 三种使用方式灵活
• Agent 问股内置 15 种策略，技术派和事件派都覆盖

缺点：

• AI 报告本质是"信息聚合 + 模板化输出"，不构成投资建议
• 数据源依赖外部（TickFlow、AkShare），个别接口可能受限
• 高级功能（回测、持仓）需要付费数据源才能用全
• 日股/韩股能力降级（capital_flow / dragon_tiger 等高阶区块 not_supported）

7. koala73/worldmonitor - 实时全球情报仪表盘

核心功能

WorldMonitor 是一款实时全球情报仪表盘，AI 驱动的新闻聚合、地缘政治监控、基础设施跟踪都集中在一个"态势感知"界面里。

核心能力：

• 500+ 精选新闻源，覆盖 15 个类别，AI 自动合成为简报
• 双地图引擎：3D 地球（globe.gl）+ WebGL 平面地图（deck.gl），56 种地图图层
• 跨流相关性：军事、经济、灾害、升级信号的汇聚分析
• Country Instability Index (CII)：31 个 Tier-1 国家的服务器权威 CII v8 压力评分
• 金融雷达：29 个股票交易所 + 大宗商品 + 加密货币 + 7 信号市场综合
• 本地 AI：可选用 Ollama 运行，无需 API Key
• 6 套站点变体：world、tech、finance、commodity、happy、energy 同一份代码库
• Tauri 2 桌面应用：macOS、Windows、Linux 原生包
• 24 种语言，原生 RTL 支持

适用场景

• 地缘政治研究：冲突、制裁、能源管道、海运航线实时跟踪
• 金融情报：多市场、跨资产、跨地域的同步仪表盘
• 新闻聚合：从噪音中提取结构化情报
• 个人研究/教育：免费替代 Bloomberg/Refinitiv
• OSINT：开源情报分析

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

git clone https://github.com/koala73/worldmonitor.git
cd worldmonitor
npm install
npm run dev
# 打开 http://localhost:3000

# 启动特定变体
npm run dev:tech
npm run dev:finance
npm run dev:commodity

# 桌面应用
# 在 https://worldmonitor.app/api/download 下载对应平台安装包

代码示例

1
2
3
4
5
6
7
8

# 类型检查
npm run typecheck

# 生产构建
npm run build:full

# 部署到 Vercel / Docker / 静态站点
# 见 https://www.worldmonitor.app/docs/getting-started

1
2
3
4
5
6
7
8

// 技术栈概览
// Frontend: Vanilla TypeScript + Vite
//           + globe.gl / Three.js / deck.gl / MapLibre GL
// Desktop:  Tauri 2 (Rust) + Node.js sidecar
// AI/ML:   Ollama / Groq / OpenRouter / Transformers.js
// API:      Protocol Buffers (276 protos, 34 services)
// Deploy:   Vercel Edge Functions (60+) + Railway relay + PWA
// Cache:    Redis (Upstash) + 3-tier cache + CDN + service worker

评价

优点：

• 信息密度极高：500+ feed、65+ 数据源聚合在一个仪表盘
• 多种变体满足不同兴趣（金融、能源、正能量、科技、地缘）
• 6 套站点 + 桌面 App + PWA 覆盖所有使用场景
• 本地 AI 支持（Ollama）让数据隐私可控
• AGPL-3.0 但允许商业使用（合规前提下）

缺点：

• 65+ 数据源维护成本高，个别 feed 可能挂掉
• 信息过载是双刃剑：新手可能不知从哪看起
• 个别命令（如 fly LON DXB）需要付费 API Key
• 桌面包和站点变体较多，CI 资源消耗大

8. bytedance/deer-flow - 长时任务 SuperAgent 框架

核心功能

DeerFlow（Deep Exploration and Efficient Research Flow）是字节跳动开源的 SuperAgent 框架，通过编排子 Agent、记忆、沙箱、工具与技能，让 AI 自主完成"分钟到小时"级的长时任务。v2.0 是完全重写，2026 年 2 月 28 日发布后冲上 GitHub Trending #1。

核心特性：

• 子 Agent 编排：可派发并行/串行的子任务给独立 Agent
• 沙箱执行：安全的代码运行（bash、文件写入）环境
• 长期记忆：跨会话的上下文保持
• MCP Server：可被任意 MCP 客户端调用
• IM 集成：可对接 IM 通道作为对话入口
• Claude Code 集成：克隆后用一句 prompt 让 Claude Code 帮你配置
• 多模型支持：Doubao-Seed-2.0-Code、DeepSeek v3.2、Kimi 2.5 推荐
• LangSmith / Langfuse 追踪：可观测性开箱即用

适用场景

• 深度研究：几分钟到几小时的论文综述、行业分析
• 长流程代码任务：多文件重构、跨服务调试
• 多步骤工作流：爬取 → 清洗 → 分析 → 报告全自动
• Agent 研究：作为框架研究多 Agent 协同、记忆传递
• 内容创作：研究 + 写作 + 配图 + 排版一条龙

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

git clone https://github.com/bytedance/deer-flow.git
cd deer-flow
make setup  # 交互式向导，2 分钟生成 config.yaml + .env
make doctor # 检查配置

# 启动
make run

# 或 Docker
docker compose up

代码示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

# config.yaml 中的模型配置
models:
  - name: gpt-4o
    display_name: GPT-4o
    use: langchain_openai:ChatOpenAI
    model: gpt-4o
    api_key: $OPENAI_API_KEY

  - name: qwen3-32b-vllm
    display_name: Qwen3 32B (vLLM)
    use: deerflow.models.vllm_provider:VllmChatModel
    model: Qwen/Qwen3-32B
    api_key: $VLLM_API_KEY
    base_url: http://localhost:8000/v1
    supports_thinking: true
    when_thinking_enabled:
      extra_body:
        chat_template_kwargs:
          enable_thinking: true

1
2
3

# 一句话让 Claude Code 帮你完成配置
"Help me clone DeerFlow if needed, then bootstrap it for local development
 by following https://raw.githubusercontent.com/bytedance/deer-flow/main/Install.md"

评价

优点：

• 真"长时任务"框架：v2.0 专门为分钟-小时级任务设计
• 字节背书 + 社区活跃，Trending 登顶已验证热度
• 模型无关：OpenAI、Anthropic、Qwen、vLLM 自托管都支持
• 安全设计：沙箱模式可选，bash/文件权限可限制
• 良好可观测性：LangSmith + Langfuse 双支持

缺点：

• 安全警告：作者明确警告不当部署会引入安全风险（沙箱被绕过等）
• v2.0 完全重写，与 v1.x 不兼容，老用户需迁移
• 配置项较多，新手需要时间理解沙箱/工具/bash 策略
• 子 Agent 编排有调试难度，失败时排查链长

9. DeusData/codebase-memory-mcp - 高性能代码智能 MCP Server

核心功能

codebase-memory-mcp 是一款为 AI 编程 Agent 设计的代码智能引擎，把整个代码库索引成持久化知识图谱，让 Agent 用结构化查询代替"读 50 个文件"。

性能指标（让人印象深刻的数字）：

• 平均仓库：毫秒级完成索引
• Linux 内核（28M LOC、75K 文件）：3 分钟完成
• 结构化查询响应：< 1ms
• Token 节省：5 个结构化查询 ~3,400 tokens vs 一次性文件读取 ~412,000 tokens（-120 倍）

技术亮点：

• 158 种语言：内置 tree-sitter 语法，零外部依赖
• Hybrid LSP 语义类型解析：Python、TS/JS、PHP、C#、Go、C/C++、Java、Kotlin、Rust
• 14 个 MCP 工具：search、trace、architecture、impact analysis、Cypher 查询、死代码检测、跨服务 HTTP 链接、ADR 管理
• 单二进制：macOS/Linux/Windows 各平台打包，无 Docker、无运行时依赖
• 3D 图谱可视化 UI（可选）：localhost:9749 交互式浏览
• IaC 索引：Dockerfile、K8s manifest、Kustomize 全部纳入图谱
• 自动配置 11 个 Agent：Claude Code、Codex CLI、Gemini CLI、Zed、OpenCode、Antigravity、Aider、KiloCode、VS Code、OpenClaw、Kiro

适用场景

• 大型代码库探索：几十万到几千万行代码的快速理解
• 跨服务影响分析：改动一个函数，影响哪些 API、哪些服务
• 架构图谱可视化：和团队一起 review 模块边界
• 死代码清理：找出零调用方的函数
• Onboarding：新成员快速理解项目结构

安装方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

# macOS / Linux 一行安装
curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash

# 启用图谱可视化 UI
curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash -s -- --ui

# Windows (PowerShell)
Invoke-WebRequest -Uri https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.ps1 -OutFile install.ps1
.\install.ps1

# 启动 UI 模式
codebase-memory-mcp --ui=true --port=9749
# 浏览器打开 http://localhost:9749

# 卸载
codebase-memory-mcp uninstall

代码示例

1
2
3
4
5
6

# 在 Claude Code / Cursor 中
"Index this project"  # 一次性索引

"Get the architecture of this codebase"  # 一键返回语言/包/入口/路由/热点/边界
"Detect changes"  # 映射未提交改动到受影响的符号 + 风险分级
"Find dead code"  # 零调用方函数

1
2
3
4

# Cypher-like 查询
MATCH (f:Function)-[:CALLS]->(g)
WHERE f.name = 'main'
RETURN g.name

1
2
3
4
5
6
7

# 启动时启用自动索引
codebase-memory-mcp config set auto_index true
# 已有项目进入 git-based 后台监听
# 配置可设置 config set auto_index_limit 50000

# 升级
codebase-memory-mcp update

评价

优点：

• 性能炸裂：3 分钟索引 Linux 内核、< 1ms 查询、120× Token 节省
• 零依赖：单二进制双击即用，下载→安装→重启 Agent→搞定
• 覆盖最广：158 语言 + 11 个主流 Agent + IaC
• 论文可查：arXiv:2603.27277 设计文档，83% 答案质量、2.1× 少工具调用
• 安全透明：所有二进制签名 + checksum + 70+ AV 扫描

缺点：

• 数据本地化是双刃剑：会读你的代码库 + 写入 Agent 配置（需要审计）
• 大型 monorepo 首次索引可能吃较多内存（RAM-first 流水线）
• 价格？未开源所有组件，部分高级功能可能在付费层
• 文档完整但例子偏少，新用户需要摸索 Cypher 查询语法

10. mukul975/Anthropic-Cybersecurity-Skills - 754 个 AI Agent 网络安全技能库

核心功能

Anthropic-Cybersecurity-Skills 包含 754 个面向 AI Agent 的结构化网络安全技能，覆盖 26 个安全领域，遵循 agentskills.io 开放标准。每个技能都映射到 6 个行业框架——这是唯一同时覆盖全 6 框架的开源技能库：

26 个安全领域样例：云安全（60）、威胁狩猎（55）、威胁情报（50）、Web 应用安全（42）、网络安全（40）、恶意软件分析（39）等。一个"analyzing-network-traffic-of-malware"技能就同时映射 T1071（ATT&CK）、DE.CM（CSF）、AML.T0047（ATLAS）、D3-NTA（D3FEND）、MEASURE-2.6（AI RMF）——“一个技能、六个合规勾选框”。

适用场景

• AI 安全助手训练：给 Claude Code / Copilot / Cursor 注入安全知识
• 合规自动化：把 NIST CSF / AI RMF 的检查变成 Agent 可执行任务
• DFIR 事件响应：内存分析、Sigma 规则、跨云取证
• 威胁狩猎：基于 ATT&CK 的假设驱动狩猎
• 金融反欺诈：MITRE F3 框架直接对应 BEC、APP fraud、洗钱链路

安装方式

1
2
3
4
5
6
7
8

# 方式 1：npx（推荐）
npx skills add mukul975/Anthropic-Cybersecurity-Skills

# 方式 2：克隆
git clone https://github.com/mukul975/Anthropic-Cybersecurity-Skills.git
cd Anthropic-Cybersecurity-Skills
# 立刻兼容：Claude Code、Copilot、Codex CLI、Cursor、Gemini CLI
# 以及任何 agentskills.io 兼容的平台

代码示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

# 技能示例：analyzing-network-traffic-of-malware
# mitre_attack: [T1071]
# nist_csf: [DE.CM]
# mitre_atlas: [AML.T0047]
# mitre_d3fend: [D3-NTA]
# nist_ai_rmf: [MEASURE-2.6]
---
name: analyzing-network-traffic-of-malware
domain: Network Security
framework_mappings:
  - framework: MITRE ATT&CK
    id: T1071
    name: Application Layer Protocol
  - framework: NIST CSF
    id: DE.CM
    name: Continuous Monitoring
# ... 完整执行步骤

1
2
3

# 在 Claude Code 中
"用 analyzing-network-traffic-of-malware 技能分析这个 PCAP 文件"
# Agent 会按技能里写好的工作流：解析 → 识别 C2 协议 → 提取 IOC → 关联到 ATT&CK T1071

评价

优点：

• 唯一覆盖 6 大框架的开源技能库（这是护城河）
• 754 个技能 + 26 个领域 + 158 语言，量级惊人
• 标准化：agentskills.io YAML frontmatter 让 LLM 亚秒级发现
• 紧跟前沿：MITRE F3 v1.1（2026-04-09 刚发布）已完整映射
• Apache 2.0：商业友好

缺点：

• 不是 Anthropic 官方项目：标题里有 Anthropic 但实际是社区作品（README 顶部已声明）
• 体量巨大，技能质量参差，需要按需选择
• 缺乏统一"工作流模板"，跨技能组合需要自己设计
• 学术研究项目，部分高级功能（Casky.ai 试用）属于数据收集范畴

总结

今天的 Trending 榜单以**「AI Native 工具链」** 为主线：

• Agent 基础设施：headroom（上下文压缩）、deer-flow（长时任务）、codebase-memory-mcp（代码图谱）、Anthropic-Cybersecurity-Skills（安全技能）构成了完整的 Agent 工程化栈
• 创意工具 AI 化：Palmier Pro（视频编辑）和 OpenMontage（视频制片）让"自然语言做视频"从概念走向产品
• 基础软件重写潮：Turso 用 Rust 重写 SQLite、Penpot 用 Clojure 重塑设计工具、WorldMonitor 重新定义情报仪表盘——都瞄准"AI 时代的新需求"
• 金融 + 情报的 LLM 化：daily_stock_analysis 和 WorldMonitor 把多源异构数据 + LLM 的范式分别落地在 A 股和地缘领域

如果你只选一个项目深入研究：headroom 在节省 Token 这个"AI 时代最贵资源"上给出了最实用的工程答案；deer-flow 则代表"长时 Agent 框架"的最新形态。

数据来源：GitHub Trending (2026-06-22) 抓取时间：2026-06-22 09:35 (Asia/Shanghai)