GitHub AI Trending Top 10（2026-05-12 至 2026-05-18）

数据口径：基于 GitHub Trending since=daily（汇总本周各日排名）与 OSSInsight past_week 数据，筛选 AI / LLM / Agent / AI Coding 相关项目，并按最近一周新增 stars 与综合热度排序。星标为近期新增热度参考，不等于项目总 stars。

| 排名 | 项目 | 近周热度 | 一句话看点 | |---|---|---|---😐---| | 1 | multica-ai/andrej-karpathy-skills | ~14,000 stars/week | 一份 CLAUDE.md 引爆全网，将 Karpathy 对 LLM 编程陷阱的观察转化为 Claude Code 行为配置，成为 GitHub 史上增长最快的仓库之一 | | 2 | obra/superpowers | ~11,000 | 面向 AI Agent 的技能框架与软件开发方法论，代表「Skills 模式」在工程组织层面的落地 | | 3 | NousResearch/hermes-agent | ~8,000 | 自进化 AI Agent，v0.13.0 加入 Kanban 任务看板与心跳监控，在 OpenRouter 日推理量上超越 OpenClaw 登顶 | | 4 | tinyhumansai/openhuman | ~3,900 | Rust 编写的个人 AI 超级智能，主打隐私、简单、强大，日增近 4000 stars | | 5 | Imbad0202/academic-research-skills | ~1,400 | Claude Code 学术研究技能包：research → write → review → revise → finalize 全流程 | | 6 | rohitg00/agentmemory | ~1,200 | 基于真实基准测试的 #1 持久化记忆方案，专为 AI coding agent 设计 | | 7 | HKUDS/CLI-Anything | ~1,000 | 让所有软件成为 Agent-Native：将任意 CLI 工具转化为 AI Agent 可调用的接口 | | 8 | microsoft/ai-agents-for-beginners | ~1,000 | 微软官方 12 课时 AI Agent 入门课程，从概念到实战 | | 9 | humanlayer/12-factor-agents | ~400 | 将 12-Factor App 方法论延伸至 LLM Agent 时代：生产级 Agent 系统的设计原则 | | 10 | colbymchenry/codegraph | ~950 | 预索引代码知识图谱，支持 Claude Code、Codex、Cursor、OpenCode，减少 token 消耗和工具调用，100% 本地运行 |

观察

• 「Skills」模式已成生态级现象：继上周 mattpocock/skills 爆火后，本周 andrej-karpathy-skills 以单日上万 stars 的速度刷新记录，obra/superpowers 紧随其后。区别于底层模型改进，Skills 是给 Agent 注入工程直觉、工作方法和行为约束——本质上是把「怎么用好 AI」这件事本身变成了可分发、可复用、可迭代的开源资产。
• Agent 记忆成为独立品类：agentmemory 的表现说明持久化记忆不再是 Agent 框架的附属功能，而是正在成为独立的基础设施层。结合 Claude Code 生态中的 claude-mem、mem0 等项目，记忆层正在从「有就行」走向「到底谁最好」。
• Hermes Agent 登顶 OpenRouter：这是 OpenClaw 自 2025 年底上线以来首次在日推理量上被超越。Hermes 的差异化在于「会成长的 Agent」——从使用中自建技能、跨会话保持记忆、通过看板监控多 Agent 工作流。这标志着 Agent 架构从「一次性工具执行」进化到「持续性自我改进」。
• 「Agent-Native 基础设施」概念升温：CLI-Anything 提出将一切 CLI 工具变成 Agent 可用接口，codegraph 提供预索引的代码知识图谱，两者都试图降低 Agent 与现有开发工具链的集成成本。
• 方法论层开始沉淀：12-factor-agents 将经典软件工程原则迁移到 Agent 系统，ai-agents-for-beginners 从教育侧降低入门门槛。生态在从「能做出来」走向「知道怎么做才对」。

值得重点关注

1. multica-ai/andrej-karpathy-skills：一份不到 70 行的 CLAUDE.md 如何引发 14 万 stars 的社区狂热？值得拆解其行为规则的粒度、覆盖面和表达方式——对设计 Agent Prompt / Skill 有直接参考价值。
2. NousResearch/hermes-agent：自进化记忆 + 看板监控 + 多 Agent 协作的架构组合，是观察「下一代个人 Agent 应该长什么样」的最佳样本。
3. rohitg00/agentmemory：Agent 记忆基准测试的出现说明这个领域已进入量化评价阶段，值得关注其评测指标和架构选型。
4. humanlayer/12-factor-agents：对正在构建生产级 Agent 系统的团队有直接的工程指导意义，适合作为团队内部设计评审的参考框架。
5. colbymchenry/codegraph：预索引代码知识图谱是降低 Agent coding 成本的实用路径，且支持多平台，代表了代码理解层的一种新思路。

结构性判断

本周 GitHub AI 生态最显著的变化，不是某个模型或工具的突破，而是一个行为模式从少数人的工作方法沉淀为全社区的共识资产：

第 5 周（上上周）：Skills 模式开始萌芽（mattpocock/skills 单周 34K stars）
第 6 周（上周）  ：Skills 模式扩散（5 个 Top 20 项目名含 "skills"）
第 7 周（本周）  ：Skills 模式成为基础设施（Karpathy 方法论文档化 + superpowers 方法论化）

同时，记忆层（agentmemory）、接口层（CLI-Anything）、知识层（codegraph）、方法论层（12-factor-agents）同时爆发，说明 AI Agent 生态的竞争焦点已明确从模型能力转向Agent 工程基础设施。对于开发者而言，关注点应该是：你的 Agent 能记住什么、能调用什么工具、遵循什么行为规则、按什么方法论设计——而不是它能跑哪个模型。