今日热点
今天榜单前三名其实在讲同一件事:技能正在变成基础设施。Claude-BugHunter 连续第三天霸榜(+1,794 Star),superpowers 把「软件该怎么做」写成可加载的方法论,CLI-Anything 干脆给每一个软件现造一个 CLI,让 Agent 能开 CAD、能剪视频、能对着真实产物验收。产品侧,OpenAI 把常驻代理 Dots 下放到 20 美元档,Nothing 宣布 12 月 8 日发布无屏 AI 设备——入口仍在变化,但真正的竞争已经沉到了流程层。
GitHub 热门 AI 项目
1. Claude-BugHunter —— 三连冠之后,技能包在证明什么(+1,794 Star)
elementalsouls/Claude-BugHunter 今天 1.53 万 Star、1,770 Fork,单日 +1,794,是它连续第三天站在榜首。版本也在长:83 个技能、15 个斜杠命令、681 份已披露漏洞报告的模式库(其中 433 份已逐条标注出处、可审计),覆盖 24 个核心漏洞类别,外加企业身份系统(M365/Entra、Okta、vCenter、SSL-VPN、SharePoint、云 IAM)的攻击链矩阵。
它的结构值得单独拆开看,因为这是「技能包」这个形态少见的四层设计:
- Think:
bb-methodology+redteam-mindset,给的是五阶段非线性工作流和红队操作员纪律——先想清楚该测什么,再动手; - Hunt:58 个
hunt-*技能,全部从真实披露报告中提炼,每一类都带检测模式、payload、绕过表和串联模板; - Perimeter:2024–2026 的企业平台 CVE 链与拿到凭证之后的横向提权;
- Ship:
triage-validation+reporting+evidence-hygiene,包括 7 问门禁、VRT 感知的严重性评级、OOS 申诉话术和 PII 脱敏。
有意思的是第四层。漏洞挖掘圈一直有个公开的秘密:发现漏洞的能力和把漏洞写成报告的能力,是两种完全不同的能力。前者靠技术,后者靠写作、靠对平台规则的理解、靠知道什么样的复现步骤不会被判定为「信息不足」。Claude-BugHunter 把后者也变成了技能,等于承认了一件很多人不愿承认的事——大量「低质量报告」不是技术不行,是流程没被显式化。
这也是它为什么能连涨三天:它的增量不在模型,而在经验的结构化密度。换个模型,技能照样能跑;换掉技能,再强的模型也不知道「GraphQL introspection 开着」应该优先于「去扫目录爆破」。
一个必须说清楚的边界:技能包教的是「怎么想」,不负责「能不能做」。授权范围、法律边界、披露时机,这些都不在任何一份 SKILL.md 里。攻击方同样在用这套方法批量生产技能,防守方的响应窗口正在被压缩到以小时计。
2. superpowers —— 把「开发方法论」做成可加载的技能
obra/superpowers 的自我描述只有一句:「An agentic skills framework & software development methodology that works.」听起来像口号,但看它装了什么就明白了:头脑风暴 → 写计划 → 执行计划 → 测试先行 → 系统性调试 → 请求代码审查 → 完工前验证,一条完整的软件工程链路,每一步都是独立的技能文件,还配了 git worktree 隔离和并行子代理分发的玩法。
这个项目真正的价值不在「又一个技能集」,而在它选了方法论作为切面。市面上绝大多数 Agent 工具在解决「能不能做到」,superpowers 在解决「做的顺序对不对」。
顺序为什么重要?因为模型有一种稳定的失败模式:它会跳过理解直接写代码,会跳过失败用例直接写实现,会在功能勉强跑通时宣布完成。这些不是能力问题,是流程缺失。人类工程师被这些坑训练了很多年,形成了肌肉记忆:先复现、再修复、最后回归。技能包做的事情,就是把这种肌肉记忆写成 Agent 每次都会读到的文件。
但它也有一个内在张力:流程越严格,吞吐越低。TDD 的 RED-GREEN-REFACTOR 在探索性任务上是纯损耗,头脑风暴在需求已经明确时是浪费时间。所以成熟的用法不是「全量加载」,而是按任务类型路由——改一个 typo 和重构一个模块,应该走完全不同的技能路径。
flowchart LR |
3. CLI-Anything —— 给所有软件现造一个 CLI
HKUDS/CLI-Anything 来自港大数据智能实验室,口号很直接:「Today’s Software Serves Humans. Tomorrow’s Users will be Agents.」——今天的软件为人服务,明天的用户是 Agent。
它要解决的问题非常具体:世界上绝大多数专业软件(CAD、3D、剪辑、GIS、笔记、字幕工具)既没有 API,也没有 MCP,只有一套给人类用的图形界面。Agent 想用它们,唯一的办法是截图 + 点鼠标,这是所有 GUI 自动化方案最脆弱的环节。
CLI-Anything 的解法是:读软件的原生能力(脚本接口、宏系统、插件 API、可调用的命令行参数),生成一个专属于它的 CLI harness——把「打开文件、建图层、布尔运算、导出」这些操作变成带 JSON 输出的子命令,Agent 直接调用。再配三层验证:
- 静态校验:生成物要过 pytest 与 schema 检查,仓库自称 100% 通过;
- 预览执行(preview / live preview):操作中途产出缩略图或中间态,让 Agent「看见」自己改了什么;
- 轨迹回放(trajectory loop):把一次完整操作序列录下来重放,确认可复现。
flowchart TD |
它已经跑出真实产物:CAD 建模、3D 场景、图表、游戏关卡、字幕。注册表 CLI-Hub 用 pip install cli-anything-hub 装,社区提交的新 CLI 合并后即时上架;一个 harness 能被 Pi、OpenClaw、nanobot、Cursor、Claude Code 同时消费。仓库还挂了 arXiv 论文(2606.03854),说明这套方法有可复现的评测,而不只是 demo 集。
这是我今天看到最「基础设施味」的项目。它没有做智能,它做的是把不可自动化的界面翻译成可自动化的接口,而这个翻译工作一旦完成,就永久复用。
4. minimind —— 两小时,从零训一个 64M 的小模型
jingyaogong/minimind 的中文描述朴素得可爱:「两小时从 0 训出你的 64M 大模型。」
它的意义不在于训出来的模型能干什么——64M 参数只能做很轻的对话和分类,质量远不如任何一个 API。意义在于它把整条链路完整地摆在你面前:分词器怎么建、预训练数据怎么洗、pretrain 怎么跑、SFT 怎么配、LoRA 怎么接、DPO 怎么对齐,每一步都有代码、有超参、有可对照的 loss 曲线。用一张消费级显卡,两个小时后你能得到一个会说话的模型,而且你完全知道它为什么这么说话。
这两年「理解 LLM」的路径分化得很厉害:一派读论文,一派调 API。minimind 提供了第三条——造一个小的。当你亲手把 1 万条数据的 SFT 跑完,再去看「对齐税」「灾难性遗忘」这些词,感受会完全不同。它涨得稳,是因为它服务的是所有想从「会用」跨到「会改」的人。
5. stitch-skills 与 cursor/plugins —— 技能标准的两个方向
今天有两个项目的存在本身就是信号。
google-labs-code/stitch-skills(1.12 万 Star、1,422 Fork,+324)是给 Stitch MCP Server 用的一组 Agent Skills,明确声明遵循 Agent Skills 开放标准,兼容 Antigravity、Gemini CLI、Claude Code、Cursor。
cursor/plugins(1.79 万 Star、1,967 Fork,+261)是 Cursor 的插件规范与官方插件集,TypeScript 实现。
一个从开放标准出发,一个从厂商规范出发,方向相反但终点一致:技能与插件正在从「各家私有的 prompt 技巧」变成有规范、有目录、有安装协议的组件。这和 npm 早期、Docker 早期的演化路径完全一致——先有零散工具,再有清单文件,再有注册中心,最后注册中心变成事实标准。
对开发者来说,接下来的判断会变简单:写技能时要问的不是「Claude Code 支不支持」,而是「它符不符合标准,能不能迁移」。
6. 把「审美」和「合规」也写进技能
cathrynlavery/diagram-design 的 README 有句很冲的话:No shadows. No Mermaid slop. 它提供 45 种编辑级图表模板,输出自包含的 HTML + SVG,适配 Claude Code、Codex、Copilot、Cursor、Factory Droid、Qoder、Pi。
骂得难听,但戳中痛点:Mermaid 的默认渲染确实有「文档凑数」的气味——节点等宽、连线正交、字号不分层级,读者一眼就知道是自动生成的。而给客户看的架构图,差的就是层级、留白和视觉重心。本文自己还在用 Mermaid,理由也很实在:静态博客管线里零依赖、可版本化、能跟着 Markdown 一起 diff。两件事不冲突——Mermaid 适合「随手画清楚」,diagram-design 适合「要拿出去给人看」。真正的信号是:图表生成正在从「语法问题」变成「审美问题」,而审美恰好是 Agent 最缺的一环。
mjmirza/app-store-compliance(3,117 Star,+724,Shell 实现)走的是另一条路:把上架拒稿史变成检查表。117 种有据可查的拒稿模式及修复方式、隐私清单与 Data safety 检查项、95 个跟踪中的合规截止日期(EU AI Act、DSA、COPPA、各州年龄法),外加一个给编码 Agent 用的技能。
它单日涨了自身总量的三分之一,说明需求真实。这类项目代表一个新品类的成熟:把行业里的隐性规则编译成 Agent 可执行的判例库。App Store 审核不是文档问题,是判例问题——「4.3 重复应用」「5.1.1 隐私描述不实」这些条款,只有被拒过的人才知道边界在哪。
7. 其他值得一提
- firecrawl/firecrawl:描述换成了「Knowledge infrastructure to make your agents smarter」,搜索、抓取、爬取,550+ 数据源统一成一个 API。Agent 的输入层这块地已经基本被占住了。
- openvinotoolkit/openvino:Intel 的推理优化与部署工具箱,端侧与异构硬件上的老牌基础设施,今天重新上榜说明「本地推理」的热度在回流。
- Tracer-Cloud/opensre:开源的 CI/CD 可靠性 Agent。把 SRE 的排查流程做成 Agent,是「技能包」思路在运维侧的落地。
- toeverything/AFFiNE(7.6 万 Star,+577):Notion + Miro 的开源替代,隐私优先。它不算 AI 项目,但它是「AI 时代的知识底座」——文档、白板、数据库在同一个数据模型里,才可能被 Agent 有效读写。
- XiaoYouChR/Ghost-Downloader-3(1.42 万 Star,+774)与 zhouxiaoka/autoclip:一个是「下载器的集大成者」,一个是「一个链接一键出片」。这两类工具持续霸榜,说明内容生产与内容搬运的自动化仍是最大的民间需求。
新工具/产品速览
Gemini 能直接生成 GIF 了。 用的是 Gemini Omni 1.2 Flash,生成约 3 秒循环的动图,正在美国、加拿大、英国、日本、韩国、澳大利亚、德国、法国全量推送。短视频之后是动图,Google 在补的是「轻量动态内容」这块空白——它比视频便宜得多,比静图有信息量。
Claude 移动端改版。 新增底部 Tab 栏,分 Chat、Projects、Code、Artifacts 四区。时间点很微妙:就在 OpenAI 宣布 ChatGPT 移动端改版(同样是底部 Tab,含首页与 Dot 代理位)的第二天。两家在同一个星期把移动端从「一个输入框」改成了「多入口的工作台」,这不是巧合——移动端正在从聊天窗口变成 Agent 控制台。
OpenAI 把 Dots 下放到 20 美元档。 常驻型 AI Agent 原先只对 Pro(100 美元起)开放,现在「少量」Plus 用户和所有 ChatGPT Business Standard 用户开始获得访问权。常驻代理的成本结构决定了它必须先在高价位验证,再往下走;现在往下走了,说明单位成本已经压到可承受。
Nothing 将于 12 月 8 日发布无屏 AI 设备。 官方说法是围绕「context gap」(上下文缺口)设计:「智能已经在了,缺的是上下文。」这句话其实是整个硬件 AI 赛道最诚实的产品定义——模型不缺,缺的是它知道你此刻在哪、在做什么。
行业动态
Nvidia 一周跌 14%,SEC 在查它的会计做法。 据路透报道,监管关注点落在「会计实践」上。对一家靠循环交易(投客户、客户买卡)撑起营收叙事的公司,这是最敏感的位置。
「数据中心巷」踩了刹车。 弗吉尼亚 Loudoun 县——美国数据中心最密集的地方——正式通过暂停令,一年内不接受新申请,预计影响 33 个在途项目。这是第一个从「欢迎」转向「等等」的核心区域。土地、电力、水资源和居民抗议,四重约束同时到位。
黄仁勋的慈善基金向 CoreWeave 投入 3.5 亿美元。 按 Bloomberg 的说法,这是该基金会上一年度最大的一笔捐赠,其中逾 1 亿美元已花出,用途是给受资助者购买算力。绕了一圈,钱又回到了算力供给方。
一项研究把数据中心选址和 redlining(红线歧视)联系了起来。 乔治·华盛顿大学法学院与美利坚大学的研究者发现:以黑人或有色人种为主的社区,出现数据中心的概率是白人为主社区的两倍以上;亚裔为主的社区则是四倍。算力的地理分布,正在复制上一代基础设施的不平等。
500 多名 Google 员工联名请愿,要求公司撤销「学校若不用 AI 功能就关闭 Search」的决定。Alphabet 工会的说法是:「教育者应当有选择如何实施 AI 的自由。」
特朗普政府批准了逾 87.9 万颗 AI 芯片对华销售(据新披露数据)。这个数字和「出口管制」的公共叙事之间的落差,值得单独写一篇。
Anthropic 一位数学家的新突破被 The Verge 称为「AI 正在多快地改变数学」的又一信号。数学是少数能被自动验证的领域,也因此是最早被真正改变的研究领域。
Etsy 将修订 AI 政策。 在卖家强烈反弹后,Etsy 表示会「尽快把修订条款直接分享给卖家」。此前的条款被解读为允许用卖家内容训练 AI,尽管官方否认。
技术洞见
一、Agent 的竞争,已经从模型层移到了流程层
把今天的东西放在一起看,会看到一条清晰的分层:
flowchart TB |
三层里,能力层正在商品化——前沿模型之间的差距,在大多数日常任务上已经小于「有没有一个好技能」造成的差距。所以价值正在向两头涌:一头是流程层(谁知道这件事该怎么做,且能写下来),一头是接口层(谁能把不可自动化的东西变得可自动化)。
这对个体的启示很直接:你在这个行业里的护城河,越来越取决于你能否把「我知道怎么做」写成「它知道怎么做」。写不出来,就只是被替代的经验;写得出来,就是可复用的资产。
二、「Agent-native」不是给软件加个聊天框
CLI-Anything 这类项目揭示了一个更根本的判断:所谓 agent-native,不是给软件加一个聊天入口,而是让软件的每一个能力都有确定的、可组合的、可验证的调用方式。
判断一个软件是否 agent-native,可以看四个问题:
- 能否无头运行? 不需要人等它渲染完再点下一步。
- 输出是否结构化? 是 JSON 而不是「一张好看的截图」。
- 中间态是否可观测? Agent 改错了要能看见、能回滚。
- 操作是否可复现? 同一串调用跑两次,产物一致。
四条全否的软件,Agent 只能靠视觉去猜,那是最后手段,不是方案。四条全是的软件,天然能被任何 harness 消费。未来两三年,「这个软件能不能被 Agent 用」会变成和「有没有 API」同等级的采购问题。
而中间那条路——给老软件补 CLI harness——会是未来几年最实在的一门手艺。它不性感,不刷榜,但每完成一个,就永久解锁了一类工作流。
数据来源:GitHub Trending(2026-11-21)、The Verge AI 频道(2026-11-19 至 11-20)。