AI 源计划｜本周 GitHub 最火的 8 个 AI 项目

帮普通人看懂 GitHub 上正在发生什么。

本周 GitHub Trending 的 AI 板块被"Agent 基建"彻底占领了。全站涨 Star 最快的 15 个项目里，10 个和 AI/Agent 直接相关，合计一周新增超 7 万 Star。

一句话总结本周信号：Agent 的"毛坯房"时代结束了，"精装修"时代开始了。 大家不再是做一个 Agent 框架就完事——给 Agent 装记忆、装代码地图、装软件操控能力、装开发方法论，才是当下的主战场。

 本周 GitHub AI 项目热度榜

数据来源：GitHub Trending（2026 年 5 月 16 日 - 22 日）

以上 8 个项目，每一个都值得你点进去看看。但如果你想深入了解"到底发生了什么"，下面是其中 4 个项目的核心解读。

深潜 01 | openhuman — 你的 AI 应该住在你家，不住在别人服务器上

tinyhumansai/openhuman ⭐ 25.5K | 本周 +17,399 | Rust

它是什么

openhuman 是本周 GitHub 全站涨 Star 最猛的项目，没有之一。它是一个完全本地运行的个人 AI 超级智能体——用 Rust 写的桌面应用，核心承诺只有一句话：你的数据永远不出你的设备。

它不只是一个聊天窗口。它有自己的"脸"——一个桌面吉祥物，能说话、能对周围环境做出反应，甚至能以真实参与者身份加入 Google Meet 会议，在你停止输入后继续在后台思考。

为什么突然火了

三个原因叠加到了临界点：

第一，隐私焦虑到了临界点。 越来越多人意识到，自己每天和 AI 说的每句话——工作烦恼、健康问题、私人想法——全都存在某个大厂的服务器上。openhuman 用本地 SQLite 存储一切，数据本地加密，完全属于用户自己。

第二，它的集成能力远超"本地 AI"的预期。 这不是那种"本地跑个小模型、功能阉割"的玩具。openhuman 有 118+ 第三方 OAuth 集成——Gmail、Notion、GitHub、Slack、Stripe、Calendar、Jira、Linear，一键连接。更关键的是它的 Auto-fetch 机制：每 20 分钟自动遍历所有活跃连接，把新数据拉到本地。 连接一次账户，20 分钟后 Agent 就拥有了你邮箱、日历、代码仓库、文档、消息的完整上下文。

第三，它的记忆系统设计得很聪明。 所有数据被规范化为 ≤3k token 的 Markdown 块，经过评分后折叠进层级摘要树，存储在本地 SQLite 中。更绝的是——同样的内容会自动生成 Obsidian 兼容的 .md 文件，你可以在 Obsidian 里浏览和编辑你的 AI 记忆。灵感直接来自 Karpathy 的 obsidian-wiki 工作流。

此外它还有一个叫 TokenJuice 的智能压缩层：每个工具调用、抓取结果、邮件内容、搜索结果都会经过 token 压缩处理后才进入 LLM——HTML 转 Markdown、长 URL 缩短、冗余输出去重并总结。成本和延迟可降低多达 80%。

技术亮点一览

怎么上手

macOS / Linux 一行命令：

curl -fsSL https://raw.githubusercontent.com/tinyhumansai/openhuman/main/scripts/install.sh | bash

Windows 一行命令：

irm https://raw.githubusercontent.com/tinyhumansai/openhuman/main/scripts/install.ps1 | iex

对普通人意味着什么

你不需要把所有秘密交给云端了。openhuman 证明了一件事：个人 AI 可以既强大又私密。 当一个本地 AI 能连接你的全部数字生活、拥有持久记忆、还能自主思考——它就不只是一个"工具"了，它更像一个真正了解你、但不会出卖你的助手。

你愿意把所有秘密交给云端，还是放在自己硬盘上？这个项目的爆火，说明越来越多的人选了后者。

深潜 02 | CodeGraph — 给 AI 编程助手装上"代码地图"

colbymchenry/codegraph ⭐ 15.9K | 本周 +10,749 | TypeScript

它是什么

如果你用过 Claude Code、Cursor、Codex CLI 这类 AI 编程工具，你一定遇到过这个问题：AI 读你的代码像读天书，改一行崩一片。

原因很简单——AI 看代码的方式是"逐文件扫描"，就像一个新来的实习生，拿着手电筒一间一间地看仓库，既慢又容易漏。CodeGraph 的解决方案很暴力也很优雅——在本地给你的代码库建一张"知识图谱"：哪些函数调用了谁、哪些模块依赖了谁、改一个符号会影响哪些地方。AI 不用再逐文件翻，一次工具调用就能拿到入口点、相关符号和代码片段。

实测数据太硬了

项目在 7 个真实开源代码库上跑了基准测试，结果：

拿 VS Code 举例：没有 CodeGraph 时，AI 回答一个架构问题要花 $0.64、读 140 万 token、调用 23 次工具。有了 CodeGraph 之后，只要 $0.42、39 万 token、7 次工具调用。 不是快了一点，是快了一个量级。

规律很明显：项目越大，收益越大。 小型项目（150 文件）收益有限，但万级文件的大型仓库，工具调用直接砍掉 70-89%。

技术原理（4 个阶段）

1. 提取
   ：用 tree-sitter 把源代码解析成 AST（抽象语法树），提取函数、类、方法，以及调用、导入、继承、实现关系
2. 存储
   ：所有数据存入本地 SQLite 数据库，配备 FTS5 全文搜索引擎
3. 解析
   ：建立引用关系——函数调用→定义、导入→源文件、类继承、框架路由模式
4. 自动同步
   ：监听操作系统原生文件事件（FSEvents/inotify/ReadDirectoryChangesW），2 秒防抖后增量更新

整个过程 100% 本地运行，无 API 密钥，无数据外传。

支持范围

• 19 种编程语言
  ：TypeScript、JavaScript、Python、Go、Rust、Java、C#、PHP、Ruby、C、C++、Swift、Kotlin、Dart、Lua、Svelte 等
• 14 个 Web 框架感知
  ：Django、Flask、FastAPI、Express、NestJS、Laravel、Rails、Spring、Gin、Axum、ASP.NET、Vapor、React Router、SvelteKit
• 5 个 AI 编程助手
  ：Claude Code、Cursor、Codex CLI、OpenCode、Hermes Agent
• 8 个 MCP 工具
  ：search、context、callers、callees、impact、node、files、status

怎么上手

# 安装（无需 Node.js）curl -fsSL https://raw.githubusercontent.com/colbymchenry/codegraph/main/install.sh | sh# 进入你的项目目录，一行初始化cd your-projectcodegraph init -i    # 交互式安装，自动配置你的 AI 编程助手

对普通人意味着什么

如果你是程序员，用 AI 写代码已经不是新鲜事了。但 AI 写出来的代码"有时对有时错"的根本原因，经常不是模型不够聪明，而是它根本看不懂你的项目结构。 CodeGraph 就是那个"翻译层"——它让 AI 从一个只会逐行读文件的"实习生"，变成一个理解项目全貌的"熟手"。

不是模型不够强，是它之前看不懂你的代码。现在有人解决了这个问题。

深潜 03 | RuView — 你家的路由器，可能比摄像头更懂你

ruvnet/RuView ⭐ 63.7K | 本周 +7,636 | Rust

它是什么

RuView 做了一件听起来像科幻的事：用 WiFi 信号实现空间感知，不需要摄像头。

你家的 WiFi 信号每时每刻都在穿过房间。当人走动、呼吸、甚至心跳时，这些信号会被轻微"扰动"。RuView 就是把这些扰动提取出来，转换成你能用的信息——房间里有没有人、人在哪、呼吸是否正常、有没有跌倒。

核心用的是 WiFi 的 Channel State Information（CSI，信道状态信息），硬件只需要几个便宜的 ESP32 芯片。

它能做到什么

最让人震惊的数字：55KB

RuView 的核心 AI 模型只有 55 KB。不是一个压缩包，是整个模型：

整个模型跑在一块 $8 的 ESP32 芯片上。它的 CSI 嵌入用 4 位量化后只有 8 KB，在 M4 Pro 上跑出 164,183 emb/s 的速度。55 KB 的模型做到了 17 关键点人体姿态估计——这在传统 CV 领域通常需要几百 MB 的模型。

105 个边缘模块，覆盖你想不到的场景

项目不只是一个"技术 demo"，它提供了 105 个即插即用的边缘模块：

• 健康（14 个）
  ：跌倒检测、婴儿哭声检测、心律失常、睡眠呼吸暂停、癫痫检测、步态分析、咳嗽检测……
• 安全（14 个）
  ：入侵检测、枪声检测、玻璃破碎、尾随检测、武器检测……
• 建筑（11 个）
  ：会议室占用、能源审计、HVAC 存在检测、电梯计数……
• 零售（7 个）
  ：客流热图、队列长度、货架互动、翻台率……
• AI（15 个）
  ：联邦学习、本地 RAG、异常检测、时序预测……
• 极端场景（研究类）
  ：搜救（穿透 30 厘米混凝土）、消防、甚至"猎鬼"模块

硬件成本

零成本体验：

dockerpullruvnet/wifi-densepose:latestdockerrun-p3000:3000ruvnet/wifi-densepose:latest# 打开 http://localhost:3000

对普通人意味着什么

不想在家里装摄像头？WiFi 信号就能知道你在家的哪个房间。 对养老看护来说，这意味着不需要给老人身上戴任何设备、不需要装摄像头，家里就知道老人有没有摔倒、呼吸是否正常。对有婴儿的家庭来说，这意味着不需要额外的婴儿监控器。

当 AI 能"看见"你而不需要真的"看见"你——空间感知的范式就变了。

未来你家的路由器不只是上网工具，它可能是你最忠实的守护者。

深潜 04 | CLI-Anything — 当 AI 能操作所有软件，"会用电脑"就不再是技能了

HKUDS/CLI-Anything ⭐ 39.5K | 本周 +4,587 | Python

它是什么

CLI-Anything 的野心可以用它的 slogan 概括：

"Today's Software Serves Humans . Tomorrow's Users Will Be Agents ."

它做的事情很简单也很疯狂：给世界上所有软件加上命令行接口（CLI），让 AI Agent 能像人一样操作它们。 一条命令就能为 GIMP、Blender、LibreOffice、OBS Studio 甚至 Zoom 生成完整的 CLI 工具。

关键不是"做个壳"——每个 CLI 都调用真实软件。 CLI-Anything-LibreOffice 真的会启动 LibreOffice 来生成 PDF，CLI-Anything-Blender 真的会调用 Blender 来渲染 3D 场景。项目原话："Zero compromises, zero toy implementations."

已覆盖 40+ 软件，2,330 个测试全通过

总计：1,732 个单元测试 + 579 个端到端测试 + 19 个 Node.js 测试 = 2,330 个测试全部通过。

全自动 7 阶段流水线

你不需要写一行代码。AI Agent 自己走完全流程：

1. 分析
    — 扫描源代码，将 GUI 操作映射到 API
2. 设计
    — 规划命令组、状态模型、输出格式
3. 实现
    — 使用 Click 框架构建 CLI，含 REPL、JSON 输出、undo/redo
4. 测试规划
    — 创建 TEST.md，包含单元测试和 E2E 测试计划
5. 编写测试
    — 实现全面的测试套件
6. 文档
    — 自动生成 SKILL.md（AI Agent 的"使用说明书"）
7. 发布
    — 创建 setup.py，安装到 PATH

CLI-Hub：Agent 的"应用商店"

项目还做了一个包管理器——CLI-Hub。AI Agent 可以自主浏览完整目录、发现需要的工具、自动安装。你只要说"帮我用 Blender 渲染一个 3D 场景"，Agent 自己知道去哪里找 CLI-Anything-Blender 并使用它。

# 人类安装 CLI-Hubpip install cli-anything-hub# 然后一句话搞定"Find appropriate CLI software in CLI-Hub and complete the task: 渲染一个太空站模型"

Agent 自己浏览目录 → 安装 CLI-Anything-Blender → 生成场景 → 渲染。人全程不需要碰键盘。

真实演示

项目提供了几个让人印象深刻的 Agent 实操 demo：

• FreeCAD
  ：Agent 逐步构建了一个好奇号火星车模型，带预览和轨迹回放
• Blender
  ：Agent 构建了一架轨道中继无人机，使用实时预览循环
• Draw.io
  ：Agent 从零画了一张完整的 HTTPS 握手生命周期图
• Slay the Spire II
  ：Agent 用 CLI 进行实时游戏策略决策（没错，AI 用 CLI 打游戏）

对普通人意味着什么

当 AI 能操作所有软件的时候，"会用电脑"这件事就不再是一个技能了。 你不需要学会 Photoshop 的 300 个快捷键，不需要记住 Blender 的 50 种建模方式。你只需要告诉 AI 你想做什么，它自己去调用对应的工具完成。

这不是取代人类创意——而是把"技术门槛"从创意过程中彻底移除。你有好的设计想法但不会操作软件？Agent 替你操作。你有好的视频构思但不会剪辑？Agent 替你剪。

当 AI 能操作所有软件的时候，"会用电脑"这件事就不再是一个技能了。

我的判断：本周 GitHub 告诉我们什么

信号一：Agent 基建大爆发——"路"比"车"更重要

本周涨 Star 最快的项目里，绝大多数不是 Agent 本身，而是让 Agent 能用的"基础设施"——代码地图（CodeGraph）、软件操控（CLI-Anything）、持久记忆（openhuman 的 Memory Tree、agentmemory）、开发方法论（superpowers）。

2024 年大家在做"Agent 能不能用"的问题；2026 年大家在做"Agent 怎么用好"的问题。基建比应用跑得快，这通常是技术范式进入爆发期的信号。 类比一下：2008 年大家在做"手机 App 能不能做"，2010 年大家在做"App 基础设施"（推送、支付、地图），然后移动互联网彻底爆发。Agent 正在走同样的路。

信号二：本地化 / 隐私优先正在成为主流

openhuman 和 RuView 代表了同一种趋势的两个维度——把 AI 拉回本地。openhuman 是"我的数据不出设备"，RuView 是"我的感知不靠摄像头"。当这两个方向的项目同时爆火，说明"隐私优先"不再是少数极客的诉求，而是大众的刚需。

信号三：AI 正在从"生成内容"走向"操作世界"

CLI-Anything 代表了一个关键转变：AI 不只是生成文字和图片了，它开始直接操作软件、改变物理世界。Agent 用 Blender 建模、用 Audacity 处理音频、用 LibreOffice 排版——这已经不是"聊天机器人"了，这是"数字工人"。

对普通人的行动建议

数据来源：GitHub Trending（2026 年 5 月 16 日 - 22 日），各项目 README 及基准测试数据本内容基于 GitHub 公开数据分析，仅供参考