夜雨聆风卷首 · 六月 Claude Code |
温风至，蟋蟀居宇 六月的 GitHub AI 完成了一次结构性迁移——不是随机洗牌，是整条赛道往 Claude Code 生态聚拢。八十六个独立仓库，二十八个绑死 CC 生态，换血率八成七。这是月报才能看见的脉络。 |
KEY JUDGMENTS · 本月三个判断
01Claude Code 从工具进化为生态
86 个 AI 仓库里，32.6% 绑死 CC 生态。5 月延续过来的 2 个常青树，全部来自 CC——这不是 6 月才冒出来的脉冲，是从 5 月延续的主线。
02头部没有护城河
一个月过去，GitHub AI Top15 里 87% 的面孔是新的。一月游靠话题，跨月存活靠生态归属。
03开源比学术界快了两周
GitHub W2 就跳升到高位，论文 W4 才 暴增 6.1 倍。社区先动手，论文后跟进——这是一个可用的领先信号。
DATA SCOPE · 数据范围
29 天追踪 | 86 独立仓库 | 2476 次信号 | 6 大数据源 |
GitHub · Product Hunt · 论文 · 融资 · 招聘 · Use Cases
READING GUIDE · 阅读路径
CHAPTERS · 章节速览
Ch.1 月度脉络 · Ch.2 环比震荡 · Ch.3 Top10深挖 · Ch.4 #11-30分层 · Ch.5 赛道拓扑 · Ch.6 跨维度共振 · Ch.7 信号地图 · Ch.8 七月预测
一CHAPTER 01
月度脉络：29天 GitHub AI 发现量走势
1.1 整体节奏：月初酝酿、月中跳升、月末冲高
6月不是匀速涌现的一个月。把29天的每日发现量按周聚合，会看到一条非常清晰的"加速曲线"。
29天 GitHub AI 仓库每日发现量 常规 爆发日(≥120) |
W1 是全月最低谷，日均仅 59.3 个仓库——6月初的开源 AI 还在酝酿期，注意力没有集中。进入 W2，日均直接跳升到 88.9 个，环比增长 50%，这是全月最陡的一次跃迁。W2 到 W4 连续三周稳定在日均 88 个左右的高位平台，说明这不是一次脉冲，而是一个持续了三周的高位期。月末 W5 虽然只有两天，但日均冲到 103.5，是全月单周峰值。
这条曲线告诉我们一件事：6月的 GitHub AI 不是某一天突然爆发，而是从第二周开始进入一个持续高位的状态。这意味着背后有结构性的力量在推动——不是单一事件的余波，而是某种趋势在持续释放能量。这个趋势是什么，第三章解剖 Top10 时会看得非常清楚。
1.2 爆发日识别：6/15 与 6/29 的双峰
把29天按单日发现量排序，前五名全部集中在月下旬：
两个 130 的高峰分别出现在 W3 和 W5 的开头，而 6/26 至 6/28 连续三天都在 104 以上，构成了一个月末密集期。值得注意的是，6/15 这个峰值并不是孤立事件——它恰好是 W2 跳升之后的延续，说明 W2 的能量在 W3 开头达到了一个高点。
这些爆发日背后的触发因素，需要回到具体项目层面去解释。但从宏观节律看，下旬的密集爆发意味着：6月下半月是开源 AI 的注意力集中释放期。如果你的发布节奏想蹭到 GitHub 的流量窗口，下半月尤其是月末三天是高确信度的窗口。
1.3 跨维度同期对比：论文在 W4 的异动
把 GitHub、论文、产品、资本四个维度放在同一时间轴上对比，会出现一个日报绝对看不见的信号。
| 1484 | ||||
周度对比（各维度独立缩放，W4论文暴增6倍） |
GitHub 仓库量在 W2 到 W4 连续三周高位平台，日均稳定在 88 个左右。PH 产品在 W3 达到 60 个的峰值后小幅回落。融资事件全程平稳，日均 5-6 条，没有任何异动。
但论文维度在 W4 出现了一个极端值：1484 篇，是前三周均值（243 篇）的 6.1 倍。这不是一个正常的波动。日均 212 篇 AI 论文涌入，意味着 W4（6月22日至28日）发生了一次学术界的集中释放——可能的解释包括顶会截稿前的集中预印本上传、某个研究热点的爆发，或多家机构在同一方向上的同步产出。
更值得注意的是时序：GitHub 在 W2 就已经跳升到高位，而论文的爆发滞后到 W4。开源社区的动向比学术界早了两周。这个时序差意味着什么？一种合理的解读是：开源社区对工程趋势的响应更敏捷，而学术界在同一个方向上的论文产出有约两周的滞后——社区先动手，论文后跟进。这个模式如果在未来月份重复出现，就是一个可用的领先信号。
1.4 重复发现率：86 个独立仓库背后的注意力集中度
29天累计追踪到 2476 次 GitHub 仓库信号，但去重后只有 86 个独立仓库。这意味着平均每个仓库被提及 28.8 次——注意力高度集中在少数项目上，而不是百花齐放。
这是一个反直觉的结论。如果 AI 开源生态在健康扩张，我们会期望独立仓库数量持续增长、单仓库的平均提及次数下降。但6月的数据显示相反：少数项目反复占据注意力，大部分仓库只是过客。
具体到 Top10：前10个仓库贡献了本月相当大比例的讨论量，而排名第30到第86的56个仓库，平均每个仓库的提及次数远低于头部。这种"幂律分布"在开源生态中并不罕见，但6月的集中度尤其高——它说明本月的开源 AI 不是遍地开花，而是被几个明星项目拖着走。
这些明星项目是谁、为什么是它们、它们之间构成了怎样的生态结构，是接下来几章要回答的问题。
---
二CHAPTER 02
环比震荡：5月 vs 6月，87% 换血率意味着什么
2.1 一个刺眼的数字：87% 换血率
把5月和6月的 GitHub Top 仓库榜单拉到一起对比，第一个冲击来自一个数字：换血率 87%。
5月榜单 Top14 与6月榜单 Top15 做仓库名匹配，重合的只有 2 个。换句话说，一个月过去，GitHub AI 头部榜单里 87% 的面孔是新的。这不是微调，是洗牌。
| 87% | ||
重合的两个项目是 skills（mattpocock 的 Claude Skills 目录）和 cc-switch（Claude Code 账号切换工具）。它们是两个月都留在榜单上的"常青树"。skills 在5月排第1、6月排第6；cc-switch 在5月排第2、6月排第9。两个常青树全部来自 Claude Code 生态——这进一步印证了 CC 生态在本月的结构性强势，它不是6月才冒出来的脉冲，而是从5月延续过来的持续主线。
2.2 5月的明星们去哪了
5月榜单上的头部项目，到6月发生了明显的分化：
- openhuman：5月头部，6月跌出 Top30。这类项目往往受益于短期的社区话题，但缺乏持续的功能迭代支撑长期注意力。
- rtk：5月上榜，6月消失。同样的模式——单月爆发后回落。
- free-claude-code：5月的热点（免费使用 Claude Code 的方案），6月被官方动作和更成熟的替代方案稀释了注意力。
这种"一月游"模式说明：GitHub AI 头部有一批项目是靠话题驱动的，而不是靠产品力驱动的。它们的爆发像事件，不像趋势。真正能跨月存活的，是有持续功能输出和明确生态归属的项目——skills 和 cc-switch 之所以常青，正是因为它们是 Claude Code 生态的基础设施型工具，需求稳定、迭代持续。
这个区分对判断一个项目的可持续性很重要：看它有没有"跨月能力"。一个月上榜可能是运气，两个月上榜才是实力。
2.3 Topics 热度迁移：谁在升、谁在降
把5月和6月的热门 topics 做对比（注意：5月口径是"出现天数"、6月口径是"仓库数"，下表做了定性对齐而非严格定量），能看到清晰的迁移轨迹。
| 明显下降 | |||
| 下降 | |||
| 下降 | |||
几个判断：
第一，Claude Code 生态全线强化。claude-code、claude、anthropic 三个标签在6月同时出现在头部，形成了一个完整的品牌信号——开发者不只是在用 Claude Code，而是在围绕它建立一整个生态层（skills、mcp、agent harness、切换工具、知识图谱）。
第二，竞品编程工具降温。codex（OpenAI 的代码模型方向）和 cursor（AI 编程 IDE）在6月都有明显下降。这不意味着它们的产品力变弱，而是说明6月 GitHub 开发者的注意力从"通用 AI 编程工具"向"Claude Code 生态专用工具"迁移。这是一个平台级的注意力转移信号。
第三，Rust 退潮、Python/CLI 进场。5月 rust 在头部（17天），6月降到只有5个仓库。与此同时 python 和 cli 进入头部。这个迁移说明：6月新涌入的项目更偏"上层应用工具"（Python 脚本、命令行工具），而不是"底层高性能基础设施"（Rust）。AI 工具链的形态正在从"重运行时性能"向"重快速实现"迁移——开发者更在意能不能快速把功能跑起来，而不是运行时快不快。
第四，MCP 持平但稳。MCP（Model Context Protocol）从5月的15天延续到6月的14个仓库，两个月都在头部。它没有爆发式增长，但也没有衰退——这是一个"基础设施级"的稳态存在。MCP 已经成为 AI 工具之间的标准连接层，不需要话题驱动就能维持注意力。
2.4 新入场者画像：6月的 Top 新面孔
5月不存在、6月新进入头部的项目，构成了本月最值得关注的"新生力量"。从 Top10 看，新入场者的画像非常集中：
- ECC（1694⭐）：Claude Code 的 agent harness 性能优化系统。直接服务于 CC 生态。
- kilocode（1339⭐）：号称 OpenRouter 上排名第一的 agentic 工程平台。
- ai-berkshire（1270⭐）：基于 Claude Code 的价值投资研究框架。典型的"CC 垂直应用"。
- headroom（1266⭐）：LLM token 压缩工具，60-95% 的 token 节省。
- Understand-Anything（1146⭐）：把代码转成可交互知识图谱。
这五个6月新面孔，有四个直接服务于 Claude Code 生态或 Agent 工具链。5月旧面孔（openhuman、rtk、free-claude-code）的退场，和6月 CC 生态新面孔的进场，是同一件事的两面：GitHub AI 的注意力正在从"通用 AI 玩具"向"Claude Code 生产力工具链"系统性迁移。
这就是87%换血率的真正含义——它不是随机洗牌，是方向性迁移。月报能看见这个迁移，日报看不见。日报只会告诉你"今天有个新项目火了"，但不会告诉你"这个月整个生态在往一个方向转"。
---
三CHAPTER 03
霸榜 Top10 深挖
霸权层和追赶层头部的十个项目，是6月 GitHub AI 注意力的全部焦点。本章不是简介的堆叠——那和日报没有区别。我们要回答的是：每个项目到底解决了什么问题、谁在做、为什么偏偏在6月爆发、它在整个生态里占据了什么位置。
3.1 ECC（1694⭐）：从配置同步工具到"Agent Harness 操作系统"
定位：跨 Agent 工具链的统一操作系统，让 Claude Code、Cursor、Codex、Gemini 等12+ 主流 AI 编码工具共享同一套 Skills、Agents、Rules、Hooks 配置。
ECC 的全称经历过一次关键变化。早期它被理解为"配置同步工具"——你在 Claude Code 里写的 skill，ECC 帮你同步到 Cursor、Codex 等其他工具里，不用每个工具重复配置。但6月发布的 v2.0.0 把它的定位彻底改写了：The Agent Harness Operating System——Agent 工具链的操作系统。这不是换个名字，是换了个物种。从"同步配置的工具"升级为"管理所有 Agent 工具的操作系统"，意味着 ECC 想成为 AI 编码时代的"Windows"。
作者 affaan-m 的背景是这个项目能爆的关键之一。 他是2025年9月 Anthropic 联合 Forum Ventures 举办的黑客马拉松冠军。这个背书直接给 ECC 镀了一层"Anthropic 认证"的金——在 Claude Code 生态里，官方背书的权重极高。ECC 已经运营了独立站点 ecc.tools，发布了 npm 包 ecc-universal 和 ecc-agentshield，商业模式分三层：MIT 开源的核心、面向私有仓库的 Pro GitHub App、以及一个叫 AgentShield 的安全扫描器。
技术上的核心吸引力是"海量预置 + 跨平台"。 ECC 内置 261+ Skills、66 Agents、94 个旧版命令兼容垫片，覆盖 12+ 语言生态。对开发者来说，这意味着装一个 ECC 就拿到了一个"即装即用"的大型 Agent 工具库，不用自己从零写 skills。跨平台覆盖 12 个工具（Claude Code、Cursor、Codex、OpenCode、Gemini、Zed、GitHub Copilot、Antigravity、JoyCode、Qwen CLI 等），是目前唯一做跨平台统一管理的项目——原生配置系统（比如 Cursor 的 .cursor/rules）只管自己一亩三分地。
为什么是6月爆： v2.0.0 是直接触发器。从"工具"到"操作系统"的定位跃迁，配合黑客马拉松冠军的持续背书，让 ECC 在6月成为"AI 编码基础设施"话题的中心。另外值得注意的是 stars 数据的争议：GitHub 页面显示 211.9K+，但 trending 追踪到的是 1694——这个差异可能意味着 211.9K 是累计下载量或生态聚合数据，真实的 stars 增量在6月是1694这个量级。
赛道定位： AI 编码工具配置管理。ECC 在这个赛道里没有直接竞品——其他工具都只做自家配置。ECC 的跨平台策略是它的护城河：只要 AI 编码工具继续碎片化（新工具不断冒出来），ECC 的"统一管理层"价值就持续存在。它的最大风险是 Anthropic 或某个大厂自己做官方统一层——但至少在6月，这个风险还没发生。
3.2 kilocode（1339⭐）：OpenRouter 第一、500+ 模型、零加价
定位：All-in-one 开源 Agent 编码平台，三端（VS Code / JetBrains / CLI）覆盖，500+ 模型可中途切换，零加价开放定价。
kilocode 是 Kilo-Org 组织运营的项目，技术上 fork 自 OpenCode，走纯开源社区路线。它的 slogan 里有一个非常刺眼的数字——"#1 on OpenRouter"。OpenRouter 是最大的多模型 API 路由服务，能在它上面排第一意味着 kilocode 的实际调用量已经是行业头部级别。这个数据比 stars 更有说服力——stars 是"关注"，API 调用量是"真在用"。
核心功能上，kilocode 做的是"全流程 + 不锁定"。 它提供 Code（编码）、Plan（规划）、Ask（问答）、Debug（调试）、Review（代码审查）五种 Agent 模式，覆盖从设计到审查的完整开发流程。500+ 模型支持意味着你可以在编码过程中途切换模型——用便宜的模型做初稿、用贵的模型做关键决策，成本可控。内置 MCP Marketplace 让用户直接安装第三方工具集成，不需要自己配置 MCP 服务器。
零加价定价是6月它能爆的关键商业武器。 Cursor、Windsurf 等商业 AI 编程工具在上半年经历了一轮涨价，大量开发者开始寻找"不赚中间差价"的替代品。kilocode 的策略精准切中了这波迁移需求——开放定价，用户直接按 API 原价付费，平台不收中间差价。这在价格敏感的开源社区里是极强的吸引力。
赛道定位与竞品： AI 编码 IDE / Agent 平台。直接竞品是 Cursor、Windsurf、Continue、Cline。kilocode 的差异化组合是"开源 + 零加价 + 多 IDE 支持 + 500 模型"——其他竞品要么不开源、要么锁定单一 IDE、要么在定价上加价。这个差异化组合在 Cursor 涨价后的市场环境里尤其有竞争力。
为什么是6月爆： 天时（Cursor 涨价引发迁移需求）+ 地利（开源 + 零加价定位精准）+ 人和（OpenRouter 排名第一带来信任）。kilocode 的爆发不是营销推动，是市场环境变化让它站到了风口上。
3.3 ai-berkshire（1270⭐）：Claude Code × 价值投资的跨界实验
定位：基于 Claude Code 的价值投资研究框架，把巴菲特、芒格、段永平、李录四位投资大师的方法论编码为 AI Skills。
ai-berkshire 是6月 Top10 里最有话题性的项目——不是技术上最深，而是跨界最远。作者 xbtlin 运营着一个微信公众号"复利炼丹炉"，项目展示的真实业绩记录是：2024年 +69.29%、2025年 +66.38%，两年累计超额收益 146 万+。这个业绩数据是 ai-berkshire 能爆的信任锚点——在 AI 金融应用普遍停留在"聊天机器人"层面时，一个公开展示可验证业绩的 AI 投资框架，冲击力极强。
技术上的核心是"19 个投资 Skills + 多 Agent 并行"。 这19个 Skills 覆盖了完整的投资研究流程：深度研究（/investment-research）、多 Agent 并行分析（/investment-team）、财报审读（/earnings-review）、行业筛选漏斗（/industry-funnel）、新闻脉搏（/news-pulse）等。每个 Skill 对应一个具体的投资动作。最关键的是 /investment-team——它可以并行调度多个 Agent 分别扮演不同角色（分析师、风控、行业专家），汇总形成综合投资建议。这就是 Claude Code 多 Agent 架构在金融领域的具体落地。
四大师方法论不是营销噱头，是真实的差异化。 巴菲特、芒格、段永平、李录各有独立的思维模型和判断框架。ai-berkshire 把这些方法论系统化，让 AI 按不同大师的视角给出差异化分析。这种"把人类专家的定性分析方法论编码为 AI 可执行流程"的做法，和量化交易是完全不同的路线——量化做的是数学，ai-berkshire 做的是"让 AI 学会像大师一样思考"。
技术细节里有值得注意的工程严谨度： 使用 Python decimal.Decimal 进行精确财务运算避免浮点误差。这个小细节说明作者真的在做生产级的金融计算，不是玩具。v1.0.0 在2026年4月发布，到6月已经具备生产级可用性。
赛道定位： AI 金融 / 投资研究。这是一个 ai-berkshire 几乎独自占有的细分——大多数 AI 金融项目做的是选股或量化，做"价值投资方法论 AI 化"的几乎没有。它和 career-ops（求职）、taste-skill（前端品味）属于同一个模式：用 Claude Code 的多 Agent 框架去解决一个具体的垂直领域问题。这个模式在6月被反复验证——找到具体场景 + 用 CC 框架包装 + 上架，就能成为一个项目。
3.4 headroom（1266⭐）：把 Token 消耗打掉 60-95%
定位：AI Agent 的上下文压缩层，6种压缩算法把 Token 消耗降低 60-95%，同时保持任务准确率。
headroom 不是一个最性感的项目，但它解决的是6月 AI 开发者最普遍的痛点——Token 成本。随着 Agent 工作流越来越复杂（多轮对话、长上下文、多工具调用），Token 费用成了开发者每月账单上最大的一块。headroom 直接切这个痛点：平均节省 60-95% 的 Token，准确率不掉。这个数字对任何在付 LLM 账单的开发者都是直接冲击。
技术上的核心是"6种压缩算法 × 4种部署模式"的组合矩阵。 6种算法：SmartCrusher（JSON 压缩）、CodeCompressor（AST 语法树压缩）、Kompress-base（HuggingFace 模型压缩）、CacheAligner（缓存对齐）、IntelligentContext（智能上下文）、CCR（可逆压缩）。每种算法瞄准不同类型的上下文——JSON 压缩适合工具输出、AST 压缩适合代码、模型压缩适合通用文本。4种部署模式：Library（库集成）、Proxy（代理）、Agent wrap（Agent 包装）、MCP server。这意味着 headroom 可以在任何位置接入——不管你的架构是什么样的，都能找到接入点。
准确率无损是核心承诺，且有标准基准验证。 在 GSM8K（数学推理）、TruthfulQA（真实性）、SQuAD v2（阅读理解）、BFCL（函数调用）四个标准基准上，压缩后准确率保持不变。真实场景的效果同样显著：代码搜索 Token 减少 92%、SRE 事件分析 92%、GitHub Issue 分类 73%。这些数字不是营销话术，是有场景有基准的实测结果。
一个值得关注的高级功能是 headroom learn。 它从失败的会话中挖掘模式，持续优化压缩策略。跨 Agent 记忆功能让压缩知识可以复用——一个 Agent 学到的压缩经验，其他 Agent 也能用。这让 headroom 从"静态压缩工具"升级为"会学习的压缩层"。
为什么是6月爆： Token 成本是 Agent 从演示走向生产的最后一道门槛。上半年 AI Agent 的讨论主题是"能做什么"，6月的主题开始转向"怎么做才用得起"。headroom 提供了即插即用的方案，60-95% 的节省幅度在所有竞品里最激进。在"Agent 经济性"成为核心议题的时点上，headroom 站到了风口。
赛道定位： AI 基础设施 — 上下文 / Token 优化。直接竞品包括 LangChain 的缓存机制、GPTCache 等，但 headroom 的多算法组合和可逆压缩（CCR）是独特能力。
3.5 Understand-Anything（1146⭐）：代码库变知识图谱
定位：把任意代码库转化为交互式知识图谱的 Claude Code 插件，Tree-sitter + LLM 混合分析，多 Agent 流水线协作。
Understand-Anything 解决的是"大代码库看不懂"的问题。当项目规模超过一定量级，纯 LLM 的代码理解开始出现幻觉和遗漏——它会说一些看起来对但实际错误的总结。Understand-Anything 的方案是 Tree-sitter（确定性语法解析）+ LLM（语义理解）的混合方法：Tree-sitter 提供确定性的语法结构，LLM 补充语义层，两者结合兼顾准确性和深度。
多 Agent 流水线是它的工程亮点。 整个代码理解过程被拆成5-6个 Agent 分工：project-scanner（项目扫描）→ file-analyzer（文件分析）→ architecture-analyzer（架构分析）→ tour-builder（导览构建）→ graph-reviewer（图谱审查）→ domain-analyzer（领域分析）。每个 Agent 只做一件事，但做精。这种"流水线分工"模式比"一个大 Agent 做所有事"更可靠——单个 Agent 的幻觉不会污染整个分析。
输出不只是图，是"可交互的知识图谱"。 它生成的不是静态可视化，而是一个可探索的知识库：代码结构图、业务逻辑视图、知识库分析、引导式代码导览、模糊/语义搜索、Diff 影响分析。多角色适配 UI 让不同角色看到不同视图——开发者看到实现细节、架构师看到全局结构、新人看到入门导览。这种"一个图谱服务多角色"的设计让它不只是一个阅读工具，而是一个团队协作的基础设施。
兼容性广是它能进 Top5 的原因之一。 支持 Claude Code、Cursor、VS Code Copilot、Codex、OpenCode 等16+ 平台。原作者 Lum1104，现由 Egonex-AI 维护——这个组织接手说明项目有了商业化或机构化运营的打算。
赛道定位： 代码理解 / 知识图谱。竞品包括 Sourcegraph、CodeSee、Swimm 等传统代码理解工具。Understand-Anything 的差异化是 AI 原生——传统工具做静态分析，它做多 Agent 协作的动态理解。这个赛道的天花板很高：代码库规模只会继续增长，"AI 帮你理解代码"的需求只会越来越强。
3.6 skills / mattpocock（1120⭐）：TypeScript 教育 KOL 的 Claude Code 工程哲学
定位：TypeScript 领域知名 KOL Matt Pocock 分享的个人 Claude Code Skills 目录，把"AI 写代码"升级为"AI 写可维护的代码"。
skills 这个项目在 Top10 里看似最朴素——没有华丽的架构，没有商业化的平台，就是一个 `.claude` 目录里的一组 Skills 文件。但它能在6月和5月都稳居头部（5月排第1、6月排第6），原因是它解决了一个正在被广泛承认的痛点：AI 生成的代码"看起来对但跑不起来"，长期累积会让代码库腐化。
作者 Matt Pocock 的个人品牌是这个项目的核心资产。 他是 TypeScript 教育领域的 KOL，拥有约 60,000 名 newsletter 订阅者。一个有影响力的技术教育者亲自分享自己用的 Claude Code Skills，这个行为本身就是最强的背书——"专家在用什么"比"公司推什么"对开发者更有说服力。安装方式极其简单：`npx skills@latest add mattpocock/skills`，一行命令就能用上。
Skills 的设计围绕"AI 编码的四大痛点"。 第一，Agent 对齐问题——AI 没真正理解你要什么就动手。解法是 /grill-me 和 /grill-with-docs，通过"拷问"机制确保 Agent 理解需求后再写代码。第二，Agent 冗余输出——每次都重复一堆上下文。解法是共享的 CONTEXT.md。第三，代码不可运行——看起来对但跑不起来。解法是 /tdd，完整的红绿重构 TDD 流程，确保 AI 生成的代码真正可用。第四，架构腐化——AI 一次次改代码，最终把架构搞乱。解法是 /improve-codebase-architecture。
工程哲学比单个 Skill 更有价值的。 Matt Pocock 的 Skills 里强调"统一语言（Ubiquitous Language）"和"领域驱动设计"——这是软件工程的传统最佳实践，他把这些实践融入了 AI 编码流程。这代表了一种重要的认知升级：不是让 AI 替代软件工程，而是让 AI 执行软件工程的最佳实践。这个认知在6月正在达到共识临界点。
赛道定位： Claude Code Skills 个人分享生态。竞品包括其他 Skills 仓库（如 ECC 的 261+ Skills），但 mattpocock/skills 的差异化是"精而专"——不做大而全，只做个人品牌的工程哲学输出。
3.7 agency-agents（1115⭐）：230+ Agent 覆盖17个业务部门
定位：230+ 专业 AI Agent 的完整集合库，覆盖工程、设计、营销、销售、产品、安全等17个业务部门，附带原生桌面应用。
agency-agents 是 Top10 里覆盖范围最广的项目。其他项目都聚焦在"编码"或"开发"场景，agency-agents 把视野拉到了整个企业组织——17 个部门每个都有自己的专用 Agent。工程、设计、付费媒体、销售、营销、产品、项目管理、测试、安全、客服、空间计算、专业化、财务、游戏开发、学术、GIS、医疗。这种"AI Agency"叙事极具想象力——它不是在做工具，是在做"AI 替代整个组织"的样板。
作者的切入点和项目起源值得注意。 作者 msitarzewski，项目诞生于一个 Reddit 帖子。现在已经推出了原生桌面应用（macOS/Linux/Windows），支持 brew 安装，社区贡献了 9+ 语言的翻译。从一个 Reddit 帖子到 Top10 项目，这个路径本身就是一个"开源社区造星"的典型案例。
核心能力是"数量 × 多工具适配"。 230+ Agent 覆盖17个部门，每个 Agent 针对一个具体职能。多工具集成方面，支持 Claude Code、GitHub Copilot、Antigravity、Gemini CLI、OpenCode、Cursor、Aider、Windsurf、OpenClaw、Qwen Code、Kimi Code、Codex、Osaurus、Hermes 等——基本上目前主流的 AI 编码工具全适配。这意味着无论你的团队用什么工具，agency-agents 都能给你一套统一的 Agent 库。
原生桌面应用是它和普通"Agent 仓库"的关键差异。 大多数 Agent 集合只是一个 GitHub 仓库里的一堆 Markdown 文件。agency-agents 做了一个跨平台 GUI 应用（agencyagents.app），不依赖浏览器或 IDE。这让"管理230+ Agent"变成了一个可视化的操作，而不是命令行的文件管理。
为什么是6月爆： "AI Agency"概念在2026年上半年爆发。和单个 AI 编码工具不同，agency-agents 把概念扩展到全企业职能场景——从工程到营销到财务，每个部门都有专用 Agent。在企业 AI 渗透成为主流话题的背景下，agency-agents 提供了一个"AI 组织"的具体样板。MIT 开源允许商业使用，进一步降低了企业采用的门槛。
赛道定位： AI Agent 集合 / 市场。竞品包括 ECC（偏编码）、各类 Agent 目录。agency-agents 的差异化是覆盖范围（17个部门 vs 纯编码）和原生桌面应用。它的隐含愿景比其他项目都大——不只是做工具，是在定义"AI 时代的企业组织形态"。
3.8 MinerU（944⭐）：109语言文档解析，VLM + OCR 双引擎
定位：高精度文档解析引擎，把 PDF / 图片 / DOCX / PPTX / XLSX 转成 LLM 可用的 Markdown / JSON，支持109种语言 OCR，VLM + OCR 双引擎架构。
MinerU 是 Top10 里背景最"正规"的项目——它来自上海人工智能实验室的 OpenDataLab 团队，诞生于 InternLM 大模型预训练过程中对文档解析的真实需求。它不是独立开发者的副业，是有学术和工程双重背书的基础设施项目。已有学术论文发表（arXiv:2409.18839 等），许可证从 AGPLv3 升级为基于 Apache 2.0 的 MinerU Open Source License——这个升级大幅降低了商用门槛。
VLM + OCR 双引擎是核心技术差异化。 pipeline 后端用传统 OCR（CPU 可运行，准确率 86.47%），VLM 后端用视觉语言模型做高精度识别（准确率 95.39%），还有混合后端兼顾精度和速度。6月连续发布的 v3.3 和 v3.4 把 OCR 模型升级到 PP-OCRv6，准确率提升约 11%，处理速度提升约 100%——这个连续升级节奏是 MinerU 能在6月保持 Top10 的直接推动力。
全格式覆盖 + 结构保留。 PDF、图片、DOCX、PPTX、XLSX 原生解析，输出 Markdown / JSON，保留标题、段落、列表、表格、公式（LaTeX）、图片的结构。公式转 LaTeX、表格转 HTML、支持手写体和多栏布局——这些细节决定了 MinerU 不是"只能处理干净 PDF"的玩具，是可以处理真实复杂文档的生产级工具。
生产级部署能力是它的另一道护城河。 mineru-router 做多 GPU 负载均衡、多线程并发推理、滑动窗口内存优化（支持数万页文档）、Docker 一键部署。支持10+ 国产 AI 芯片（昇腾、寒武纪、燧原、摩尔线程、昆仑芯等）——这个适配范围在国际开源项目里极其罕见，说明 MinerU 瞄准的不只是英文市场，也包括中国本土的 AI 芯片生态。
MCP Server + RAG 框架原生集成。 支持 Cursor / Claude Desktop / Windsurf 的 MCP，以及 LangChain / LlamaIndex / Dify / FastGPT 等 RAG 框架。这意味着 MinerU 不只是"解析工具"，它是 RAG 和 Agent 工作流上游的"数据预处理层"——Agent 要读文档，先靠 MinerU 把文档嚼碎。
赛道定位： 文档解析 / 数据预处理。竞品包括 LlamaParse（商业）、Unstructured、Marker 等。MinerU 的差异化是自研 VLM 模型（MinerU2.5-Pro）、双引擎架构、109 语言支持和国产芯片适配。这是 Top10 里最"基础设施"的一个项目——它不直接面向终端用户，但整个 RAG / Agent 生态都依赖它。
3.9 cc-switch（931⭐）：AI 编码工具的配置管理入口
定位：跨平台桌面 All-in-One 助手，管理和切换 Claude Code、Codex、OpenCode、Gemini CLI 等 AI 编码工具的配置、账号、API Key。
cc-switch 是 Top10 里最"实用主义"的项目。它不做高深的技术，只解决一个朴素但高频的痛点：同时用多个 AI 编码工具、每个都有不同账号和 API Key，怎么快速切换。作者 farion1231，官方网站 ccswitch.io。项目 README 里有 29 个 API 中转服务商的赞助——这个数字侧面反映了它的真实用户基数。
这个项目能进 Top10 的背景很特殊。 Claude Code 等 AI 编码工具在中国大陆的使用场景里，API 中转 / 代理是刚需——直接调用官方 API 有网络和支付门槛，大量开发者依赖第三方中转服务。这些中转服务通常按 token 计费，开发者会同时持有多个中转账号（比价、容灾、规避单点依赖）。频繁切换这些账号的需求催生了 cc-switch。
多 Agent 统一管理。 一个桌面应用同时管理 Claude Code、Codex、OpenCode、OpenClaw、Gemini CLI、Hermes Agent 等多个工具的配置。原生桌面客户端（非浏览器插件），跨平台。这个定位看起来简单，但它的战略位置很关键——当开发者用 cc-switch 管理所有 AI 编码工具时，cc-switch 就成了"AI 编码工具的入口层"。
29 个赞助商揭示的生态位置。 API 中转服务商集体赞助 cc-switch，说明它已经成为中转服务生态的核心入口工具。这种"工具厂商赞助入口工具"的模式，和浏览器厂商赞助广告拦截插件是同一种逻辑——谁掌握了入口，谁就有生态话语权。
为什么是6月爆： 6月恰逢 Claude Code 用户量爆发增长期。新用户涌入后，配置管理的需求同步上升。cc-switch 作为这个细分赛道里少有的成熟工具，自然承接了这波流量。它是5月和6月都留在榜单的两个"常青树"之一——这个持续性说明它解决的是稳定需求，不是短期话题。
3.10 OpenMontage（834⭐）：开源 Agent 视频制作工作室
定位：全球首个开源的 Agent 视频制作系统，12条制作流水线、52个工具、500+ Agent 技能，把 AI 编码助手变成完整的视频制作工作室。
OpenMontage 是 Top10 里最有想象力的项目。作者 calesthio（Calesthio AI Labs），在 YouTube 和 X 上同步构建过程，项目获得过 GitHub Trending #1 Repository of the Day，AGPLv3 开源，仍在活跃开发中（"built nights and weekends"）。它不是把 AI 视频生成当玩具，是在做一个完整的"AI 视频制作工作室"。
12 条制作流水线是核心差异化。 动画讲解、动画运动图形、虚拟人发言、电影预告片、批量短视频提取、纪录片蒙太奇（真实素材）、混合制作、本地化配音、播客再利用、屏幕演示、Talking Head、角色动画。每条流水线遵循 research → proposal → script → scene_plan → assets → edit → compose 的标准流程——这不是"一键生成短视频"，是完整的工业级视频制作流程。
52 个工具 + 500+ Agent 技能的架构值得拆解。 视频生成覆盖14个供应商（Kling、Runway、Veo 3、Grok 等），图像生成10个，TTS 4个，加上音乐、后期、分析、头像、字幕工具。三层知识架构：tools/（能力）+ skills/（使用方法）+ .agents/skills/（深度技术知识包）。Agent 即编排器——不需要写代码做编排器，AI 编码助手本身就是编排器，Python 提供工具和持久化，所有创意决策和编排逻辑在 YAML manifest + Markdown skills 中。
Backlot 实时故事板 + 真实素材路径是两个被低估的能力。 Backlot 是本地看板，实时展示制作进度、场景卡片、资产生成状态、费用跟踪，支持创意审批门控——这让整个制作过程可监控。真实素材路径意味着 OpenMontage 不只是"图片做动画"，它可以从 Archive.org、NASA、Wikimedia 获取真实动态素材剪辑成片。这个差异关键——市面上大量"AI 视频工具"只能把静态图片做成动画，OpenMontage 能处理真实视频素材。
零 API Key 可用降低了入门门槛。 无需任何 API Key 即可使用 Piper TTS + 免费素材库 + Remotion / HyperFrames 渲染。生产级质量控制包括7维度供应商评分、幻灯片风险评分（防止"PPT式视频"）、ffprobe + 帧采样 + 音频分析的后渲染自审、预算控制（估算→预留→对账）。
为什么是6月爆： AI 视频赛道在2026年上半年正从"单次生成短视频"向"端到端制作流水线"升级。OpenMontage 的三个差异化正好踩在这个升级节点上：Agent 架构而非代码编排器、真实动态素材而非图片动画、零成本可用。获得 GitHub Trending #1 当日第一名带来了初始流量，之后项目本身的质量留住了关注度。
赛道定位： AI 视频制作 / Agent 编排。竞品 Runway、Pika 做的是单次生成，不在同一层级；Remotion 是纯渲染引擎无 Agent 能力。OpenMontage 实际上是在 Remotion 之上构建了 Agent 编排层——这种"在成熟渲染引擎上叠 Agent 层"的模式，在视频之外的赛道也会反复出现。
---
四CHAPTER 04
Top10 是金字塔尖。但一个生态的健康度，更多取决于塔身的厚度——追赶层和黑马层里有没有新东西在长出来。本章把 #11 至 #30 共20个项目按 stars 分层，看塔身的故事。
4.1 分层全景：金字塔的形状
这个金字塔的形状本身就是一个信号。健康的生态应该是"底宽顶窄"——大量项目在底层生长，少数冒到顶部。6月的数据正好符合这个形状：霸权层只有4个，但黑马层有8个、长尾层有13个。这说明塔身是厚的——Top10 之下还有大量项目在活跃生长，不是几个明星项目独占舞台。
更值得注意的是，从追赶层到黑马层有一个明显的"台阶"：900⭐到700⭐之间挤了13个项目（追赶层5个+黑马层8个），stars 差距只有200。这意味着追赶层和黑马层的分界很模糊——任何一个黑马层的项目，一个版本发布或一次社区推荐就可能冲进 Top10。黑马层不是"次级"，而是"预备队"。
追赶层是"差一步就进 Top10"的一群，它们往往有自己的差异化定位。
ai-website-cloner-template（827⭐）：一条命令克隆任意网站。把"AI 编程 Agent + 模板"组合成了一个具体产品形态。它的 stars 说明开发者对"快速复制前端"有强需求——不是为了抄，是为了快速搭建原型的脚手架。
AiToEarn（805⭐）：口号很直白——"用 AI 来赚钱"。一个 Electron 应用，瞄准的是"AI 变现"这个最朴素的需求。它的 topics 里有 douyin（抖音）和 kuaishou（快手），说明它瞄准的是中文短视频内容生产场景。这类项目能进 Top15，说明"AI 怎么帮我赚到钱"依然是最强的开发者驱动力之一。
hiring-agent（762⭐）：AI 评估和打分简历。出自 interviewstreet——这是一家有历史的招聘技术公司。企业端 AI 招聘工具进入 GitHub 头部，意味着"AI 用于 HR"已经从 SaaS 产品渗透到了开源工具层。
taste-skill（757⭐）：给 AI"品味"，让它不再生成无聊、通用、"slop"（工业垃圾）式的前端代码。这个项目的存在本身就是一种态度——"AI 生成的东西太丑太套路"已经成了一个被广泛承认的痛点。taste-skill 直面这个问题。它是 Claude Code skills 生态的一个具体应用。
palmier-pro（749⭐）：macOS 上的 AI 视频编辑器，用 Swift 写，集成了 MCP。AI 视频编辑是一个竞争激烈的赛道，但 palmier-pro 的差异化在于"原生 macOS 体验 + MCP 连接"——它不是又一个 Web 端工具，而是一个本地优先的专业工具。
黑马层是最值得长期关注的一层——今天的黑马可能是下个月的霸权。
career-ops（742⭐）：用 Claude Code 搭的求职系统，14种技能模式、Go 语言 dashboard、PDF 生成、批量处理。这又是一个 CC 生态垂直应用——和 Top10 里的 ai-berkshire（投资研究）是同一个模式：用 CC 的多 Agent 框架去解决一个垂直领域的问题。career-ops 能进黑马层，说明"CC + 垂直场景"是一个可复制的模板，任何人找到一个具体场景都能做一个 CC 应用上架。
Agent-Reach（700⭐）：给 AI Agent 装上"眼睛"，让它能读 Twitter、Reddit、YouTube、GitHub、Bilibili、小红书。topics 里有 mcp 和 web-scraper——这是一个 MCP 兼容的多平台数据抓取层。Agent 的能力上限很大程度上取决于它能拿到多少数据，Agent-Reach 解决的是"Agent 看不到全网"这个瓶颈。它支持 Bilibili 和小红书，说明它瞄准的不只是英文世界，而是全球内容源。
googleworkspace/cli（678⭐）：用 Rust 写的 Google Workspace 命令行工具，一个命令操作 Drive、Gmail、Calendar、Sheets、Docs。大型 SaaS 的 API 被开源社区 CLI 化——这是一个反复出现的模式（之前有 aws-cli、gcloud）。Google Workspace 的官方 API 一直以复杂著称，这个项目用 Rust 重写后，把"操作 Google 全家桶"变成了终端里一行命令。它的 stars 说明开发者对"把云服务搬进终端"有持续需求。
whichllm（631⭐）：根据你的硬件，推荐实际能跑、性能最好的本地 LLM。它用"考虑时效的真实基准"排名，不是营销数字。这个项目切中了一个真实的痛点——大多数人不知道自己的电脑到底能跑哪个模型、跑了性能怎么样。在本地 LLM 数量爆炸的背景下，whichllm 是一个"选型工具"型的项目，实用价值直接。
train-llm-from-scratch（627⭐）：从下载数据到生成文本，一步一步训练自己的 LLM。这是一个教育型项目——它的价值不在运行时性能，而在"把训练 LLM 这件事拆成可跟着做的步骤"。教育型项目能进 Top30，说明"我想搞懂 LLM 是怎么训练的"这个需求依然旺盛，没有被"调用 API 就够了"的实用主义稀释。
OmniRoute（614⭐）：多 LLM 提供商的 AI 网关，一个 OpenAI 兼容端点，背后是智能路由、负载均衡、重试。它的存在回答了一个工程问题——当你的应用要调用多个 LLM 时，怎么不绑死在一家。OmniRoute 是"LLM 中立层"的基础设施型项目，和 firecrawl（Web 数据中立层）、Agent-Reach（内容源中立层）是同一类模式：在某一层做"中立接入"。
长尾层项目 stars 在 500-610 之间，它们单独看不抢眼，但聚合起来能看出几个方向。
cognee（603⭐）：6行代码给 AI Agent 加记忆。topics 有 neo4j 和 knowledge-graph——用图数据库做 Agent 记忆。Agent 记忆是 2026 年正在形成的一个新赛道，cognee 是早期玩家之一。
ppt-master（589⭐）：AI 生成原生可编辑的 PPTX，生成的是真正的 PowerPoint 形状而不是图片。这个差异化很关键——大多数 AI 做 PPT 的方案是把内容塞进图片，ppt-master 做的是"生成可二次编辑的 Office 文档"。这是"AI 内容生产"赛道里一个具体的细分突破。
freellmapi（586⭐）：把16家 LLM 提供商的免费额度叠在一起，一个 /v1 端点背后是约17亿 token/月的免费池。这是"降低 LLM 使用门槛"方向上最极端的一个项目——把所有免费额度榨干。
agentsview（530⭐）：本地优先的编码 Agent 会话智能和分析，支持 Claude Code、Codex 等20多种 Agent。这是Agent 可观测性赛道的项目——当你用了多个 Agent 之后，怎么追踪它们都做了什么。Agent 工具链多了，可观测性就成了刚需。
firecrawl（505⭐）：Web Data API for AI，把整个网站转成 LLM 可用的 markdown 或结构化数据。它是 Agent 的"食物链底端"——Agent 要拿到 Web 内容，先靠 firecrawl 把网页嚼碎。这类项目是 Agent 工具链的水电煤。
4.5 黑马层的共性：四个正在形成的赛道
把 #16 到 #30 逐个过完，会发现黑马层和长尾层不是杂乱无章的，它们聚拢在四个正在形成的新赛道周围：
赛道一：Claude Code 垂直应用工厂。 career-ops（求职）、taste-skill（前端品味）、agentsview（Agent 监控）、skills（本身）——它们都是"用 CC 框架解决一个具体场景"的实例。这是 6 月最清晰的新模式：找一个垂直场景，用 CC 的多 Agent 架构包一层，就能上架。
赛道二：Agent 工具链水电煤。 Agent-Reach（数据接入）、cognee（记忆）、OmniRoute（LLM 路由）、firecrawl（Web 数据预处理）、freellmapi（免费额度池）——它们都在做同一件事：给 Agent 提供某一项基础设施。Agent 数量爆发后，围绕 Agent 的工具链需求随之爆发。
赛道三：AI 内容生产细分突破。 palmier-pro（视频）、ppt-master（PPT）、AiToEarn（短视频变现）——它们不是通用 AI 内容工具，而是瞄准一个具体的内容形态做深。通用工具的窗口正在关闭，垂直内容工具的机会在打开。
赛道四：可观测性与选型工具。 agentsview（Agent 监控）、whichllm（LLM 选型）——这类项目做的是"在工具多了之后帮你做选择和监控"。任何一个工具生态成熟到一定阶段，选型和可观测性就会成为刚需。
这四条赛道里，前三条已经能看到多个项目聚拢，第四条还早期。下一个月最可能爆发的，是已有多个项目聚拢的前三条——因为群体出现是赛道成形的先兆。
---
五CHAPTER 05
赛道拓扑：Topics 共现与生态聚类
Top30 是个体层面的观察。本章把视角拉到生态层面——用 topics 共现分析，看86个仓库在标签层面构成了怎样的拓扑结构。这种分析需要足够的样本量，日报只有几个项目根本做不了，月报的86个样本才刚刚够用。
5.1 Topics 头部分布：谁在主导标签层
先看 topics 出现频次的 Top20：
Topics 出现频次 Top15 ■ Claude Code 生态标签 |
几个判断：
第一，Claude Code 生态集群已经形成完整标签层。claude-code（19）、mcp（14）、claude（14）、anthropic（8）、skills（7）——五个标签共同构成了一个完整的品牌信号。把这五个标签视为一个生态集群，它在86个仓库里命中了28个，占 32.6%。三分之一的6月 AI 仓库和 Claude Code 生态相关，这是一个压倒性的占比。
第二，"ai + llm"是最泛化的基础标签。ai（23）和 llm（20）是出现最多的两个标签，但它们也是最泛化的——几乎所有 AI 项目都会贴。它们的共现次数最高（10次），但这不意味着特殊关联，只意味着这两个标签几乎是默认配置。
第三，Agent 标签碎片化。ai-agents（8）、ai-agent（8）、agent（8）——同一个概念被三种写法分散了标签。如果合并计算，Agent 概念的实际出现次数是 24次，仅次于 ai 和 llm。这说明 Agent 是被严重低估的一股力量——单看任何一个标签都不显眼，合并起来是 Top3 级别的存在。
第四，实现语言三个梯队。python（12）独占第一梯队，cli（10）和 typescript（6）、rust（5）构成第二梯队。Python 的统治地位符合预期，但 rust 在5月还是头部（17天），6月降到5个——这印证了第二章的判断：6月的项目更偏上层应用，不再追求 Rust 的高运行时性能。
5.2 共现矩阵：谁和谁总是一起出现
比单个标签频次更有信息量的是"标签共现"——哪两个标签总是一起出现。共现揭示的是项目之间的结构相似性。
| claude-code × mcp | 9 | CC 生态核心配对 |
Topics 共现频次 Top10（雌黄=CC相关配对） |
最有信息量的一对是 claude-code × mcp（9次共现）。这不是泛化标签的默认配对（不像 ai × llm），而是具体的工程组合——有 Claude Code 的地方几乎必然有 MCP。这两个标签的高共现说明：开发者不只是用 Claude Code，而是用 CC + MCP 组合搭工具链。MCP 已经从"Anthropic 推的协议"变成了"CC 生态里默认的连接标准"。
第二个值得注意的信号是 llm × mcp（7次）。MCP 不只和 claude-code 共现，也和泛化的 llm 标签共现——这说明 MCP 已经溢出了 CC 生态，成为整个 LLM 工具链的通用连接层。一个由单一公司推动的协议，能在一个月内变成全行业的默认配置，这是 6 月最重要的基础设施级事件。
5.3 生态聚类：四个集群
把共现关系聚合起来，86个仓库的 topics 空间会聚拢成四个相对清晰的生态集群：
集群一：Claude Code 生态圈（28个仓库，32.6%）
- 核心标签：claude-code、claude、anthropic、mcp、skills
- 特征：围绕 Claude Code 搭建的工具链和应用层
- 代表项目：ECC、kilocode、ai-berkshire、Understand-Anything、skills、cc-switch、career-ops
- 判断：本月绝对主导的生态集群
集群二：通用 Agent 工具链（约15个仓库）
- 核心标签：agent、ai-agent、ai-agents、rag
- 特征：不绑定特定平台的通用 Agent 框架和工具
- 代表项目：agency-agents、Agent-Reach、cognee、OmniRoute
- 判断：第二大集群，和 CC 生态部分重叠但更泛化
集群三：AI 内容生产（约10个仓库）
- 核心标签：video-editor、presentation、automation
- 特征：AI 用于生产具体形态的内容
- 代表项目：palmier-pro、ppt-master、AiToEarn、ai-website-cloner-template
- 判断：分散但活跃，每个项目瞄准一个具体内容形态
集群四：基础设施与中立层（约8个仓库）
- 核心标签：cli、proxy、api
- 特征：给上层 Agent 提供中立接入的工具
- 代表项目：googleworkspace/cli、firecrawl、freellmapi、whichllm
- 判断：数量不大但战略位置关键，是其他集群的"水电煤"
5.4 聚类揭示的产业逻辑
这四个集群之间的关系，揭示了 6 月开源 AI 的一个清晰产业逻辑：
Claude Code 生态是上半场的赢家，通用 Agent 工具链是下半场的候选者。 CC 生态以 32.6% 的占比一家独大，它的优势在6月是结构性的。但通用 Agent 工具链集群虽然规模只有 CC 的一半，它的战略位置更中立——不绑定单一平台。如果未来出现"反 Claude Code 中心化"的力量，通用 Agent 集群是承接方。
内容生产和基础设施是两个边缘集群，但它们是生态健康的指示器。 内容生产集群活跃，说明 AI 已经渗透到具体创作场景；基础设施集群存在，说明整个 Agent 工具链已经复杂到需要"水电煤"层。两个边缘集群都不大，但它们的存在本身就是生态走向成熟的信号。
MCP 是连接所有集群的协议级动脉。 它不只出现在 CC 生态集群里（claude-code × mcp 共现9次），也出现在通用 Agent 集群里（llm × mcp 共现7次）。MCP 已经跨越了生态边界，成为整个开源 AI 工具链的默认连接协议。这是 6 月最重要的结构性变化——一个由 Anthropic 主推的协议，在一个月内变成了全行业标准。
---
六CHAPTER 06
跨维度共振：GitHub × 论文 × 产品的三线印证
6.1 三条线放在同一张桌子上
只看 GitHub 一条线，知道开发者在做什么但不知道为什么。只看论文，知道学术界在关心什么但不知道有没有人用。只看 Product Hunt，知道产品在做什么但不知道背后靠什么技术。三条线放在一起看，才能看清"什么是真趋势、什么是伪热点"。这是月报才能做的分析——日报的数据量不够支撑跨维度交叉。
6.2 共振点一：Agent 是三条线的共同主线
把三条线对齐，会出现一个极强的共振信号——Agent 概念同时贯穿了开源、学术、产品三个层面。
GitHub 上，agent / ai-agent / ai-agents 三个标签合并后命中24个仓库，仅次于泛化的 ai 和 llm。Top10 里有 ECC（Agent Harness OS）、kilocode（Agent 编码平台）、agency-agents（230+ Agent 集合）、Understand-Anything（多 Agent 流水线）—— Agent 不只是标签，是 Top10 项目的核心架构选择。
论文层面，Agent 是第二大研究主题（480篇），仅次于 LLM（724篇）。在 Agent 这个方向上，学术界投入的论文量超过了 Reasoning（199）、Multimodal（185）、RAG（100）这些传统热门方向。这个数据说明：Agent 已经不是应用层的话题，是学术界正在大规模投入的研究方向。
产品层面，PH Top5 全部是 AI Agent 产品——Fundraisly 帮你找投资人、Bond 帮你管待办、Upstream 给 Agent 专用收件箱、Goldfish 模仿你的工作风格回复、Bluerails 做 Agent 支付轨道。注意 Top5 里没有一个"通用 AI 工具"——全都是针对具体场景的 Agent 产品。这说明产品层已经过了"做一个聊天机器人"的阶段，进入了"做一个解决具体问题的 Agent"阶段。
三条线共振的含义： Agent 不是某一层的短期热度，是从开源（工具链）→ 学术（研究投入）→ 产品（商业化）三个层面同时确认的方向。当一个趋势同时在三层出现，它大概率不是泡沫——是真的产业级迁移。
6.3 共振点二：Claude Code 生态在开源强势，但学术几乎缺位
GitHub 上 CC 生态集群占 32.6%（28/86），是压倒性的第一大集群。但把镜头转向论文层面，会看到一个巨大的反差——论文里几乎没有 Claude Code / MCP / Anthropic 工具链的直接研究。论文的 Top 主题是 LLM、Agent、Reasoning、Multimodal——这些是通用的研究方向，不是针对 CC 生态的。
这个反差揭示了一个重要事实：Claude Code 生态是工程实践驱动的，不是学术研究驱动的。 开发者在 GitHub 上大量构建 CC 工具和应用，但学术界还没有把"CC 生态"当作一个正式研究对象。这有两种可能的解读：
第一种，CC 生态的工程领先学术。开源社区已经走在学术界前面——工具链搭好了、应用跑起来了、协议（MCP）标准化了，学术界还没来得及研究。这种情况在 fast-moving 的 AI 领域不罕见，工程往往领先学术半年到一年。
第二种，CC 生态是工程热潮但缺乏理论深度。学术界不研究它，可能是因为从理论角度看它"没什么新东西"——CC 生态本质是把现有技术组合起来做工具，没有理论突破。
我们的判断偏向第一种。CC 生态不是"没有理论深度"，是"理论框架还没跟上工程实践"。MCP 作为协议、Skills 作为知识表示、Agent Harness 作为架构模式——这些都是值得学术研究的新范式，只是论文还没跟上。
6.4 共振点三：Safety / Alignment 在论文里有，在开源里几乎没
和 CC 生态的反差相反，Safety（60篇）和 Alignment（70篇）在论文层面有相当的存在感——加起来130篇，超过 Multimodal（185）的一半。但把镜头转回 GitHub 86个仓库，几乎没有项目在 topics 里标注 safety 或 alignment。
这个反差同样值得解读。学术界在关心 AI 安全，但开源社区在猛冲功能不踩刹车。 这是一个结构性风险信号。当学术界花130篇论文讨论安全和对齐，而开源社区86个仓库里几乎没人做安全工具时，安全基础设施的供给严重不足。
Top10 里唯一和安全沾边的是 ECC 的 AgentShield——但那只是配置文件的安全扫描，不是 AI 系统本身的安全。真正的 AI 安全（对抗性防御、越狱防护、对齐验证、滥用检测）在 GitHub 头部完全缺席。
这个 gap 会在未来某个时间点被填上——要么是一次安全事件倒逼，要么是监管要求推动。无论哪种方式，安全基础设施断档都是6月数据里最值得警惕的一个信号。
6.5 共振点四：产品层在应用顶端，开源层在工具底端
把 PH Top5 和 GitHub Top10 放在一起对比，会看到一个非常清晰的分层结构——产品在应用层，开源在工具层，两者在产业链上互补而非竞争。
PH Top5 做的是：融资自动化（Fundraisly）、待办自动化（Bond）、Agent 收件箱（Upstream）、工作回复（Goldfish）、Agent 支付（Bluerails）。这些是终端用户直接用的产品——用户不需要懂代码，直接享受 AI 带来的便利。
GitHub Top10 做的是：Agent 操作系统（ECC）、编码平台（kilocode）、投资研究框架（ai-berkshire）、Token 压缩（headroom）、代码知识图谱（Understand-Anything）、Skills 分享（skills）、Agent 集合（agency-agents）、文档解析（MinerU）、配置管理（cc-switch）、视频制作（OpenMontage）。这些是开发者用来构建产品的工具。
这个分层意味着：PH 上的 AI 产品潮，背后靠的是 GitHub 上的工具链潮。 Fundraisly 这样的融资 Agent 产品，底层很可能用了类似 headroom 的 Token 压缩、MinerU 的文档解析、某个 Agent 框架。开源工具层越成熟，产品层的迭代速度越快。6月 GitHub 工具链的爆发，正在为下半年的 PH 产品潮储备弹药。
---
七CHAPTER 07
信号解读：50 个变化信号里的机会地图
7.1 从原始信号到可行动的判断
6月的数据里有一个金矿——`key_signals`，它自动识别了50个跨维度变化信号，分为 spike（激增）、drop（下降）、gap（缺口）、cross_source（跨源共振）、extended_cross（扩展交叉）几种类型。日报只看当天数据识别不了变化趋势，这些信号只有放在月度尺度上才能被识别。
本章不是罗列50个信号，而是挑出和 GitHub、Agent、创业机会最相关的信号，解读成可行动的判断。
7.2 三个 Spike：AI 基础设施 / 应用 / 模型同步激增
三个 Spike 同时出现，意味着6月的 AI 领域在基础设施、应用、模型三个层面同步激增。这不是单点突破，是全栈级别的加速。
最值得注意的是基础设施的 +200%——它的增速比应用和模型都快。这符合一个产业规律：当应用层需求爆发时，最先承压的是基础设施层。6月 GitHub 上 headroom（Token 压缩）、MinerU（文档解析）、firecrawl（Web 数据预处理）等基础设施项目的集中出现，正是这个规律的具体表现。
7.3 四个 Gap：被忽视的市场空白
Gap 类信号是最有创业价值的——它直接告诉你"哪里有需求但没有供给"。
Gap 1：GitHub 热门方向（mcp、web、development）在 PH 无对应产品。
GitHub 上 MCP、Web 开发、通用开发工具是最热的方向，但 PH 上几乎没有对应的产品。这意味着开发者大量在用 MCP 和开发工具，但这些工具的"产品化版本"还没有出现在 PH 上。谁能把 MCP 工具链产品化、做成终端用户能直接用的产品，谁就填补了这个空白。
Gap 2：文章热词 'anthropic' 无对应产品。
"anthropic" 是6月文章里最热的关键词之一，但 PH 上几乎没有以 Anthropic 为核心定位的产品。这说明行业讨论大量围绕 Anthropic，但产品层的跟进不足。一个典型的空白：有没有一个产品专门帮企业管理 Claude / Anthropic 的企业级使用？
Gap 3：文章产品比 34:1。
6月第一周有276篇文章但只有8个产品，比例34:1。正常的内容/产品比应该在5:1到10:1之间。34:1意味着讨论热度远超产品供给——行业在大量讨论某个方向，但还没有足够的产品来承接这种关注度。
Gap 4：招聘热门技能 Top15 产品覆盖率 0%。
企业大量在招 Python、Machine Learning、SQL 等技能，但 PH 上几乎没有对应这些技能方向的产品。这个 gap 揭示的是一个结构性错位——企业招人是为了做产品，但做出来的产品还没覆盖这些技能方向。
7.4 机会地图：三个值得关注的方向
把 Gap 信号翻译成具体的机会：
机会一：MCP 工具链的产品化。 GitHub 上 MCP 热度极高，但 PH 上没有对应产品。把 MCP 工具链包装成"企业可直接部署的 MCP 管理平台"是一个空白方向。
机会二：Anthropic 企业级管理工具。 行业讨论围绕 Anthropic，但没有企业管理 Claude / Anthropic 使用的产品。类似 "Anthropic 版的 OpenAI 企业管理后台"。
机会三：Agent 可观测性平台。 GitHub 上 agentsview（530⭐）已经切入这个方向，但 PH 上还没有产品化的 Agent 监控平台。当企业用了多个 Agent 之后，怎么追踪它们的运行状态、成本、错误，是一个刚需。
这三个方向的共同特征：开源社区已经有工具层的尝试，但产品层还没有跟进。这正好是"从 GitHub 趋势预测 PH 产品潮"的典型模式。
---
八CHAPTER 08
月度判断与七月预测
8.1 六月的产业脉络：Claude Code 从工具进化为生态
回看整个6月的数据，最清晰的判断是：Claude Code 完成了从"工具"到"生态"的关键跃迁。
这不是一个营销判断，是数据支撑的结构性判断。证据链如下：
第一，CC 生态占 GitHub AI 仓库的 32.6%。三分之一的6月 AI 仓库和 CC 相关，这不是边缘现象，是主导现象。
第二，5月到6月换血率87%，但 CC 相关项目是常青树。skills 和 cc-switch 是两个月都留在榜单的项目，都来自 CC 生态。洗牌洗掉了别的，没洗掉 CC。
第三，MCP 从 Anthropic 推的协议变成全行业标准。claude-code × mcp 共现9次、llm × mcp 共现7次——MCP 已经溢出 CC 生态，成为整个开源 AI 的默认连接层。
第四，Top10 里8个项目直接或间接服务于 CC 生态。ECC、kilocode、ai-berkshire、headroom、Understand-Anything、skills、agency-agents、cc-switch、OpenMontage——都和 CC 相关。
第五，CC 生态出现了内部细分。ECC 做 Agent Harness 操作系统、headroom 做 Token 压缩、MinerU 做文档解析、Understand-Anything 做代码理解、career-ops / ai-berkshire 做垂直应用、skills 做工程实践、cc-switch 做配置管理。CC 生态内部已经形成了完整的技术栈分层——这标志着一个生态从"雏形"进入"成熟期"。
这五个证据共同指向一个结论：6月的 GitHub AI 是 Claude Code 生态的月份。
8.2 但有三个暗流值得关注
主线判断之外，数据里还有三个值得关注的暗流。
暗流一：通用 Agent 工具链在蓄力。 虽然 CC 生态一家独大，但不绑定单一平台的通用 Agent 工具链集群（约15个仓库）是第二大集群。如果未来出现"反 CC 中心化"的力量，这个集群是承接方。OmniRoute（多 LLM 网关）、cognee（Agent 记忆）、firecrawl（Web 数据）——这些中立基础设施一旦聚拢，可能形成制衡 CC 的力量。
暗流二：安全基础设施严重缺位。 论文层有130篇 Safety / Alignment 研究，但 GitHub 86个仓库里几乎没人在做安全工具。这种"学术界在喊、工程界不做"的结构性脱节，是未来某个时间点会爆雷的隐患。
暗流三：Rust 退潮、上层应用进场。 5月 rust 还在头部（17天），6月降到5个仓库。Python（12）和 CLI（10）取而代之。这个迁移说明 AI 工具链从"重底层性能"转向"重快速实现"——当一个领域从底层基建转向上层应用，意味着它正在从"技术探索期"进入"产品爆发期"。
8.3 七月预测：三件大概率会发生的事
基于6月的数据脉络，对7月做三个预测。
预测一：CC 生态继续扩张，第一批"商业化 Skills"会出现。
6月的 skills（mattpocock）证明了个人品牌 Skills 的吸引力。7月大概率会出现第一个"付费 Skills 市场"——不是卖工具，是卖 Skills 这种"AI 可执行的知识"。ECC 已经有了 Pro 版本的雏形（面向私有仓库的 GitHub App），7月这个方向会被进一步验证。
预测二：Agent 安全话题会被推上台面。
论文层130篇 Safety / Alignment 研究在积累，开源层安全工具缺位。这种张力不可能长期维持。7月或8月，要么是一次安全事件倒逼开源社区补课，要么是某个大厂（可能是 Anthropic 自己）推出 Agent 安全工具。无论哪种方式，Agent 安全会从"学术话题"变成"工程话题"。
预测三：PH 的 Agent 产品潮会反向催生更多 GitHub Agent 工具。
6月 PH Top5 全是 Agent 产品，GitHub Top10 大量是 Agent 工具。下半年 PH 产品潮会继续，而每批新产品都会需要新的底层工具——成本压缩、可观测性、数据接入、记忆管理。7月 GitHub 上大概率会出现更多 Agent 基础设施项目，特别是 Agent 可观测性（agentsview 已经在切这个方向）和 Agent 记忆（cognee 在切）这两个子赛道。
8.4 给不同角色的建议
给独立开发者： "CC + 垂直场景"是6月被反复验证的模板——career-ops（求职）、ai-berkshire（投资）、taste-skill（前端）。找一个你熟悉的垂直场景，用 CC 的多 Agent 框架包一层，就能做一个项目。6月的 Top10 已经证明这个模板的可行性。
给产品人： 注意第七章的三个 Gap——MCP 产品化、Anthropic 企业管理、Agent 可观测性。这三个方向 GitHub 有工具但 PH 没产品，是"从开源趋势预测产品机会"的高确信度方向。
给投资人： CC 生态在6月完成了"从工具到生态"的跃迁。这个生态里最值得关注的不一定是单个项目，而是基础设施层——MCP 协议本身、Agent Harness 操作系统（ECC）、Token 压缩（headroom）、文档解析（MinerU）。这些是整个生态的"水电煤"，无论上层应用怎么洗牌，基础设施的位置相对稳定。
---
DATA NOTE · 数据说明
小暑 · 温风至
JULY 2026 · WUXING MONTHLY REPORT
本报告基于 2026 年 6 月 GitHub AI 趋势数据。
月报不是日报的合订本，是日报看不见的脉络。
WUXING · 五行消息 · AI 行业雷达
