夜雨聆风GitHub热榜｜AI工具开始接浏览器和代码库
今天这 10 个项目很集中：本地网页搜索、终端 Agent、3D 重建、语义模型、代码图谱都在涨。AI 工具开始补眼睛、记忆和手脚。
今天这份榜单很集中：开发者正在把注意力从“模型本身”转到“模型外面的工具”。谁能让 AI 记住项目、接上浏览器和命令行、稳定替人跑流程，谁就更容易被 star。
KnockOutEZ/wigolo
1,239
83wigolo 给 AI 编码工具补了一个本地网页层：搜索、抓取、抽取、缓存都在本机跑，不用 API key，也不按次计费。它适合 Claude Code、Codex、Cursor 这类工具查资料时使用；真正要先看的是它抓网页的边界、缓存策略和 MCP 权限。
AI 编码工具要查网页，最麻烦的是费用、隐私和可解释性。wigolo 的吸引力就在这里：先把网页能力放回本机，再让 Agent 调。
项目地址：https://github.com/KnockOutEZ/wigolo
MoonshotAI/kimi-cli
9,484
1,165Kimi CLI 正在转向 Kimi Code CLI。它把月之暗面的编码 Agent 放进终端，可以读写代码、执行命令、检索网页，还能迁移旧会话。国内开发者会关心它，因为这不是浏览器聊天框，而是直接进命令行的工具。
终端 Agent 的竞争越来越挤。Kimi CLI 要站住，关键不是会不会聊天，而是能不能稳定处理真实项目里的文件、命令和权限。
项目地址：https://github.com/MoonshotAI/kimi-cli
Robbyant/lingbot-map
12,934
1,344LingBot Map 做的是流式 3D 重建。它用前馈模型从连续数据里重建场景，目标是让机器人、AR 或空间计算设备边看边建图。今天冲得高，靠的是 3D 基础模型和实时场景理解这两个关键词。
这类项目离普通 Web 开发有点远，但热度很高。原因很直接：机器人和空间智能需要持续建图，静态 3D demo 已经不够用了。
项目地址：https://github.com/Robbyant/lingbot-map
apache/ossie
1,272
154Apache Ossie 想解决数据团队最烦的一件事：BI、AI 和分析平台各自维护一套语义定义，指标一多就对不上。它把语义模型交换做成开放规范，让不同工具能读同一套口径。
数据团队最怕“同一个指标三个答案”。Ossie 把问题推到规范层，慢，但一旦被工具链接住，价值会很实在。
项目地址：https://github.com/apache/ossie
PostHog/posthog
36,591
3,029PostHog 这次上榜，不只是老牌产品分析工具回潮。它把分析、会话回放、错误追踪、实验、Feature Flag 和日志放在一起，再把这些上下文交给 Agent 帮团队定位问题。产品团队会关心它，因为数据不再只给人看，也开始给工具用。
PostHog 的变化很有意思：以前是人看数据，现在是 Agent 也要读这些数据，再反过来给工程团队开 PR 或提修复建议。
项目地址：https://github.com/PostHog/posthog
ibelick/ui-skills
5,010
211ui-skills 把设计工程里的常用判断封装成 Agent 技能。你不用每次告诉 AI 什么叫好界面、怎么审组件、怎么改交互，它把这些流程变成可调用的技能包。做前端、设计系统和原型的人会更容易用上。
AI 做 UI 最容易出模板味。ui-skills 的思路是把设计判断前置，让 Agent 不只会生成代码，也知道什么时候该删、该留、该重排。
项目地址：https://github.com/ibelick/ui-skills
rohitg00/ai-engineering-from-scratch
39,103
6,553AI Engineering from Scratch 是一套开源课程，按提示词、技能、Agent、MCP Server 一路拆到工程产物。它不是只讲概念，而是让学习者每一阶段都做出可复用的东西。适合想把 AI 工具从会用推进到会搭的人。
AI 工程学习最缺的是可落地练习。这套内容受欢迎，是因为它把学习结果落到提示词、技能、Agent 和 MCP Server 上。
项目地址：https://github.com/rohitg00/ai-engineering-from-scratch
tirth8205/code-review-graph
20,163
2,125code-review-graph 给 AI 代码审查建了一张本地代码图。它用 Tree-sitter 解析项目，把影响范围、调用关系和改动上下文喂给 MCP 工具，减少模型反复读全仓库的成本。大仓库做 PR 审查会更需要这类东西。
AI 审代码不是把整个仓库塞进去就完事。代码图能告诉模型该看哪几处，省 token，也少读错上下文。
项目地址：https://github.com/tirth8205/code-review-graph
lyogavin/airllm
23,329
2,654AirLLM 继续吃到本地推理的需求。它主打用很小显存跑大模型，通过分层加载和内存调度降低 GPU 门槛。别把它当万能加速器，它更适合想在有限硬件上试大模型的人。
本地大模型的门槛还是显存。AirLLM 解决的不是最快推理，而是让更多人先把大模型跑起来。
项目地址：https://github.com/lyogavin/airllm
codecrafters-io/build-your-own-x
528,261
49,982build-your-own-x 是老牌学习仓库，收集“自己动手写一个数据库、Shell、Git、Docker”的教程。它今天又上来，说明开发者仍然想从实现里理解工具，而不是只看 API 文档。
这类仓库不会过时。工具越复杂，越有人想从零写一遍，弄清楚数据库、Shell、容器这些东西到底怎么工作。
项目地址：https://github.com/codecrafters-io/build-your-own-x
GitHub 热榜现在越来越像一张开发者情绪图。今天不是“又来了一个大模型”，而是一批项目在补 AI 的手脚：记住代码结构、接浏览器、接命令行、封装固定步骤。真正要看的，是这些工具能不能稳定跑在自己的项目里。
