夜雨聆风我整理了一份上半年值得关注的开源 AI 项目清单，12 个，覆盖 agent 长任务、视频/音频生产、代码纵深、安全扫描、本地模型五个方向。单看数量没什么，真正让我觉得值得写出来的，是它们恰好补上了 agent 工作流里五个具体的断点。
长任务跑不稳、内容生成难进生产、代码理解不够深、安全问题前置不了、本地模型还没真正进入日常工作流——这五个问题，2025 年大家就在聊，2026 年上半年终于有人拿出了像样的开源方案。
也就是说，这些项目不是在正面挑战闭源大厂，而是在回答一个更实际的问题：
今天的 serious builder 真要把 agent 用起来，究竟卡在哪里？
所以这篇文章不做“开源 AI 项目大盘点”，而是把这 12 个项目重新放回 agent 工作流里：每个项目解决哪个瓶颈，适合什么人试，哪里可能踩坑。
01MCP 成了默认集成管道，这比单个项目更新鲜
扫完 12 个项目，我注意到一个模式：至少 4 个直接把自己定义为 MCP server，或者通过 MCP 与 coding agent 集成。
Codebase Memory MCP 名字里就带了。Palmier Pro 内建 MCP server，让 Claude Code / Codex / Cursor 直接控制视频编辑器。SkillSpector 在 agent 调用 skill 前拦截扫描，接入点也是 MCP 层。OpenMontage 没用 MCP 这个标签，但它的 500+ agent skills 面向 coding agent 的 prompt/skill 文件，集成路径同样是 agent → skill 调用。
这不是巧合。2026 年上半年的开源 AI 工具，默认你的 coding agent 已经在工作流里了。 MCP 协议（Anthropic 2024 年底发布，2025–2026 年成为 coding agent 的事实标准集成方式）成了管道。
好的一面是接入门槛极低——装一个 MCP server，agent 就多一项能力。坏的一面是 MCP server 本质上是跑在你本机的进程，有文件系统和网络访问权——这就是 SkillSpector 存在的原因，后面会展开。
02五个瓶颈位，十二个项目怎么填
瓶颈一：Agent 跑久了会断
让 agent 写一个函数、改一个 bug、解释一段代码，2026 年的 coding agent 基本不会翻车。但让它跑一个需要多步骤、穿插外部工具调用、跨越几分钟甚至更长的自主任务——上下文窗口会溢出，多步推理会漂移，工具返回值累积成噪声。
这个问题被低估了。两个项目在试图解决，思路很不一样。
DeerFlow（ByteDance，76.9k stars，MIT）走编排路线。架构是「沙箱 + 记忆 + 工具 + 子 agent + 消息网关」——把长任务拆成子任务，分别交给沙箱里的子 agent 跑，主 agent 只看摘要输出。好处是任务粒度可控，每个子任务有独立上下文。代价是这套编排本身复杂度不低，README 200+ 行配置说明不是装饰品。
Hermes Agent（Nous Research，214k stars，MIT）走自愈路线。核心卖点很直接：skill 执行失败时，agent 自己修好它，下次跑就不会再坏。这是一个更「agent-native」的思路——你不预设任务怎么拆，你让 agent 从失败里学。代价是调试困难：自愈机制自己出问题时，你看到的就是一个静默偏离的 agent 行为。
我的判断是：DeerFlow 是你帮 agent 把路修好，Hermes 是让 agent 自己修路。 长任务有明确步骤结构（数据处理、报告生成）的团队，DeerFlow 的编排层有用。任务本身在变（探索性编程、多项目切换）的话，Hermes 的自愈思路更匹配。
瓶颈二：Agent 能写代码，但出不了视频和音频
代码是一种输出模态。视频是另一种。音频是第三种。多数 coding agent 目前只产第一种。以下四个项目在拓宽输出面。
OpenMontage（37.6 k stars，⚠️ AGPLv3，不是 MIT——原文和华语区多数转载写的 MIT 是错的）是四个里野心最大的。12 条 pipeline、52 个工具、500+ agent skills，定位是「把 coding agent 变成视频制作 studio」。Python 主导（63.9%），demo 里一个 Pixar 风格短片的渲染成本报了 $1.33。
但有三件事需要你注意：AGPLv3，商业使用或内部闭源部署前请咨询法务；500+ skills 的质量分布未知，README 列了能力但不写限制；渲染链路依赖外部 API，实际成本取决于用量。
Hyperframes（HeyGen，34.5k stars，MIT）是另一个思路：写 HTML → 渲染 MP4。Three.js 3D 场景也支持。产品 demo、explainer video 这类可控输出场景，Hyperframes 比 OpenMontage 更合适——不需要学 pipeline 语法，会写前端就能用。MIT 没有商业顾虑。代价是它只是渲染层，剪辑、调色、音效要另找。
Palmier Pro（10.3k stars，GPLv3）是 macOS 桌面视频编辑器 + MCP server。思路是让 agent 控制你已经在用的编辑器，而不是让 agent 学会剪视频。GPLv3 + macOS only 两个限制叠加后，实际可用场景缩窄到「个人 Mac 上的单机工作流」。
Voicebox（40.9k stars，license 标注「see repo」）把语音克隆、转录、音频编辑全部本地化，不依赖 vendor API。对播客、demo 旁白、agent 语音输出是直接可用的方案。license 不明确是隐患——「see repo」意味着你得自己去 repo 里找，不是标准宽松许可的快捷信号。
这四个怎么选，取决于你的输出需求，不是谁更强。视频全流程用 OpenMontage（接受 AGPLv3 和学习成本）；快速 demo 或 explainer 用 Hyperframes（MIT，轻量）；已有桌面编辑工作流用 Palmier Pro（macOS + GPLv3）；音频/语音用 Voicebox（本地，但确认 license）。
瓶颈三：Agent 写函数行，读工程不行
如果你今年用过任一主流 coding agent，一定碰到过这个场面：agent 改你指定的那个函数很流畅，但它不理解为什么要在这个文件里改，改了之后影响哪个调用链，为什么你选的架构而不是另一个。
这不是模型的问题，是模型知道的「你的代码」太少。以下三个项目从不同层面试图解决。
Matt Pocock Skills（167k stars，MIT）是 TypeScript 圈最知名的个人 skill 仓库。「Ask Matt」router 根据问题选择对应 skill，「Grill with Docs」是一个「拷打式」domain model 构建工具——让 agent 反复追问你的项目术语定义，直到边界清晰。这个仓库解决的是代码质量层：agent 写代码时用的不是 prompt 里的风格要求，而是 Matt Pocock 级别的工程标准。
G Stack（Garry Tan / YC，121k stars，MIT）是流程层的答案。23 个 opinionated tool 按 think → plan → build → review → test → ship → reflect 排好，每个 tool 对应一个角色（CEO/Designer/Eng Manager/QA）。最有价值的 skill 是 /office-hours：模拟 YC partner office hours 的问答流程，逼你（和你的 agent）把假设说清楚再动手。
Codebase Memory MCP（Deus Data，30.6k stars，MIT）是知识层的答案。把你的代码库索引成持久化知识图谱，声称 Linux kernel（2800 万行）3 分钟索引完，结构查询 < 1ms。C 语言实现（88.3%），单二进制零依赖，支持 158 种语言，SLSA Level 3 build provenance。最新 v0.9.0 是 7 月 8 日的 release，活跃度肉眼可见。
这三个是同一根链条的三个环节：
Codebase Memory → 代码库理解（agent 知道有什么）G Stack → 开发流程管理（agent 知道什么时候做什么）Matt Pocock → 代码质量标准（agent 知道什么叫好）如果代码库超过 5 万行，Codebase Memory 优先级最高。因为上层的流程和标准，前提都是 agent 知道你的代码里有什么。
瓶颈四：你装的 Skill，没人帮你审
AI coding agent 的 skill 生态有一个结构性的信任问题：你从 URL 复制一段 markdown 文本，粘贴到 agent 的 prompt 里，agent 就开始执行。没有人完整读过这段文本。
2026 年这已经不是理论风险。agent skills 可以有文件读写权限、可以执行命令、可以调用网络——本质上是一个以你的身份运行的程序，而它的「源代码」是未经审查的自然语言。
SkillSpector（NVIDIA，13k stars，Apache 2.0）是目前唯一专门做这件事的工具。扫描 65 种漏洞模式，覆盖 16 个类别：prompt injection、数据外泄、权限提升、供应链风险、excessive agency 输出处理等。规则很简单：装任何 skill 之前，先跑一遍 SkillSpector。
限制也很明确。65 种模式不是穷举，skill 的语义级风险（比如「看起来合理但在特定上下文里危险的指令」）不会被模式匹配捕获。报告引用过 Liu et al., 2026 的研究，但 scanner 不会自动进化——除非 NVIDIA 更新规则库。
Cybersecurity Skills（mukul975，25.4k stars，Apache 2.0）解决另一个问题：agent 装好了安全能力没有。817 个结构化安全 skill，映射到 MITRE ATT&CK、NIST CSF 2.0、MITRE ATLAS、D3FEND、NIST AI RMF、MITRE F3 六个框架。支持 20+ 平台（Claude Code / Codex / Cursor / Copilot / Gemini CLI 等）。
名字叫「Anthropic-Cybersecurity-Skills」，但不是 Anthropic 官方项目，是社区贡献。agentskills.io 标准打包。
分工很清楚：SkillSpector 在安装前审查第三方 skill，Cybersecurity Skills 给 agent 装上安全分析能力。一个是你审计 skill，一个是 skill 帮你审计代码。
瓶颈五：闭源模型在加 gate，本地模型在填坑
2026 年的闭源 frontier 模型不是不好用——是出口管制、rate limit、API gate 叠加后，「能用本地模型跑」本身就是一种工程价值。
Baidu Unlimited-OCR（HuggingFace，14.1k stars，MIT）是这个类别里唯一入选的。一个专门做文档理解的视觉语言模型，支持 PDF 高亮——识别文本位置后直接标出来，单个消费级 GPU 就能跑。MIT license。
我选它的原因不是「开源 OCR 最强」，而是它解决的问题类型代表了一个趋势：不需要 GPT-5.6 级别模型的任务（文档解析、表格提取、合同审阅），一个专门训练的小模型在本地跑比调 API 更实际。
文档密集型工作流（发票、合同、研究论文、合规文件）可以评估这个模型替代当前 pipeline 中 API 调用的可行性。
03写在最后
选哪个：看你本周撞到哪个瓶颈
完整索引
关注我们!与InfraLink共赴智能未来
🔗 聚焦数据科学|深耕算法创新|赋能AI工程化
📌 技术干货持续更新，全球生态合作共建
✨ 点击关注@InfraLink，解锁更多前沿技术资讯与实践洞察
