> 每日 5:00 自动生成
## 今日概览
– 总收录数：10 个
– 主要语言分布：JavaScript 3、Python 2、TypeScript 2、Shell 1、HTML 1、未标注 1
– 热门主题：AI Agent Skills 工具链（7 个）、系统设计面试笔记、多 Agent 金融交易框架、团队级 AI 代理底座
## Top 10 热门仓库
### 1. ayghri/i-have-adhd
– **描述**：一个让编码 Agent 不再把答案埋进长篇大论里的技能包，ADHD 友好式输出。
– **语言**：Python
– **总 Star**：34,097
– **今日新增 Star**：4,624
– **核心内容总结**：这是一个面向 Claude Code 等编码 Agent 的 Skill，核心诉求是把「结论先行」做成默认行为——强制 Agent 先给出最终答案/修复方案，再补充必要的推导，而不是先铺一大堆探索过程。它针对的是 Agent 输出「头重脚轻、关键信息被淹没」的普遍痛点，输出风格被设计为简短、可扫读、重点突出。对需要快速拿到结果的开发者尤其友好，等于给 Agent 装了一套「别绕弯子」的输出约束。
– **应用场景**：日常使用 Claude Code / Codex 等编码 Agent 的开发者，希望减少冗余解释、直接看到可用结论与修复代码。
– **链接**：点击查看仓库
### 2. cathrynlavery/diagram-design
– **描述**：38 种编辑级图表类型，面向 Claude Code、Codex、Pi，纯 HTML + SVG，无阴影、无 Mermaid 套路。
– **语言**：HTML
– **总 Star**：36,407
– **今日新增 Star**：2,286
– **核心内容总结**：提供架构图、流程图、时序图、关系图等 38 类「编辑级」图表模板，全部以自包含 HTML + SVG 呈现，刻意避开 Mermaid 那种千篇一律的风格与阴影特效。差异化在于审美克制、输出确定、可导出，适合直接放进文档、README 与幻灯片。它把「画图」从提示词玄学变成可复用的结构化模板库，Agent 调用后产出稳定一致。
– **应用场景**：技术写作者、开源维护者、需要为文档/汇报生成高质量架构与流程图的工程师。
– **链接**：点击查看仓库
### 3. affaan-m/ECC
– **描述**：Agent harness 性能优化系统——技能、本能、记忆、安全与「研究优先」开发，覆盖 Claude Code / Codex / Opencode / Cursor 等。
– **语言**：JavaScript
– **总 Star**：255,047
– **今日新增 Star**：1,151
– **核心内容总结**：ECC 是一套面向编码 Agent 的「性能优化系统」，把可复用的 Skills、Instincts（本能反应）、Memory（记忆）、Security（安全约束）与「研究优先」的开发方法论打包在一起，跨 Claude Code、Codex、Opencode、Cursor 等多平台适用。它解决的是 Agent 在长期任务里容易「乱、慢、忘、危险」的问题，用可配置的工作流把工程习惯固化下来。作为持续多日霸榜的项目，它已经是 Agent 技能生态里体量最大的集合之一。
– **应用场景**：以编码 Agent 为核心生产力的个人与团队，需要统一、可审计、可复用的 Agent 行为配置。
– **链接**：点击查看仓库
### 4. liquidslr/system-design-notes
– **描述**：《System Design Interview — An Insider’s Guide》一书的阅读笔记与要点整理。
– **语言**：未标注（技术笔记 / PDF 整理）
– **总 Star**：17,893
– **今日新增 Star**：910
– **核心内容总结**：仓库系统梳理了《System Design Interview》这本面试经典的核心内容，把分布式系统设计的常见题型、权衡思路与答题框架浓缩成可快速复习的笔记。它不是代码库，而是面向求职者的知识型仓库，社区持续补充使覆盖面更广。对准备后端 / 架构岗面试的人，是比原书更轻量、更聚焦的速查材料。
– **应用场景**：准备技术面试（尤其是系统设计与架构岗）的求职者、需要补强分布式系统设计知识的工程师。
– **链接**：点击查看仓库
### 5. obra/superpowers
– **描述**：一套真正能落地的 Agentic Skills 框架与软件开发方法论。
– **语言**：Shell
– **总 Star**：283,937
– **今日新增 Star**：690
– **核心内容总结**：superpowers 提供的是「方法论 + 技能包」组合：它定义了一套让 Agent 驱动软件开发的工作方式（含子 Agent 协作、头脑风暴、SDLC 流程），并通过 Shell 脚本分发的 Skills 让 Claude Code 等直接可用。近 28 万 Star 说明它已是目前 Agent 开发方法论里共识度最高的参考之一。价值不在某个单点功能，而在于把「如何用好 Agent 写软件」沉淀成了可照搬的流程。
– **应用场景**：希望把 Agent 系统性纳入日常软件开发、建立团队级 Agent 协作规范的开发者与 Tech Lead。
– **链接**：点击查看仓库
### 6. freestylefly/awesome-gpt-image-2
– **描述**：Prompt as Code —— GPT-Image-2 工业级提示词引擎与模板库，530+ 案例逆向 + 20+ 工业级模板并提炼为 Skills。
– **语言**：JavaScript
– **总 Star**：29,957
– **今日新增 Star**：612
– **核心内容总结**：这是一个把 GPT-Image-2 的提示词工程「工业化」的仓库：逆向拆解了 530+ 个真实出图案例，归纳出 20+ 套可复用的工业级模板，并进一步提炼成 Agent Skills 方便调用。它把「调提示词碰运气」变成「有结构、可复用、可版本管理」的提示词资产。中文作者主导，对国内做 AI 出图工作流的用户尤其实用。
– **应用场景**：依赖 GPT-Image-2 做批量出图、电商素材、营销视觉的创作者与团队，希望稳定复现高质量结果。
– **链接**：点击查看仓库
### 7. Tencent/teamai-cli
– **描述**：Make Every Team AI Native —— 腾讯出品的团队级 AI Agent harness。
– **语言**：TypeScript
– **总 Star**：2,882
– **今日新增 Star**：563
– **核心内容总结**：teamai-cli 是腾讯开源的团队 AI Agent 底座，定位是「让每个团队都 AI Native」——把 Agent 能力以 CLI / harness 的形式嵌入团队协作流程。作为较新的官方项目（总 Star 尚在爬坡），它的亮点在于来自大厂、面向团队而非单人场景，强调协作与可治理。技术栈为 TypeScript，便于二次集成与扩展。
– **应用场景**：希望在企业 / 团队内部统一引入 AI Agent、标准化协作流程的技术负责人与平台团队。
– **链接**：点击查看仓库
### 8. openai/plugins
– **描述**：OpenAI 官方 Plugins 仓库。
– **语言**：JavaScript
– **总 Star**：6,144
– **今日新增 Star**：505
– **核心内容总结**：这是 OpenAI 官方的 Plugins 框架仓库，定义了如何为 OpenAI 生态编写、注册与分发插件，让外部能力与模型对话打通。它把「接入第三方工具 / 数据」标准化为插件协议，是构建 Agent 工具生态的基础件之一。对于想把自己的服务或数据源接到 OpenAI 工作流的开发者，是权威的接入规范来源。
– **应用场景**：希望为 OpenAI 体系开发插件、扩展模型可调用的工具与数据源的开发者与平台方。
– **链接**：点击查看仓库
### 9. vastsa/PI-Desktop
– **描述**：本地优先的 AI 编码 Agent 桌面端：Electron + Rust 宿主内核 + pi Agent Harness + 用户可装插件。
– **语言**：TypeScript
– **总 Star**：1,600
– **今日新增 Star**：393
– **核心内容总结**：PI-Desktop 是一个本地优先运行的 AI 编码 Agent 桌面应用，架构上用 Electron 做壳、Rust 做宿主内核，内嵌 pi Agent Harness，并支持用户自行安装插件来扩展能力。它主打「数据不出本机、可控、可定制」，把编码 Agent 从云端 CLI 变成可托管的桌面工作台。对重视隐私与本地化部署的开发者，是一个轻量的自托管 Agent 入口。
– **应用场景**：希望本地运行、自托管编码 Agent，并需要图形化桌面与插件机制的开发者。
– **链接**：点击查看仓库
### 10. TauricResearch/TradingAgents
– **描述**：TradingAgents —— 多 Agent 的 LLM 金融交易框架。
– **语言**：Python
– **总 Star**：103,830
– **今日新增 Star**：367
– **核心内容总结**：TradingAgents 用多个分工明确的 LLM Agent（如宏观分析、基本面、情绪、风控、执行）协作完成金融交易决策，是一个研究取向的多 Agent 交易框架。它把「量化研究 + LLM 推理」组合成可复现的实验流程，方便对比不同 Agent 配置下的策略表现。超过 10 万 Star 说明其在 AI + 金融交叉领域已成主流参考实现。
– **应用场景**：量化研究员、AI 金融方向开发者，希望用多 Agent 框架做策略研究、回测与决策辅助。
– **链接**：点击查看仓库
—
*本日报由自动化任务生成，每日 5:00 更新*