GitHub Trending 日榜 Top 10（2026/09/11）

今日 GitHub 热门项目深度解读，每个项目 500 字讲清楚核心价值。

🏆 第1名：ayghri/i-have-adhd

i-have-adhd 是一个给编码智能体加装的输出约束技能，专门用来防止 AI 把真正的答案埋在长篇大论里。日常用 Claude Code、Cursor 这类编码助手时，很多人都有同样的体验：问一个简单问题，模型先复述一遍你的需求，再列出三种思路，逐个分析优劣，最后才在末尾轻描淡写地给出结论。你想要的可能只是一行命令或一个函数名，却不得不读完几百字铺垫。这个项目针对的正是这种「答案被淹没」的痛点。它的核心功能是向智能体注入一套 ADHD 友好的输出规则，要求回答开门见山、先给结论再给理由，砍掉客套话、重复确认和无关背景，把信息压缩成要点式、可快速扫读的形式。技术实现上，它基于 Python，以 skill 的形式定义提示词与行为规范，可以挂载到支持 skill 机制的编码智能体上，让模型在生成回复时遵循固定的输出结构，而不是依赖用户每次手动提醒。它并不改变模型本身的推理能力，只约束表达方式，因此接入成本低、对现有工作流侵入小。对于注意力容易分散、习惯快速获取结论、或者单纯厌倦了在冗长回复里翻找答案的开发者来说，这个项目值得一试。

技术栈：Python
今日增长：+3,882 Star
累计 Star：38,387
Fork 数：2,205
仓库地址：https://github.com/ayghri/i-have-adhd

🥈 第2名：bilawalsidhu/gods-eye-view

gods-eye-view 是一个在浏览器中运行的“间谍卫星模拟器”，用逼真的 3D 地球实时呈现真实的开源空间情报数据。它想解决的痛点很直接：卫星影像、船舶位置、航班轨迹、火灾热点等公开空间数据散落在各个平台，普通人很难把它们叠在同一张地图上直观对照，而专业 GIS 工具又门槛高、部署重。这个项目把数据聚合与三维可视化合二为一，打开网页就能像操作侦察卫星一样俯瞰地球。核心功能包括在写实风格的 3D 地球上叠加多源实时图层，例如船舶 AIS 信号、航空器轨迹、卫星过境信息以及遥感影像，并支持时间轴回溯与视角自由缩放旋转，让用户从任意经纬度和高度观察目标区域。技术亮点在于纯 JavaScript 实现，依托 WebGL 与 Three.js 一类的渲染管线在浏览器端完成地球曲面、光照和大气效果，无需安装客户端；数据层则对接公开的开放数据接口，做到“模拟器是假的，数据是真的”。它把空间情报的观察体验从命令行和桌面软件里解放出来，变成一次即开即用的网页交互。适合对地理信息、开源情报、卫星遥感感兴趣的研究者、记者、开发者，以及任何想用直观方式观察真实世界动态的人。

技术栈：JavaScript
今日增长：+1,762 Star
累计 Star：24,368
Fork 数：5,059
仓库地址：https://github.com/bilawalsidhu/gods-eye-view

🥉 第3名：cathrynlavery/diagram-design

diagram-design 是一套为 Claude Code、Codex 和 Pi 等 AI 编程助手准备的编辑级图表模板库，包含 38 种图表类型，全部以自包含的 HTML + SVG 形式交付。它针对的痛点是：AI 生成图表时往往默认输出 Mermaid 代码，而 Mermaid 的渲染结果在排版、配色和细节上难以达到正式出版物的水准，阴影、圆角、渐变等默认样式也让图表显得廉价；同时，把图表嵌入文档时又常常依赖外部 CDN、字体或构建工具，增加了不确定性。diagram-design 的做法是提供一批纯手写的 HTML + SVG 模板，每张图表不依赖任何外部资源，复制进浏览器或 Markdown 预览即可直接渲染，无需安装依赖或联网。它的视觉规则明确：不使用阴影，强调线条、留白和字体层级，风格接近报刊杂志的信息图而非演示文稿的默认样式。38 种类型覆盖了常见的编辑场景，例如流程图、时间线、对比图、层级图、象限图等，便于在写作、报告或产品文档中按需取用。由于输出的是标准 SVG，图表可以无损缩放、方便二次编辑，也便于与 AI 助手协作时直接作为提示词的一部分或生成目标。技术上的亮点在于“自包含”与“无阴影”这两条硬约束：前者保证了可移植性，后者迫使设计回归信息本身，避免视觉噪音干扰数据表达。适用人群包括需要为文章、报告、文档制作高质量图表的写作者、编辑、产品经理和开发者，尤其是那些已经在用 Claude Code、Codex 或 Pi 辅助内容生产、希望图表输出摆脱 Mermaid 默认风格的人。

技术栈：HTML
今日增长：+1,294 Star
累计 Star：37,771
Fork 数：2,396
仓库地址：https://github.com/cathrynlavery/diagram-design

第4名：freestylefly/awesome-gpt-image-2

这是一个面向 GPT Image 2 与 2.5 的提示词与案例资源库，把「提示词当代码写」这一理念落到了可检索、可复用的工程化实践上。用 AI 生图的人普遍面临几个麻烦：好用的提示词散落在聊天记录和截图里，换个场景就复用不了；同一个提示词在不同模型版本下效果差异大，却缺少对照参考；想要稳定产出某种风格，往往只能靠反复试错，没有可依赖的模板。这个项目正是针对这些痛点，把提示词从「一次性灵感」变成「可积累的资产」。

核心功能上，它收录了 530 多个真实案例，每个案例都附带完整提示词与生成记录，方便直接对照效果、理解提示词与画面之间的对应关系；同时提供 20 多套工业级模板与可复用 Skills，把常见场景（如产品图、海报、角色设定等）沉淀成结构化、可参数化的写法，减少从零摸索的成本。新增的 2.5 同提示词对比专区是它的一个亮点：用同一段提示词分别在 GPT Image 2 和 2.5 上生成，直观呈现版本间的能力差异与风格变化，帮助使用者在升级或选型时做出判断，而不是凭感觉猜测。

技术亮点在于「Prompt as Code」的组织方式——提示词被当作代码资产管理，强调结构、可复用与版本对比，而非零散收藏；项目以 JavaScript 构建，便于检索、扩展和持续维护，内容也在不断更新。适用人群包括 AI 绘画与设计从业者、需要批量产出视觉素材的运营和产品人员，以及希望系统学习 GPT Image 提示词写法的开发者与爱好者。

技术栈：JavaScript
今日增长：+962 Star
累计 Star：30,857
Fork 数：2,989
仓库地址：https://github.com/freestylefly/awesome-gpt-image-2

第5名：liquidslr/system-design-notes

这是《System Design Interview – An Insider's Guide》一书的中文学习笔记仓库，把书中关于分布式系统设计的核心知识整理成可随时查阅的结构化文档。系统设计面试的难点在于知识点极度分散——从负载均衡、缓存策略到数据库分片、消息队列，每个话题都足以单独成书，而市面上的资料要么过于学术化，要么只覆盖零散片段，很难形成完整的知识框架。这个仓库正是针对这一痛点，按照原书的章节脉络，系统性地梳理了面试中高频出现的系统设计主题，包括速率限制器、一致性哈希、键值存储、唯一ID生成、URL短链接、聊天系统、搜索引擎、YouTube视频平台等经典案例。每个主题都围绕需求分析、高层设计、数据模型、核心组件拆解和权衡取舍展开，帮助读者理解“为什么这样设计”而非死记硬背架构图。技术亮点在于它保留了原书从面试官视角出发的追问逻辑，把扩容、容错、延迟优化等实际约束融入方案讨论中，同时用中文重新组织了表达，降低了英文原版的理解门槛。笔记形式也便于按主题跳读或作为面试前的快速复习材料。适合正在准备系统设计面试的后端工程师、架构师，以及希望系统补充分布式系统设计知识的开发者阅读。

技术栈：N/A
今日增长：+900 Star
累计 Star：18,796
Fork 数：3,485
仓库地址：https://github.com/liquidslr/system-design-notes

第6名：Tencent/teamai-cli

Teamai-cli 是腾讯开源的一个命令行工具，用于把 AI 能力以团队协作的方式接入到日常研发流程中，让每个成员都能在终端里直接调用和共享 AI 工作流。它瞄准的痛点是：当前多数 AI 编码助手停留在个人层面，提示词、上下文和最佳实践散落在各人手里，团队之间难以复用，也无法沉淀为统一规范；同时，不同成员使用的模型、工具和配置各不相同，协作时容易出现结果不一致、上下文丢失的问题。teamai-cli 试图把“个人用 AI”升级为“团队用 AI”，让 AI 能力像代码一样被版本化、共享和执行。

核心功能围绕团队级 AI 工作流展开：它提供命令行入口，让开发者可以在项目目录中定义、运行和分发 AI 任务，把提示词、模型选择、上下文文件等封装成可复用的配置，团队成员拉取后即可获得一致体验。它强调与现有工程环境结合，而不是另起一套封闭系统，因此适合嵌入到已有的脚本、CI 或本地开发习惯中。技术亮点在于使用 TypeScript 实现，具备较好的类型安全和可扩展性，方便团队按自身需求定制命令与集成；同时以 CLI 形态存在，天然适合自动化、批处理和跨平台使用，降低了把 AI 引入团队流程的门槛。官方定位“Make Every Team AI Native”也点明了它的目标：不是做一个更强的单点助手，而是让 AI 成为团队基础设施的一部分。

它适合希望统一团队 AI 使用方式的技术负责人、平台工程师，以及已经在日常开发中依赖命令行、想让 AI 工作流可共享可沉淀的研发团队。

技术栈：TypeScript
今日增长：+841 Star
累计 Star：3,809
Fork 数：247
仓库地址：https://github.com/Tencent/teamai-cli

第7名：THU-MAIC/OpenMAIC

OpenMAIC 是一个把多智能体协作搬进课堂的交互式学习平台，只需一次点击，就能生成沉浸式的多智能体学习体验。传统在线学习要么是单向播放的视频课，要么是缺乏角色分工的问答机器人，学生很难感受到“多个老师从不同角度共同讲解”的氛围；而搭建多智能体教学场景又往往需要自己写编排逻辑、接模型、做前端，门槛不低。OpenMAIC 想解决的正是这个断层：让多智能体课堂从研究概念变成开箱即用的产品。它的核心功能围绕“一键开课”展开——用户无需手动配置复杂的智能体拓扑，即可启动一个由多个 AI 角色共同参与的教学场景，这些角色可以在同一课堂中分工协作，承担讲解、提问、补充、引导讨论等不同职责，形成比单一对话机器人更立体的互动体验。项目以 TypeScript 为主要语言实现，天然适合在浏览器与 Node.js 环境中运行，便于前端集成和二次开发；多智能体交互场景对实时性和状态同步要求较高，TypeScript 的类型系统也有助于在复杂编排逻辑中减少出错。整体来看，它把多智能体编排、课堂交互与前端呈现打包成一套可直接体验的方案，降低了从零构建 AI 课堂的成本。它适合想探索多智能体教育应用的开发者、需要快速验证 AI 课堂产品的教研团队，以及希望为学生提供更沉浸式互动学习体验的教育工作者。

技术栈：TypeScript
今日增长：+837 Star
累计 Star：35,339
Fork 数：5,638
仓库地址：https://github.com/THU-MAIC/OpenMAIC

第8名：obra/superpowers

obra/superpowers 是一套面向 AI 编码代理的技能框架与软件开发方法论，通过结构化的技能定义和可组合的工作流，让代理真正具备可复用、可验证的开发能力。它要解决的核心痛点是：当前多数 AI 编码代理虽然能写代码，却缺乏稳定的方法论支撑——每次任务都从零摸索，上下文容易丢失，产出的质量高度依赖临场提示，难以在真实项目中形成可重复的工程流程。superpowers 把「技能」抽象为一等公民，用纯 Shell 脚本实现了一套轻量的技能加载、编排与执行机制，使代理能够按需调用特定能力，而不是把所有逻辑塞进单一提示里。其核心功能包括技能的定义与注册、基于任务场景的技能组合、以及对开发流程各阶段的显式建模，让代理在需求理解、方案设计、编码实现、验证反馈等环节都有明确的行动依据。技术亮点在于它坚持极简依赖，以 Shell 为主要实现语言，几乎不引入额外运行时，因而易于嵌入各类代理环境；同时它强调方法论优先于工具堆砌，把「怎么做」沉淀为可复用的技能资产，而非一次性提示词。这种设计让代理的行为更可预测、更易调试，也便于团队在多人协作中共享同一套开发范式。它适合正在构建或使用 AI 编码代理的开发者、希望把代理能力工程化落地的技术团队，以及关注代理工作流与方法论的研究者。

技术栈：Shell
今日增长：+732 Star
累计 Star：284,711
Fork 数：25,467
仓库地址：https://github.com/obra/superpowers

第9名：diegosouzapw/OmniRoute

OmniRoute 是一个面向 AI 编程工具的免费 MIT 协议 AI 网关，用一个统一端点接入 352 家服务商、1200 多个模型，让开发者在 Claude Code、Codex、Cursor、OpenCode、Cline、Copilot 等客户端里持续编码而不被单一供应商的额度或故障打断。它要解决的痛点很直接：当你在 AI 编程工具里深度工作时，某个模型的配额耗尽、限流或宕机往往意味着手头任务被迫中断，而手动在多个 API Key、多个服务商之间切换既繁琐又容易丢失上下文。OmniRoute 的核心能力是配额感知的自动回退——当主模型不可用时自动切换到可用的备用模型，352 家服务商中有 150 多家提供免费额度，覆盖 Kimi、Claude、GPT、Gemini、GLM、DeepSeek、MiniMax 等主流模型，用户只需配置一个端点即可。技术上的亮点包括 RTK 与 Caveman 压缩，据项目说明可节省 15% 到 95% 的 token 消耗；同时支持 MCP 与 A2A 协议，便于接入更复杂的 Agent 工作流；形态上提供桌面端与 PWA，兼顾本地使用与跨设备访问。项目由 550 多位贡献者共同构建，采用 TypeScript 编写，以 MIT 协议开源，降低了自建或接入 AI 网关的门槛。它适合频繁使用 AI 编程助手、希望在不中断编码的前提下灵活调度多家模型与免费额度的个人开发者与团队，也适合需要统一管理多服务商接入、关注 token 成本与协议兼容性的工程场景。

技术栈：TypeScript
今日增长：+626 Star
累计 Star：64,258
Fork 数：8,998
仓库地址：https://github.com/diegosouzapw/OmniRoute

第10名：vastsa/PI-Desktop

PI-Desktop 是一款本地优先的 AI 编程智能体桌面应用，把代码生成、修改与执行能力收进一个可离线运行、数据不出本机的图形界面里。它瞄准的痛点是：现有 AI 编程工具大多依赖云端会话，代码上下文要上传到第三方服务，隐私敏感项目难以放心使用；同时命令式 CLI 工具对不熟悉终端的开发者门槛偏高，插件生态也往往被锁定在特定厂商。PI-Desktop 用 Electron 构建跨平台桌面外壳，用 Rust 编写宿主核心负责进程管理、文件系统访问与工具调用等底层能力，再配合 pi Agent Harness 驱动智能体的推理与任务编排，形成“前端界面 + 原生核心 + 智能体框架”的分层结构。核心功能围绕本地项目展开：智能体可以读取工作区文件、理解代码结构、按指令生成或修改代码，并通过宿主核心安全地执行本地命令与工具调用。技术亮点在于本地优先的设计取向——模型调用与数据流转尽量留在用户机器上，Rust 核心带来更可控的资源占用与执行安全性，TypeScript 前端则保证了界面迭代效率；同时它支持用户自行安装插件，让能力扩展不依赖官方排期，开发者可以按需接入自己的工具链或模型服务。这种架构把“智能体能力”和“本地环境控制权”交还给使用者，而不是封装成一个不可见、不可审计的黑盒。它适合注重代码隐私、希望在本地环境中使用 AI 辅助编程的开发者，也适合想要基于插件机制定制自己智能体工作流的进阶用户。

技术栈：TypeScript
今日增长：+624 Star
累计 Star：2,315
Fork 数：193
仓库地址：https://github.com/vastsa/PI-Desktop