GitHub Trending 日榜 Top 10（2026/11/11）

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：meta/astryx

Astryx 是一个用 TypeScript 编写、完全可定制且面向智能体（agent）的开源设计系统。它要解决的核心痛点是：通用设计系统往往把组件、设计令牌和样式锁死在固定主题里，团队想改品牌色、间距或交互行为时不得不 fork 或层层覆盖，而 AI 编码助手又难以理解这些私有约定，生成的代码和现有组件对不上。Astryx 把设计令牌、组件和主题配置做成可编程、可替换的模块，开发者通过配置即可整体切换品牌风格，不必改动组件内部实现；组件层提供一致的 API 与可组合结构，让业务代码复用同一套交互语义。面向 agent 的设计是它的技术亮点：项目以 TypeScript 类型和结构化元数据描述组件契约，使 AI 工具能准确读取组件的属性、变体和约束，从而生成符合设计系统规范的代码，而不是凭猜测拼凑样式。整体上，它把“设计系统”从一份静态组件库变成可配置、可被机器理解的基础设施。适合需要统一多产品视觉与交互、又希望保留品牌定制空间的前端团队，以及正在把 AI 编码助手引入日常开发流程、希望助手产出与设计规范一致的工程组织。

技术栈：TypeScript
今日增长：+3,108 Star
累计 Star：22,988
Fork 数：1,829
仓库地址：https://github.com/meta/astryx

🥈 第2名：sherlock-project/sherlock

Sherlock 是一个用 Python 编写的开源工具，能够根据同一个用户名在 400 多个社交网络与网站上批量检索对应的账号。它瞄准的痛点是：当需要核查某个用户名是否跨平台存在时，手动逐站搜索既费时又容易遗漏，而 Sherlock 把这一过程自动化，只需一次输入即可并发查询大量站点，并汇总出命中结果与对应链接。核心功能包括按用户名扫描目标站点列表、输出找到的账号 URL、支持一次查询多个用户名，以及通过 --site 只查指定站点、通过 --timeout 控制请求超时等参数调节；它还支持导出结果为 CSV、XLSX、JSON 等格式，便于后续整理。技术层面，项目以 Python 实现，站点清单以数据文件形式维护，便于社区持续增补；查询过程采用并发请求以提升速度，并可选用 Tor 或代理来降低被目标站点限流、封禁的风险，同时提供 Docker 镜像与 pip 安装等便捷使用方式。需要说明的是，结果仅代表该用户名在对应站点存在，未必属于同一人，使用时仍需人工核实。它适合渗透测试人员、OSINT 调查者、安全研究人员以及需要做账号名可用性或品牌一致性核查的开发者与运营人员。

技术栈：Python
今日增长：+2,393 Star
累计 Star：109,053
Fork 数：12,665
仓库地址：https://github.com/sherlock-project/sherlock

🥉 第3名：anthropics/skills

Anthropic 的 skills 仓库是面向 AI 智能体（Agent）的公开技能集合，提供了一批可直接复用、可组合的“技能”模块，让智能体能够按需调用具体能力来完成实际任务。它针对的痛点是：构建智能体时，开发者往往要反复手写工具定义、提示词和调用逻辑，不同项目之间难以复用，能力边界也缺乏统一约定；而 skills 把这些能力封装成标准化、自包含的技能单元，每个技能都带有自己的说明、指令和配套资源，智能体只需按描述匹配并加载相应技能，就能扩展自身能力，不必改动核心逻辑。核心功能方面，仓库汇集了多种官方技能示例，覆盖文档处理、数据操作、流程编排等常见场景，开发者既能直接使用，也能以它们为模板编写自己的技能；技能以目录形式组织，结构清晰，便于分发、版本管理和按需加载。技术亮点在于：技能采用渐进式披露的设计，智能体先读取简短的技能描述来判断是否需要使用，只有在真正需要时才加载完整指令和资源，从而节省上下文窗口、降低 token 开销；技能本身以 Markdown 指令配合脚本和资源文件的形式呈现，不依赖特定框架，Python 代码作为辅助工具随技能一起打包，兼顾了可读性与可执行性；同时，这套机制与 Anthropic 的智能体生态（如 Claude 相关产品与 API）保持一致的约定，便于跨环境迁移。适用人群包括：正在构建或扩展 AI 智能体的开发者、希望把内部流程沉淀为可复用能力模块的工程团队，以及想了解如何以标准化方式组织智能体技能的研究者和技术决策者。

技术栈：Python
今日增长：+1,679 Star
累计 Star：192,381
Fork 数：22,650
仓库地址：https://github.com/anthropics/skills

第4名：mattpocock/skills

mattpocock/skills 是一套面向真实工程场景、从作者 Matt Pocock 的 .agents 目录中直接整理出的 AI 编码代理技能集合。它瞄准的痛点很具体：如今大量 AI 编码工具虽然能力不弱，但缺少一套经过实战检验、可直接复用的行为规范与工作流，使用者往往要自己反复试错、拼凑提示词，才能让代理按工程习惯做事。这套技能把作者日常在 .agents 目录里实际使用的配置沉淀下来，以 Shell 脚本组织，覆盖代码编写、审查、重构、测试等开发环节中的具体指令与约定，让代理在真实项目里表现得更像一位有纪律的工程师，而不是只会生成片段的聊天机器人。技术亮点在于“straight from my .agents directory”这一来源——它不是理论化的提示词模板，而是作者本人长期使用、持续迭代的实战配置，因而更贴近实际开发中的边界情况与协作习惯；同时以 Shell 为载体，便于在终端环境中直接安装、调用和集成到现有工具链，降低了采用门槛。适用人群是已经在日常开发中使用 AI 编码代理、希望用一套现成且经过验证的技能来提升代理可靠性的工程师，尤其是习惯命令行工作流、重视工程规范落地的开发者。

技术栈：Shell
今日增长：+1,225 Star
累计 Star：320,986
Fork 数：26,911
仓库地址：https://github.com/mattpocock/skills

第5名：homeassistant-ai/ha-mcp

ha-mcp 是一个让 Claude、ChatGPT 等 AI 助手直接配置和自动化 Home Assistant 的 MCP（Model Context Protocol）服务端。智能家居玩家普遍面临一个矛盾：Home Assistant 功能强大但配置门槛高，写 YAML 自动化、调实体状态、排查设备问题都需要熟悉其内部结构，而 AI 助手虽然能理解自然语言需求，却无法直接触达 Home Assistant 的 API。这个项目正是为打通这一环节而生——它把 Home Assistant 的实例能力封装成 MCP 工具，暴露给支持该协议的 AI 客户端，使 AI 能在对话中查询实体、读取状态、创建和修改自动化、调整配置，而不必让用户手动翻文档、改文件。核心功能围绕 Home Assistant 的日常运维展开：AI 可以列出和检索实体、获取设备与区域信息、读取和写入自动化规则、调用服务执行动作，并借助内置的 API 文档与模板参考减少臆造。技术层面，它基于 Python 实现，遵循 MCP 标准协议，以工具调用的方式与 AI 客户端对接，兼容 Claude Desktop、ChatGPT 等主流助手，支持通过环境变量配置 Home Assistant 的访问地址与长期访问令牌，部署方式相对轻量。对于已经在用 Home Assistant、希望用自然语言完成配置和排障的用户，以及想把 AI 接入自有智能家居体系的技术爱好者，这是一个值得尝试的桥梁型工具。

技术栈：Python
今日增长：+790 Star
累计 Star：6,699
Fork 数：432
仓库地址：https://github.com/homeassistant-ai/ha-mcp

第6名：vercel-labs/agent-browser

Agent-browser 是一个用 Rust 编写的浏览器自动化命令行工具，专门为 AI 智能体（agent）提供驱动浏览器的能力。它瞄准的痛点是：大模型虽然能推理和规划，却无法直接操作网页——点击按钮、填写表单、读取页面内容，而现有的浏览器自动化方案要么依赖重量级框架和复杂配置，要么面向人类脚本而非机器调用。agent-browser 把浏览器控制收敛成一套简洁的 CLI 命令，让 agent 通过执行命令就能完成导航、元素交互和页面信息提取，无需引入庞大的运行时或编写胶水代码。

核心功能围绕 agent 的实际需求设计：通过命令行打开页面、定位并操作页面元素、获取页面结构或文本内容，使 agent 能在“观察—决策—行动”的循环中与真实网页交互。选择 Rust 实现带来了启动快、单二进制分发、内存占用可控的特点，适合被 agent 高频调用；同时 CLI 形态天然易于被各类 agent 框架以子进程或工具调用的方式集成，不必绑定特定的语言生态。

它适合正在构建需要网页操作能力的 AI agent 的开发者，尤其是希望以轻量、可脚本化方式把浏览器接入 agent 工作流、又不想被重型自动化框架拖累的团队和个人。

技术栈：Rust
今日增长：+780 Star
累计 Star：49,257
Fork 数：3,451
仓库地址：https://github.com/vercel-labs/agent-browser

第7名：anthropics/claude-quickstarts

claude-quickstarts 是 Anthropic 官方维护的一组示例项目，帮助开发者用 Claude API 快速搭建可部署的应用。很多开发者拿到 API Key 后，往往卡在“从调用接口到做出一个能用产品”的中间环节：鉴权、流式输出、工具调用、前端交互、部署配置这些工程细节分散在文档各处，自己从零搭建容易踩坑且耗时。这个仓库把常见场景整理成可直接运行的完整项目，覆盖聊天界面、客户支持代理、检索增强生成（RAG）、工具调用与函数调用、多模态图像理解等方向，每个示例都包含前后端代码和清晰的运行说明，开发者可以本地跑通后按需改造。技术亮点在于它坚持“可部署”而非“玩具演示”：示例普遍采用流式响应提升交互体验，展示工具调用与结构化输出的正确写法，并给出与 Anthropic 官方 SDK 配合的工程化组织方式，让代码结构贴近真实项目。仓库以 Python 为主，同时提供前端实现，方便全栈开发者对照理解。适合刚接触 Claude API、希望跳过样板代码直接进入业务逻辑的开发者，也适合需要参考官方最佳实践来设计生产级 AI 应用的团队。

技术栈：Python
今日增长：+531 Star
累计 Star：20,523
Fork 数：3,471
仓库地址：https://github.com/anthropics/claude-quickstarts

第8名：addyosmani/agent-skills

agent-skills 是一套为 AI 编程代理（AI coding agents）准备的生产级工程技能库，让 Claude Code、Cursor、Codex 这类工具在真实项目中按资深工程师的规范行事，而不是凭感觉写代码。它解决的痛点很具体：AI 代理能快速生成代码，却常常跳过需求澄清、架构权衡、测试覆盖、性能与可访问性检查这些工程环节，产出看似能跑、实则经不起生产检验的结果。这个项目把这些隐性经验显式化为可复用的技能模块，代理在对应场景下加载相应技能，就能获得结构化的操作指引。

核心功能围绕一组按工程阶段划分的技能展开，覆盖从任务拆解、方案设计、代码实现到测试、调试、代码审查和性能优化的完整链路，每个技能都包含触发条件、操作步骤和检查清单，而不是泛泛的原则口号。技术亮点在于它采用纯 JavaScript 实现、以技能文件为载体的轻量设计：技能以 Markdown 加元数据的形式组织，代理按需检索和加载，无需改动代理本身或引入重型依赖，因此可以跨不同 AI 编码工具复用；同时内容强调可验证的工程实践，比如要求代理在提交前自检边界条件、显式说明取舍理由，把“好工程师的习惯”变成代理可执行的流程。对于希望把 AI 辅助编码从“能写”推进到“敢上线”的团队和独立开发者，这套技能库提供了现成的规范底座。

技术栈：JavaScript
今日增长：+465 Star
累计 Star：115,207
Fork 数：12,096
仓库地址：https://github.com/addyosmani/agent-skills

第9名：google-deepmind/mujoco

MuJoCo 是一个面向多关节动力学与接触仿真的通用物理引擎，用于在机器人学、生物力学和强化学习等场景中高保真地模拟刚体与关节系统的运动。传统物理引擎在处理复杂接触、关节约束和高频控制回路时，常面临稳定性差、仿真速度慢、模型调参困难等痛点，MuJoCo 正是为解决这些问题而生：它内置了高效的接触求解器与约束求解算法，能够在存在大量接触和摩擦的情况下保持数值稳定，并支持软约束建模，让用户以更符合物理直觉的方式调节仿真行为。核心功能包括刚体与多关节动力学仿真、丰富的执行器与传感器模型、可配置的接触与摩擦参数、MJCF 场景描述格式，以及用于模型编辑与实时可视化的交互式工具。技术亮点在于其基于优化的求解框架，将接触力、约束和驱动统一到同一数学体系中求解，兼顾速度与精度；同时提供 C 语言 API，并拥有 Python 绑定，便于与机器学习框架集成，可在无界面模式下批量并行运行，适合大规模强化学习训练。适用人群为从事机器人控制、强化学习、生物力学与运动仿真研究的开发者、研究人员和学生。

技术栈：C++
今日增长：+456 Star
累计 Star：17,389
Fork 数：2,148
仓库地址：https://github.com/google-deepmind/mujoco

第10名：ranxianglei/billion-context

billion-context 是一个面向超长会话场景的上下文压缩插件，让单次会话可以持续数周、累计处理数十亿 token，而无需依赖超大上下文窗口。它针对的痛点很直接：长会话中历史消息不断堆积，token 消耗迅速膨胀，模型上下文窗口很快被占满，导致要么频繁截断丢失关键信息，要么被迫使用昂贵的大窗口模型。billion-context 的思路是把上下文做主动压缩而非简单丢弃，在保留会话关键信息的前提下大幅缩减实际送入模型的 token 数量。核心功能包括对会话历史进行压缩管理，使 100K 上下文窗口就足以支撑月级长会话，同时将 token 用量降低约 5 倍，从而显著节省调用成本。技术实现上以 TypeScript 编写，可作为插件接入现有会话流程，把压缩逻辑与业务对话解耦，便于在长会话应用中复用。它适合需要构建长期陪伴型对话、持续多轮任务协作或长周期智能体应用的开发者，尤其是那些希望用小窗口模型控制成本、又不想牺牲会话连续性的团队。

技术栈：TypeScript
今日增长：+375 Star
累计 Star：6,354
Fork 数：532
仓库地址：https://github.com/ranxianglei/billion-context