GitHub Trending 日榜 Top 10（2026/10/10）

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：morluto/rea

rea 是一个用 TypeScript 编写的逆向工程智能体框架，目标是让 AI Agent 从应用行为一路分析到原生二进制文件。传统逆向工程高度依赖人工经验：分析一个 App 的网络协议要抓包、脱壳、动态调试；定位一个二进制里的关键逻辑要反复对照反汇编与伪代码；面对混淆、加壳、多架构产物时，工具链之间还常常割裂，知识难以沉淀。rea 试图把这些环节交给可编排的 Agent 来完成，让逆向从“手工活”变成可描述、可复用、可自动推进的流程。

它的核心思路是把逆向任务拆解成 Agent 可以执行的步骤，并围绕不同层次的 target 提供能力：在应用层，Agent 可以观察和分析运行时的行为，追踪接口调用与数据流；在网络层，辅助还原协议与加密逻辑；在二进制层，则面向 native 产物做静态与动态分析，逐步逼近真实实现。由于项目使用 TypeScript，它天然适合与 Node.js 生态、各类调试工具和脚本化流程结合，Agent 的推理过程与工具调用都可以被组织成类型化的代码，便于扩展和二次开发。

技术亮点在于“Agent 驱动”这一取向：不是再做一个孤立的反汇编器或抓包工具，而是让模型在工具之间做调度，根据当前证据决定下一步是继续动态跟踪、切换静态分析，还是补充上下文。这种设计让分析路径可以随目标变化而调整，而不是被固定脚本锁死。同时，TypeScript 的类型系统为工具接口、分析结果和 Agent 状态提供了结构约束，降低了复杂流程中的出错概率。

rea 适合安全研究员、逆向工程师、漏洞挖掘人员，以及需要自动化分析闭源应用或二进制、又不希望完全依赖手工操作的技术团队。

技术栈：TypeScript
今日增长：+14,927 Star
累计 Star：46,986
Fork 数：7,576
仓库地址：https://github.com/morluto/rea

🥈 第2名：boykopovar/AnyPS5

AnyPS5 是一款把 PS5 可执行文件自动迁移到 Linux 与 Windows 平台的 C++ 工具。PS5 游戏与自制程序长期被锁定在索尼的 FreeBSD 衍生系统与定制图形栈上，开发者若想验证自己的代码或让作品触达 PC 用户，往往需要手工重写系统调用、替换图形接口、重新打包资源，工作量巨大且极易出错；AnyPS5 正是为消除这道移植门槛而生。它的核心功能是自动分析 PS5 可执行文件的格式与依赖，识别其中对 PlayStation 专有 API、库函数和运行时环境的调用，并生成对应的 Linux/Windows 适配层与构建脚本，把原本需要数周的手工移植压缩为一次自动化处理。技术层面，项目用 C++ 实现，便于直接操作二进制结构与符号表，同时借助对 ELF/PE 格式的解析能力完成跨平台目标文件的重写；它不依赖模拟器来“跑起来”，而是走静态转换与接口映射的路线，因此产出的是原生可执行程序，在性能与调试体验上更接近目标平台的原生应用。工具还处理了文件路径、线程模型、输入设备等平台差异，减少移植后手动修补的环节。需要说明的是，自动化移植无法覆盖所有依赖闭源中间件或深度硬件特性的场景，复杂项目仍需人工介入。它适合希望把 PS5 平台上的自制程序、技术演示或小型游戏带到 PC 的独立开发者、逆向工程爱好者，以及研究跨平台二进制转换与系统调用兼容层的工程师。

技术栈：C++
今日增长：+5,868 Star
累计 Star：22,470
Fork 数：1,828
仓库地址：https://github.com/boykopovar/AnyPS5

🥉 第3名：storytold/artcraft

ArtCraft 是一个面向艺术家、设计师和电影制作人的“意图驱动”创作引擎，用 Rust 编写，目标是把从想法到可交互视觉场景的过程变得像搭积木一样直接。它要解决的痛点很具体：传统 3D 创作工具要么偏重建模和材质，要么偏重动画和渲染，艺术家往往需要在多个软件之间来回导出、转换，而代码型引擎又要求写大量胶水逻辑，创作意图容易被技术细节打断。ArtCraft 把“意图”放在中心，让创作者用更接近自然描述的方式定义场景、镜头、光照和运动，引擎负责把这些意图翻译成可实时预览和调整的图形结果。

核心功能围绕场景编排与实时反馈展开：支持在统一环境里组织对象、相机、灯光和材质，并通过参数化方式调整它们之间的关系；提供即时预览，让修改立刻可见，减少反复导出和等待渲染的循环。技术亮点来自 Rust 本身——内存安全、零成本抽象和高性能并发，使引擎在保持较低资源占用的同时，能稳定处理复杂的场景图和实时更新。Rust 的强类型系统也让创作逻辑更可预测，减少了运行时意外，这对需要长时间迭代的项目尤其重要。此外，ArtCraft 强调“intentional crafting”，意味着它不追求大而全的通用功能堆砌，而是让每一步操作都对应明确的创作决策，避免工具本身干扰表达。

它适合那些希望用更工程化、可复现的方式探索视觉叙事的独立艺术家、概念设计师和中小型影视制作团队，尤其是已经熟悉一定编程思维、但不想被传统 DCC 工具的重型流程绑住的人。

技术栈：Rust
今日增长：+3,752 Star
累计 Star：11,566
Fork 数：1,748
仓库地址：https://github.com/storytold/artcraft

第4名：cathrynlavery/diagram-design

diagram-design 是一套面向 AI 编程助手（Claude Code、Codex、GitHub Copilot、Factory Droid、Pi）的编辑级图表设计规范，让你在对话中直接生成自包含的 HTML + SVG 图表，而不是让模型随手吐出千篇一律的 Mermaid 代码。它瞄准的痛点很具体：当 AI 助手被要求画流程图、架构图或时序图时，默认输出往往是 Mermaid 语法，渲染结果样式单调、排版粗糙，且严重依赖外部渲染环境；而真正用于文档、博客、技术提案的图表，通常需要更接近出版物级别的视觉质量。这套规范覆盖 42 种图表类型，从常见的流程、时序、状态、架构图，到更偏编辑排版的对比、层级、时间线等结构都有对应模板。技术上它坚持两个原则：一是完全自包含，每张图都是独立的 HTML 文件，内嵌 SVG 与样式，不引入外部依赖，拿到就能在浏览器打开或嵌入网页；二是明确的视觉约束，禁用阴影等装饰性效果，追求干净的线条、克制的配色和清晰的层级，避免 AI 生成内容常见的视觉噪音。它不依赖 Mermaid，也不要求安装渲染工具链，本质上是一份可被 AI 助手直接读取和遵循的设计约定，让模型在生成图表时按统一规范输出代码。适合需要频繁用 AI 生成技术图表、又对成品观感有要求的开发者、技术写作者和文档维护者。

技术栈：HTML
今日增长：+1,739 Star
累计 Star：47,909
Fork 数：3,035
仓库地址：https://github.com/cathrynlavery/diagram-design

第5名：mattpocock/skills

这是知名 TypeScript 教育者 Matt Pocock 公开分享的一套面向真实工程场景的 AI Agent 技能配置集合，直接取自他个人的 .agents 目录。当前市面上的 AI 编程助手虽然能力强大，但默认行为往往过于“讨好”——倾向于附和开发者、回避冲突、输出冗长却缺乏实质判断的回答，而 Matt 的这套技能正是针对这一痛点设计的。它通过一组可复用的指令文件（skills），为 Agent 注入更符合资深工程师思维的工作方式：比如在代码审查中直言问题而非恭维、在方案讨论中主动质疑不合理假设、在回答时保持简洁直接、在需要时明确说“不”。核心功能围绕代码质量审查、技术决策辅助和日常开发对话展开，每个 skill 都是一份独立的指令定义，可以按需加载到支持该机制的工具中使用。技术上的亮点在于其“纯 Shell + 纯文本”的极简形态——没有复杂的框架依赖，本质是一组结构化的 Markdown 指令，易于阅读、修改和移植，开发者可以直接借鉴其提示词设计思路，也可以原样引入自己的工作流。它体现的是一种“反谄媚”的工程文化：把 AI 当作需要被严格要求的协作者，而不是只会点头的助手。这套技能适合已经将 AI 编程助手纳入日常开发流程、但对其输出质量感到不满的中高级工程师，尤其是那些希望 Agent 能像靠谱同事一样给出真实反馈、而非一味迎合的开发者。

技术栈：Shell
今日增长：+1,687 Star
累计 Star：282,749
Fork 数：23,689
仓库地址：https://github.com/mattpocock/skills

第6名：anthropics/knowledge-work-plugins

anthropics/knowledge-work-plugins 是 Anthropic 官方开源的一套插件集合，专门面向知识工作者，用来扩展 Claude Cowork 在真实办公场景中的能力。知识工作者日常面对的多是文档处理、信息检索、会议记录、数据整理这类琐碎却高频的任务，通用大模型虽然能对话，但往往缺少与具体工作流对接的“手脚”，无法直接读取本地文件、调用外部服务或按固定格式产出结果，这套插件正是为了填补这一层空白。它把常见办公需求封装成可复用的插件模块，让 Claude Cowork 能在受控范围内执行具体操作，而不是停留在纯文本问答。核心功能围绕知识工作的典型环节展开，例如对文档、表格等内容的读取与加工，对信息的提取、汇总与结构化输出，以及与外部工具或数据源的衔接，使模型能力真正嵌入到日常工作流中。技术亮点在于其基于 Python 实现，结构清晰、易于二次开发，开发者可以参照已有插件快速编写符合自身业务的新插件；同时作为 Anthropic 官方维护的开源仓库，它在接口约定和与 Claude Cowork 的集成方式上具备参考价值，降低了自行摸索的成本。需要说明的是，仓库的具体插件清单与能力边界应以官方文档和源码为准，不宜凭简介外推。这套插件适合需要把大模型接入实际办公流程的知识工作者、希望基于 Claude 生态做定制化工具的开发者和团队，以及关注 AI 与生产力工具结合方式的技术研究者。

技术栈：Python
今日增长：+709 Star
累计 Star：28,278
Fork 数：3,247
仓库地址：https://github.com/anthropics/knowledge-work-plugins

第7名：addyosmani/agent-skills

这是一个把资深工程师的实战工作流封装成可复用技能包、专门喂给 AI 编程代理使用的开源项目。当下 AI 编码工具虽然能写代码，但往往缺乏工程判断：提交前不做充分自测、改动范围失控、忽视性能与可访问性、写出的测试流于形式。agent-skills 针对的正是这种“会写不会做工程”的落差，把生产环境里真正管用的做法固化成 AI 可调用的技能，让代理按资深工程师的标准行事，而不是只追求代码能跑通。

核心功能围绕一组可组合的技能模块展开，覆盖代码审查、测试编写、性能优化、可访问性检查、重构与调试等常见工程环节。每个技能本质上是结构化的指令与检查清单，规定了 AI 在特定任务中应遵循的步骤、需要验证的要点以及输出格式，从而把模糊的“帮我改好这段代码”变成有纪律的执行流程。技术亮点在于它的组织方式：技能以纯 JavaScript 实现并保持轻量，不绑定特定模型或 IDE，可被不同 AI 编码代理直接加载调用；同时它强调与真实工程实践对齐，例如要求代理在修改前先理解上下文、在收尾时做自检，而非一次性生成大段代码了事。这种“技能即提示工程产物”的设计，让团队可以像维护代码库一样维护 AI 的工作规范，按需增删或定制技能。

它适合正在使用或构建 AI 编程代理的开发者、希望让 AI 产出更接近生产标准的工程团队，以及想研究如何把工程经验转化为代理可执行指令的技术人员。

技术栈：JavaScript
今日增长：+436 Star
累计 Star：104,004
Fork 数：10,868
仓库地址：https://github.com/addyosmani/agent-skills

第8名：alibaba/open-code-review

Open Code Review 是阿里巴巴开源的企业级代码审查工具，经过阿里内部数万工程师的大规模生产环境验证，旨在提升代码质量、发现潜在缺陷、统一团队编码规范。传统的代码审查主要依赖人工经验，效率低下且标准不统一，而这个工具采用「确定性规则引擎 + LLM 智能分析」的混合架构，既能够通过预定义规则精准检测空指针、资源泄漏、SQL 注入、XSS 跨站脚本等常见安全和质量问题，又能借助大模型理解代码逻辑，提供更深层次的架构建议和优化方案。工具无缝集成 GitLab、GitHub 等主流代码托管平台，支持多种编程语言，提供可视化的审查面板和详细的问题报告。对于中型和大型研发团队来说，引入这套工具可以显著提升代码审查效率，降低线上缺陷率，统一团队的编码标准，是 DevOps 流程中质量保障环节的核心基础设施。

技术栈：Go
今日增长：+326 Star
累计 Star：45,257
Fork 数：3,263
仓库地址：https://github.com/alibaba/open-code-review

第9名：Robbyant/lingbot-map

LingBot-Map 是一个面向流式三维重建的几何上下文 Transformer，能够在视频或连续图像输入下实时增量式地构建场景的三维结构。它要解决的核心痛点是：传统三维重建方法（如 SfM、MVS 或基于 NeRF 的方案）通常需要完整的多视角图像集合才能开始优化，面对机器人、自动驾驶或 AR/VR 这类在线场景时，无法在数据边到达边重建的流式条件下保持稳定的几何一致性，且计算开销随帧数增长迅速累积。LingBot-Map 通过引入几何上下文 Transformer，将历史帧的几何先验以紧凑的上下文表示进行传递，使每一帧的位姿估计与深度预测都能借助此前累积的场景结构信息，而不是孤立地处理单帧或重新优化全局。其核心功能包括流式输入的在线位姿追踪、增量式稠密深度与点云重建，以及在长序列中抑制漂移的几何一致性维护。技术亮点在于把 Transformer 的序列建模能力与多视图几何约束结合：注意力机制在几何上下文中跨帧聚合特征，既保留了长程依赖，又避免了朴素全局注意力带来的二次复杂度增长，从而在流式设定下兼顾精度与效率。该工作被 ECCV 2026 列为最佳论文奖候选，代码以 Python 实现并开源。它适合从事 SLAM、在线三维重建、机器人感知与具身智能研究的研究人员和工程师，也适合需要在流式数据条件下部署实时几何理解系统的开发者参考与复现。

技术栈：Python
今日增长：+110 Star
累计 Star：17,709
Fork 数：1,951
仓库地址：https://github.com/Robbyant/lingbot-map

第10名：BerriAI/litellm

LiteLLM 是一个统一的 AI 网关与 Python SDK，让你用同一套 OpenAI 格式的接口调用 100 多个大模型 API，并在一个地方完成成本追踪、限流、负载均衡和日志记录。它要解决的核心痛点是：当团队同时接入 OpenAI、Anthropic、Bedrock、Azure、VertexAI、vLLM、Nvidia NIM 等多家模型服务时，每家的鉴权方式、请求参数、返回结构、错误码和计费口径都不一样，业务代码里会散落大量 if-else 和适配层，而成本、配额、密钥管理也随之失控。LiteLLM 把这些差异统一收敛到一层代理后面，客户端只需说“我要调哪个模型”，其余由网关处理。核心功能包括：统一 completion、embedding、图像生成等接口，支持 OpenAI 格式与各家原生格式互转；按 key、用户、团队维度做预算和速率限制；多部署之间的负载均衡与自动重试、故障转移；请求与响应日志、成本计算和用量报表；以及可插拔的 guardrails 做输入输出内容审核。技术亮点在于它把性能敏感的部分下沉到 Rust 核心，同时保留 Python SDK 的易用性，因此官方称其为“最快、最轻”的 AI 网关，既能以独立代理服务方式部署，也能作为库嵌入现有 Python 应用。它适合需要统一管理多个模型供应商的平台团队、正在做 LLM 应用且关心成本与稳定性的开发者，以及希望在不改动业务代码的前提下切换或混用模型的工程组织。

技术栈：Python
今日增长：+95 Star
累计 Star：60,677
Fork 数：12,190
仓库地址：https://github.com/BerriAI/litellm