GitHub 开源热榜项目-周榜（2026-09-28）-开发者社区

🔥 GitHub 开源热榜项目 (2026-09-21 ~ 2026-09-27)

📅 周期：2026-09-21 ~ 2026-09-27 | 🕐 更新：2026-09-28

共收录09个项目，按 Star 数排序

📊 本期概览

本期榜单（2026-09-21 ~ 2026-09-27）共收录09个项目，累计 Star17,817。技术栈以 🐍Python、📘TypeScript、🐹Go为主；应用场景集中在音视频生成、Agent应用工作线、AI落地。

🚀 01 · jev-chat/jev-chat-jarvis

🟢 Kotlin | AI助手、Android | ⭐ 6,781 | 🔱 1,170 | ⭐ 热门项目

📋 项目介绍

Jev 聊天助手是一款安装在Android 手机上的“对话副驾”工具。它通过系统无障碍服务只读屏幕，在 QQ、X (Twitter)、飞书等聊天 App 中，实时分析对方消息的真实意图和危险等级，并生成 3 条口语化的候选回复。用户只需一键将回复填入输入框，发送权始终掌握在自己手中。项目强调非侵入性：不 Hook、不改包、不调用聊天软件接口、不自动发送消息，且截图 OCR 和知识库存储均在本地完成，仅将必要的分析文本发送至用户自行配置的第三方模型接口。

🎨 使用场景

社交沟通辅助、个性化回复

🎯 核心价值

先判断，再回复：区别于直接生成回复的工具，它先分析对方意图和风险，再据此起草回复，更安全、更精准。
绝对的非侵入与安全：不修改任何聊天软件，不自动发送消息，不碰转账红包，从根本上杜绝了封号风险和资金风险。
用户掌控数据主权：密钥、知识库、聊天历史均存于本地，截图仅本机 OCR，用户完全掌控数据流向（通过自配 API 接口）。
高度可扩展：一套内核支持多平台，新增一个 App 只需编写几十行的适配器，具备良好的可维护性和扩展性。

💡 推荐语

是一款真正把控制权和隐私还给用户的AI 助手。对于经常在 QQ、X 或飞书上沟通，又希望获得 AI 辅助但担心安全风险的用户来说，Jev 聊天助手提供了一个近乎完美的“只读式”解决方案。

🔗 GitHub →

🚀 02 · unreallabsai/unreal-agent

🐹 Go | AI agent | ⭐ 1,990 | 🔱 107 | ✨ 潜力项目

📋 项目介绍

Unreal Agent 是一个由 Unreal Labs 开发的、异步优先的 AI Agent 框架。它的核心是一个可组合的“harness”（框架），旨在为构建复杂的、基于大语言模型（LLM）的智能体应用提供底层支持。
该项目围绕几个关键概念构建，包括：
Session：可追加、可复制的持久化历史记录。
Input：具有稳定唯一ID的事件，支持去重和重投递。
Coordinator：协调器，负责运行LLM轮次、解析工具调用并分发操作。
Tool Translator：负责验证和翻译工具调用，且不允许执行I/O操作。
Operation：由工具翻译器产生的、可序列化的工作描述，用于异步执行。
框架设计强调组件的可组合性和可替换性，并维护了会话存储、操作等核心数据格式的版本化与向后兼容性。

🎨 使用场景

AI Agent、异步与高并发处理

🎯 核心价值

异步优先架构：整个框架围绕异步操作设计，适合处理耗时的 I/O任务（如 LLM 调用、工具执行），避免阻塞，提升效率。
状态持久化与恢复：通过 Session Store持久化会话历史和操作状态，支持会话的恢复与分叉（fork），保证了智能体交互的连续性和可调试性。
清晰的职责分离：组件（如 Coordinator、Context Builder、Tool Translator）职责明确，接口清晰，便于理解、替换和扩展。
可扩展与可组合：鼓励开发者实现和替换组件接口，并提供了 primitives 来帮助实现操作，使得框架能适应不同的部署环境和需求。
内置幂等性与可靠性：通过 Session Inbox 对输入进行去重，确保在重试或重新投递场景下操作的幂等性，增强了系统的鲁棒性。

💡 推荐语

Unreal Agent 是一个设计精良、架构清晰的 Go 语言智能体开发框架，主打复杂、异步、可持久化的 LLM 应用开发。
它没有停留在简单的 API 封装层面，而是深入解决了智能体运行中的核心问题：如何管理会话状态、如何安全地执行工具调用、如何保证操作的幂等性。
其“异步优先”和“组件可组合”的设计理念，使得它既能为快速原型开发提供坚实基础，也能满足生产环境对可靠性和扩展性的要求。

🔗 GitHub →

🚀 03 · Contrastive-LM/CLM

🐍 Python | 决策模型 | ⭐ 1,924 | 🔱 171 | ✨ 潜力项目

📋 项目介绍

CLM (Contrastive Language Models) 是一类新型的“系统1”模型，通过对比学习目标连接“状态”与“动作”，实现快速且可泛化的决策。该仓库主要服务于CLM-8B 模型，并提供兼容 TypeSafe 的 API。CLM-8B 在 6000 万 Nemotron 问答对上进行预训练，在 3000 万合成难负例上进行中期训练，并在 100 万智能体轨迹上进行后训练。它在计算机使用、游戏和工具调用任务上性能与 Jev 相当，但延迟最多可降低 9 倍。

🎨 使用场景

智能决策、候选排序

🎯 核心价值

极速推理：通过将状态与动作解耦并缓存嵌入，实现高达 9 倍的延迟降低，尤其适用于候选动作多或状态重复的场景。
性能卓越：在多个智能体基准上达到SOTA，例如 Terminal-Bench 2.1 上 87.6%，DeepSWE 上 81.6%，且比 Jev 快 4.1-5.7 倍。
通用性强：无需针对特定任务进行设置，即可用于排序、路由、检索和类型化决策等多种场景。
易于微调：提供完整的微调教程和脚本，可基于自有数据轻松适配下游任务。
工程友好：提供 pip 安装、兼容 TypeSafe 的 API、内置 Playground 和向量缓存机制，便于快速集成和部署。

💡 推荐语

Contrastive Language Models (CLM) 为 AI 智能体的决策层带来了一种全新的“系统1”范式。它巧妙地将决策问题转化为状态与动作的对比学习，从而绕开了传统 LLM 逐 token 生成的缓慢路径。
CLM-8B 不仅在多个智能体基准上取得了 SOTA 性能，更通过创新的向量缓存机制，将推理速度提升了近一个数量级，这对于需要实时响应的 Agent 应用至关重要。其提供的 API 设计简洁优雅，支持类型化问答和候选排序，开发者可以轻松地将其嵌入现有工作流。
在构建需要快速、可泛化决策能力的 AI 智能体上，提供了一个极具潜力的选择。

🔗 GitHub →

🚀 04 · tobi/disktree

🦀 Rust | 磁盘空间分析 | ⭐ 1,608 | 🔱 107 | ✨ 潜力项目

📋 项目介绍

disktree 是一款基于树状图（Treemap）的磁盘空间管理工具，最初为 Omarchy 桌面环境打造，现已支持 Linux、macOS 和 Windows。它默认扫描用户主目录，将每个目录绘制为按实际磁盘占用大小嵌套的“马赛克”图块，让用户一眼看清究竟是什么在蚕食硬盘空间。你可以用键盘或鼠标深入浏览，随意标记想要清理的目录，但程序不会立即执行——所有删除操作都必须经过复核列表确认，永久删除更是会再次询问。界面跟随 Omarchy 主题，使用体验与桌面其他部分浑然一体。

🎨 使用场景

磁盘空间管理、可视化展示

🎯 核心价值

所见即所得的空间地图：树状图按真实磁盘占用（st_blocks × 512）绘制，比 du 命令行更直观，颜色与斜线纹路区分数据类型和“可回收空间”。
先标记、后复核、再删除：任何删除都不会立即执行，必须进入复核界面确认；永久删除始终弹窗二次确认，误操作几乎不可能。
删除前即知回收量：侧边栏实时显示当前剩余空间与标记后的预计空间，让“清理”这件事有了明确的收益预期。
内置安全护栏：拒绝删除文件系统根、挂载点、系统目录（/usr、/etc、/var/lib 等）、符号链接不被跟随、不经过 shell 执行，从代码层面杜绝“一键清库”。
跨平台一致的体验：Linux 用 trash-cli/XDG 回收站，macOS 用系统 Trash，Windows 用回收站；Windows 下还能以管理员身份读取 NTFS 主文件表，实现 WizTree 级别的极速扫描。

💡 推荐语

如果你曾经对着“磁盘空间不足”的弹窗手足无措，或者用 du -sh * 一层层翻目录翻到眼花，disktree 会让你眼前一亮。
它把抽象的磁盘占用变成一张可以“走进”的地图：每个目录是一个方块，方块越大说明越占地方，点进去还能继续细分。更难得的是，它在“好用”和“安全”之间拿捏得恰到好处——所有删除都必须经过复核，永久删除永远多问一句，系统目录和挂载点被硬性保护，连符号链接都不会被跟随。用 Rust 和 GPUI 写成，启动快、界面跟手，Linux、macOS、Windows 都能跑。清理磁盘本该是件有掌控感的事，disktree 把它做到了。

🔗 GitHub →

🚀 05 · yetone/magpie

🐹 Go | AI agent管理 | LLM | ⭐ 1,260 | 🔱 70 | ✨ 潜力项目

📋 项目介绍

magpie 是一个开源的AI Agent 模型统一管理工具，以菜单栏应用的形式运行。它在一个界面中列出你机器上所有 AI Agent（如 Claude Code、Codex、Gemini CLI、OpenCode 等）及其当前使用的模型，点击即可切换。magpie 内置本地网关，将不同厂商的 API（OpenAI、Anthropic、Gemini 等）统一转换为标准接口，让任何 Agent 都能使用任意模型——例如让 Codex 跑在 DeepSeek 上，让 Claude Code 跑在 Kimi 上。它支持 30+ Agent 和 20+ 模型提供商，提供配置文件精准编辑、订阅共享、路由组、配置快照与备份等功能。

🎨 使用场景

多Agent使用、配置管理、接口统一

🎯 核心价值

统一入口：一个界面管理所有 Agent 的模型配置，告别逐个修改配置文件的繁琐。
本地网关：提供 OpenAI/Anthropic/Gemini 兼容 API，任意工具均可接入，Agent 不再持有厂商密钥。
配置安全：精准编辑配置文件，保留注释、缩进和排序；密钥仅存储在本地，支持加密备份。
订阅复用：已登录的 Agent 订阅可作为 Provider 共享，无需复制密钥或重复付费。
轻量高效：桌面版不足 15MB，终端版仅 7MB，跨平台支持 macOS、Linux、Windows。
实时模型列表：从厂商 API 动态获取可用模型，新模型发布后自动出现在选择器中。

💡 推荐语

如果你同时使用多个 AI agent，一定经历过这样的痛苦：想给 Claude Code 换个模型，得去翻 ~/.claude/settings.json；想给 Codex 换个模型，又得去改 ~/.codex/config.toml。
每个 Agent 的配置格式不同、字段各异，切换一次模型就像做一次小型运维。
magpie 彻底解决了这个问题——它把所有这些配置集中到一个菜单栏图标里，点击、选择、完成。更妙的是，它内置了一个本地网关，让所有 Agent 共享同一个模型目录：你可以让 Codex 用 DeepSeek，让 Claude Code 用 Kimi，让 Gemini CLI 用 GLM，而这一切只需要在 magpie 里点几下。它还支持路由组、配置快照、加密备份。

🔗 GitHub →

🚀 06 · JohnHeibel/PDoomVideo

📜 JavaScript | 视频生成 | ⭐ 1,251 | 🔱 133 | ✨ 潜力项目

📋 项目介绍

PDoomVideo 是歌曲《I’m Upping My P(doom)》的 Claude Opus 5.5 音乐视频源代码。整个视频完全由 Claude Opus 5.5 在 Claude Code 中生成——包括分镜、动画代码、转场设计，没有任何人工指定的场景创意。
作者只给了两条指令：使用 Clawd 角色设计、为每句歌词配上有趣的视觉与转场。
项目包含九个章节的源码、共享的 Clawd 角色与道具代码、分镜文档（STORYBOARD.md）和动画指南（ANIMATION_GUIDE.md），以及一套可复现的渲染流程：用 p5.js + p5.brush 在浏览器中逐帧绘制，再由无头 Chrome 截帧、ffmpeg 编码成 MP4。

🎨 使用场景

AI内容生成、AI创作

🎯 核心价值

全 AI 生成：视频的每一行代码、每一个场景、每一次转场都由 Claude Opus 5.5 生成，是"AI 自主创作"的完整实证。
可复现渲染管线：Node.js + 无头 Chrome + ffmpeg 的组合清晰透明，支持断点续渲，任何人可本地重现整支视频。
完整的创作文档：STORYBOARD.md 和 ANIMATION_GUIDE.md 由模型自己撰写，展示了 AI 如何规划分镜、指导子代理，极具参考价值。
通用动画框架：作者提炼出更可靠、更通用的 Claude 动画基础，可复用于其他 AI 生成动画项目。
创意编程实践：p5.js + p5.brush 的笔触风格、歌词视觉化与转场设计，为创意编程提供了鲜活案例。
开源可学：九章源码结构清晰，是学习"AI + 创意编程"协同创作的难得教材。

💡 推荐语

Claude Opus 5.5 独立完成了一支完整的音乐视频——而且把全部源码开源了。PDoomVideo 最震撼的地方不在于视频本身，而在于它的制作过程：作者没有指定任何场景创意，只给了"用 Clawd 角色、每句歌词配有趣视觉"两条指令，剩下的分镜、动画代码、转场设计全部由模型自主完成。
更难得的是，模型还自己写了分镜文档和动画指南，用来指挥它并行运行的子代理。这意味着你不仅能欣赏成品，还能逐行阅读这支视频的"创作思路"。项目提供了完整的可复现渲染管线——p5.js 绘制、无头 Chrome 截帧、ffmpeg 编码，支持断点续渲，任何人都能在本地重现。

🔗 GitHub →

🚀 07 · mexicat/pdoom-video

📘 TypeScript | 视频生成 | ⭐ 1,148 | 🔱 120 | ✨ 潜力项目

📋 项目介绍

pdoom-video 是歌曲《I’m Upping My P(doom)》的另一代码渲染音乐视频项目。它采用"确定性渲染"理念：每一帧都是歌曲时间的确定函数，因此浏览器中的实时预览与离线导出的 1080p60（或 4K60）视频完全一致。
项目包含完整的音频分析管线（Demucs 分轨、CTC 强制对齐、Whisper 交叉校验、节拍/起音检测），生成词级甚至音节级的歌词时间轴；渲染器基于 Three.js，包含 17 个场景模块（open、loss、prompt、hook、shoggoth 等）和共享视觉母题，支持运动模糊、辉光、颗粒等后处理效果。整个视频的概念、歌词对齐、渲染器和每个场景均由 Claude（Opus 5.5）在 Claude Code 中协作完成。

🎨 使用场景

音视频制作、AI创作

🎯 核心价值

确定性渲染：预览与导出完全一致，每一帧都是时间的确定函数，避免"预览好看导出崩"的常见问题。
自适应运动模糊：根据运动幅度动态选择每帧子采样数（静止 12、普通运动 36、快速甩镜 108 或 324），在质量与性能间取得平衡。
真 4K 渲染：不是放大，而是每个图层、线条和着色器都在物理分辨率下渲染，4K 帧与 1080p 帧构图一致但更锐利。
完整音频分析管线：从 Demucs 分轨到 CTC 强制对齐、Whisper 校验、节拍/起音检测，生成词级时间轴。
AI 协作范例：概念、歌词对齐、渲染器、场景全部由 Claude 在 Claude Code 中协作完成，展示了 AI 辅助复杂项目的可能性。
模块化场景系统：每个场景一个独立模块，共享视觉母题，便于扩展和复用。

💡 推荐语

pdoom-video 不只是一个音乐视频，更是一套完整的"代码即视频"的工程实践。pdoom-video 把音乐视频制作变成了可复现、可调参、可 4K 渲染的软件工程：音频分析管线用 Demucs 分轨、CTC 强制对齐和 Whisper 校验生成词级时间轴，渲染器用 Three.js 驱动 17 个场景模块，运动模糊根据运动幅度自适应采样，4K 导出是真正的物理分辨率渲染而非放大。
更特别的是，整个项目——从概念、歌词对齐到渲染器和每个场景——都是与 Claude（Opus 5.5）在 Claude Code 中协作完成的，这本身就是一份关于 AI 辅助创作的高质量记录

🔗 GitHub →

🚀 08 · mikehasa/golive-skill

📘 TypeScript | skill | ⭐ 1,013 | 🔱 75 | ✨ 潜力项目

📋 项目介绍

GoLive 是一个开源的 Agent Skill + 零依赖 Node CLI，用于把 AI Agent 构建的应用真正推上线。
它遵循detect → plan → approve → apply → verify的工作流：检测应用需要哪些基础设施，生成精确的变更计划，等你批准后用你自己的账号登录执行，并验证实际结果。支持托管（Vercel、Netlify）、数据库（Supabase、Neon）、自定义域名 DNS（Porkbun、GoDaddy）、事务邮件（Resend）、测试模式支付（Stripe）和 Supabase 认证。完成后可生成交接文档，也能通过 teardown 把创建的资源拆除。无需 GoLive 账号、托管后端或遥测。

🎨 使用场景

Agent应用上线、快速部署

🎯 核心价值

人工审批每一笔写入：没有你批准的计划 ID 和 --yes，apply 拒绝执行；DNS、删除、生产数据等操作有额外确认开关。
沿用你自己的账号：复用已登录的 Vercel、Supabase、Stripe 等账号，密钥存在本地 0600 权限文件，不进入聊天、计划或报告。
失败即停，可恢复：apply 在首个失败、缺失确认或前置条件不满足时停止，下次 apply 从该步继续，而非盲目推进。
验证而非假设：报告区分 pass / fail / warning / skipped，明确"skipped 不等于通过"，跳过项会列出待办。
可拆除、可交接：teardown 只删除能证明是 GoLive 创建的资源，无法删除的明确列为人工移交项；交接文档标注每行是已验证、已记录、不可验证还是未知。
零依赖、无遥测：本地 CLI，无需 GoLive 账号或托管后端，不收集产品遥测数据。
开源可审计：MIT 许可，架构即产品契约，验证记录区分"实机测试"与"仅 mock 覆盖"。

💡 推荐语

它是给编码 Agent 用的 Skill，也是本地零依赖 CLI，核心流程只有五步：检测、计划、批准、执行、验证。
它不替你做决定——每个计划都会列出目标账号、具体变更和成本，你点批准它才动手；每个高风险操作（DNS 写入、删除、生产数据、首次生产部署）都有独立的确认开关。它复用你已有的账号登录，密钥只存在本地 0600 文件里，永不进入聊天记录或命令行参数。最难得的是它对"验证"的诚实：报告明确区分通过、失败、警告和跳过，并强调"跳过不等于通过"。
上线完成后，它能生成一份所有权交接文档，还能在你不再需要时把创建的资源干净拆除。

🔗 GitHub →

🚀 09 · freestylefly/WeChatBridge（有意思）

🕊️ Swift | 本地知识库 | ⭐ 842 | 🔱 308 | 💡 新星项目

📋 项目介绍

WeChatBridge（微信流）是一款原生、轻量、完全本地的 macOS 工具，用于将微信聊天记录一键转发到 AI Agent 与 Obsidian。它利用 macOS 微信 4.1.13 起支持的"合并转发"功能——微信会生成包含 TXT、图片和视频的 ZIP 包，WeChatBridge 通过 Share Extension 补齐系统转发入口，让一次转发直接抵达 Codex、Claude、豆包、千问办公、WorkBuddy、WeSight、Obsidian、剪贴板或自定义应用。项目不读取微信数据库、不解密、不注入、不修改微信进程，聊天归档、场景和记录均保存在本机，Share Extension 在沙盒中运行且无网络权限。

🎨 使用场景

知识库构建、AI落地应用

🎯 核心价值

九个原生入口：在微信转发菜单直接选择目标，无需打开主窗口，操作路径最短。
AI Agent 直达：激活目标 App 后自动附加场景指令并粘贴聊天归档，省去手动复制粘贴。
Obsidian 沉淀：生成 Markdown 笔记，保存原始 ZIP，按聊天名组织内容，附件按微信样式渲染。
场景与技能：为不同群聊保留场景提示词，管理兼容 Agent 的 SKILL.md 能力包。
隐私边界清晰：不读数据库、不解密、不注入，沙盒运行无网络权限，数据完全本地化。
失败兜底：目标未安装或权限不足时，文件仍保留在剪贴板，不会丢失。
双语界面：完整支持简体中文与 English，Universal 2 构建兼容 Apple Silicon 和 Intel Mac。
开源可构建：MIT 协议，Swift Package Manager 管理，提供完整的构建、测试和发布脚本。

💡 推荐语

微信里每天产生大量有价值的对话——群里的技术讨论、朋友分享的链接、工作沟通的要点——但它们大多沉睡在聊天记录里，难以检索、无法沉淀、更谈不上被 AI 利用。WeChatBridge 用最优雅的方式解决了这个问题：它没有去破解微信数据库，而是巧妙利用了微信自带的"合并转发"功能，把导出的聊天记录 ZIP 直接送进你常用的 AI Agent 或 Obsidian。
安装后，你在微信里多选消息、点击合并转发，菜单里就会出现"发给 Codex"“发给 Claude”"沉淀到 Obsidian"等九个入口，点一下，聊天记录就自动粘贴到目标应用里，还能附带你预设的场景提示词。整个过程完全本地，不碰微信进程、不上传云端，Share Extension 在沙盒中运行且没有网络权限，对隐私敏感的用户也能放心使用。

🔗 GitHub →

其他项目简单介绍：

dzhng/jevgrep 是一款面向编程 Agent 的命令行工具，用自然语言提问即可定位代码文件与相关源码。核心理念是帮助 Agent 在陌生代码库中快速起步：执行 jg “How are telemetry events recorded?” ./my-project 后，工具返回相关文件位置、阅读线索与逐字源码摘录，Agent 再基于此实施修改并验证。底层使用 TypeSafe 的 Jev 决策模型判断文件夹、文件与声明的相关性。实测数据显示，在一次包含十个任务的 SWE-bench 重复实验中，使用 jevgrep 后编程 Agent 成本从 7.62 美元降至 4.52 美元，降幅约 40%，但解决率从 8/10 降至 7/10，属于成本与质量的权衡。安装需 Node.js 22+ 与 Vercel AI Gateway、TypeSafe 或 OpenRouter 的 API Key，CLI 之外还需安装配套的 Agent Skill。🔗 GitHub →
asokurasu/text-humanizer 是一个完全免费开源的AI 文本人性化工具，通过多语言 LLM 重写流程使 AI 生成内容更自然。工作流程分四步：首先用 DeepSeek 重写文本并将内容翻译为中文作为中间表示以引入结构变化；然后用 Google 翻译将英文转为土耳其语，借助跨语言差异制造句法扰动；若提供 DeepL API Key，可选地将土耳其语进一步译为日语以增加多样性；最后由 DeepSeek 重新翻译回原始语言并重构流畅表达。工具支持英语、日语、中文、韩语、德语、法语、西班牙语等 8 种语言，声称可绕过多数 AI 内容检测器，同时保留原始语义。配置需 DeepSeek API Key，DeepL 为可选，采用 MIT 许可证。推荐温度参数为 1.3。（该项目是第三次出现在榜单上，第一次出现的时候在文章中详细介绍过）🔗 GitHub →
jev-chat/jev-chat-windows 是一个Windows 平台聊天回复辅助工具，在聊天窗口旁挂载面板，通过窗口截图与本地离线 OCR 读取对方消息，由 Jev 决策模型生成三条候选回复。每条候选带胜出概率百分比并排序，推荐条目置顶标注，支持一键填入或复制。会话名从面板头部 OCR 提取，记录与上下文按会话分开存储，群聊中每条消息的发言人名会一并喂给模型，还可指定回复对象。采集开关可随时停止 OCR，调试视图实时展示识别内容。项目仅维护当前一套识别方案，不提供其他聊天窗口的适配。（功能与第一个项目 jev-chat/jev-chat-jarvis相似）🔗 GitHub →