GitHub Trending 日榜 Top 10（2026/09/23）

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：google/ax

AX 是 Google 开源的一套面向智能体（Agent）的编排运行时，用来把大模型驱动的多步骤任务组织成可执行、可观测、可复用的工作流。当开发者试图用 LLM 完成真实业务任务时，往往会遇到一堆零散的难题：多个工具调用之间如何传递上下文、失败后如何重试或回退、一次会话的状态存在哪里、不同模型和外部服务怎么统一接入、整个执行过程如何调试和追踪。AX 正是为这些工程化问题提供统一抽象，让开发者不必从零手写一套调度逻辑。

它的核心思路是把 Agent 的执行拆解为可组合的编排单元，由运行时负责调度、状态管理和生命周期控制。开发者可以定义工具、模型调用与步骤之间的依赖关系，运行时按顺序或条件推进执行，并在需要时进行分支、循环或并发处理。由于采用 Go 编写，AX 在并发调度、资源占用和部署形态上有天然优势，适合放进服务端环境长期运行，而不是停留在脚本或 notebook 里。它同时强调可观测性，让每一步的输入输出、工具调用和模型响应都能被记录和检查，这在调试复杂 Agent 行为时尤为关键。

作为 Google 出品的开源项目，AX 在接口设计上倾向于与主流模型服务和工具生态对接，降低把原型迁移到生产环境的成本。它并不试图取代具体的模型或框架，而是补上“编排与运行”这一层，让 Agent 从演示走向可维护的系统。适合正在构建多步骤 AI 应用、需要稳定调度与追踪能力的后端工程师、平台团队，以及希望把 Agent 能力产品化的技术负责人。

技术栈：Go
今日增长：+1,542 Star
累计 Star：8,479
Fork 数：389
仓库地址：https://github.com/google/ax

🥈 第2名：dream-num/univer

Univer 是一个把电子表格、文档、幻灯片、画布、关系型表格和 PDF 统一到同一套运行时的 Office 引擎，并以此为 AI Agent 提供可编程的操作底座。它要解决的痛点在于：传统 Office 套件是封闭的黑盒，AI 只能通过模拟点击或截图识别来操作文档，既不稳定也无法理解文档的内部结构；而各类文档工具彼此割裂，公式、样式、协作状态难以跨格式复用。Univer 用 TypeScript 从零构建了一套自研的渲染与数据模型层，把单元格、段落、形状、画布元素抽象为统一的可寻址对象，公式引擎、协同编辑（基于 OT/CRDT 思路的冲突处理）、插件体系都内建在核心之中，因此 AI Agent 可以直接读写结构化的文档数据，而不是去猜像素。它的技术亮点包括：同一份运行时同时承载多种文档类型，避免为每种格式重复实现编辑器内核；提供 Facade API 让外部程序以命令式方式操控文档，天然适合被 LLM 当作工具调用；插件化架构允许按需加载公式、条件格式、图表等能力，保持包体积可控；对协同场景的支持让多个 Agent 或人机混编可以并发编辑同一份文件。此外，项目对 PDF 和关系型表格的支持意味着它不只面向传统办公文档，也能覆盖数据密集型场景。适用人群是需要在产品中嵌入可编程文档能力的前端与全栈工程师、正在构建文档类 AI Agent 的开发者，以及希望摆脱对商业 Office 组件依赖、追求自主可控的团队。

技术栈：TypeScript
今日增长：+1,140 Star
累计 Star：16,107
Fork 数：1,422
仓库地址：https://github.com/dream-num/univer

🥉 第3名：Open-Dev-Society/OpenStock

OpenStock 是一个开源、永久免费的金融市场追踪平台，目标是替代那些价格高昂的行情终端与数据服务。传统行情工具往往把实时报价、公司基本面、个性化提醒等功能锁在订阅制后面，个人投资者和小团队很难低成本获取完整信息，而 OpenStock 用开源方式把这些能力重新交还给用户。它的核心功能包括实时价格追踪、自定义价格与事件提醒，以及公司层面的详细洞察（如基本面与相关数据展示），让用户在一个界面里完成从盯盘到研究的基本流程。技术层面，项目基于 TypeScript 构建，前后端共享类型定义，有助于降低接口不一致带来的维护成本，同时便于社区开发者直接参与和扩展；开源协议与协作模式也意味着功能演进透明，不会被单一商业公司随意更改或关停。它不依赖昂贵的商业数据授权，而是以开放、可自托管或可参与贡献的方式运行，适合关注成本、重视数据自主权，并愿意参与开源生态的个人投资者、金融科技开发者与小型研究团队。

技术栈：TypeScript
今日增长：+832 Star
累计 Star：18,598
Fork 数：2,271
仓库地址：https://github.com/Open-Dev-Society/OpenStock

第4名：browser-use/video-use

video-use 是一个让编码智能体（coding agents）直接剪辑视频的开源工具，用 Python 写成，核心思路是把视频编辑从图形界面的拖拽操作，变成智能体可以理解和执行的代码指令。传统视频剪辑要么依赖 Premiere、Final Cut 这类重型软件手动操作，要么用 FFmpeg 写一长串晦涩命令，前者难以自动化、后者学习成本高且不易组合复杂逻辑。video-use 试图填上这块空白：它把视频处理能力封装成编码智能体可调用的操作，让 Claude Code、Cursor 这类工具通过写代码的方式完成剪辑任务，比如裁剪片段、拼接、加字幕、转码、调整音轨等，而不需要人逐帧手动处理。

它的价值在于把「视频编辑」纳入到智能体已经擅长的工作流里——理解需求、拆解步骤、生成并执行代码、根据反馈迭代。用户可以用自然语言描述想要的效果，由智能体翻译成具体的视频处理脚本并运行，整个过程可复现、可版本控制。技术层面，它依托 Python 生态中成熟的视频处理库和 FFmpeg 等底层工具，把常见剪辑操作抽象成结构化接口，同时保留编码智能体灵活编排的能力，避免为每个小需求重写一遍命令。由于项目围绕「用代码编辑视频」这一范式设计，它天然适合批量化、参数化的处理场景，比如按规则批量裁剪、统一转码、自动生成带字幕的成片等。

它面向的是愿意用编程方式处理视频的开发者、需要批量或自动化剪辑的内容团队，以及希望把视频处理接入 AI 智能体工作流的工程师。

技术栈：Python
今日增长：+745 Star
累计 Star：26,296
Fork 数：3,151
仓库地址：https://github.com/browser-use/video-use

第5名：anthropics/financial-services

anthropics/financial-services 是 Anthropic 官方开源的金融服务业参考实现仓库，用可运行的代码示例展示如何把 Claude 接入投行、资管、财富管理与金融研究等典型业务场景。金融行业的痛点很具体：大量高价值工作依赖人工阅读招股书、财报、研报与合规文件，既慢又容易遗漏关键条款；同时数据敏感、合规要求高，团队不敢把原始材料随意丢给通用聊天工具，而自建一套可靠的抽取、比对、生成流程又缺乏可参照的工程范式。这个仓库正是针对这一断层，把「能跑通的样板」直接交给开发者。核心功能围绕几类高频任务展开：文档解析与结构化抽取（从长文档中定位财务指标、风险因素、契约条款）、多文档对比与差异摘要、基于检索的问答与引用溯源、以及面向投研与客户沟通的报告草稿生成。技术亮点在于它并非简单的 prompt 集合，而是完整的 Python 工程：包含工具调用（tool use）定义、结构化输出校验、检索增强生成（RAG）管线、以及对长上下文的分块与聚合策略，同时示范了如何在提示层与代码层加入合规护栏，例如强制引用来源、限制输出范围、对敏感字段做处理。代码组织上按业务场景分目录，每个示例都配有可替换的数据接口，便于对接企业内部的文档库或数据平台。适用人群是金融科技工程师、量化与投研平台开发者、以及希望在受控环境中落地大模型能力的金融机构技术团队。

技术栈：Python
今日增长：+665 Star
累计 Star：36,743
Fork 数：5,362
仓库地址：https://github.com/anthropics/financial-services

第6名：BuilderIO/agent-native

BuilderIO/agent-native 是一个用于构建智能体应用（agentic apps）的 TypeScript 框架，让开发者能以声明式的方式把大语言模型、工具调用和业务逻辑组合成可运行的产品。当前构建智能体应用的最大痛点在于：状态管理、工具编排、流式输出、多轮对话上下文以及前后端同步往往需要开发者从零搭建，代码重复且难以维护。agent-native 通过提供一套统一的抽象层来解决这些问题，它把智能体的行为定义为可组合的“动作”与“状态”，并自动处理工具调用、流式响应和 UI 更新之间的同步。核心功能包括：声明式定义智能体可用的工具与动作；内置对流式 LLM 输出的支持，让前端能实时渲染生成内容；统一的状态管理机制，使智能体的内部状态与界面状态保持一致；以及面向 TypeScript 的类型安全 API，减少运行时错误。技术亮点在于它与 Builder.io 的可视化开发理念一脉相承，强调“原生”地融入应用架构，而非把智能体当作外挂的黑盒——开发者可以精确控制每一步推理与动作的触发条件，同时保留对最终用户体验的完全掌控。它适合需要把 AI 智能体能力深度集成进现有 TypeScript 应用的前端与全栈开发者，尤其是那些希望避免重复造轮子、追求类型安全与可维护性的团队。

技术栈：TypeScript
今日增长：+609 Star
累计 Star：6,402
Fork 数：577
仓库地址：https://github.com/BuilderIO/agent-native

第7名：agent-substrate/substrate

Agent Substrate 是一个用 Go 编写的、面向 AI Agent 运行时的核心系统底座。它要解决的痛点很直接：当开发者试图把大模型能力接入真实业务时，往往要自己拼凑工具调用、状态管理、并发调度、错误重试和可观测性这些基础设施，每个项目都重复造一遍轮子，而且很难保证稳定性和可扩展性。Substrate 把这些通用能力抽出来，做成一个独立的、可复用的运行时层，让 Agent 的逻辑与底层执行环境解耦。

它的核心功能围绕 Agent 的生命周期展开：定义和注册 Agent、编排多步骤任务、管理会话与上下文状态、调度工具或外部服务的调用，并处理执行过程中的失败与恢复。技术亮点在于用 Go 实现，天然适合高并发和低延迟场景，能充分利用 goroutine 和 channel 做轻量级调度；同时作为“substrate”层，它强调接口抽象和可插拔，上层 Agent 实现和下层模型、工具、存储都可以替换，而不是绑定某一家厂商或某一种框架。这种设计让系统更像一个操作系统内核，而不是一个端到端的应用框架。

从项目定位看，Substrate 不试图替代 LangChain 这类编排库，而是提供更底层的运行时保障，适合那些需要在生产环境中长期运行、对稳定性和性能有要求的 Agent 系统。它适合已经有一定 Go 工程能力、正在构建多 Agent 或复杂工具调用链路、并且希望把基础设施与业务逻辑分离的团队和独立开发者。

技术栈：Go
今日增长：+560 Star
累计 Star：3,297
Fork 数：401
仓库地址：https://github.com/agent-substrate/substrate

第8名：mvt-project/mvt

MVT（Mobile Verification Toolkit）是一套用于对 iOS 和 Android 移动设备进行取证分析、以发现潜在入侵痕迹的开源工具集。它要解决的核心痛点是：普通用户或调查人员很难判断一部手机是否被间谍软件感染——这类攻击往往不留明显痕迹，商业取证工具又价格高昂且不透明。MVT 通过自动化收集和分析设备上的关键数据来填补这一空白，例如 iOS 的备份、崩溃日志、网络使用记录，以及 Android 的系统属性、已安装应用和网络日志，并将这些数据与已知的入侵指标（IOC）进行比对。它的核心功能围绕若干命令行工具展开：mvt-ios 和 mvt-android 分别负责两个平台的采集与分析，支持从 iTunes/Finder 备份、完整文件系统转储或已 root/越狱设备中提取数据；检查结果会生成结构化报告，方便进一步排查。技术亮点在于其模块化的检查器架构——每个检查器针对一类证据或一类威胁，用户既能使用内置的 IOC 规则，也能导入自定义的 STIX2 格式指标，从而适配不同调查场景。项目由 Amnesty International 的安全实验室发起，长期跟踪真实世界的间谍软件活动，因此其检测规则与实战案例紧密相关。MVT 本身不依赖设备越狱或 root 即可完成部分分析，降低了使用门槛，同时保留了深入取证的能力。它适合安全研究人员、数字取证分析师、记者、人权工作者以及任何需要评估移动设备是否遭到针对性监控的用户。

技术栈：Python
今日增长：+546 Star
累计 Star：14,354
Fork 数：1,374
仓库地址：https://github.com/mvt-project/mvt

第9名：obra/superpowers

obra/superpowers 是一套面向 AI 编程代理（coding agent）的技能框架与软件开发方法论，用 Shell 脚本组织，目标是让代理真正按可复用的“技能”而非一次性提示词来干活。它要解决的痛点是：多数人用 Claude Code、Cursor 之类的代理时，每次都要重新解释工作流程，代理行为随机、不可复现，技能散落在提示词里无法沉淀和复用；同时代理容易跳过测试、跳过验证，直接给出看似能跑但没被证明过的代码。superpowers 把这些流程固化成可安装、可调用的技能包，代理在需要时按需加载，而不是把所有指令一次性塞进上下文。

核心功能围绕“技能即插件”展开：仓库提供一批预置技能，覆盖头脑风暴、写计划、测试驱动开发、调试、代码审查、git 工作流等常见开发环节，代理可以主动发现并调用它们。它还配套了一套方法论，强调先写测试再写实现、用失败测试驱动修复、在提交前做验证，把工程纪律变成代理可执行的步骤。技术亮点在于用纯 Shell 实现，不依赖特定语言运行时，安装和分发都很轻；技能以文件形式组织，便于版本管理和团队共享；并且它试图让代理的行为可预测、可审计，而不是靠模糊的自然语言指令碰运气。

这套东西适合已经在日常开发中使用 AI 编程代理、但苦于代理输出不稳定或不愿遵守工程规范的开发者，也适合想把团队开发流程沉淀成代理可执行技能的技术负责人。

技术栈：Shell
今日增长：+528 Star
累计 Star：290,481
Fork 数：25,992
仓库地址：https://github.com/obra/superpowers

第10名：superdesigndev/treg

treg 是一个为 AI Agent 工具调用提供统一路由与聚合访问的 Python 开源项目，定位类似“Agent 工具领域的 OpenRouter”。当前 Agent 开发中一个突出的痛点是：不同工具（搜索、代码执行、浏览器操作、数据库查询等）往往由不同厂商或社区提供，接口协议、鉴权方式、返回格式各不相同，开发者若想在自己的 Agent 中接入多个工具，需要逐个适配、维护密钥、处理限流与故障回退，重复劳动多且难以横向切换。treg 试图把这一层抽象出来，让 Agent 通过统一的调用方式访问多种工具，而不必关心底层是哪家实现。

核心功能上，treg 提供工具的统一注册与发现机制，开发者可以按需选择或替换底层工具提供方，并在调用层做路由分发；当某个工具不可用或表现不佳时，可以较方便地切换到同类替代实现。它把工具调用从“硬编码绑定”变为“可配置路由”，这与 OpenRouter 在模型层做的事情思路一致，只是作用对象换成了 Agent 的 tool/function 调用。技术亮点在于纯 Python 实现，便于集成进现有 Python Agent 框架（如 LangChain、LlamaIndex 等生态中的工具调用流程），同时以社区协作方式推进，项目在 Discord 上设有交流入口，方便贡献工具适配器和反馈问题。

需要注意的是，工具路由本身涉及鉴权代理、调用计费、延迟与结果一致性等问题，实际采用前应结合自身对数据流向和密钥管理的要求做评估。总体而言，treg 适合正在构建多工具 Agent、希望减少工具接入与切换成本、并愿意参与早期社区共建的 Python 开发者与 AI 应用工程团队。

技术栈：Python
今日增长：+502 Star
累计 Star：2,522
Fork 数：232
仓库地址：https://github.com/superdesigndev/treg