GitHub Trending Pro Max｜2026-05-27：当 AI Skills 长出「学习闭环」与「编程内核」

上午的每日精选只给你「该不该收藏」。
这一篇 Pro Max 回答更深一层的问题——「这些项目代表了什么技术范式转折？三个月、半年后行业会被它们带向哪里？」

数据源：Trendshift 实时榜单 + GitHub API metadata + 各项目 README 一手内容。
评分方法：按 .ai/GitHub抓取.md 评分系统（AI+30 / Infra+20 / 增长+20 / 复杂度+15 / 复用性+15 / demo-50）。
入选门槛：综合分 ≥ 70 且 viral_score ≥ 80（潜力档放宽到 60–80）。

趋势预判：本期 Pro Max 看到的三个「拐点信号」

读完 7 份 README 后，能清楚看到本周开源世界出现了三条同步的工程曲线：

Skills 从「Prompt 文件」进化为「可训练资产」——微软 SkillOpt 把 Skills 当神经网络一样跑 epoch / batch / validation gate，开源社区第一次把「自演化 Agent 技能」当作可复现实验室对象。
Agent 进入「Workspace-as-State」时代——微软 Webwright 把浏览器从「Agent 工作空间」降级为「可抛弃的环境」，Agent 真正的持久态变成本地代码文件。这是 OpenAI Operator / Claude Computer Use 之后第一种被严肃验证有 SOTA 价值的相反路线。
「学习闭环」成为 Agent Harness 的标配——Nous Research 的 Hermes Agent 把 Skill 创建、Memory 沉淀、用户建模、跨会话 FTS 搜索全部并到一个 Loop 里；DeepSeek-Reasonix 则用 prefix-cache 把同一个 Loop 跑出 99.82% 缓存命中率。AI 终于开始为自己写代码、为自己造记忆。

下面进入逐项深度拆解。

1. NousResearch/hermes-agent — Agent 第一次有了「成长曲线」

Hermes Agent OG

仓库：NousResearch/hermes-agent
License：MIT
本周热度：Trendshift 实时榜 +297 mentions（本期最高）
综合分 100 / viral_score 95（必火）

1.1 技术定位

Hermes Agent 是 Nous Research 推出的「自我进化型 AI Agent」，定位介于 OpenClaw 的下一代继承者和 Claude Code 的多平台克隆体之间。它和今日热门的 mattpocock/skills、obra/superpowers 的区别是：后两者是「skills 的容器」，Hermes 是一个带学习闭环的 Agent runtime，自带 skill 生成、记忆沉淀、自我研究的能力。

1.2 架构拆解

README 里它自己列出的核心模块，可以拆成五层：

层	组件	解决的问题
接入层	6 个终端后端（local / Docker / SSH / Singularity / Modal / Daytona）	一个 Agent 跑在 $5 VPS 上还是 GPU 集群里都不改代码
消息层	单网关 → Telegram / Discord / Slack / WhatsApp / Signal / CLI	同一个 Agent 同时听五个聊天平台
模型层	200+ 模型抽象（Portal / OpenRouter / NovitaAI / NIM / MiMo / GLM / Kimi / MiniMax）	`hermes model` 一行切换，无代码改动
学习层	Skill 自动生成 + FTS5 历史搜索 + 用户建模（Honcho 对话辩证模型）	跨会话记住你是谁、做过什么、偏好什么
执行层	子代理派遣 + Python 工具 RPC + Cron 调度	「零上下文成本」并行任务

最容易被忽略但最重要的一点是 agentskills.io 标准——Hermes 是该标准的主要推动者之一，所有别人写的 skills 都能往里塞。这意味着 Hermes 不是单点工具，而是想做 Agent 世界的「Linux 内核」。

1.3 行业意义

Hermes 出现之前，「自学习 Agent」是论文里的概念；之后，它变成 curl | bash 就能装的东西。这件事的意义和 2010 年 Docker 发布同等量级：把研究界的抽象封装成一行命令。

更重要的是它的商业逻辑——Nous Portal（一个聚合 300+ 模型 + Web Search + 图像生成 + 浏览器自动化的订阅服务）就是 Hermes 的现金流出口。这是「开源 Agent → 增值服务平台」的标准商业路径，类似 HashiCorp 之于 Terraform。

1.4 趋势预测

未来 3 个月：会出现至少 5 个「Hermes 化」的项目，把现有 CLI Agent 套上「学习闭环 + 多平台网关」的壳。
未来 6 个月：agentskills.io 大概率成为事实标准，类似当年 LSP（Language Server Protocol）一统编辑器世界。
未来 1 年：Skill 市场（类似 npm / pip）会出现，可能是 Anthropic 官方、Hermes 社区、或 agentskills.io 自己。

1.5 使用建议

个人开发者：直接装。Hermes 在 $5 VPS 上能跑，可以放心当远程 Agent，Telegram 给它发消息让它写代码、跑脚本。
Tech Lead：作为团队 OpenClaw 用户的下一代迁移路径。hermes claw migrate 命令支持把 OpenClaw 的 Memory / Skills / API Keys 整套搬过来。
研究员：用它的 trajectory 批量生成 + 压缩功能，给下一代 tool-calling 模型生成训练数据。这是个被严重低估的角度。

1.6 对比分析

维度	Hermes Agent	Claude Code	OpenClaw (上一代)	mattpocock/skills
学习闭环	✅ 内置	❌	❌	❌
多平台网关	✅ 6 平台	❌	⚠️ 限 Telegram	❌
模型自由切换	✅ 200+	❌ 仅 Anthropic	✅	N/A
自动 Skill 生成	✅	❌	❌	❌（手写）
商业模式	开源 + Portal 订阅	闭源订阅	已停止维护	个人作品

2. Lum1104/Understand-Anything — 代码图谱的「教学派」反击

Understand Anything Hero

Understand Anything OG

仓库：Lum1104/Understand-Anything
License：MIT
本周热度：Trendshift +212 mentions
综合分 100 / viral_score 90（必火）

2.1 技术定位

Understand-Anything 是「用知识图谱降低 Agent 上下文成本」赛道的最新选手，但它和上午文章里提过的 colbymchenry/codegraph 选了完全不同的目标函数：

codegraph：图谱越准越好，让 Agent 跳转更稳。
Understand-Anything：图谱越教得动人越好，让新人 / PM / Agent 都能理解架构。

README 里那句话是整个项目的灵魂：

The goal isn’t a graph that wows you with how complex your codebase is — it’s a graph that quietly teaches you how every piece fits together.

2.2 架构拆解

它的「Tree-sitter + LLM」混合架构是教科书级的工程划分：

┌─────────────────────────────────┐
│        /understand 入口          │
└──────────────┬──────────────────┘
               │
   ┌───────────▼───────────┐
   │  project-scanner Agent │  ← 发现文件、检测语言/框架
   └───────────┬───────────┘
               │
   ┌───────────▼───────────┐       Tree-sitter（确定性层）
   │  file-analyzer Agent  │ ←───  imports / exports / 调用链
   └───────────┬───────────┘
               │                    LLM（语义层）
   ┌───────────▼───────────┐ ←───  自然语言摘要 / 业务域 / 学习路径
   │ architecture-analyzer │
   │   tour-builder        │
   │   graph-reviewer      │
   │   domain-analyzer     │
   │   article-analyzer    │
   └───────────────────────┘

关键工程决策：把「结构事实」（imports、calls）交给 Tree-sitter，把「语义意图」（这个文件是干啥的）交给 LLM。这个分工让图谱有可复现性——同一份代码每次跑出来的边一样，但摘要可能在 LLM 升级时变得更聪明。

2.3 行业意义

新员工 onboarding 一直是 20 万行代码库的隐性成本黑洞。Understand-Anything 把它变成 /understand 一行命令——而且生成的 JSON 图谱可以提交进 Git（用 git-lfs 跟踪），让团队共享 onboarding 资产。这一改变让「文档即代码」第一次具备机器可读 + 可视化探索 + 可对话问答三位一体。

2.4 趋势预测

代码知识图谱这个赛道在 2026 年会迎来「3 强对决」：

玩家	路线	强项
Understand-Anything	教学派	业务域分析 / Persona-Adaptive UI
codegraph	工程派	高精度跳转 / Agent token 节省
学院派（GraphRAG 等）	论文派	多跳推理 / 嵌入式检索

预测：6 个月内会出现「教学派 + 工程派」融合的产品——既能让人理解又能让 Agent 高效跳转。

2.5 使用建议

加入新公司第一周：/understand + /understand-dashboard 当作交互式公司架构图，配 /understand-onboard 直接拿到入职 7 天的学习路径。
PR Review 阶段：/understand-diff 可以做「这个改动影响哪些下游」的影响分析，比 GitHub PR review 自带的更具语义性。
大型 monorepo：用 --scope 限定子目录，避免一次性扫整个仓库导致 token 爆炸。

2.6 对比分析

和今日上午文章里出现的 codegraph、Hermes Agent 等的关系不是替代，而是互补层叠：

┌─────────────────────────────────────────┐
│  Hermes Agent / Claude Code（Agent 运行时） │
└──────────────────┬──────────────────────┘
                   │ 调 Skill
   ┌───────────────▼───────────────┐
   │  Understand-Anything（图谱）  │  ← 给 Agent 提供「项目地图」
   │  codegraph（图谱）            │
   └───────────────┬───────────────┘
                   │
   ┌───────────────▼───────────────┐
   │      你的项目源代码           │
   └───────────────────────────────┘

3. microsoft/Webwright — 浏览器 Agent 范式的一次「微软式反转」

Webwright OG

仓库：microsoft/Webwright
License：MIT
代码量：~1.5k LoC（含核心循环约 450 行）
综合分 95 / viral_score 88（必火）

3.1 技术定位

Webwright 是微软研究院出品的「反潮流型」浏览器 Agent。市面上的浏览器 Agent（browser-use、Stagehand、agent-browser）都把浏览器当工作空间，让模型一步步预测下一个动作。Webwright 直接反过来：

The persistent artifact is not the browser session — it’s the code and logs in the local workspace.

把 Agent 从「点-看-点」的低层动作循环里解放出来，让它写脚本——浏览器只是脚本能调用的一次性环境。

3.2 架构拆解

整个项目核心代码不到 1500 行，分工极简：

模块	LoC	职责
`agents/default.py`	~450	核心 Agent 循环（prompt → observe → execute script）
`environments/`	~570	Playwright 浏览器工作空间
`run/cli.py`	~150	CLI 入口
`models/{openai,anthropic,openrouter}_model.py`	各 ~150–200	模型后端

整套依赖只有 httpx + pydantic + playwright + typer——零隐藏框架。

3.3 行业意义

这是过去三年里第一篇严肃论证「Code-as-Action 比 Coordinate-Prediction 显著更强」的工业级实验：

Online-Mind2Web (300 任务)：86.7%（GPT-5.4）——所有开源 harness 中最高
Odysseys (200 长任务)：60.1%（GPT-5.4，平均 76.1 步）——比上一代 SOTA（Opus 4.6 / 视觉路线）高 15.6 个百分点

这意味着 OpenAI Operator / Anthropic Computer Use 走的「视觉+坐标」路线在长时序任务上可能并不是最优解。微软研究院用 1500 行代码给出了反例。

Odysseys long-horizon eval @ 100 steps Online-Mind2Web AutoEval @ 100 steps

上图：Webwright 在两个 SOTA benchmark 上的成绩——左 Odysseys 长任务，右 Online-Mind2Web。

3.4 趋势预测

3 个月：会出现至少 3 个 fork/复刻，把 Webwright 的核心循环搬到非微软的 Agent harness 里。
6 个月：Computer Use 类产品会开始混入「让 Agent 写 Playwright 脚本」的模式，因为长时序任务上确实赢。
1 年：浏览器 Agent benchmarks 会重新分裂为「Coordinate 派」和「Code 派」两个独立 leaderboard，类似当年 BLEU vs ROUGE。

3.5 使用建议

直接用：pip install -e . + playwright install chromium，5 分钟跑通。
作为 Claude Code Plugin：/plugin install webwright@webwright，让 Claude Code 写 Playwright 脚本。
企业 RPA 团队：Webwright 生成的脚本是可参数化的可复用 CLI 工具——/webwright:craft 模式直接输出带 argparse 的 Python，可以集成进现有 RPA pipeline。

3.6 对比分析

README 里它自己给出的对比表（精简版）：

	Stagehand	agent-browser	browser-use	Webwright
范式	混合：代码 + NL	子命令工具	自动循环 + DOM	写代码的 Coding Agent
动作空间	Playwright + NL	离散子命令	索引点击/输入	自由 Python
持久态	浏览器会话	浏览器会话	浏览器会话	本地代码/截图/日志

4. mukul975/Anthropic-Cybersecurity-Skills — 把 Skills 从「玩具」做成「行业基础设施」

Cybersecurity Skills OG

仓库：mukul975/Anthropic-Cybersecurity-Skills
License：Apache 2.0
规模：754 个 skills × 26 个安全领域 × 5 个合规框架
综合分 95 / viral_score 85（必火）

4.1 技术定位

如果说上午文章里的 mattpocock/skills、addyosmani/skills 是「个人作坊」、anthropics/skills 是「官方样板间」，那么这个项目是 Skills 范式里第一座真正意义上的工业级仓库——按行业（cybersecurity）整建制覆盖 26 个领域，每个 skill 同时映射 5 个安全合规框架。

4.2 架构拆解

Skill 设计严格遵循 agentskills.io 标准：

skills/performing-memory-forensics-with-volatility3/
├── SKILL.md              ← YAML frontmatter + Markdown
├── references/
│   ├── standards.md      ← MITRE ATT&CK / NIST / ATLAS / D3FEND / AI RMF
│   └── workflows.md      ← 深度技术参考
├── scripts/
│   └── process.py        ← 可执行辅助脚本
└── assets/
    └── template.md       ← 报告模板

关键工程亮点：渐进式披露（Progressive Disclosure）——每个 skill 只需 ~30 token 扫描 frontmatter，匹配到候选后再花 500–2000 token 加载完整 workflow。这让 Agent 能一次性筛选 754 个 skills 而不爆 context window。

4.3 行业意义

ISC2 报告：全球网络安全岗位缺口 480 万（2024 数据）。LLM 能填补这个缺口，但前提是它要像高级分析师一样思考。这个项目第一次把「资深分析师的工作手册」结构化成 AI 可直接消费的格式——而且一个 skill 同时打勾 5 个合规框架，对甲方采购流程是降维打击。

最重要的隐含信号：科罗拉多州 AI 法案（2026 年 2 月生效）将 NIST AI RMF 列为法律安全港——也就是说，使用了该框架的 AI 系统在出事时享受法律豁免。把 skills 显式映射到 AI RMF，等于给客户准备好了诉讼挡箭牌。

4.4 趋势预测

3 个月：会出现 5–10 个垂直行业的 skills 仓库（金融、医疗、法律），均按照 agentskills.io 标准。
6 个月：Skill Marketplace 出现，类似 npm + 合规标签。
1 年：AI 编程 Agent 招聘要求里会出现「能写出 framework-mapped skills」这一项。

4.5 使用建议

SOC / DFIR 团队：直接 npx skills add mukul975/Anthropic-Cybersecurity-Skills，让 Claude Code 在事件响应时直接调出 Volatility3、Sigma、ATT&CK Navigator 等专业工具的 playbook。
合规审计：用 ATT&CK Navigator layer 文件做覆盖度可视化报告。
想做行业版：fork 项目结构，把 cybersecurity 换成你的领域，YAML frontmatter 模板已经是行业最佳实践。

4.6 对比分析

	Anthropic-Cybersecurity-Skills	awesome-* 列表	商业 SOAR 产品
数量	754 结构化 skills	通常 100–500 链接	50–200 playbook
AI 可执行	✅ 标准化 YAML + Markdown	❌ 文本链接	⚠️ 闭源 DSL
合规框架映射	5 个（MITRE/NIST 全套）	❌	通常 1–2 个
二次开发成本	Apache 2.0，PR-friendly	N/A	通常收费 + NDA

5. esengine/DeepSeek-Reasonix — 围绕单一模型做极致优化的「反多模型主义」

Reasonix Hero Terminal

Reasonix OG

仓库：esengine/DeepSeek-Reasonix
License：MIT
关键指标：单日 435M input tokens / 99.82% cache hit / $12 实际花费（同样工作量在无缓存模式下要 $61）
综合分 95 / viral_score 82（必火）

5.1 技术定位

Reasonix 是「反多模型主义」流派的旗手——所有功能围绕 DeepSeek 的 prefix-cache 字节稳定性做工程优化。它的口号是：

Cache stability isn’t a feature you turn on; it’s an invariant the loop is designed around.

这跟 Hermes Agent 的「200+ 模型自由切换」是对立面：Hermes 押宝抽象，Reasonix 押宝深度耦合。两条路线在 2026 年会同时存在。

5.2 架构拆解

README 里它自己列出的「三大支柱」：

支柱	核心机制
Pillar 1：Cache-first loop	字节级稳定 prefix；prompt 不变化的部分绝对不重排
Pillar 2：Tool-call repair	工具调用出错时就地修复而非重试，保留 cache
Pillar 3：Cost control	实时显示 cache 命中率 + 累计 token 成本

加上独有的能力栈：MCP / 插件 / 持久化会话 / 半自动模式 / /effort 调节器 / 自带 Web Dashboard / 语义索引。

Reasonix Feature Grid

上图：Reasonix 完整能力矩阵——cell-diff renderer / MCP / plan mode / 持久化会话 / hooks-skills-memory 三件套 / 语义索引 / 自动 checkpoint / /effort 调节器 / transcript replay。

5.3 行业意义

99.82% cache hit 这个数字背后的工程意义是：一份长项目里跑 435M token，只花 $12。换算成单 token 单价比官方 DeepSeek 标价便宜 5 倍。

这件事告诉行业一个被严重低估的事实——LLM 经济学不是模型定价决定的，而是「你能让多少 token 命中缓存」决定的。同样的模型同样的任务，做好缓存能省一个数量级。这给所有「让 LLM 调用更便宜」的赛道重新定义了上限。

5.4 趋势预测

3 个月：OpenAI / Anthropic / Google 会被迫加大 prefix-cache 文档投入，并提供「cache stability guarantee」级别的 API。
6 个月：会出现「cache-aware Agent Framework」，把 cache 命中率当作设计指标，类似当年 React 把「rendering performance」当一等公民。
1 年：会出现 cache-aware 的 LLM 训练范式——直接训练模型让 prefix 更稳定，类似 Whisper 把 streaming 当训练目标。

5.5 使用建议

DeepSeek 重度用户：直接 npm install -g reasonix，把月成本压到原来 1/5。
不用 DeepSeek 的用户：依然值得 fork 一份 study Pillar 1 的实现细节——里面的 cache stability 工程经验对任何 Agent harness 都适用。
想做 Agent benchmarking：用它的 benchmarks/ 目录里的 τ-bench-lite harness，可以做 cross-provider 对比。

5.6 对比分析

	Reasonix	Claude Code	Cursor	Aider
后端	DeepSeek 独占	Anthropic	OpenAI/Anthropic	任意（OpenRouter）
License	MIT	闭源	闭源	Apache 2
成本特征	极低 / 每任务	高级订阅	订阅 + 用量	看选模
Prefix-cache 工程	核心设计	N/A	N/A	偶然命中
Web Dashboard	✅ 内置	—	n/a	—

6. microsoft/SkillOpt — 给 Skills 做「神经网络训练」

SkillOpt OG

配套资源：Project Page · arXiv Paper · Demo Video

仓库：microsoft/SkillOpt
License：MIT
配套论文：arXiv:2605.23904（微软研究院）
综合分 90 / viral_score 80（必火）

6.1 技术定位

SkillOpt 的目标用一句话概括：让 Skill 文档可以像神经网络一样训练。

Train agent skills like you train neural networks — with epochs, (mini-)batchsize, learning rates, and validation gates — but without touching model weights.

这是 Skills 范式的「质变时刻」——从「人工撰写的 Markdown」升级为「可优化的可训练资产」。

6.2 架构拆解

工作流是典型的机器学习训练流程：

data/my_split/
├── train/items.json       ← 训练任务
├── val/items.json         ← 验证集
└── test/items.json        ← 测试集

scripts/train.py
├── --num_epochs 4
├── --batch_size 40
├── --optimizer_model gpt-5.5    ← 用来改 Skill 的「优化器模型」
├── --target_model gpt-5.5       ← 用来执行 Skill 的「目标模型」
└── outputs/<run>/
    ├── best_skill.md          ← 训练得到的最优 Skill 文档
    ├── history.json           ← 每步训练历史
    └── skills/skill_vXXXX.md  ← 每步快照

最关键的设计是「validation-gated updates」：每次 patch Skill 之后，必须在 val set 上分数不降才接受这个 patch。这等于把神经网络训练里的早停（early stopping）机制搬到 Markdown 文件的优化上。

6.3 行业意义

这一改变可能比表面看起来重要得多。今天你怎么写 Skill？你凭直觉写。明天 SkillOpt 普及后你怎么写 Skill？你跑一个 train.py，把直觉写的初版当 seed，让它在你的数据上自动迭代到最优。

这是「让 LLM 帮自己优化 prompt」的工业化标准实现。OpenAI 的 GPT-Optim、Anthropic 的 prompt-engineer 都是闭源黑盒；SkillOpt 是 MIT 协议开源版，且有官方论文背书。

6.4 趋势预测

3 个月：会出现「Skill Optimizer 服务」——你交一份 Skill 给 SaaS，它帮你优化。
6 个月：HuggingFace 上出现「skills hub」专区，可以下载训练好的 Skill 文档。
1 年：Skill 优化和 fine-tuning 会被纳入企业 AI 工程标准，类似今天的 MLOps。

6.5 使用建议

写过 5 个以上 Skill 的工程师：值得花一周时间跑通 SkillOpt 的 ALFWorld / SearchQA 例子，理解「validation-gated」是怎么工作的。
企业 Agent 团队：把它当 prompt optimization 流水线，部署在内部 Azure OpenAI 上做 Skill 资产管理。
研究员：6 个 benchmark（SearchQA / ALFWorld / DocVQA / LiveMath / SpreadsheetBench / OfficeQA）可以直接发论文。

6.6 对比分析

	SkillOpt	DSPy（Stanford）	OpenAI Prompt Optimizer	手写 Skill
开源	✅ MIT	✅ Apache 2	❌	N/A
输出格式	Markdown（可直接用）	Python 类	OpenAI 平台内部	Markdown
Validation gate	✅ 显式	✅	不可见	❌
论文背书	✅ arXiv	✅ Stanford	❌	—
适配 agentskills.io	✅	❌（自有抽象）	❌	✅

7. earendil-works/pi — Agent 工具链里被低估的「严肃工程派」

pi OG

仓库：earendil-works/pi
License：MIT
综合分 90 / viral_score 78（潜力）

7.1 技术定位

pi（pi.dev，域名由 exe.dev 赞助）是一个完整的 Agent 工具链 monorepo——不同于 Hermes 的「学习闭环」、Webwright 的「浏览器单点突破」，pi 走的是「像 Node.js 工具链一样完整」的工程主义路线。

7.2 架构拆解

四个一等公民包：

Package	职责
`@earendil-works/pi-ai`	统一多 Provider LLM API（OpenAI / Anthropic / Google / …）
`@earendil-works/pi-agent-core`	Agent 运行时 + tool calling + 状态管理
`@earendil-works/pi-coding-agent`	Interactive CLI
`@earendil-works/pi-tui`	终端 UI（差分渲染）

7.3 行业意义

pi 在 README 里花了整整一节讨论 supply-chain hardening（供应链加固）：

直接依赖锁到精确版本
.npmrc 强制 save-exact=true、min-release-age=2（防止当天发布的依赖被拉进来）
Lifecycle scripts 显式 allowlist
发布前用隔离环境跑 smoke test
GitHub workflow 周期性跑 npm audit signatures

这是 2026 年开源 AI 项目里罕见的对供应链攻击的认真态度。AI 工具链已经成为攻击者的高价值目标（参见 2025 年的 ESLint / Stylus 供应链事件），但绝大多数 Agent 框架对此漠视。pi 是一个反例。

7.4 趋势预测

3 个月：会有第一个 Agent 工具链遭遇供应链攻击的公开事件，行业开始反思。
6 个月：「supply-chain-hardened」会成为企业采购 AI Agent 时的硬指标。
1 年：会出现「Agent Framework Security 评级」组织，类似 OpenSSF 之于通用开源。

7.5 使用建议

个人尝鲜：可以装 pi-coding-agent 试试 TUI 的差分渲染体验。
企业 Tech Lead：抄它的 .npmrc 配置和 package-lock.json 治理流程，这是免费的供应链最佳实践模板。
Open Source 维护者：参考 CONTRIBUTING.md 里关于「auto-close new contributor PR」的策略——一个很反主流但实操有效的反垃圾 PR 策略。

7.6 对比分析

	pi	Hermes Agent	Webwright	Reasonix
模型支持	多 Provider	200+ 模型	3 后端	DeepSeek 独占
包结构	四包 monorepo	单包 + Skills	单包 ~1.5k LoC	单 CLI + 桌面
供应链加固	🌟 SOTA	中	中	中
公开 OSS Session 数据	✅ HuggingFace	❌	❌	❌

全局趋势综合：本期 Pro Max 总结

把 7 个项目放在一张图上看：

                  [Skills 优化（SkillOpt）]
                            │
                            │ 可训练
                            ▼
[mattpocock/skills] [Anthropic-Cybersec-Skills]   ← Skill 是「资产」
                            │
                            │ 被 Agent runtime 加载
                            ▼
        ┌────────────────────────────┐
        │  Hermes / Reasonix / pi    │ ← Agent runtime「学习/缓存/工程化」
        └────────┬───────────────────┘
                 │ 调用
                 ▼
   [Understand-Anything（代码图谱）]
   [Webwright（浏览器写代码）]            ← 工具能力
                 │
                 ▼
            真实世界任务

三个最值得记住的判断

Skills 从「Prompt 工艺」升级为「可训练资产」：SkillOpt 是质变信号。3 个月内会有 SaaS 把 Skill 优化产品化。
Agent Runtime 进入「学习闭环」竞争：Hermes 引领，OpenClaw / mattpocock 路线是上一代。2026 H2 的赢家一定带学习能力。
LLM 经济学拐点是「Prefix Cache」而非「模型降价」：Reasonix 的 99.82% cache hit 给出了下限——同样的工作量便宜一个数量级是可达成的，不依赖任何降价。

一句话采用建议

你是谁	立刻可以做的事
个人开发者	装 Hermes Agent，把 Telegram 当远程 Agent 入口
Tech Lead	用 Understand-Anything + SkillOpt 搭团队「skill 资产管线」
安全工程师	一键 `npx skills add` 装 754 条 cybersec skills
DeepSeek 用户	切到 Reasonix，把月度账单除以 5
Agent 框架作者	抄 pi 的 supply-chain 加固，抄 Webwright 的 Code-as-Action
研究员	跑通 SkillOpt + Webwright 两个 benchmark，论文素材直接到手

⚠️ 注意：单周 star 是注意力指标而非长期生存指标。把以上结论当作**「发现信号」**，而非「立刻 All-in 决策」。建议优先选 1–2 个最贴合你工作流的项目跑 1–2 周生产负载，再决定是否扩大投入。

GitHub Trending Pro Max｜2026-05-27 深度版