今天 GitHub 值得试玩的 10 个项目：从 AI 安全体检到可休眠的 agent 集群 (2026)

今天这批项目的共同点，是把 agent 从聊天框里往外推：有的先检查 agent、MCP 和 Skills 有没有安全风险，有的把本地模型、语音、RAG 和工作流装进一台电脑，还有的直接处理飞书、告警、容器和一整群有状态 agent。每个仓库都能在一次小实验里给出可观察的结果。

本期按 2026 年 8 月 22 日抓取的 GitHub Trending daily 为主，结合 Python、Rust、Go 和 TypeScript 的 daily 榜。文中的「窗口新增」是对应榜单时间窗里的新增 stars，只用来表示当时的关注度快照。

先开哪三个

Scrapling：先用一条命令抓一个公开网页，再决定要不要接浏览器、Shell 或 MCP。反馈快，适合马上验证自己有没有用得上。
lark-cli：如果你有飞书测试租户，从 calendar +agenda 开始，几分钟内就能看到 CLI 和 agent skill 怎样把办公 API 变成动作。
Maka：如果你想研究 agent 怎样记录工具调用、恢复会话和控制权限，Maka 的本地运行日志比一段普通对话更容易观察。

十个试玩入口

1. Maka：把 agent 的每一步写成可恢复的运行记录

apache/maka 是一个 local-first agent 工作区。它把模型消息、工具调用、工具结果和终止事实写入 Runtime Event Log，再从这份日志投影出会话、上下文、界面和恢复状态；桌面端、终端 TUI 和非交互 CLI 都通过同一个 Runtime Host 执行。1

热度快照： TypeScript daily，2,041 stars、243 forks，窗口新增 148 stars。2

最快入口： Apple Silicon Mac 可以从 GitHub Releases 下载签名且经过公证的 Maka--mac-arm64.dmg，安装 ripgrep 后，在 Settings → Models 添加自己的云端 API、本地模型或兼容网关，再开始一个小任务。想从源码试验的人需要 Node.js 22.19+、npm 和 Git，随后执行：

git clone https://github.com/apache/maka.git
cd maka
npm ci
npm run dev

为什么值得试： 你可以让它读一个小仓库、运行一次 Bash 工具，再观察工具结果怎样进入事件日志，以及下一轮推理看到的上下文怎样变化。maka run 还能直接执行一次非交互任务，--graph 则会用隔离的 Git worktree 处理并行切片。

边界： 项目仍在 active development 阶段。当前公开桌面版主要面向 Apple Silicon，Intel Mac、Windows 和 Linux 还没有支持级别相同的正式包；首次启动也需要你自己提供模型连接，软件没有附带共享模型账号。Windows x64 属于未签名预览版，运行前应核对同一版本发布页提供的 SHA-256。1

2. AI-Infra-Guard：给 agent、MCP 和 Skills 做一次安全体检

Tencent/AI-Infra-Guard 是腾讯朱雀实验室的 AI 红队平台，覆盖 Agent Scan、MCP Server 与 Agent Skills Scan、AI 基础设施漏洞扫描、ClawScan 和 Jailbreak Evaluation。仓库还提供独立的 aig-skill-scan、mcp-scan 和 agent-scan CLI。3

热度快照： Python daily，5,341 stars、511 forks，窗口新增 434 stars。4

最快入口： 机器上有 Docker 20.10+、4GB 以上内存和 10GB 以上磁盘时，可以启动预构建镜像：

git clone https://github.com/Tencent/AI-Infra-Guard.git
cd AI-Infra-Guard
docker compose -f docker-compose.images.yml up -d

然后打开 http://localhost:8088。只想检查一个本地 Skill 时，可以安装 aig-skill-scan，设置 LLM_API_KEY，再对 Skill 目录运行扫描。

为什么值得试： 这不是只看依赖漏洞的扫描器。你可以拿一个自己写的 Skill 或 MCP 服务做样本，观察它怎样把工具投毒、命令注入、凭证外泄和越权风险拆成具体结果。README 列出的 2026 年 8 月 17 日 v4.5.2 更新，还加入了 .pyc 字节码绕过检测、字符集混淆防御、动态模式下的工具白名单，以及扩展到 2,000 多条 CVE 规则的漏洞库。3

边界： A.I.G 当前没有认证机制，README 明确建议把它放在内网或本机使用，公开网络部署会把扫描结果和服务接口暴露出去。扫描本身还需要模型 API；红队测试应该只对你拥有或得到授权的 agent、MCP 和 Skill 执行。

3. ODS：一条命令把本地 AI 服务接起来

Osmantic/ODS 是一个本地 AI 服务器安装栈。它把本地推理、Open WebUI、控制面板、语音、agent、工作流、RAG、搜索、ComfyUI 和隐私运维工具接到一起，目标是让读者少手写一组 Docker 配置。当前 README 把 v2.6.0 标为稳定版本。5

热度快照： Python daily，4,625 stars、694 forks，窗口新增 42 stars。4

最快入口： Linux 或 macOS 可以先执行：

curl -fsSL https://install.osmantic.com/ods.sh | bash

前提是 Docker 已安装并运行。安装结束后，打开 http://localhost:3000 开始聊天。Windows 走 README 提供的 PowerShell 安装块，需要 Docker Desktop 和 WSL2；没有适合本机的 GPU 时，也能用 ./install.sh --cloud 切换到云端 API 模式。

为什么值得试： ODS 的可玩点在于硬件侦测。安装器会按 GPU、显存和统一内存选择模型，把模型服务、聊天页面、语音和自动化一起拉起；你可以先用 bootstrap 模式对话，再看完整模型下载后服务怎样切换。macOS Apple Silicon 走原生 Metal 推理，其他服务继续放在 Docker 里。

边界： 本地模式要求 Docker，macOS 还要求 M1 或更新的 Apple Silicon；Windows 需要 Docker Desktop 的 WSL2 后端。curl | bash 会从 ODS 的 main 分支取当前安装脚本，想要可复现的实验，应改用标签版本或审计过的提交。云端模式把推理交给 OpenAI、Anthropic 或 Together 等 API，数据边界随所选服务改变。5

4. FastVideo：在浏览器或自己的 GPU 上做实时视频生成

hao-ai-lab/FastVideo 是视频生成的后训练和实时推理框架，提供 CLI、Python API、稀疏注意力、LoRA / 全量微调和 Dreamverse 实时视频编辑平台。README 在 2026 年 8 月 19 日更新了 Apple Silicon 的 MLX 支持，提供 1.3B、5B 和 14B 的 FastMetal-QAD 模型。6

热度快照： Python daily，4,022 stars、410 forks，窗口新增 31 stars。4

最快入口： 先打开 Dreamverse 在线 Demo 看实时「vibe directing」效果。想在本机生成视频，可以使用 uv 建立 Python 3.12 环境；NVIDIA CUDA 12 的安装路径是：

uv venv --python 3.12 --seed
source .venv/bin/activate
UV_TORCH_BACKEND=cu126 uv pip install fastvideo

Apple Silicon 用户按 MPS 安装指南安装 mlx 版本，可以在本地生成 5 秒、480p 的 FastWan 文本生成视频。

为什么值得试： 这个仓库把「视频生成」拆成了可以直接比较的两个反馈：在线 Demo 让你先看实时编辑的交互方式，本地脚本则让你观察模型、GPU 和注意力后端怎样改变速度。仓库的最小示例使用 FastVideo/FastWan2.1-T2V-1.3B-Diffusers，提示词和输出目录都能直接改。

边界： NVIDIA 的完整路径面向 CUDA 和较强 GPU；README 列出的重点硬件包括 H100、A100 和 4090。Apple Silicon 路径使用独立的 MLX 安装方式，DGX Spark / GB10 还要从源码编译 CUDA kernel。视频生成的速度和可用分辨率取决于模型、内存和后端，在线 Demo 与本地部署属于两条不同的成本路径。6

5. Scrapling：从一条命令抓网页，到让 agent 帮你写抓取逻辑

D4Vinci/Scrapling 把 HTTP 请求、动态浏览器、会话管理、暂停恢复的 Spider、元素自适应定位和 AI 辅助抓取放进一个 Python 库。它还提供 MCP Server、Agent Skill、交互式抓取 Shell 和直接从终端导出网页的命令。7

热度快照： Python daily，75,717 stars、7,565 forks，窗口新增 163 stars。4

最快入口： 只想试解析器时，安装 scrapling 即可；要用 fetcher、Spider、浏览器和 Shell，直接安装完整依赖：

pip install "scrapling[all]"
scrapling install
scrapling extract get "https://example.com" content.md

也可以执行 scrapling shell 进入交互式抓取 Shell，或者把它接入 Claude、Cursor 等支持 MCP 的 agent。

为什么值得试： 它的反馈很适合做小实验。你可以先抓一个静态网页，再把同一个 URL 换成动态浏览器会话；如果网站改了 DOM，还能用相似度定位继续找元素。长任务支持 checkpoint，按 Ctrl+C 暂停后可以从同一个 crawldir 恢复。

边界： pip install scrapling 只安装解析器，浏览器 fetcher 和 Spider 需要额外依赖以及浏览器下载。StealthyFetcher、代理轮换、远程浏览器和 XHR 捕获都会扩大网络行为范围；抓取公开网页前要遵守目标网站的服务条款、robots.txt 以及适用的数据和隐私法律。7

6. lark-cli：用 CLI 和 Skills 操作飞书里的文档、日历和消息

larksuite/cli 是 Lark / 飞书官方 CLI，覆盖 Messenger、Docs、Base、Sheets、Slides、Calendar、Mail、Tasks、Meetings 等 18 个业务域，仓库列出 200 多个命令和 26 个 AI Agent Skills。8

热度快照： Go daily，16,642 stars、1,331 forks，窗口新增 28 stars。9

最快入口： 需要 Node.js 和 npm / npx。先执行：

npx @larksuite/cli@latest install
lark-cli config init
lark-cli auth login --recommend
lark-cli calendar +agenda

想让 agent 使用它，可以继续安装仓库里的 Skills；命令默认输出结构化 JSON，也支持 pretty、table、ndjson 和 csv。带副作用的消息、文档或任务操作，可以先加 --dry-run。

为什么值得试： 飞书 CLI 的差异在于动作链。你可以先读日历和会议纪要，再把结果写进任务、文档或群消息；三层命令系统还允许你从适合人类的 +agenda 逐步下探到平台 API 和原始 Open API。

边界： 第一次登录需要创建应用、选择 OAuth scope，并让 agent 在授权范围内以用户或 bot 身份执行。仓库特别提醒，模型幻觉、提示注入和误操作可能造成敏感数据泄露或未经授权的修改；第一次实验应使用测试租户和最小权限。CLI 还会向官方 HTTPS 域名发送操作系统类型和设备硬件型号等风险控制信号，范围可在本地配置中调整。8

7. Goose：让一个通用 agent 从代码走到研究和自动化

aaif-goose/goose 提供 macOS、Linux、Windows 桌面端，完整 CLI 和可嵌入 API。它面向代码、研究、写作、自动化和数据分析，支持 15 多个模型提供商，以及 70 多个基于 MCP 的扩展。10

热度快照： Rust daily，53,195 stars、6,066 forks，窗口新增 113 stars。11

最快入口： 先从桌面安装页下载对应系统版本；终端用户也可以运行仓库提供的 CLI 安装脚本：

curl -fsSL https://github.com/aaif-goose/goose/releases/download/stable/download_cli.sh | bash

接着选择 Anthropic、OpenAI、Google、Ollama、OpenRouter、Azure 或 Bedrock 等连接，给它一个小型研究任务，再挂一个 MCP 扩展观察它怎样调用工具。

为什么值得试： Goose 的试玩点在「范围」。同一个 agent 可以从读仓库切换到整理资料、分析 CSV 或执行一段自动化流程，桌面端、CLI 和 API 又共享同一套扩展思路。对想比较不同模型提供商的人来说，接入入口也比自己拼一套 MCP 客户端短。

边界： Goose 本身是执行型 agent，模型连接需要 API key，或者需要通过 ACP 使用已有的 Claude、ChatGPT 或 Gemini 订阅。它能安装、执行、编辑和测试，首次实验应放在单独目录，并逐项确认 MCP 扩展会获得哪些文件和系统权限。项目采用 Apache-2.0，桌面版和 CLI 的安装入口以官方文档为准。10

8. Nasiko：给多个 A2A agent 加一个带审计的控制面

Nasiko-Labs/nasiko 是一个面向 agent fleet 的单一控制平面。它代理所有 agent-to-agent 请求，负责认证、TLS、ACL、限流、链路追踪、LLM 路由和 MCP Gateway；agent 拿到的是短期身份 token，不直接持有真实的模型 key 或工具凭证。12

热度快照： Rust daily，5,334 stars、1,241 forks，窗口新增 64 stars。11

最快入口： Docker-only 路径只要求 Docker Engine 和 Compose V2。先复制环境文件并设置 OPENAI_API_KEY、ADMIN_PASSWORD，再启动完整栈：

git clone https://github.com/Nasiko-Labs/nasiko.git
cd nasiko
cp .env.example .env
docker compose up -d

打开 http://localhost:8080 后，可以用 nasiko new 生成 agent、用 nasiko deploy 构建并部署，再用 nasiko chat 对话。A2A 请求需要 1.0 版本协议。

为什么值得试： 这是一条很清楚的多 agent 实验路径：先用一个 agent 看 dashboard 和 trace，再部署第二个 agent，观察请求怎样经过路由、流量控制和 MCP Gateway。Nasiko 自带 Postgres、Redis、RustFS、Tempo、Loki 和 OTel 组件，读者能看到一次调用的成本和链路，而不只是最终回答。

边界： 第一次构建会在 Docker 里编译 Rust，通常需要几分钟；完整栈还会占用数据库、缓存、对象存储和可观测性服务。默认配置需要 OpenAI key，A2A 版本低于 1.0 的 agent 会被拒绝。生产部署前应重新设置管理员密码、TLS、ACL 和密钥，不能把示例的 admin / changeme 直接带到公网。12

9. Ongrid：让运维 agent 沿着告警和拓扑找根因

ongridio/ongrid 是面向基础设施的运维 AI agent。它把指标、日志、链路、拓扑、告警、RAG 知识库和代码搜索放到同一个工作区，由 coordinator 调度 SRE、网络和数据库 specialist agent；仓库还提供 Kubernetes 生命周期管理和浏览器 SSH。13

热度快照： Go daily，776 stars、178 forks，窗口新增 16 stars。9

最快入口： 服务器需要 Ubuntu 22.04+、Debian 12+ 或 RHEL / Rocky 9，架构支持 Linux AMD64 和 ARM64。按架构下载 v0.13.4 Release 或 ARM64 包，解压后执行 sudo ./install.sh。README 的 Demo 展示了从问题或告警出发，收集拓扑和设备上下文，再生成带下一步建议的分析。

为什么值得试： 你可以先接一组无生产写权限的 Prometheus、Loki 或 Tempo 数据，给 agent 一个「哪台服务先出问题」的问题，看它能否把查询、拓扑关系和证据串起来。工作流编辑器还能把触发器、agent、工具、条件和通知拼成可复查的自动化。

边界： Ongrid 默认提供只读主机工具和经过审计的调用，但仓库同时展示远程执行、浏览器 SSH、MCP Server 和多种聊天渠道。真正接入 Slack、Telegram、Lark、钉钉或企业微信前，要单独配置模型、渠道凭证和主机范围；生产变更应留在 approval / write gate 后面。项目采用 AGPLv3，品牌资产另有商标说明。13

10. Agent Substrate：把大量有状态 agent 复用到少量 worker

agent-substrate/substrate 是运行 agent 的基础设施，不是用来编写 agent 的 SDK。它把大量 actor 映射到较少的 worker 上，通过 suspend / resume、完整状态快照和请求路由，让闲置中的 agent 共用一组 Kubernetes 资源。项目 Demo 展示了约 250 个有状态 actor 复用 8 个物理 pod。14

热度快照： Go daily，1,586 stars、263 forks，窗口新增 243 stars。9

最快入口： 本地开发需要 Go、kubectl 和 Docker。仓库提供 kind 集群脚本、Valkey、RustFS、控制面和 counter demo；部署后可以创建一个 atespace 和 counter actor，再把请求转发到本机 8000 端口。完整路径包括：

hack/create-kind-cluster.sh
hack/install-ate-kind.sh --deploy-ate-system
hack/install-ate-kind.sh --deploy-demo-counter
go install ./cmd/kubectl-ate
kubectl ate create atespace demo
kubectl ate create actor my-counter-1 -a demo --template=ate-demo-counter/counter

为什么值得试： counter demo 会把「休眠后恢复状态」变成一个可以观察的结果；sandbox demo 还能展示保留文件系统状态的执行环境。想研究 agent fleet 的成本，Claude Code Multiplex 和 request parking demo 也比直接读架构图更直观。

边界： 项目目前处于 early development，README 明确写着 API 几乎一定会变化，生产使用尚未准备好；仓库也声明它不是 Google 官方支持产品。首次试玩需要本地 Kubernetes、Docker 和多个基础服务，云端 GKE 路径还会增加 GCP、Redis、GCS 和 IAM 配置。14

最后怎么选

想马上看见结果： 先用 Scrapling 抓一个公开网页，或者打开 FastVideo 的 Dreamverse Demo。两条路径都能在搭完整系统前看到反馈。
想在本机搭一套 AI： ODS 适合从聊天、语音、RAG 和工作流一起开始；Maka 适合观察 agent 的事件、权限和恢复；FastVideo 适合手里有 Apple Silicon 或 NVIDIA GPU、想看视频生成速度的人。
想让 agent 动手办事： lark-cli 和 Goose 的入口最直接，但前者需要飞书应用权限，后者需要模型连接和 MCP 扩展。第一次实验都应从测试数据和最小权限开始。
想研究多 agent 基础设施： Nasiko 先解决请求代理、密钥和 trace，Ongrid 先解决告警与运维证据，Agent Substrate 则把重点放在大量有状态 actor 怎样复用 worker。三者的 Docker、Kubernetes、模型和生产成熟度都不同，应该按自己的实验目标选入口。
想先做安全检查： AI-Infra-Guard 适合拿一个自己拥有的 Skill 或 MCP 服务做样本；它的扫描结果能帮助你定位具体风险，授权范围仍然由测试者自己负责。

本期十个仓库里，窗口新增最高的项目未必最适合先玩。更实际的顺序是：先看自己手里的设备和账号，再选一次实验能否在几分钟内产生反馈，最后把模型、权限、网络和部署阶段逐项对上。

References

先开哪三个

Scrapling：先用一条命令抓一个公开网页，再决定要不要接浏览器、Shell 或 MCP。反馈快，适合马上验证自己有没有用得上。
lark-cli：如果你有飞书测试租户，从 calendar +agenda 开始，几分钟内就能看到 CLI 和 agent skill 怎样把办公 API 变成动作。
Maka：如果你想研究 agent 怎样记录工具调用、恢复会话和控制权限，Maka 的本地运行日志比一段普通对话更容易观察。

十个试玩入口

1. Maka：把 agent 的每一步写成可恢复的运行记录

热度快照： TypeScript daily，2,041 stars、243 forks，窗口新增 148 stars。2

git clone https://github.com/apache/maka.git
cd maka
npm ci
npm run dev

2. AI-Infra-Guard：给 agent、MCP 和 Skills 做一次安全体检

热度快照： Python daily，5,341 stars、511 forks，窗口新增 434 stars。4

最快入口： 机器上有 Docker 20.10+、4GB 以上内存和 10GB 以上磁盘时，可以启动预构建镜像：

git clone https://github.com/Tencent/AI-Infra-Guard.git
cd AI-Infra-Guard
docker compose -f docker-compose.images.yml up -d

然后打开 http://localhost:8088。只想检查一个本地 Skill 时，可以安装 aig-skill-scan，设置 LLM_API_KEY，再对 Skill 目录运行扫描。

3. ODS：一条命令把本地 AI 服务接起来

热度快照： Python daily，4,625 stars、694 forks，窗口新增 42 stars。4

最快入口： Linux 或 macOS 可以先执行：

curl -fsSL https://install.osmantic.com/ods.sh | bash

4. FastVideo：在浏览器或自己的 GPU 上做实时视频生成

热度快照： Python daily，4,022 stars、410 forks，窗口新增 31 stars。4

uv venv --python 3.12 --seed
source .venv/bin/activate
UV_TORCH_BACKEND=cu126 uv pip install fastvideo

Apple Silicon 用户按 MPS 安装指南安装 mlx 版本，可以在本地生成 5 秒、480p 的 FastWan 文本生成视频。

5. Scrapling：从一条命令抓网页，到让 agent 帮你写抓取逻辑

热度快照： Python daily，75,717 stars、7,565 forks，窗口新增 163 stars。4

最快入口： 只想试解析器时，安装 scrapling 即可；要用 fetcher、Spider、浏览器和 Shell，直接安装完整依赖：

pip install "scrapling[all]"
scrapling install
scrapling extract get "https://example.com" content.md

也可以执行 scrapling shell 进入交互式抓取 Shell，或者把它接入 Claude、Cursor 等支持 MCP 的 agent。

6. lark-cli：用 CLI 和 Skills 操作飞书里的文档、日历和消息

热度快照： Go daily，16,642 stars、1,331 forks，窗口新增 28 stars。9

最快入口： 需要 Node.js 和 npm / npx。先执行：

npx @larksuite/cli@latest install
lark-cli config init
lark-cli auth login --recommend
lark-cli calendar +agenda

7. Goose：让一个通用 agent 从代码走到研究和自动化

热度快照： Rust daily，53,195 stars、6,066 forks，窗口新增 113 stars。11

最快入口： 先从桌面安装页下载对应系统版本；终端用户也可以运行仓库提供的 CLI 安装脚本：

curl -fsSL https://github.com/aaif-goose/goose/releases/download/stable/download_cli.sh | bash

接着选择 Anthropic、OpenAI、Google、Ollama、OpenRouter、Azure 或 Bedrock 等连接，给它一个小型研究任务，再挂一个 MCP 扩展观察它怎样调用工具。

8. Nasiko：给多个 A2A agent 加一个带审计的控制面

热度快照： Rust daily，5,334 stars、1,241 forks，窗口新增 64 stars。11

最快入口： Docker-only 路径只要求 Docker Engine 和 Compose V2。先复制环境文件并设置 OPENAI_API_KEY、ADMIN_PASSWORD，再启动完整栈：

git clone https://github.com/Nasiko-Labs/nasiko.git
cd nasiko
cp .env.example .env
docker compose up -d

打开 http://localhost:8080 后，可以用 nasiko new 生成 agent、用 nasiko deploy 构建并部署，再用 nasiko chat 对话。A2A 请求需要 1.0 版本协议。

9. Ongrid：让运维 agent 沿着告警和拓扑找根因

热度快照： Go daily，776 stars、178 forks，窗口新增 16 stars。9

10. Agent Substrate：把大量有状态 agent 复用到少量 worker

热度快照： Go daily，1,586 stars、263 forks，窗口新增 243 stars。9

hack/create-kind-cluster.sh
hack/install-ate-kind.sh --deploy-ate-system
hack/install-ate-kind.sh --deploy-demo-counter
go install ./cmd/kubectl-ate
kubectl ate create atespace demo
kubectl ate create actor my-counter-1 -a demo --template=ate-demo-counter/counter

最后怎么选

想马上看见结果： 先用 Scrapling 抓一个公开网页，或者打开 FastVideo 的 Dreamverse Demo。两条路径都能在搭完整系统前看到反馈。
想在本机搭一套 AI： ODS 适合从聊天、语音、RAG 和工作流一起开始；Maka 适合观察 agent 的事件、权限和恢复；FastVideo 适合手里有 Apple Silicon 或 NVIDIA GPU、想看视频生成速度的人。
想让 agent 动手办事： lark-cli 和 Goose 的入口最直接，但前者需要飞书应用权限，后者需要模型连接和 MCP 扩展。第一次实验都应从测试数据和最小权限开始。
想研究多 agent 基础设施： Nasiko 先解决请求代理、密钥和 trace，Ongrid 先解决告警与运维证据，Agent Substrate 则把重点放在大量有状态 actor 怎样复用 worker。三者的 Docker、Kubernetes、模型和生产成熟度都不同，应该按自己的实验目标选入口。
想先做安全检查： AI-Infra-Guard 适合拿一个自己拥有的 Skill 或 MCP 服务做样本；它的扫描结果能帮助你定位具体风险，授权范围仍然由测试者自己负责。

今天 GitHub 值得试玩的 10 个项目：从 AI 安全体检到可休眠的 agent 集群

先开哪三个

十个试玩入口

1. Maka：把 agent 的每一步写成可恢复的运行记录

2. AI-Infra-Guard：给 agent、MCP 和 Skills 做一次安全体检

3. ODS：一条命令把本地 AI 服务接起来

4. FastVideo：在浏览器或自己的 GPU 上做实时视频生成

5. Scrapling：从一条命令抓网页，到让 agent 帮你写抓取逻辑

6. lark-cli：用 CLI 和 Skills 操作飞书里的文档、日历和消息

7. Goose：让一个通用 agent 从代码走到研究和自动化

8. Nasiko：给多个 A2A agent 加一个带审计的控制面

9. Ongrid：让运维 agent 沿着告警和拓扑找根因

10. Agent Substrate：把大量有状态 agent 复用到少量 worker

最后怎么选

References

Related content

今天 GitHub 值得试玩的 10 个项目：从 AI 安全体检到可休眠的 agent 集群

先开哪三个

十个试玩入口

1. Maka：把 agent 的每一步写成可恢复的运行记录

2. AI-Infra-Guard：给 agent、MCP 和 Skills 做一次安全体检

3. ODS：一条命令把本地 AI 服务接起来

4. FastVideo：在浏览器或自己的 GPU 上做实时视频生成

5. Scrapling：从一条命令抓网页，到让 agent 帮你写抓取逻辑

6. lark-cli：用 CLI 和 Skills 操作飞书里的文档、日历和消息

7. Goose：让一个通用 agent 从代码走到研究和自动化

8. Nasiko：给多个 A2A agent 加一个带审计的控制面

9. Ongrid：让运维 agent 沿着告警和拓扑找根因

10. Agent Substrate：把大量有状态 agent 复用到少量 worker

最后怎么选

References

Related content