周报｜GitHub、AI 技术与新模型

本文信息由 AI 爬取+整理，经人工核验后发布。AI 爬取可能会有遗漏，欢迎在评论区补充。如有偏差，也欢迎指正。

本期覆盖时间：2026-03-22 ～ 2026-03-28（含）

这周 GitHub 上的 Agent 框架项目爆发式增长，Trending 榜单有一半是 Agent 工具类。背后有三条明确的技术分化方向在同时推进：工具层的完善、方法论层的积累、以及记忆层的突破。同时 Agent 安全协议方向出现了值得关注的新进展。

一、GitHub 每周热门内容

1. everything-claude-code：Agent Harness 的工程化实践范本

GitHub: affaan-m/everything-claude-code
本周新增 stars：约 22,000 | 总 stars：约 113,000 | 贡献者：30 人

everything-claude-code 这周 Star 增速极快。它不是某个具体工具，而是一套经过 10 个月真实产品开发打磨出来的 Agent Harness 性能优化系统，目标是让 Claude Code、Cursor、Codex、OpenCode 这些 Harness 从”能用”变成”好用”。

这个项目在解决什么问题

Agent Harness 在实际使用中会遇到一系列具体问题：Token 消耗过快、上下文爆炸导致 Agent 失去方向、跨会话无法积累经验、安全扫描缺失、不同 Harness 之间行为不一致。这些问题每个单独都不大，但积累起来会让整个开发体验变得不稳定。

everything-claude-code 的做法是把这些问题逐个系统化解决：

  • Skills 系统：跨会话自动识别重复模式，转化为可复用技能。Agent 完成一个任务后，处理方式可以被固化下来，下次遇到类似任务自动调用，不需要重新设计
  • Memory 持久化：Hook 机制自动保存/加载上下文，确保每次新会话都能承接上一次的工作状态
  • Token 优化：包含模型选择策略、系统提示压缩、后台进程管理，997 条内部测试全部通过
  • 安全扫描：集成 AgentShield，/security-scan 命令直接从 Claude Code 里跑安全扫描，含 1,282 条测试和 102 条规则
  • Harness 审计：/harness-audit、/loop-start、/loop-status、/quality-gate、/model-route 等命令，让用户对 Agent 运行状态有完整可见性

本周 v2 更新重点（NanoClaw v2）

本周更新的核心是 NanoClaw v2，新增功能：

  • 模型路由（model routing）
  • Skills 热加载（skill hot-load）
  • 会话分支/搜索/导出/压缩/指标（session branch/search/export/compact/metrics）

语言覆盖从 6 种扩展到 10 种，新增了对 Java、PHP、Perl、Kotlin/Android/KMP、C++ 和 Rust 的专项规则。另有 5 个新增商业内容 Skills：article-writing、content-engine、market-research、investor-materials、investor-outreach。

为什么值得看

这个项目代表的方向是：Agent 工具的竞争正在从”谁的功能多”转向”谁的工程化程度高”。10 个月的真实产品打磨、997 条测试、CI 全绿——这些是工程可靠性的直接证明。

如果你是 Agent 开发者的深度用户，这个项目的 Skills 和 Hook 架构值得认真研究，它把很多开发者自己摸索出来的经验做了系统化封装。

2. superpowers：Agent 开发的方法论积累

GitHub: obra/superpowers
本周新增 stars：约 17,000 | 总 stars：约 119,000

superpowers 的核心不是工具，而是一套 Agent 开发方法论。它把”如何让 Agent 真正做出有用的东西”总结成了一套可操作的 Skills 系统。

工作方式

从你启动 Coding Agent 的那一刻开始，Superpowers 就介入了：

  1. Brainstorming：Agent 不是马上动手写代码，而是先花时间理解你在做什么，通过 Socratic 追问理清需求，再把设计分段展示给你确认
  2. Writing Plans：需求确认后，把完整实现计划分解成 2-5 分钟的小任务，每个任务有精确的文件路径、完整代码和验证步骤
  3. Subagent-Driven Development：进入执行阶段后，用子 Agent 并行处理各个任务，每个任务经过两层审查（是否符合规格、代码质量是否达标），可以连续自主运行数小时不偏离计划
  4. Test-Driven Development：强制执行红绿重构循环，先写失败测试，再写最小化代码，再重构，测试写在代码前面
  5. Git Worktrees：每个任务在独立的 Git Worktree 上运行，隔离不同分支，避免互相污染

七项核心 Skills

  • brainstorming
  • writing-plans
  • executing-plans
  • subagent-driven-development
  • test-driven-development
  • requesting-code-review
  • finishing-a-development-branch

每项都是强制执行的工作流，不是建议。这和大多数 Agent 工具”你说什么它做什么”的模式完全不同——它要求用户在动手之前先想清楚。

为什么值得看

superpowers 和 everything-claude-code 构成了一对互补：后者解决”工具怎么优化”，前者解决”工作方式怎么组织”。两者加在一起，可以看到 Agent 开发领域正在形成的方法论共识：强制前置思考，红绿测试循环，子 Agent 并行执行、跨会话知识积累。

3. DeerFlow 2.0：字节跳动的开源 SuperAgent Harness

GitHub: bytedance/deer-flow
本周新增 stars：约 17,000 | 总 stars：约 50,000

DeerFlow（Deep Exploration and Efficient Research Flow）是字节跳动发布的开源 SuperAgent Harness，本周 2.0 版本完全重写，和 v1 没有共享代码，是一次彻底的架构升级。

2.0 版本的主要变化

  • 支持 Claude Code 作为核心 Agent，和子 Agent 协作完成复杂任务
  • 推荐模型：Doubao-Seed-2.0-Code、DeepSeek V3.2、Kimi 2.5
  • 内置 BytePlus 的 InfoQuest 搜索爬取工具，可直接用于深度研究任务
  • 支持 MCP Server、LangSmith Tracing
  • 多 IM 渠道接入：Telegram、Discord、Slack、WhatsApp、Signal、Email

中文支持非常完善，README 有简体中文、繁体中文、日语、法语、俄语版本。

为什么值得看

DeerFlow 代表了一个重要信号：中国大厂正在系统性地投入开源 Agent 基础设施。本周 17,000 的 Star 增速说明非中国开发者也在认真关注这个项目，它的子 Agent 编排 + Sandbox 架构，在复杂研究任务场景下有不错的落地价值。

4. TradingAgents v0.2.2：多 Agent 金融交易框架

GitHub: TauricResearch/TradingAgents
本周新增 stars：约 9,200 | 总 stars：约 43,000

TradingAgents 是一个多 Agent 金融交易框架，模拟真实交易公司的组织结构。本周 v0.2.2 发布，新增五档评级量表、OpenAI Responses API、Anthropic effort control，并扩展了对 GPT-5.4、Gemini 3.1、Claude 4.6 的覆盖。

框架结构（从分析师到投资组合管理器）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
分析师团队
  ├── 基本面分析师：评估公司财务和业绩
  ├── 舆情分析师：社交媒体情绪评分
  ├── 新闻分析师：全球宏观经济指标
  └── 技术面分析师：MACD、RSI 等指标

研究员团队
  ├── 多头研究员：研究做多逻辑
  └── 空头研究员：研究做空逻辑

交易员 Agent
  └── 整合研判结果，决定交易时机和仓位

风险管理团队
  └── 持续评估组合风险（波动性、流动性等）

投资组合管理器
  └── 最终审批/否决交易提案

为什么值得看

TradingAgents 本身是金融领域研究工具，不是生产交易系统（作者明确声明不构成投资建议）。但它的框架结构提供了一个多 Agent 协作的标准范本：在需要分工协作的专业领域，如何把不同角色的 Agent 组织成一条完整的工作流。这种结构对其他需要多角色协作的场景（法律、医疗诊断、审计）都有参考价值。

5. hermes-agent：会自我改进的 Agent

GitHub: NousResearch/hermes-agent
本周新增 stars：约 4,900 | 总 stars：约 14,800

Nous Research 出品的自改进 Agent，核心差异化在于内置了学习闭环——Agent 不是被动响应指令，而是主动积累经验并改进自己。

核心能力

  • 自创建 Skills：完成复杂任务后，Agent 自动从中提取可复用技能，这些技能在使用过程中会持续自我优化
  • 跨会话记忆：基于 FTS5 全文搜索 + LLM 摘要，实现跨会话的精确记忆召回
  • 用户画像积累：基于 Honcho dialectic 方法，对用户的工作方式、偏好建立持续增长的认知模型
  • 多平台接入：Telegram、Discord、Slack、WhatsApp、Signal、Email，单一进程支持所有渠道
  • 多基础设施支持：$5 VPS 到 GPU 集群均可运行，支持 Docker、SSH、Daytona、Singularity、Modal

安装方式

1
curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

支持 OpenRouter（200+ 模型）、Nous Portal、Kimi、GLM、MiniMax、OpenAI，切换模型不需要改代码，只需要改配置。

为什么值得看

hermes-agent 代表的方向是”Agent 从响应式工具到主动学习系统”的转变。它不依赖人类的显式反馈来改进，而是通过自主经验积累来实现自我提升。这个方向目前还处于早期阶段，但这种设计思路对 Agent 的长期价值积累有重要意义。

二、AI Agent 技术更新

1. Agent 框架的三个分化方向

从本周 GitHub Trending 可以清晰看到，Agent 框架已经分化成三个明确的技术方向：

工具层：解决”用什么基础设施让 Agent 跑得更好、更稳、更可控”

  • everything-claude-code（工程优化）
  • DeerFlow 2.0（多模型 + 多渠道）

方法论层：解决”怎么组织 Agent 的工作方式，让输出更可靠”

  • superpowers（强制前置设计 + TDD + 子 Agent 并行）

记忆层：解决”Agent 怎么跨会话积累知识，实现自我改进”

  • hermes-agent（自创建 Skills + 跨会话记忆）

三个方向各有独立价值，组合使用效果更好：superpowers 负责规划和工作流组织，everything-claude-code 负责工程可靠性和安全，hermes-agent 负责长期知识积累。

2. 多 Agent 协作的标准范本

TradingAgents 提供了金融领域的多 Agent 协作案例，它的角色分工和消息传递机制（分析师→研究员→交易员→风险管理→投资组合管理）是一个可以直接迁移到其他领域的模板。类似的结构也出现在 DeerFlow 的主 Agent + 子 Agent 架构中。

这说明多 Agent 协作的工程模式正在走向成熟：从”多个 Agent 各自响应”到”多个 Agent 有组织地协作完成复杂任务”。

三、本周新模型

本周在 GitHub 公开项目中未发现全新模型发布的主要事件。TradingAgents v0.2.2 扩展了对 GPT-5.4、Gemini 3.1、Claude 4.6 的覆盖，DeerFlow 2.0 推荐使用 Doubao-Seed-2.0-Code、DeepSeek V3.2、Kimi 2.5，但这些模型本身的正式发布信息仍需单独核实。如有遗漏，欢迎补充。

参考文献

GitHub 项目

其他资源