**概述**：本期是 Skills 生态的定期观察（基于 9 月 29 日与 9 月 30 日两期 GitHub 抓取数据对账）。本期最大的故事不在榜首——榜首都是熟面孔——而在生态的“地基层”：决策模型赛道在爆量之后（上游 laya 已达 28812 星），第一次长出了自己的本地运行时 ollaya，同一周还有数据侧的 nimble 进场补“养模型”的下半场。除此之外，记忆运行时 agent-memory 新进小而美榜，微信聊天记录进 Agent 的 WeChatBridge、管理 AI 编程工具的 ai-manager 同日上架。本文逐个拆解 6 个新面孔，附纸面评测表、榜单对账与安装命令。 ## 一、榜单对账：一天之内，谁在涨 两期抓取相隔约一天，读数之差就是最原始的势头计。先看大盘： | 仓库 | 9-29 读数 | 9-30 读数 | 两日增量 | |------|----------|----------|---------| | yetone/magpie | 1587 | 3196 | +1609（翻倍） | | Niko1221/Strata | 1062 | 2001 | +939（翻倍） | | dzhng/jevgrep | 1416 | 1815 | +399 | | yihui-dev/awesome-opus5-5-videos | 700 | 966 | +266 | | mexicat/pdoom-video | 1771 | 2019 | +248 | | feitangyuan/onetake | 832 | 996 | +164 | | ollaya-dev/ollaya | 874 | 998 | +124 | 几个值得多看一眼的信号： **magpie 一天翻倍**。这个菜单栏换脑器此前已在本栏拆过骨架，这里只报数字：单日 +1609 星是本期全场最快，说明“给 Agent 随时换模型”的需求还在放量。 **熟面孔开始出榜**。昨日 2277 星压住新星榜的 Contrastive-LM/CLM 今天已从“近 7 天新建”榜消失——大概率是仓龄过了 7 天窗口被机械移出，而非增长停滞；同理消失的还有 3dicon（昨 504 星）和 JIZURA。新星榜的本质是“七日窗口滑动快门”，出榜不等于熄火，但意味着它们的曝光红利期结束了。 **作品潮还在自我加更**。lemo-opuscar 两日间从 515 星涨到 635 星，仓库描述里的影片风格数从 39 涨到 43——一天加了 4 个风格，这类“纯代码拍片”仓库的更新节奏已经卷到日更。 **热榜前十换了一席**。obra/superpowers（昨日 292501 星）掉出本期热榜前十，顶上来的是 mattpocock/skills（272327 星），后者与 affaan-m/ECC（269791 星）只差 2536 星——两个“技能家底仓”的座次之争还在续赛。 **有星会掉**。Windows 激活器仓库 xvsilhuu 从 1902 读到 1739，ZDTaichu5.0-9B 从 1941 读到 1934。可能是 GitHub 清理刷星，也可能是抓取口径波动，但至少说明：星数不是只涨不跌的水位线。 ## 二、评测对比表 以下评分是**纸面评估**：依据为仓库自述描述、生态位分析与两日榜单信号，本栏未逐一手测，实战效果一律按 3 分中性起步。上手难度分数越高 = 越容易。 | 仓库 | 功能完整度 | 设计质量 | 实战效果 | 上手难度 | 社区活跃度 | |------|:---:|:---:|:---:|:---:|:---:| | ollaya-dev/ollaya | ★★★★ | ★★★★ | ★★★ | ★★★★ | ★★★★ | | bespokelabsai/nimble | ★★★★ | ★★★★ | ★★★ | ★★★ | ★★★★ | | tigerless-labs/agent-memory | ★★★★ | ★★★★ | ★★★ | ★★★ | ★★★★ | | freestylefly/WeChatBridge | ★★★ | ★★★ | ★★★ | ★★★★ | ★★★ | | OnlistTeam/ai-manager | ★★★ | ★★★ | ★★★ | ★★★★ | ★★★ | | amitshekhariitbhu/ai-system-design | ★★★ | ★★★ | ★★★ | ★★★★★ | ★★★ | ## 三、主角：ollaya，决策模型的本地油站 本期最值得说的仓库是 [ollaya-dev/ollaya](https://github.com/ollaya-dev/ollaya)，两日从 874 星涨到 998 星，正卡在千元关口。 它的自述只有一句话：“Run open decision models locally: pull and serve Laya, decider, NLI and GLiClass”。翻成人话：把决策模型当成加油站里的油品——你来拉取（pull），它来伺服（serve），全程本地。名字本身就是定位说明书：ollama 的“本地拉取+伺服”心智，套上 laya 的尾缀，做过本地模型的人看一眼就知道这仓库干什么。 为什么说它是生态的“地基时刻”？回顾这条时间线：laya 以“非自回归 System 1 决策引擎”的定位冲到 28812 星，本栏先后拆过它的移植双线、对过账决策家族的九件套——但那个家族始终缺一块拼图：**模型有了，谁来跑？**普通开发者面对一摞决策小模型，要么自己写加载脚本，要么放弃。ollaya 补的正是这一环：把 Laya（选择与评分）、decider（是否判定）、NLI(语义校验）、GLiClass（零样本分类）四类模型收到同一个本地服务后面，Agent 侧只管调用。 注意它描述里的另一个词：伺服这些模型是“behind a TypeSafe-c…”（描述被截断，结合同生态的 awesome-jev 自述“Jev — TypeSafe AI's System”推断，指向 TypeSafe/Jev 那一系接口）。也就是说 ollaya 不是孤立工具，而是主动接进了一个已有词汇体系——jevgrep 用 Jev 找码，awesome-jev 收录 Jev 周边，ollaya 伺服 Jev 生态的决策模型。一个名为“Jev/TypeSafe”的第三方生态，一周之内凑齐了 CLI、目录站、模型运行时三种业态，这个编队速度值得所有想做 Skill 生态的人抄作业。 短板也说清楚：998 星的仓库，Issue 响应、版本稳定性、跨平台表现都还没有社区长时间背书；决策模型的“本地伺服”是否真比直接调 API 省，也没有公开 benchmark。在它给出数据之前，实战效果分只能给中性 3 分。 **给写 Skill 的人的三条借鉴**：一是借势命名——ollama×laya 的合成词让定位零解释成本；二是描述第一句就是价值主张，“Run X locally”六个词讲完商业模式；三是抱团——在描述里点名上游模型与生态行话，让目录检索和人都能秒懂你站在谁的肩膀上。 ## 四、nimble：决策层的“下半场”选手 如果说 ollaya 解决“模型怎么跑”，那 [bespokelabsai/nimble](https://github.com/bespokelabsai/nimble)（1893→1926 星）解决的是“模型怎么养”。自述三件事：“Local typed decisions, contrastive data curation, and model evaluation”——本地类型化决策、对比式数据策划、模型评估。 这三个词摆在一起是个完整的闭环：类型化决策与 laya 的“typed choice”同语言，属于决策层本体；对比式数据策划是训练数据的难例挖掘——让模型见对比、见边界；模型评估则是出厂前的质检。决策模型赛道此前一周的叙事全是“推理侧”（laya 冲星、ollaya 伺服），nimble 把叙事往“数据侧”拉了一格。Bespoke Labs 这家组织在数据策划方向有既有积累（据其组织名与仓库定位，未经本次独立核实），做这步棋顺理成章。 对个人开发者的意义：如果你想把“某类判断”从大模型手里下沉到小模型，现在整条工具链——选型（laya）、伺服（ollaya）、养料（nimble）——都摆上货架了。短板：三个能力塞在一个仓库里，功能边界容易糊，新手要自己分清哪部分是决策引擎、哪部分是数据工具。 ## 五、agent-memory：把记忆写成 Markdown 文件夹 [tigerless-labs/agent-memory](https://github.com/tigerless-labs/agent-memory)（1799 星）是今日新进“小而美”榜的仓库，自述关键词：“plain Markdown as the source of truth, local ranked retrieval”。 记忆层是全站写过多轮的赛道，但这个仓库的切口值得单独一说：**真相源是纯 Markdown**。不是向量库、不是私有数据库，就是你眼睛能读的文本文件，检索用本地排序召回。这个设计选择的代价与收益都很清楚：放弃了向量检索的语义泛化，换来三样东西——可审计（人能直接翻）、可版本管理（git 就是备份）、可迁移（换运行时不锁死）。对被各种记忆 SaaS 养隐私焦虑惯了的用户，“数据长在我文件夹里”本身就是卖点。 它和本栏拆过的 planning-with-files（给 Agent 记三本账）、continuous-learning-v2（给 Claude 养本能）不是竞争关系，而是分工：后两者是**行为层**的 Skill，管“Agent 该怎么记账、怎么复盘”；agent-memory 是**状态层**的运行时，管“账本存在哪、怎么翻”。写 Skill 的人应该记住这条分界线：状态不要塞进提示词，提示词只留流程。 短板：本地排序检索在记忆量上去之后的召回质量，目前只有仓库自述，没有第三方复现。 ## 六、WeChatBridge：私域聊天进 Agent 的进料口 [freestylefly/WeChatBridge](https://github.com/freestylefly/WeChatBridge)（919 星，本期新上架）的中文自述一句话讲完：“微信聊天记录一键转发到 AI Agent 与 Obsidian 的原生 macOS 工具”。 上下文进料是本栏刚对过账的赛道（“进料五件”讲的是网页、文档这些公共语料），WeChatBridge 补的是**私域语料**这一格：你的聊天记录才是最个人化的上下文。它选了两个出口——AI Agent（喂给模型）与 Obsidian（落成笔记）——正好对应“即时问答”与“长期沉淀”两种消费方式。“原生 macOS 工具”四个字也值得注意：走系统原生能力而非注入 hooks，安装与封号风险理论上都更低（此为描述暗示，未实测）。 必须泼的冷水：聊天记录是最敏感的私域数据之一。用任何桥接工具前，先确认数据流向是纯本地、还是会上传第三方服务；本文无法替你验证这一点，装前务必读 README 与隐私说明。功能设计上它只做“转发”不做“解读”，把理解交给下游 Agent——这个单一职责的刀法是对的。 ## 七、ai-manager：给一桌子的编程工具配管家 [OnlistTeam/ai-manager](https://github.com/OnlistTeam/ai-manager)（1015 星，本期新上架）自述：“AI Manager desktop application for AI coding tools”。 这条赛道正在变挤：同榜的 monocode（1739 星）自述“A GUI for your coding agents”，也是给 AI 编程工具套壳。两者怎么分？从描述看，ai-manager 侧重“管理”——多个编程工具的桌面端集中管理；monocode 侧重“界面”——给编码 Agent 一个图形操作台。一个是管家，一个是驾驶舱。 这个品类的集体出现说明一件事：开发者的机器上，AI 编程工具已经多到需要一层“元工具”来收纳了。但风险也一样：夹在 CLI 工具与操作系统之间，上游任何一次 CLI 改版都可能让它失灵，维护成本极高，纸面评分不敢给高。 ## 八、ai-system-design：教材仓也能上新星榜 [amitshekhariitbhu/ai-system-design](https://github.com/amitshekhariitbhu/ai-system-design)（470 星）是本期唯一的非工具仓：“Learn how to design AI systems built on LLMs, RAG, and AI Agents step by step”。循序渐进讲 LLM、RAG、Agent 的系统设计。 它能挤进新星榜说明两个需求在同时发酵：决策模型、记忆运行时这些“零件”上架越多，“怎么把零件装成系统”的教材就越稀缺。对新手这是本期上手成本最低的入口（纯阅读，零配置）；对本栏读者则是个提醒——生态缺的从来不只是工具，还有把工具串起来的叙事。 ## 九、花絮两则 **无描述仓三连**。今日新星榜前二十里有三个仓一句话介绍都没有：floorplan-3d（676 星）、Tiersense（445 星）、spiderbench（440 星）。自 CLM 以零介绍抢下新星榜首之后，“不写描述直接上榜”正在从小概率事件变成一种流派——星在涨，门牌空着，捡漏的人只能靠猜。 **灰产件仍在榜**。CapCut 解锁版（454 星）、Windows/Office 激活器（1739 星）这类仓库还挂在抓取结果里。老话重提：这类仓库多次被平台下架、其分发渠道也上过黑名单，星数再高也别装，更别拿去做 Skill 的依赖。 ## 十、工作流一张图：决策模型的本地栈 把本周的“地基层”故事画成一张图——ollaya 在中间，上游拉模型，下游接 Agent： ```mermaid flowchart TD REG["模型仓库：拉取源"] -->|ollaya pull| O["ollaya：本地运行时"] O -->|伺服| L["Laya：选择与评分"] O -->|伺服| D["decider：是否判定"] O -->|伺服| N["NLI：语义校验"] O -->|伺服| G["GLiClass：零样本分类"] L --> S["统一本地服务接口"] D --> S N --> S G --> S S -->|本地调用| A["Agent 宿主：Claude Code 等"] A -->|高频小决策下沉| B["主模型专心干重活"] ``` ## 十一、安装命令 以下命令均可直接复制（克隆仓库本身是通用且确定的操作；各仓库的标准安装流程以其 README 为准，本文未逐一实测）： ```bash # 主角：决策模型本地运行时 git clone https://github.com/ollaya-dev/ollaya.git # 决策层数据与评测 git clone https://github.com/bespokelabsai/nimble.git # Markdown 真相源记忆运行时 git clone https://github.com/tigerless-labs/agent-memory.git # 微信记录进 Agent/Obsidian（macOS） git clone https://github.com/freestylefly/WeChatBridge.git # AI 编程工具桌面管家 git clone https://github.com/OnlistTeam/ai-manager.git # AI 系统设计教材 git clone https://github.com/amitshekhariitbhu/ai-system-design.git ``` 提醒：涉及私域数据（WeChatBridge）与系统级权限（ai-manager）的工具，克隆之后先读 README 和 License，确认数据流向再运行。 ## 十二、推荐排行榜 **势头榜**（两日增量，含已拆过的熟面孔）：1. magpie +1609；2. Strata +939；3. jevgrep +399；4. awesome-opus5-5-videos +266；5. pdoom-video +248。 **生态意义榜**（本期新面孔）：1. ollaya——决策模型第一次有了统一本地伺服层；2. nimble——补齐“养模型”的数据与评测闭环；3. agent-memory——Markdown 真相源给记忆层立了条新路线；4. WeChatBridge——私域进料的独立一刀；5. ai-manager——元工具需求的风向标。 **新手友好榜**：1. ai-system-design（纯阅读）；2. WeChatBridge（一键转发）；3. ai-manager（桌面应用）；4. ollaya（需懂本地模型基本概念）；5. nimble（数据侧概念门槛最高）。 ## 参考来源 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。