新星首发四件：都在给Agent身上长外设

概述

先看数据底盘：十席只有一张新脸

十个工位，九张熟脸。生态动态节的“新上架”栏目实际上已经变成了毕业转正榜：magpie 昨天还在新星榜第 4 位（1587 星），今天以 3196 星转入生态动态节——不是失速，是「近 7 天新建」的窗口到期，按 magpie 的走法毕业转正。同理可推，昨日新星榜榜首 CLM（2277 星）今日在榜上消失，大概率也是窗口轮换而非热度崩塌（此为推测，快照无法直接证实窗口判定逻辑）。

真正的生面孔藏在另外两个抽屉里：

• 新星榜（近 7 天新建）：BeefTV 以 574 星首次进榜，昨日门槛是 480 星（Seep-Reverse-Lab），今日门槛降到 440 星（spiderbench）；
• 小而美（近 45 天新建，80~2000 星）：agent-memory 以 1799 星首次进样，昨日该榜截尾线是 1687 星（WeMM-Embedding）——若它昨天已有 1687 星以上，理应上榜。所以它要么是新建即冲，要么 24 小时至少进了 112 星才爬过筛子。两种可能都指向同一件事：增速是四件里最猛的。
• 增速表钉子户：nimble 从 09-25 起连续六期在册，本栏 09-26 的增速表给它记过一笔「+80/24h，稳定输血」，但从未给过正席。本期补上。

顺带记录上周新星的续考成绩：jevgrep 1416→1815（单日 +399，在榜新周期里最猛）、onetake 832→996（+164）、pdoom-video 1771→2019（+248）、disktree 1810→1935。新星的半衰期没有想象中短，但也只有 jevgrep 还在加速。

评测对比表（纸面分）

评分基于门牌原文与快照数据，未逐行核对仓库内文，「实战效果」维度按未经实测的保守口径给分。

逐件拆解

1. agent-memory：门牌一句话，三个关键词全打中

"Long-term memory runtime for AI agents — plain Markdown as the source of truth, local ranked retrie…"

（快照描述在此截断，后半句按语义应为 retrieval，以仓库原文为准。）

这是本期纸面分最高的一件，1799 星进样即高位。逐词看这句话的写法，每一截都有算计：

• "Long-term memory"——不停留在 memory，加 Long-term 是在跟「会话内记忆」划清界限，直接踩中所有 Agent 用户的第一痛点：会话一关，昨天白干。
• "runtime"——全句里身价最高的词。它不说自己是库（library）或插件（plugin），说运行时：常驻、被依赖、有生命周期。一个词把项目从工具抬到了基础设施。
• "plain Markdown as the source of truth"——真相源外置成纯 Markdown。可读、可 diff、可进 git、可手改，用户随时能审计 Agent 到底记了什么。这句话是在对整个「记忆黑箱数据库」流派下战书。
• "local ranked retrie…"——本地优先加排序检索，隐私叙事加工程叙事一次说完。

值得注意的是生态位：ECC 的门牌里写的五大支柱是 "Skills, instincts, memory, security, and research"——记忆本来就排在技能之后。superpowers、ECC、mattpocock/skills（272327 星）这些本体层巨无霸都自带记忆模块，但那是对它们自己的用户。agent-memory 做的是给不在任何体系里的普通 Agent 配一块外接硬盘：今天的热榜上 openclaw 一个仓库就挂着 390815 星，本体层已经打不动了，新星全在边上找座。

短板同样明显：runtime 定位意味着它大概率需要常驻进程和接入配置，「本地 Markdown」的检索质量如何、上下文怎么拼回给模型，门牌一个字没提，这些只能等下一轮进仓库核对 README 再补判。

2. ai-manager：十个工位里唯一的生面孔

"AI Manager desktop application for AI coding tools"

生态动态节十席里唯一没被拆过的名字。1015 星，桌面应用，管的对象是复数的 "AI coding tools"。

把它和昨天刚拆过的 monocode（1739 星，"A GUI for your coding agents"）摆在一起看很有意思：同一条赛道，两个词根分出了两个席位。monocode 的词根是 GUI——给单个编码 Agent 做一块好看的屏幕；ai-manager 的词根是 Manager——管一批工具的启动、切换和调度。一个是驾驶舱，一个是车队调度台。桌面常驻软件这个形态，天然偏向后者。

门牌写得极短，短到几乎零信息量，设计质量只能给三星。但卡位本身是对的：一个人同时开 Claude Code、Codex、Gemini CLI 的工作流已经普及，多工具的会话管理、状态回收、切换成本是真痛点，而「管家席」在快照里还没有第二个选手。风险是桌面应用的上限通常取决于跟系统集成的深度，这恰恰是门牌看不出来的部分。

3. nimble：六期快照零回撤，决策赛道来了个全家桶

"Local typed decisions, contrastive data curation, and model evaluation."

先看轨迹，这是四件里唯一拿得出完整曲线的：

五日 +181，没有一天回撤，节奏是输血型而非爆点型——这类曲线通常说明用户是被动能吸引来的，不是被热搜带来的。

门牌是三段式术语链，信息密度极高：typed decisions（类型化决策）跟 laya 门牌里的 "Typed choice, score and yes/no decisions" 是同一个词根，决策模型这条赛道本栏已经拆过 laya、ollaya 两件，nimble 补的是这条产线的上下游——contrastive data curation（对比数据策展）是造训练料的工位，model evaluation 是验货的工位。合起来就是一条「定类型→造数据→评模型」的闭环流水线，而不只是一个推理件。从组织名 bespokelabsai 看，这是 Bespoke Labs 系的新仓（据组织名推断，未另行核实）。

短板在上手难度：data curation 和 evaluation 是研发向词汇，对普通 Agent 用户门槛偏高，它要的不是「装完就用」，而是「带着训练任务来」。

4. BeefTV：三个形容词连打，然后一个细节不给

"Local-first, lightweight, AI-native video workspace."

近 7 天新建（新星榜口径），574 星进榜。门牌是三个标签词的排列：Local-first（本地优先）、lightweight（轻量）、AI-native（AI 原生），落点是 video workspace——视频工作台。

它聪明的地方在选词：不碰 generate、不碰 create，避开了一条已经挤到窒息的赛道——今天快照里做视频的有 pdoom-video、onetake、lemo-opuscar、short-video-generator-AI，全是「造片」的。BeefTV 说自己是 workspace，做的是片场而不是片子：素材管理、时间线、项目组织，AI 原生只是属性定语。

短板是四件里最扎眼的：除了三个形容词，门牌零细节，574 星在近 7 天窗口里也不算爆。纸面分垫底不是判断它不行，而是判断当前公开信息不足以给高分——这正是新星首发轮的常态：先点名，下次进仓库再改判。

生态结构图：本体已封顶，新星长外设

flowchart TD
  USER["用户"] -->|下指令| CORE["Agent 本体<br/>模型加技能"]
  CORE -->|会话一关就忘| MEM["agent-memory<br/>外接记性"]
  MEM -->|Markdown 存档| DISK["本地文件"]
  CORE -->|小判断外包| NIM["nimble<br/>类型化决策"]
  CORE -->|多工具调度| MGR["ai-manager<br/>桌面管家"]
  MGR -->|拉起或收工| TOOLS["各家编程工具"]
  CORE -->|进片场| TV["BeefTV<br/>视频工作台"]
  TV -->|产出成片| VID["本地视频项目"]

把今天的热榜和新星榜并排看，结构很清楚：本体层是 openclaw（390815 星）、mattpocock/skills（272327 星）、ECC（269791 星）的巨无霸战场，新星没有任何正面进攻的机会；但本体越强，身边的器官缺口越多——记不住事、小判断烧大模型的token、多工具没处放、视频项目散落一地。四件新星，一人认领一个缺口。

安装命令

快照未含各仓安装节，以下为通用取仓命令，入口与依赖以各自 README 为准：

git clone https://github.com/tigerless-labs/agent-memory.git
git clone https://github.com/bespokelabsai/nimble.git
git clone https://github.com/OnlistTeam/ai-manager.git
git clone https://github.com/glanderness/BeefTV.git

分维度排行榜

• 增速最猛：agent-memory——进样即 1799 星，对照昨日 1687 的截尾线，24 小时至少 +112（或更低基数起跳）
• 门牌写得最好：agent-memory——一句话塞进 runtime、Markdown 真相源、本地检索三个硬关键词
• 卡位最准：ai-manager——生态动态十席唯一新脸，管家席与 monocode 的屏幕席错位并存
• 曲线最稳：nimble——六期快照零回撤，输血型增长
• 悬念最大：BeefTV——近 7 天新仓、三连形容词、零细节，改判空间也最大

下轮验证清单

本文全部为纸面判断，下一轮进仓库时应优先核验四件事：agent-memory 的 README 里 Markdown 存储的实际结构与检索实现；ai-manager 支持的工具清单与系统集成深度；nimble 三件套是三个命令还是一个 CLI；BeefTV 的 workspace 到底管哪些资产。任何一件核实之后，上表纸面分都应重打。

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。