# 第4轮挖掘：Agent水电煤与开源剪辑台，7个还没被写烂的新面孔 ## 本期思路 前几轮已经把 GitHub 新星榜上最响的名字写得差不多了：PRAXIST、sepia、codex-with-chatgpt、DLSS5 全家桶、鲸鱼娘皮肤……这一轮我刻意绕开这些“已上榜就被写穿”的仓库，回到 9 月 1 日至 3 日的 GitHub Search API 快照里，专挑**描述清晰、但还没进入中文循环的仓库**。结果很有意思：除了两个非 AI 的实用工具，剩下的几乎全指向同一个方向，**Agent 正在长出自己的“水电煤”**：有给 AI 记账的、有替 AI 选模型路由的、有当多智能体指挥台的，甚至有“让 AI 造 AI”的平台。这批仓库 Star 还不大（多在 500~2000 之间），但解决的都是 Agent 重度用户每天真实发生的问题，恰好是本期“小而美”标准最理想的猎场。 --- ## 1. damejan80/tokentab — 给 AI 编程助手记账的账房先生 **仓库**：[damejan80/tokentab](https://github.com/damejan80/tokentab) | 约 836 Star（9月1日快照，两天前还是 517）| 近7天新建仓库 Claude Code、Codex、Gemini CLI 跑一天，session 日志散落各处，月底一看 API 账单心梗，这是每个重度 Agent 用户的真实痛感。tokentab 是一个 CLI 工具：直接读取这三家的本地会话日志，算出**每个会话、每天、每个项目花了多少钱**，并按维度拆分明细。它不拦截请求、不改配置，纯事后审计，所以零风险接入。两天 Star 接近翻倍，说明“AI 开销焦虑”已经是普遍情绪。 实现思路值得玩味：各家 CLI 的日志格式互不兼容，tokentab 的核心资产其实是一套“三家日志→统一计费模型”的解析层，按官方牌价折算成本。这类工具的护城河不在算法而在**跟随上游格式变更的持续维护**。 - **上手难度**：⭐（装上就跑，读本地文件） - **适用人群**：用订阅制之外 API 计费跑 Agent 的开发者、需要向公司报销 AI 开销的团队 - **变现方向**：团队版（汇总多人日志→部门成本报表）是非常自然的付费点；也可以并入云成本管理平台（Vercel、Datadog 类）作为 AI 成本模块 ## 2. hkqr/my-free-code — 给 Claude Code 装一个模型路由器 **仓库**：[hkqr/my-free-code](https://github.com/hkqr/my-free-code) | 约 617 Star（9月1日快照）| 近7天新建仓库 Claude Code 这类编码 Agent 默认绑死单一模型，但现实中我们手里往往有多个 provider 的 key：便宜模型想跑日常任务，强模型留给硬骨头。my-free-code 的定位是**开源多 provider AI 网关**：坐在编码 Agent 和各家模型之间，提供模型路由、按规则分流，让同一个 Claude Code 界面背后跑不同家的模型。与上一轮写过的 rakazo（自建 Grok Bot 替代）不同，它不改 Agent 本体，只做“换脑手术”，兼容性包袱小得多。 从描述看它走的是网关（gateway）模式，这类项目的关键设计点是流式响应的透传和工具调用（tool use）在不同 API 方言间的转译，是否处理得干净需要读码验证，但方向本身踩中了“多模型套利”这个真实需求。 - **上手难度**：⭐⭐⭐（要配多个 provider 的 key 和路由规则） - **适用人群**：手里攥着多家 API key 的独立开发者；想给团队统一管控模型用量的 Tech Lead - **变现方向**：托管网关 SaaS（用户免部署）、按路由策略做企业版审计合规，都是 LiteLLM 验证过的路 ## 3. jub0t/Concat — 不挂订阅制的开源剪辑台 **仓库**：[jub0t/Concat](https://github.com/jub0t/Concat) | 约 822 Star（8月31日快照）| 近45天新建 本期第一个非 AI 项目。Concat 的自我定位一句话：“免费开源的 CapCut 替代品”。剪辑工具这些年的趋势是纷纷转向订阅制、加水印、限制导出分辨率，Creator 们怨声载道，Concat 切的正是这口锅。近45天新建就有 800+ Star，说明需求-side 的情绪已经就位，缺的只是一个像样的开源承接物。 它的机会窗口在于：剪辑软件的用户迁移成本其实没有想象中高——大家要的核心是“时间线 + 素材库 + 字幕 + 直接导出”，谁能用 Electron/Tauri 这类成熟栈快速补齐 80% 高频功能，谁就能吃到 CapCut 政策变动溢出的用户。风险同样直白：视频编解码和硬件加速是硬骨头，社区维护的开源剪辑软件历史上多数死在“能剪但不好剪”。 - **上手难度**：⭐⭐（桌面应用，面向普通用户） - **适用人群**：被订阅费劝退的短视频创作者、想攒“自己的剪辑工具”的独立开发者 - **变现方向**：开源内核 + 云端渲染/模板市场收费（Canva 模式）；或做成自托管服务卖给 MCN 机构 ## 4. NVIDIA-NeMo/labs-OO-Agents — NVIDIA 下场教 Python 程序员写 Agent **仓库**：[NVIDIA-NeMo/labs-OO-Agents](https://github.com/NVIDIA-NeMo/labs-OO-Agents) | 约 1959 Star（9月1日快照）| 近45天新建 “NVIDIA Object Oriented Agents：构建 AI Agent 的 Pythonic 方式”，出自 NVIDIA NeMo 实验室。当下的 Agent 框架 split 成两派：LangGraph 式的图/状态机抽象（强大但学习曲线陡）和纯 prompt 约定（轻但没工程约束）。这个仓库押注第三条路，**用普通面向对象编程写 Agent**：Agent 是类，工具是方法，状态是实例属性，让 Python 程序员零新概念上手。将近 2000 Star 的积累速度对框架类项目来说相当快。 值得冷静的一点：Agent 框架是当前开源世界“坟场密度”最高的赛道，最后胜出的往往不是抽象最优雅的，而是被某个大厂用真实算力和生态背书持续喂养的，NVIDIA 的 org 恰好就是这种背书。 - **上手难度**：⭐⭐⭐（需要 Python 工程基础，概念上无新语法负担） - **适用人群**：嫌 LangGraph 太重、嫌裸写 prompt 太散的 Python 后端工程师 - **变现方向**：框架本身不宜变现，但围绕它的企业培训、咨询与组件市场（类似 LangChain 生态的路径）空间明确 ## 5. amagine-ai/Amagine3D — 从硬件需求到可编辑 3D 设计 **仓库**：[amagine-ai/Amagine3D](https://github.com/amagine-ai/Amagine3D) | 约 1988 Star（9月1日快照）| 近45天新建 | Python AI 生成 3D 模型的项目不少，但多数产出一坨不可编辑的网格，工程师拿到手没法用。Amagine3D 的描述精确地切开了这个痛点："From hardware requirements to editable 3D designs"，输入是**硬件需求**（尺寸、承载、接口这类工程语言），输出是**可编辑的** 3D 设计。也就是说它对标的不是“AI 玩具建模”，而是结构件设计工作流的前端。 “可编辑”三个字是全仓库的商业含金量所在：生成的模型如果能落到参数化 CAD 格式，就接进了 SolidWorks/FreeCAD 们的严肃市场；这也是它和 Tencent Hunyuan3D 这类“好看但不能改”的生成模型之间的本质分野。当然，需求描述→可编辑参数化模型的转换可靠性，是这类项目共同的天花板，值得持续观察其 issue 区的实测反馈。 - **上手难度**：⭐⭐（有 Python 环境即可，输入是自然语言需求） - **适用人群**：硬件创客、产品原型工程师、做结构快速打样的团队 - **变现方向**：按次/按席位收费的云端生成服务，对接 3D 打印按需制造平台抽成，工业场景付费意愿远高于消费级 ## 6. Prism-Shadow/penguin-harness — “让 AI 造 AI”的多智能体流水线 **仓库**：[Prism-Shadow/penguin-harness](https://github.com/Prism-Shadow/penguin-harness) | 约 1870 Star（9月1日快照）| 近45天新建 | TypeScript 描述写得很有煽动性："Harness for RSI. Let AI Build AI. Multi-Agent Auto-Dev Platform. Everything is Transparent."（RSI 此处是"recursive self-improvement"的梗）。剥掉营销层，它是一个**多智能体自动开发平台**：多个 Agent 分工协作完成开发任务，而“Everything is Transparent”指向它的差异化卖点，全过程可观测。这在多智能体系统里恰恰是最稀缺的品质：绝大多数 auto-dev 框架跑起来是个黑箱，错了都不知道哪个 Agent 在哪一步把事情搞砸。 需要注意的诚实评估：1972→1870 的 Star 数在两份相隔一天的快照里有小幅回落，说明热度有波动、社区还在早期；"Let AI Build AI"类项目的实际产出质量普遍波动大，建议以“编排框架+可视化”的角度评估它，而非字面意义的全自动开发。 - **上手难度**：⭐⭐⭐⭐（多 Agent 编排 + 平台部署，有运维成分） - **适用人群**：想搭内部自动化开发流水线的小团队、做多 Agent 研究的人 - **变现方向**：透明化编排本身可以抽成独立产品卖（Agent 运行观测/Audit 工具），这是比平台更稳的生意 ## 7. missuo/herdrm — 你所有编码 Agent 的 macOS 值班室 **仓库**：[missuo/herdrm](https://github.com/missuo/herdrm) | 约 644 Star（9月1日快照）| Skills 生态新上架 当一个人同时开着 Claude Code、Codex、Gemini CLI 三四个终端，真正的痛点变成了**指挥**：哪个 Agent 跑完了？哪个卡住了？哪个在等确认？herdrm 的定位是“herdr 的原生 macOS 控制台”——把所有编码 Agent 和它们的活终端聚合到一个原生 App 里统一看管（herdr 是其对应的守护进程，herdrm 是前台）。名字显然在玩 herder（牧人）的谐音：你不再追着羊跑，而是站在牧羊台上。 选原生（而非 Electron）做这个场景很聪明：Agent 控制台需要常驻后台、低内存占用、快速唤起，恰恰是 Electron 的弱项。作者 missuo 是国内独立开发者圈的老面孔（Deploy.py、File Porter 等小工具作者），工程品味有历史记录可循。 - **上手难度**：⭐⭐（macOS 用户装上即用，需要先跑 herdr 守护进程） - **适用人群**：多 Agent 并行的重度用户、想把“Agent 车队管理”做成日常流程的团队 Lead - **变现方向**：单买断制 App（Setapp 路线）或团队版集中监控，这类“驾驶舱”工具的用户付费习惯已经成熟 --- ## 本期横向对比 | 仓库 | 类型 | Star（快照） | 上手难度 | 适用场景 | |---|---|---|---|---| | tokentab | CLI 成本审计 | ~836 | ⭐ | AI 开销记账/报销 | | my-free-code | 模型网关 | ~617 | ⭐⭐⭐ | 多模型路由、控成本 | | Concat | 桌面剪辑 | ~822 | ⭐⭐ | 视频创作 | | labs-OO-Agents | Agent 框架 | ~1959 | ⭐⭐⭐ | Python 工程化 Agent | | Amagine3D | AI×CAD | ~1988 | ⭐⭐ | 硬件原型设计 | | penguin-harness | 多Agent平台 | ~1870 | ⭐⭐⭐⭐ | 自动化开发流水线 | | herdrm | 原生控制台 | ~644 | ⭐⭐ | 多 Agent 集中管理 | ```text quadrantChart title 本期7宝：上手难度 vs 商业/实用价值 x-axis 低门槛 --> 高门槛 y-axis 低价值 --> 高价值 quadrant-1 潜力股 quadrant-2 即装即用 quadrant-3 观望区 quadrant-4 硬核玩具 tokentab: [0.15, 0.55] herdrm: [0.2, 0.45] Concat: [0.25, 0.7] Amagine3D: [0.4, 0.85] my-free-code: [0.5, 0.8] labs-OO-Agents: [0.6, 0.6] penguin-harness: [0.78, 0.55] ``` ## 本期之最 - **最值得立即尝试：tokentab** —— 零风险、五分钟装好，立刻回答“我这个月到底给 AI 花了多少”这个所有人都在回避的问题。 - **最有商业潜力：Amagine3D** —— “可编辑”三个字让它站在了 AI 生成和真实工业工作流的交汇点上，工业客户付钱从不手软。 - **最被低估：my-free-code** —— Star 最低但站在“多模型套利+成本管控”的交叉路口，是本期最像三年前 LiteLLM 早期形态的仓库。 ## 参考来源 1. [damejan80/tokentab](https://github.com/damejan80/tokentab) — Claude Code/Codex/Gemini CLI 会话成本统计 CLI 2. [hkqr/my-free-code](https://github.com/hkqr/my-free-code) — 面向编码 Agent 的多 provider 开源网关 3. [jub0t/Concat](https://github.com/jub0t/Concat) — 免费开源 CapCut 替代品 4. [NVIDIA-NeMo/labs-OO-Agents](https://github.com/NVIDIA-NeMo/labs-OO-Agents) — NVIDIA 面向对象 Python Agent 框架 5. [amagine-ai/Amagine3D](https://github.com/amagine-ai/Amagine3D) — 硬件需求到可编辑 3D 设计 6. [Prism-Shadow/penguin-harness](https://github.com/Prism-Shadow/penguin-harness) — 透明化多智能体自动开发平台 7. [missuo/herdrm](https://github.com/missuo/herdrm) — herdr 编码 Agent 集群的原生 macOS 控制台 8. Star 数与描述均取自 2026-08-31 / 09-01 / 09-03 三期 GitHub Search API 抓取快照，为时点数据，阅读时请以仓库实况为准 > [!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。