本期走的是“两千星前夜”路线：7个仓库全部是9月新鲜出炉的新仓库——3个近7天新建、4个近45天新建，Star 数取自2026年9月30日晨间的 GitHub Search API 快照，最大的还没破两千，恰好卡在“爆发前夜”的窗口期。选题刻意跨层铺开：从 Rust 桌面工具，到 Agent 生态的四块地基（找代码、存记忆、配界面、搭组织），再到大厂开源的多模态模型和一部本地视频工作台。最抓眼的开场角色，是 Shopify 掌门人亲手写的磁盘树图——CEO 下场撸桌面工具，几天冲到近两千星。
一句话定位：把“磁盘满了”从终端苦役，变成一次可视化扫荡。
磁盘空间是所有人的老痛点：du -sh 逐层翻目录、ncdu 全键盘操作，普通用户面对红掉的磁盘只剩两条老路——命令行苦熬，或者装一个十年没更新的老 GUI。disktree 的思路一句话就能讲清：给磁盘画一张 treemap（矩形树图），谁占的格子大谁就是元凶，看图、定位、删除，一气呵成。
两个实现细节值得单独说：
最大的彩蛋是作者：仓库 ID 是 tobi——Shopify 创始人 Tobias Lütke 用了十几年的老账号。掌门人下班不开会，回家写 Rust 删文件工具，这本身就是这个仓库最好的广告。
一句话定位：让编码 Agent 用“问它是干嘛的”代替“猜关键词”来找代码。
grep 和 glob 是 Agent 找文件的老办法，全靠关键词命中：猜错一个词，就多烧一轮上下文。jevgrep 的自述只有一句——"Find code by asking what it does"（通过问它做什么来找代码）。它把检索从“字符匹配”拉回“语义提问”：忘了函数叫什么名字不要紧，说得出它在干嘛就行。这对人是日常刚需，对 Agent 则是实打实的 token 节流。
背景信息有两层：作者 ID dzhng，正是此前爆火的开源 deep-research 项目的作者，做“让 AI 自己找资料”这件事是二连击；更值得注意的是生态信号——同期另一个新仓库 yibie/awesome-jev（⭐1998）专门收录基于 Jev 的项目与集成，几天攒到近两千星，说明一个围绕 Jev 的小生态正在冒头（Jev 的完整架构仓库页尚未展开，感兴趣者建议直接深读源码）。
一句话定位：把 Agent 的长期记忆做成一堆 Markdown 文件——文本即数据库。
当前 Agent 记忆方案是两极分化：要么接云端向量库，黑盒、月费、数据出门；要么自己糊一个临时方案，跑三个月就散架。agent-memory 的赌注写在自述里：plain Markdown 作为唯一事实源，加上本地排序检索。
这个选择背后的产权逻辑比技术本身更值钱：记忆文件能 git diff、能人肉审计、能整体打包搬家，换模型不换记忆。所有“我的 Agent 到底记了我什么”的焦虑，都被一个 ls 解决。要划清一条界线：这不是“给 Agent 记笔记的提示词技巧”，而是一个可独立部署的运行时（runtime）——前者是方法论，这个是地基。
一句话定位：给散落在终端里的编码 Agent，配一块统一仪表盘。
2026 年重度用户的日常是这样的：三个终端窗口，各跑一个 Claude Code 或 Codex，谁在改哪个文件、谁卡住了、谁跑完了，全靠人肉 alt-tab 巡场。monocode 的自述干脆只有一句："A GUI for your coding agents"——把终端里的 Agent 工作收进一个图形界面里看管。
赛道信号比单个仓库更重要：同期还有 OnlistTeam/ai-manager（⭐1015）在做 AI 编码工具的桌面管理器，两个新仓库一周内先后冒头，说明“多 Agent 管理界面”这个位置刚刚被发现，还没有霸主。这类工具的护城河不深，先发者拼的是覆盖的工具数量和看板的信息密度。
一句话定位：把“一家公司”的编制表写成代码，直接装进你的 Agent。
自述信息量很大：15+ 个部门、125+ 个技能、每个部件可独立安装——这不是又一个单体提示词合集，而是把组织架构图本身做成了仓库：市场部、客服部、研发部各有编制，部门下的技能按需安装，一人公司主可以照着组织行为学给自己的 AI 员工发工牌。
需要和另一类项目划清界限：此前火过的“公司大脑”类项目（如 supermemory 的 company-brain）管的是团队记忆与知识沉淀，headcount 管的是编制与分工——一个是档案室，一个是组织架构。抽象层次不同，甚至可以叠着用。
上手门槛偏高：你得先理解多 Agent 编排的基本玩法，才知道怎么给“部门”派活。但一旦跑通，它可能是把“AI 员工”从玩具推向生产的最短路径之一。
一句话定位：微信视觉团队开源的通用多模态嵌入模型家族。
先补一句科普：embedding（嵌入）是把文字或图片压成一串向量，语义越近的向量距离越近——它是搜索、推荐、去重、RAG 共同的地基。而“多模态”版本意味着文字和图片落在同一个向量空间里，“以文搜图、以图搜图、素材去重、相似内容推荐”可以共用同一个底座。
这个仓库的看点在于出身：自述定位是微信视觉团队（WeChat Vision Team）出品的通用多模态嵌入模型家族——不是论文复刻，而是在微信体量的图文场景里被实际使用过的工程产物。大厂把这类地基开源出来，等于把私有化图文搜索的门槛砍掉一大截。具体各型号的跑分与规格，以仓库评测页为准，本栏目不做背书。
一句话定位：本地优先、轻量、AI 原生的视频工作台。
三个关键词就是全部产品哲学：Local-first（素材不出门——原始 footage 是创作者最私密的资产）、lightweight（不逼你换工作站）、AI-native（AI 是原生件，不是后装的插件）。具体功能清单与支持格式以仓库 README 为准，此处不展开脑补。
它进本期名单，靠的是标准的“早鸟票”逻辑：574 星、建仓不满一周、方向独特——视频赛道最近的叙事全被“AI 生成视频”和“云端剪辑”垄断，喊着“你的素材别上传”的本地工作台反而成了空位。风险也摆在明面上：星数低意味着文档薄、社区小、随时可能改方向，属于 watch-list 型仓库，适合蹲产不适合押注。
| 仓库 | 类型 | Star（9/30快照） | 上手难度 | 一句话场景 |
|---|---|---|---|---|
| tobi/disktree | 桌面工具（Rust） | 1935 | ★★☆☆☆ | 一张树图揪出吃磁盘的元凶 |
| dzhng/jevgrep | Agent 检索 CLI | 1815 | ★★★☆☆ | 按语义找代码，省 Agent 的上下文 |
| tigerless-labs/agent-memory | Agent 基础设施 | 1799 | ★★★☆☆ | Markdown 即记忆，数据不出本机 |
| hardbeat920/monocode | Agent GUI | 1739 | ★★☆☆☆ | 多个终端 Agent 收进一块仪表盘 |
| cbrock84/headcount | Agent 组织框架 | 1715 | ★★★★☆ | 给 AI 员工发工牌的编制仓库 |
| Tencent/WeMM-Embedding | 多模态模型 | 1699 | ★★★★☆ | 图文同空间的私有检索地基 |
| glanderness/BeefTV | 视频工作台 | 574 | ★★☆☆☆ | 素材不出门的本地剪辑台 |
mindmap
root((两千星前夜七仓))
桌面工具
disktree 磁盘树图
Agent地基
jevgrep 语义找码
agent-memory 本地记忆
Agent界面
monocode 统一仪表盘
headcount 公司制编制
模型与应用
WeMM 向量地基
BeefTV 本地视频台
[!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。