2026-05-27 GitHub 精選：19 萬顆星告訴你 AI Agent 的下一個戰場
今天 GitHub 熱門榜前五名，最小的有 3,583 顆星，最大的有 193,830 顆——沒有一個是新模型，沒有一個是新框架。它們全都在解同一件事：AI agent 在真正工作之前，要先花多少資源「搞清楚狀況」？
這五個 repo 放在一起，讀起來像一份 2026 年 AI 開發者的焦慮清單：資料進得來嗎？代碼讀得快嗎？技能裝了卻沒在用？插件根本沒辦法接公司的工具？每個 repo 都是對這個問題的一個回答。
今日 GitHub Trending — 總 Stars 數比較
Agent Harness 基礎設施
ECC：19 萬顆星的 Agent 全套操作系統
GitHub： affaan-m/ECC
193,830 顆星（Anthropic Hackathon 冠軍作品）。ECC 不是一個工具，是一整套「讓 AI agent 更好用」的基礎設施——skills、instincts、記憶優化、安全掃描、research-first 開發流程，全部打包進來。
支援的平台列出來嚇一跳：Claude Code、Codex、Cursor、OpenCode、Gemini、Zed、GitHub Copilot。也就是說，你今天在用哪個 AI coding harness，ECC 大概都能插進去。
它的核心概念是「harness-native operator system」，不是在 agent 外面加一層 wrapper，而是直接在 harness 的語言裡定義操作邏輯。這讓它可以在 10 個月的實際開發中持續演化，而不是停在 demo 版。
v2.0.0-rc.1 加入了 Hermes operator story，讓跨 harness 的 agent 架構變得更清晰。每個 operator 有明確的能力邊界，不同 harness 的 agent 可以組合，而不只是疊加。
最值得注意的一件事：ECC 的 ecc-agentshield npm 套件週下載量已在追蹤中，這表示它不只是拿 stars 的 showcase repo——有人在生產環境裡跑它。
CodeGraph：把 Claude Code 的 token 成本壓掉三分之一
GitHub： colbymchenry/codegraph
27,200 顆星。CodeGraph 的邏輯很直接：Claude Code 探索 codebase 時，預設做法是生出一堆 Explore agent，用 grep、glob、Read 掃文件——每一個工具呼叫都在燒 token。CodeGraph 把整個 codebase 預先建成一張「知識圖譜」，agent 直接查圖，不需要掃文件。
benchmark 數字很具體，橫跨 7 個真實 open source codebase：
| Codebase | 語言 | 成本 | Tokens | 速度 | Tool calls |
|---|---|---|---|---|---|
| VS Code | TypeScript | -26% | -78% | -52% | -85% |
| Excalidraw | TypeScript | -52% | -90% | -73% | -96% |
| Django | Python | -12% | -36% | -19% | -53% |
| Tokio | Rust | -82% | -86% | -71% | -92% |
| Gin | Go | -21% | -34% | -27% | -40% |
平均：成本降 35%、token 降 57%、速度快 46%、tool calls 降 71%
這些數字不是 toy example 跑出來的——是跑在真實 codebase 上，每個 arm 跑 4 次取中位數。Tokio 那個 -82% 特別誇張，主要是因為 Rust 的 codebase 結構讓 native grep 特別貴。
Tokio 成本下降 82% 的小秘密：Rust 專案由於大量的巨型 Macro 與依賴關係，在傳統 AI 搜尋中使用 grep 會導致大量 context 重複載入。CodeGraph 的 Symbol Indexer 能有效避免這個問題！
安裝方式刻意做到極簡：
# macOS / Linux
curl -fsSL https://raw.githubusercontent.com/colbymchenry/codegraph/main/install.sh | sh
一行之後，互動式 installer 會自動偵測你有哪些 agent（Claude Code、Cursor、Codex CLI），一次設定完。
資料入口
OmniParse：把任何格式的資料餵給 LLM，不用自己處理格式
GitHub： adithya-s-k/omniparse
7,003 顆星（今日 tom_doerr 推文引爆流量）。你想讓 AI agent 讀 PDF、Word、Excel、圖片、影片、音訊、網頁——每種格式都要寫一套解析邏輯，而且每次都要弄清楚「解析出來的東西 LLM 看不看得懂」。OmniParse 把這件事壓縮成一個 API。
支援約 20 種格式，輸出統一是 structured markdown——不管丟進去什麼，出來的都是 LLM 能直接讀的乾淨文字。
幾個重要的設計選擇：
- 100% local：資料不送外部 API，可以自架
- T4 GPU 就夠：不需要租昂貴的 A100
- Docker 直接跑：
docker run -p 8000:8000 savatar101/omniparse:0.1
對於想做 RAG pipeline 或要把企業內部文件餵進 agent 的人，OmniParse 解決的是「進門的問題」——資料格式太雜，清理成本太高，這是在上游把問題解掉。
本地跑 OmniParse 的多模態推論（影像 caption、音訊轉錄）需要 GPU。台灣市場上 VRAM 與價格比較均衡的工作站選項是麗臺 RTX PRO 4000 Blackwell 24GB，24GB VRAM 能同時跑 Llama 3 70B Q4 與 OmniParse 的多模態任務。
技能生態系管理
anthropics/knowledge-work-plugins：Anthropic 把內部用的插件全丟出來了
GitHub： anthropics/knowledge-work-plugins
16,450 顆星。Anthropic 把他們自己在 Claude Cowork 裡面用的 11 個插件全部開源，每個對應一種工作類型。
插件本身是純文字檔——就是 markdown 跟 JSON，不用寫程式、不用跑任何 build，想換掉裡面接的工具，改一個設定檔就好。
全部 11 個長這樣：
| 插件名稱 | 在做什麼 | 可以接哪些工具 |
|---|---|---|
| productivity | 管任務、行事曆、每天的工作流程 | Slack、Notion、Asana、Linear |
| sales | 研究客戶、準備會議、寫競品卡 | HubSpot、Clay、ZoomInfo、Fireflies |
| customer-support | 分類工單、草擬回覆、整理知識庫 | Intercom、HubSpot、Guru |
| product-management | 寫規格、排 Roadmap、整理用研 | Linear、Figma、Amplitude |
| marketing | 寫內容、守品牌語氣、看成效 | Canva、Figma、HubSpot、Ahrefs |
| legal | 看合約、分類 NDA、評估風險 | Box、Egnyte、Microsoft 365 |
| finance | 做日記帳、出財報、分析差異 | Snowflake、BigQuery、Databricks |
| data | 寫 SQL、做圖表、跑統計 | Snowflake、BigQuery、Hex |
| enterprise-search | 跨所有工具搜一次 | Slack、Notion、Guru、Jira |
| bio-research | 找文獻、分析基因組、篩選靶點 | PubMed、bioRxiv、ChEMBL |
| cowork-plugin-management | 自己做新插件用的 | — |
老實說，這 11 個插件對多數台灣用戶來說，裡面接的工具大概都要換掉才能用——它預設接的是 HubSpot、ZoomInfo 這類西方 SaaS，不是你公司實際在用的那些。
但這件事重要的地方不在插件本身，而是 Anthropic 用這個格式告訴所有人「Claude 的插件就該長這樣」。往後不管誰要幫 Claude 加功能，照這個格式做就對了。
裝起來很簡單：
claude plugin marketplace add anthropics/knowledge-work-plugins
claude plugin install sales@knowledge-work-plugins
裝完之後，/sales:call-prep、/data:write-query 這些指令就直接出現在 Claude 的 / 選單裡。
steipete/agent-scripts · skill-cleaner：技能裝多了，也要會清
GitHub： steipete/agent-scripts
3,583 顆星。這個 repo 裡面最值得看的一個 skill 是 skill-cleaner——一個 TypeScript 腳本，幫你審計目前 agent 裡面裝了多少 skill、哪些根本沒在用、哪些是重複的、每個 skill 的 description 佔掉多少 prompt budget。
跑一行：
node --experimental-strip-types skills/skill-cleaner/scripts/skill-cleaner.ts --months 3
就會拿到：
- 所有 skill 的 token 成本估算
- 過去 3 個月完全沒被觸發的 skill 清單
- 名稱或 body 幾乎一樣的重複 skill 建議
這個腳本背後的問題很實際：Claude Code、Codex 的 context window 是固定的，裝越多 skill，每次 prompt 起手就更貴。但大家下載新工具都習慣順手裝 skill，久了就忘了清。
Prompt 預算省錢術：許多 AI 助理每次對話開始時，都會把所有安裝的 Skill 的 README 當成上下文讀進去。保持 Skill 的精簡，不只執行速度會變快，你的 API 帳單也會變便宜喔！
清理爛掉的 skill，跟整理工作桌面是同一件事。有在用的開發者桌面配置清單可以參考這個 4 件套選物（鍵盤 + Hub + 掛燈 + 書架，整桌 3,000 元以內），環境整理好，工作效率才跑得出來。
結語
今天這五個 repo 拆開看，每個都在解一個獨立的小問題：資料格式太雜、token 燒太快、技能沒在管、插件沒有標準。但合在一起看，它們在共同回答一個更大的問題：AI agent 的工作成本，到底由什麼決定？
答案不是模型有多強，而是 agent 在正式工作前要「準備」多久。CodeGraph 把準備時間壓掉三分之一，OmniParse 把資料清理自動化，skill-cleaner 把沒用的 skill 清掉，ECC 把整套工作流程標準化，Anthropic 把插件生態系的結構確立下來。
值得想的問題是：當這些工具都成熟之後，agent 的瓶頸會移到哪？是推論速度、是記憶容量、還是根本是人類給不出夠好的任務描述？