中午好。今天这份速递挺有意思——四个项目四个方向，但背后是同一根主线：AI 正在从”会聊天”往”会干活”全面迁移。谷歌大佬把工程纪律打包成技能喂给 Agent，一个开源框架让一群 Agent 像投行一样开会讨论股票，有人用三块钱两小时从零训出一个大模型，还有个仓库上线三天冲上 1.2 万星、把 Office 文档秒变 Markdown。逐个说。
1. agent-skills — ⭐约8.5万，把大厂工程纪律塞进AI编码Agent
Addy Osmani，谷歌 Chrome 团队的老人，前端圈应该没人不认识。他搞的这个 agent-skills 今年 2 月开源，半年冲到 8.5 万星，今天还在 GitHub 日榜上。一句话：把高级工程师的干活流程——先写规格、再拆计划、小步实现、测试证明、评审合码、灰度上线——打包成技能，让 AI 编码 Agent 照着执行。
解决什么问题：AI 编码 Agent 默认走最短路径，经常跳过规格、测试、安全审查，产出一堆”能跑但没法维护”的代码。这个仓库就是把”生产级”和”原型级”之间的那道坎，变成 Agent 能照着走的流程。
核心亮点：
– 8 个斜杠命令对应完整研发周期：/spec（先写规格）、/plan（拆小任务）、/build（增量实现）、/test（测试即证据）、/review（合码前评审）、/ship（更快更安全地上线），外加 /webperf 和 /code-simplify
– 24 个技能按场景自动激活：设计 API 时自动调出接口设计规范，写前端时自动带上 UI 工程规范
– 内置谷歌工程文化：Hyrum 定律、Beyonce 规则、测试金字塔、主干开发、Shift Left——不是抽象口号，是写进步骤里的检查项
– /build auto 模式：批准一次计划，Agent 自动逐任务实现，每个任务仍单独测试、单独提交，遇险即停
上手方式：
# Claude Code 一键装
/plugin marketplace add addyosmani/agent-skills
/plugin install agent-skills@addy-agent-skills
# 或者用 skills CLI 装到 70+ 个 Agent
npx skills add addyosmani/agent-skills
实话：没实测。技能包只是”流程引导”不是魔法，模型本身不行装上也不会变强；技能装多了上下文会变贵，建议按需装而不是全家桶。适合想统一团队 Agent 产出规范的人，或者想治一治 Agent”闷头乱写”毛病的人。
2. TradingAgents — ⭐9.7万，让一群Agent像投行一样讨论股票
Tauric Research 出的多智能体金融交易框架，2024 年底开源，最近刚发 v0.3.1 重回日榜，还挂着 trendshift “当日第一仓库”的牌子。核心思路一句话：把一家交易公司搬进代码里。
解决什么问题：让单个 LLM 直接喊”买/卖”既危险又没依据。TradingAgents 把决策拆成真实投行的分工——基本面、情绪、新闻、技术四路分析师各写各的报告，多空研究员当庭辩论，交易员出方案，风控团队压风险，最后组合经理拍板，全程走模拟交易所。
核心亮点：
– 完整投行式分工：分析师团 → 多空辩论 → 交易决策 → 风控审查 → 组合经理审批
– 模型通吃：GPT / Gemini / Claude / Grok / DeepSeek / Qwen / GLM / MiniMax，甚至 Ollama 本地模型，OpenAI 兼容端点都能接
– v0.3.1（2026年7月）修了一堆正确性问题：Alpha Vantage 前视过滤、图路由崩溃安全、断点续跑
– 研究导向，附带 Trading-R1 技术报告（arXiv），不是”AI 荐股玄学”
– Docker 一键跑，支持回测与模拟交易
上手方式：
git clone https://github.com/TauricResearch/TradingAgents
cd TradingAgents
conda create -n tradingagents python=3.12 && conda activate tradingagents
pip install .
# 配好 LLM API Key 后
python main.py --ticker NVDA --date 2026-01-15
实话：没实测，也不打算拿真钱试。README 自己都强调”研究用途、非投资建议”；回测漂亮≠能赚钱，同一个 ticker 同一天数跑两遍结果都可能不一样——LLM 采样本来就不确定。适合研究多智能体协作机制的人，指望它发财的建议先冷静。
3. minimind — ⭐5.4万，三块钱两小时从零训一个真·大模型
国产教育类项目里的顶流。作者 jingyaogong 把”从 0 训练 LLM”的完整链路开源：预训练、SFT、LoRA、DPO、PPO、GRPO、工具调用、Agentic RL、蒸馏，全部用 PyTorch 从零手写，不套 transformers/trl 的高层封装。
解决什么问题：市面上的教程要么让你调 API，要么让你对现成模型做 LoRA 微调，训完你还是不知道大模型内部怎么转。minimind 用 64M 参数把整条链路跑通——单张 3090、约两小时、三块钱的算力成本，就能亲手训一个能对话的小模型。2026 年 4 月发布的 minimind-3 已对齐 Qwen3 生态。
核心亮点：
– 完整训练链路代码全开源：Pretrain → SFT → RLHF/RLAIF（DPO/PPO/GRPO/CISPO）→ Agentic RL → 蒸馏
– 主线结构对齐 Qwen3 / Qwen3-MoE：Dense 64M，MoE 198M-A64M
– 全阶段中文数据集公开，tokenizer 也从零训练
– 兼容 llama.cpp / vLLM / Ollama，训完直接本地部署
– 教程价值可能比代码还大，清华大学出版社还出了配套书《从零开始写大模型》
上手方式：
git clone https://github.com/jingyaogong/minimind
cd minimind
pip install -r requirements.txt
# 训练脚本在 scripts/ 下，pretrain / sft / rlaif 分阶段跑
实话：没实测——我这儿没有 3090。64M 模型能力有限，别指望它干重活，最大价值是”看懂每一行代码”的教学意义。适合想真正理解 Transformer 内部机制的学生和转行者。
4. anydoc — ⭐1.2万（上线3天），把Word/PPT/Excel/PDF一口闷成Markdown
Firecrawl 家的新作，8 月 6 号才开源，三天 1.2 万星，昨天日榜第一（单日 +2900）。之前我们写过他们家的 pdf-inspector，这次 anydoc 是把整个文档全家桶补齐了。
解决什么问题：喂给 LLM 和 RAG 的数据源八百年都是 PDF，但真实世界塞满 docx、pptx、xls——这些格式直接喂进去全是乱码和格式垃圾。anydoc 用纯 Rust 把 Word、PowerPoint、Excel、OpenDocument、RTF、EPUB、CSV、PDF 统一转成干净的 GitHub 风格 Markdown。
核心亮点：
– 快：单文档转换中位数不到 5ms，纯 Rust，无模型、无外部服务
– 所有格式走同一个文档模型和序列化器：转义、表格、脚注、锚点的行为完全一致，修一个 bug 全部格式受益
– 内容级格式识别：不看扩展名，从文件头（PDF header、OLE 流名、ZIP mimetype）判断真实格式，改错后缀也能转
– 结构完整保留：合并单元格表格、嵌套列表、脚注、演讲者备注、嵌入图片转 alt 文本
– 四种形态：Rust crate、Node、Python、WebAssembly——浏览器里就能本地转换，文件不出机器
– 自带 Agent Skill：npx skills add firecrawl/anydoc，Claude Code / Codex / Cursor 装上就能读任意文档
上手方式：
npx @firecrawl/anydoc report.docx # CLI 转 Markdown 到 stdout
pip install firecrawl-anydoc # Python 绑定
python -c "import anydoc; print(anydoc.to_markdown('report.docx'))"
实话：没实测。注意文本型 PDF 它本地就能转，扫描件 PDF 它明说了转不了（要接他们家云端 OCR）——别拿扫描合同去试。适合所有做 RAG 数据管线、文档预处理的人，这玩意儿能省掉一堆 pandas/openpyxl 的脏活。
今晚的观察
四个项目四个赛道，但信号是一致的：开源 AI 正在从”模型层”卷向”工程层”。agent-skills 治的是 Agent 的流程纪律，TradingAgents 治的是决策可信度，minimind 治的是黑盒焦虑——把训练链路摊开给人看，anydoc 治的是最土但最痛的数据清洗。跟几个月前比，大家已经不太关心”谁家模型又大了一圈”，而是关心”这玩意儿到底能不能在生产里用、能不能看懂、能不能守住底线”。
还有个细节值得记一笔：这周榜单上 skills 类项目扎堆（mattpocock、google、addyosmani 三个技能仓库同时在榜），文档转换类也在爆发。Agent 生态的”水电煤”——技能、数据、记忆——正在被疯狂补齐。基础设施的春天，往往就是应用的秋天，蹲一个。
以上项目均未深度实测，信息来自各仓库 README 与官方文档，上手前请自行验证。
by 数码罗记·godsun.pro
