# GitHub 每日热门精选：Agent 接管桌面、跨会话记忆与本地 MoE 推理（2026-11-04）

<!--more-->

## 今日概览

2026-11-04 的 GitHub Trending 延续"Agent 基础设施"主线：Vercel 的 **agent-desktop** 以单日 +3,791 星成为全场增长王，把"给 AI 配一台电脑"推向本地 CLI；**claude-mem** 解决跨会话记忆这一长期痛点；**colibri** 则把前沿 MoE 推理压进普通硬件。非 AI 侧，**floci** 以纯 Java 实现 AWS 本地模拟器，**Scrapling** 凭单日 +1,658 星登顶老牌爬虫框架热度。本期 AI 类占比 75%，并含 1 个 Java 项目。

| # | 项目 | 语言 |  Stars | 今日新增 | 方向 |
| - | ---- | ---- | ----- | ------- | ---- |
| 1 | vercel-labs/agent-desktop | Rust | 12.8k | +3,791 | AI · Agent 桌面化 |
| 2 | thedotmack/claude-mem | TypeScript | 111.9k | +1,139 | AI · 跨会话记忆 |
| 3 | JustVugg/colibri | C | 47.2k | +802 | AI · 本地 MoE 推理 |
| 4 | shiyu-coder/Kronos | Python | 46.5k | +503 | AI · 金融基础模型 |
| 5 | p-e-w/heretic | Python | 38.8k | +701 | AI · 免训练模型修改 |
| 6 | Donchitos/Claude-Code-Game-Studios | Shell | 34.7k | +1,182 | AI · 多 Agent 工作室 |
| 7 | floci-io/floci | Java | 28.8k | +482 | 工程 · AWS 本地模拟器 |
| 8 | D4Vinci/Scrapling | Python | 94.9k | +1,658 | 工程 · Web 爬虫框架 |

## 项目详解

### 1. vercel-labs/agent-desktop — 让 AI Agent 接管你的桌面

- **语言/架构**：Rust 编写的轻量 CLI，封装了屏幕捕获、鼠标/键盘控制与桌面环境交互，作为"computer use"能力的本地化运行时，可与 Claude、Codex 等编码型 Agent 对接。
- **重点/特色**：把"给 AI 配一台电脑"从云演示落地为可本地运行的 CLI；单日 +3,791 星为本期增长王，反映"Agent 操作真实 GUI"正从概念走向工具化。
- **适用场景**：自动化桌面操作、UI 回归测试、Agent 端到端任务执行。

### 2. thedotmack/claude-mem — 跨会话的持久化 Agent 记忆

- **语言/架构**：TypeScript 实现，在会话期间捕获 Agent 的全部行为，用 AI 压缩后在后续会话注入相关上下文；以插件/钩子方式接入多种编码 Agent。
- **重点/特色**：解决 Agent "每次新会话从零开始"的痛点，兼容 Claude Code、OpenClaw、Codex、Gemini、Hermes、Copilot、OpenCode 等主流运行时。
- **适用场景**：长期项目的上下文连续、团队知识沉淀、减少重复探索。

### 3. JustVugg/colibri — 在已有硬件上跑前沿 MoE 模型

- **语言/架构**：C 实现的分层推理引擎。热专家驻留 GPU（CUDA / Vulkan），温专家放内存，冷专家从 NVMe 流式加载，按访问频率动态调度层级。
- **重点/特色**：面向 frontier MoE 模型的分层（GPU / RAM / NVMe）显存-内存-磁盘调度，显著降低大 MoE 推理的硬件门槛。
- **适用场景**：消费级显卡跑大模型、边缘/本地推理、MoE 显存优化研究。

### 4. shiyu-coder/Kronos — 金融市场的"语言"基础模型

- **语言/架构**：Python 训练的基础模型，将金融市场数据建模为一种可学习的"语言"，面向时序与 market-structure 的统一表征。
- **重点/特色**：把基础模型范式引入金融领域，目标是从海量行情/订单流中学习通用市场表达，支撑下游预测与策略。
- **适用场景**：量化研究、市场建模、时序基础模型探索。

### 5. p-e-w/heretic — 免训练的大模型行为修改

- **语言/架构**：Python 实现，作用于模型推理/权重层面，无需重新训练即可调整行为。
- **重点/特色**：training-free 修改——去审查、抑制 slop（低质生成）、降低谄媚（sycophancy）等，为模型行为微调提供低成本的实验入口。
- **适用场景**：模型对齐轻量调整、行为研究、去谄媚评测。

### 6. Donchitos/Claude-Code-Game-Studios — 49 个 Agent 的虚拟游戏工作室

- **语言/架构**：Shell 编排的 Agent 协作体系，包含 49 个 AI Agent、72 个工作流技能，以及一套映射真实工作室层级的协调系统。
- **重点/特色**：把"多 Agent 协作"具体化为可复用的游戏开发流水线，覆盖策划、美术、代码、QA 等环节的分工与交接。
- **适用场景**：游戏原型快速生成、Agent 编排范式参考、自动化内容生产。

### 7. floci-io/floci — 纯 Java 的 AWS 本地模拟器

- **语言/架构**：Java 实现的本地云模拟器，提供 S3 / Lambda / DynamoDB 等常用 AWS 服务的本地等价实现，无需联网或真实账号。
- **重点/特色**：轻量、免费、始终免费（light, fluffy, always free），定位 LocalStack 的轻量替代；纯 Java 栈便于在 JVM 生态集成与二次开发。
- **适用场景**：本地集成测试、CI 离线跑云依赖、Java 工程的无云开发闭环。

### 8. D4Vinci/Scrapling — 从单请求到全规模爬取

- **语言/架构**：Python 爬虫框架，统一封装请求、渲染、解析与反爬应对，既能抓单页也能调度全站爬取。
- **重点/特色**：强调"处理从一次请求到全规模爬取的一切"，本期单日 +1,658 星，是工程类项目中热度最高者；对动态页面与反爬有较强适配。
- **适用场景**：数据采集、竞品监控、结构化信息抽取、研究数据获取。

## 小结

本期趋势清晰地指向三条线：**Agent 落地**（桌面接管、记忆持久化、多 Agent 协作）、**模型效率与可控性**（本地 MoE 推理、免训练修改、金融基础模型），以及**工程基座回潮**（Java 的 AWS 模拟器、Python 的爬虫框架）。对 Java 工程师而言，floci 提供了无需云账号即可验证云依赖的轻量路径，值得纳入本地开发链路。