# GitHub 每日热门项目精选（2026-11-05）：从 CPU 跑 2.78T 大模型到 AI 接管桌面

<!--more-->

> 数据来源：GitHub Trending 每日主榜 + Java 榜（2026-11-05 快照）。本期 8 个项目 AI 相关 6 个（75%），并包含 1 个 Java 工程类项目。

## 1. NVIDIA/auto-ontology — 面向 LLM 与 Agent 的语义图推理层

- **语言**：Python（后端）+ Node.js 22（前端）。
- **架构**：以「本体图（ontology graph）」为核心，配套嵌入 / 检索 / 重排三件套（`utils/embedding.py`、`retriever.py`、`rerank.py`），向量后端用 PostgresVDB；提供 MCP Server、Skills、REST API 三种 Agent 集成方式；关系预测走 `kumo-relational` 引擎；三个 Docker 镜像（backend / frontend / MCP）+ Helm chart 编排。
- **重点**：在图之上做**确定性查询生成**与**可解释**的上下文检索，相比黑盒 RAG 答案可追溯。
- **特色**：NVIDIA 默认模型栈（推理 Nemotron-3.5-Lightning-30B、嵌入 Nemotron-3.5-Embed-1B、重排 Nemotron-3.5-Rerank-8B）；已精简依赖（移除 nemo-retriever，少 106 个传递包）；仅维护者贡献、强合规（112 文件加 SPDX 头）。
- **功能**：为数据构建语义图推理层，赋能 LLM / Agent 的检索增强与多跳推理。

## 2. vercel-labs/agent-desktop — 给 AI Agent 用的「计算机操作」CLI

- **语言**：Rust（核心）+ Swift（macOS 桥接）+ Python / Node（CI）。
- **架构**：严格分层——调用 Agent → CLI → C 库（FFI）→ core（平台无关领域模块）→ PlatformAdapter（macOS/Windows/Linux 三套 crate）→ 目标应用；core 通过无障碍树（macOS AX、Windows UIA、Linux AT-SPI）理解界面。
- **重点**：提供「观察-操作循环」：读屏 + 点击 / 输入 / 滚动 / 拖拽 / 剪贴板 / 窗口生命周期管理；结果以 JSON 信封返回 stdout，带明确错误码。
- **特色**：Refs 寻址 + `STALE_REF` 拒绝合约（UI 变化后强制报错并给恢复建议）；隐私扫描与编辑门防数据泄漏；无头优先交付；CI 用可冻结虚拟时钟消除竞态。
- **功能**：让 Claude 等编码 Agent 安全、跨平台地操作图形界面，原生为 Agent 设计的 computer-use 中间件。

## 3. thedotmack/claude-mem — 给所有 Agent 的跨会话持久记忆

- **语言**：TypeScript / JavaScript（基于 Bun）。
- **架构**：钩子 / 插件层（`PostToolUse` 静默捕获 Read/Edit、`SessionStart` 注入上下文）→ Worker 服务层（观察队列 + AI 摘要 + 检索 API）→ SQLite 存储 → Web Viewer（SSE 实时记忆流）→ 云端同步 API。
- **重点**：代理**无感知**地捕获一切工具调用，用 AI 压缩成可检索的观察 / 摘要，未来会话自动回注。
- **特色**：一套后端统一服务 10+ 代理（Claude Code、Cursor、Codex、Grok、Qoder、Gemini CLI、OpenCode 等）；按来源路由不同模型提供者；精致 DX（ASCII banner 安装器、玻璃态 Viewer）。
- **功能**：解决 Agent「记性差」痛点，跨会话 / 跨设备保留项目上下文与学习成果。

## 4. harry0703/MoneyPrinterTurbo — 输入主题一键生成高清短视频

- **语言**：Python。
- **架构**：四类入口（AI Agent / WebUI / API / CLI）；从主题自动完成脚本、配音、素材、字幕、配乐、剪辑全链路；素材来自 Pexels/Pixabay/Coverr 及 MiniMax-H3、Seedance、WaveSpeed 等文生视频；配音集成 Edge TTS、ElevenLabs、Kokoro 等。
- **重点**：兼容 200+ 主流模型与统一网关（OpenRouter、LiteLLM、Ollama 等），支持 Kimi K3.1 Pro 直接驱动创作。
- **特色**：竖屏 9:16 / 横屏 16:9 / 方形 1:1 三种画幅，一键跨平台发布 TikTok / Instagram / YouTube Shorts；支持批量生成与任务历史。
- **功能**：用 AI 自动化工作流把「一个关键词」变成可发布的短视频。

## 5. FareedKhan-dev/kimi-k3-in-c — 单 CPU + 8.24GB 跑 2.78T 参数模型

- **语言**：C99（便携，零依赖）。
- **架构**：纯 from-scratch 推理引擎，自带 safetensors / trunk 解析与 vendored JSON；MoE 专家按 1 MiB 块拆分、环形缓冲预取层；x86 走 AVX2、aarch64 走 NEON 内核；量化用 MXFP4 / q8。
- **重点**：在消费级硬件上完成 2.78 万亿参数 Kimi K3（MoE + 线性注意力）的推理，完整运行仅需 8.24 GB RAM。
- **特色**：`no BLAS, no framework, no GPU`；支持按层下载分片（`--layers N` 体验流水线）；所有内核与标量实现 bit identical；加固解析防整数溢出 / 越界。
- **功能**：把超大模型推理拉到普通笔记本，适合系统编程学习与嵌入式尝试。

## 6. Thysrael/Horizon — 你的专属 AI 新闻雷达

- **语言**：Python。
- **架构**：可配置的新闻聚合器——多源 Scraper + 全文 Extractor + 评分 / 过滤 / 路由的 Processing Profiles；输出每日简报（英文 + 中文）；支持 AI Provider、邮件、Webhook、微信、GitHub Pages、MCP 与 Agent Skill。
- **重点**：用 AI 评估并排序新闻条目，按用户偏好生成每日简报。
- **特色**：高度可扩展（自定义来源、过滤、富化块、工具）；既能在本地定时跑，也能被 AI 助手通过 MCP / Agent Skill 直接配置与扩展。
- **功能**：把「信息流」变成「专属雷达」，每天自动产出中英双语情报简报。

## 7. floci-io/floci — 永远免费的 AWS 本地模拟器（Java 版 LocalStack 替代）

- **语言**：Java（Quarkus + Maven，可 GraalVM 原生镜像）。
- **架构**：单进程模拟大量 AWS 服务；`-compat` 兼容镜像 drop-in 替代 LocalStack（内置 `awslocal`、映射 `PERSISTENCE`/`EDGE_PORT` 等变量）；自适配 docker-java HTTP 传输直接管理 Docker socket 拉起依赖容器。
- **重点**：高保真复刻 AWS 行为（错误码、分页、约束校验），覆盖 53+ 服务（EC2/Lambda/S3/DynamoDB/IAM/Bedrock/IoT Core 等）。
- **特色**：Java 生态原生模拟器（多数同类用 Python）；原生镜像启动快、占用低；DCO 治理、MIT 许可。
- **功能**：本地零成本开发 / 测试 AWS 应用，无缝从 LocalStack 迁移。

## 8. D4Vinci/Scrapling — 爬虫界的瑞士军刀（含 AI 桥接）

- **语言**：Python（3.10+，全类型提示）。
- **架构**：模块化 `Fetcher` / `Spider` / `Selector` / `CLI` / `MCP Server` / `Agent Skill`；懒加载 + 极小内存；JSON 序列化比标准库快 10 倍；92% 测试覆盖；提供 Docker 镜像（含浏览器）。
- **重点**：从单行 `Fetcher.get()` 到全站 `Spider` 并发爬取一体化；内置代理轮换、自动节流、断点续爬（crawldir 检查点）。
- **特色**：隐身能力强（绕过 Cloudflare、指纹欺骗、DoH 防 DNS 泄漏）；**原生 AI 集成**——MCP Server 让 Claude/Cursor 直接抓取，`page.markdown()` 一行出 RAG 就绪文本。
- **功能**：把传统爬虫能力直接桥接到 AI Agent 工作流，解析速度基准居首。

---

**小结**：今日热度呈现两条主线——**Agent 基础设施**（记忆、computer-use、语义推理）持续霸榜，以及**把大模型「压」进普通硬件 / 普通工作流**（CPU 跑 2.78T、一键短视频、本地 AWS 模拟）的平民化趋势。工程侧 Java 与 Python 各有一席，前者以 floci 补齐云原生本地化短板，后者以 Scrapling 打通 AI 抓取的最后一公里。