用手机远程指挥AI写代码，离开电脑也能推进开发（GitHub Trending）

今日 GitHub 热门项目 Top 7，已为你深度翻译整理。

1. vitali87/code-graph-rag

作者： vitali87
语言： Python
⭐ 星标： 2,971（今日 +96）　｜　🍴 Fork： 519
许可证：MIT　｜　主页：https://code-graph-rag.com
标签： ai, ast, claude-code, code-analysis, code-understanding, codebase-search, developer-tools, graph-database, knowledge-graph, llm, mcp, mcp-server, memgraph, monorepo, multi-language, python, rag, retrieval-augmented-generation, semantic-search, tree-sitter

项目定位： Code-Graph-RAG 是面向单体仓库的代码库知识图谱 RAG 工具，利用 Tree-sitter 和 Memgraph 解析多语言代码结构，让用户能用自然语言查询、理解和编辑代码。

为你而选： 适合需要在大型多语言代码库中快速定位、理解或修改代码的开发者。它将自然语言转化为图查询，大幅提升代码探索、重构和死代码分析的效率。

在大型多语言代码库里找线索，往往像在迷宫里摸黑。Code-Graph-RAG 解决的正是这个问题：它用 Tree-sitter 解析整个代码库，把函数、类、模块及其调用关系提取出来，存入 Memgraph 图数据库，形成一张统一的知识图谱。此后，你只需用自然语言提问，它就会自动生成 Cypher 查询并返回基于真实代码结构的答案。

核心亮点与技术看点
– 多语言统一图谱：支持 Python、TypeScript、Rust、Go、Java、C# 等十余种语言，Ruby 也能通过 ast-grep 插件快速接入。
– 不只是查，还能改：支持基于 AST 的精准代码修改，修改前提供 diff 预览；还能用 ast-grep 做结构化搜索与替换，比正则更靠谱。
– 数据流追踪与死代码检测：新增的 FLOWS_TO 边能追踪赋值、函数调用等数据流向；通过遍历调用图，还能揪出没人调用的死代码。
– MCP 协议支持：可作为 MCP 服务器运行，直接让 Claude Code 等客户端查询和编辑你的代码库。

快速上手
推荐用 uv 安装：

uv tool install "code-graph-rag[treesitter-full,semantic]"

除了 Python 环境，你还需要本机装有 Docker（用于跑 Memgraph）、cmake 和 ripgrep。

安装好后，三步即可跑通：

cgr daemon up  # 启动内置的图数据库栈
cgr start --repo-path /path/to/repo --update-graph  # 解析仓库并构建图谱
cgr start --repo-path /path/to/repo  # 开始交互式查询

注意事项
图谱是跨项目共享的，同步某个项目不会影响其他已索引的项目。但如果使用 --clean 参数，它会清空整个共享图里的所有项目数据（执行前会有确认提示），操作时需谨慎。

2. msitarzewski/agency-agents

作者： msitarzewski
语言： Shell
⭐ 星标： 140,636（今日 +858）　｜　🍴 Fork： 22,976
许可证：MIT

项目定位： 一套精心打磨的 AI 代理人格集合，涵盖前端、后端、DevOps等多个专业领域，每个代理都具备独特性格、工作流程和明确的交付物。

为你而选： 适合开发者和团队。可通过脚本或桌面应用一键将专家代理接入 Claude Code、Cursor 等主流 AI 工具，大幅提升特定领域的开发与协作效率。

如果你厌倦了让通用 AI 漫无目的地写代码，这个项目提供了一个新思路：把 AI 变成一支拥有明确分工的“虚拟专家团队”。The Agency 收集了大量精心设计的 AI 代理人格，从前端开发、后端架构到 DevOps、数据库优化甚至代码审查，每个代理都有独特的性格、工作流程和具体的交付物标准。

它的核心实现非常轻量：每个代理本质上是一个结构化的 Markdown 文件，包含身份设定、核心任务、技术交付物和成功指标。项目提供了强大的脚本支持，能将这些 Markdown 轻松集成到 Claude Code、Cursor、Gemini CLI、GitHub Copilot 等主流 AI 编码工具中。

快速上手
最简单的方式是下载官方桌面应用，在 macOS 上可以直接运行：
brew install --cask msitarzewski/agency-agents/agency-agents
如果你偏好命令行，可以直接使用脚本安装：
./scripts/install.sh --tool claude-code
你还可以按需安装特定团队或代理，避免环境臃肿：
./scripts/install.sh --tool cursor --agent frontend-developer,ui-designer

注意事项
项目虽然提供了庞大的代理库，但部分工具有容量限制。例如 OpenCode 目前最多只能注册约 119 个代理，超出部分会被静默丢弃。因此建议使用 --division 参数按需安装子集，安装脚本也会在超限时给出警告。如果你正在寻找提升 AI 编程精准度和专业度的方案，这套代理库值得一试。

3. google-deepmind/weathernext

作者： google-deepmind
语言： Python
⭐ 星标： 7,070（今日 +86）　｜　🍴 Fork： 936
许可证：Apache-2.0
标签： weather, weather-forecast

项目定位： Google DeepMind 开源的全球中期天气与气旋预测模型家族，包含 WeatherNext 2 及前代 GraphCast、GenCast，提供高精度气象预报能力。

为你而选： 适合气象研究者与AI开发者。普通人可通过其数据接口查询天气，开发者能本地运行模型生成高分辨率气象预测或气旋路径追踪。

WeatherNext 是 Google DeepMind 开源的 AI 气象预测模型家族，核心目标是利用深度学习替代传统物理模型，实现更高效、精准的全球中期天气预报和气旋路径追踪。最新的 WeatherNext 2 (WN2) 能以 0.25°（约30公里）分辨率进行预测，甚至覆盖 100 米高度的风速预报。

技术上看，项目基于 JAX 框架开发并针对 TPU 进行了优化，但也支持 GPU（非 Mini 版本需 H100，Mini 版本 P100 即可）。仓库不仅包含 WN2，还收录了前代基于图神经网络的 GraphCast 和基于扩散模型的 GenCast，供研究者对比探索。

想快速上手，最简单的方式是运行官方提供的 Colab Notebook，它会自动加载权重并演示如何加载初始气象数据、生成预测并可视化。如果要在本地部署，可以通过 pip install git+https://github.com/google-deepmind/weathernext.git@v0.3.0 安装，并从 Google Cloud Bucket 下载预训练权重。

需要注意的是，官方明确表示这是“研究代码”，不保证 API 稳定性。更重要的是，它不能替代任何官方气象机构的预警和通报，仅适用于研究与实验。对于不想跑模型的普通人，也可以直接通过 OpenMeteo 或 Google Cloud 获取其每日预测数据。

4. ZhuLinsen/daily_stock_analysis

作者： ZhuLinsen
语言： Python
⭐ 星标： 61,167（今日 +306）　｜　🍴 Fork： 51,991
许可证：MIT　｜　主页：https://dsa.zhulinsen.tech
标签： a-stock, ai-agent, aigc, llm, quant, quantitative-finance, quantitative-trading

项目定位： 基于大模型的多市场自选股智能分析系统，每日自动生成决策仪表盘并推送到主流通讯工具，支持零成本定时运行。

为你而选： 适合个人投资者和开发者。能每天自动汇总多市场行情与新闻，生成买卖点位与风险提示，省去手动盯盘和搜集信息的精力。

每天盯盘、翻新闻、判断买卖点是一件极其消耗精力的事。这个项目把多市场（A股、港股、美股等）的行情数据、新闻舆情聚合起来，交给大模型处理，最终生成一份包含核心结论、评分、趋势、买卖点位和风险警报的「决策仪表盘」，并自动推送到企业微信、飞书或 Telegram 等渠道。

在技术实现上，它的一大亮点是零成本定时运行。通过 GitHub Actions，你不需要自己的服务器，只需 Fork 仓库并在 Secrets 中配置好大模型 API Key（支持 OpenAI 兼容接口、Gemini、Claude 甚至本地 Ollama）、自选股代码和通知渠道，就能在每个工作日自动收到分析报告。项目默认接入了 AkShare、YFinance 等免费行情源，开箱即用。

如果你想本地体验，操作也很轻量：

git clone https://github.com/ZhuLinsen/daily_stock_analysis.git
cd daily_stock_analysis
pip install -r requirements.txt
cp .env.example .env
python main.py

如果更喜欢图形界面，运行 python main.py --webui 即可启动本地工作台，里面支持手动分析、历史报告查看和多轮 Agent 策略问股。

需要注意的是，免费数据源容易受上游限流和网络波动影响，长期高频使用建议配置 Tushare 等付费数据源。此外，项目作者明确声明这仅供学习研究，不构成任何投资建议，把它当作一个高效的信息聚合与辅助分析工具来看待最为合适。

5. Comfy-Org/ComfyUI

作者： Comfy-Org
语言： Python
⭐ 星标： 125,479（今日 +365）　｜　🍴 Fork： 14,839
许可证：GPL-3.0　｜　主页：https://www.comfy.org/
标签： ai, comfy, comfyui, python, pytorch, stable-diffusion

项目定位： ComfyUI 是一款功能强大且模块化的 AI 创作引擎，通过节点图界面让用户掌控每一个模型和参数。

为你而选： 适合视觉创作者和开发者，用于本地或云端生成图像、视频、3D模型和音频，实现高度定制化的工作流。

如果你对 AI 生成内容有进阶需求，觉得常规工具的固定参数太受限，那么 ComfyUI 绝对值得一看。它通过可视化的节点图界面，让你像搭积木一样构建图像、视频、3D 模型、音频甚至文本的生成工作流，无需编写代码就能掌控每一个模型和参数。

核心亮点与技术看点
ComfyUI 原生支持大量最新的开源模型（如 Stable Diffusion、Flux、Wan 等），同时通过 API 节点接入闭源模型。在底层执行上，它具备异步队列、局部图重执行、智能显存/内存管理以及模型卸载等特性，对量化模型也有良好支持，这意味着在本地硬件上跑复杂工作流时能更高效地利用资源。此外，它的核心可以完全离线运行，除非你主动请求，否则不会下载任何东西。

如何快速上手
对于 Windows 和 macOS 的新用户，官方强烈推荐直接下载桌面应用程序，这是最简单的开始方式。如果你是 Windows 用户且偏好便携版，也可以下载官方提供的 7z 压缩包，解压后放入模型文件即可运行。对于需要手动安装的用户，它支持 NVIDIA、AMD、Intel、Apple Silicon 等多种 GPU。如果你想强制所有内置功能保持离线并禁用可选的付费 API 节点，可以在运行时加上 --disable-api-nodes 参数。

注意事项
虽然 ComfyUI 功能强大，但它的节点式界面有一定的学习门槛。另外，官方提醒非稳定版的提交可能会非常不稳定，容易破坏自定义节点，因此建议普通用户优先使用稳定版或桌面版。Windows 便携版目前自带 Python 3.13 和 PyTorch CUDA 13.0，如果无法启动，记得更新一下你的 NVIDIA 显卡驱动。

6. harveyai/harvey-labs

作者： harveyai
语言： Python
⭐ 星标： 817（今日 +47）　｜　🍴 Fork： 176
许可证：MIT　｜　主页：https://www.harvey.ai/blog/introducing-harveys-legal-agent-benchmark

项目定位： Harvey LAB 是一个开源基准测试项目，旨在评估和改进大语言模型智能体在真实法律工作场景中的执行能力。

为你而选： 适合法律科技开发者、AI研究员及法律从业者；开发者可借此测试法律AI智能体的实际表现，推动法律工作自动化。

让 AI 智能体真正胜任法律工作

在法律行业，AI 的应用一直面临一个痛点：怎么客观衡量一个 AI 智能体到底能不能干好真实的法律活儿？Harvey LAB 就是来回答这个问题的。它是一个开源基准测试，专门用来评估大语言模型智能体在真实法律环境中的表现。

核心亮点
– 规模与覆盖面：目前包含 1671 个任务，覆盖 24 个以上的法律实践领域及合同审查场景。
– 双轮驱动设计：项目由两部分组成——一是包含智能体指令、法律文档和评分标准的任务数据集；二是用于运行和评估智能体的执行工具。

技术看点
评估方法上，它采用了“全通过评分标准”和 LLM 裁判机制，确保对智能体表现的打分既严格又具备可解释性。架构设计上涵盖了任务模型、工具适配器和报告系统，方便进行多维度的横向对比。

快速上手
建议直接从 docs/tutorial.md 开始。这份教程以一个真实的并购（M&A）数据室任务为例，带你走完从环境设置、任务检查、智能体运行、打分到查看对比报告的全流程。

注意事项
这是一个持续演进的项目，任务集和执行工具会不断扩充和优化。如果你在相关领域做研究，项目也提供了标准的引用格式，欢迎在学术工作中引用。

7. pingdotgg/t3code

作者： pingdotgg
语言： TypeScript
⭐ 星标： 17,645（今日 +163）　｜　🍴 Fork： 4,009
许可证：MIT　｜　主页：https://t3.codes

项目定位： T3 Code 是一个开源的 AI 编程智能体控制面板，让你能通过手机、网页或桌面端远程操控本机上的 Claude Code、Codex 等工具。

为你而选： 适合重度使用 AI 编程工具的开发者。它能让你离开电脑也能用手机随时监控和指挥 AI 完成代码任务，大幅提升远程开发效率。

如果你经常用 Claude Code、Codex 这类 AI 编程智能体，可能会遇到一个痛点：它们大多跑在本地终端里，一旦你离开电脑，就没法继续盯着或指挥它们干活了。T3 Code 就是为了解决这个问题而生的。

它本质上是一个「智能体控制面板」，把你在本机配置好的 Claude Code、Codex、Cursor、Grok Build 和 OpenCode 统一接管，并提供 iOS、Android、Web 以及 Electron 桌面端应用。这意味着你可以坐在沙发上用手机查看 AI 的输出，甚至在通勤路上远程给它下达新指令。项目主打高性能、随时远程访问，并且完全开源——如果哪天官方走偏了，你随时可以 fork 出来自己改。

快速上手
在运行 T3 Code 之前，你需要确保本地已经安装并登录了至少一个支持的 AI 工具（比如运行 claude auth login）。
最简单的体验方式是直接在终端运行（需要 Node.js 22.16+）：

npx t3@latest

这会同时启动后端服务和本地 Web 控制台。如果你想要桌面客户端，也可以通过 brew install --cask t3-code（macOS）或 winget install T3Tools.T3Code（Windows）来安装。

需要注意的边界
README 里明确提到，这个项目目前「非常非常早期」，遇到 Bug 是正常的。此外，团队目前暂不接受大型功能的新贡献，只考虑小修小补。如果你打算深度参与，建议先从阅读文档和解决小问题开始。