TL;DRcaveman(10.9 萬★,GitHub Trending 日榜第 2)用『洞人語』砍 agent 輸出 token;context-mode(2.5 萬★,第 10)把工具原始輸出關進沙盒只留精簡結果;codegraph(7.3 萬★,第 13)預建程式碼知識圖讓 agent 不用每次重新探索檔案;openrig(4,170★,第 15)用 YAML 把多個 coding agent 組成持久化團隊;draw.io 官方 MCP server 讓 AI 能直接在畫布生成流程圖。Pydantic AI v2.53.0 修了併發限流的高風險資安漏洞;Agno v3.1.1 給 Knowledge page sync 加上即時進度與可取消。
系列: AI Agent GitHub Digest (49 / 47)
今日亮點
今天 GitHub Trending 日榜前段被一群「幫 agent 少吃資源」的工具佔滿——caveman 用近乎玩笑的「洞人語」輸出省 token,context-mode 把工具呼叫的原始資料關進沙盒只留精簡結果,codegraph 乾脆把程式碼結構預先建成知識圖,讓 agent 不用每次都重新探索檔案關聯。跟過去一年「給 agent 更多能力」的敘事相反,今天這批項目比的是怎麼讓 agent 少燒 token、少犯錯;openrig 則示範了另一個方向——把多個 coding agent 綁成一個持久化團隊來跑。
Trending Repos
caveman ⭐ 108,980(GitHub Trending 日榜第 2)
GitHub · Go · Apache-2.0
- 是什麼:一個用「山頂洞人語」改寫 coding agent 輸出的技巧 + proxy 工具,號稱能把 token 用量砍 65%。
- 為什麼值得看:本質是利用簡短、低資訊密度句式對 tokenizer 更省的特性,用一個小 proxy 攔截 agent 輸出再重寫成極簡句型。即便包裝成玩笑式項目(topics 裡還真的標了
meme),今天站上 GitHub Trending 日榜第 2、累積近 11 萬顆星,說明「agent 跑越久 token 帳單越貴」這個痛點是真的,大家也真的會為一個搞笑包裝的解法捧場。 - tech stack:Go CLI + LLM 輸出重寫 proxy
- 上手難度:低——照文件跑一個 CLI proxy 即可,但要接受「洞人語」風格輸出對人類可讀性的犧牲。
context-mode ⭐ 24,974(GitHub Trending 日榜第 10)
GitHub · TypeScript · License: Other(非標準授權,使用前建議先確認條款內容)
- 是什麼:一個 MCP server,把工具呼叫回傳的原始資料關進「沙盒」,只把分析後的精簡結果放進對話的 context window。
- 為什麼值得看:作者給的數字是把一次 Playwright snapshot 從 56 KB 壓到幾 KB——邏輯是「讓 LLM 寫程式去處理資料,而不是把資料整包讀進 context」,跟 caveman 從另一個角度打同一個問題(token/context 爆掉)。支援 17 種 agent 平台透過 MCP + hooks 接入,是目前這類 context 優化工具裡接入面最廣的之一。
- tech stack:TypeScript + MCP server + SQLite(session 持久化)+ FTS5 全文索引
- 上手難度:中——概念不難,但要理解它怎麼介入每個工具呼叫的資料流,才能判斷哪些場景適合丟進沙盒。
codegraph ⭐ 72,902(GitHub Trending 日榜第 13)
GitHub · Rust 核心(GitHub 語言統計顯示 C,應是打包進去的執行環境) · MIT
- 是什麼:幫 coding agent 預先索引好程式碼知識圖譜的工具,程式碼變動時自動同步,讓 agent 不用每次都重新探索檔案關聯。
- 為什麼值得看:多數 agent 現在靠反覆 Grep/Read 去拼出程式碼結構,這類探索本身就燒掉不少 token 跟 tool call。codegraph 把這件事挪到背景、建成一份隨 commit 自動更新的索引,agent 查詢時直接拿「哪支函式呼叫了誰」而不用自己翻檔案,號稱全部跑在本機、不上傳程式碼。
- tech stack:Rust 核心 + 各 agent 專屬 MCP 整合
- 上手難度:中——裝 CLI、跑安裝器接上 agent、再對每個專案跑一次初始化,三個步驟缺一不可才真正用得上。
openrig ⭐ 4,170(GitHub Trending 日榜第 15)
GitHub · TypeScript · Apache-2.0
- 是什麼:用 YAML 定義「agent 團隊」的框架,把 Claude Code、Codex 等 coding agent 綁進同一個持久化的多 agent 系統,由一個 lead agent 協調其他 specialist。
- 為什麼值得看:市面上多半的多 agent 框架假設你從零寫 agent 邏輯,openrig 反過來包裝你已經在用的 coding agent harness,讓它們以「團隊」形式共用 context 跟工作分配,而不是各自開一個終端機視窗各做各的。這跟作者自稱的「AI civilization experiments」野心相符:不是做新 agent,是做 agent 的組織結構。
- tech stack:TypeScript + tmux(跑多個 agent session)+ YAML 配置
- 上手難度:中——需要 Node.js 22/24 跟 tmux,官方也明確提醒安裝時會寫入 provider hooks 跟 workspace trust 設定,動手前建議先讀過它會改動什麼。
drawio-mcp ⭐ 5,561
GitHub · JavaScript · Apache-2.0
- 是什麼:draw.io 官方推出的 MCP server,讓 AI assistant 能直接在 draw.io 畫布裡生成、開啟流程圖。
- 為什麼值得看:多數「畫圖 agent」工具只能生成靜態圖片或純文字描述,drawio-mcp 提供四種整合方式,其中 MCP App Server 能把互動式的 draw.io 畫布直接嵌進對話介面(不用另開分頁),對需要邊聊邊畫架構圖、流程圖的場景是個官方直接可用的選項,不用等社群兜一個不穩定的替代品。
- tech stack:JavaScript + MCP App 協定(iframe 嵌入)+ MCP Tool Server(npm 套件)
- 上手難度:低——官方託管版(mcp.draw.io)不用安裝,加一個 remote MCP server 設定就能用。
Notable Releases
Pydantic AI v2.53.0
- 重要變更:修了一個 High severity 資安漏洞(GHSA-6fqq-452j-qhrp)——用
ConcurrencyLimitedModel或limit_model_concurrency做併發限流時,一個 streaming request 如果提早退出(消費者停止迭代、丟例外、或被取消)、或用stream_text()的預設 debounce 消費完,可能不釋放它佔用的併發額度,重複發生會讓共用同一個 limiter 的所有請求被卡住。 - Breaking Changes:修復同時改了 limiter 的共用規則——一個 model wrapper 如果跟發起請求的 agent 或外層 model wrapper 共用同一個 limiter,現在會丟
UserError;ConcurrencyLimiter.acquire()改成每次呼叫都真的佔一個 slot(即使在同一個 task 上);自訂的AbstractConcurrencyLimiter也要跟著允許從別的 task release。 - 對你的影響:用
ConcurrencyLimitedModel或limit_model_concurrency做過併發限流的人該盡快升級到 2.53.0——agent 層的max_concurrency跟非 streaming 請求不受影響,但凡是「共用 limiter + streaming」的組合都該檢查。
Agno v3.1.1
- 重要變更:Knowledge 的 page sync 新增即時進度跟可取消——
stream_sync_pages()/astream_sync_pages()會持續吐出PageSyncProgress,結束時給一份SyncReport;workflow 的 function step 現在能在輸出最終結果前先 yieldStepProgress,AgentOS 直接把這個進度事件丟到既有的 REST/SSE 路由上;取消同步現在真的會中斷工作,不會像之前一樣硬跑到底才停。另外修了大型文件庫(例如 3,913 頁的 docs.agno.com)同步時偶發的連線重置問題,以及 Mintlify 風格網站分頁探索不完整的 bug。 - Breaking Changes:無明顯 breaking change,屬於功能擴充與穩定性修復。
- 對你的影響:如果你用 Agno 的 Knowledge 對大型文件站做 page sync,升級後能即時看到同步進度並中途取消,加上重試退避修正,之前偶發的連線重置問題應該會少很多。
今日收穫
原本以為 agent 生態裡「省 token」的焦點都在模型端——更小的模型、更省的 prompt caching,但今天 trending 榜上這批工具提醒我,省 token 的另一條路是在 agent harness 這一層動手:不管是 caveman 式的輸出風格改寫,還是 context-mode 的沙盒化工具輸出,核心邏輯都是「別讓資料真的進 context,而不是進去後再想辦法壓縮」。
參考資料
Glossary
Loading...