一、今日精选 5 条
1. git-ai：把 Anthropic 内部 Scion 的"为 Agent 重做源码管理"公开复刻出来了
地址：https://github.com/feder-cr/git-ai ｜ ★916 ｜ Go ｜ 建于 10-15，当日仍有提交
事件内容
作者基于 Anthropic 工程博客《Redesigning source control》中公开描述的 Scion（Anthropic 内部的、为"成百上千个 agent 同时读写落码"设计的版本控制系统，不对外）做了一份开源实现。核心设计与 Git 的差异有四处：客户端常在线、按需拉取单个对象与稀疏树（graft clone / graft sparse）；历史查询由服务端回答并缓存；变更通过 compare-and-swap 落地而非 merge queue；每次更新写入 changeset 日志，仓库状态放在一致性数据库 + 对象存储里，便于水平扩容。底层仍是标准 Git 仓库，MIT 许可，服务端不调用任何模型，AI 能力与供应商无关。
当日提交是其 PLAN10 系列实验：在 296 个全新构造的 Go 冲突上复现 G1 指标，并加入"有测试/无测试"两个对照组、Python 与 TypeScript 的对照臂（TypeScript 已备好未跑），另有 build check 与 SEM/BIND 度量。
值得关注的原因
- 这是第一次有人把"Agent 原生 VCS"从论文式描述变成可跑的代码。多 agent 并行时真正的瓶颈不是模型，而是 Git 的假设——"人类克隆一次、干几小时、推一次"。当 50 个 agent 在同一分支上抢着落码，merge queue 会直接塌掉。
- 它公开了自己的 benchmark 构造方式（自造 296 个冲突 + 分组对照），这比"我们快 N 倍"的口号可信得多，也顺手给出了评估 Agent 协作基础设施的方法论模板。
- 对我们的含义：如果团队要上多 agent 并行开发，现在有一个可自托管的参照物；即便不用它，"changeset 日志 + CAS 落地 + 每笔变更记名到具体 agent"这三条设计可以直接借鉴到内部流水线。
2. 腾讯混元 Hy-Memory：把"编程记忆"做成独立的双系统认知引擎（MemHub 打通 5 类编码工具）
地址：https://github.com/Tencent-Hunyuan/Hy-Memory ｜ ★1,127 ｜ Python ｜ Apache-2.0
事件内容
混元开源了"生产级双系统认知记忆引擎"及 Python SDK hy-memory，按三类场景给专用记忆流水线：Chat 走分层长期认知记忆；Working 走"事实层 + 可复用经验层"两层；Coding 走版本演化 diff-chain 追踪。当日发布 2.0.5.dev3，并连续合入 SDK 侧能力：按语义精确导入记忆、用现有 search API 检索原始记录、处理存量 raw records（该 PR 后被 revert，说明正在收敛接口）。
配套的 MemHub 是本地优先的桌面端 + CLI：把用户授权的 Claude Code、Cursor、Codex、OpenCode、Qwen Code 的会话历史与编码轨迹，统一到一个受治理的本地运行环境和数据目录，实现跨应用记忆召回。模型侧同步放出 Hy-Memory-30B-A3B 的 FP8 与 GGUF 量化版本。
值得关注的原因
- 记忆赛道此前多是"给某个 harness 加插件"（如 10-20 期推的 ai-memory）；这次是模型厂把记忆做成独立产品 + 独立模型，并且直接对上"编码轨迹"这个最脏的数据形态——用 diff-chain 记录代码怎么一步步演化，而不是把聊天记录塞进向量库。
- MemHub 的定位很关键：它不绑定单一 IDE，而是做跨 harness 的记忆中间层。这意味着"记忆"可能像当年的 LSP 一样，从各家自建变成一层公共基础设施。
- 对医学/健康类业务尤其相关：病历、随访、饮食记录的"长期演化"本质上也是 diff-chain 问题（指标怎么变的、方案为什么改），这套建模思路可直接迁移。
3. HasteHealth：给"AI 原生健康应用"的开源 FHIR 服务器，MCP 与 SMART on FHIR 是内置件
地址：https://github.com/HasteHealth/HasteHealth ｜ ★84 ｜ Rust ｜ Apache-2.0
事件内容
定位一句话：Epic / Oracle Health / HL7v2 进，FHIR R4、SQL-on-FHIR、MCP 出。临床数据以 FHIR R4 存储，通过单一 API 同时服务前端应用、分析任务和 AI agent；OAuth2、SMART on FHIR、MCP 全部内建，Rust 编写，可自托管，也提供带 BAA 的托管版。单二进制同时跑 server / worker / CLI，docker compose up 即可起全栈（Postgres + server + worker + admin 前端）。
当日提交集中在 FHIR 查询语义的补全：ne/eq 对 quantity 的支持、lt/gt/le/ge 前缀、Number 的 eq 前缀、Token/Date/Reference/Quantity 的 :missing 修饰符，以及 FHIRPath 的 toQuantity / convertsToQuantity。
值得关注的原因
- 之前几期推的医疗项目多停在"技能库/护栏/影像 agent"层，这次动的是最底下的数据底座：让 agent 直接用 MCP 说 FHIR，而不是先写一层 REST 胶水。MCP 内建意味着 Claude/Cursor 这类客户端可以零适配接入院内数据。
- 它的工程取舍值得抄：Rust + 单二进制 + 静态链接，明确针对"医院内网不能随便装 Node/Python"的现实；同时把合规（BAA、SMART 授权）当产品功能而非文档附录。
- 反过来说，今天补的全是 FHIR Search 的边角语义——说明它离"能替代成熟 FHIR 服务器"还有一段路，评估时要盯
_include、_revinclude、版本化与批量导出这几项。
4. ai-mammogram-triage：把乳腺钼靶分诊做成 MCP 服务，并且老老实实公布了校准数字
地址：https://github.com/avalderrama/ai-mammogram-triage ｜ ★1（新库，创建于 10-20）｜ Python ｜ Apache-2.0
事件内容
一个 MCP server，输入 CC/MLO 视图的钼靶图像，把每一侧乳腺分到 BI-RADS 1-2 / 3 / 4-5 三组并给出优先级（high_priority / review / no_suspicious_findings）。流程是：先用 OCR 遮掉图像上的个人信息（读到的文本不返回也不记录）→ 校验这确实是钼靶而非超声/MRI/随手拍 → 用 512/1024 双分辨率全局模型分类，图像高度 ≥1500px 时追加 2048 patch 模型（对钙化更敏感）并输出热力图和最多 3 个可疑区域 → 仅在客户端显式给出 sides 时才合并同侧多视图 → 套用校准阈值。图像不落盘。
作者公布的是留出集（VinDr-Mammo 官方 test split 中未参与校准的那一半）按乳腺的指标：BI-RADS 4-5 有 87% 落入 high_priority 或 review，同时 BI-RADS 1-2 只有 6.5% 被误升到 high_priority，AUC 0.89；CPU 单图 1-3 秒。
当日提交：任意分辨率下的视图分隔检测、按需分两层下发热力图、通过 Cloudflare tunnel 自动部署 main。
值得关注的原因
- 它示范了医学影像 agent 的"合规姿势"：先脱敏再推理、先验模态再分类、不存图、明示"研究工具、非医疗器械、未做临床验证"。这几条比模型精度更决定项目能不能进医院。
- 指标口径值得学：报的是按乳腺而非按图像，且明确区分"校准集"与"留出半 B"，还直接写出 6.5% 的误报代价。医疗 AI 里"召回好看"很容易，把代价一起写出来才是可信。
- 对我们的直接价值：这是"把专科判断封装成一个可被 agent 调用的工具"的完整样例——含输入校验、拒答路径、结构化输出与自然语言摘要分离（
structuredContent恒为英文）。
5. 营养赛道的两条新路线：数据厂商官方 Agent Skills vs 专科计量纵深
地址：https://github.com/edamam-llc/edamam-skills （★0，10-16 后有推送）｜ https://github.com/ksullivan86/kidney-health （★1，当日有提交）
事件内容
- edamam-skills：营养/食品数据库厂商 Edamam 把能力封装成可移植 Agent Skills（遵循 agentskills.io 开放标准），同一份
skills/目录同时是 Claude Code 的 plugin marketplace 和 Gemini CLI 的 extension，数据通过其托管 MCP（mcp.edamam.com/mcp/food）取。首个技能是条码查询：输入或拍摄 UPC/EAN，返回热量、宏量营养素与完整营养表。凭据一次性写进本地环境，不进对话。 - kidney-health：自托管的饮食记录 + 患者手册，专攻慢性肾病合并 1 型糖尿病：按钾、磷、钠、蛋白质、液体、碳水六个维度计量，含膳食计划、条码扫描、离线 PWA。当日仍在提交。
值得关注的原因
- 这两条路线正好对应营养类产品的分岔口：一条是"数据供应商把自己 skill 化"——不写 App，直接住进用户的 agent，按 API 调用计费；另一条是"在通用营养素之外做专科计量"——钾、磷、液体这些指标，通用卡路里类 App 基本是盲区，而这恰恰是 CKD 患者每天真正在算的东西。
- 值得警惕的是第一条路线的信号强度被高估：edamam-skills 星标为 0、main 分支近期无实质提交（最近一次是 10-16 的隐私政策），目前更像"占位式上架"而非被验证的分发渠道。判断这类"厂商官方 skill"要区分"已上架"和"有真实装机"。
- 对我们的业务含义：做营养/健康管理，通用营养素表已成红海，专科计量（肾病、糖尿病、孕产、肿瘤营养）才是护城河；而分发侧要考虑"被 agent 调用"这个新入口，别只想着做 App。
二、分类速览
A. AI Coding / 编程智能体与技能生态（8 条）
| 项目 | 星标 | 一句话 |
|---|---|---|
| feder-cr/git-ai | ★916 | 开源复刻 Anthropic 内部 Scion：为多 agent 并发落码重做 VCS（CAS + changeset 日志） |
| Tencent-Hunyuan/Hy-Memory | ★1,127 | 混元双系统记忆引擎，Coding 场景走 diff-chain；MemHub 打通 Claude Code / Cursor / Codex / OpenCode / Qwen Code |
| kdlbs/kandev | ★986 | 多 agent 控制面：Kanban + pipeline、22 家 provider、内置终端/编辑器/LSP/git 面板、Go 单二进制、无遥测、可自托管 |
| reason-machines/reason-network | ★915 | 一个守护进程让同事的 agent 之间端到端加密 P2P 对话；暴露 list_team / send_message / ask_user，消息直落会话中 |
| dominikmartn/harp | ★533 | Warp 的非官方 fork：侧边栏按"正在跑 / 等你 / 已完成"分组管理几十个 Claude Code 与 Codex 会话，带 5 小时与周额度环 |
| LinklyAI/best-skills | ★652 | 每日更新的 Agent Skills Top100 榜，聚合 skills.sh / ClawHub / 腾讯 SkillHub / GitHub / X 等 10+ 来源，开放 CSV |
| aicodeking/leanrea | ★1,293 | 用 8KB 的单个 skill 取代重量级 REA：纯 CLI 工具、不用 MCP，自测快 38%、省 35% |
| SrIruma/repoctx | ★1 | 扫描仓库真实构建/测试命令，审计并重写 AGENTS.md / CLAUDE.md 里的事实段，防止上下文文件"说谎" |
状态备注（已在往期推送，不再展开）：
stablyai/orca（★101k，仍居趋势榜首）、headroomlabs-ai/headroom、akitaonrails/ai-memory、cloudflare/security-audit-skill、DietrichGebert/ponytail今日仍在 Trending，但当日无实质新增能力。
B. 医学 / 临床研究 AI 与科研 Agent（7 条）
| 项目 | 星标 | 一句话 |
|---|---|---|
| HasteHealth/HasteHealth | ★84 | AI 原生健康应用的开源 FHIR R4 服务器，Epic/HL7v2 进、FHIR/SQL-on-FHIR/MCP 出，Rust 单二进制 |
| avalderrama/ai-mammogram-triage | ★1 | 钼靶 BI-RADS 分诊 MCP，留出集 87% 召回 / 6.5% 误升，CPU 1-3 秒，先脱敏不存图 |
| ompathak2004/Medical-Harness | ★36 | 证据锚定问答 + 临床计算器（CKD-EPI 2021、CHA₂DS₂-VASc、Wells DVT、eAG）+ 交互式 3D 解剖；检索失败拒绝编造来源 |
| MIRA-Intelligence/mira | ★19 | 超轻量医学影像科研 agent，内置 MONAI 训练、PyRadiomics 组学、生存分析三大技能，从 DICOM 到 5 折交叉验证一条链 |
| aipoch/open-science | ★5,328 | 本地优先、模型无关的科研工作台（含 arXiv 预印本与 Zenodo DOI），可执行 Python/R、产物可溯源，做"可复现研究" |
| EvidenceMD-INC/evidencemd-mcp | ★0 | 带引用的循证临床推理 MCP，兼容 Claude Code / Cursor / Codex；同时提供 OpenAI 兼容的 API 形态 |
| carlos-emr/carlos | ★34 | 加拿大开源 EMR：HL7、FHIR、Java 21 / Spring 5，走"区域级病历系统"路线 |
C. 健康管理 / 营养与食品 AI（7 条）
| 项目 | 星标 | 一句话 |
|---|---|---|
| edamam-llc/edamam-skills | ★0 | 营养数据库厂商官方 Agent Skills + 托管 MCP，一份 skills 同时上架 Claude Code 与 Gemini CLI |
| ksullivan86/kidney-health | ★1 | 慢性肾病 + 1 型糖尿病专用饮食系统：钾/磷/钠/蛋白/液体/碳水六维计量，离线 PWA |
| Townzc/liftcut-tracker | ★89 | 开源健身 + 营养 + 进度追踪，游客模式 + 可配置 AI 计划生成 |
| itspaulai/vitapulse | ★12 | Android 上完全离线的"和你的健康数据对话"，本地模型、零云端 |
| SatoSakula/MoveBench | ★7 | 运动与健康教练方向的 benchmark，补上"健身指导质量如何评测"这块空白 |
| nopara73/LongevityWorldCup | ★26 | 开源长寿"运动赛事"平台：生物学年龄计算器 + 运动员档案 + 公开榜单 |
| nutrifit-health/nutrifit-widgets | ★21 | 49 个可嵌入的营养/健身计算器（TDEE、宏量、体脂、饮水量、化验值解读） |
D. 模型底座与 Agent 基础设施（6 条）
| 项目 | 星标 | 一句话 |
|---|---|---|
| deepseek-ai/DeepInfer | ★17,902 | DeepSeek 生产级推理框架开源：支持 V4.1-Flash，Attention DP / MoE EP+EPLB、DSpark 置信度调度验证、batch-invariant 与确定性采样；硬件覆盖 NVIDIA SM100 与华为昇腾 950 |
| eagle-hq/EAGLE-4 | ★731 | 一个投机解码 drafter 通吃所有 batch size 与硬件，同步放出 Qwen3.8-27B 的 draft 权重 |
| NVIDIA/flare-local-inference | ★507 | 面向 SM120/SM121（含 DGX Spark）的本地推理服务：PyTorch 编译期 + Rust 运行期，专为长对话与 agent 反复调用优化 |
| MemTensor/MemT-1.0 | ★280 | 记忆原生基座模型：持久状态定长，128K 历史下比全上下文 KV cache 省约 66 倍存储 |
| openai/php2shell-checker | ★399 | OpenAI 以 Codex skills 形式发布的安全自查工具，检测站点/本地 PHP 是否受 php2shell（CVE-2026-109618 / 109619，session.upload_progress RCE）影响 |
| aipoch/open-science | ★5,328 | 见 B 类；作为"研究型 agent 运行时"同时也是一份 agent 工作流的参考实现 |
三、今日趋势观察
- 瓶颈从"模型"移到"协作协议"。今天最热的三个 AI Coding 项目——git-ai（源码管理）、reason-network（agent 之间通信）、kandev/harp（几十个会话的可观测与调度）——没有一个是模型，全是在解决"多个 agent 同时干活时，人怎么不被淹没、代码怎么不打架"。这是从"更强的单体 agent"转向"agent 团队的操作系统"的明确信号。
- 记忆开始分层：引擎 / 模型 / 中间件三件事被拆开。Hy-Memory 同时给了引擎（SDK）、模型（30B-A3B FP8/GGUF）和中间件（MemHub 跨 5 类编码工具），MemT-1.0 则直接把记忆做进基座（省 66 倍 KV 存储）。上一期还是"给 harness 加插件"，这一期已经是"记忆作为独立基础设施"。
- 医疗 AI 的竞争点下沉到数据语义层。HasteHealth 今天补的全是 FHIR Search 的 quantity 前缀、
:missing修饰符、FHIRPath 函数——这些枯燥的边角语义，恰恰决定 agent 能不能真的查对一条检验值。相比之下，"再做一个医疗问答 bot"的边际价值在快速下降。 - 合规不是文档，是代码路径。ai-mammogram-triage 把"先脱敏、先验模态、不存图、拒答路径"写进了处理管线，Medical-Harness 则规定"检索失败就不许编来源"。这类硬编码的自我约束正在成为医疗健康类项目的入场券，比在 README 里写免责声明有效得多。
- "厂商官方 skill"要分清真上架与真装机。Edamam 把营养数据做成 Agent Skills 并双端上架，方向对，但 0 星、main 分支无近期实质提交——这类仓库更像"占位"。选型时应看装机量、issue 活跃度与提交历史，而不是看"是否支持 Claude Code"。
- 国产算力进入开源推理栈的默认清单。DeepInfer 把华为昇腾 950 与 NVIDIA SM100 并列写在支持硬件里，这在半年前还是少见表述。
四、GitHub 地址速查
精选
- git-ai — https://github.com/feder-cr/git-ai
- Hy-Memory — https://github.com/Tencent-Hunyuan/Hy-Memory
- HasteHealth — https://github.com/HasteHealth/HasteHealth
- ai-mammogram-triage — https://github.com/avalderrama/ai-mammogram-triage
- edamam-skills — https://github.com/edamam-llc/edamam-skills
- kidney-health — https://github.com/ksullivan86/kidney-health
AI Coding
- https://github.com/kdlbs/kandev
- https://github.com/reason-machines/reason-network
- https://github.com/dominikmartn/harp
- https://github.com/LinklyAI/best-skills
- https://github.com/aicodeking/leanrea
- https://github.com/SrIruma/repoctx
医学 / 科研
- https://github.com/ompathak2004/Medical-Harness
- https://github.com/MIRA-Intelligence/mira
- https://github.com/aipoch/open-science
- https://github.com/EvidenceMD-INC/evidencemd-mcp
- https://github.com/carlos-emr/carlos
健康 / 营养
- https://github.com/Townzc/liftcut-tracker
- https://github.com/itspaulai/vitapulse
- https://github.com/SatoSakula/MoveBench
- https://github.com/nopara73/LongevityWorldCup
- https://github.com/nutrifit-health/nutrifit-widgets
底座 / 基础设施
- https://github.com/deepseek-ai/DeepInfer
- https://github.com/eagle-hq/EAGLE-4
- https://github.com/NVIDIA/flare-local-inference
- https://github.com/MemTensor/MemT-1.0
- https://github.com/openai/php2shell-checker
本期分类共 27 个项目（open-science 同时归入 B/D 两类），全部与往期去重。星标与提交时间截至 2026-10-22 09:00（北京时间）。