Agent / 大模型 / Skill / MCP：GitHub 热门项目与想法纵览

Agent 生态在最近一年里完成了一次不太显眼的重心转移：竞争不再发生在”哪个框架更强”，而发生在模型外面那一圈脚手架，以及把能力接进系统的方式上。

这个判断不是凭感觉。把四条赛道——Agent、大模型、Skill、MCP——的代表项目摆在一起看，量级最高的一批已经不再是传统意义上的”框架”，而是 harness、技能包与协议实现。而框架层本身，反而越来越像基础设施：能用、够稳、没什么可争的。

下面这张地图想解决的问题是：把不同层的东西分开看。很多选型上的纠结，本质是把不在一个层面的项目放在一起比较。

一、先把地图铺开

按”解决哪一层的问题”切开，混乱感会立刻消失：

这张图最实用的一点是：选型冲突大多发生在同层之内，而兼容性风险大多发生在跨层之间。在服务层换掉推理引擎，应用层通常无感；但在协议层换掉协议，能力层和应用层都得跟着改。

量级：谁在被真正使用

把四条赛道上 Star 数最高的几个仓库放到同一根轴上，量级差一目了然：

二、Agent：从框架之争到 harness 之争

这一层可以拆成四个互不重叠的方向：

框架：两条路线已经分道扬镳

图编排与代码优先，是这个领域里真正意义上的两条路线。图编排（LangGraph）把流程画成节点和边，换来的是可中断、可恢复、可在任意节点插入人工确认；代码优先（Agents SDK、ADK、pydantic-ai）把 Agent 写成普通函数和类型，换来的是能直接用上已有的工程工具——类型检查、单测、依赖注入。

选择标准可以简化成一句话：你的流程里有没有”必须等某个人点确认”的环节。有，图更省事；没有，代码更省事。

编码 Agent：harness 才是胜负手

这一层的竞争焦点，已经从”模型多聪明”转移到了 harness 做得多好。所谓 harness，就是模型外面那圈脚手架——工具集怎么设计、危险命令怎么拦、上下文怎么裁剪、失败怎么重试。同样一个模型，挂在不同 harness 上，实际体验可以差出一个档位。

一个旁证是：同一个模型能挂到不同 harness 上之后，出现了专门的”多订阅、多客户端切换器”，例如 farion1231/cc-switch（138,507 Star，Rust，MIT），同时管理 Claude Code、Codex、OpenCode 等多个客户端。这类工具能存在，本身就说明 harness 已经变成可替换部件。

对使用者的实际含义是：先看它怎么处理危险操作和上下文预算，再看它支持哪些模型。

并行集群：瓶颈从”能力”变成了”等待”

这个品类是最近才冒出来的，原因不难理解：单个 Agent 的瓶颈已经不是能力，而是人等待它的时间。一次重构要跑二十分钟，同时开五个 Agent 各负责一个模块，总时长就摊薄了。

但并行一开，新问题立刻出现：多个 Agent 同时改同一个仓库、同一个文件，甚至同一行。冲突治理才是这个品类的真正难点，而不是调度——调度是十分钟能写完的东西，冲突治理不是。

记忆：从”存起来”到”学会”

评价记忆方案，别只看它宣称的召回率。有三个问题更能区分优劣：记忆怎么被写进去（谁决定这条值得记）？冲突了怎么办（新记忆覆盖旧的还是并存）？怎么删（用户要求删除时能不能真的删干净）？ 第三个问题在合规场景里是硬门槛，而绝大多数项目的文档里写得很含糊。

三、大模型：重心从模型移向推理层

三点值得留意：

1. 权重仓和代码仓要分开看。 DeepSeek-V3 这类仓库的职责是发布权重和说明，推送停在 2025 年 8 月很正常，不代表模型停更。把它和 vLLM 这种”天天在推”的工程仓放在一起比活跃度，是典型的误判。
2. 推理层的分化是按”谁来用”分的。 一个人本地试模型 → Ollama；要嵌进自己的应用 → llama.cpp；要服务几百个并发 → vLLM / SGLang。三者不是竞争关系。
3. 小体积、零依赖的推理实现开始冒头。 例如 antirez/ds4（22,770 Star，C，MIT）与 JustVugg/colibri（38,248 Star，C，Apache-2.0），思路都是用极小的 C 引擎把大 MoE 模型跑在消费级硬件上。它们的意义不在性能，而在于让”能不能本地跑”这件事不再由框架决定。

四、Skill：把能力变成文件

四条赛道里，Skill 最年轻，也最容易被误解成”更长的提示词”。它其实是一种分发格式。

一个 Skill 长什么样

本质上，它就是一个带 YAML frontmatter 的 Markdown 文件，加一堆可选附属资源：

---
name: pdf-processing
description: 从 PDF 中提取文本与表格，并在需要填写表单时提供指导
---

# PDF Processing

## Instructions
1. 先用 pdftotext 提取纯文本
2. 表格类内容改用对应脚本处理

name 与 description 是必填，且有硬性约束：name 最多 64 字符，只能用小写字母、数字、连字符，不能含 XML 标签，也不能出现 anthropic、claude 这类保留字；description 最多 1024 字符，且必须同时说清”做什么”和”什么时候用”——模型就是靠它判断要不要加载这个 Skill。

渐进式披露：真正的设计精髓

Skill 的价值来自三层加载机制：

对应的成本结构是：

最值得抄走的一条设计在第 3 层。 脚本通过命令行执行，代码本身从不进入上下文，只有输出进入。这意味着可以把一整套复杂的确定性逻辑——表单填写、格式校验、批量转换——塞进 Skill，而模型只看到一句”校验通过”。这是”用代码保证可靠性、用自然语言保证灵活性”最具体的落法。

生态里的代表项目

安全：Skill 是代码，不是提示词

这一点必须单独拎出来，因为它最容易被忽略：

• Skill 可以捆绑并执行脚本。装一个来路不明的 Skill，等价于在生产环境跑一段来路不明的 Shell。
• 官方文档明确提醒：只用可信来源的 Skill，安装 Skill 应当像安装软件一样谨慎。
• 已经出现专门做”技能安全校验”的项目，但校验覆盖率与误报率都还没有公开的横向评测。
• Skill 的定义与执行数据不适用零数据保留条款，敏感场景要提前评估。

一句话：装 Skill 之前，先把它目录里的脚本读一遍。 这一步没有替代品。

五、MCP：协议已经定了，接下来比拼服务器

协议现状

MCP（Model Context Protocol）是连接 AI 应用与外部系统的开放标准。官方用了一个很好记的类比：它是 AI 应用的 USB-C 口。规范与文档仓库见 modelcontextprotocol/modelcontextprotocol（9,335 Star），文档当前修订版本标识为 2026-07-28。

它已经越过了”要不要支持”的阶段：Claude、ChatGPT、VS Code、Cursor 等客户端均已支持，一次开发、到处接入是它最实际的卖点。

一次典型的 MCP 调用链是这样的：

注意 tools/list 这一步：每个接入的 Server 都会往上下文里塞一份工具清单。这就是 MCP 用起来最真实的成本——装十个 Server，工具定义本身就吃掉一大块预算。工具多了之后，“工具检索”几乎是必然要补的一层（取舍逻辑见 Function Calling 与工具调用专题）。

服务器生态

MCP 与 A2A：不是二选一

A2A（Agent2Agent）（25,963 Star，Apache-2.0）常被拿来和 MCP 对比，但两者是互补关系：

A2A 的关键设计是不透明：协作双方不需要暴露内部记忆、专有逻辑和工具实现，只交换任务与产物。这一条决定了它能不能被企业接受——跨公司的 Agent 协作，谁也不会把自己的内部实现交出去。

六、五条被反复验证的判断

把四条赛道放在一起看，有几个结论会被不同的项目反复印证：

1. 上下文是预算，不是垃圾桶。 MCP 工具清单、Skill 元数据、记忆召回结果，都在抢同一块额度。已经出现专门”压缩工具输出与日志”的项目（如 headroomlabs-ai/headroom，74,054 Star，Apache-2.0），说明这件事已经痛到有人专门做产品。
2. 能力接协议，协作接协议，两件事分开做。 工具走 MCP，Agent 之间走 A2A，互不替代。把两者混成一个协议的尝试，目前没有看到成功案例。
3. 把能力封装成文件，是当前最优的分发形态。 SKILL.md、AGENTS.md、插件目录——形态不同，思路一致：能力可以被版本控制、被 diff、被 review。这比把逻辑藏在某个 SaaS 后台里强得多。
4. 评测与可观测不再是可选项。 langfuse/langfuse（35,191 Star）与 promptfoo/promptfoo（25,552 Star，MIT）的持续活跃说明：没有回归集的 Agent 项目，改动只能靠感觉判断。
5. 本地优先重新变得有说服力。 Ollama、llama.cpp 的活跃度，加上新的小体积 C 引擎，让”数据不出本机”从口号变成了可落地的选项。

七、按场景选型

八、值得警惕的几件事

• Star 会骗人。 六位数 Star、创建不到一年的项目已经出现多个，增速远超历史规律。热度可以看，但决策要看 issue 区的响应速度、release 节奏，以及有没有人在生产里用它。
• 许可协议必须自己核对。 表里的”未声明""自定义”一律需要打开仓库读 LICENSE。AGPL-3.0 类（如 firecrawl/firecrawl，186,302 Star）在提供网络服务的场景下有额外义务，商用前请咨询法务。
• Skill 与 MCP Server 都是供应链。 两者都能执行代码、访问你的文件与凭证。装之前读脚本，是最低成本的风控。
• 协议版本在动。 MCP 规范以日期作为修订标识（当前 2026-07-28），A2A 处在 v1.0 前后。锁版本、读 changelog，不要假设向后兼容。
• 别把权重仓当工程仓看。 判断活跃度前先分清仓库类型，否则会得出完全相反的结论。

参考

• What is the Model Context Protocol (MCP)? — MCP 官方文档
• Agent Skills 概览 — SKILL.md 规范与渐进式披露
• A2A（Agent2Agent）协议 — Linux 基金会项目
• GitHub Trending 周榜 — 新项目发现渠道

文中各项目的 Star、许可与最近推送时间，均取自 GitHub 公开接口的同一日快照（2026 年 9 月 29 日），项目名可直接点开核对。