In den letzten Tagen auf GitHub rumgestöbert, hatte ich ein sehr direktes Gefühl:
Die KI-Entwicklung ist jetzt nicht mehr in dieser Phase, in der alle um das Chatfenster herumstehen.
Die wirklich heiß werden, bewegen sich grundsätzlich in Richtung Terminal, Agenten, Workflows, automatisierte Ausführung und lokale Bereitstellung.
Das bedeutet, dass sich der Fokus der Leute jetzt langsam verschiebt zu:
Wie man KI wirklich in die Entwicklungsumgebung integriert,
Wie man sie dazu bringt, dir bei der Arbeit zu helfen,
und nicht nur zum Plaudern da ist.
Ich habe die 10 Projekte, die in der letzten Woche am meisten gehyped wurden und ziemlich repräsentativ sind, zusammengestellt.
──── ✦ ────
1. Claude Code
GitHub: https://github.com/anthropic/claude-code
Dieses Projekt bedarf keiner weiteren Erklärung.
Claude Code ist heute im Grunde der Repräsentant des aktuellen Trends bei Terminalagenten.
Es trifft den Nagel auf den Kopf mit Schlüsselwörtern wie Terminalausführung, MCP und komplexer Aufgabenverarbeitung.
──── ✦ ────
2. OpenCode
GitHub: https://github.com/anomalyco/opencode
Ein vollständig quelloffener Codierungsagent.
Es unterstützt mehrere Modelle, ist herstellerneutral und bietet eine gute TUI-Benutzererfahrung.
Wenn Sie sich nicht an ein bestimmtes proprietäres Produkt binden möchten, können Sie sich das hier ansehen.
──── ✦ ────
3. Gans
GitHub: https://github.com/block/goose
Blocks selbstentwickelter Agent.
Das lokale Umweltbewusstsein ist gut umgesetzt und unterstützt auch MCP.
Es gibt einen Grund dafür, warum es in letzter Zeit so viel Aufmerksamkeit erregt hat.
──── ✦ ────
4、Codex
GitHub: https://github.com/openai/codex
OpenAI treibt auch weiterhin die Entwicklung von Edge-Lösungen voran.
Um es ganz deutlich zu sagen: Große Unternehmen wetteifern jetzt alle darum, KI direkt in ihre Arbeitsabläufe zu integrieren.
──── ✦ ────
5. llama.cpp
GitHub: https://github.com/ggml-org/llama.cpp
Dies ist ein etabliertes Projekt, das im Genre der lokalen Argumentation nicht umgangen werden kann.
Solange Ihnen lokale Modelle, ressourcenschonende Inferenz und Edge-Bereitstellung noch wichtig sind, lohnt es sich immer, das im Auge zu behalten.
──── ✦ ────
6. Schwierig
GitHub: https://github.com/langgenius/dify
Jeder, der LLM-Anwendungen entwickelt, sollte damit vertraut sein.
RAG, Workflow und Multiagentensysteme – das sind praktische Technologien, in denen es sich seit jeher hervorgetan hat.
──── ✦ ────
7. WebUI öffnen
GitHub: https://github.com/open-webui/open-webui
Wenn Sie Ihr eigenes KI-Frontend entwickeln, ist es praktisch unmöglich, dies zu vermeiden.
Es kann all diese Anforderungen erfüllen, einschließlich Lokalisierung, Privatisierung und Selbsthosting.
──── ✦ ────
8. Sein
GitHub: https://github.com/ollama/ollama
Einführung von Einstiegsprodukten mithilfe lokaler Modelle.
Sein größter Wert liegt nicht in seiner Komplexität.
Stattdessen vereinfacht es den Prozess der lokalen Ausführung von Modellen.
──── ✦ ────
9、LangChain
GitHub: https://github.com/langchain-ai/langchain
Kontroverse ist Kontroverse, und Ökologie ist Ökologie.
Wer KI-Anwendungen, Toolchains oder Orchestrierungssysteme entwickelt, kommt oft nicht drum herum.
──── ✦ ────
10. Gemini CLI
GitHub: https://github.com/google-gemini/gemini-cli
Der offizielle CLI-Agent von Google.
Das Gemini-Ökosystem dringt nun immer weiter in Entwicklerwerkzeuge, Terminal-Szenarien und Code-Szenarien vor.
──── ✦ ────
Wenn man diese 10 Projekte zusammen betrachtet, ist die Richtung eigentlich ziemlich klar.
Erstens gewinnt der Markt für Codierungsagenten weiterhin an Dynamik.
Claude Code, OpenCode, Goose, Codex und Gemini CLI veranschaulichen dies allesamt.
Zweitens werden MCP, CLI und Terminalausführung zunehmend zum neuen Standard.
KI beantwortet jetzt nicht nur Ihre Fragen.
Stattdessen begannen sie, konkrete Maßnahmen zu ergreifen.
Drittens wird der lokale Einsatz weiter gestärkt.
Projekte wie llama.cpp, Ollama und Open WebUI erfreuen sich weiterhin großer Beliebtheit, was darauf hindeutet, dass die Menschen zunehmend Wert auf Kontrollierbarkeit und Privatisierung legen.
Viertens lässt sich nicht mehr nur das Modell selbst umsetzen.
Im Folgenden werden Workflow, Toolchain, Ausführungsfähigkeiten und Bereitstellungsfähigkeiten miteinander verglichen.
──── ✦ ────
Mein eigenes Gefühl ist also ganz einfach:
Schauen wir uns nun Open-Source-Projekte im Bereich KI an.
Hört auf, euch nur darauf zu konzentrieren, wer einem Chatbot ähnlicher sieht.
Worauf man wirklich achten sollte, ist...
Hierbei handelt es sich um Projekte, die bereits begonnen haben, sich in Richtung Entwicklungsumgebungen, Toolchains, Ausführungsschichten und Anwendungsbereitstellung zu bewegen.
Diese 10 Projekte zeigen Ihnen im Grunde diese Richtung auf.
Ich empfehle euch, das zu speichern.
Ich werde sie mir nacheinander ansehen, sobald ich Zeit habe.
Ich habe das Bild auch hier eingefügt.
Ich habe es mir langsam selbst beigebracht. #大漠茶馆
