ruvnet/RuView↗: Zamiana sygnałów WiFi na dane przestrzenne i biometryczne w czasie...

Dzień przyniósł przede wszystkim agentowe skille wyszukujące (`last30days-skill` ↗, `Agent-Reach` ↗), narzędzia własnej infrastruktury AI (`Personal_AI_Infrastructure` ↗) oraz wyspecjalizowane indeksy wektorowe (`turbovec` ↗). Tydzień wzmocnił trend redukcji tokenów (`headroom` ↗), konwersji dokumentów (`markitdown` ↗) oraz filtrów jakościowych treści AI (`taste-skill` ↗, `stop-slop` ↗). Miesiąc to era grafów wiedzy (`codegraph` ↗, `Understand-Anything` ↗), przeglądarek stealth (`CloakBrowser` ↗), trwałej pamięci agentów (`agentmemory` ↗, `MemPalace` ↗) i automatyzacji wideo (`ViMax` ↗, `MoneyPrinterTurbo` ↗). Rozkład tematów z historycznego ledgeru potwierdza to: ai-agents (21), devtools (14) oraz llm-infra (7).

1. `mvanhorn/last30days-skill` ↗ — Skill badawczy przeszukujący Reddit, X, YouTube, Hacker News, Polymarket i ogólną sieć, by następnie zbudować osadzone w faktach podsumowanie. Dziś przybyło 3 558 gwiazdek. Praktyczne zastosowanie: due diligence, monitoring narracji i research rynkowy bez opłat za drogie agregatory enterprise. 2. `RyanCodrai/turbovec` ↗ — Indeks wektorowy oparty na TurboQuant, z rdzeniem w Rust i bindingami Pythona. 1 730 gwiazdek dziś. Użyteczny do szybkiego wyszukiwania semantycznego w lokalnych pipeline’ach RAG przy niższym zużyciu pamięci. 3. `Panniantong/Agent-Reach` ↗ — Rozszerzenie agenta o przeglądanie sieci: Twitter, Reddit, YouTube, GitHub, Bilibili, XiaoHongShu przez jedno CLI i bez opłat API. 796 gwiazdek dziś. Przydatne jako crawler wieloplatformowy, choć obarczone ryzykiem naruszeń regulaminów. 4. `aaif-goose/goose` ↗ — Otwarty, rozszerzalny agent AI wykraczający poza sugestie kodu: instaluje środowiska, wykonuje, edytuje i testuje z dowolnym LLM. 699 gwiazdek dziś. 5. `roboflow/supervision` ↗ — Zestaw narzędzi do computer vision wielokrotnego użytku. 1 140 gwiazdek dziś. Świetny do szybkiego prototypowania detekcji i śledzenia obiektów. 6. `Andyyyy64/whichllm` ↗ — Dopasowanie lokalnego LLM do twojego sprzętu na podstawie aktualnych benchmarków, a nie liczby parametrów. 103 gwiazdki dziś. Użytkowe wybieranie modelu zamiast zgadywania. 7. `refactoringhq/tolaria` ↗ — Aplikacja desktopowa do zarządzania bazami wiedzy w Markdownzie. 649 gwiazdek dziś. Praktyczna alternatywa dla Notion przy lokalnym zarządzaniu notatkami.

• `ruvnet/RuView` ↗ — Zamiana sygnałów WiFi na dane przestrzenne i biometryczne w czasie rzeczywistym, bez użycia kamery. 71 tys. gwiazdek, Rust. Nisza: monitoring zdrowia i systemy smart home bez inwazyjnych sensorów.
• `Open-LLM-VTuber/Open-LLM-VTuber` ↗ — Głosowa interakcja z dowolnym LLM, lokalna animacja Live2D i obsługa przerwań głosowych. 10,5 tys. gwiazdek. Przestrzeń: prywatne, lokalne avatary asystenckie.
• `chopratejas/headroom` ↗ — Kompresja wyjść narzędzi, logów i fragmentów RAG przed wysłaniem do modelu; autor obiecuje 60–95% mniej tokenów przy zachowaniu odpowiedzi. 18,5 tys. gwiazdek.
• `revfactory/harness` ↗ — Meta-skill projektujący domenowe zespoły agentów i generujący dla nich specjalizowane narzędzia pracy.
• `Leonxlnx/taste-skill` ↗ oraz `hardikpandya/stop-slop` ↗ — Dwa podejścia do filtrowania generycznej, niskiej jakości treści AI („slop”).

• `affaan-m/ECC` ↗ — 210 665 gwiazdek przy generycznym opisie „agent harness performance optimization system”. Taka skala przekracza nawet wieloletnie giganty open-source; budzi wątpliwości co do źródła ruchu, choć sama idea optymalizacji harnessów jest sensowna.
• `mattpocock/skills` ↗ — 121 480 gwiazdek za prosty opis „Straight from my .claude directory”. Wartościowa wiedza ekspercka, ale wskaźnik gwiazdek do złożoności technicznej sugeruje silny efekt osobowości bardziej niż frameworka.
• `harry0703/MoneyPrinterTurbo` ↗ — 82 tys. gwiazdek za generowanie shortów jednym kliknięciem. Idea viralowa, ale wyjście z takich narzędzi często to właśnie „slop”, którym sieć już się dusi.
• `santifer/career-ops` ↗ — System wspierania poszukiwania pracy przez AI. Ryzyko: degeneruje się w masowe spamowanie rekruterów zamiast podnosić jakość dopasowania kandydatów.
• `phuryn/pm-skills` ↗ — Marketplace ponad 100 skilli produktowych. Dobry katalog, ale jakość poszczególnych pozycji bez społecznościowej recenzji trudna do zweryfikowania; ryzyko zamknięcia w bańce własnych skryptów.

Ledger obejmuje 209 uruchomień; obecnie widoczne są 44 unikalne repozytoria. Dominujące tematy to ai-agents (21), devtools (14) oraz llm-infra (7). Wielokrotnie powracający weterani: `mattpocock/skills` ↗ (186 runów, maks. 121 480 gwiazdek), `NousResearch/hermes-agent` ↗ (159 runów, maks. 187 212 gwiazdek), `microsoft/markitdown` ↗ (133 runy, maks. 148 314 gwiazdek). Wśród nowości wyróżniają się świeże skille badawcze (`last30days-skill` ↗, `Agent-Reach` ↗) oraz indeks wektorowy `turbovec` ↗. Większość wolumenu to jednak powracające repozytoria obecne we wszystkich zakresach czasowych (cross-range overlaps), co wskazuje na stabilizację agentowego wątku jako głównej osi GitHub w 2026 roku.

W poprzednich cyklach postawione obserwacje dotyczące `multica-ai/andrej-karpathy-skills` ↗, `Hmbown/CodeWhale` ↗ oraz `Lum1104/Understand-Anything` ↗ pozostają w fazie „za wcześnie na wyrok”. Brak potwierdzonych trafień ani przestrzeliń; wszystkie trzy wciąż wymagają kolejnych runów do walidacji. Oznacza to, że scena modelowa oparta na historycznym ledgerze nie wykazuje obecnie ani bezsensownego hype’u, ani ugruntowanego przebicia, lecz płaską krzywą dojrzewania.

1. Hipoteza: W ciągu 30 dni liczba nowych repozytoriów w GitHub Trending zawierających w nazwie „-skill” lub „skills” przekroczy 15 unikalnych pozycji. Poziom pewności: 75%. Uzasadnienie: obecnie ai-agents to najliczniejszy temat (21 sygnałów), a ekosystem wokół Claude Code i podobnych harnessów napędza produkcję mikrorepozytoriów. 2. Hipoteza: `last30days-skill` ↗ lub `Agent-Reach` ↗ zostaną wchłonięte lub sklonowane przez większy framework (np. `goose` ↗, `CopilotKit` ↗ lub `hermes-agent` ↗) w ciągu 60 dni, tracąc samodzielną dynamikę gwiazdkową. Poziom pewności: 60%. Małe, wyspecjalizowane skille są łatwym łupem dla dużych ekosystemów. 3. Hipoteza: `microsoft/markitdown` ↗ osiągnie 175 tys. gwiazdek w ciągu 30 dni, ale jego tygodniowy przyrost spadnie poniżej 5 tys., bo efekt Microsoftu i viralność opuści punkt kulminacyjny. Poziom pewności: 70%. 4. Hipoteza: `CloakBrowser` ↗ lub podobne narzędzia stealth trafią pod lupę zespołów bezpieczeństwa platform społecznościowych i zostaną wskazane jako wektor scrapingowy w co najmniej jednym publicznym raporcie w ciągu 90 dni. Poziom pewności: 55%.

• Dla zespołów AI/DevOps↗: Wpleć `headroom` ↗ do pipeline’ów CI/CD↗ jako filtr logów przed wysłaniem ich do agenta AI. Autor obiecuje 60–95% redukcji tokenów przy zachowaniu treści.
• Dla analityków i product managerów: Użyj `last30days-skill` ↗ jako warstwy researchowej przed planowaniem roadmapy — zbiera narracje z Reddita, YouTube i Polymarket bez subskrypcji enterprise’owych agregatorów.
• Dla startupów edtech: Połącz `TapXWorld/ChinaTextbook` ↗ (baza podręczników PDF) z `markitdown` ↗, by wygenerować czysty Markdown i zbudować tani, lokalny RAG do korepetycji.
• Dla inżynierów MLOps: `turbovec` ↗ + `whichllm` ↗ pozwalają przetestować wydajność lokalnych setupów RAG: dobrać model pod sprzęt i zaindeksować dane szybciej niż standardowymi rozwiązaniami opartymi na czystym Pythonie.
• Dla frontendowców: `CopilotKit` ↗ jako warstwa UI dla agentów w React; `react-doctor` ↗ do audytu słabego kodu React generowanego przez AI.
• Dla twórców lokalnych modeli: `Open-LLM-VTuber` ↗ pozwala postawić prywatnego, głosowego avatara bez wysyłania danych biometrycznych do chmury.

Szum generują przede wszystkim nazewnicze zamieszanie: „skills”, „harness”, „agents” to obecnie magiczne słowa, które przyciągają gwiazdki niezależnie od architektury. Widzimy też wyraźną inflację gwiazdek: `affaan-m/ECC` ↗ z 210 tys. oraz `mattpocock/skills` ↗ z 121 tys. przebijają uznane projekty infrastrukturalne, co sugeruje efekt osobowości lub nietypowe źródło ruchu. Kolejnym źródłem szumu są narzędzia do generowania wideo (`MoneyPrinterTurbo` ↗), które obiecują „jedno kliknięcie”, ale w praktyce zasilają sieć generyczną treścią. Ostrzegawczy sygnał wysyłają też projekty typu `Agent-Reach` ↗ z hasłem „zero API fees” — scraping bez API często koliduje z regulaminami platform i obarcza użytkowników ryzykiem prawnym, nawet jeśli kod jest publiczny.

Ekosystem agentowy na GitHub przypomina dziki zachód, w którym każdy montuje własną kuźnię „skilli”, lecz rzadko kto sprawdza, czy przekuwają one cokolwiek więcej niż cudzą pracę w własne gwiazdki; prawdziwa innowacja nie polega na dodaniu kolejnego pliku do katalogu .claude, ale na skróceniu odległości między obietnicą AI a mierzalnym wynikiem w produkcji.