thedotmack/claude-mem: najważniejsza rzecz w całym zestawieniu.

1. NVIDIA/auto-ontology ↗ — Python, 5 526 gwiazdek łącznie, 2 050 dziś. Framework do budowania semantycznych warstw wnioskowania opartych na grafie nad danymi. W praktyce: deterministyczne generowanie zapytań i lepszy kontekst dla LLM-ów, co przekłada się na odpowiedzi, które da się prześledzić. Zastosowanie: katalogi danych, systemy zgodności, wyszukiwanie w dokumentacji technicznej. 2. vercel-labs/agent-desktop ↗ — Rust, 15 523 gwiazdki, 2 470 dziś. CLI do „computer use” dla agentów. Zastosowanie: automatyzacja aplikacji bez API, testy regresji interfejsów desktopowych, obsługa wewnętrznych narzędzi bez integracji. 3. D4Vinci/Scrapling ↗ — Python, 96 850 gwiazdek, 2 005 dziś. Framework do scrapingu od pojedynczego żądania do pełnego crawlu. Zastosowanie: monitoring cen, zbieranie danych do RAG, audyty treści. 4. mattpocock/skills ↗ — Shell, 1 379 gwiazdek dziś. Zestaw umiejętności dla inżynierów, publikowany wprost z katalogu .agents. Zastosowanie: standaryzacja pracy zespołu wokół agenta kodującego. 5. thedotmack/claude-mem ↗ — TypeScript, 1 172 gwiazdki dziś. Trwały kontekst między sesjami: przechwytuje przebieg pracy agenta, kompresuje go i wstrzykuje z powrotem w kolejnych sesjach. Zastosowanie: długie projekty, w których agent musi pamiętać decyzje sprzed tygodni. 6. floci-io/floci ↗ — Java, 29 758 gwiazdek, 1 090 dziś. Lekki, darmowy emulator usług AWS do pracy lokalnej. Zastosowanie: testy integracyjne bez kosztów chmury i bez sieci. 7. github/spec-kit ↗ — Python, 147 435 gwiazdek, 808 dziś. Zestaw narzędzi do pracy w modelu spec-driven development. Zastosowanie: wprowadzenie dyscypliny specyfikacji przed kodem w zespołach korzystających z agentów. 8. harry0703/MoneyPrinterTurbo ↗ — Python, 617 gwiazdek dziś. Generowanie krótkich filmów HD z tematu lub słowa kluczowego w oparciu o modele i workflow automatyzacji. Zastosowanie: produkcja treści pod kanały krótkich form. 9. JiaFeiMiao-K-Cat/DiscImageStudio ↗ — C#, 1 778 gwiazdek dziś, bez opisu w materiale. Największy dzienny skok bez kontekstu — warto obserwować, ale nie da się go rzetelnie zinterpretować. 10. The-PR-Agent/pr-agent ↗ — Python, 280 gwiazdek dziś. Otwarty recenzent pull requestów. Zastosowanie: pierwszy przebieg przeglądu kodu przed człowiekiem.

• thedotmack/claude-mem ↗ — najważniejsza rzecz w całym zestawieniu. Problem „agent zapomina wszystko po zamknięciu okna” jest realnym kosztem, a to repozytorium traktuje pamięć jako warstwę infrastruktury, nie jako funkcję modelu. Jeśli ten kierunek się utrzyma, pamięć stanie się tym, czym kiedyś był cache: niewidoczna, ale obowiązkowa.
• max-sixty/worktrunk ↗ — Rust, 531 gwiazdek dziś, 1 261 w tygodniu. CLI do zarządzania worktree Git pod równoległą pracę wielu agentów. Eleganckie, bo rozwiązuje problem, który sami stworzyliśmy: kilku agentów na jednym repozytorium to dziś norma, a git worktree wciąż wymaga pamięci i dyscypliny.
• FareedKhan-dev/kimi-k3-in-c ↗ — C, 351 gwiazdek dziś. Deklaracja: model o 2,78 biliona parametrów wnioskujący na jednym CPU w 8,24 GB RAM, w przenośnym C99, bez BLAS, bez frameworku, bez GPU. Nawet jeśli traktować to jako demonstrację techniki, a nie produkt, pokazuje kierunek: inferencja schodzi na sprzęt, który już mamy.
• Thysrael/Horizon ↗ — Python, 121 gwiazdek dziś. Własny radar informacyjny z codziennymi podsumowaniami po angielsku i chińsku. Zastosowanie: prywatny monitoring branży bez oddawania źródeł zewnętrznemu serwisowi.
• scenario-labs/skills ↗ — Python, 224 gwiazdki dziś. Umiejętności dla agentów do generowania obrazów, wideo, audio i modeli 3D, z wyborem modelu i wyceną przed wydatkiem oraz utrzymaniem spójności postaci i marek. Zastosowanie: produkcja kreatywna z kontrolą kosztu, nie po fakcie.
• ghostty-org/ghostty ↗ — Zig, 738 gwiazdek w tygodniu. Terminal z natywnym interfejsem i akceleracją GPU. Perełka nie z powodu nowości, lecz z powodu trwałości: wraca regularnie, bo jest po prostu dobry.

Każda prognoza ma repozytorium, bazę z danych, mierzalny próg, horyzont i warunek falsyfikacji. Horyzont domyślny: 7 dni, do 12 listopada 2026.

1. [thedotmack/claude-mem](https://github.com/thedotmack/claude-mem) — baza: obecne w trzech zakresach jednocześnie (1 172 dziś, 8 822 tydzień, 17 262 miesiąc). Próg: pozostanie w co najmniej dwóch zakresach w kolejnym przebiegu albo wzrost liczby gwiazdek tygodniowych powyżej 8 822. Falsyfikacja: wypadnięcie ze wszystkich trzech zakresów. Pewność: 70%.

2. [max-sixty/worktrunk↗](max-sixty/worktrunk↗) — baza: obecne w dziennym i tygodniowym (531 dziś, 1 261 tydzień). Próg: utrzymanie obecności w zakresie tygodniowym przy wzroście powyżej 1 261 gwiazdek tygodniowych. Falsyfikacja: brak obecności w tygodniowym w kolejnym przebiegu. Pewność: 62%.

3. [pbakaus/impeccable↗](pbakaus/impeccable↗) — baza: obecne w tygodniowym i miesięcznym (10 921 tydzień, 26 803 miesiąc), poprzednia prognoza z pewnością 72% podtrzymana. Próg: wzrost liczby gwiazdek miesięcznych powyżej 26 803 przy utrzymaniu obecności w tygodniowym. Falsyfikacja: wypadnięcie z obu zakresów. Pewność: 72%.

4. [NVIDIA/auto-ontology↗](NVIDIA/auto-ontology↗) — baza: 5 526 gwiazdek łącznie i 2 050 dziś, czyli bardzo wysoki stosunek dziennego przyrostu do całości. Próg: pojawienie się w zakresie tygodniowym w kolejnym przebiegu. Falsyfikacja: brak obecności w tygodniowym i dzienny przyrost poniżej 500 gwiazdek. Pewność: 55% — wysoki stosunek bywa objawem jednorazowego wyróżnienia, nie trwałego popytu.

5. [vercel-labs/agent-desktop↗](vercel-labs/agent-desktop↗) — baza: 15 523 gwiazdki łącznie, 2 470 dziś, brak obecności w tygodniowym i miesięcznym. Próg: wejście do zakresu tygodniowego w kolejnym przebiegu. Falsyfikacja: brak wejścia do tygodniowego przy dziennym przyroście poniżej 800 gwiazdek. Pewność: 50%.

6. Wątek przekrojowy: „skills” jako format. Baza: co najmniej pięć repozytoriów tej kategorii w materiale (mattpocock/skills ↗, jakubkrehel/skills ↗, anthropics/skills ↗, obra/superpowers ↗, scenario-labs/skills ↗). Próg: co najmniej trzy z nich obecne w dowolnym zakresie w kolejnym przebiegu. Falsyfikacja: dwa lub mniej. Pewność: 68%.

• Zacznij od pamięci, nie od promptu. Jeśli budujesz cokolwiek z agentem w pętli, warstwa trwałego kontekstu — wzorzec z thedotmack/claude-mem ↗ — daje więcej niż kolejna iteracja instrukcji. Użytkownik nie ocenia jakości promptu, ocenia to, czy agent pamięta wczorajszą decyzję.
• Rozdziel pracę agentów na worktree. max-sixty/worktrunk ↗ rozwiązuje konkretny ból: równoległe sesje na jednym repozytorium. Warto wdrożyć, zanim konflikty staną się codziennością.
• Testuj lokalnie, nie w chmurze. floci-io/floci ↗ skraca pętlę zwrotną i obniża koszt testów integracyjnych. Dla zespołów z pipeline'em opartym o usługi AWS to jedna z najprostszych optymalizacji.
• Ustal słownik designu przed generowaniem. Nutlope/hallmark ↗ i pbakaus/impeccable ↗ pokazują, że kontrola estetyki działa lepiej jako zestaw pojęć („polish”, „bolder”, „critique”) niż jako lista zakazów.
• Wyceniaj przed generowaniem mediów. scenario-labs/skills ↗ wprowadza wybór modelu i wycenę przed wydatkiem. Jeśli produkujesz obraz, wideo lub audio masowo, kontrola kosztu na wejściu jest tańsza niż na wyjściu.
• Traktuj specyfikację jako artefakt. github/spec-kit ↗ i github/spec-kit ↗ wpisują się w szerszy wzorzec: spec przed kodem, wersjonowany razem z nim. Dla zespołów, w których agent generuje większość kodu, to jedyny sposób, by wymagania nie rozjechały się z implementacją.
• Zbieraj dane odpowiedzialnie. D4Vinci/Scrapling ↗ upraszcza pozyskiwanie treści, ale skala możliwości nie zwalnia z ograniczeń regulaminowych i prawnych. Narzędzie jest neutralne; decyzja o zakresie zbierania — nie.

Kiedy każdy agent dostaje własny zestaw umiejętności, wygrywa nie ten, kto ma ich najwięcej, lecz ten, kto potrafi je wyrzucić.