Набор навыков и методология для кодинг-агентов: сначала уточнить задачу, спланировать, писать тесты, потом код. Агент работает дисциплинированнее.
База репозиториев AI-движения
Лучшие AI-репозитории
224 живых проекта — от агентных фреймворков до защиты от prompt injection. У каждого наше описание: зачем он, кому подойдёт и как начать за три шага.
Звёзды, форки и активность обновляем каждый день через GitHub API · обновлено 6 октября 2026 г.
- репозиториев
- 224
- категорий
- 11
- звёзд суммарно
- 11 млн
- новых звёзд за 30 дней
- +235 тыс.
За 30 дней
Растут быстрее всех
Больше всего новых звёзд за последние 30 дней.
Сервис, который превращает любой сайт в чистый Markdown или структурированные данные для моделей. Умеет искать, скрейпить, обходить сайт целиком и даже кликать по странице.
Небольшая утилита от Microsoft: превращает PDF, Word, PowerPoint, Excel и другие файлы в Markdown, который удобно отдавать языковой модели.
Открытый кодинг-агент для терминала с десктопным приложением. Не привязан к одному провайдеру: подключаешь модели, какие есть.
Набор инструментов для разработки от спецификации: сначала принципы и спека, затем план и задачи, и только потом код. Работает с разными кодинг-агентами.
Лёгкий кодинг-агент от OpenAI, который запускается в терминале и работает с кодом проекта. Написан на Rust.
Категории
Агентные фреймворкиФреймворки и оркестрация: из чего собирают агентов и мультиагентные системы.23 репозиторияКодинг-агенты и CLIАгенты, которые пишут код в терминале и редакторе, и методики работы с ними.21 репозиторийMCPСпецификация, официальные SDK и лучшие серверы Model Context Protocol.20 репозиториевОткрытые модели и инференсОткрытые веса, локальный запуск, быстрый инференс и дообучение.38 репозиториевRAG и векторные БДПоиск по своим данным: парсинг документов, краулеры, векторные базы, графы знаний.19 репозиториевEvals и наблюдаемостьКак измерить качество модели и агента и что происходит у него внутри.17 репозиториевПромптинг и контекстПромпты, структурированный вывод, навыки и контекст-инжиниринг.16 репозиториевГолос, видео, мультимодальностьРаспознавание и синтез речи, голосовые агенты, картинки и видео.19 репозиториевАвтоматизацияВоркфлоу без кода, агенты в браузере и на компьютере.15 репозиториевAwesome-списки и обучениеКурсы, книги и awesome-списки, с которых стоит начинать.21 репозиторийБезопасностьPrompt injection, guardrails, red teaming и сканеры агентов.15 репозиториевНе нашёл свой любимый?Предложи репозиторий — посмотрим и добавим, если он того стоит.Предложить репозиторий →
Каталог
16 репозиториев
Официальная коллекция навыков (Agent Skills) от Anthropic: папки с инструкциями и скриптами, которые Claude подгружает под задачу. Хороший образец, как их писать.
Бывший Awesome ChatGPT Prompts: огромная библиотека промптов от сообщества плюс интерактивная книга по промптингу. Можно развернуть свою приватную копию.
Коллекция системных промптов и описаний инструментов популярных AI-продуктов: Cursor, Devin, Windsurf, Lovable, Manus и других. Полезна, чтобы изучить, как их строят профессионалы.
Подробное руководство по промпт-инжинирингу: техники от few-shot до цепочек рассуждений, статьи, лекции и ноутбуки. Недавно дополнено контекст-инжинирингом и агентами.
Сборник примеров и руководств по работе с API OpenAI: от базовых запросов до вызова функций и RAG. Большая часть кода на Python.
Рецепты от Anthropic в виде ноутбуков: инструменты, RAG, мультимодальность, субагенты и другие приёмы работы с Claude. Код можно копировать в свои проекты.
Библиотека Google для извлечения структурированных данных из текста с помощью LLM: каждое поле привязано к месту в источнике, а результат можно посмотреть в интерактивной визуализации.
Фреймворк, в котором вместо ручной правки промптов описываешь программу из модулей, а система сама подбирает промпты и примеры под метрику качества.
Интерактивный курс Anthropic по промптингу: 9 глав с упражнениями, где можно сразу пробовать и смотреть, как меняется ответ Claude.
Двенадцать принципов, как строить LLM-приложения, которые не стыдно отдать клиентам: свои промпты, свой контекст, простые агенты, явный контроль потока.
Язык управления генерацией: прямо в Python смешиваешь текст и ограничения, и модель обязана выдать строго нужный формат, включая JSON по схеме.
Библиотека структурированной генерации: модель выдаёт ответ строго по типу или схеме Pydantic. Работает с разными провайдерами и локальными моделями.
Самый популярный способ получать из LLM проверенные Pydantic-объекты: описываешь модель данных, а библиотека сама повторяет запрос, если ответ не прошёл валидацию.
Шаблон проекта для контекст-инжиниринга с Claude Code: правила в CLAUDE.md, примеры кода и команды, которые превращают описание фичи в подробное задание и затем в готовую реализацию.
Специальный язык для описания вызовов LLM как типизированных функций: промпт, схема ответа и тесты лежат рядом и компилируются в клиент для вашего языка.
Сжимает длинные промпты и контекст до 20 раз с небольшой потерей качества, убирая малозначимые токены. Экономит деньги и ускоряет ответ.
Мы что-то упустили?
Предложить репозиторий
Пришли ссылку на GitHub и пару слов, почему он здесь нужен. Каждую заявку смотрим руками — в каталог попадает не всё.