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
28 репозиториев
Бесплатный курс Microsoft из 21 урока: от основ генеративного ИИ и промптов до готовых приложений. К урокам прилагается код.
Код к книге Себастьяна Рашки: по шагам собираешь GPT-подобную модель на PyTorch, затем предобучаешь и дообучаешь её. Лучший способ понять, как LLM устроена изнутри.
Курс по классическому машинному обучению на 12 недель: 26 уроков и 52 теста. Фундамент, без которого сложно понимать современные модели.
Дорожная карта по LLM в трёх частях: основы, «учёный» (как строить модели) и «инженер» (как делать приложения). К темам приложены ноутбуки для Colab.
Подробное руководство по промпт-инжинирингу: техники от few-shot до цепочек рассуждений, статьи, лекции и ноутбуки. Недавно дополнено контекст-инжинирингом и агентами.
Курс Microsoft из 18 уроков по созданию ИИ-агентов: инструменты, память, планирование, несколько агентов. Примеры кода лежат в папке code_samples.
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.
Классическая библиотека от Meta для быстрого поиска похожих векторов и кластеризации. Это не база данных, а движок индексов, на котором построены многие другие системы.
Интерактивный курс Anthropic по промптингу: 9 глав с упражнениями, где можно сразу пробовать и смотреть, как меняется ответ Claude.
Больше 90 проектов по LLM, RAG и агентам, разложенных по сложности: от новичка до продвинутого. У каждого проекта своё описание и код.
Более 40 запускаемых ноутбуков с приёмами RAG: от базового поиска до продвинутых схем. К каждому приёму есть идея, код и ссылки на источники.
Код ко всем примерам книги Джея Аламмара и Маартена Гротендорста «Hands-On Large Language Models». Двенадцать глав-ноутбуков: от токенов и трансформеров до RAG, мультимодальности и дообучения.
Библиотека поверх PyTorch, которая сводит обучение сети к нескольким строкам. К ней прилагается известный бесплатный курс fast.ai, поэтому с неё удобно начинать.
Подборка по большим языковым моделям: ключевые статьи, открытые модели, фреймворки обучения и инференса, курсы и книги. Хороший справочник на первое знакомство с областью.
Модель, которая разбирает скриншот интерфейса на кнопки и поля, чтобы агент мог работать с экраном только «глазами», без доступа к коду страницы.
Видеокурс Андрея Карпати: с нуля пишешь нейросети, от backpropagation до языковой модели в духе GPT. Лекции идут вместе с ноутбуками.
Язык управления генерацией: прямо в Python смешиваешь текст и ограничения, и модель обязана выдать строго нужный формат, включая JSON по схеме.
Ноутбуки с кодом к книге Франсуа Шолле «Deep Learning with Python» (третье издание, на Keras 3). Работает на JAX, TensorFlow или PyTorch. Есть и старые ноутбуки к двум прошлым изданиям.
Семейство мультимодальных моделей команды Qwen: понимают изображения, документы и видео, находят объекты на кадре и работают с интерфейсами.
Segment Anything 2 от Meta: выделяет любой объект на картинке или в видео по клику и прослеживает его по кадрам. Репозиторий содержит код, веса и ноутбуки.
Крошечный движок автоградиента и мини-нейросеть поверх него с интерфейсом в стиле PyTorch. Меньше ста строк, зато видно, как работает обратное распространение ошибки.
Материалы к книге Чип Хьюен «AI Engineering»: оглавление, конспекты глав, заметки, примеры промптов и разборы кейсов. Книга о том, как адаптировать фундаментальные модели под задачи.
Бесплатный курс по MCP от Microsoft: от основ и безопасности до первых серверов, с примерами на C#, Java, JavaScript, Rust, Python и TypeScript.
Код к первому изданию книги Себастьяна Рашки «Python Machine Learning» (2015): классические алгоритмы на NumPy и scikit-learn, от перцептрона до кластеризации. Для нового издания автор сделал отдельный репозиторий.
Материалы к книге Чип Хьюен «Designing Machine Learning Systems»: оглавление, краткие пересказы глав, обзор MLOps-инструментов и подборка ресурсов. Кода в репозитории нет, книга про проектные решения.
Набор из восьми моделей разного размера, обученных на одних и тех же данных, с 154 сохранёнными чекпоинтами. Нужен, чтобы изучать, как модель учится и когда в ней появляются знания.
Материалы к исследованию непрямой prompt injection: как вредные инструкции в письмах, страницах и коде ломают приложения с LLM. Есть демонстрации атак.
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.