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
35 репозиториев
Сервис, который превращает любой сайт в чистый Markdown или структурированные данные для моделей. Умеет искать, скрейпить, обходить сайт целиком и даже кликать по странице.
Официальная коллекция навыков (Agent Skills) от Anthropic: папки с инструкциями и скриптами, которые Claude подгружает под задачу. Хороший образец, как их писать.
Главная библиотека для работы с моделями: единый код для текста, зрения, звука и мультимодальных задач, и для запуска, и для обучения. Через неё выходит большинство новых открытых моделей.
Самый известный каркас для приложений на LLM: единый интерфейс к десяткам моделей, инструменты, цепочки и агенты. Удобно менять провайдера, не переписывая приложение.
Библиотека, которая даёт агенту управлять браузером: открывать сайты, кликать, заполнять формы. Работает с локальным браузером и с облачным.
Движок для программных анимаций, на котором Грант Сандерсон делает видео 3Blue1Brown, в том числе знаменитые ролики про нейросети. Это не AI-библиотека, а инструмент, которым наглядно объясняют математику и ML.
Больше 60 реализаций научных статей на PyTorch с пояснениями рядом с кодом: трансформеры, оптимизаторы, GAN, обучение с подкреплением. Сайт показывает код и заметки бок о бок.
Слой памяти для агентов: запоминает факты о пользователе между сессиями и достаёт нужное в нужный момент, чтобы не раздувать контекст.
Высокоуровневая библиотека глубокого обучения, которая работает поверх JAX, TensorFlow или PyTorch: пишешь модель один раз, а бэкенд выбираешь под задачу.
Классическая библиотека от Meta для быстрого поиска похожих векторов и кластеризации. Это не база данных, а движок индексов, на котором построены многие другие системы.
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.
Стандартная библиотека для диффузионных моделей в PyTorch: готовые пайплайны для картинок, видео и аудио, которые запускаются в несколько строк.
Крошечная библиотека от Hugging Face: агент решает задачу, записывая свои шаги как Python-код, а не как JSON-вызовы. Работает с разными моделями.
Библиотека поверх PyTorch, которая сводит обучение сети к нескольким строкам. К ней прилагается известный бесплатный курс fast.ai, поэтому с неё удобно начинать.
AI SDK от создателей Next.js: единый TypeScript-интерфейс к моделям, потоковый вывод, вызов инструментов и хуки для React. Меняешь провайдера одной строкой.
Whisper на движке CTranslate2: тот же результат, но заметно быстрее и с меньшим расходом памяти, в том числе в 8-битном режиме.
Быстрая и экономная по памяти реализация механизма внимания, на которой держится обучение и запуск больших моделей на GPU. Результат точный, без приближений.
Расширение для Postgres, которое добавляет тип вектора и поиск ближайших соседей. Позволяет хранить эмбеддинги рядом с обычными данными и не заводить отдельную базу.
Библиотека для работы с датасетами: одной строкой загружает тысячи готовых наборов с Hub или твои локальные файлы и быстро их обрабатывает. Умеет стримить данные без полной загрузки.
Язык управления генерацией: прямо в Python смешиваешь текст и ограничения, и модель обязана выдать строго нужный формат, включая JSON по схеме.
Библиотека параметрически эффективного дообучения: LoRA и родственные методы обучают лишь малую долю весов. Большие модели дообучаются на потребительском железе.
Библиотека Hugging Face для пост-обучения моделей: SFT, DPO, GRPO и обучение моделей награды. Основа для настройки поведения модели после предобучения.
Крошечный движок автоградиента и мини-нейросеть поверх него с интерфейсом в стиле PyTorch. Меньше ста строк, зато видно, как работает обратное распространение ошибки.
Единый интерфейс к разным провайдерам генеративного ИИ: меняешь только строку вида `openai:gpt-4o` на `anthropic:...`, остальной код остаётся прежним.
Библиотека структурированной генерации: модель выдаёт ответ строго по типу или схеме Pydantic. Работает с разными провайдерами и локальными моделями.
ETL для документов: режет PDF, письма, Word, HTML и картинки на типизированные элементы (заголовки, абзацы, таблицы), готовые для чанкинга и эмбеддингов.
Небольшая тензорная библиотека на чистом C/C++ без зависимостей. Именно она лежит в основе llama.cpp и whisper.cpp и умеет запускать квантованные модели на CPU, GPU и в браузере.
Самый популярный способ получать из LLM проверенные Pydantic-объекты: описываешь модель данных, а библиотека сама повторяет запрос, если ответ не прошёл валидацию.
Командная утилита и Python-библиотека для работы с десятками моделей: OpenAI, Claude, Gemini, локальные. Промпты и ответы сохраняются в SQLite, есть эмбеддинги, схемы и инструменты.
Встраиваемая база для поиска, как SQLite для эмбеддингов: хранит данные в файлах, ищет по ключевым словам, векторам и SQL. Удобна для мультимодальных данных.
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.