Набор навыков и методология для кодинг-агентов: сначала уточнить задачу, спланировать, писать тесты, потом код. Агент работает дисциплинированнее.
База репозиториев AI-движения
Каталог AI‑репозиториев
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 21 ноября 2026 г.
- репозиториев
- 224
- категорий
- 11
- звёзд суммарно
- 11 млн
- новых звёзд за 30 дней
- +219 тыс.
За 30 дней
Растут быстрее всех
Больше всего новых звёзд за последние 30 дней.
Официальная коллекция навыков (Agent Skills) от Anthropic: папки с инструкциями и скриптами, которые Claude подгружает под задачу. Хороший образец, как их писать.
Сервис, который превращает любой сайт в чистый Markdown или структурированные данные для моделей. Умеет искать, скрейпить, обходить сайт целиком и даже кликать по странице.
Набор инструментов для разработки от спецификации: сначала принципы и спека, затем план и задачи, и только потом код. Работает с разными кодинг-агентами.
Открытый кодинг-агент для терминала с десктопным приложением. Не привязан к одному провайдеру: подключаешь модели, какие есть.
Графический конструктор пайплайнов для диффузионных моделей: собираешь генерацию картинок, видео и аудио из узлов. Работает локально и умеет отдавать результат по API.
Категории
Каталог
7 репозиториев
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.
Язык управления генерацией: прямо в Python смешиваешь текст и ограничения, и модель обязана выдать строго нужный формат, включая JSON по схеме.
Агентный фреймворк от авторов Pydantic: строгие типы на входе и выходе, много моделей, голос и эмбеддинги. Ошибки ловятся ещё до запуска.
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.
Специальный язык для описания вызовов LLM как типизированных функций: промпт, схема ответа и тесты лежат рядом и компилируются в клиент для вашего языка.
Python-фреймворк, который проверяет входы и выходы LLM готовыми валидаторами из Guardrails Hub и помогает получать структурированные ответы. Ловит риски до того, как ответ дойдёт до пользователя.
Мы что-то упустили?
Предложить репозиторий
Пришлите ссылку на GitHub и пару слов, почему он здесь нужен. Каждую заявку смотрим вручную — в каталог попадает не всё.










