GitHub 周度总结 #2 · 2026/7/13 – 7/19

本周值得装的 5 个企业级 AI 项目。

看完你不心动，算我白写。

---

1. anthropics/cwc-workshops —— Anthropic 官方下场教用 Claude

图源：GitHub 项目主页官方 social preview

它是什么：Claude Code 的官方培训课。每个工作坊是一个完整项目，从配置到调试到部署，跑完就算入门。

应用场景：

技术团队要推 AI 编程，老板不知道从哪开始——以前派 3 个人去培训机构脱产 3 天，2 万块培训费 + 3 天没产出。现在 git clone 一份工作坊，让团队按节奏边做边学，0 成本、0 脱产，1 周整个团队用上 Claude Code。

传统程序员怕被 AI 替代，自己学不知道学什么——跟着官方工作坊跑 5 个项目，相当于 5 份实战作品集。跳槽、晋升、内部转型，简历立刻多一行硬通货。

创造什么价值：

外部培训机构 2-3 万/人、脱产 3 天的成本——砍到 0。

新员工上手 Claude Code 从 1 个月——压到 1 周。

技术负责人推 AI 落地的最稳路径——不用自己造轮子，Anthropic 把门给你打开了。

适合谁：想推 AI 落地的技术负责人、想转型的传统程序员、想用 AI 提效的产品经理。

---

2. earendil-works/pi —— 一套完整的 AI Agent 工具箱

图源：GitHub 项目主页官方 social preview

它是什么：Coding agent CLI + 统一 LLM API（OpenAI/Claude/DeepSeek/Gemini 一套调用）+ TUI/Web 界面 + Slack bot + 本地 vLLM 部署——一站式打包。作者是 libGDX 创始人，73.3k Star，代码质量过手就知道。

应用场景：

企业里最常见的浪费——每个 AI 工具各搞一套 API。客服模型用 OpenAI、文档模型用 Claude、分析模型用 DeepSeek，每换一个模型开发要改 3 天。装上 pi，一套调用接口切所有模型，业务部门想试新模型，不用等开发排期。

担心数据上公有云、想私有部署 AI——pi 支持本地 vLLM 部署，自己买台 4090 服务器，几万块搞定，模型和数据全在自己机房。金融、医疗、律所、政府，都能用。

想给公司 Slack/飞书/钉钉塞个 AI 助手——不用自己从零搭，直接用 pi 的 Slack bot 模块，配置一下就能用。

创造什么价值：

切换模型成本从 3 天开发——降到 3 分钟配置。

私有部署 AI 助手——从 50 万级项目——降到 5 万级（自购硬件+开源软件）。

AI 工具重复开发的浪费——砍掉 80%。一套框架，10 个业务场景复用。

适合谁：要做内部 AI Agent 平台的技术团队、想私有化部署 AI 工具的企业 IT 部门、不想被任何一家模型厂商绑死的公司。

---

3. NevaMind-AI/memU —— 解决 AI「聊 3 句就忘」的问题

图源：GitHub 项目主页官方 social preview

它是什么：专做「AI 长期记忆」的开源框架。对话、用户偏好、上下文状态全部结构化存储，AI 跨会话、跨天、跨月都能记起来。14k Star。

应用场景：

AI 客服现在最大的 bug——客户上周问过「我的快递到哪了」，这周再问，AI 又从头问一遍。装上 memU，AI 记住这个客户的订单、偏好、过往对话，直接接上次聊到一半的话题。客户体验直接上一个大台阶。

销售跟进用 AI 助手——以前客户说「再考虑考虑」，AI 答完就忘，下周销售再问 AI「这个客户什么情况」，AI 一问三不知。装 memU，AI 记住每个客户的跟进节点、拒绝理由、决策链——销售转岗、客户交接，全链路可追溯。

企业内部知识助手——员工问「我们公司年假怎么请」，AI 答完，员工下周再问，AI 又重新翻一遍文档。装 memU，AI 记住「这个员工休过年假 3 天/年」，直接给个性化答案。

创造什么价值：

客服对话从「每次从头问」——变「接着上次聊」——客户满意度 +30% 以上（行业基准）。

销售跟进效率——AI 不用人工重述历史，每次省 15 分钟，100 个客户每月省 25 小时。

新人培训周期——从 1 个月——压到 2 周（AI 记住了所有「老员工脑子里但没写下来」的经验）。

适合谁：做 AI 客服的公司、做 AI 销售助手的 SaaS、做企业内部知识助手的技术团队、做 AI 陪练的在线教育。

---

4. KeygraphHQ/shannon —— AI 自动挖漏洞，安全圈在关注

图源：GitHub 项目主页官方 social preview

它是什么：完全自主的 AI 白帽黑客。在 XBOW 基准测试里达到 96.15% 成功率——XBOW 是业内公认的最难自动化漏洞测试之一。不是扫描器，是真正的「黑客模拟」，会自己找入口、自己试探、自己写攻击 payload，最后给完整漏洞报告。45.9k Star。

应用场景：

电商平台大促前——最怕被羊毛党薅、DDOS 攻击、SQL 注入。雇一个高级安全工程师 30-50 万/年，跑个 Shannon——几十块到几毛钱一次的成本，1 小时出完整漏洞报告，发现问题修掉，再跑一次验证。

SaaS 公司给甲方做安全审计——以前接一单要派工程师驻场 1 周，报价 5-10 万。现在用 Shannon 先自动跑一遍，工程师只在 AI 标记的关键点深入，省 70% 人工，报价可以砍到 2-3 万，利润率反而上升。

金融、医疗、政府类客户——合规要求每年至少 1 次渗透测试。Shannon 跑 1 小时 + 工程师复审 1 天——传统渗透测试公司要 1-2 周、报价 8-15 万。直接成本砍 80%。

创造什么价值：

一个高级安全工程师年薪 30-50 万——Shannon 跑一次成本几美分到几块钱。

渗透测试从 1 周/单——压到 1 天/单（AI 先跑、人工再补）。

漏洞发现速度——从「被攻击后才知道」——变「上线前主动发现」——避免一次数据泄露就是几百万的代价。

适合谁：所有有线上业务的公司（其实也就是所有公司）、DevSecOps 团队、给甲方做安全审计的乙方、被合规压着要定期渗透的金融/医疗/政府客户。

---

5. obra/superpowers —— Agent 的「技能插件市场」

图源：GitHub 项目主页官方 social preview

它是什么：如果说 AI Agent 是「人」，Skills 就是「人的技能」。一个 Agent 没有 Skills——就是个聊天机器人，会聊天不会干活。superpowers 是 Skills 框架的事实标准之一，把每个能力打包成可插拔的模块（订机票、查天气、发邮件、写代码、跑报告），Agent 按需调用。258k Star，作者是著名开发者 jessfraz。

应用场景：

传统软件公司想给自家产品加 AI 能力——以前每个新功能都要重写一遍 prompt、搞一套 prompt 工程、写一堆 if-else 路由。装 superpowers，把每个功能做成 Skill，拖进 Agent 就能用——开发周期砍一半，bug 率砍一半。

想做 AI Agent 平台/市场——2026 年的 Agent 平台之争，本质是 Skills 生态之争。超能力的 Skills 数量、复用率、组合能力——就是未来 Agent 平台的核心护城河。提前布局，明年就是下一个 App Store。

中小企业想用 AI 提效——以前每个 AI 工具要装一个 app、付一份订阅。装 superpowers+一个 Agent，所有 Skills 按需调用，一个订阅全搞定。

创造什么价值：

AI 产品功能开发周期——从 2 周/功能——压到 3 天/功能。

企业 AI 工具订阅成本——从「N 个 SaaS 订阅」——压到「1 个 Agent + N 个 Skill」——年省 5-15 万。

未来 1-2 年的 AI 时代「App Store」——Skills 框架的早期布局者 = 下一个生态霸主。

适合谁：做 Agent 平台的技术团队、想给自家产品加 AI 能力的传统软件公司、关注 AI 基础设施的投资人、想降本增效的中小企业主。

---

本周一句话

2026 年的 AI 主线，从「谁家模型强」转到「谁家 Agent 能落地」。

本周的 5 个项目，全是 Agent 时代的「水电煤」。

装的人，1 周看到差距。3 个月，甩开同行一个身位。

不装的，等着被装的人甩开。