ai-ggbond-github-trending

name	ai-ggbond-github-trending
description	检索、筛选并解读 GitHub Trending 热门开源项目，输出适合飞哥的 AI Native、开发者工具、Agent、MCP、LLM 应用趋势洞察。Use when 用户提到 GitHub Trending、热门开源项目、趋势仓库、AI 项目发现、开发者工具发现、开源项目选题、公众号选题、副业机会或需要从 GitHub 热榜找人脉/商机。
version	1.0.0
author	AI朱朱侠
license	MIT
metadata	{"hermes":{"tags":["github","trending","ai-native","developer-tools","research","content-ideas"],"related_skills":["ai-ggbond-article-writer","ai-ggbond-x-followings-feed","web-access"]}}

AI朱朱侠 GitHub Trending 趋势发现

Overview

这个 Skill 用来围绕 https://github.com/trending 做轻量但有判断力的趋势发现：不是搬运热榜，而是帮助飞哥从开源项目里找到 AI Native 机会、开发者工具趋势、Agent/MCP/LLM 应用方向、人脉资源和可转化的公众号选题。

核心原则：查、筛、判。先稳定拿到 GitHub Trending 项目，再按语言、时间、关键词过滤，最后站在飞哥的求职/IP/副业视角判断“为什么值得关注”。

When to Use

• 用户要查 GitHub Trending 今日/本周/本月热门项目。
• 用户指定语言，例如 Python、TypeScript、Go、Rust、JavaScript。
• 用户想找 AI、Agent、MCP、LLM、自动化、开发者工具方向的新项目。
• 用户要把开源热榜转化为公众号选题、产品机会、副业线索或可链接的人脉。
• 用户需要一份“项目清单 + 趋势判断 + 下一步动作”的简报。

不要用于：

• 严肃投资尽调：Trending 只能作为早期信号，不能替代财务、用户、商业化验证。
• 长期监控：定时推送应另建 cronjob，不写死在 Skill 里。
• 只看 star 排名：星标增长不等于真实价值，必须补充问题价值、用户场景和风险判断。

Quick Start

优先使用本 Skill 自带脚本：

python /Users/admin/.hermes/skills/creative/ai-ggbond-github-trending/scripts/fetch_github_trending.py --since daily --limit 10 --markdown

按语言筛选：

python /Users/admin/.hermes/skills/creative/ai-ggbond-github-trending/scripts/fetch_github_trending.py --language python --since weekly --limit 10 --markdown

按关键词筛选 AI/Agent/MCP：

python /Users/admin/.hermes/skills/creative/ai-ggbond-github-trending/scripts/fetch_github_trending.py --since daily --limit 20 --keyword agent,mcp,llm,ai --markdown

输出 JSON 供二次分析：

python /Users/admin/.hermes/skills/creative/ai-ggbond-github-trending/scripts/fetch_github_trending.py --language typescript --since monthly --limit 20 --json

Workflow

0. 先确认边界，不抢跑实现

   • 当用户要求修改/升级本 Skill 的设计，尤其涉及“用户画像适配、跨 Agent 兼容、自动读取记忆、隐私边界、通用版 vs 私有版”等产品边界时，必须先连续追问并确认需求，不要直接改文件。
   • 推荐先确认：支持哪些 Agent、是否真的读取 profile 文件、profile 优先级、是否保留飞哥专属模式、输出中是否展示适配依据、无画像时默认框架。
   • 如果用户明确说“没明确需求前不要开始行动”，这一句优先级高于默认执行冲动。

1. 识别需求

   • 时间范围：daily / weekly / monthly，默认 daily。
   • 语言：可选，转成 GitHub Trending slug，如 python、typescript。
   • 关键词：可选，逗号分隔，如 agent,mcp,llm,rag,workflow,automation。
   • 输出目标：清单、趋势简报、选题、商机、人脉跟进建议。

2. 抓取项目

   • 用脚本请求 https://github.com/trending/{language}?since={since}。
   • 如果脚本失败，fallback 到 web_extract / browser / GitHub Search API。
   • 保留字段：repo、url、description、language、stars、forks、growth、built_by。

3. 筛选与去噪

   • 关键词过滤只能作为第一层，不要漏掉描述不明显但方向相关的项目。
   • 对 AI Native 方向重点看：Agent、MCP、LLM、RAG、workflow、automation、eval、inference、devtool、browser、data、observability。
   • 对飞哥主线重点看：是否能服务求职背书、公众号内容、制造业/企业服务方案、副业工具、人脉链接。

4. 输出飞哥视角判断

   • 不要只说“这个项目很火”。必须回答：
     • 它解决了什么真实问题？
     • 为什么现在爆？
     • 对 AI Native 超级个体有什么启发？
     • 对求职/IP/副业有什么可行动价值？
     • 是否值得联系作者/加入社区/做二创文章？

5. 给下一步动作

   • 深挖 1-3 个项目 README、issues、roadmap。
   • 找项目作者的 X/GitHub/LinkedIn，用于人脉链接。
   • 生成 1-3 个公众号选题。
   • 如项目适配飞哥场景，提出“1小时复刻/试用/二创”的最小动作。

Output Format

格式铁律

1. 飞书不支持 Markdown 表格，所有表格数据统一用代码块展示。非飞书平台可用标准表格。
2. Star 数和增长数必须突出，是读者第一眼看到的数字。
3. 深挖项目按相关性优先级排序（P0 > P1 > P2），不按增长排名。
4. 每个选题必须有标题+一句话切入角度，标题要有判断、有钩子，不做新闻搬运。

See references/feishu-formatting.md for complete Feishu formatting rules.

输出结构（6 段式）

完整模板见 templates/trending_report.md

## 一句话结论
[时间范围内最值得关注的趋势，不超过 80 字，要有判断]

### 🏆 增长 Top 5
（代码块格式，每个项目：排名 / 项目名 ⭐ 总Star (+周增长/周) / 语言 | 一句话核心价值）

### 📊 完整榜单（按周增长排序）
（代码块格式，表头：项目 / 总 Star / 周增长 / 语言 / 简介，建议 15-25 个）

### 🎯 值得深挖的项目
（选择标准：与目标受众主线相关 + 周增长 Top 10 + 有明确场景价值）
每个项目 5 个维度：
- 项目定位：一句话说清楚它是什么
- 解决的问题：它到底在解决什么真实痛点
- 爆火原因：为什么是现在爆，不是半年前
- 对[目标受众]的价值：P0/P1/P2，具体说明和受众主线的关系
- 下一步：一个可执行的最小动作（试用/写文/联系作者/对比分析）
（深挖 3-6 个项目，根据实际情况调整数量）

### 📈 趋势判断
4 个维度：
- 技术趋势：从数据中提炼的技术方向信号，2-3 条
- 产品趋势：从数据中提炼的产品形态信号，1-2 条
- 商业化可能：可落地的商业机会，2-3 条
- 风险/泡沫：需要警惕的泡沫或噪声，1-2 条

### ✍️ 可转化内容选题
（3-5 个选题，每个：标题 + 一句话说明切入角度）

飞哥专属判断框架

用四个问题快速判断一个 Trending 项目值不值得投入时间：

1. 场景真不真：它解决的是刚需、效率痛点，还是 Demo 型炫技？
2. 扩散快不快：是否顺应了模型能力、开源生态、开发者工作流变化？
3. 迁移值不值：能否迁移到飞哥的求职表达、企业 AI 方案、公众号内容或副业工具？
4. 链接人不人：是否值得 follow 作者、进 Discord/社区、主动交流建立人脉？

判断口径：

• P0 深挖：强相关 AI Native / Agent / MCP / 开发者工具，且有明确应用场景。
• P1 关注：方向有启发，但与飞哥当前主线间接相关。
• P2 略过：纯技术炫技、噪声榜、商业化/内容转化价值低。

Script Reference

脚本位置：

/Users/admin/.hermes/skills/creative/ai-ggbond-github-trending/scripts/fetch_github_trending.py

参数：

• --language: 可选，语言 slug，例如 python、typescript、go、rust、javascript。
• --since: daily / weekly / monthly，默认 daily。
• --limit: 返回数量，默认 20。
• --keyword: 逗号分隔关键词，本地过滤 repo 名称、描述、语言。
• --json: 输出 JSON。
• --markdown: 输出 Markdown 表格。

Cross-Agent User Profile Adaptation

当本 Skill 被不同用户或不同 Agent 使用时，不要把某一个人的身份写死进分析。Skill 负责“怎么分析 GitHub Trending”，用户画像负责“为谁分析”。

本 Skill 的默认产品边界已确认：

1. 策略 + 脚本双层适配：SKILL.md 要写清识别逻辑；脚本侧也应支持环境探测，且不要假设只存在 Hermes/Claude Code/Codex/OpenCode/OpenClaw，需保留未来 Agent 扩展位。
2. 只检测，不读取隐私内容：脚本默认只检测 profile / memory / instruction 文件是否存在，不自动读取内容；由当前 Agent 已注入上下文或用户明确授权决定是否读取。
3. 三层上下文合并：用户级 Profile 决定“为谁分析”，项目级 Context 决定“在什么项目语境里分析”，Skill 决定“怎么做分析”。多个 profile 同时存在时，不简单互相覆盖。
4. 保留 AI朱朱侠 IP 名称：继续迭代 ai-ggbond-github-trending，但内部分析逻辑要可迁移，不写死“飞哥专属”。
5. 适配说明简短透明：最终报告只简短显示“已按当前用户画像/当前 Agent 环境调整分析重点”，不要暴露具体 profile 路径或隐私内容。
6. 无画像时用通用五类框架：Developer value、Product value、Business value、Content value、Network value。

常见 profile/context 探测位置（仅检测存在）：

Agent / Context	用户级画像候选	项目级上下文候选
Hermes Agent	~/.hermes/memories/USER.md, ~/.hermes/memories/MEMORY.md	AGENTS.md, CLAUDE.md, project skills
Claude Code	~/.claude/CLAUDE.md, ~/.claude/rules/*.md	./CLAUDE.md, ./.claude/rules/*.md
Codex	全局 instructions/上层 AGENTS.md（若存在）	./AGENTS.md, 子目录 AGENTS.md
OpenCode/OpenClaw/Other	~/.config/<agent>/AGENTS.md 或工具配置	./AGENTS.md, ./CLAUDE.md, custom instructions

详细设计与后续实现记录见 references/cross-agent-user-profile-adaptation.md。

Fallback Strategy

GitHub Trending 没有官方 API，页面结构可能变。若脚本失败：

1. 用 web_extract(["https://github.com/trending?... "]) 获取页面内容。
2. 如页面被压缩或解析失败，使用 browser 打开页面检查 DOM。
3. 必要时用 GitHub Search API 搜索近期高 star 仓库，但要明确这不是 Trending 等价数据。
4. 输出时标注数据来源和限制，不要假装精确。

Pitfalls

1. 脚本超时是常态：fetch_github_trending.py 在 Hermes VM 上经常 60s 超时（网络慢或 GitHub 限流）。遇到超时不要反复重试，直接 fallback 到 web_extract(["https://github.com/trending?since=weekly"])，通常 10-20 秒就能拿到数据。
2. web_extract 返回的是摘要：页面超过 5000 字符会被 LLM 截断，可能丢失尾部项目。如需完整 25+ 项目，用 browser 打开页面抓取。

Common Pitfalls

1. 把 Trending 当真理。 Trending 是热度信号，不是价值证明。必须补“为什么值得关注/为什么可能是噪声”。
2. 只搬运项目列表。 飞哥要的是判断、选题、人脉和商机，不是榜单复读机。
3. 关键词过滤过窄。 很多好项目不会在描述里写 agent/llm/mcp，先全量抓取，再语义判断。
4. 忽略时间窗口。 Daily 看爆发，Weekly 看持续性，Monthly 看趋势稳定性。
5. 过度工程化。 第一版只做查、筛、判；数据库、归档、定时推送后续按使用频率再加。
6. 页面解析脆弱。 GitHub 改 HTML 时脚本可能失效，保留 fallback，并优先输出清晰错误。

Verification Checklist

• 脚本 --help 可用。
• --since daily --limit 5 --markdown 能返回表格或清晰错误。
• --language python --since weekly --limit 10 --json 输出可被 json.loads 解析。
• --keyword agent,mcp,llm 能过滤结果；无匹配时不崩溃。
• 输出字段至少包含 repo、url、description、language、stars、forks、growth。
• 最终回答必须包含飞哥视角判断，而不是只贴榜单。