AI agent 已经不是一个品类了。这是我今天看完一周雷达采集后最确定的判断。

截至 6/28，GitHub 月榜（来源：star-history.com 抓取）+ Product Hunt 月榜 + Hacker News 周榜，三源合采后能稳定出现在榜单上的 agent 相关开源项目 / 产品，已经稳定分布在五个相互独立的层：调研层、记忆层、调度层、防 slop 层、评估层。每一层都有自己的冠军项目，自己的增长曲线，自己的用户群。这一篇要做的，就是把这五层地图摊开，然后讲为什么"分得清"比"做得强"更重要。

第一层：调研层，让 agent 看见全网

调研层做的是一件具体的事：给 agent 一双眼睛，能搜、能读、能汇总多个外部数据源。这一层的特征是"输入侧"。

雷达采集到的几个代表性项目（截至 6/28）：

  • Panniantong/Agent-Reach，GitHub 月榜第 4，月增 +22,848 stars，总星 ★43,587。描述很直白：「Give your AI agent eyes to see the entire internet. Read & search Twitter, Reddit, YouTube, GitHub, Bilibili, XiaoHongShu, one CLI, zero API fees.」
  • mvanhorn/last30days-skill，GitHub 月榜第 6，月增 +20,777 stars，总星 ★47,179。描述：「AI agent skill that researches any topic across Reddit, X, YouTube, HN.」
  • Fundraisly，Product Hunt 月榜第 1，↑1,468 票。描述：「AI fundraising agent that finds investors and books meetings.」

这一层的共性是：它们都在做"读"这件事，但读的目标完全不同。Agent-Reach 在做"全平台覆盖"，last30days-skill 在做"近 30 天时间窗"，Fundraisly 在做"垂直场景（融资）"。我的判断是，调研层接下来会继续按"垂直场景"再细分，通用调研工具会被垂直场景工具挤压。

第二层：记忆层，让 agent 跨会话记得住你

记忆层做的是一件更隐蔽的事：让 agent 在跨 session、跨任务、跨工具调用之间，保持对一个用户 / 一个项目的持续理解。这是"上下文侧"。

雷达采集到的：

  • supermemoryai/supermemory，GitHub 月榜第 19，月增 +5,121 stars，总星 ★27,782。描述：「Memory and context engine + app that is extremely fast, scalable, and can be run fully locally. The Memory API for the AI era.」
  • minimi，Product Hunt 月榜第 16，↑552 票。描述：「Your ambient memory for Claude.」

记忆层的技术路径开始分裂。一类是 supermemory 这种"通用记忆 API + 本地部署"，另一类是 minimi 这种"绑定特定 agent（Claude）的环境记忆"。我觉得通用记忆层会先变成基础设施层（类似数据库），而垂直记忆层（绑 Claude / 绑 Cursor / 绑 Codex）会留在应用层吃溢价。

第三层：调度层，让 agent 协调多个子任务

调度层解决的是"agent 太长 / 太复杂"的工程问题。agent 一旦超过 20 步工具调用，就开始变成分布式系统。这一层做的是"执行侧"的协调。

雷达采集到的：

  • can1357/oh-my-pi，GitHub 月榜第 15，月增 +7,339 stars，总星 ★14,907。描述：「AI Coding agent for the terminal, hash-anchored edits, optimized tool harness, LSP, Python, browser, subagents.」
  • ogulcancelik/herdr，GitHub 月榜第 16，月增 +5,076 stars，总星 ★7,765。描述：「agent multiplexer that lives in your terminal.」

oh-my-pi 偏"单 agent 内部增强"（LSP、hash-anchored edits、subagents 都在同一个 agent 内部），herdr 偏"多 agent 并发"（multiplexer 这个词本身就是这个词的工程翻译）。我的判断是，2026 下半年 agent 调度层会复制 2023 年 frontend 框架大战的样子，单体增强派 vs 多 agent 编排派会再打一年。

第四层：防 slop 层，让 agent 输出的不是平均产物

防 slop 层做的是"输出侧的质量控制"。这一层的存在本身就说明了一件事：模型能力已经够强，强到默认输出已经够"对"，强到品味和判断力变成了新的瓶颈。

雷达采集到的：

  • Leonxlnx/taste-skill，GitHub 月榜第 11，月增 +28,908 stars，总星 ★52,110，本月榜冠军。描述：「Taste-Skill, gives your AI good taste. stops the AI from generating boring, generic slop.」
  • asgeirtj/system_prompts_leaks，GitHub 月榜第 17，月增 +5,827 stars，总星 ★46,628。描述：「Extracted system prompts from Anthropic, Claude Fable 5, Opus 4.8, Cl…」

taste-skill 是本月 GitHub 月榜冠军，月增接近 3 万 stars。这个数字单独看就已经很能说明问题了。system_prompts_leaks 的存在则说明另一件事：大家不只在做"防 slop 输出"，还在研究"反向工程优秀 agent 的 system prompt"，这本身就是一种"防 slop 的元工具"。

副线案例：@zarazhangrui 6/26 那条 212 赞的推也讲了类似的事，「Btw I used Borumi to create this video, and it’s genuinely the most underrated video recording/editing tool out there. It’s like Screen Studio + Descript + CapCut all in one.」 视频创作的反 slop 工具链也在被同一批人推起来，这条线跟 taste-skill 是同一条藤。

第五层：评估层，让 agent 的失败可被定位

评估层做的是"事后侧的可观测性"。agent 跑完一个任务，你怎么知道哪一步出了问题？

雷达采集到的：

  • AgentX，Product Hunt 月榜第 14，↑580 票。描述：「Evaluate AI agent, pinpoint issues, and fix with one click.」

这一层的项目数量目前还不多，但信号已经够强。@rauchg 6/27 那条 270 赞的推原话：「Agents are particularly hard-to-debug software. For one, and by design, AI models behave in non-deterministic ways. Even two identical prompts don’t always yield the same output. But agents are also complex distributed systems.」 一个 Next.js 的核心维护者公开说 agent 难 debug，这条信号比任何榜单数据都更值得 builder 关注。

三个跨源信号叠在一起看

地图摊完之后，我想把三周以来雷达里最强的三个跨源信号放在一起。三条信号来自三个完全不同的源头，但指向同一件事。

信号一：@rauchg 的"agent 特别难 debug"（6/27，270 赞）。来源是工程圈最严肃的一线观察者，他在讲一件具体的事：agent 是 non-deterministic + distributed system，两个属性叠在一起，传统 debugger 不够用。

信号二：@swyx 的"scaling without slop"（6/26，46 赞）。原话：「we have been scaling without slop by working with aligned domain experts to add coverage.」 来源是 devrel 圈，他在讲另一件具体的事：扩内容规模这件事，没法靠纯 AI 自动化，必须靠"对齐过的领域专家 + AI"。

信号三：@nikunj 在 taste 评论区的那条（6/26，40 赞）。原话：「a lot of people who never have built anything, can’t achieve taste without being in the arena.」 来源是 builder 圈，他在讲第三件具体的事：品味不是在屏幕前看出来的，是在实战里磨出来的。

三条信号，三个人，三个完全不同的立场（工程 / 增长 / 产品），但他们都在讲同一句话：agent 时代的瓶颈不是模型能力，是配套栈的成熟度。

佐证还有：HN id 48698188 上 foxmoss 那篇《Running a software jam in a world of slop》拿下 52 分，文章讲的就是"在 slop 时代怎么组织一场软件 jam 才不会被淹没"。他描述的困境，跟 @swyx 描述的扩规模困境，跟 @nikunj 描述的品味困境，是同一种困境的不同面。

普通人 / builder 该怎么选

讲完地图和信号，最后讲一件事：如果你是一个想用 agent 做事的人 / 一个在选 agent 工具栈的 builder，今天该做什么。

我的判断是三步：

第一步，先挑一层，深扎进去。 不要上来就铺五层。我个人会先做"防 slop 层"，因为它投入产出比最高，单个 skill 文件就能开始见效。taste-skill 这种项目一个月涨 3 万 stars 不是没原因的。

第二步，挑好一层之后，选"垂直"不选"通用"。 调研层别先用 Agent-Reach 这种全平台覆盖的，先用一个垂直的（融资场景用 Fundraisly，近 30 天热点用 last30days-skill）。通用工具是给"已经知道自己在做什么"的人准备的，新手用通用工具会被淹死。

第三步，把"评估"和"调度"留到第二阶段再做。 这两层有强烈的"前一层成熟度"依赖。没有调研层和防 slop 层，先做评估层是空转。

真正的杠杆位移

最后讲一件事，也是这一篇我想留住的判断。

agent 时代的"杠杆"，正在从"谁 prompt 写得好"位移到"谁的工具栈分得清"。这件事的证据不止是 GitHub 月榜的分布，更是我看到的三个跨源信号。

@rauchg 在讲 debug 难，他在告诉你：单 agent 的极限已经到顶了，下一步是栈的工程化。

@swyx 在讲扩规模，他在告诉你：单靠模型的"通用平均输出"扩不动了，下一步是栈里加入"防 slop"那一层。

@nikunj 在讲品味，他在告诉你：在竞技场里磨出来的人，比在屏幕前看评论的人强，下一步是栈里加入"有判断力的人"作为节点。

三句话，三个方向，合在一起是同一件事：agent 时代的赢家，不会是 prompt 写得最花的那个人，会是工具栈分得最清的那个人。

参考链接