Сегодня в центре внимания — проекты из экосистемы open-source AI, которые заметно выросли на GitHub. Подборка хорошо показывает, куда сейчас смещается интерес сообщества: в сторону локального запуска моделей, агентных систем и прикладной инфраструктуры вокруг них.
RyanCodrai/turbovec
TurboVec — векторный индекс на базе TurboQuant, написанный на Rust и дополненный Python-привязками. Сегодня репозиторий прибавил 1 533 звезды, что делает его самым заметным элементом в этой подборке. Это важно, потому что быстрый и компактный поиск по векторным данным остаётся ключевой частью локальных RAG-систем, поисковых пайплайнов и агентных приложений, где критичны скорость и экономия ресурсов.
mvanhorn/last30days-skill
Этот репозиторий набрал 1 097 звёзд за день и предлагает готовый skill для AI-агента, который исследует тему сразу по нескольким источникам — Reddit, X, YouTube, Hacker News, Polymarket и обычному вебу — а затем собирает из этого связное резюме. Интерес к такому проекту показывает, что рынок всё больше ценит не разовые промпты, а повторно используемые, структурированные исследовательские сценарии для агентов.
aaif-goose/goose
Goose описывается как расширяемый open-source AI-агент, который умеет не только подсказывать код, но и устанавливать зависимости, выполнять команды, редактировать файлы и запускать тесты с любыми LLM. Сегодня проект получил 262 звезды. Это хороший сигнал того, что интерес к агентному программированию продолжает расти: сообщество хочет инструменты, которые двигаются дальше обычного автодополнения и берут на себя полноценный цикл действий.
ggml-org/llama.cpp
llama.cpp снова появился в ежедневных трендах GitHub и набрал 199 звёзд за день. Несмотря на сравнительно скромную дневную прибавку относительно других пунктов, значимость проекта для open-source AI трудно переоценить: это одна из базовых технологий для локального запуска LLM, квантованных весов и работы на потребительском железе. Когда llama.cpp снова начинает трендить, это обычно означает новый всплеск интереса к эффективному локальному инференсу.
Вместе эти четыре проекта показывают текущую структуру спроса в open-source AI. Сообщество активно инвестирует внимание не только в сами модели, но и в практический слой вокруг них: поиск по знаниям, локальный запуск, инструментальных агентов и переносимые навыки для автоматизации исследований. Именно этот прикладной слой всё чаще определяет, насколько полезной окажется открытая модель в реальной работе.