GitHub 上值得关注的 AI 项目和 Skills

每天追踪 GitHub 上的 AI 开源项目和可直接安装的 Agent Skill,按类别、增长和更新时间整理,每周一出一期精选。

Skill install terminal example: run npx skills add vercel-labs/agent-skills, select Codex and install globally.

请求收录

GitHub 项目

按推荐顺序展示的GitHub 项目。 共 95 个。

NVIDIA GitHub avatar

NVIDIA/SkillEvaluatorSkillEvaluator

Python

Agent Skill 评测框架 · NVIDIA

Agent Skill 评测框架

★ 3.8K+3.1k 本周数据与评测11月19日更新

多层级的 AI Agent Skill 与插件评测框架,支持质量门禁、语义重叠检测、合成评测集生成和真实 Agent 行为评测,适合维护 Skill 库的团队。

数据与评测
3.8K+3.1k2026年6月24日
Folkbench GitHub avatar

Folkbench/folkbenchfolkbench

TypeScript

AI接口评测工具 · Folkbench

AI接口评测工具

★ 4.0K+214 本周数据与评测11月19日更新

面向 Claude Code、Codex 等工具评测和切换 AI API 中转服务,比较实际可用率、延迟与价格,帮助开发者选择更可靠且具性价比的接口。

数据与评测
4.0K+2142026年10月2日
microsoft GitHub avatar

microsoft/PyRITPyRIT

Python

AI红队测试工具包 · microsoft

AI红队测试工具包

★ 4.9K+148 本周数据与评测11月19日更新

微软开源的生成式 AI 红队测试工具,可对模型进行自动扫描与自适应多轮攻击,并提供网页界面,适合评估模型安全性和发现风险的研究与开发团队。

数据与评测
4.9K+1482023年12月12日
vibrantlabsai GitHub avatar

vibrantlabsai/ragasragas

Python

大模型评测框架 · vibrantlabsai

大模型评测框架

★ 16K+79 本周数据与评测11月14日更新

用于评估大模型应用表现的 Python 框架,帮助开发者构建和运行针对 LLM 应用的评测流程,适合需要系统化检验生成质量与应用效果的团队。

数据与评测
16K+792023年5月9日
lance-format GitHub avatar

lance-format/lancelance

Rust

多模态数据格式 · lance-format

多模态数据格式

★ 7.4K+83 本周数据与评测11月19日更新

面向分析与机器学习的开放数据湖格式,提供快速随机访问、向量索引和数据版本管理,并兼容 Pandas、DuckDB、Polars 与 PyTorch 等工具。

数据与评测
7.4K+832022年7月8日
HumanSignal GitHub avatar

HumanSignal/label-studiolabel-studio

TypeScript

数据标注工具 · HumanSignal

数据标注工具

★ 29K+50 本周数据与评测11月19日更新

用于图像、文本、音频等多类型数据的标注与注释,可统一导出标准格式,适合机器学习团队构建和管理训练数据集。

数据与评测
29K+502019年6月19日
huggingface GitHub avatar

huggingface/datasetsdatasets

Python

机器学习数据集库 · huggingface

机器学习数据集库

★ 22K+30 本周数据与评测11月18日更新

提供可直接使用的多领域数据集及高效的数据处理工具,覆盖自然语言处理、计算机视觉和语音等场景,适合机器学习研究者与模型开发者。

数据与评测
22K+302020年3月26日
CVHub520 GitHub avatar

CVHub520/X-AnyLabelingX-AnyLabeling

Python

多模态数据标注工具 · CVHub520

多模态数据标注工具

★ 11K+41 本周数据与评测11月18日更新

跨平台桌面标注应用,支持文本、图像、视频、点云和多模态数据,内置 SAM、YOLO 等模型辅助标注,并可导出多种格式,适合计算机视觉数据标注场景。

数据与评测
11K+412023年5月23日
sierra-research GitHub avatar

sierra-research/tau2-benchtau2-bench

Python

工具智能体评测基准 · sierra-research

工具智能体评测基准

★ 2.5K+44 本周数据与评测11月11日更新

τ-Bench 系列基准,用于评测大模型智能体在真实业务场景中与用户和工具交互的能力,适合研究者和开发者衡量 Agent 的任务完成度。

数据与评测
2.5K+442025年6月10日
TIGER-AI-Lab GitHub avatar

TIGER-AI-Lab/ClawBenchClawBench

Python

浏览器 Agent 评测基准 · TIGER-AI-Lab

浏览器 Agent 评测基准

★ 1.3K+54 本周数据与评测11月5日更新

面向浏览器 AI Agent 的开源评测基准,用日常网页任务衡量 Agent 表现,提供数据集与评测流程,适合研究者和 Agent 开发者。

数据与评测
1.3K+542026年4月10日
wkentaro GitHub avatar

wkentaro/labelmelabelme

Python

图像标注工具 Labelme · wkentaro

图像标注工具 Labelme

★ 16K+27 本周数据与评测11月19日更新

Python 编写的图像标注工具,支持多边形、矩形、圆、线和点标注,并带 AI 辅助标注,适合计算机视觉数据集制作与分割任务。

数据与评测
16K+272016年5月9日
ucbepic GitHub avatar

ucbepic/docetldocetl

Python

智能体数据处理框架 · ucbepic

智能体数据处理框架

★ 4.3K+34 本周数据与评测11月18日更新

用 LLM 驱动的数据处理与 ETL 系统,把非结构化文档转成结构化语义数据,适合需要构建数据管道的开发者,支持声明式流水线和 Agent 式处理。

数据与评测
4.3K+342024年7月9日
modelscope GitHub avatar

modelscope/evalscopeevalscope

Python

大模型评测框架 · modelscope

大模型评测框架

★ 3.7K+31 本周数据与评测11月18日更新

面向大语言模型、视觉语言模型和生成式 AI 提供可定制的评测与性能基准测试能力,适合模型开发者和研究团队进行质量评估与结果对比。

数据与评测
3.7K+312023年12月7日
voxel51 GitHub avatar

voxel51/fiftyonefiftyone

TypeScript

视觉数据集管理工具 · voxel51

视觉数据集管理工具

★ 11K+21 本周数据与评测11月19日更新

面向计算机视觉的数据集整理与质量提升平台,支持数据清洗、筛选、标注和主动学习,适合需要构建高质量训练数据的算法团队与数据科学家。

数据与评测
11K+212020年4月22日
TIGER-AI-Lab GitHub avatar

TIGER-AI-Lab/WebsiteBenchWebsiteBench

Python

网站重建 Agent 基准 · TIGER-AI-Lab

网站重建 Agent 基准

★ 537数据与评测11月17日更新

评测 AI Agent 能否通过浏览器探索重建网站,提供基准任务与评测框架,适合研究浏览器自动化与前端生成能力的研究者。

数据与评测
537项目2026年11月4日
IBM GitHub avatar

IBM/AssetOpsBenchAssetOpsBench

Python

工业运维智能体评测基准 · IBM

工业运维智能体评测基准

★ 2.4K+33 本周数据与评测11月18日更新

面向工业资产运维,提供涵盖数百种场景的智能体构建、编排与评测基准,并包含专业智能体及多智能体协作蓝图,适合研究和开发工业 AI 运维系统的团队。

数据与评测
2.4K+332025年5月2日
open-compass GitHub avatar

open-compass/opencompassopencompass

Python

大模型评测平台 · open-compass

大模型评测平台

★ 7.6K+18 本周数据与评测11月18日更新

支持 OpenAI、Claude、Qwen、DeepSeek 等众多模型,覆盖 100 多个数据集,评测知识、推理、编程、长上下文与安全能力,适合模型研发与选型团队。

数据与评测
7.6K+182023年6月15日
datajuicer GitHub avatar

datajuicer/data-juicerdata-juicer

Python

大模型数据处理工具 · datajuicer

大模型数据处理工具

★ 7.3K+18 本周数据与评测11月18日更新

用于基础模型数据处理的数据流水线工具,支持数据分析、可视化与合成数据等工作,适合构建预训练、指令微调及多模态数据集的研究和工程团队。

数据与评测
7.3K+182023年8月1日
Sushegaad GitHub avatar

Sushegaad/Claude-Skills-Governance-Risk-and-ComplianceClaude-Skills-Governance-Risk-and-Compliance

HTML

GRC 合规技能包 · Sushegaad

GRC 合规技能包

★ 1.1K+23 本周数据与评测11月16日更新

面向治理、风险与合规的 Claude Skills 合集,覆盖 ISO 27001、SOC 2、GDPR、HIPAA 等标准,为合规人员提供专家级检查指引。

数据与评测
1.1K+232026年3月16日
open-compass GitHub avatar

open-compass/VLMEvalKitVLMEvalKit

Python

视觉语言模型评测工具 · open-compass

视觉语言模型评测工具

★ 4.5K+17 本周数据与评测11月18日更新

用于评估大型多模态模型的开源工具包,支持多种模型与基准测试,适合研究者和开发团队系统比较模型在视觉语言任务上的表现。

数据与评测
4.5K+172023年12月1日
EvolvingLMMs-Lab GitHub avatar

EvolvingLMMs-Lab/lmms-evallmms-eval

Python

多模态模型评测工具 · EvolvingLMMs-Lab

多模态模型评测工具

★ 4.5K+11 本周数据与评测11月19日更新

用于跨文本、图像、视频和音频任务评估多模态大模型的开源工具包,适合研究者和开发团队统一运行基准测试并比较模型表现。

数据与评测
4.5K+112024年3月7日
sahibzada-allahyar GitHub avatar

sahibzada-allahyar/Formal-Verification-RSIFormal-Verification-RSI

Python

AI 形式化验证工具 · sahibzada-allahyar

AI 形式化验证工具

★ 2.9K+20 本周数据与评测10月23日更新

用 Lean 4 和 Dafny 检查 AI 生成的数学证明,识别奖励作弊式的假证明,并支持编码智能体的可验证递归自我改进,面向 AI 安全与形式化方法研究者。

数据与评测
2.9K+202025年2月23日
ShishirPatil GitHub avatar

ShishirPatil/gorillagorilla

Python

大模型工具调用平台 · ShishirPatil

大模型工具调用平台

★ 13K+10 本周数据与评测10月17日更新

围绕大模型函数调用开展训练与评测,帮助开发者让模型更准确地选择并调用 API 工具,也适合研究工具调用能力与相关基准。

数据与评测
13K+102023年5月19日
LilMGenius GitHub avatar

LilMGenius/paperthinpaperthin

JavaScript

递归自我改进技能手册 · LilMGenius

递归自我改进技能手册

★ 1.5K数据与评测11月15日更新

面向递归自我改进(RSI)的 Skill 手册,从 OpenAI 工程实践与黑客松获奖方法中提炼设计模式、上下文工程和评测要点,适合研究编码 Agent 工作流的开发者。

数据与评测
1.5K项目2026年6月19日
agentscope-ai GitHub avatar

agentscope-ai/OpenJudgeOpenJudge

Python

大模型评测框架 · agentscope-ai

大模型评测框架

★ 1.1K+25 本周数据与评测11月18日更新

提供统一框架,用于全面评估大语言模型与 Agent 的表现,并生成质量奖励,适合模型研究者和开发团队构建评测、评分及强化学习工作流。

数据与评测
1.1K+252025年7月8日
benchflow-ai GitHub avatar

benchflow-ai/awesome-evalsawesome-evals

Agent 评测资源合集 · benchflow-ai

Agent 评测资源合集

★ 1.0K+10 本周数据与评测11月5日更新

收录构建与评测 AI Agent 的论文、博客、演讲、工具和基准,由 BenchFlow 维护,适合想系统了解 Agent 评测方法的开发者与研究者的精选清单。

数据与评测
1.0K+102026年6月24日
NVIDIA-NeMo GitHub avatar

NVIDIA-NeMo/DataDesignerDataDesigner

Python

合成数据生成器 · NVIDIA-NeMo

合成数据生成器

★ 2.4K+11 本周数据与评测11月19日更新

NVIDIA NeMo 推出的合成数据生成工具,可从零或基于种子数据批量产出高质量训练数据,支持多模态与工具调用场景,适合需要扩充数据集做微调或评测的开发者。

数据与评测
2.4K+112025年10月16日
yaojingang GitHub avatar

yaojingang/yao-meta-skillyao-meta-skill

Python

Agent技能工程体系 · yaojingang

Agent技能工程体系

★ 2.7K+5 本周数据与评测11月9日更新

围绕可复用 Agent Skill 提供工程设计、评测、治理与可移植性规范,适合构建和维护技能库的团队;强调以系统化流程提升技能质量与跨环境复用能力。

数据与评测
2.7K+52026年3月31日
benchflow-ai GitHub avatar

benchflow-ai/skillsbenchskillsbench

PDDL

智能体技能评测集 · benchflow-ai

智能体技能评测集

★ 1.9K+11 本周附带 4 个 Skill数据与评测11月17日更新

覆盖基准任务提案、脚手架搭建、测试设计及提交评审流程,可用于整理任务规范、检查静态规则并审阅评测轨迹。

数据与评测
1.9K+112025年12月29日
xinxuxin GitHub avatar

xinxuxin/keystone-benchkeystone-bench

Python

临床决策证据评测基准 · xinxuxin

临床决策证据评测基准

★ 1.1K数据与评测10月20日更新

基于 HealthBench 构建的临床决策证据基准,检验助手能否找出答案所依赖的关键事实、并让行动随证据变化,适合医疗 AI 评测与安全研究者。

数据与评测
1.1K项目2026年9月8日
jeinlee1991 GitHub avatar

jeinlee1991/chinese-llm-benchmarkchinese-llm-benchmark

中文大模型评测 · jeinlee1991

中文大模型评测

★ 6.5K+11 本周数据与评测11月18日更新

持续评测中文及多语言大模型能力,提供覆盖数百个模型的排行榜和超过两百万条缺陷数据。适合研究者与开发者比较模型表现、分析问题并改进模型。

数据与评测
6.5K+112023年6月4日
yeyuxin777 GitHub avatar

yeyuxin777/baoyan-agent-benchmarkbaoyan-agent-benchmark

Python

保研咨询评测基准 · yeyuxin777

保研咨询评测基准

★ 701+2 本周数据与评测11月11日更新

面向保研咨询与申请规划场景的 AI Agent 开源评测基准,适合研究者和开发者衡量智能体在相关任务中的表现;由 Sprix AI 与保研岛共同推出。

数据与评测
701+22026年10月12日
Giskard-AI GitHub avatar

Giskard-AI/giskard-ossgiskard-oss

Python

大模型智能体评测库 · Giskard-AI

大模型智能体评测库

★ 6.0K+8 本周数据与评测11月19日更新

用于评估和测试大模型智能体的开源 Python 工具,帮助开发者检查智能体表现与可靠性,也可用于 RAG 等相关场景的评测。

数据与评测
6.0K+82022年3月7日
Tiger3807861189 GitHub avatar

Tiger3807861189/GLM-5.3-Flash-J-Space-Capability-Realization-ReportGLM-5.3-Flash-J-Space-Capability-Realization-Report

GLM 能力评测报告 · Tiger3807861189

GLM 能力评测报告

★ 1.0K+1 本周数据与评测9月5日更新

以基准测试形式展示 GLM-5.3-Flash 与 J-Space 认知套件的能力表现,适合关注大模型评测与 Agent 能力对比的研究者参考。

数据与评测
1.0K+12026年8月16日
opendatalab GitHub avatar

opendatalab/OmniDocBenchOmniDocBench

Python

文档解析评测基准 · opendatalab

文档解析评测基准

★ 2.2K+13 本周数据与评测11月12日更新

面向文档解析研究与系统开发的综合评测基准,用于比较文档解析方法的效果,涵盖解析任务与评估流程,并发表于 CVPR 2025。

数据与评测
2.2K+132024年10月14日
yzhao062 GitHub avatar

yzhao062/pyodpyod

Python

机器学习异常检测库 · yzhao062

机器学习异常检测库

★ 10K+9 本周数据与评测11月13日更新

面向 Python 的多领域异常检测工具,提供 60 多种检测器,覆盖表格、时序、图、文本、图像和音频数据,并支持基准评测与 Agent 工作流,适合数据科学和机器学习应用。

数据与评测
10K+92017年10月4日
xlang-ai GitHub avatar

xlang-ai/OSWorldOSWorld

Python

计算机环境 Agent 评测基准 · xlang-ai

计算机环境 Agent 评测基准

★ 3.3K+10 本周数据与评测11月15日更新

NeurIPS 2024 提出的评测基准,在真实计算机环境中考察多模态 Agent 完成开放式任务的能力,适合研究 GUI 操作、RPA 与强化学习的研究者使用。

数据与评测
3.3K+102023年10月16日
raindrop-ai GitHub avatar

raindrop-ai/workshopworkshop

TypeScript

Agent 评测工作坊 · raindrop-ai

Agent 评测工作坊

★ 1.1K+4 本周数据与评测11月5日更新

让编程 Agent 自己编写并运行 Agent 评测,结合 Raindrop 追踪能力观察模型表现,适合需要为 LLM 应用搭建评测流程的开发者。

数据与评测
1.1K+42026年5月1日
nvidia-isaac GitHub avatar

nvidia-isaac/video_to_datavideo_to_data

Python

Isaac 视频转数据管线 · nvidia-isaac

Isaac 视频转数据管线

★ 1.0K数据与评测11月13日更新

NVIDIA Isaac 推出的视频转数据流水线,把真实视频素材加工成机器人学习可用的训练数据,适合做具身智能与仿真训练的研究者。

数据与评测
1.0K项目2026年2月10日
open-thought GitHub avatar

open-thought/reasoning-gymreasoning-gym

Python

强化学习推理环境 · open-thought

强化学习推理环境

★ 1.6K+6 本周数据与评测11月10日更新

为强化学习提供带可验证奖励的推理任务环境,适合研究大语言模型推理能力与训练方法的开发者和研究人员,可用于构建和评估任务。

数据与评测
1.6K+62025年1月23日
Danielxu0208 GitHub avatar

Danielxu0208/rsi_evalrsi_eval

Python

递归自改进评测 SDK · Danielxu0208

递归自改进评测 SDK

★ 470数据与评测10月30日更新

轻量 Python SDK 与命令行工具,用于在各类 Agent 基准上评测递归自我改进方法,适合研究 Agent 能力演进与基准测试的开发者。

数据与评测
470项目2026年10月12日
Juneo-Lab GitHub avatar

Juneo-Lab/decision-forgedecision-forge

Python

组织决策数据编译器 · Juneo-Lab

组织决策数据编译器

★ 388数据与评测11月16日更新

把组织内部的制度与政策编译成可验证的决策训练数据,支持合成数据生成与数据溯源,适合为大模型微调准备高质量决策样本的团队。

数据与评测
388项目2026年10月31日
NVIDIA-NeMo GitHub avatar

NVIDIA-NeMo/CuratorCurator

Python

大模型数据整理工具 · NVIDIA-NeMo

大模型数据整理工具

★ 1.9K+7 本周数据与评测11月19日更新

面向大语言模型训练与应用的数据预处理和整理工具包,支持可扩展的数据处理流程、质量控制与去重,适合需要构建高质量模型数据集的研究团队和开发者。

数据与评测
1.9K+72024年3月15日
argilla-io GitHub avatar

argilla-io/distilabeldistilabel

Python

合成数据流水线框架 · argilla-io

合成数据流水线框架

★ 3.5K+7 本周数据与评测11月18日更新

用于生成合成数据和 AI 反馈的框架,基于已验证的研究论文提供快速、可靠、可扩展的流水线,适合做 RLHF、RLAIF 与数据集构建的工程师。

数据与评测
3.5K+72023年10月16日
datachain-ai GitHub avatar

datachain-ai/datachaindatachain

Python

非结构化数据上下文层 · datachain-ai

非结构化数据上下文层

★ 2.8K+1 本周数据与评测11月19日更新

为 S3、GCS、Azure 上的非结构化数据构建带类型和版本的数据集,便于 AI Agent 与知识库做多模态数据处理,适合 MLOps 与数据工程团队。

数据与评测
2.8K+12024年6月26日
obss GitHub avatar

obss/sahisahi

Python

切片推理检测框架 · obss

切片推理检测框架

★ 5.6K+7 本周数据与评测11月1日更新

与框架无关的切片/分块推理工具,支持大图小目标检测、交互式界面和误差分析可视化,适合遥感、目标检测等计算机视觉场景。

数据与评测
5.6K+72021年1月30日
argilla-io GitHub avatar

argilla-io/argillaargilla

Python

AI 数据标注协作平台 · argilla-io

AI 数据标注协作平台

★ 5.2K+6 本周数据与评测11月17日更新

面向 AI 工程师与领域专家的数据标注与协作工具,支持文本分类、实体识别等任务,内置人机回环与弱监督流程,帮助团队构建高质量训练数据集。

数据与评测
5.2K+62021年4月28日
onnx GitHub avatar

onnx/modelsmodels

Jupyter Notebook

ONNX 预训练模型集 · onnx

ONNX 预训练模型集

★ 9.9K+4 本周数据与评测11月1日更新

收录多种以 ONNX 格式发布的预训练模型,供开发者下载、部署和集成到机器学习应用中,适合需要跨框架模型资源的工程与研究工作。

数据与评测
9.9K+42017年10月6日

找不到你要的项目或 Skill?

告诉我们仓库地址和用途,帮助补充你希望收录的项目。

请求收录

接着逛逛 RZH.AI

模型和排行榜也按同样的方式整理好了,每个数字都能看到出处。