1. Cline — VS Code 里的自主编程 Agent#

仓库： cline/cline ⭐ 60,000+

Cline 是目前最流行的 IDE 内编程 Agent：在 VS Code 侧边栏里，它能读工程、改代码、跑终端命令、修报错，全程每一步都可以人工审批。本周社区热议的是它的”实战工作流”——Plan 模式先对齐方案、Act 模式再动手执行，配合检查点（Checkpoint）一键回滚，被很多人认为是”敢把 Agent 放进真实项目”的关键设计。

核心特性：

• Plan/Act 双模式：先讨论方案再执行，避免”上来就改”的失控感
• 检查点与回滚：每次修改自动建快照，改坏了随时还原
• 模型无关：Anthropic / OpenAI / 本地 Ollama / 任意 OpenAI 兼容端点均可
• MCP 生态：官方 Marketplace 一键接入外部工具与数据源

实战建议： 从”小步快跑”开始——一次只给一个明确任务，开启审批模式观察它的每一步操作，熟悉后再逐步放权。

2. OpenCode — 终端原生的开源编程 Agent#

仓库： sst/opencode ⭐ 45,000+

由 SST 团队打造的 OpenCode 是终端编程 Agent 里的当红炸子鸡：纯 TUI 交互、客户端/服务器架构、750K+ 周下载量，本周还拿到了 Anthropic 与 OpenAI 模型方的公开推荐。它把 Claude Code 式的体验做成了开源、可换模型、可远程驱动的版本——Agent 跑在服务器上，你在手机、桌面或终端里随时接管会话。

核心特性：

• 终端优先的 TUI 体验，支持会话共享与远程接管
• 接入 75+ 模型提供商，支持订阅账号（Claude Pro/Max、ChatGPT）直连
• LSP 集成：Agent 改完代码立刻拿到语言服务器的诊断反馈
• 开源协议，插件与主题生态活跃

适合谁： 不想被单一厂商锁定、习惯终端工作流、需要”远程跑 Agent”的开发者。

3. RAGFlow — 深度文档理解的开源 RAG 引擎#

仓库： infiniflow/ragflow ⭐ 70,000+

RAGFlow 的口号是”基于深度文档理解的下一代 RAG”。它解决的是 RAG 落地最痛的一环：PDF、Word、Excel、扫描件里的表格、图片、版式怎么切分。内置多种可解释的切分模板（DeepDoc），切分结果可视化可调，答案自带原文引用，本周因 Agent 工作流与内存（Memory）功能的合入再次冲上趋势榜。

核心特性：

• DeepDoc 版面分析：表格、图片、正文分开解析，减少”垃圾进垃圾出”
• 切分过程可视化：人工干预模板，答案质量可追溯
• 引用溯源：每条回答标注来源片段，企业场景刚需
• 本周新增：Agent 工作流编排 + 多轮对话记忆，向”企业级知识中枢”演进

适合谁： 要做内部知识库、文档问答、合规检索的团队——自托管、数据不出内网。

4. aider — Git 原生的终端结对编程#

仓库： Aider-AI/aider ⭐ 35,000+

老牌终端编程助手 aider 依然稳居热度榜。它的哲学和重型 Agent 相反：不做全自动，而是”结对”——你描述需求，它改代码并自动生成本地 git 提交，每一步都落在版本历史里。仓库地图（Repo Map）功能让它对大项目的上下文理解始终又快又省 token。

核心特性：

• 自动 git 提交：每次修改一个 commit，回滚就是 git revert
• Repo Map：用 tree-sitter 索引全仓库，上下文精准且省 token
• 支持语音输入、图片输入（截图直接变成需求）
• benchmark 套件开源，模型选型有据可依

实战建议： 适合”你有明确想法、需要快速落地”的场景；配合弱模型跑简单任务、强模型攻复杂重构，成本可以压得很低。

5. LightRAG — 图谱增强 RAG 的轻量方案#

仓库： HKUDS/LightRAG ⭐ 30,000+

港大 HKUDS 团队的 LightRAG（EMNLP 2025 论文）本周因新版检索策略发布再度上榜。它把 GraphRAG 式的”实体关系图谱 + RAG”做轻了：抽取实体关系建图，检索时融合低层实体与高层主题两种粒度，成本只有全量 GraphRAG 的一小部分，更新增量友好，不用每次重建索引。

核心特性：

• 图 + 向量混合检索：跨文档的”关系型问题”回答明显更稳
• 四种检索模式：local / global / hybrid / mix，按需选档
• 支持多模态：图片、表格也能入图检索
• 部署门槛低：几十行代码即可接入现有知识库

适合谁： 被”传统向量 RAG 答不好关系型问题”困扰，又不想承担 GraphRAG 重建成本的团队。

6. RAGAS — RAG 系统的”单元测试框架”#

仓库： explodinggradients/ragas ⭐ 15,000+

本周 RAG 榜单上最有”工程化信号”的项目。RAGAS 解决的是”我的 RAG 到底好不好”这个灵魂问题：不用人工一条条看答案，它用 LLM 自动给检索与生成打分——忠实度、答案相关性、上下文精度等指标一键产出，还能从原始文档自动生成测试数据集。本周它把无参考评估（reference-free）和 Agent 评测做进了同一套 API。

核心特性：

• 核心指标：faithfulness / answer relevancy / context precision 开箱即用
• 测试集自动生成：从你的文档反向合成问答对
• 支持 RAG 与 Agent 两类系统的回归评测
• 与主流框架集成：LangChain / LlamaIndex / DeepEval 生态互通

实战建议： 把 RAGAS 跑进 CI——每次改切分策略或换 embedding 模型，指标自动对比，调参不再靠感觉。

1. 编程 Agent 进入”实战方法论”阶段#

工具已经够多，本周社区讨论的重心明显转向”怎么用”：Plan/Act 分离、审批模式、检查点回滚、小步任务拆分。共识正在形成——可控性比自动化程度更重要，能随时接管、随时回滚的 Agent 才敢用在真实项目里。

2. 终端成为编程 Agent 的主战场#

OpenCode、aider 双双在榜，加上各家 CLI 混战：终端因为”离 git 和 shell 最近”，正在成为 Agent 工作流的最佳宿主。IDE 插件负责”看得见”，终端 Agent 负责”跑得动”。

3. RAG 从”检索增强”走向”结构增强”#

RAGFlow 的版面理解、LightRAG 的关系图谱，本质都是同一件事：纯向量检索的天花板已到，把文档结构、实体关系显式建模正在成为新一代 RAG 的标配。

4. 评测驱动（Evaluation-Driven）开始流行#

RAGAS 上榜是个标志性信号：大家不再满足于”跑个 demo 感觉挺像”，而是给 RAG/Agent 建立指标、测试集和 CI 回归。AI 应用工程化，缺的从来不是模型，是”怎么证明它好用”。