OpenSwarm

Полностью open-source мультиагентная система, которая через совместную работу 8 специализированных агентов умеет генерировать презентации, исследовательские отчёты, визуализации данных, документы, изображения и видео — всего одной командой в терминале.

OpenSwarm распределяет пользовательские задачи между 8 специализированными агентами с чётким разделением ответственности: от ресерча и анализа данных до генерации изображений и видео.

Проект построен на базе Agency Swarm framework и поддерживает интеграцию с внешними сервисами через Composio, включая:

- Gmail;
- Slack;
- GitHub.

Система ориентирована на оркестрацию агентных воркфлоу, где каждый агент отвечает за отдельный этап обработки и передаёт результаты дальше по цепочке.

📁 Language: #Python 88.6%

⭐️ Stars: 1.4к

➡️ Cсылка на GitHub

📱 @git_developer

ds4.c

Новая работа antirez — создателя Redis: локальный инференс-движок для DeepSeek 4 Flash.

Оптимизирован специально под Apple Metal GPU и позволяет запускать большие модели на Mac с очень высокой скоростью.

📁 Language: #C 56.0%

⭐️ Stars: 2.8к

➡️ Cсылка на GitHub

📱 @git_developer

CodexSaver

MCP-инструмент, который выносит низкорисковые задачи из Codex в DeepSeek, оставляя дорогим моделям только принятие решений. В тестах на пяти задачах средняя экономия составила 48%, задержка — около 6 секунд.

CodexSaver — MCP-инструмент, который в рамках coding-сессий Codex делегирует низкорисковые задачи (написание тестов, документации, объяснение кода, исправление lint-ошибок и т.д.) в DeepSeek, а высокорисковые задачи (архитектурные решения, security-логика, production-деплои, финальный review) оставляет в Codex.

📁 Language: #Python 100%

⭐️ Stars: 290

➡️ Cсылка на GitHub

📱 @git_developer

memoir

Дайте ИИ-агентам многослойную семантическую систему памяти, похожую на систему контроля версий Git, вместо плоских файлов и векторных баз данных.

Memoir переносит механизмы веток, коммитов и откатов из Git в управление памятью ИИ. Вместо UUID-ключей используются семантические пути, а иерархический поиск с сложностью O(log n) работает быстрее и прозрачнее по сравнению с векторным поиском.

Проект решает три практические проблемы:

- память агента начинает путаться после переключения Git-веток;
- плоские файлы памяти ломают префиксные кеши при каждом изменении, из-за чего растут расходы на токены;
- у памяти нет контроля версий, поэтому нельзя нормально изменять данные или отслеживать, кто именно обучил агента определённой информации.

📁 Language: #Python 68%

⭐️ Stars: 1.4к

➡️ Cсылка на GitHub

📱 @git_developer

minimind-o

Обучение полноценной мультимодальной модели на 0.1B параметров с нуля: одна общая модель обрабатывает текст, речь и изображения, а на выходе генерирует текст и потоковую речь.

MiniMind-O — мультимодальная модель всего на 0.1B параметров с двухконтурной архитектурой Thinker-Talker. Поддерживает текстовые, голосовые и визуальные входные данные, а в качестве вывода умеет генерировать текст и потоковую речь.

В проекте полностью открыты:

- исходный код;
- веса модели;
- тренировочные датасеты;
- технические отчёты.

Базовые алгоритмы реализованы с нуля на PyTorch, а обучение на мини-датасете можно завершить примерно за два часа даже на одной RTX 3090.

📁 Language: #Python 71%

⭐️ Stars: 755

➡️ Cсылка на GitHub

📱 @git_developer