基于2026年2月GitHub数据，分析AI开源项目从模型竞争转向系统工程的结构性变化，揭示Agent化、技能化、记忆化等关键技术趋势。
智能速览
GitHub热点从纯模型仓库转向代理运行时和技能系统
"技能(Skills)"正形成AI代理的事实标准层
MCP工具层成为代理系统统一I/O接口
检索工程从向量召回转向混合推理系统
记忆系统分离为短期上下文与长期记忆两层
基础设施竞争进入性能工程阶段
精华内容
从GitHub项目结构看，AI开源社区正经历从模型能力到系统可执行能力的重心转移，Agent工程化成为发展主线。
代理工程化兴起
openclaw、opencode、AionUi等项目增长显著，这些项目的共同特点是提供持续运行的工作流容器，对接终端、IDE、浏览器等工具，将模型调用、工具调用、状态管理整合成可执行系统。这类项目月增STAR数达193k，反映出开源社区关注点已从训练更大参数模型转向把模型接入真实开发流程。
技术意义在于实现了从prompt工程到代理工程的升级，关注点从单轮生成质量转向任务完成率。
技能标准化浪潮
anthropics/skills、vercel-labs/agent-skills、openai/skills同期高热，并非偶然。这些项目将任务能力封装为可分发单元，包含元数据、触发条件、资源依赖、执行规则，使模型行为从单轮生成转为受约束执行。
STAR数据显示anthropics/skills达69.6k，vercel-labs/agent-skills达20.3k，说明技能化正成为AI代理系统的事实标准层，类似传统软件的包管理系统。
MCP统一接口层
chrome-devtools-mcp(24.8k stars)和screenpipe等项目表明，MCP(Model Context Protocol)正成为代理系统的统一I/O接口。这种分层结构为：上层任务规划与状态管理，中层MCP/插件协议，下层浏览器、终端、文件系统等工具。
接口统一后，代理平台竞争将从工具接入能力转向调度策略稳定性、权限模型安全性和失败恢复完善性。
检索工程升级
PageIndex等vectorless、reasoning-based RAG项目代表检索从向量召回向混合推理转变。核心目标不再只是相关片段召回，而是保障长文档结构化导航、上下文预算控制和多步任务证据链一致性。
未来检索系统将形成向量检索、结构索引、规则检索、推理重排的混合架构，适应大上下文模型时代的"如何放得有效"挑战。
记忆系统分层
claude-mem(28k stars)和screenpipe(16.8k stars)代表记忆从附加功能变为核心子系统。技术上推动Context(单次推理输入)与Memory(跨会话状态)的必要分层，避免token成本指数增长、冗余信息污染和权限边界问题。
记忆系统将形成独立中间件市场，出现标准化需求包括记忆写入策略引擎、多层索引、权限隔离等。
基础设施性能化
THUDM/slime等后训练框架关注端到端工程吞吐，vLLM(70.3k stars)、SGLang(23.5k stars)、llama.cpp(95k stars)形成推理服务"双主干多分支"格局。行业分工逐步稳定为模型定义、训练框架、推理引擎、代理运行时、技能生态、业务应用六层。
关键指标从benchmark分数转向单位算力样本效率、收敛稳定性、系统吞吐，进入性能工程阶段。
AI开源生态正经历从模型参数竞争到系统工程竞争的结构性迁移。未来决定性变量不是模型单点指标，而是端到端系统的可执行性、可持续性与可治理性。Agent化、技能化、上下文化、记忆化和基础设施化将并行推进，完成工程层重组。
