aiagent.club

它回答的问题

多数榜单只给一个数字——通常是 GitHub star——且只是某一刻的快照。star 是关注度,而关注度既容易制造、也容易囤积。一个项目可以在没人用之后,还稳居榜首一整年。

更难、也更有价值的问题是:什么在被真正使用?什么正在此刻起势?aiagent.club 就是为回答这个而建——追踪多个信号随时间的变化,而非某一刻的单一数字。

热度 vs. 真实使用

对每个项目,我们把关注度信号(star、watcher)与真实使用信号(包下载量、模型处理的 token、插件安装量)并列。当二者排名相差悬殊,这个落差就是静态榜单藏起来的故事——要么是"被高估"的高 star 仓库,要么是"被低估"、安装量远高于 star 的实力项目。

下载量和 token 并非不可造假,但比刷一个 star 难得多、贵得多,而且它们反映工具是否被真正拉进了实际项目里。

动量重于体量

累计总量只奖励起步早的人。我们计算滑动窗口的增量——7 天 star 增长、周环比下载激增、新发版——并在「本周异动」和「变更日志」里呈现。一个项目在登上任何"历史总榜"之前数周,就是在这里先被看见的。

数据源与指标

信号采自公开源,兼顾全球与中国:

• GitHub —— star、fork、提交、发版、开放 issue/PR(框架、MCP 服务、agent 工具链)
• npm 与 PyPI —— 周/月包下载量(库的真实使用)
• OpenRouter —— 每个模型每日处理的 token(最难造假的模型用量信号)
• Hugging Face —— 开源模型近 30 天下载量,agent 运行的底座
• ModelScope —— 国产模型下载量(Qwen / DeepSeek / GLM …)
• VS Code 应用市场 —— 编码 agent 的安装量

项目简介与元信息取自各自的权威源(GitHub、npm、PyPI)。数据一律以源语言呈现、绝不机器翻译——翻译名称或许可证,是一种事后无法检测的 bug。

抵御指标游戏

一个榜单是否可信,取决于它是否对抗人为注水:

• 刷星识别 —— 对涨星快得不合常理的仓库(已很大的仓库还持续每天新增数百 star)标记并剔除,不让买星项目挤掉真实项目。
• 交叉验证 —— 不让任何单一可刷指标决定项目地位;关注度与使用量并列呈现,被注水的数字会显眼,而非胜出。
• 规范去重 —— 仓库改名或换 org 时,把新旧身份合并为一条规范记录,项目不被重复计数。

采集节奏与数据模型

每个指标每天采两次。历史只增不改——每天记一个值、永不改写过去;这份不断累积的时序,正是护城河所在。采集幂等且自愈:被限速或失败的源会在下一轮重试,绝不污染已存的数据。对于存在公开历史的指标(如一个仓库完整的 star 历史),我们一次性回填,让趋势从深处开始而非从零。

公开与私有,以及局限

榜单、当前快照与趋势图公开;完整的逐日历史保持私有。采集器开源。几点诚实的局限:新发现的项目起初只有一个数据点,趋势逐日积累;下载量是滑动窗口而非终身累计;重建的 star 历史反映的是"至今仍存在的 star",而非当时的瞬时峰值。