Projets open source d’IA en vedette sur GitHub, octobre 2026

La page des tendances mensuelles de GitHub fonctionne pour un langage, car un filtre par langage définit déjà l’ensemble. L’IA open source pose une question différente : le travail couvre cinq langages, et la coupe utile est la tâche qu’un dépôt accomplit.

Cette instantanée a été lue depuis l’API publique de GitHub le 16 octobre 2026, et au sein de chaque groupe, les dépôts sont ordonnés par nombre d’étoiles. Les étoiles mesurent l’attention, et un dossier de compétences peut attirer cette attention plus rapidement qu’un moteur de service, c’est pourquoi le groupe précède le tri. La colonne des licences fait également partie du classement, car plusieurs des projets les plus étoilés sont en fair-code, restreints par la marque ou répartis entre deux licences.

Les résumés sur Rust et Go de ce site ont été construits à partir de cette même page, avec un filtre par langage effectuant le groupement. Ici, les huit groupes de tâches ci-dessous remplacent le filtre, et chaque section énonce le compromis qui sépare les options proches. Les sections de clôture transforment les tableaux en une liste restreinte que vous pouvez exécuter, et en une méthode répétable pour la prochaine instantanée.

Comment classer les projets open source IA

Rechercher des sujets, puis assigner une tâche

Les sujets GitHub sont le substitut exploitable d’un filtre par langage. Triez un sujet tel que ai-agents, llm, rag, local-llm ou agent-memory par étoiles, et conservez les dépôts qui ont été poussés au cours des derniers mois. La recherche en texte libre pour “IA” est trop large, et la page des tendances non filtrée mélange toujours les agents avec des outils non liés.

Trois entrées publiques suffisent à reconstruire la liste. Utilisez la recherche par sujet pour le bassin, un catalogue de scénarios tel que Top Open Source AI pour les étiquettes de tâche, et le fichier LICENSE du dépôt pour la dernière colonne. Ce catalogue publie un composite à lui seul : étoiles à 70 %, contributeurs à 10 %, et récence des mises à jour à 20 %. Cet article conserve la règle plus simple, donc le nombre dans le tableau est le nombre sur GitHub.

Requêtes de départ utiles :

• Sujet ai-agents, par étoiles
• Sujet llm, par étoiles
• Sujet rag, par étoiles
• Sujet agent-memory au-dessus de 5 000 étoiles
• Tendances GitHub, mensuel

Conserver le logiciel, et mettre les listes de côté

Un dépôt mérite une ligne quand quelqu’un peut l’installer, ou quand c’est un harnais maintenu qui change la façon dont un agent fonctionne. Les listes d’admirable, les répertoires de prompts et les dépôts de prompts système des fournisseurs récoltent des étoiles et laissent encore rien à déployer. Ils appartiennent à une liste de lecture, et ils restent hors des tableaux ci-dessous.

Ajouter une colonne tendances uniquement à partir de vos propres instantanées

Les résumés par langage pouvaient afficher les étoiles gagnées en un mois parce que GitHub calcule déjà cette différence à l’intérieur d’un seul langage. À travers ces groupes, une différence mensuelle nécessite deux instantanées de votre part. Enregistrez full_name et stargazers_count au premier du mois, puis soustrayez. Jusqu’à ce que cette série existe, les étoiles totales sont la clé de classement honnête. « Tendances » dans le titre signifie des projets activement maintenus avec l’attention correspondante, à cette date.

Où se situent les projets

Ces groupes sont des couches que vous pouvez empiler. Un assistant de codage peut appeler une passerelle, une passerelle peut appeler Ollama ou vLLM, et un service de mémoire peut se situer à côté de l’un ou l’autre. Deux produits de la même couche sont généralement un second avis, et rarement une meilleure architecture.

Assistants IA personnels

Ce groupe est destiné aux agents qui entreprennent des actions sur une machine ou à travers des outils, au-delà d’une simple session de codage. OpenClaw mène d’une large marge. Hermes est l’autre agent général à cette échelle, et AutoGPT est l’ancien nom qui accumule toujours des étoiles pendant que sa licence s’est scindée. Un classement plus approfondi pour ce duo seul, avec les téléchargements, la part de jetons et l’historique des CVE, est la comparaison OpenClaw vs Agent Hermes.

Firecrawl est listé ici parce que les agents ont besoin de pages, et c’est le projet de données web que les lecteurs étoilent réellement. C’est un outil, et les assistants l’appellent.

OpenClaw

OpenClaw est un agent personnel conçu pour fonctionner sur votre propre système d’exploitation et exécuter des tâches, ce qui est la lecture plain d’un projet qui s’appelle lui-même une IA qui fait des choses sur toute plateforme. Le nombre d’étoiles est le plus élevé de cet article, et la licence MIT est l’extrémité permissive de l’ensemble. Traitez l’installation comme un temps d’exécution d’automatisation locale avec un accès étendu à la machine, et définissez ce qui est autorisé à toucher avant de le laisser fonctionner.

Hermes Agent

Hermes Agent, de Nous Research, est un agent général conçu pour accumuler des compétences et du contexte à mesure qu’il est utilisé. Il se situe dans la même tâche qu’OpenClaw, avec une base de code Python et les mêmes termes MIT. Choisissez-le lorsque vous souhaitez cette boucle de croissance et que vous êtes déjà à l’aise pour opérer un agent Python. Faire fonctionner Hermes et OpenClaw signifie deux modèles de permissions à auditer.

AutoGPT

AutoGPT est le projet qui a fait des agents autonomes une catégorie GitHub de masse, et c’est encore l’un des noms les plus étoilés de l’ensemble. La licence n’est plus une seule concession. Tout à l’extérieur du dossier autogpt_platform est MIT, et tout à l’intérieur de ce dossier est sous la Licence Polyform Shield, qui permet l’utilisation mais réserve la valeur commerciale du code au producteur. Lisez cette division avant de construire un produit sur le répertoire de la plateforme.

Firecrawl

Firecrawl transforme les sites en données que les agents peuvent appeler. Le nombre d’étoiles le place parmi les assistants bien que la tâche soit l’acquisition, ce qui en dit long sur ce que les gens câblent en 2026. AGPL-3.0 compte si vous le modifiez et offrez le résultat comme un service. Pour un agent personnel qui n’appelle que le point de terminaison local ou du fournisseur, la licence est une contrainte plus petite.

Assistants de codage IA

Les agents de codage sont la partie la plus dense de la liste de 2026. OpenCode mène les agents de terminal et d’éditeur entièrement ouverts, avec Codex et Gemini CLI juste derrière en tant que CLI de fournisseur qui se trouvent être open source. OpenHands, Cline et Goose sont les autres programmes que vous pouvez réellement exécuter.

Aider (49 567 étoiles, Apache-2.0), Continue (36 228, Apache-2.0) et Crush (28 669, FSL-1.1-MIT) sont de vrais outils de codage dans la bande suivante. La licence de Crush est une Licence de source fonctionnelle qui se convertit en MIT selon l’horaire écrit dans le fichier. Un seul agent de codage est suffisant. Un second est pour une semaine de comparaison, et après cela, c’est une configuration que vous devez garder synchronisée.

OpenCode

OpenCode est un agent de codage open source avec un flux de travail terminal et une grande surface de plugins. Il est devenu le nom par défaut que les gens citent lorsqu’ils veulent un agent de codage qu’ils peuvent inspecter, et la licence MIT correspond à cet usage. Le dépôt est anomalyco/opencode. Choisissez-le lorsque l’agent lui-même doit être quelque chose que vous pouvez réparer.

Codex

Codex est l’agent de codage léger d’OpenAI pour le terminal, écrit en Rust et sous licence Apache-2.0. C’est le client ouvert pour une famille de modèles hébergés, ce qui est un marché différent d’un agent premier-local. Utilisez-le lorsque votre équipe se standardise déjà sur les modèles OpenAI et que vous souhaitez un CLI que vous pouvez automatiser. Le fait que le client soit ouvert ne déplace pas les poids du modèle sur votre disque.

Gemini CLI

Gemini CLI apporte Gemini dans le terminal en tant qu’agent, sous Apache-2.0. Il joue le même rôle que Codex pour un fournisseur différent, et la base de code TypeScript est plus facile à intégrer dans les outils Node existants. Choisissez-le lorsque Gemini est le modèle pour lequel vous payez déjà. L’exécuter à côté de Codex est raisonnable uniquement si chaque dépôt a un agent par défaut.

OpenHands

OpenHands est un agent de développement logiciel avec une boucle de tâche complète, maintenant publié depuis l’organisation OpenHands. La licence MIT et le produit de niveau supérieur en font un choix de plateforme, plus proche d’un environnement de développement hébergé que vous pouvez auto-héberger que d’un seul binaire. Utilisez-le lorsque vous souhaitez des problèmes, des espaces de sandbox et une interface utilisateur autour de l’agent. Pour un flux de travail terminal à une personne, OpenCode, Codex ou Goose est l’installation plus petite.

Cline

Cline est un agent de codage autonome qui est livré sous forme de SDK, d’extension d’IDE ou de CLI. Apache-2.0 et l’intégration à l’éditeur en font le choix pratique pour les gens qui vivent dans VS Code et veulent toujours une bibliothèque qu’ils peuvent appeler. Il chevauche OpenCode plus qu’il ne chevauche une interface de discussion. Standardisez sur l’un d’entre eux par dépôt pour que les revues restent lisibles.

Goose

Goose est un agent local extensible qui installe, édite, exécute et teste du code avec le modèle que vous lui pointez. Le dépôt vit maintenant à aaif-goose/goose, et l’implémentation Rust plus Apache-2.0 en font un puissant agent de poste de travail. Choisissez Goose lorsque le fournisseur de modèle doit être échangeable et que l’agent doit fonctionner sur la machine qui détient le code. C’est un nombre d’étoiles plus discret qu’OpenCode, et c’est un ajustement plus direct pour un modèle local.

Compétences d’agent et harnais

La recherche par sujet placera ce groupe au-dessus de plusieurs produits réels. Superpowers et ECC sont des instructions, des hooks et des flux de travail pour les agents que vous exécutez déjà. Spec Kit est la boîte à outils de processus de GitHub elle-même pour le développement dirigé par les spécifications. Ils changent le comportement de l’agent, et ils sont encore du logiciel que vous composez avec un assistant de codage de la section précédente.

Superpowers

Superpowers est un cadre de compétences agentiques et une méthodologie de développement logiciel, distribué principalement sous forme de fichiers shell et d’instructions sous MIT. Le nombre d’étoiles est ce que vous obtenez lorsqu’une méthode se propage parmi les utilisateurs d’agents de codage en quelques mois. Installez-le par-dessus un agent que vous faites déjà confiance, et attendez-vous à modifier les compétences pour correspondre au dépôt. Le cadre suivra les permissions que cet agent a déjà.

ECC

ECC est un harnais pour Claude Code, Codex, OpenCode, Cursor et des agents similaires, couvrant les compétences, la mémoire et les vérifications autour de la façon dont l’agent fonctionne. C’est la bonne forme si vous voulez la même boucle sur plus d’un agent de codage. C’est aussi une autre couche mobile entre vous et le modèle. Adoptez-le lorsque l’équipe a déjà choisi les agents et souhaite une façon partagée unique de leur donner des instructions.

Spec Kit

Spec Kit est la boîte à outils de GitHub pour le développement dirigé par les spécifications et le processus qui l’entoure. Le mainteneur est la plateforme où la plupart de ces dépôts vivent déjà, et la licence MIT est simple. Utilisez-le lorsque vous voulez une spécification écrite avant que l’agent édite du code. Il restera silencieux si l’équipe traite la spécification comme une paperasse optionnelle.

Mémoire IA

La mémoire est la couche qui permet à un agent de reprendre. Les projets étoilés se divisent en deux styles. claude-mem, Beads et une grande partie de Hindsight attachent la mémoire aux sessions de codage. Mem0, Cognee et Letta sont des services que vous appelez depuis des agents d’application. Les politiques de capture, les dépendances et les compromis d’auto-hébergement pour ces backend sont comparés dans Fournisseurs de mémoire agent.

Memvid (16 600 étoiles, Apache-2.0) et Zep (4 961 étoiles, Apache-2.0) sont de plus petites options dans la même tâche, Memvid en tant que magasin à fichier unique et Zep en tant qu’API de mémoire lourde d’intégration. Un système de mémoire par agent est la configuration que vous pouvez encore expliquer plus tard.

claude-mem

claude-mem enregistre ce qu’un agent de codage fait, comprime cette histoire et injecte la partie pertinente dans les sessions ultérieures. Il parle à Claude Code, OpenClaw, Codex, Gemini CLI, Hermes, Copilot et OpenCode, c’est pourquoi il mène ce groupe. Apache-2.0 convient à un sidecar que vous pourriez vouloir modifier. Utilisez-le lorsque la chose que vous continuez d’oublier est la session de codage elle-même.

Mem0

Mem0 est une couche de mémoire pour les agents et les applications, avec l’état utilisateur, session et agent derrière une API. C’est le nom par défaut lorsque le produit est un bot d’assistance ou un assistant personnel, et que vous voulez cette mémoire en dehors de tout outil de codage. Apache-2.0 et une option hébergée se côte à côte, donc l’auto-hébergement est un choix que vous pouvez faire plus tard. Préférez-le à un crochet de session de codage lorsque de nombreux agents doivent partager les mêmes faits à propos d’un utilisateur.

Hindsight

Hindsight est le projet de mémoire agent de Vectorize, visant les agents qui apprennent de ce qu’ils ont déjà fait, et il s’intègre à la fois aux agents de codage et aux cadres d’application. La licence MIT est la plus permissive de ce groupe. Le projet publie de fortes revendications de benchmark, et ces revendications devraient être réexécutées sur vos propres transcripts avant de miser un produit dessus. Choisissez Hindsight lorsque vous voulez un service de mémoire dédié et que vous êtes disposé à le comparer avec Mem0 sur vos données.

Cognee

Cognee construit un graphe de mémoire et de connaissances que les agents peuvent interroger, avec un accent sur l’exécution de cette couche sur des modèles plus petits. Il chevauche Mem0 et il chevauche aussi les outils RAG ci-dessous, parce qu’un graphe de vos documents se comporte à la fois comme mémoire et comme récupération. Apache-2.0 garde le chemin d’intégration remplaçable. Choisissez-le lorsque les faits qui vous importent sont des entités et des relations, et qu’un index vectoriel plat a déjà semblé trop perdant.

Beads

Beads stocke les tâches, plans et dépendances des agents de codage comme fichiers qui voyagent avec la branche git. Le dépôt est maintenant gastownhall/beads, et c’est le même projet que le récapitulatif Go de janvier a listé sous son chemin précédent. MIT et un magasin adossé à git en font l’outil de mémoire que votre processus de revue existant peut voir. Utilisez-le lorsque le contexte doit bifurquer avec la branche. Utilisez claude-mem ou Mem0 lorsque la mémoire doit survivre à un seul dépôt.

Letta

Letta est la plateforme d’agents étatiques qui a grandi à partir de MemGPT. La mémoire ici fait partie du temps d’exécution de l’agent, donc l’agent gère son propre contexte comme une fonctionnalité de la plateforme. C’est un engagement plus profond que de laisser tomber Mem0 sous un agent que vous exécutez déjà. Apache-2.0 s’applique à la plateforme ouverte. Choisissez Letta lorsque vous voulez le temps d’exécution et la mémoire conçus ensemble, et choisissez Mem0 lorsque vous voulez la mémoire sous des agents que vous ne prévoyez pas de remplacer.

RAG et bases de connaissances

Les projets RAG transforment les documents en une couche de contexte. RAGFlow est le moteur de bout en bout que les gens étoilent. LlamaIndex est le cadre de documents, GraphRAG est l’approche de graphe de Microsoft, et WeKnora est la plateforme de connaissances de Tencent, qui est également apparu dans le récapitulatif Go de janvier et a continué à croître.

RAGFlow

RAGFlow est un moteur RAG auto-hébergé qui analyse des documents encombrants et expose la récupération aux agents, avec des citations comme partie du produit. Apache-2.0 et une interface utilisateur que vous pouvez remettre à une équipe sont pourquoi il mène ce groupe d’un écart clair. Utilisez-le lorsque la tâche est « mettre nos fichiers derrière une boîte de réponse » et que vous voulez l’analyseur, l’index et l’API d’un seul projet. Tournez-vous vers LlamaIndex lorsque vous incorporez la récupération dans une application que vous contrôlez déjà.

LlamaIndex

LlamaIndex est un cadre de traitement de documents pour les agents et les pipelines RAG. C’est une bibliothèque avec de nombreux connecteurs, et la licence MIT convient à ce rôle. Vous assemblez l’index, le magasin et l’agent vous-même, ce qui est le coût de la flexibilité. Choisissez-le pour le code de produit. Choisissez RAGFlow lorsque vous voulez le même travail en tant que service que vous déployez.

GraphRAG

GraphRAG construit un graphe sur un corpus et répond aux questions en parcourant ce graphe, comme l’implémentation ouverte de Microsoft Research de l’idée. La technique elle-même est expliquée dans RAG avancé : LongRAG, Self-RAG et GraphRAG. La licence MIT le rend facile à essayer à côté d’un pipeline vectoriel. La construction du graphe coûte plus cher d’avance qu’un index de découpage et d’intégration, et il rembourse ce coût sur les questions qui couvrent de nombreux documents. Utilisez-le lorsque le corpus a une structure que vous forcez actuellement dans des extraits.

WeKnora

WeKnora est la plateforme de connaissances de Tencent pour transformer les documents en un index RAG, un agent et une wiki que le projet décrit comme autonome. La licence du projet est MIT, avec des composants tiers sous leurs propres termes. GitHub rapporte cette licence comme Autre, parce que la concession MIT se situe sous un préambule Tencent. C’est le cousin le plus proche de RAGFlow dans ce tableau, avec un cœur Go. Préférez-le lorsque vous voulez la wiki et l’agent dans la même boîte, et comparez les analyseurs sur un échantillon de vos propres PDF avant de migrer une bibliothèque.

Constructeurs de flux et d’agents

Les constructeurs sont l’endroit où une équipe dessine le flux, ou où un développeur importe le cadre qui le dessine pour lui. n8n est le plus grand par étoiles et le plus étroit par licence. Dify et Langflow sont les studios natifs IA. LangChain est la bibliothèque sous un grand nombre des autres.

CrewAI (59 745 étoiles, MIT) et AutoGen (61 429 étoiles, CC-BY-4.0) appartiennent à la même conversation que les cadres multi-agents premier-code. La licence Creative Commons d’attribution d’AutoGen est inhabituelle pour un dépôt de code, et il vaut la peine de la lire avant de le sous-traiter. LangChain reste la surface d’intégration que ces cadres rencontrent encore.

n8n

n8n est une plateforme de flux de travail avec des centaines d’intégrations et des étapes IA natives, et c’est le projet que les gens ont en tête lorsqu’ils veulent une automatisation de style Zapier qu’ils peuvent héberger. La Licence d’utilisation durable permet l’usage interne des affaires, l’usage personnel et l’usage non commercial. La distribution est limitée aux copies gratuites, non commerciales, et les fichiers marqués .ee ont besoin d’une licence entreprise séparée. C’est du fair-code source-disponible, et c’est encore l’outil droit pour l’automatisation interne si ces limites correspondent à la façon dont vous l’exécutez.

Dify

Dify est un espace de travail pour les flux de travail agentiques et les pipelines RAG, avec des fournisseurs de modèles et des outils dans une pile déployable unique. La licence commence à partir d’Apache-2.0 et ajoute des conditions : opérer un service multi-locataire, signifiant plusieurs espaces de travail, a besoin d’une licence commerciale, et le logo de la console et l’avis de droit d’auteur restent sur le frontend. L’usage interne mono-locataire est le cas que les clauses supplémentaires laissent ouvert. Choisissez Dify lorsqu’une équipe a besoin d’une seule interface utilisateur du prototype à la production, et choisissez Langflow lorsque la licence doit rester un MIT simple.

Langflow

Langflow est un constructeur visuel pour les agents et les flux RAG, avec une licence MIT et un nombre d’étoiles essentiellement égal à Dify. Le canevas est le produit, et les flux générés sont quelque chose qu’un développeur peut encore posséder. Utilisez-le lorsque vous voulez un diagramme du pipeline et une licence qu’une liste de contrôle d’approvisionnement comprend déjà. Le compromis est une surface d’application plus jeune que les fonctionnalités d’espace de travail de Dify.

LangChain

LangChain est la bibliothèque de génie d’agents que la plupart des documents d’intégration supposent encore. MIT et la largeur des connecteurs le maintiennent dans toutes les listes restreintes, et le coût d’abstraction est réel une fois que la chaîne fait quelque chose de simple. Utilisez-le lorsque vous écrivez du code d’application et que vous voulez les adaptateurs déjà écrits. Utilisez Dify ou Langflow lorsque le livrable est un espace de travail, et utilisez un SDK de fournisseur direct lorsque le flux est une poignée d’appels.

Inférence locale et interfaces de chat

C’est la couche sous tout le reste. Ollama est l’exécuteur de poste de travail, Transformers est la bibliothèque de définition de modèles, Open WebUI est le frontend de chat, llama.cpp est le moteur C++ portable, et vLLM est le moteur serveur. Hugging Face Transformers est inclus parce que beaucoup des autres projets l’importent, même si vous ne l’« exécutez » pas de la façon dont vous exécutez Ollama. La maturité de l’API, le support matériel et la préparation à la production à travers les temps d’exécution sont comparés dans Ollama vs vLLM vs LM Studio.

Ollama

Ollama exécute des modèles ouverts actuels localement derrière un CLI simple et une API compatible OpenAI. C’était déjà un leader dans le récapitulatif Go de janvier, et à 183 334 étoiles, c’est encore le temps d’exécution par défaut de poste de travail. MIT et un seul démon sont les raisons. Utilisez-le sur une machine de développeur et sur de petits serveurs. Déplacez les mêmes poids vers vLLM lorsque la concurrence, le lotissement et l’utilisation du GPU deviennent le problème.

Transformers

Transformers est la bibliothèque de Hugging Face pour définir, charger et exécuter des modèles à travers le texte, la vision, l’audio et les points de contrôle multimodaux. Apache-2.0 et l’hub de modèles autour en font la bibliothèque que le reste de la pile importe. Vous le sentez lorsque vous entraînez, convertissez ou déboguez un modèle. Vous pouvez l’ignorer longtemps si Ollama ou vLLM sert déjà le point de contrôle dont vous avez besoin.

Open WebUI

Open WebUI est l’interface de chat que la plupart des gens mettent devant Ollama et les API compatibles OpenAI. La Licence Open WebUI permet la redistribution et puis restreint le marquage. Au-dessus de 50 utilisateurs finaux dans toute période glissante de 30 jours, vous ne pouvez pas altérer, supprimer ou remplacer le nom et les marques Open WebUI sans permission écrite ou une licence entreprise. Pour une installation personnelle ou d’équipe petite qui conserve le nom, c’est le frontend poli. Pour un produit que vous rebrandez, budgétez la conversation entreprise d’abord. Le déploiement Docker et les options de configuration sont parcourues dans le guide Open WebUI.

llama.cpp

llama.cpp est le moteur d’inférence C et C++ qui a rendu les modèles locaux pratiques sur du matériel ordinaire. La licence MIT et l’écosystème GGUF sont pourquoi Ollama et une foule de plus petites applications sont assises par-dessus. Utilisez le projet directement lorsque vous voulez le moteur, les outils de quantification ou un binaire avec peu de dépendances. Utilisez Ollama lorsque vous voulez ce moteur avec la gestion de modèles déjà enveloppée.

vLLM

vLLM est un moteur de service à haut débit pour les GPU, avec lotissement continu et une API compatible OpenAI. Apache-2.0 et le focus sur le déploiement en font le contrepartie serveur d’Ollama. Le nombre d’étoiles est plus bas parce que l’auditoire est des gens qui exécutent des GPU, et que cet auditoire est celui qui sent la différence. Choisissez vLLM lorsque plus de quelques sessions concurrentes partagent une machine.

Passerelles LLM

Une passerelle est la porte d’entrée compatible OpenAI devant de nombreux fournisseurs. LiteLLM est le choix courant, New API est le distributeur auto-hébergé, et Bifrost est la passerelle à haut débit plus petite. Placez une passerelle dans la pile lorsque vous avez plus d’un fournisseur, un budget par clé, ou un besoin de basculement. Un seul démon local Ollama n’en a pas besoin.

LiteLLM

LiteLLM expose un grand ensemble d’API de fournisseurs à travers une seule interface en forme d’OpenAI, avec suivi de dépenses, reprises et garde-fous. Le code à l’extérieur du répertoire enterprise/ est MIT, et ce répertoire a sa propre licence. Le SDK Python est ce que le code d’application importe, et le proxy est ce que l’équipe de plateforme exécute. Utilisez le noyau lorsque vous voulez un client pour de nombreux vendeurs. Vérifiez le répertoire entreprise avant de supposer que tout le dépôt est MIT.

New API

New API est un hub de modèles qui agrège les fournisseurs et les ré-serve comme des points de terminaison compatibles OpenAI, Claude ou Gemini. C’est la passerelle que les gens déploient lorsqu’ils veulent aussi des comptes utilisateurs, des quotas et une interface de distribution. AGPL-3.0 est le terme qui compte si vous modifiez le hub et l’offrez comme un service. Pour une passerelle interne avec des clés amont, c’est une alternative concrète au proxy de LiteLLM, avec un déploiement Go et une licence plus stricte.

Bifrost

Bifrost est une passerelle Go pour les modèles et les outils, avec basculement, budgets et une passerelle MCP dans le même processus. Le nombre d’étoiles est bien en dessous de LiteLLM, et le récapitulatif Go de janvier l’avait déjà sur la liste des tendances, donc le projet est plus jeune qu’il n’est obscur. Apache-2.0 évite la division du répertoire entreprise. Envisagez-le lorsque la passerelle est sur le chemin de requête d’un service occupé et que vous voulez un petit binaire Go. Gardez LiteLLM lorsque vous avez besoin de la longue traîne d’adaptateurs de fournisseur aujourd’hui.

Une pile méritant d’être exécutée

Les tableaux sont une carte, et un poste de travail a toujours besoin d’une liste restreinte. Pour une configuration locale en octobre 2026, Ollama plus un agent de codage couvre la boucle quotidienne. Ajoutez Open WebUI si la clause de marquage correspond au nombre d’utilisateurs, Mem0 ou claude-mem selon que la mémoire appartient à une application ou à une session de codage, et RAGFlow lorsque les documents sont le produit. Ajoutez LiteLLM ou New API uniquement après qu’un second fournisseur de modèle apparaît.

Les packs de compétences tels que Superpowers et ECC viennent après que l’agent est choisi. Ils sont faciles à étoiler et faciles à accumuler, et trois harnais sur un seul dépôt se disputeront les mêmes instructions.

Garder le classement à jour

Répétez les requêtes de sujet en haut de cet article, assignez chaque nouveau dépôt à une tâche, et re-triez cette tâche par étoiles. Puis ouvrez le fichier de licence. Un projet qui a sauté le tableau sur un répertoire de compétences, une liste de prompts, ou un week-end d’attention peut attendre la prochaine instantanée avant de remplacer un outil que vous exécutez.

Stockez l’instantanée. Un seul CSV de full_name, stargazers_count, license et pushed_at, pris mensuellement, transforme la prochaine édition de cette page en une vraie colonne de tendances, le même genre de différence que les articles par langage montrent déjà. Jusqu’à alors, les groupes sont la partie qui vieillit bien, et les nombres d’étoiles sont la partie qui devient obsolète volontairement.

Sources

Les nombres d’étoiles, les langages et les identités de licences ont été lus depuis l’API des dépôts GitHub et les fichiers LICENSE des dépôts le 16 octobre 2026. Les étiquettes de tâches s’appuient également sur la liste de scénarios publique sur Top Open Source AI, qui documente son propre score composite séparément du tri utilisé ici.

• Sujets GitHub : ai-agents
• Sujets GitHub : llm
• Sujets GitHub : rag
• Tendances GitHub, mensuel
• Top Open Source AI
• Licence Polyform Shield
• Licence de source fonctionnelle
• n8n : Licence d’utilisation durable et plans
• Fichier de licence Open WebUI