agentic-metric

При написании кода с использованием Claude Code и Codex у меня всегда не было понимания, сколько токенов я потратил и каковы расходы, а проверка ежедневного использования — это сплошная морока.

Можно установить open-source инструмент под названием Agentic Metric — по сути, это как «монитор ресурсов» для агентов: все данные остаются локально, без сети и без какой-либо загрузки.

Просто открываешь real-time дашборд прямо в терминале; он автоматически определяет запущенные агентные процессы, а использование токенов и оценка стоимости видны сразу.

Также поддерживаются популярные инструменты, такие как Claude Code, Codex, VS Code Copilot, OpenCode, Qwen Code и другие, при этом можно смотреть исторические тренды за 30 дней и ежедневные сводки.

В комплекте есть встроенный прайс-лист для распространённых моделей, и ты можешь добавлять или переопределять цены вручную. Также можно встроить сводку затрат в статус-бары tmux или vim, чтобы в любой момент видеть текущие расходы.

Если ты используешь несколько AI-инструментов для кодинга и хочешь понять, куда уходят все твои токены, этот инструмент стоит установить.

📁 Language: #Python 100.0%

⭐️ Stars: 119

➡️ Cсылка на GitHub

📱 @git_developer

reverse-SynthID

Это инструмент для обратного инжиниринга технологии SynthID от Google DeepMind, предназначенной для встраивания невидимых водяных знаков в контент, сгенерированный искусственным интеллектом.

Программа анализирует изображения, помеченные SynthID, и пытается извлечь или удалить встроенные водяные знаки, делая их недоступными для обнаружения.

📁 Language: #Python 100.0%

⭐️ Stars: 522

➡️ Cсылка на GitHub

📱 @git_developer

Hermes HUD

При использовании AI-агентов в работе самая раздражающая вещь — это отсутствие понимания, что происходит у них «внутри»: что они запомнили, на каком шаге находится задача — всё как чёрный ящик.

Недавно наткнулся на проект Hermes HUD на GitHub. Он даёт агентам дашборд, который визуализирует их память, развитие и операционное состояние — всё наглядно.

Сделан специально для Hermes-агентов: читает данные агента в реальном времени и отображает их в 9 вкладках по разным аспектам. Открываешь — и сразу видно реальное состояние агента.

Также есть логирование ошибок: фиксируется каждая ошибка агента и то, чему он на ней «научился».

Можно делать сравнение snapshot’ов роста — смотреть, что изменилось у агента со вчера на сегодня. Есть трекинг проектов, мониторинг запланированных задач и проверка runtime-состояния.

В комплекте 4 киберпанк-темы — в терминале выглядит довольно эффектно. Поддерживаются macOS и Linux: достаточно склонировать репозиторий и настроить.

Если используешь Hermes-агентов и хочешь в любой момент видеть их полную операционную картину — этот дашборд стоит поставить.

📁 Language: #Python 99.7%

⭐️ Stars: 309

➡️ Cсылка на GitHub

📱 @git_developer

AgentHandover

Используя AI-агентов для выполнения задач, я хочу выстроить общую структуру своего workflow и создать Skill, чтобы агент «обучался» нашим процессам.

Я наткнулся на проект AgentHandover, который автоматически дистиллирует рабочие процессы в «skill manuals», которые AI-агенты могут напрямую исполнять, наблюдая за реальными действиями пользователя на Mac.

Достаточно просто работать как обычно — инструмент в фоне выявляет повторяющиеся процессы и автоматически генерирует полноценную документацию навыков: шаги, стратегии, логику принятия решений и даже ваш стиль написания.

Что ещё важнее — эти навыки не «застывают» после создания: агент пересматривает и оптимизирует Skill после каждого выполнения, делая его точнее с каждым использованием.

Все данные обрабатываются локально, скриншоты удаляются после аннотации, пароли и ключи автоматически маскируются, также есть интеграция в один клик с популярными инструментами вроде Claude Code и Codex.

Если у вас много повторяющихся задач в повседневной работе, которые вы хотите делегировать агенту, но не хотите каждый раз вручную описывать workflow — на этот инструмент стоит обратить внимание.

📁 Language: #Python 75.1%

⭐️ Stars: 521

➡️ Cсылка на GitHub

📱 @git_developer

ATLAS

Написание кода с использованием локальных больших моделей приводит к нестабильному качеству вывода, из-за чего требуется многократная отладка и доработка — это неудобно и в итоге менее эффективно, чем просто вызывать API напрямую.

Open-source проект ATLAS предлагает интересный подход: вместо fine-tuning модели он оборачивает её в интеллектуальный пайплайн, позволяя локальным малым моделям генерировать код высокого качества.

Он автоматически генерирует несколько кандидатных решений, валидирует их через sandboxing и механизмы самовосстановления, итеративно отбирая оптимальный вариант, при этом весь процесс полностью выполняется офлайн, а данные остаются на локальной машине.

Даже на потребительской видеокарте с 16 ГБ VRAM он достигает производительности в задачах кодинга, близкой к передовым API-моделям.

Также он предоставляет интерактивный инструмент командной строки: достаточно ввести команду в директории проекта, чтобы начать работу — сложная логика автоматически запускает полный пайплайн, а простые файлы генерируются за секунды.

Если вы хотите запускать надёжного AI-ассистента для кодинга локально, без зависимости от облачных API и оплаты токенов, на этот проект стоит обратить внимание.

📁 Language: #Python 81.4%

⭐️ Stars: 1.8k

➡️ Cсылка на GitHub

📱 @git_developer

graphify

Использование AI для помощи в программировании — когда проект разрастается, это превращается в головную боль: зависимости между частями кода, нюансы архитектурных решений — простым пролистыванием файлов уже не разобраться.

Можно попробовать open-source проект graphify — он автоматически превращает весь кодбейс в граф знаний, позволяя AI-ассистентам реально «понимать» структуру проекта.

Достаточно ввести одну команду в популярных AI-инструментах для разработки, таких как Claude Code, Cursor, Gemini CLI — и он генерирует интерактивные графы знаний, архитектурные отчёты и файлы с возможностью запросов.

Это не только про код — можно загружать PDF-документы, скриншоты, фото с доски, даже видео и аудио — система автоматически извлекает сущности и связи, объединяя всё в единый граф.

Для кода используется локальный парсинг синтаксического дерева, без отправки данных в облако, поддерживается 20 языков программирования.

При выполнении запросов экономия достигает более чем в 70 раз по сравнению с прямым чтением сырых файлов, а последующие запросы после одного прогона практически не требуют затрат.

Если ваш проект растёт, файлов становится всё больше, и вы хотите, чтобы AI-ассистент перестал «гадать вслепую», это стоит попробовать.

📁 Language: #Python 100.0%

⭐️ Stars: 22.4k

➡️ Cсылка на GitHub

📱 @git_developer

MathCode

Я хочу использовать ИИ для формальных доказательств математических теорем, но большинство инструментов этого не поддерживают, а собрать собственный воркфлоу с нуля — очень высокий порог входа.

Случайно наткнулся на опенсорс-проект под названием MathCode. Он принимает описание математической задачи на естественном языке и автоматически конвертирует его в теоремы для Lean 4, после чего пытается завершить формальное доказательство.

Проще говоря, это ассистент для доказательства теорем прямо в терминале. Вводишь фразу вроде «Докажи, что квадрат чётного числа — чётный», и он сам проходит весь пайплайн: от формализации до доказательства.

Также есть интеграция с Lean LSP, которая позволяет автоматически подтягивать существующие леммы из библиотеки Mathlib для помощи в доказательствах. Если возникают ошибки компиляции, система автоматически их исправляет и делает ретраи, до десяти итераций.

Поддерживается генерация графов знаний в Obsidian для визуализации зависимостей между теоремами и леммами. Есть параллельный запуск нескольких планировщиков, чтобы одновременно прогонять разные стратегии доказательства и находить оптимальное решение.

Если интересна формальная верификация математики или вы используете Lean 4 и считаете ручной процесс слишком трудоёмким, этот инструмент стоит попробовать.

📁 Language: #Python 52.7%

⭐️ Stars: 402

➡️ Cсылка на GitHub

📱 @git_developer

Void-Tools

Void-Tools объединяет разрозненные инструменты для OSINT, сетевые запросы, операции с Discord и скрипты атак в единый интерфейс терминала, чтобы не приходилось искать и запускать их по отдельности.

Это терминальный тулкит, написанный на Python, включающий 11 модулей. Функциональность достаточно широкая: OSINT, запросы по IP, работа с паролями и временной почтой, а также функции повышенного риска — такие как Discord-нукер, DDoS и SMS-бомбинг.

📁 Language: #Python 93.4%

⭐️ Stars: 134

➡️ Cсылка на GitHub

📱 @git_developer

NetAlertX

Лёгкое централизованное решение для обнаружения и мониторинга сетевых активов, которое постоянно отслеживает состояние и изменения устройств во внутренней сети без зависимости от тяжёлых SIEM.

Проще говоря, NetAlertX следит за устройствами в вашей локальной сети. Он непрерывно сканирует её с помощью arp-scan, Pi-hole, контроллера UNIFI, SNMP-роутеров и автоматически фиксирует, какие устройства онлайн и какие появились новые.

Можно рассматривать его как единый реестр сетевых активов — он находит несанкционированное оборудование, автоматически помечает и архивирует устройства, а также позволяет задавать правила для автоматической категоризации новых устройств.

📁 Language: #Python 42.2%

⭐️ Stars: 6.1k

➡️ Cсылка на GitHub

📱 @git_developer

Meta-Harness

При условии, что базовая модель не модифицируется, автоматически подобрать более подходящую обвязку, чтобы лучше адаптировать модель под конкретные задачи с точки зрения памяти, извлечения контекста и его компоновки.

Meta-Harness — это сопутствующий код к работе Stanford IRIS Lab под названием «Meta-Harness: End-to-End Optimization of Model Harnesses». Он не меняет саму модель напрямую, а вместо этого ищет оптимальный внешний рабочий контур вокруг модели: что сохранять, когда это извлекать и какой именно контент подавать модели. Репозиторий даёт общий каркас, а также два примера экспериментов: один для классификации текста, второй для Terminal-Bench 2.0.

📁 Language: #Python 98.9%

⭐️ Stars: 456

➡️ Cсылка на GitHub

📱 @git_developer