今天的五个项目横跨 Agent 生态的关键层：从微软旗舰级多 Agent 框架，到文档智能处理、开源 NotebookLM 替代品、成熟 RAG 编排引擎，再到自演化的 Agent 记忆系统。如果你正在构建 AI 应用，这五个项目几乎覆盖了从「大脑」到「记忆」的完整链路。
🛠️ 1. microsoft/autogen
- 🔗 https://github.com/microsoft/autogen
- ⭐ Stars：59.9k
- 💬 微软出品的 Agent 编程框架，定义了多 Agent 协作的范式
AutoGen 是微软研究院开源的多智能体编程框架，让开发者能够用最少的代码构建复杂的 AI Agent 工作流。它的核心理念是：通过 Agent 之间的对话来实现任务分解与协作——你可以定义多个具有不同角色和工具的 Agent，让它们自主对话、分工、验证，最终完成复杂任务。AutoGen 支持 GroupChat（群聊式多 Agent 协作）、代码执行、工具调用、RAG 等核心能力，并且提供了从研究原型到生产部署的完整路径。它拥有庞大的生态（9000+ Fork），社区活跃度极高，是学术研究和工业实践中引用最多的 Agent 框架之一。最近更新于 2026 年 4 月，引入了更灵活的 Agent 配置 API 和改进的工作流编排能力。对于想要深入理解多 Agent 系统架构的开发者，AutoGen 是必读项目。
🛠️ 2. run-llama/llama_index
- 🔗 https://github.com/run-llama/llama_index
- ⭐ Stars：51.0k
- 💬 领先的文档 Agent 与 OCR 平台，RAG 领域的事实标准
LlamaIndex 最初以「LLM 应用的数据框架」定位闻名，现已演化为完整的文档 Agent 和 OCR 平台。它的核心价值在于：让 AI Agent 能够高效地连接、索引和推理各种结构化与非结构化数据——从 PDF、Word 到数据库、API，再到实时网页。最新版本引入了强大的 OCR 能力，可以直接从扫描件、图片、复杂版式文档中提取结构化信息，并将其转化为 Agent 可推理的知识。LlamaIndex 支持 40+ 种数据源连接器、多种向量数据库后端、高级检索策略（Hybrid Search、Re-ranking、Knowledge Graph），以及完整的多 Agent 编排能力。项目创建于 2022 年 11 月，经过近 4 年的持续迭代，已成为 RAG 领域最成熟的开源方案之一。就在昨天（7 月 21 日）还有代码提交，社区极其活跃。
🛠️ 3. lfnovo/open-notebook
- 🔗 https://github.com/lfnovo/open-notebook
- ⭐ Stars：35.8k
- 💬 开源版 Google NotebookLM，更灵活、更强大、完全自托管
如果你喜欢 Google NotebookLM 的「上传文档→AI 帮你理解」体验，但又想要更多控制权和隐私保护，Open Notebook 是最佳选择。这是一个用 TypeScript 构建的开源项目，实现了 NotebookLM 的核心功能——文档上传、AI 摘要、智能问答、笔记生成——并在此基础上提供了更大的灵活性：支持自定义 AI 模型（OpenAI、Anthropic、本地模型等）、可配置的检索策略、Markdown 原生笔记导出，以及完整的知识管理能力。项目创建于 2024 年 10 月，短短不到两年就收获了 35.8k Stars 和 4000+ Fork，增长势头强劲。它特别适合研究人员、学生、知识工作者——把你的论文、报告、教材丢进去，就能得到一个可以对话的私有知识库。昨天刚有更新，社区非常活跃。
🛠️ 4. deepset-ai/haystack
- 🔗 https://github.com/deepset-ai/haystack
- ⭐ Stars：26.0k
- 💬 老牌 AI 编排框架，专注构建生产级 RAG 与 Agent 工作流
Haystack 是 AI 编排领域最成熟的开源框架之一，由 deepset 公司于 2019 年创建并持续维护至今。与 LangChain 的「万能胶水」路线不同，Haystack 走的是「显式控制」路线——它的 Pipeline 设计让开发者对检索、路由、记忆、生成的每一步都有清晰的掌控，特别适合需要精细调优的生产级场景。最新版本支持模块化的 Agent 工作流、多模态应用、语义搜索、问答系统和摘要系统，覆盖了 RAG 应用的全生命周期。Apache-2.0 开源协议，已有近 3000 个 Fork。Haystack 的核心优势在于其工程化思维：类型安全、可测试、可部署、可监控。对于需要在生产环境中运行 RAG 或 Agent 系统的团队，Haystack 是比 LangChain 更稳的选择。项目昨天还在活跃更新，经过近 7 年打磨，文档和社区支持都非常完善。
🛠️ 5. EverMind-AI/EverOS
- 🔗 https://github.com/EverMind-AI/EverOS
- ⭐ Stars：11.4k
- 💬 为每个 AI Agent 提供可移植的记忆层，Markdown 原生、用户自有、自演化
EverOS 解决的是 Agent 生态中最痛的问题之一：记忆碎片化。每个 AI 工具都有自己的记忆系统——Claude 有 Memory、Cursor 有 .cursorrules、ChatGPT 有 Custom Instructions——但这些记忆互不打通，换一个工具就要从头教起。EverOS 提供了一个统一的、可移植的记忆层：本地优先（数据在你自己的机器上）、Markdown 原生（用人类可读的 Markdown 存储记忆）、用户自有（你完全控制你的数据），并且能够跨应用、工具和工作流自演化——Agent 在使用过程中自动学习、更新和优化记忆。它支持 MCP 协议集成，可以接入 Claude Code、Cursor、Codex 等主流 AI 编程工具，还提供了 RAG 检索能力和长期记忆管理。项目创建于 2025 年 10 月，不到一年就收获 11.4k Stars，增长速度值得关注。对于想要构建持久化 Agent 记忆系统的开发者，EverOS 提供了一个开箱即用的起点。
—
📡 数据源：GitHub Search API / GitHub Trending HTML / GitHub REST API
如有侵权请联系删除。