今天的五技覆盖了云基础设施、AI 笔记本编程、游戏开发、插件生态和智能体技能复用五大方向。从 AWS 官方 MCP 服务器到 Godot 游戏引擎的 AI 操控，Agent 工具链正在以前所未有的速度向各个领域渗透。
🛠️ 1. awslabs/mcp
- 🔗 github.com/awslabs/mcp
- ⭐ Stars：9.5k
- 💬 AWS 官方开源 MCP 服务器集合，让 AI Agent 直接操作 AWS 云服务
这是 AWS Labs 官方维护的 Model Context Protocol 服务器集合，覆盖 S3、Lambda、CloudFormation、DynamoDB 等核心 AWS 服务。通过 MCP 协议，AI 编码助手（如 Claude Code、Cursor）可以直接读取 S3 存储桶、部署 Lambda 函数、查询 DynamoDB 表数据，无需开发者手动切换到 AWS 控制台。项目采用 Python 编写，支持 Docker 部署，每个服务对应独立的 MCP server，可按需加载。仓库活跃度极高——就在今天还有代码推送。对于在 AWS 上构建应用的团队来说，这套工具能显著减少 DevOps 流程中的上下文切换成本，让 Agent 真正参与到云基础设施管理中。
🛠️ 2. jacob-bd/gemini-notebook-mcp-cli
- 🔗 github.com/jacob-bd/gemini-notebook-mcp-cli
- ⭐ Stars：5.6k
- 💬 通过 CLI、MCP 服务器和 Agent Skills 编程访问 Google Gemini Notebook
Google Gemini Notebook 是一款强大的 AI 研究笔记工具，但官方一直没提供完整的编程接口。这个项目填补了这一空白：它提供了 Python CLI、MCP server 和 AI Agent Skills 三种接入方式，让开发者能以编程方式创建笔记本、上传文档、执行查询、导出结果——甚至能调用网页版没有暴露的功能。对于需要批量处理研究资料或自动化知识管理的团队来说，这个工具打开了 Gemini Notebook 的自动化潜力。项目昨日刚有更新，Python 编写，支持 Claude Code、Codex 等主流编码 Agent 直接调用。特别适合做 RAG 管线集成的场景。
🛠️ 3. Coding-Solo/godot-mcp
- 🔗 github.com/Coding-Solo/godot-mcp
- ⭐ Stars：4.9k
- 💬 Godot 游戏引擎的 MCP 服务器，让 AI Agent 操控游戏开发全流程
这是一个将 Godot 游戏引擎与 AI Agent 连接起来的 MCP 服务器。通过它，Claude Code 或其他支持 MCP 的 Agent 可以启动 Godot 编辑器、运行项目、管理场景节点、调整脚本参数，甚至直接在编辑器内进行迭代开发。对于独立游戏开发者来说，这意味着可以用自然语言描述游戏逻辑，让 Agent 帮你完成繁琐的引擎操作。项目使用 JavaScript 编写，安装简单，支持 Godot 4.x。虽然是游戏开发领域的垂直工具，但近 5k 的 Star 说明这个需求一直存在——游戏开发中的重复性配置工作天然适合 Agent 接管。开源游戏开发社区正在积极探索 AI 辅助工作流，这个项目走在了前面。
🛠️ 4. openai/plugins
- 🔗 github.com/openai/plugins
- ⭐ Stars：4.8k
- 💬 OpenAI 官方插件仓库，ChatGPT 插件生态的起点
这是 OpenAI 官方维护的插件仓库，也是 ChatGPT 插件生态的官方起点。虽然 OpenAI 后来转向了 GPTs 和 Actions，但这个仓库依然是理解 LLM 插件架构设计的重要参考。仓库包含插件定义规范、示例插件代码、以及开发者文档。对于正在构建自己的 Agent 插件系统的团队来说，OpenAI 的插件定义格式（OpenAPI schema + manifest）仍然是最成熟的设计范本之一。项目在 7 月中旬有过更新，JavaScript 编写。研究它可以帮助你理解如何设计一个既灵活又安全的 Agent 插件协议——从权限模型到 API 调用规范，再到插件发现和安装流程，都能找到参考实现。
🛠️ 5. activeloopai/hivemind
- 🔗 github.com/activeloopai/hivemind
- ⭐ Stars：1.5k
- 💬 将 Agent 执行轨迹自动转化为可复用的 Skills，实现跨 Agent 知识共享
Hivemind 来自 Activeloop 团队（Deep Lake 向量数据库的创造者），核心理念是”从轨迹中学习”。它自动记录 AI Agent 的执行轨迹——包括成功的操作和失败的重试——然后从中提取可复用的技能模式。这些技能可以跨 Agent 共享：你在 Claude Code 中积累的工作流，可以无缝迁移到 Cursor 或 Codex 中使用。项目两天前刚有更新，TypeScript 编写，支持 Anthropic、OpenAI 等主流模型。1.5k Star 虽然不算多，但思路非常前沿：当前 Agent Skills 大多靠手动编写，Hivemind 提出了”自动化技能提取”的方向，让 Agent 的工作经验真正沉淀为可积累的资产。对于长期使用编码 Agent 的开发者来说，这可能是解决”每次对话从零开始”痛点的关键工具。
📡 数据源：GitHub Search API / GitHub Repository API
如有侵权请联系删除。