Projets open source d’IA à la mode sur GitHub, octobre 2026

La page de tendance mensuelle 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 s’étend sur cinq langages, et la coupure utile est le rôle qu’un dépôt remplit.

Cet instantané a été lu depuis l’API publique de GitHub le 16 octobre 2026, et au sein de chaque groupe, les dépôts sont triés par nombre d’étoiles. Les étoiles mesurent l’attention, et un dossier de compétences peut attirer cette attention plus vite qu’un moteur de service, si bien que le groupe prime sur le tri. La colonne « licence » fait également partie du classement, car plusieurs des projets les plus étoilés sont sous licence fair-code, restreints par la marque, ou divisés entre deux licences.

Les recensions Rust et Go sur ce site ont été construites à partir de la même page, avec un filtre par langage pour le groupement. Ici, les huit groupes de rôles ci-dessous remplacent le filtre, et chaque section énonce le compromis qui distingue les options proches. Les sections de conclusion transforment les tableaux en une liste courte exécutable, et en une méthode répétable pour le prochain instantané.

Comment classer les projets d’IA open source

Rechercher des sujets, puis attribuer un rôle

Les sujets GitHub sont le substitut exploitable pour 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 dans les derniers mois. La recherche en texte libre pour « IA » est trop large, et la page de tendance 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 pool, un catalogue de scénarios tel que Top Open Source AI pour les étiquettes de rôle, et le fichier LICENSE du dépôt pour la dernière colonne. Ce catalogue publie un score composite de sa propre conception : 70 % pour les étoiles, 10 % pour les contributeurs, et 20 % pour la récence des mises à jour. Cet article conserve la règle plus simple, si bien que le nombre dans le tableau est le nombre affiché 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 entretenu qui modifie la manière dont un agent fonctionne. Les listes Awesome, les annuaires de prompts et les décharges de prompts système de fournisseurs collectent des étoiles et laissent quand même rien à déployer. Ils appartiennent à une liste de lecture, et ils restent hors des tableaux ci-dessous.

Ajouter une colonne « tendance » uniquement à partir de vos propres instantanés

Les recensions par langage pouvaient afficher les étoiles gagnées dans 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 instantanés de votre propre facture. Enregistrez full_name et stargazers_count le premier du mois, puis soustrayez. Jusqu’à ce que cette série existe, les étoiles totales sont la clé de classement honnête. « Tendance » dans le titre signifie des projets activement entretenus avec l’attention pour correspondre, à la date de cet article.

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 tenir à côté de l’un ou l’autre. Deux produits de la même couche sont habituellement un second avis, et rarement une meilleure architecture.

Assistants d’IA personnels

Ce groupe est pour les agents qui prennent des actions sur une machine ou à travers des outils, au-delà d’une seule session de codage. OpenClaw mène d’une large marge. Hermes est l’autre agent généraliste à cette échelle, et AutoGPT est le nom plus ancien qui accumule toujours des étoiles tandis que sa licence s’est scindée. Un tableau des classements plus profond pour ce duo seul, avec les téléchargements, la part de jetons et l’historique des CVE, est la comparaison OpenClaw vs Hermes Agent.

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 effectuer des tâches, ce qui est la lecture littérale d’un projet qui se qualifie lui-même d’IA qui fait des choses sur n’importe quelle 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 runtime d’automatisation locale avec un accès large à la machine, et délimitez ce qu’il est autorisé de toucher avant de le laisser tourner.

Hermes Agent

Hermes Agent, de Nous Research, est un agent généraliste conçu pour accumuler des compétences et un contexte à mesure qu’il est utilisé. Il se situe dans le même rôle qu’OpenClaw, avec une base de code Python et les mêmes termes MIT. Choisissez-le quand vous voulez cette boucle de croissance et que vous êtes déjà à l’aise pour faire fonctionner un agent Python. Faire tourner Hermes et OpenClaw en même temps signifie deux modèles de permissions à auditer.

AutoGPT

AutoGPT est le projet qui a fait des agents autonomes une catégorie GitHub grand public, et c’est toujours 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 sous MIT, et tout à l’intérieur de ce dossier est sous la licence Polyform Shield, qui autorise l’utilisation mais réserve la valeur commerciale du code au producteur. Lisez ce partage 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 le rôle soit l’acquisition, ce qui en dit long sur ce que les personnes câblent en 2026. AGPL-3.0 compte si vous le modifiez et offrez le résultat en tant que service. Pour un agent personnel qui n’appelle qu’un point de terminaison local ou de fournisseur, la licence est une contrainte moindre.

Assistants de codage IA

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

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 Functional Source License qui se convertit en MIT selon l’échéancier écrit dans le fichier. Un agent de codage suffit. Un deuxième est pour une semaine de comparaison, et après, 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 personnes citent quand elles veulent un agent de codage qu’elles peuvent inspecter, et la licence MIT correspond à cette utilisation. Le dépôt est anomalyco/opencode. Choisissez-le quand l’agent lui-même devrait être quelque chose que vous pouvez corriger.

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 une transaction différente d’un agent local d’abord. Utilisez-le quand votre équipe standardise déjà sur les modèles OpenAI et que vous voulez une CLI que vous pouvez automatiser. Le client étant ouvert ne déplace pas les poids du modèle sur votre disque.

Gemini CLI

Gemini CLI amène 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 quand Gemini est le modèle pour lequel vous payez déjà. Le faire tourner à côté de Codex est raisonnable seulement si chaque dépôt a un agent par défaut unique.

OpenHands

OpenHands est un agent de développement logiciel avec une boucle de tâches 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 quand vous voulez des problèmes, des bac à sable 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 en tant que SDK, extension IDE ou CLI. Apache-2.0 et l’intégration de l’éditeur en font le choix pratique pour les personnes qui vivent dans VS Code et veulent toujours une bibliothèque qu’elles peuvent appeler. Il chevauche OpenCode plus qu’il ne chevauche une interface de chat. Standardisez sur l’un d’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 se trouve maintenant à aaif-goose/goose, et l’implémentation Rust plus Apache-2.0 en font un puissant agent de poste de travail. Choisissez Goose quand le fournisseur de modèles devrait être interchangeable et que l’agent devrait 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 et harnais d’agents

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 faites déjà tourner. Spec Kit est la boîte à outils de processus propre à GitHub pour le développement piloté par spécifications. Ils modifient le comportement de l’agent, et ce sont toujours du logiciel que vous composez avec un assistant de codage de la section précédente.

Superpowers

Superpowers est un framework de compétences agentiques et une méthodologie de développement logiciel, distribuée principalement en tant que fichiers shell et instructions sous MIT. Le nombre d’étoiles est ce que vous obtenez quand une méthode se propage parmi les utilisateurs d’agents de codage en quelques mois. Installez-le sur un agent auquel vous faites déjà confiance, et attendez-vous à éditer les compétences pour correspondre au dépôt. Le framework 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 contrôles autour de la manière 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 quand l’équipe a déjà choisi les agents et veut une manière partagée de les informer.

Spec Kit

Spec Kit est la boîte à outils de GitHub pour le développement piloté par 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 quand vous voulez une spécification écrite avant que l’agent édite le code. Il restera discret si l’équipe traite la spécification comme un formulaire facultatif.

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. La politique de capture, les dépendances et les compromis d’auto-hébergement pour ces backends sont comparés dans les Fournisseurs de mémoire d’agents.

Memvid (16 600 étoiles, Apache-2.0) et Zep (4 961 étoiles, Apache-2.0) sont des options plus petites dans le même rôle, Memvid comme un magasin de fichier unique et Zep comme une API de mémoire lourde en intégrations. Un système de mémoire par agent est la configuration que vous pouvez encore expliquer plus tard.

claude-mem

claude-mem enregistre ce que fait un agent de codage, comprime cet historique et injecte la partie pertinente dans les sessions ultérieures. Il communique avec Claude Code, OpenClaw, Codex, Gemini CLI, Hermes, Copilot et OpenCode, ce qui est la raison pour laquelle il mène ce groupe. Apache-2.0 convient à un sidecar que vous pouvez vouloir modifier. Utilisez-le quand 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 quand le produit est un robot d’assistance ou un assistant personnel, et que vous voulez cette mémoire en dehors de tout outil de codage unique. Apache-2.0 et une option hébergée se tiennent côte à côte, donc l’auto-hébergement est un choix que vous pouvez faire plus tard. Préférez-le à un hook de session de codage quand beaucoup d’agents devraient partager les mêmes faits sur un utilisateur.

Hindsight

Hindsight est le projet de mémoire d’agent de Vectorize, visé vers les agents qui apprennent de ce qu’ils ont déjà fait, et il s’intègre à la fois avec les agents de codage et les frameworks d’application. La licence MIT est la plus permissive de ce groupe. Le projet publie des revendications de benchmarks solides, et ces revendications devraient être refaites sur vos propres transcriptions avant de parier un produit dessus. Choisissez Hindsight quand vous voulez un service de mémoire dédié et que vous êtes disposé à le comparer avec Mem0 sur vos données. L’installation pour OpenCode, la CLI Cursor et les autres harnais — les banques par dépôt, l’ensemencement git, et le cloud par rapport à un daemon local — est dans Hindsight Memory pour OpenCode, Cursor et autres agents de codage.

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 comme une mémoire et comme une récupération. Apache-2.0 garde le chemin d’embedding remplaçable. Choisissez-le quand les faits qui vous intéressent sont des entités et des relations, et qu’un index vectoriel plat s’est déjà senti trop pérdida.

Beads

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

Letta

Letta est la plateforme d’agent à état qui a grandi à partir de MemGPT. La mémoire ici fait partie du runtime de l’agent, donc l’agent gère son propre contexte comme une fonctionnalité de la plateforme. C’est un engagement plus profond que de placer Mem0 sous un agent que vous faites déjà tourner. Apache-2.0 s’applique à la plateforme ouverte. Choisissez Letta quand vous voulez le runtime et la mémoire conçus ensemble, et choisissez Mem0 quand vous voulez de la mémoire sous des agents que vous n’avez pas l’intention 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 personnes étoilent. LlamaIndex est le framework de documents, GraphRAG est l’approche graphe de Microsoft, et WeKnora est la plateforme de connaissances de Tencent, qui est aussi apparue dans la recension Go de janvier et a continué à croître.

RAGFlow

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

LlamaIndex

LlamaIndex est un framework de traitement de documents pour les agents et les pipelines RAG. C’est une bibliothèque avec beaucoup de connecteurs, et la licence MIT convient à ce rôle. Vous assemblez vous-même l’index, le magasin et l’agent, ce qui est le coût de la flexibilité. Choisissez-le pour le code de produit. Choisissez RAGFlow quand 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, en tant qu’implémentation ouverte de l’idée par Microsoft Research. 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 à l’avance qu’un index de découpage et d’embedding, et il rembourse ce coût sur des questions qui s’étendent sur beaucoup de documents. Utilisez-le quand le corpus a une structure que vous forcez actuellement dans des chunks.

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 auto-entretenue. 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 est sous un préambule Tencent. C’est le cousin le plus proche de RAGFlow dans ce tableau, avec un noyau Go. Préférez-le quand 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 de travail et d’agents

Les constructeurs sont l’endroit où une équipe dessine le flux, ou où un développeur importe le framework 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 une grande partie des autres.

CrewAI (59 745 étoiles, MIT) et AutoGen (61 429 étoiles, CC-BY-4.0) appartiennent à la même conversation que les frameworks multi-agents d’abord par code. La licence d’attribution Creative Commons d’AutoGen est inhabituelle pour un dépôt de code, et elle vaut la peine d’être lue avant de l’intégrer. LangChain reste la surface d’intégration que ces frameworks 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 personnes ont en tête quand elles veulent une automatisation de style Zapier qu’elles peuvent héberger. La Licence d’utilisation durable autorise l’utilisation interne des affaires, l’utilisation personnelle et l’utilisation non commerciale. La distribution est limitée aux copies gratuites et non commerciales, et les fichiers marqués .ee nécessitent une licence entreprise séparée. C’est un fair-code source-disponible, et c’est encore l’outil droit pour l’automatisation interne si ces limites correspondent à la manière dont vous l’exécutez.

Dify

Dify est un espace de travail pour les flux de travail d’agents et les pipelines RAG, avec des fournisseurs de modèles et des outils dans une pile déployable unique. La licence part d’Apache-2.0 et ajoute des conditions : l’exploitation d’un service multi-locataire, signifiant plusieurs espaces de travail, a besoin d’une licence commerciale, et le logo de la console et le avis de droits d’auteur restent sur le frontend. L’utilisation interne mono-locataire est le cas que les clauses supplémentaires laissent ouvert. Choisissez Dify quand une équipe a besoin d’une seule interface utilisateur du prototype à la production, et choisissez Langflow quand la licence doit rester en 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 lié à Dify. La toile est le produit, et les flux générés sont quelque chose qu’un développeur peut toujours posséder. Utilisez-le quand vous voulez un diagramme du pipeline et une licence qu’une liste de vérification des achats 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 d’ingénierie d’agents que la plupart des documents d’intégration supposent encore. MIT et l’étendue des connecteurs la maintiennent dans toutes les listes courtes, et le coût d’abstraction est réel une fois que la chaîne fait quelque chose de simple. Utilisez-le quand vous écrivez du code d’application et que vous voulez les adaptateurs déjà écrits. Utilisez Dify ou Langflow quand le livrable est un espace de travail, et utilisez un SDK de fournisseur direct quand 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 portable C++, et vLLM est le moteur serveur. Hugging Face Transformers est inclus parce que beaucoup d’autres projets l’importent, bien que vous ne le « fassiez pas tourner » de la manière dont vous faites tourner Ollama. La maturité de l’API, le support matériel et la préparation à la production à travers les runtimes sont comparés dans Ollama vs vLLM vs LM Studio.

Ollama

Ollama exécute les modèles ouverts actuels localement derrière une CLI simple et une API compatible OpenAI. C’était déjà un leader dans la recension Go de janvier, et à 183 334 étoiles, c’est toujours le runtime de poste de travail par défaut. MIT et un daemon unique sont les raisons. Utilisez-le sur une machine de développeur et sur de petits serveurs. Déplacez les mêmes poids vers vLLM quand la concurrence, le groupement 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 le hub de modèles autour en font la bibliothèque que le reste de la pile importe. Vous le ressentez quand 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 personnes mettent devant Ollama et les API compatibles OpenAI. La Licence Open WebUI autorise la redistribution puis restreint le branding. Au-dessus de 50 utilisateurs finaux dans une 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 de petite équipe qui conserve le nom, c’est le frontend poli. Pour un produit que vous rebranderez, budgétisez d’abord la conversation entreprise. Le déploiement Docker et les options de configuration sont parcourus 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 les raisons pour lesquelles Ollama et une foule de plus petites applications se tiennent au-dessus de lui. Utilisez le projet directement quand vous voulez le moteur, les outils de quantification, ou un binaire avec peu de dépendances. Utilisez Ollama quand 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 groupement continu et une API compatible OpenAI. Apache-2.0 et le focus sur le déploiement en font l’homologue serveur d’Ollama. Le nombre d’étoiles est plus bas parce que le public est des personnes qui font tourner des GPU, et ce public est celui qui ressent la différence. Choisissez vLLM quand plus de quelques sessions concurrentes partagent une seule 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 plus petite à haut débit. Placez une passerelle dans la pile quand vous avez plus d’un fournisseur, un budget par clé, ou un besoin de basculement. Un seul daemon Ollama local n’en a pas besoin.

LiteLLM

LiteLLM expose un grand ensemble d’API de fournisseurs à travers une seule interface de forme OpenAI, avec le suivi des dépenses, les nouvelles tentatives et les garde-fous. Le code à l’extérieur du répertoire enterprise/ est sous 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 fait tourner. Utilisez le cœur quand vous voulez un client unique pour de nombreux vendeurs. Vérifiez le répertoire entreprise avant de supposer que tout le dépôt est sous MIT.

New API

New API est un hub de modèles qui agrège les fournisseurs et les re-sert comme des points de terminaison compatibles OpenAI, Claude ou Gemini. C’est la passerelle que les personnes déploient quand elles 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 en tant que service. Pour une passerelle interne avec des clés en 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 très inférieur à LiteLLM, et la recension 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 le partage du répertoire entreprise. Envisagez-le quand la passerelle est sur le chemin de requête d’un service occupé et que vous voulez un petit binaire Go. Gardez LiteLLM quand vous avez besoin de la longue traîne d’adaptateurs de fournisseurs aujourd’hui.

Une pile qui vaut la peine d’être exécutée

Les tableaux sont une carte, et un poste de travail a encore besoin d’une liste courte. Pour une configuration locale en octobre 2026, Ollama plus un agent de codage couvre la boucle quotidienne. Ajoutez Open WebUI si la clause de branding convient au nombre d’utilisateurs, Mem0 ou claude-mem selon que la mémoire appartient à une application ou à une session de codage, et RAGFlow quand les documents sont le produit. Ajoutez LiteLLM ou New API seulement après qu’un deuxième fournisseur de modèles est apparu.

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 batailleront pour les mêmes instructions.

Garder le classement à jour

Répétez les requêtes de sujet en haut de cet article, attribuez chaque nouveau dépôt à un seul rôle, et re-triez ce rôle par étoiles. Puis ouvrez le fichier de licence. Un projet qui a sauté le tableau sur un annuaire de compétences, une liste de prompts ou un week-end d’attention peut attendre le prochain instantané avant de remplacer un outil que vous exécutez.

Stockez l’instantané. Un CSV unique de full_name, stargazers_count, license et pushed_at, pris mensuellement, transforme la prochaine édition de cette page en une véritable colonne de tendance, le même type de différence que les articles par langage montrent déjà. Jusqu’alors, les groupes sont la partie qui vieillit bien, et les nombres d’étoiles sont la partie qui devient obsolète intentionnellement.

Sources

Les nombres d’étoiles, les langages et les identités de licence ont été lus depuis l’API des dépôts GitHub et les fichiers LICENSE des dépôts le 16 octobre 2026. Les étiquettes de rôle puisent aussi dans la liste publique de scénarios 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
• Functional Source License
• n8n : Licence d’utilisation durable et plans
• Fichier de licence Open WebUI