GitHub Trends – 10. März 2026

nanochat ist ein minimalistisches Open-Source-Projekt zum kostengünstigen Training von Large Language Models (LLMs) auf einer einzelnen GPU, das den gesamten Prozess von Tokenisierung über Training bis zur Inference abdeckt. Die Besonderheit liegt in der automatischen Optimierung von Hyperparametern und der Möglichkeit, ein GPT-2-ähnliches Modell für unter 50 Dollar zu trainieren, wobei die Komplexität über die Anzahl der Transformer-Schichten gesteuert wird. Das Projekt richtet sich an KI-Entwickler, Machine-Learning-Enthusiasten und Forscher, die einen niedrigschwelligen Einstieg in das Training von eigenen Sprachmodellen suchen und Interesse an reproduzierbaren, kosteneffizienten KI-Experimenten haben.

Hermes Agent ist ein selbstlernender KI-Agent, der kontinuierlich seine Fähigkeiten durch Erfahrungssammlung und Selbstoptimierung erweitert und dabei Gespräche, Aufgaben und Kontexte über verschiedene Plattformen hinweg persistent speichert. Die technische Besonderheit liegt in der integrierten Lernschleife mit autonomer Skill-Generierung, einer flexiblen Modell-Anbindung und einem Echtzeit-Suchindex, der Kontextrekonstruktion über Gesprächssitzungen hinweg ermöglicht. Das Projekt richtet sich an Entwickler und KI-Enthusiasten, die einen modularen, plattformunabhängigen Agenten suchen, der sich dynamisch an Nutzerbedürfnisse anpasst und sowohl auf minimaler Infrastruktur als auch in skalierbaren Cloud-Umgebungen betrieben werden kann.

BettaFish ist ein KI-gestütztes Open-Source-Tool zur umfassenden Meinungs- und Trendanalyse, das automatisiert Daten aus über 30 sozialen Medien sammelt und mittels Multi-Agent-Systemen auswertet. Die technische Besonderheit liegt in der modularen Python-Architektur mit einem innovativen „Forum“-Mechanismus, bei dem verschiedene KI-Agenten mit unterschiedlichen Werkzeugsets und Denkansätzen kollaborativ Analysen durchführen und so Verzerrungen einzelner Modelle minimieren. Das Projekt ist besonders für Entwickler, Unternehmen und Forscher interessant, die komplexe Meinungslandschaften in Echtzeit analysieren und dabei über reine Textanalyse hinausgehen möchten, indem multimodale Datenquellen wie Videos, Kommentare und strukturierte Informationen integriert werden.

MiroFish ist ein KI-basiertes Vorhersage-Framework, das mittels Multi-Agenten-Simulation komplexe Szenarien und Zukunftsszenarien modellieren kann, indem es Ausgangsdaten in eine dynamische digitale Welt mit autonomen Agenten transformiert. Die technische Besonderheit liegt in der Verwendung von Schwarm-Intelligenz-Algorithmen, die es ermöglichen, emergente Verhaltensweisen und Interaktionen zwischen künstlichen Entitäten zu simulieren und daraus prädiktive Erkenntnisse zu generieren. Das Werkzeug ist besonders für Entscheidungsträger in Politik, Wirtschaft und Forschung interessant, die komplexe Entwicklungen und Szenarien risikofrei durchspielen und potenzielle Ergebnisse vor der Implementierung von Strategien oder Maßnahmen explorativ untersuchen möchten.

notebooklm-py ist eine inoffizielle Python-Bibliothek, die programmatischen Zugriff auf Google NotebookLM ermöglicht und Entwicklern erlaubt, KI-gestützte Forschungs- und Dokumentationsaufgaben zu automatisieren, die über die Weboberfläche hinausgehen. Die Bibliothek nutzt undokumentierte Google-APIs und bietet asynchrone Schnittstellen für Aufgaben wie Quellen-Import, Recherche-Pipelines und Inhalts-Generierung, wobei sie bewusst Risiken wie mögliche API-Änderungen in Kauf nimmt. Das Projekt richtet sich primär an Entwickler, KI-Forscher und Enthusiasten, die komplexe Dokumentations- und Rechercheworkflows programmgesteuert optimieren und experimentelle KI-Integrationen entwickeln möchten.

Das Repository bietet Entwicklern und KI-Enthusiasten praktische Jupyter Notebook-Beispiele und Code-Samples für generative KI-Workflows mit Google Cloud Vertex AI und dem Gemini-Modell. Die Notebooks decken verschiedene Anwendungsbereiche wie Retrieval Augmented Generation (RAG), Bildgenerierung, Sprachverarbeitung und Suche ab, wobei der Fokus auf der praktischen Implementierung und Nutzung von Google Cloud KI-Diensten liegt. Für Entwickler, die generative KI-Lösungen mit Google-Technologien schnell prototypisieren und in Produktivumgebungen umsetzen möchten, bietet dieses Repository eine direkte, praxisnahe Einstiegshilfe mit lauffähigen Beispielen.

OpenClaw ist ein persönlicher KI-Assistent, der plattformunabhängig entwickelt wurde und Nutzern ermöglicht, eine eigene KI-Lösung zu implementieren, die lokal oder in der Cloud laufen kann. Die TypeScript-basierte Architektur erlaubt eine flexible Integration verschiedener KI-Modelle und Schnittstellen, wobei der Fokus auf Anpassbarkeit und Erweiterbarkeit liegt. Das Projekt richtet sich primär an technisch versierte Entwickler und Homelab-Enthusiasten, die eine selbstgehostete Alternative zu kommerziellen KI-Assistenten suchen und Wert auf Kontrolle, Datenschutz und individuelle Konfigurierbarkeit legen.

Page Agent ermöglicht die Steuerung von Weboberflächen mittels natürlicher Sprache, indem es direkt im Browser JavaScript-Interaktionen basierend auf Textanweisungen ausführt. Die innovative Architektur verzichtet auf aufwendige OCR oder Screenshots und manipuliert stattdessen direkt das DOM-Modell der Webseite, was eine performante und ressourcenschonende Lösung darstellt. Das Projekt richtet sich primär an Entwickler und Produktteams, die KI-gestützte Assistenten in Webanwendungen integrieren möchten, ohne komplexe Backend-Anpassungen vornehmen zu müssen.

Das Projekt „claude-skills“ ist eine umfassende Bibliothek von modularen Instruktions-Paketen (Skills), die KI-Coding-Agenten wie Claude, OpenAI Codex und Gemini mit spezifischem Domänen-Fachwissen ausstattet, das diese standardmäßig nicht besitzen. Die Architektur basiert auf Python-CLI-Tools und ermöglicht es, KI-Systeme durch vordefinierte Workflows und Anleitungen in Spezialisten für verschiedene Bereiche wie Engineering, Marketing, Produktmanagement oder Compliance zu transformieren. Das Projekt ist besonders für Entwickler, KI-Enthusiasten und Unternehmen interessant, die KI-Agenten schnell und standardisiert für komplexe Aufgaben und Domänen befähigen möchten, ohne jedes Mal von Grund auf neue Prompting-Strategien entwickeln zu müssen.

Dieses Open-Source-Projekt simuliert eine KI-Agentur, die verschiedene spezialisierte Agenten mit unterschiedlichen Rollen und Persönlichkeiten für komplexe Aufgaben bereitstellt. Die Shell-basierte Implementierung ermöglicht eine flexible Konfiguration und Interaktion mit KI-Agenten, die jeweils eigene Prozesse und Lieferobjekte definieren können. Das Projekt richtet sich an Entwickler und KI-Enthusiasten, die modulare und anpassungsfähige KI-Workflows erforschen und implementieren möchten, insbesondere im Kontext von Aufgaben, die eine differenzierte und spezialisierte Intelligenz erfordern.