awesome-ai-pulse-georgia

<p align="center"> <img src="assets/banner.svg" alt="Awesome AI Pulse Georgia" width="100%"/> </p> <h1 align="center">Awesome AI Pulse Georgia</h1> <p align="center"> <b>AI აგენტების, დეველოპერ ინსტრუმენტებისა და ავტომატიზაციის კურირებული კოლექცია</b><br/> შერჩეული <a href="https://aipulsegeorgia.ge">AI Pulse Georgia</a>-ს მიერ </p> <p align="center"> <a href="https://awesome.re"><img src="https://awesome.re/badge.svg" alt="Awesome"/></a> <img src="https://img.shields.io/badge/repos-300-00D0FF?style=flat-square&labelColor=111827&v=35" alt="Repos"/> <img src="https://img.shields.io/badge/categories-15-A949DA?style=flat-square&labelColor=111827" alt="Categories"/> <img src="https://img.shields.io/badge/made_in-Georgia_%F0%9F%87%AC%F0%9F%87%AA-00D0FF?style=flat-square&labelColor=111827" alt="Made in Georgia"/> <a href="https://aipulsegeorgia.ge"><img src="https://img.shields.io/badge/aipulsegeorgia.ge-website-A949DA?style=flat-square&labelColor=111827" alt="Website"/></a> </p> <p align="center"><i>A curated collection of AI agent frameworks, developer tools, and automation resources — by AI Pulse Georgia</i></p> --- ## ⚡ გამოიყენე Claude Code-ში / Cursor-ში — MCP Server-ით ან CLI-ით ეს მთელი კოლექცია ხელმისაწვდომია **MCP server-ად** — Claude Code-ის, Cursor-ის, Codex-ის ან ნებისმიერი MCP-თავსებადი client-ის შიგნიდან 300 რეპოს ეძებ ბუნებრივი ენით. ნაცვლად იმისა, რომ GitHub-ი გახსნა და README-ი დააქოქო, AI ასისტენტს ჰკითხე *"აი Pulse-ის კოლექციაში რა არის საუკეთესო RAG-ისთვის?"* — სწორ რეპოს ქართული აღწერით დაგიბრუნებს. **MCP Install** — `~/.claude/claude_desktop_config.json` ან Cursor MCP settings-ში: ```json { "mcpServers": { "aipulsegeorgia": { "command": "npx", "args": ["-y", "@aipulsegeorgia/mcp-server"] } } } ``` **ან პირდაპირ ტერმინალში — `aipulse` CLI-ით** (MCP-კლიენტის გარეშე): ```bash npx -p @aipulsegeorgia/mcp-server aipulse search "rag memory" npx -p @aipulsegeorgia/mcp-server aipulse list --category coding npx -p @aipulsegeorgia/mcp-server aipulse stats ``` ბრძანებები: `categories` · `list` · `search` · `get` · `stats` — ფლაგებით `-c/--category`, `-n/--limit`, `-l/--lang en|ka|both`, `--json`. > *Available as an MCP server **and an `aipulse` CLI** — query 300 curated AI repos from Claude Code, Cursor, any MCP client, or straight from your terminal.* Full docs: [`mcp/README.md`](./mcp/README.md) · Source: [`mcp/`](./mcp/) --- ## 🤖 კოდინგ აგენტები > **Coding Agents & CLI IDEs** — დამოუკიდებელი AI კოდის წერის ხელსაწყოები ტერმინალში და რედაქტორში. თუ პროგრამისტი ხარ და გინდა AI-მ დაგეხმაროს კოდის წერაში, ტესტირებაში ან გამართვაში — ეს სექცია შენთვისაა. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [Claw Code](https://github.com/ultraworkers/claw-code) | 195K | Claw Code არის Claude Code-ისა და სხვა კომერციული coding agent-ების ღია კოდის ალტერნატივა, Rust-ში დაწერილი `oh-my-codex`-ის ბაზაზე. მუშაობს Claude-თან, OpenAI-თან, Grok-თან და ნებისმიერ OpenAI-თავსებად მოდელ API-სთან — შენ ირჩევ რომელ AI-ს ენდობი და რამდენს იხდი. Rust-ის არქიტექტურა მაქსიმალურ სიჩქარეს უზრუნველყოფს და რესურსების მინიმალურ მოხმარებას. 2026 წლის 31 მარტს გამოიცა და სწრაფად დააგროვა **193,000+ ვარსკვლავი** — ერთ-ერთი ყველაზე სწრაფად მზარდი AI ხელსაწყო GitHub-ის ისტორიაში. | | [opencode](https://github.com/anomalyco/opencode) | 203K | opencode სრულად ღია კოდის coding agent-ია ტერმინალში — Claude Code-ისა და Cursor-ის უფასო, self-hosted ალტერნატივა. `anomalyco` org-ის მიერ შენახული, TypeScript-ში დაწერილი, ლამაზი TUI ინტერფეისით. ნებისმიერი AI მოდელით მუშაობს — Anthropic, OpenAI, Google Gemini, Ollama და სხვა. 175,000+ ვარსკვლავით ერთ-ერთი ყველაზე პოპულარული ღია coding agent-ია 2025 წლის მეორე ნახევრიდან. | | [Claude Code](https://github.com/anthropics/claude-code) | 144K | Claude Code — Anthropic-ის ოფიციალური agentic coding tool, რომელიც პირდაპირ ტერმინალში ცხოვრობს, შენს კოდბაზას ესმის და ბუნებრივი ენის ბრძანებებით რუტინულ ამოცანებს თავად ასრულებს. ამ მთელი კოლექციის სახელობითი ცენტრი — პლაგინების, skill-ებისა და MCP სერვერების უმეტესობა სწორედ Claude Code-ის ეკოსისტემისთვისაა. 137,000+ ვარსკვლავი. | | [Gemini CLI](https://github.com/google-gemini/gemini-cli) | 107K | Gemini CLI არის Google-ის ოფიციალური, ღია კოდის AI კოდირების აგენტი ტერმინალისთვის — Gemini 2.5 Pro მოდელი პირდაპირ შენს command line-ში. 1 მილიონი ტოკენის კონტექსტის ფანჯარა ნიშნავს, რომ მთელი დიდი კოდბაზა ერთიანად ჩაიტვირთება. Apache 2.0 ლიცენზიით სრულად უფასოა, MCP პროტოკოლს და Google Workspace ინტეგრაციებს უჭერს მხარს. Google-ს Claude Code-ისა და opencode-ის საპასუხო, ოფიციალური შეთავაზება. | | [Zed](https://github.com/zed-industries/zed) | 90K | Zed — Atom-ისა და Tree-sitter-ის შემქმნელების მაღალწარმადი, Rust-ში დაწერილი კოდის რედაქტორი. 2026-ში ღრმად ინტეგრირდა agentic ფუნქციები — ჩაშენებული AI აგენტი, skills და MCP მხარდაჭერა. VS Code-ისა და Cursor-ის სიჩქარეზე ორიენტირებული ალტერნატივა. | | [Codex CLI](https://github.com/openai/codex) | 120K | Codex CLI არის OpenAI-ის ოფიციალური, მსუბუქი coding agent ტერმინალისთვის — Rust-ში დაწერილია სიჩქარისა და სტაბილურობისთვის. კოდს sandbox-ში იზოლირებულად ასრულებს, approval-mode ფლაგებით შეგიძლია ზუსტად განსაზღვრო რა ნებართვები აქვს. ChatGPT-ის ანგარიშით (Plus, Pro, Business, Edu ან Enterprise) პირდაპირ ავტორიზდები — ცალკე API key-ის გარეშე იმდენივე მოდელი გაქვს, რამდენსაც შენი გამოწერა მოიცავს. OpenAI-ის პირდაპირი პასუხი Claude Code-ზე — ანალოგიური ფილოსოფია, სხვა backend-ით. დამატებით `codex app` გრაფიკულ ვერსიასაც უშვებს. | | [OpenHands](https://github.com/OpenHands/OpenHands) | 86K | OpenHands (ყოფილი OpenDevin) ავტონომიური AI სოფტვერ-ინჟინერია — ქმნის და რედაქტირებს ფაილებს, ასრულებს shell ბრძანებებს, ვებ ბრაუზერს იყენებს და API-ებს უძახებს, ადამიანის ჩარევის გარეშე. Docker კონტეინერში იზოლირებულად მუშაობს, ვებ UI-ითაც და CLI-ითაც. 200-ზე მეტი contributor-ი, 60+ LLM backend (Anthropic, OpenAI, Gemini, Ollama) — SWE-bench-ის ღია კოდის ბენჩმარკ-ლიდერი. Cognition AI-ის Devin-ის ღია ალტერნატივა Python-ში. | | [Cline](https://github.com/cline/cline) | 67K | Cline VS Code-ში ჩაშენებული ავტონომიური coding agent-ია, რომელიც ყოველ ნაბიჯზე შენს ნებართვას ითხოვს — ვერც ერთ ფაილს ვერ შეცვლის და ვერც ერთ ბრძანებას ვერ გაუშვებს შენი დამტკიცების გარეშე. ფაილების შექმნა, რედაქტირება, ბრძანებების გაშვება, ბრაუზერის გამოყენება — ყველაფერი ერთ IDE-ში. TypeScript-ში დაწერილია, VS Code extension-ის სახით 5 მილიონზე მეტი ინსტალაცია აქვს, Claude, GPT, Gemini და 500+ LLM-ს უჭერს მხარს. | | [Pi (pi-mono)](https://github.com/earendil-works/pi) | 100K | Pi coding agent-ის სრული toolkit-ია ერთ monorepo-ში — interactive CLI agent, unified LLM API (Anthropic, OpenAI, Google, Groq ერთ ინტერფეისში), agent runtime და TUI/web UI ბიბლიოთეკები, Slack bot-ისა და vLLM deployment-ის ჩათვლით. interchangeable კომპონენტების არქიტექტურა საშუალებას გაძლევს საკუთარი coding agent ააწყო მზა ნაწილებისგან. TypeScript (93.5%), MIT, v0.77.0 (2026 წლის 28 მაისი), 63,000+ ვარსკვლავი. **opencode**-ისა და **Cline**-ის უფრო „ლეგოსებრივი", toolkit-ზე ორიენტირებული ალტერნატივა — badlogic-ის (Mario Zechner) სწრაფად მზარდი პროექტი. | | [gpt-engineer](https://github.com/AntonOsika/gpt-engineer) | 55K | gpt-engineer — CLI პლატფორმა codegen-ის ექსპერიმენტებისთვის: აღწერ რა გინდა და AI ნულიდან წერს მთელ კოდბაზას, საჭიროებისას დამაზუსტებელ კითხვებს სვამს. Lovable-ის წინამორბედი, prompt-to-app მიდგომის ერთ-ერთი პიონერი. Python, 55k+ ⭐. | | [omo (ex-oh-my-openagent)](https://github.com/code-yeongyu/oh-my-openagent) | 69K | omo (**ახლანდელი სახელი**; ადრე oh-my-openagent, უფრო ადრე oh-my-opencode) ერთი AI coding session-ს სრულ multi-agent სისტემად აქცევს — სპეციალიზებული AI-ები პარალელურად ასრულებენ სხვადასხვა ამოცანებს ერთ workflow-ში. TypeScript-ში დაწერილი orchestration framework, რომელიც Claude Code-თან, Codex-თან, opencode-თან და Cursor-თან მუშაობს. Oh My ClaudeCode-ისგან სრულიად განსხვავებული პროექტია — ეს ზოგადი agent harness-ია, ის კი Claude Code-სპეციფიკური. 62,000+ ვარსკვლავი, 2025 წლის ბოლოს გამოჩნდა (repo URL ჯერ ძველ სახელს ინახავს). | | [Aider](https://github.com/Aider-AI/aider) | 49K | Aider ტერმინალის AI pair programming ხელსაწყოა — ერთ-ერთი პიონერი ამ სფეროში, 2023 წლიდან. უბრალოდ სთხოვ რა გინდა შეცვალო, Aider საჭირო ფაილებს თავადვე ხსნის, კოდს ასწორებს და git-ში commit-ს ქმნის. Python-ში დაწერილია, MIT ლიცენზიით სრულად ღია, 4 მილიონზე მეტი ინსტალაცია. Claude, GPT, Gemini, DeepSeek, Ollama და 100+ LLM-ს უჭერს მხარს — ყველა მთავარი frontier მოდელი და ლოკალური ოფციები. უნივერსალური, ძველი და სანდო. | | [Goose](https://github.com/aaif-goose/goose) | 54K | Goose ღია კოდის, გაფართოებადი AI agent-ია. თავდაპირველად Block-ის (Square/Cash App-ის ფინტექ კომპანია) შექმნილი, 2026-ში პროექტი **Agentic AI Foundation**-ში (Linux Foundation) გადავიდა — სახელი და ოფიციალური owner ახლა `aaif-goose`, კოდი neutral governance-ქვეშ. კოდის წერის მიღმა სრული სამუშაო ციკლი — ინსტალაცია, გაშვება, ტესტირება, მონაცემთა ანალიზი და ავტომატიზაცია. Rust-ში დაწერილია, 15+ AI პროვაიდერს (Anthropic, OpenAI, Google, Ollama) და 70+ MCP გაფართოებას უჭერს მხარს. | | [claude-code-router](https://github.com/musistudio/claude-code-router) | 37K | claude-code-router — Claude Code-ს ნებისმიერ მოდელზე გადაამისამართებს (DeepSeek, Qwen, Gemini, ლოკალური), request-ებს routing-ითა და transform-ით მართავს. ხარჯის დაზოგვა და მოდელის არჩევის მოქნილობა. 36,000+ ⭐. | | [Tabby](https://github.com/TabbyML/tabby) | 34K | Tabby AI-ის კოდირების ასისტენტია, რომელიც შენს საკუთარ სერვერზე ეშვება — GitHub Copilot-ის self-hosted, ღია ალტერნატივა. კოდის auto-completion და ჩატი VS Code-ში, JetBrains-ში და სხვა IDE-ებში. Rust-ში დაწერილია, OpenAPI ინტერფეისი, LDAP/SSO, პერსონალიზებული fine-tuning — კორპორატიული გამოყენებისთვის, სადაც კოდი კომპანიის სერვერს ვერ ტოვებს. MIT ლიცენზია. | | [Continue.dev](https://github.com/continuedev/continue) | 36K | Continue ღია კოდის AI კოდირების გაფართოებაა VS Code-ისა და JetBrains-ისთვის. ნებისმიერი AI მოდელი — Claude, GPT, Gemini, Mistral, Ollama ლოკალური მოდელები — ერთ ინტერფეისში. chat, autocomplete, edit და agent რეჟიმები, CI-ში ჩართვადი AI checks. TypeScript-ში დაწერილია, სრულად კონფიგურირებადი, 33,000+ ვარსკვლავი. გამოწერა არ სჭირდება — Copilot-ის უფასო ალტერნატივა. | | [GPT Pilot](https://github.com/Pythagora-io/gpt-pilot) | 34K | GPT Pilot AI დეველოპერია, რომელიც მთელ აპლიკაციას ნულიდან წერს: აანალიზებს მოთხოვნებს, წერს კოდს, უშვებს, ხარვეზებს ასწორებს და ადამიანს მხოლოდ საკვანძო წერტილებში ეკითხება. Pythagora-ს პროექტია. 34,000+ ⭐. | | [Void](https://github.com/voideditor/void) | 29K | Void VS Code-ის ღია კოდის fork-ია, რომელიც AI-ს IDE-ის გულში სვამს — Cursor-ის ღია ალტერნატივა. Tab completion, agent mode, inline edit — Cursor-ის ძირითადი ფუნქციები სრული კოდის კონტროლით. self-hosted LLM-ებს უჭერს მხარს (Ollama, vLLM), ასე რომ მონაცემები შენს მანქანაზე რჩება. **მნიშვნელოვანი**: 2026-ში გუნდმა IDE-ის აქტიური განვითარება შეაჩერა („paused") ახალი coding idea-ების შესასწავლად — repo ცოცხალია, მაგრამ Issues/PRs-ის აქტიური review არ ხდება. ფუნქციონირებს, მაგრამ feature drift მოსალოდნელია. TypeScript-ში, MIT ლიცენზია. | | [Taskmaster](https://github.com/eyaltoledano/claude-task-master) | 28K | Taskmaster AI-ზე დაფუძნებული პროექტის მართვის სისტემაა — დიდ ამოცანას ავტომატურად ანაწილებს მართვად ქვე-ამოცანებად, გაწერს პრიორიტეტებს, ადევნებს პროგრესსა და კონტექსტს. Cursor-ში, Windsurf-ში, Lovable-ში, Roo-ში და Claude Code-ში ჩასმა MCP სერვერის ან CLI-ის სახით. JavaScript-ში დაწერილია, tryhamster.com — AI-ის „პროდაქტ მენეჯერი" კომპლექსური სამუშაო ნაკადებისთვის. | | [DeepSeek-TUI](https://github.com/Hmbown/CodeWhale) | 41K | DeepSeek-TUI ღია კოდის coding agent-ია ტერმინალისთვის, სპეციალურად DeepSeek-ის მოდელებზე (V3, R1, Coder) მორგებული — Rust-ში დაწერილი, სწრაფი TUI ინტერფეისით. DeepSeek-ის იაფი API-ით ან ლოკალურად გაშვებული ღია მოდელებით მუშაობს, ამიტომ OpenAI-სა და Anthropic-ის ფასიან მოდელებზე გაცილებით იაფი ალტერნატივაა. 2026 წლის იანვარში გამოჩნდა და მალევე 38,000+ ვარსკვლავი დააგროვა — Aider-ისა და Codex CLI-ის DeepSeek-ფოკუსირებული კონკურენტი. | | [OpenClaude](https://github.com/Gitlawb/openclaude) | 31K | OpenClaude ღია კოდის terminal coding agent-ია, რომელიც 200+ AI მოდელს ერთი CLI ინტერფეისიდან ხდის ხელმისაწვდომს — OpenAI, Gemini, DeepSeek, Ollama, Codex, GitHub Models. TypeScript-ში დაწერილია, OpenAI-თავსებადი API სტანდარტზე. 2026 წლის აპრილში გამოჩნდა და სწრაფად გაიზარდა. Claw Code-ისგან სხვაობა: ეს ფოკუსირებულია მრავალი provider-ის მხარდაჭერაზე, ის კი სიჩქარეზე. (არ აერიოს OpenHands-ში — სრულიად განსხვავებული პროექტია.) | | [Qwen Code](https://github.com/QwenLM/qwen-code) | 28K | Qwen Code Alibaba-ს Qwen გუნდის ოფიციალური, ღია კოდის terminal coding agent-ია. TypeScript-ში დაწერილი, OpenAI-თავსებადი API-ის სტანდარტით მუშაობს — ანუ Anthropic-ის, OpenAI-ის და Google-ის მოდელებიც ჩართულია. Qwen 3 მოდელებით განსაკუთრებით კარგია კოდბაზის ნავიგაციასა და ავტომატიზაციაში. Claude Code-ისა და Gemini CLI-ის კონკურენტი Alibaba-ს ეკოსისტემიდან. | | [ai-website-cloner-template](https://github.com/JCodesMore/ai-website-cloner-template) | 33K | ai-website-cloner-template ნებისმიერი საიტის კლონირებას ერთი ბრძანებით ახდენს coding agent-ის დახმარებით — template, რომელსაც Claude Code-ს ან სხვა აგენტს აძლევ და ის საიტის სტრუქტურას, სტილსა და კომპონენტებს აღადგენს. TypeScript, 25,000+ ვარსკვლავი — სწრაფი prototyping-ისა და redesign-ისთვის მოსახერხებელი საწყისი წერტილი. | | [Roo Code](https://github.com/RooCodeInc/Roo-Code) | 24K | Roo Code VS Code-ის გაფართოებაა, რომელიც AI coding agent-ების მთელ გუნდს გაძლევს editor-ში — Cline-ის fork-ი გაფართოებული ფუნქციებით: custom agent modes, პარალელური multi-agent მუშაობა და ფართო MCP მხარდაჭერა. 500+ LLM provider, 1.5 მილიონზე მეტი ინსტალაცია, TypeScript, Apache 2.0 ლიცენზია. გაითვალისწინე: repo 2026 წლის მაისიდან დაარქივებულია — ხელსაწყო მუშაობს, მაგრამ აქტიური განვითარება შეჩერებულია. | | [Kilocode](https://github.com/kilo-org/kilocode) | 27K | Kilocode VS Code-ის AI coding agent-ია — kilo.ai-ის agentic engineering პლატფორმის ღია კოდის გული. 500+ AI მოდელს უჭერს მხარს და ბუნებრივი ენის ბრძანებებით კოდს წერს, ტესტავს და deploy-საც თავად აკეთებს. TypeScript, 1.5 მილიონზე მეტი ინსტალაცია — Roo Code-ისა და Cline-ის პირდაპირი კონკურენტი. | | [cmux](https://github.com/manaflow-ai/cmux) | 27K | cmux Ghostty-ს საფუძველზე აშენებული macOS terminal emulator-ია, სპეციალურად AI coding agent-ებისთვის ოპტიმიზებული. ვერტიკალური tabs, push notifications და პარალელური სესიების მარტივი მართვა — თუ ერთდროულად რამდენიმე AI agent-ს ამუშავებ (Claude Code + Codex + opencode), ეს terminal-ი სამართავს გამარტივებს. Swift-ში დაწერილია, macOS-only. | | [Orca](https://github.com/stablyai/orca) | 58K | Orca ADE-ია (agent development environment) პარალელური აგენტების „ფლოტის" სამართავად — ნებისმიერ coding agent-ს უშვებ შენივე subscription-ით, ერთდროულად რამდენიმეს. desktop-ზეც და mobile-ზეც ხელმისაწვდომია. TypeScript, 12,000+ ვარსკვლავი. თუ ერთდროულად ბევრ აგენტს ამუშავებ სხვადასხვა ამოცანაზე, orca მათ ერთ ინტერფეისში აერთიანებს — cmux-ისა და herdr-ის მსგავსი orchestration ფენა, უფრო სრული UI-ით. | | [Devika](https://github.com/stitionai/devika) | 20K | Devika — ღია AI software engineer: მაღალ-დონის დავალებას ანაწილებს, იკვლევს, წერს კოდს რამდენიმე ენაზე. Devin-ის ღია ალტერნატივა. 20,000+ ⭐. | | [avante.nvim](https://github.com/yetone/avante.nvim) | 18K | avante.nvim — Cursor-ის მაგვარი AI-ასისტენტი Neovim-ში: inline edit, agentic ცვლილებები და code-suggestions პირდაპირ რედაქტორში. 18,000+ ⭐. | | [oh-my-pi](https://github.com/can1357/oh-my-pi) | 29K | oh-my-pi — ტერმინალის AI coding agent Mario Zechner-ის Pi-ს ბაზაზე: hash-anchored edits, ოპტიმიზებული tool harness, LSP, browser და subagents. რეალური debugger მხარდაჭერა და multi-provider routing. MIT. | | [free-claude-code](https://github.com/Alishahryar1/free-claude-code) | 52K | free-claude-code ღია კოდის ხელსაწყოა Claude Code-ის უფასოდ გამოყენების სამი არხით — ტერმინალში, VS Code გაფართოებად ან Discord bot-ით. სამი ინტერფეისი ერთ პაკეტში: ლოკალურად კოდის წერისას CLI/IDE, გუნდურ მუშაობაზე Discord-ით. Python-ში დაწერილია, MIT ლიცენზია, 2026 წლის იანვრიდან 34,000+ ვარსკვლავი დააგროვა. | | [herdr](https://github.com/ogulcancelik/herdr) | 34K | herdr აგენტების multiplexer-ია, რომელიც შენს ტერმინალში ცხოვრობს — რამდენიმე coding agent-ს ერთდროულად მართავ ერთი ინტერფეისიდან. Rust-ში დაწერილი სიჩქარისთვის, 11,000+ ვარსკვლავი. cmux-ის მსგავსი იდეა, მაგრამ cross-platform terminal multiplexer-ის სახით — თუ Claude Code + Codex + opencode ერთდროულად გიმუშავია, herdr მათ შორის გადართვას ამარტივებს. | | [ml-intern](https://github.com/huggingface/ml-intern) | 11K | ml-intern არის **Hugging Face-ის ოფიციალური** ღია კოდის AI-ML ინჟინერი — ავტონომიური აგენტი, რომელიც კვლევის ნაშრომებს კითხულობს (arXiv), ML მოდელებს ტრენინგს უწევს და ship-ს აკეთებს Hugging Face Hub-ზე. Python-ში, OpenAI/Anthropic API ან ლოკალური მოდელებით მუშაობს. **2026 წლის 24 აპრილის GitHub Trending #1** — +720 ვარსკვლავი ერთ დღეში. ML research-ის ავტომატიზაციით დაინტერესებულ მკვლევართათვის — პერპეტუალური ML intern. | --- ## ⚡ Claude Code პლაგინები და უნარები > **Claude Code Plugins & Skills** — Claude Code-ში ჩასართავი გაფართოებები და უნარები, რომლებიც AI ასისტენტს ახალ შესაძლებლობებს მატებს. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [Superpowers](https://github.com/obra/superpowers) | 280K | Superpowers agentic skills framework-ია AI coding agent-ებისთვის — software development methodology, რომელიც AI-ს „ჯერ დაფიქრდი, მერე დაწერე" პრინციპს ასწავლის. სანამ კოდი ეწერება, ჯერ სპეციფიკაცია, დიზაინ დოკუმენტი და test plan იქმნება. Claude Code-ს, Codex-ს, Cursor-ს და Gemini CLI-ს უჭერს მხარს. Shell scripts, MIT ლიცენზია, 229,000+ ვარსკვლავი. Spec Kit-ის (GitHub-ისა) და GSD-ის იდეური წინამორბედი. | | [Everything Claude Code](https://github.com/affaan-m/ECC) | 245K | Everything Claude Code Claude Code-ის, Codex-ის, opencode-ისა და Cursor-ის ყოვლისმომცველი performance optimization სისტემაა — skills, memory, security scanning და research-first workflow ერთ პაკეტში. JavaScript, ecc.tools — ყველაზე პოპულარული Claude Code enhancement collection 216,000+ ვარსკვლავით. AI-ს „ინსტინქტების" (instincts) სისტემა განასხვავებს სხვა skill-pack-ებისგან — agent-ი ავტომატურად ადაპტირდება სიტუაციებზე წინასწარ განსაზღვრული behavior-ებით. | | [Anthropic Skills](https://github.com/anthropics/skills) | 173K | Anthropic Skills — **Anthropic-ის ოფიციალური** Agent Skills რეპოზიტორია და მთელი skills ეკოსისტემის ფუნდამენტი. შიგნით 17 example skill — მათ შორის **frontend-design** (generic „AI slop" დიზაინისგან თავის დასაღწევი წესები), mcp-builder, webapp-testing, canvas-design, brand-guidelines და skill-creator — პლუს ის 4 production document skill (docx, pdf, pptx, xlsx), რომლებიც Claude-ში ფაილების რეალურ შექმნას უზრუნველყოფს და აქ source-available სახითაა გამოქვეყნებული. აქვეა Agent Skills სპეციფიკაცია (agentskills.io) და skill template. ერთი ბრძანებით ეყენება: `/plugin marketplace add anthropics/skills`. Python-ში; 2025 წლის სექტემბრიდან **151,000+ ვარსკვლავი** — GitHub-ის ისტორიის ერთ-ერთი ყველაზე სწრაფად მზარდი რეპო. Skills ეკოსისტემისთვის იგივეა, რაც modelcontextprotocol/servers MCP-სთვის — **Agent Skills Spec**-ის (ასევე ამ კოლექციაში) reference implementation. | | [Spec Kit](https://github.com/github/spec-kit) | 132K | Spec Kit GitHub-ის ოფიციალური Spec-Driven Development toolkit-ია — AI-ს „ჯერ გეგმა, მერე კოდი" პრინციპს ასწავლის. `/specify`, `/plan`, `/tasks`, `/implement` slash-commands-ით AI ჯერ სრულ სპეციფიკაციას ქმნის, შემდეგ კი კოდირებაზე გადადის. Claude Code-ს, Codex CLI-ს, Gemini CLI-ს, Cursor-ს, Copilot-ს, Windsurf-ს და Qwen Code-ს უჭერს მხარს. GitHub-ის ოფიციალური პასუხი Superpowers-ისა და GSD-ის მსგავს მეთოდოლოგიებზე — 112,000+ ვარსკვლავი. | | [Karpathy Skills](https://github.com/multica-ai/andrej-karpathy-skills) | 209K | Karpathy Skills ერთი CLAUDE.md ფაილია, რომელიც Andrej Karpathy-ს (OpenAI-ისა და Tesla AI-ს ყოფილი ხელმძღვანელი) LLM coding pitfalls-ის შენიშვნებიდანაა გამომდინარე. AI-ს ჰალუცინაციებს, ზედმეტ refactoring-ს და ცუდ debugging-ს ებრძვის წინასწარ განსაზღვრული rules-ით. Forrest Chang-ის მიერ შექმნილი 2026 წლის იანვარში — 176,000+ ვარსკვლავი, GitHub Trending-ზე #1-ზე ყოფნა. Andrej Karpathy-ს სახელი ატარებს, მაგრამ მის მიერ ოფიციალურად შექმნილი არ არის. | | [GSD (Get Shit Done)](https://github.com/gsd-build/get-shit-done) | 65K | GSD (Get Shit Done) meta-prompting და context engineering სისტემაა Claude Code-ისთვის TÂCHES-ის მიერ. სპეციალური specification ფაილებით AI-ის კონტექსტი სტრუქტურირებულად ინახება — session-ებს შორისაც, რაც ხარისხის ვარდნის პრობლემას წყვეტს. Claude Code-ს, Codex-ს, Cursor-ს და Gemini CLI-ს უჭერს მხარს. JavaScript, 64,000+ ვარსკვლავი — spec-driven development-ის პრაქტიკული implementation Superpowers-ისა და Spec Kit-ის ალტერნატივა. | | [Matt Pocock Skills](https://github.com/mattpocock/skills) | 242K | Matt Pocock-ის (Total TypeScript-ის ავტორი, ერთ-ერთი ყველაზე ცნობილი TypeScript ინსტრუქტორი მსოფლიოში) პირადი `.claude/skills/` დირექტორიის გაზიარებული ვერსიაა — სლოგანი: *"Skills for Real Engineers. Straight from my .claude directory"*. Shell-ში, MIT ლიცენზია, 2026 წლის თებერვალში გამოქვეყნდა და უკვე 130,000+ ვარსკვლავი დააგროვა. Pocock-ის ყოველდღიური workflow-ის რეალური ანარეკლი — TypeScript-ის, React-ის და modern web development-ის სპეციფიკური skills, რომლებსაც ის თვითონ იყენებს professional კონტექსტში. ვინც TypeScript-ში ან React-ში სერიოზულად მუშაობს Claude Code-ით, ეს კოლექცია უპირველესად განსახილველია. | | [BMAD-METHOD](https://github.com/bmad-code-org/BMAD-METHOD) | 53K | BMAD-METHOD — universal agentic agile-development method: სპეციალიზებული AI აგენტები (analyst, PM, architect, dev, QA) სტრუქტურირებულ workflow-ში მართავენ პროექტს იდეიდან კოდამდე. Claude Code/Cursor/Gemini-თან თავსებადი. 50,000+ ⭐. | | [wshobson/agents](https://github.com/wshobson/agents) | 39K | wshobson/agents — multi-harness agentic plugin marketplace Claude Code-ის, Codex CLI-ის, Cursor-ის, OpenCode-ისა და Gemini CLI-ისთვის. ბირთვი 80+ production-ready სპეციალიზებული subagent-ია (backend, frontend, security, data, SRE და სხვ.) — პირდაპირ გამოსაყენებლად მზა. 38,000+ ⭐. | | [Oh My ClaudeCode](https://github.com/yeachan-heo/oh-my-claudecode) | 39K | Oh My ClaudeCode Claude Code-ს multi-agent orchestration სისტემად აქცევს — autopilot რეჟიმში ავტონომიურად მუშაობს 5-ფაზიანი pipeline-ით (Expansion, Planning, Execution, QA, Validation), team რეჟიმში კი N agent-ი პარალელურად ასრულებს ამოცანებს. TypeScript-ში, 19 სპეციალიზებული agent, 36 skill. oh-my-openagent-ისგან განსხვავება: ეს Claude Code-სპეციფიკური orchestration-ია, ის კი ზოგადი agent harness. 36,000+ ვარსკვლავი. | | [Obsidian Skills](https://github.com/kepano/obsidian-skills) | 48K | Obsidian Skills Obsidian-ის CEO-ს, Steph Ango-ს (kepano) მიერ შექმნილი agent skills პაკეტია. AI coding agent-ებს ასწავლის Obsidian-ის Markdown ფორმატს, Bases მონაცემთა სტრუქტურას, JSON Canvas-ს და CLI-ს. Claude Code, Codex ან ნებისმიერი MCP-თავსებადი agent Obsidian vault-ში ფაილების შექმნას, ძიებასა და რედაქტირებას შეძლებს. Obsidian-ს იყენებ ცოდნის ბაზად? ეს skill-ი AI-ს ამ ბაზაში მუშაობის ექსპერტად აქცევს. | | [Academic Research Skills](https://github.com/Imbad0202/academic-research-skills) | 44K | Academic Research Skills Claude Code skill suite-ია, რომელიც სამეცნიერო ნაშრომის სრულ ციკლს ფარავს — literature search, paper writing, peer review და revision. ოთხი ურთიერთჩაწნული skill, 10-საფეხურიანი pipeline, 13+ agent literature exploration-ისთვის და 12 agent წერისთვის; ჩაშენებული anti-hallucination და citation-fabrication detection gates ციტატების ფაბრიკაციას ამოიცნობს. Python, CC BY-NC 4.0 (არა-კომერციული ლიცენზია — გასათვალისწინებელია), v3.9.2 (2026 წლის 18 მაისი), export Markdown/DOCX/APA-7 LaTeX-ში. 2026 წლის GitHub Trending #3, 31,000+ ვარსკვლავი — აკადემიური და კვლევითი workflow-ის პირველი სპეციალიზებული skill კოლექციაში. | | [last30days-skill](https://github.com/mvanhorn/last30days-skill) | 61K | last30days-skill Claude Code/Codex skill-ია, რომელიც ერთი ბრძანებით ნებისმიერი თემის სრულ კვლევას ატარებს — **Reddit, X/Twitter, YouTube, Hacker News, Polymarket** და ვები პარალელურად მუშავდება და შედეგად წყაროებზე დაფუძნებული **grounded summary** მიიღება. Python-ში, 2026 წლის იანვრიდან 43,000+ ვარსკვლავი. competitive analysis-ის, ტრენდების კვლევისა და product research-ისთვის იდეალური — ქართული ჟურნალისტიკის, SMM-ისა და product გუნდებისთვის ძლიერი ამაჩქარებელია. | | [Agent Skills](https://github.com/addyosmani/agent-skills) | 91K | Agent Skills Google-ის Chrome DevRel-ის ხელმძღვანელის Addy Osmani-ს production-grade engineering skills კოლექციაა AI coding agent-ებისთვის. 20+ Markdown workflow — spec-driven development, TDD, code review, shipping და სხვა — agent-ს senior engineer-ის მიდგომებს ასწავლის. Shell-ში, 60,000+ ვარსკვლავი. Agent Skills Spec-ისგან განსხვავება: ეს Osmani-ს კონკრეტული skill-ების კოლექციაა, ის კი ფართო სპეციფიკაციის სტანდარტია. | | [awesome-copilot](https://github.com/github/awesome-copilot) | 38K | awesome-copilot — GitHub-ის ოფიციალური კრებული Copilot-ის customization-ებისა: custom instructions, prompt files, chat modes და community-ს მიერ შექმნილი agent-ები. Copilot-ის მორგების მთავარი საცნობარო წყაროა და მისი მიდგომები სხვა coding agent-ების კონფიგურაციასაც ერგება. 36,000+ ⭐. | | [Claude Plugins Official](https://github.com/anthropics/claude-plugins-official) | 36K | Claude Plugins Official Anthropic-ის მიერ მართული Claude Code plugin-ების ოფიციალური კატალოგია — მასში მხოლოდ შემოწმებული, მაღალი ხარისხის plugin-ები ხვდება. plugin-ების აღმოჩენისა და ინსტალაციის ყველაზე სანდო წყაროა პირდაპირ Claude Code-იდან. 30,000+ ვარსკვლავი. | | [Anthropic Cybersecurity Skills](https://github.com/mukul975/Anthropic-Cybersecurity-Skills) | 32K | Anthropic Cybersecurity Skills 817 სტრუქტურირებული კიბერუსაფრთხოების skill-ია AI აგენტებისთვის — 6 framework-ზე მიბმული (MITRE ATT&CK, NIST CSF 2.0, MITRE ATLAS, D3FEND, NIST AI RMF, MITRE F3). 29 უსაფრთხოების დომენი, agentskills.io სტანდარტი. Claude Code-თან, Copilot-თან, Codex CLI-თან, Cursor-თან და 20+ პლატფორმასთან მუშაობს. Apache 2.0, 24,000+ ⭐ — უსაფრთხოების გუნდებისთვის მზა skill-pack. | | [PM Skills](https://github.com/phuryn/pm-skills) | 26K | PM Skills — პროდუქტ-მენეჯმენტის skill-ებისა და plugin-ების marketplace Claude Code-სა და Cowork-ისთვის: 68 skill 9 plugin-ში, discovery-დან strategy-მდე. Teresa Torres-ისა და Marty Cagan-ის მეთოდები slash-ბრძანებებად. PM-ებისთვის სტრუქტურირებული workflow-ები. | | [Claude Skills (alirezarezvani)](https://github.com/alirezarezvani/claude-skills) | 25K | Claude Skills 338 production-ready Claude Code skill-ისა და plugin-ის ბიბლიოთეკაა 13 AI coding ხელსაწყოსთვის (Claude Code, Codex, Gemini CLI, Cursor, Aider და სხვა). ინჟინერიის მიღმა ფარავს marketing-ს, product-ს, compliance-ს, finance-ს და C-level advisory-ს — 533 dependency-free Python CLI tool, 25 „POWERFUL-tier" skill, persona-ები (მაგ. Startup CTO) და security auditor skill-ების შესამოწმებლად. Python, MIT, v2.9.0 (2026 წლის 28 მაისი), 18,000+ ვარსკვლავი. **Matt Pocock Skills**-ისა და **Agent Skills**-ისგან განსხვავება — ეს ბიზნეს- და მრავალდომენიან breadth-ზეა ფოკუსირებული, არა მხოლოდ engineering-ზე. | | [Claude Code Game Studios](https://github.com/Donchitos/Claude-Code-Game-Studios) | 25K | Claude Code Game Studios Claude Code-ს სრულფასოვან თამაშების სტუდიად აქცევს — **49 AI აგენტი და 72 workflow skill**, ნამდვილი game development სტუდიის იერარქიის ანარეკლი. Producer, Designer, Artist, Programmer, QA Tester როლებში სპეციალიზებული agent-ები ერთობლივად მუშაობენ ვიდეო თამაშების შესაქმნელად. Shell-ში, 2026 წლის თებერვლიდან 21,000+ ვარსკვლავი დააგროვა. game dev-ის Claude Code-ზე აწყობის ერთ-ერთი ყველაზე მასშტაბური setup — ქართული indie გუნდებისთვის მზა workflow-ები. | | [Codex Plugin](https://github.com/openai/codex-plugin-cc) | 33K | Codex Plugin არის OpenAI-ის ოფიციალური Claude Code plugin — Codex CLI-ის agent-ს Claude Code-ის შიგნიდან გამოძახების საშუალებას გაძლევს. კოდის review-ისა და ამოცანების დელეგირებისთვის — OpenAI-ს Codex-ი და Anthropic-ს Claude Code ერთ workflow-ში. JavaScript, 2026 წლის მარტიდან ხელმისაწვდომია. ცალკე რეპოა openai/codex CLI-სგან (რომელიც terminal agent-ია — ეს კი Claude Code-ის plugin-ია). | | [awesome-claude-code-subagents](https://github.com/VoltAgent/awesome-claude-code-subagents) | 25K | awesome-claude-code-subagents 100+ სპეციალიზებული Claude Code subagent-ის კრებულია — full-stack development-ის ფართო სპექტრზე (backend, frontend, DevOps, data, security და სხვა). მზა subagent-ები, რომლებსაც პირდაპირ ჩააგდებ შენს Claude Code setup-ში. VoltAgent-ის მიერ შენახული, 22,000+ ვარსკვლავი — Claude Code-ის subagent ეკოსისტემის ერთ-ერთი მთავარი catalog. | | [SkillSpector](https://github.com/NVIDIA/SkillSpector) | 15K | SkillSpector — NVIDIA-ის უსაფრთხოების სკანერი AI agent skill-ებისთვის. ინსტალაციამდე ამოწმებს prompt injection-ს, data exfiltration-სა და supply-chain რისკებს — 64 pattern 16 კატეგორიაში, risk score და CI/CD ინტეგრაცია. skill-ების კოლექციის ბუნებრივი დამცველი. | | [n8n Skills](https://github.com/czlonkowski/n8n-skills) | 6.2K | n8n Skills Claude Code-ს n8n ავტომატიზაციის ექსპერტად აქცევს — 7 ურთიერთშემავსებელი skill, 525+ n8n node-ის ცოდნა, 2,653+ კონფიგურაციის მაგალითი. Shell-ში, n8n-skills.com. n8n-MCP-სთან (ასევე ამ კოლექციაში) ერთად გამოყენება კიდევ უფრო ძლიერ workflow-ების საშენებლად. n8n workflow-ებს AI-ით ავტომატურად ვინც ქმნის, ეს skill-ი აუცილებელია. | | [Remotion Skills](https://github.com/remotion-dev/skills) | 4.4K | Remotion Skills Remotion-ის (React-ში ვიდეოების პროგრამული შექმნის ფრეიმვორკი) ოფიციალური agent skills-ია. AI coding agent-ებს Remotion-ის ექსპერტიზას სძენს — კომპოზიცია, რენდერინგი, ტაიმინგი, animation. TypeScript-ში. თუ data visualizations-ს, reels-ს ან ანიმაციებს React კომპონენტებიდან ქმნი, ეს skill-ი AI-ს ყველა ნიუანსს ასწავლის — Remotion-ის ოფიციალური გუნდის მიერ. | | [Claude Code Setup](https://github.com/tornikebolokadze1-cyber/claude-code-setup) | 13 | Claude Code Setup Claude Code-ის production-grade კონფიგურაციაა — 17 წესი, 7 hook, 7 შაბლონი და /setup ბრძანება ახალი პროექტებისთვის. ერთი ინსტალაციით: უსაფრთხოების წესები, ავტომატური ტესტირება, CI/CD ინტეგრაცია, საიდუმლოებების დაცვა. TypeScript-ში, საქართველოში შექმნილი. 13 ვარსკვლავი — ახალი, ლოკალური პროექტი, production-ში განვითარების ეტაპზეა. | | [Georgian Payments Skills](https://github.com/erekle1/georgian-payments-skills) | 9 | Georgian Payments Skills ქართული საბანკო API-ების ცოდნას AI ასისტენტებს სძენს — TBC Bank-ის (Checkout, TPay) და Bank of Georgia-ს (iPay, Installments, Open Banking) ინტეგრაციები. Python-ში, საქართველოში შექმნილი. ქართულ საგადახდო სისტემებთან მომუშავე დეველოპერებისთვის — AI-ს ექსპერტ-დონის ლოკალური ცოდნა, რომელიც სხვაგან არ არსებობს. 8 ვარსკვლავი — ახალი ლოკალური resource. | --- ## 🎨 დიზაინი და UI > **Design & UI** — AI აგენტებისთვის დიზაინის უნარები: UI/UX გენერაცია, brand-grade design system-ები, Figma-ინტეგრაცია, დიაგრამები და whiteboard ხელსაწყოები. ლამაზი, თანმიმდევრული ვიზუალისთვის დიზაინერის გარეშე. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [Excalidraw](https://github.com/excalidraw/excalidraw) | 131K | Excalidraw — virtual whiteboard hand-drawn სტილის diagrams-ისთვის, TypeScript-ში, MIT ლიცენზიით. AI engineers-ისთვის **de facto სტანდარტი** გახდა agent architectures-ის, system designs-ის, RAG pipeline-ების და LLM workflow-ების ვიზუალიზაციისთვის — Anthropic-ის, OpenAI-ის და სხვა AI კომპანიების engineering blog-ებსა და ტექნიკურ დოკუმენტაციაში მუდმივად ჩანს. Excalidraw+ commercial ვერსიაში ჩაშენებულია text-to-diagram AI ფიჩერი (OpenAI integration) რომელიც ბუნებრივი ენიდან diagram-ს ქმნის, plus mermaid-ის ნატივიური მხარდაჭერა — ანუ Claude/GPT-ით mermaid syntax გენერაცია და Excalidraw-ში refine ერთიანი workflow-ია. AI არქიტექტურის დოკუმენტაციისთვის, presentation-ისთვის ან Claude Code-ის output-ის ვიზუალიზაციისთვის — ერთ-ერთი მთავარი ხელსაწყო engineering-ის ეკოსისტემაში. | | [shadcn/ui](https://github.com/shadcn-ui/ui) | 123K | shadcn/ui — copy-paste კომპონენტების და დიზაინ-სისტემის დისტრიბუციის პლატფორმა, რომელსაც v0, Claude და AI UI-გენერატორების უმეტესობა default-ად აგენერირებს. ღია კოდი, ღია კომპონენტები, ნებისმიერ framework-თან. 118,000+ ვარსკვლავი — AI-გენერირებული ინტერფეისების de-facto output ფენა. | | [Mermaid](https://github.com/mermaid-js/mermaid) | 90K | Mermaid — text-to-diagram-ის ღია კოდის უპირობო სტანდარტი. markdown-სტილის სინტაქსიდან flowchart-ი, sequence diagram, ER, gantt, state machine, class diagram, mindmap, C4 architecture და სხვა — ერთიანი ენით. TypeScript-ში, MIT ლიცენზია, 88,000+ ვარსკვლავი. **AI workflow-ში de-facto ფორმატი** — Claude, ChatGPT, Cursor, Codex და თითქმის ყველა LLM ბუნებრივად ცნობს Mermaid სინტაქსს და დიაგრამას პირდაპირ markdown პასუხში გასცემს. GitHub, GitLab, Notion, Obsidian და Confluence Mermaid-ს ჩაშენებულად რენდერავს — pull request-ში code review-ის დროს დიაგრამა იქვე ჩანს, version control-შია და diff-ისთვისაც ხელმისაწვდომია. ARCHITECTURE.md-ის, RFC-ებისა და ტექნიკური დოკუმენტაციის სავალდებულო ნაწილია თანამედროვე engineering გუნდებში; **Excalidraw**-თან (ვიზუალური whiteboard) ერთად დიაგრამების workflow-ის ორი მთავარი ხელსაწყოა. | | [UI UX Pro Max](https://github.com/nextlevelbuilder/ui-ux-pro-max-skill) | 123K | UI UX Pro Max AI coding agent-ებს professional UI/UX დიზაინის ინტელიგენციას სძენს — 50 დიზაინ სტილი, 161 ფერთა პალიტრა და 25 დიაგრამის ტიპი ერთ skill-ში. React-ს, Vue-ს, Flutter-ს, SwiftUI-ს და სხვა ფრეიმვორკებს უჭერს მხარს. Python-ში, 92,000+ ვარსკვლავი — Claude Code-ის, Cursor-ის და სხვა agent-ების visual output-ს მნიშვნელოვნად აუმჯობესებს. დიზაინერის გარეშე ლამაზი UI-ის ასაშენებლად. | | [Awesome DESIGN.md](https://github.com/VoltAgent/awesome-design-md) | 112K | Awesome DESIGN.md — 55-ზე მეტი Markdown ფაილის კოლექცია, პოპულარური brand design systems-ის (Stripe, Google, Apple, Linear) სტილის მიხედვით შექმნილი. DESIGN.md ფაილი პროექტში ჩასვი და Claude Code-ს, Cursor-ს ან სხვა coding agent-ს უთხარი — UI ავტომატურად შენი brand-ის სტილში გენერირდება. VoltAgent-ის მიერ, 2026 წლის მარტიდან. ვიზუალური კოდ-გენერაციის სამუშაო პროცესებში — ყველაზე სწრაფი გზა brand-consistent UI-სკენ კოდის ხელით წერის გარეშე. | | [screenshot-to-code](https://github.com/abi/screenshot-to-code) | 77K | screenshot-to-code — ჩააგდებ screenshot-ს, mockup-ს ან Figma frame-ს და LLM მას სუფთა კოდად აქცევს (HTML/Tailwind/React/Vue). design-to-code-ის კანონიკური პროექტი. 73,000+ ⭐. | | [tldraw](https://github.com/tldraw/tldraw) | 50K | tldraw — მოდერნული infinite canvas SDK და whiteboard აპლიკაცია, TypeScript-ში, real-time collaboration-ით. **Excalidraw-ის ყველაზე სერიოზული მეტოქე**: Excalidraw hand-drawn aesthetic-ით ცნობილია, tldraw უფრო ნათელი, კონტრასტული, professional ვიზუალით. ჩაშენებადი React კომპონენტი — საკუთარ აპლიკაციაში ერთი `<Tldraw />` import-ით ჩასვამ, ნულიდან whiteboard აპლიკაცია არ გჭირდება. **AI-ფიჩერი** [tldraw/make-real](https://github.com/tldraw/make-real)-ის სახით ცალკე ცოცხლობს: სკეტჩი → მუშა HTML/React component-ი ერთი ღილაკით (OpenAI/Claude backend-ით). Lightspeed Venture Partners-ის მიერ დაფინანსებული, 47,000+ ვარსკვლავი. ვინც app-შიგნით whiteboard ფუნქცია სჭირდება (Figma-ის, Miro-ს ალტერნატივა) ან Excalidraw-ის უფრო strict ვიზუალურ ალტერნატივას ეძებს — tldraw პირველი არჩევანია. | | [Open Design](https://github.com/nexu-io/open-design) | 93K | Open Design — Anthropic-ის ფასიანი **Claude Design**-ის სრულად ღია წყაროს ალტერნატივა, რომელიც 2026 წლის 28 აპრილს გამოვიდა და სწრაფად დააგროვა 65,000+ ვარსკვლავი (4,000+ fork — organic signal). შიგნით **19 skill** და **71 brand-grade design system**: prompt-დან HTML/CSS prototype-ი, slides, infographic-ი, კარუსელი, ანიმაცია და MP4 export. **BYOK მოდელი** — საკუთარი Claude/GPT/Gemini/Kimi/GLM/Ollama key-ით ეშვება, lock-in-ის გარეშე. Sandbox-ში preview, HTML/PDF/PPTX/MP4 export. TypeScript-ში, Apache 2.0. Claude Code-ში, Codex-ში, Cursor-ში, OpenCode-ში, Qwen Code-ში, Hermes-სა და Kimi CLI-ში მუშაობს — agent-agnostic. **Huashu Design**-ის და **UI UX Pro Max**-ის ბუნებრივი დამატება — 2026-ის design-skill სტეკის ერთ-ერთი მთავარი ბურჯი, კოლექციის ერთ-ერთი ყველაზე სწრაფად მზარდი ჩანაწერი. | | [Vercel Agent Skills](https://github.com/vercel-labs/agent-skills) | 31K | Vercel Agent Skills — **Vercel-ის ოფიციალური** skill კოლექცია AI coding agent-ებისთვის: 8 skill, რომლებიც Vercel Engineering-ის შიდა handbook-ებს აგენტებისთვის გასაგებ ფორმატად აქცევს. **web-design-guidelines** UI კოდს 100+ წესით ამოწმებს (accessibility, focus states, forms, animation, typography, dark mode, i18n) — Vercel-ის ცნობილი Web Interface Guidelines-ის packaged ვერსია; **react-best-practices** 40+ React/Next.js performance წესს მოიცავს; **vercel-deploy-claimable** კი აპს პირდაპირ claude.ai საუბრიდან deploy-ს უკეთებს live preview URL-ით. `npx skills add vercel-labs/agent-skills`-ით ეყენება. JavaScript, MIT, skills.sh რეესტრის canonical მაგალითი. 2025 წლის დეკემბრიდან 27,000+ ვარსკვლავი. ვიზუალურ design skill-ებისგან (UI UX Pro Max, Open Design) განსხვავებით აქცენტი engineering correctness-ზეა — accessibility და performance, არა მხოლოდ ესთეტიკა. | | [Impeccable](https://github.com/pbakaus/impeccable) | 64K | Impeccable **Paul Bakaus**-ის (ex-Google DevRel, Disney Interactive, jQuery UI core contributor — ერთ-ერთი ყველაზე ცნობილი front-end ინჟინერი 2010-იანების ვებზე) design-language skill-ია AI coding agent-ებისთვის — სლოგანი: *„The design language that makes your AI harness better at design"*. Claude Code-ში, Codex-ში, Cursor-ში, OpenCode-ში და სხვა MCP-თავსებად client-ებში მუშაობს. JavaScript-ში, **Apache 2.0** ლიცენზიით, impeccable.style. 2025 წლის ნოემბერში გამოვიდა და 38,000+ ვარსკვლავი (1,500+ fork — organic signal) დააგროვა. **Open Design**-ის, **UI UX Pro Max**-ის და **Huashu Design**-ის ბუნებრივი მონათესავე — სამივესთან ერთად stacked design-skill კონფიგურაცია AI-ის visual output-ის ხარისხს professional დონეზე აყვანს. | | [OpenUI](https://github.com/wandb/openui) | 23K | OpenUI (Weights & Biases) — ბუნებრივ ენაზე აღწერ UI-ს და რეალურ დროში ხედავ რენდერს HTML-ად. იდეების სწრაფი პროტოტიპირება და კოდად ექსპორტი. AI-ით UI-დიზაინის ექსპერიმენტირების ერთ-ერთი ყველაზე ცნობილი ღია ხელსაწყო. | | [Taste-Skill](https://github.com/leonxlnx/taste-skill) | 83K | Taste-Skill leonxlnx-ის skill-ია, რომელიც AI coding agent-ებს **„გემოვნებას" აძლევს** — სლოგანი: *„stops the AI from generating boring, generic slop"*. AI-ის default-ად ერთფეროვან, sterile, „generic AI slop" output-ს ებრძვის წინასწარ აღწერილი taste curation rules-ით — როდის უნდა გადაუხვიოს AI-მ default ფორმულირებებიდან და როდის უნდა შესთავაზოს ნამდვილად საინტერესო კონცეფცია. Shell-ში, **MIT** ლიცენზიით, tasteskill.dev. 2026 წლის თებერვალში გამოვიდა და უკვე 44,000+ ვარსკვლავი დააგროვა — AI output-ის ხარისხის ერთ-ერთი ყველაზე ციტირებადი skill. **Karpathy Skills**-ის (AI coding pitfalls-ის წინააღმდეგ) და **Caveman**-ის (verbosity reduction) ბუნებრივი დამატება — სამივე ერთად AI-ის output-ის ფუნდამენტურ ნაკლს ასწორებს. UI UX Pro Max-ისგან განსხვავება: ეს content/copy/idea-taste-ზე ფოკუსირებულია, ის კი visual design-ზე. | | [Figma Context MCP](https://github.com/GLips/Figma-Context-MCP) | 16K | Figma Context MCP AI coding agent-ებს Figma-ს დიზაინ ფაილების ზუსტ მონაცემებს აწვდის — ფერები, ზომები, spacing, component hierarchy — screenshot-ის ნაცვლად სტრუქტურირებული მონაცემებით. TypeScript-ში, Framelink.ai-ის მიერ. Cursor-ში, Claude Code-ში ან სხვა MCP client-ში: Figma-ს დიზაინი → pixel-perfect კოდი პირველივე მცდელობით. 15,000+ ვარსკვლავი. | | [Huashu Design](https://github.com/alchaincyf/huashu-design) | 24K | Huashu Design (画术 Design) HTML-native დიზაინის skill-ია Claude Code-ისთვის — high-fidelity prototypes, პრეზენტაციები/slides, ანიმაციები და MP4 export ერთ skill-ში. **20 design philosophy** და **5-dimensional design review** სისტემით agent-ს professional UI/UX დონეზე ფიქრის უნარს ასძენს. Agent-agnostic — Claude Code-სთან, Codex-სთან და სხვა MCP-თავსებად client-ებთან მუშაობს. HTML-ში, 2026 წლის აპრილში გამოქვეყნდა და უკვე 18,000+ ვარსკვლავი დააგროვა — ჩინური AI ეკოსისტემიდან გამოსული ერთ-ერთი ყველაზე ციტირებადი design skill. ვინც AI-ით ლამაზ visual artifacts-ს (პრეზენტაციებს, prototype-ებს, demo videos-ებს) აკეთებს, UI UX Pro Max-ისა და Architecture Diagram Generator-ის ბუნებრივი დამატებაა. | | [stop-slop](https://github.com/hardikpandya/stop-slop) | 17K | stop-slop — skill-ფაილი, რომელიც ტექსტიდან „AI-ის კვალს" (generic ფრაზები, em-dash-ების ჭარბი გამოყენება, sterile ტონი) აშორებს. AI-ის ნაწერს უფრო ბუნებრივსა და ადამიანურს ხდის. Taste-Skill-ისა და Impeccable-ის მონათესავე ჟანრი. | | [DESIGN.md](https://github.com/google-labs-code/design.md) | 28K | DESIGN.md — Google Labs-ის ოფიციალური ფორმატის სპეციფიკაცია, რომლითაც ბრენდის ვიზუალური იდენტობა (ფერები, ტიპოგრაფია, სპეისინგი, კომპონენტების ქცევა, ინტერაქციების შაბლონები) სტრუქტურირებულად აღუწერ AI coding agent-ებს. DESIGN.md ფაილი პროექტის root-ში ჩასვი და Claude Code-ს, Cursor-ს ან Codex-ს უკვე მუდმივი, თანმიმდევრული გაგება აქვს შენი design system-ის — UI ყოველ ახალ ფიჩერზე ერთ სტილში გენერირდება, stylistic drift-ისა და ჰალუცინაციების გარეშე. TypeScript-ში, Apache 2.0 ლიცენზიით. 2026 წლის 10 აპრილს გამოიცა და სწრაფად დააგროვა 15,000+ ვარსკვლავი (გაშვებისას დღეში ~450 ⭐) — ვირუსული ზრდა Anthropic-ის Agent Skills Spec-ის ანალოგი, მაგრამ design systems-ის დომენში. კომპანიონი `awesome-design-md` (რომელიც ასევე გვაქვს) ამ სპეციფიკაციით შექმნილ 55+ მაგალითს გვაწვდის — ეს მათი ფუნდამენტი სტანდარტია. | | [Interface Design](https://github.com/Dammyjay93/interface-design) | 5.6K | Interface Design — design engineering skill Claude Code-ისა და Codex-ისთვის, სპეციალურად **product UI-სთვის** (dashboard, admin panel, SaaS ინსტრუმენტები) — marketing საიტები შეგნებულად სკოუპს მიღმაა. მთავარი იდეა **persistent design memory-ია**: მიღებული გადაწყვეტილებები (spacing grid, ფერის ტოკენები, surface elevation, კომპონენტების ზომები) `.interface-design/system.md` ფაილში ინახება და მომდევნო სესიებში ავტომატურად იტვირთება — სტილური დრიფტი სესიებს შორის ნულდება. 5 ბრძანება (init, status, audit, extract, critique), 6 ჩაშენებული design direction. ავტორი Oyindamola Akinleye (Zalando). Shell, MIT, interface-design.dev. 2026 წლის იანვრიდან 5,000+ ვარსკვლავი (repo-ს ადრე claude-design-skill ერქვა — ძველი ლინკები redirect-დება). UI UX Pro Max-ისგან განსხვავება: ის სტილების ფართო კატალოგია, ეს კი ერთი თანმიმდევრული დიზაინ-სისტემის cross-session enforcement-ი. | | [Architecture Diagram Generator](https://github.com/Cocoon-AI/architecture-diagram-generator) | 7.1K | Architecture Diagram Generator Claude AI-ის skill-ია, რომელიც ტექსტური სისტემის აღწერიდან standalone HTML/SVG დიაგრამებს ქმნის — dark theme-ით, ფერების სემანტიკური კოდირებით (cyan: frontend, emerald: backend, violet: databases, amber: cloud, rose: security). HTML-ში, Cocoon-AI-ის მიერ. დიზაინის ცოდნა არ სჭირდება — სისტემის ბუნებრივ ენაში აღწერა საკმარისია. 5,900+ ვარსკვლავი. | | [Draw.io MCP](https://github.com/jgraph/drawio-mcp) | 5.3K | Draw.io MCP draw.io-ს (JGraph Ltd) ოფიციალური MCP სერვერია — AI ასისტენტს diagrams.net-ში ქსელის სქემების, UML-ის, flowchart-ების და სხვა დიაგრამების ავტომატური შექმნის საშუალება ეძლევა. JavaScript-ში. ბუნებრივი ენით სისტემის არქიტექტურა — draw.io ფაილი → browser-ში გახსნა. 4 ინტეგრაციის მეთოდი, 4,400+ ვარსკვლავი. | | [Emil Kowalski Skill](https://github.com/emilkowalski/skills) | 34K | Emil Kowalski Skill — design engineering-ის ერთ-ერთი ყველაზე ცნობილი სახელის (**Sonner** toast-ისა და **Vaul** drawer-ის ავტორი, ex-Vercel/Linear, animations.dev კურსის შემქმნელი) პირადი „გემოვნება" installable skill-ად. მთელი რეპო ერთი ~680-ხაზიანი SKILL.md-ია მისი სტატიებიდან გამოხდილი ცოდნით: 4-ნაბიჯიანი animation decision framework (ხშირად გამოყენებულ ქმედებებს ანიმაცია საერთოდ არ სჭირდება), კონკრეტული რიცხვითი წესები (UI ანიმაცია 300ms-ზე ნაკლები, tooltip 125-200ms, ease-in არასდროს), spring physics, @starting-style და clip-path ტექნიკები, prefers-reduced-motion accessibility. UI code review-ზე სავალდებულო Before/After/Why ცხრილის ფორმატს ითხოვს. 2026 წლის მარტიდან 2,400+ ვარსკვლავი, emilkowal.ski/skill. **Taste-Skill**-ის (ასევე ამ კოლექციაში) მონათესავე ჟანრი — „taste as a skill" ტრენდის ერთ-ერთი საუკეთესო ნიმუში. (⚠ ლიცენზია მითითებული არ აქვს.) | | [UI Skills](https://github.com/ibelick/ui-skills) | 7.9K | UI Skills design engineer-ებისთვის განკუთვნილი skill-ების კრებულია — ინტერფეისის დიზაინის ცოდნა, რომელსაც AI აგენტს აძლევ, რომ generic-ის ნაცვლად გემოვნებიანი UI ააწყოს. ibelick-ის (motion-primitives-ისა და prompt-kit-ის ავტორი) პროექტი, TypeScript. 3,500+ ვარსკვლავი — design-to-code workflow-ისთვის. | | [Designer Skills](https://github.com/Owl-Listener/designer-skills) | 2.4K | Designer Skills — ყველაზე ყოვლისმომცველი დიზაინერული skill pack Claude Code-ისთვის: **91 skill და 28 ბრძანება 9 plugin-ში** — user research, design systems, UX strategy, UI design, interaction design, prototyping/testing, design ops, designer's toolkit და visual critique. ხუთრეპოიანი ოჯახის (ჯამში 239 skill და 33 plugin) მთავარი კარიბჭე. არქიტექტურა: skill-ები „არსებითი სახელებია" (როგორ დაიწეროს persona, როგორ განისაზღვროს design token-ები), ბრძანებები კი „ზმნები" — `/design-research:discover` ერთ workflow-ში რამდენიმე skill-ს აჯაჭვებს. ავტორი Marie-Claire Dean (MC Dean), ფილოსოფია: „taste, made legible" — დიზაინერული განსჯა წერილობით ფორმაში, რომ აგენტმა გამოცნობა აღარ სცადოს. Claude Code-შიც და Gemini CLI-შიც მუშაობს, non-coder-ებზეც გათვლილია. Shell, MIT. 2026 წლის მარტიდან 1,500+ ვარსკვლავი. | --- ## 🔌 MCP ინტეგრაციები > **Model Context Protocol Servers** — სტანდარტული „ხიდები", რომლებიც AI ასისტენტებს გარე სერვისებთან აკავშირებენ — GitHub, Notion, Stripe, Cloudflare, მონაცემთა ბაზები. ერთხელ დააინსტალირე, ყველგან მუშაობს. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [MCP Servers](https://github.com/modelcontextprotocol/servers) | 90K | MCP Servers Model Context Protocol-ის ოფიციალური სერვერების მონორეპოა — ეს MCP ეკოსისტემის ფუნდამენტი და reference implementation. ფაილების სისტემა, Git, Slack, memory, browser automation — ათობით built-in server ერთ ადგილას. 10 პროგრამირების ენის SDK (TypeScript, Python, Go, Rust, Java და სხვა). Anthropic-ის მიერ შენახული, Apache 2.0 ლიცენზია. 87,000+ ვარსკვლავი — ნებისმიერი MCP სამუშაო ამ რეპოდან იწყება. | | [Context7](https://github.com/upstash/context7) | 61K | Context7 Upstash-ის MCP სერვერია, რომელიც AI coding agent-ებს ყოველთვის განახლებულ, კონკრეტული ვერსიის შესაბამის API დოკუმენტაციას აწვდის. AI ხშირად მოძველებულ ან გამოგონილ API-ებს გვთავაზობს — Context7 ავტომატურად ადგენს, რომელ ვერსიას იყენებ, და ზუსტ დოკუმენტაციას ჩასვამს კონტექსტში. TypeScript-ში დაწერილია, context7.com-ზე ხელმისაწვდომი; მუშაობს Claude Code-თან, Cursor-თან, Copilot-თან და ნებისმიერ MCP-თავსებად agent-თან. 57,000+ ვარსკვლავი. | | [chrome-devtools-mcp](https://github.com/ChromeDevTools/chrome-devtools-mcp) | 50K | chrome-devtools-mcp — Chrome DevTools-ის ოფიციალური MCP სერვერი: AI აგენტს აძლევს ბრაუზერის კონტროლს, network და console ინსპექციას, performance-ტრეისებს. 46,000+ ⭐. | | [GitHub MCP](https://github.com/github/github-mcp-server) | 33K | GitHub MCP GitHub-ის ოფიციალური MCP სერვერია — AI ასისტენტს GitHub-ის სრული API ხელმისაწვდომი ხდება: issue-ების შექმნა, pull request-ების review, CI/CD-ის მონიტორინგი, repository-ის ძიება და კოდის ანალიზი. Go-ში დაწერილია. ბუნებრივი ენის ბრძანებებით GitHub ოპერაციების ავტომატიზაცია Claude-ს, Copilot-ს, Cursor-ს ან ნებისმიერ MCP client-ს. 30,000+ ვარსკვლავი. | | [FastMCP](https://github.com/PrefectHQ/fastmcp) | 27K | FastMCP Python-ში MCP სერვერებისა და კლიენტების შექმნის ყველაზე სწრაფი, Pythonic გზაა — „FastAPI for MCP". decorators-ით minimal code-ით სრულ MCP სერვერს წერ. Jeremiah Lowin-ის (Prefect-ის CEO) მიერ შექმნილი, Anthropic-ის MCP Python SDK-ზე დიდ გავლენას ახდენს. gofastmcp.com, 25,000+ ვარსკვლავი. საკუთარი MCP სერვერის დასაწყებად Python-ში — პირველი არჩევანი. | | [Serena](https://github.com/oraios/serena) | 29K | Serena coding agent-ებს IDE-ს დონის შესაძლებლობებს MCP სერვერის სახით აძლევს. Language Server Protocol-ს (LSP) იყენებს კოდის სემანტიკური ანალიზისთვის — symbols, references, definitions პირდაპირ, ისე რომ AI ტექსტური grep-ის მაგივრად კოდის სტრუქტურას რეალურად აღიქვამს. Python-ში დაწერილია, 25,000+ ვარსკვლავი. მუშაობს Claude Code-ში, Cursor-ში ან ნებისმიერ MCP client-ში — Cursor-ის ფასიანი ფუნქციების ღია ალტერნატივა. | | [A2A](https://github.com/a2aproject/A2A) | 26K | A2A (Agent2Agent) — Google-ის ღია პროტოკოლი აგენტებს შორის ურთიერთქმედებისთვის: სხვადასხვა framework-ზე აგებული აგენტები ერთმანეთს აღმოაჩენენ და თანამშრომლობენ. MCP-ის დამატებითი, აგენტ-აგენტ ფენა. 25,000+ ⭐. | | [n8n-MCP](https://github.com/czlonkowski/n8n-mcp) | 23K | n8n-MCP MCP სერვერია, რომელიც AI ასისტენტს n8n ავტომატიზაციის ექსპერტად აქცევს — 1,396 n8n კომპონენტის დოკუმენტაცია, 2,646 კონფიგურაციის მაგალითი და 2,709 workflow template-ი. TypeScript-ში, n8n-mcp.com. Claude Desktop-ში, Claude Code-ში, Cursor-ში, Windsurf-ში. n8n Skills-თან (ამ კოლექციაშია) ერთად — AI n8n-ის ნებისმიერი workflow-ს შენ ნაცვლად ააწყობს. 21,000+ ვარსკვლავი. | | [PAL (ex-zen-mcp-server)](https://github.com/BeehiveInnovations/pal-mcp-server) | 12K | PAL (ყოფილი zen-mcp-server) — MCP სერვერი, რომელიც Claude Code-ს, Gemini CLI-სა და Codex-ს ერთ workflow-ში აერთიანებს მრავალ მოდელთან (OpenAI, Grok, Ollama, OpenRouter). კონტექსტი ნარჩუნდება ხელსაწყოებს შორის — code review, debugging, planning ერთობლივად. Python. | | [Exa MCP](https://github.com/exa-labs/exa-mcp-server) | 4.9K | Exa MCP Exa-ს (exa.ai) ოფიციალური MCP სერვერია — AI ასისტენტებს სემანტიკური ვებ ძიებისა და crawling-ის შესაძლებლობა აქვთ. TypeScript-ში დაწერილი. კოდის მაგალითების ძიება, კომპანიების კვლევა, real-time ვებ ინფორმაციის მოძიება — ყველა ერთ ინტერფეისში. Cursor-სა და VS Code-ში ერთი კლიკით ინსტალაცია. Perplexity MCP-ისა და Tavily MCP-ის ალტერნატივა Exa-ს neural search-ის ძლიერებით. 4,500+ ვარსკვლავი. | | [Notion MCP](https://github.com/makenotion/notion-mcp-server) | 4.6K | Notion MCP Notion-ის ოფიციალური MCP სერვერია — AI ასისტენტს Notion-ის workspace-ზე სრული წვდომა ეძლევა: გვერდების კითხვა, შექმნა, განახლება და ბაზების query. TypeScript-ში დაწერილია, Notion-ის makenotion org-ის მიერ. მუშაობს Cursor-ში, Claude Code-ში და ნებისმიერ MCP client-ში. თუ Notion-ს project management-ისთვის ან ცოდნის ბაზად იყენებ, AI-ს მასზე პირდაპირი წვდომა ექნება. 4,400+ ვარსკვლავი. | | [Cloudflare MCP](https://github.com/cloudflare/mcp-server-cloudflare) | 4.1K | mcp-server-cloudflare არის Cloudflare-ის ოფიციალური MCP სერვერების კოლექცია, რომელიც AI ასისტენტებს Cloudflare-ის პლატფორმის სრული მართვის საშუალებას აძლევს. Workers, KV, R2, D1, Browser Rendering, DNS ანალიტიკა და სხვა სერვისები — 13+ MCP სერვერი ერთ რეპოზიტორიაში. TypeScript-ში დაწერილი. Cloudflare-ის ინფრასტრუქტურის მართვა Claude-ს ან Cursor-ს შეუძლია პირდაპირ კონვერსაციიდან, CLI-ის გარეშე. | | [Supabase MCP](https://github.com/supabase/mcp) | 2.9K | Supabase MCP AI ასისტენტებს Supabase-ის (open-source Firebase ალტერნატივა) მონაცემთა ბაზასთან, Auth-თან და Storage-თან აკავშირებს. TypeScript-ში, supabase.com/mcp. Cursor-ში, Claude Code-ში და Windsurf-ში: ბუნებრივი ენით სთხოვ ცხრილის შექმნას, მონაცემების კითხვას ან schema-ს ცვლილებას — Supabase dashboard-ის გარეშე. 2,700+ ვარსკვლავი. | | [Markdownify MCP](https://github.com/zcaceres/markdownify-mcp) | 3.0K | Markdownify MCP ნებისმიერი ტიპის ფაილს Markdown-ად გარდაქმნის AI ასისტენტებისთვის — PDF, სურათები, Word, Excel, PowerPoint, YouTube ვიდეო (transcript), ვებ გვერდი, აუდიო. TypeScript-ში. AI-ს "კვება" ნებისმიერი ფორმატიდან — ერთი სერვერი ყველა კონვერსიისთვის. RAG pipeline-ებისა და document analysis workflow-ებისთვის. 2,700+ ვარსკვლავი. | | [Perplexity MCP](https://github.com/perplexityai/modelcontextprotocol) | 2.5K | Perplexity MCP Perplexity AI-ის ოფიციალური MCP სერვერია — AI ასისტენტებს real-time ვებ ძიების, ღრმა კვლევისა და მსჯელობის შესაძლებლობა ეძლევა. TypeScript/Node-ში. **3 ინსტრუმენტი**: `sonar-pro` (ზოგადი search+chat), `sonar-deep-research` (კომპრეჰენსიული კვლევა), `sonar-reasoning-pro` (რთული ანალიზი). Cursor, VS Code, Kiro-ში ერთი კლიკით ინსტალაცია. Perplexity-ის citations-ზე დაფუძნებული პასუხები ჰალუცინაციებს ამცირებს. 2,300+ ვარსკვლავი. | | [Claude Peers MCP](https://github.com/louislva/claude-peers-mcp) | 2.2K | Claude Peers MCP ლოკალური MCP სერვერია, რომელიც სხვადასხვა Claude Code სესიას ერთმანეთის აღმოჩენისა და real-time შეტყობინებების გაცვლის საშუალებას აძლევს. TypeScript-ში დაწერილია. თუ პარალელურად რამდენიმე პროექტზე მუშაობ სხვადასხვა Claude Code ინსტანციით, ისინი ერთმანეთთან კოორდინაციას შეძლებენ. 2,100+ ვარსკვლავი. | | [Tavily MCP](https://github.com/tavily-ai/tavily-mcp) | 2.4K | Tavily MCP production-ready MCP სერვერია real-time ვებ ძიებისთვის, კონტენტის extraction-ისთვის, sitemap-ისა და crawling-ისთვის — ყველა ოპერაცია ერთ სერვერში. JavaScript-ში. ჰოსტირებული ვერსიაც ხელმისაწვდომია (mcp.tavily.com) ლოკალური ინსტალაციის გარეშე. AI research agent-ებისა და automated web monitoring-ისთვის. 2,100+ ვარსკვლავი. | | [LinkedIn MCP](https://github.com/stickerdaniel/linkedin-mcp-server) | 3.3K | LinkedIn MCP LinkedIn-ის ღია კოდის MCP სერვერია — Claude-ს ან ნებისმიერ MCP-თავსებად AI ასისტენტს LinkedIn-ის profiles, companies, jobs და messages-ზე წვდომა ეძლევა. Python-ში. სამუშაოს მძებნელებისთვის (ვაკანსიების ავტო-ანალიზი), recruiters-ისთვის (კანდიდატების კვლევა) ან sales teams-ისთვის (prospect-ების ძიება). 2,300+ ვარსკვლავი — LinkedIn API-ის official SDK-ი არ არის, unofficial integration. | | [Stripe MCP](https://github.com/stripe/ai) | 1.8K | Stripe Agent Toolkit Stripe-ის ოფიციალური toolkit-ია AI-powered financial products-ის ასაშენებლად — MCP სერვერი, LangChain integration, CrewAI integration და Vercel AI SDK მხარდაჭერა ერთ პაკეტში. TypeScript-ში, docs.stripe.com/agents. AI ასისტენტს შეუძლია მომხმარებლების ძიება, payments-ის შექმნა, subscriptions-ის მართვა. Stripe-ის ოფიციალური, 1,600+ ვარსკვლავი — MCP-ზე ფოკუსირებული toolkit-ი. | | [Apify MCP](https://github.com/apify/apify-mcp-server) | 5.5K | Apify MCP Apify-ის ოფიციალური MCP სერვერია — AI ასისტენტებს Apify Store-ის 1,000+ მზა web scraper-ი და automation tool ხელმისაწვდომი ხდება. Instagram, TikTok, Amazon, Google Maps, LinkedIn — ნებისმიერი ვებსაიტიდან სტრუქტურირებული მონაცემები. TypeScript-ში, mcp.apify.com. სოციალური მედიის monitoring-ისთვის, market research-ისთვის ან lead generation-ისთვის — 1,300+ ვარსკვლავი. | | [Power BI Modeling MCP](https://github.com/microsoft/powerbi-modeling-mcp) | 1.1K | Power BI Modeling MCP Microsoft-ის ოფიციალური MCP სერვერია Power BI-ის სემანტიკური მოდელირებისთვის. AI ასისტენტს შეუძლია DAX შეკითხვების გაშვება, data models-ის შექმნა და რედაქტირება, row-level security და მრავალენოვანი თარგმანი — ბუნებრივი ენით. Power BI Desktop-თან, Fabric workspace-თან და Power BI Project ფაილებთან. Microsoft-ის ოფიციალური გამოშვება, 862 ვარსკვლავი — ჯერ ახალი, მაგრამ enterprise BI-სთვის მნიშვნელოვანი. | | [Sentry MCP](https://github.com/getsentry/sentry-mcp) | 836 | Sentry MCP Sentry-ის ოფიციალური MCP სერვერია error tracking-ის AI-სთან ინტეგრაციისთვის. AI ასისტენტს Sentry-ის error report-ებზე, stack trace-ებზე, issue-ების სიხშირის ტრენდებსა და performance მონაცემებზე წვდომა ეძლევა. TypeScript-ში დაწერილია, mcp.sentry.dev. Production bug-ების AI-ასისტირებული დიაგნოსტიკისთვის შეუცვლელია. 770+ ვარსკვლავი. | | [E2B MCP](https://github.com/e2b-dev/mcp-server) | 394 | E2B MCP E2B-ის MCP სერვერი იყო AI agent-ებისთვის cloud sandbox-ში კოდის გასაშვებად — Python, JavaScript, Bash იზოლირებულ გარემოში. JavaScript-ში. **ყურადღება: ეს repo archived (მიტოვებული) სტატუსშია 2026 წლიდან** — აქტიური მხარდაჭერა არ არის. E2B-ის ახალი MCP ინტეგრაციისთვის e2b.dev-ის ოფიციალური დოკუმენტაცია შეამოწმე. 394 ვარსკვლავი. | --- ## 🕷️ ვებ სკრეიპინგი და ბრაუზერი > **Web Scraping & Browser** — ვებ-გვერდების სკრეიპინგის, crawling-ისა და ბრაუზერის ავტომატიზაციის ხელსაწყოები AI აგენტებისთვის. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [Firecrawl](https://github.com/firecrawl/firecrawl) | 175K | Firecrawl არის Mendable AI-ის (YC S23) ვებ-სკრეიპინგის API, რომელიც ნებისმიერ URL-ს AI-სთვის ოპტიმიზებულ Markdown-ად ან JSON-ად გარდაქმნის. ის წყვეტს LLM-ების ერთ-ერთ მთავარ პრობლემას — ვებ გვერდების „ჭუჭყიანი" HTML-ის სუფთა, სტრუქტურირებულ ფორმატად გადაყვანას. scrape, crawl, search და extract ოპერაციები ერთ API-ში ერთიანდება; JavaScript-ის რენდერი და anti-bot დაცვის გვერდის ავლა ჩაშენებულია. Python და TypeScript SDK-ები გამოყოფილია, self-hosted ან cloud deployment-ი შესაძლებელია. 133,000+ ვარსკვლავით ეს კატეგორიის ყველაზე პოპულარული ინსტრუმენტია AI pipeline-ებისთვის ვებ-მონაცემების მიწოდებაში. | | [Browser Use](https://github.com/browser-use/browser-use) | 112K | Browser Use არის Python-ის ბიბლიოთეკა, რომელიც AI აგენტს ნამდვილი ბრაუზერის გამოსაყენებლად აძლევს შესაძლებლობას — ვებსაიტებზე ნავიგაცია, ფორმების შევსება, ღილაკებზე დაჭერა და ინფორმაციის ამოღება ისევე, როგორც ადამიანი. ის წყვეტს იმ პრობლემას, რომ LLM-ები ტექსტობრივი ინტერფეისებისთვის იყო განკუთვნილი, ხოლო ვების უმეტესი ნაწილი ვიზუალურია. Playwright-ზეა დაშენებული, multi-tab მხარდაჭერით, DOM-ის სტრუქტურის ავტომატური ანალიზით და OpenAI, Anthropic, Gemini მოდელებთან ინტეგრაციით. 99,000+ ვარსკვლავი და სწრაფად მზარდი ეკოსისტემა მას browser automation-ის defacto სტანდარტად აქცევს AI-native პროექტებში. | | [Crawl4AI](https://github.com/unclecode/crawl4ai) | 81K | Crawl4AI არის ღია კოდის Python web crawler, რომელიც სპეციალურად LLM-ებისა და RAG pipeline-ებისთვის არის ოპტიმიზებული. მისი მთავარი ღირსება ის არის, რომ Firecrawl-ისგან განსხვავებით, სრულად უფასოა, ლოკალურად გაშვებადია და API-ის ლიმიტები არ გააჩნია. JavaScript-ის რენდერი, semantic chunking, structured data extraction (CSS/XPath/LLM-ზე დაფუძნებული) და async crawling ჩაშენებულია. Scrapy-ზე 6-ჯერ სწრაფია benchmark-ების მიხედვით; Python AsyncIO-ზე დაშენებული. ქართული RAG სისტემებისთვის, სადაც ვებ-მონაცემების ლოკალური შეგროვება გჭირდება, ეს ყველაზე ეფექტური არჩევანია. | | [Playwright MCP](https://github.com/microsoft/playwright-mcp) | 37K | Playwright MCP არის Microsoft-ის ოფიციალური MCP სერვერი, რომელიც Claude-ს, Cursor-ს და სხვა AI ასისტენტებს ვებ ბრაუზერის სრული კონტროლის საშუალებას აძლევს. AI ბრაუზერის accessibility tree-ს წაიკითხავს — ვიზუალური ელემენტების სტრუქტურას — სკრინშოტების გარეშე, რაც მუშაობას ბევრად ზუსტსა და სწრაფს ხდის. navigation, click, fill, screenshot, PDF export — ყველა ოპერაცია MCP პროტოკოლით ხდება ხელმისაწვდომი. TypeScript-ში დაწერილია, npm-ზე გამოქვეყნებული. | | [Agent Browser](https://github.com/vercel-labs/agent-browser) | 42K | Agent Browser Vercel Labs-ის (Next.js-ის შემქმნელების) CLI ინსტრუმენტია, რომელიც AI აგენტებს ბრაუზერის ავტომატიზაციის საშუალებას აძლევს. Rust-ში დაწერილია, რაც მაღალ სიჩქარესა და მეხსიერების დაბალ მოხმარებას უზრუნველყოფს, ვიზუალური ინტერფეისის ნაცვლად კი command-line ინტერფეისს გვთავაზობს — ამიტომ AI workflow-ებში ინტეგრაცია მარტივია. Vercel-ის ეკოსისტემის ნაწილია, 2026 წლის იანვარში გამოვიდა. | | [Lightpanda](https://github.com/lightpanda-io/browser) | 34K | Lightpanda არის headless ბრაუზერი, რომელიც ნულიდან Zig-ში დაიწერა სპეციალურად AI სამუშაო ნაკადებისა და automation-ისთვის. Chrome-თან შედარებით 11-ჯერ სწრაფია და 9-ჯერ ნაკლებ RAM-ს მოიხმარს, რაც მას სერვერულ გარემოში მასშტაბირებისთვის ეკონომიურ ალტერნატივად აქცევს. Puppeteer-ისა და Playwright-ის სკრიპტებთან თავსებადია, ანუ migration ნაკლები ძალისხმევით ხდება. Zig-ის low-level კონტროლი სრულ JavaScript-ის ინტერპრეტაციასთან ერთად გამოყენებულია web scraping-ის ინსტრუმენტებით დატვირთულ სერვერებზე. | | [page-agent](https://github.com/alibaba/page-agent) | 29K | page-agent JavaScript in-page GUI აგენტია — ვებ-ინტერფეისებს ბუნებრივი ენით მართავს პირდაპირ გვერდზე. Alibaba-ს ღია პროექტი, TypeScript-ში. სთხოვ „დააჭირე login-ს და შეავსე ფორმა" და აგენტი რეალურ DOM-ზე მოქმედებს — ვებ-ავტომატიზაციისა და agentic browsing-ისთვის. 23,000+ ვარსკვლავი. browser-use-ისა და Stagehand-ის in-page ალტერნატივა. | | [Stagehand](https://github.com/browserbase/stagehand) | 24K | Stagehand არის Browserbase-ის (YC W24) TypeScript SDK, რომელიც Playwright-ს AI-ს ბუნებრივ ენასთან ათავსებს. ნაცვლად ფიქსირებული სელექტორებისა, შეგიძლია ბრძანებები ბუნებრივ ენაზე მისცე: `page.act("click the login button")` ან `page.extract("get the product price")`. ეს hybrid მიდგომა — კოდი + ბუნებრივი ენა — Playwright-ის სუფთა ავტომატიზაციაზე უფრო სტაბილურია, რადგან LLM ადაპტირდება ვებ გვერდის სტრუქტურის ცვლილებებზე. TypeScript-ში დაწერილია, Python SDK-იც ხელმისაწვდომია. | | [CloakBrowser](https://github.com/CloakHQ/CloakBrowser) | 31K | CloakBrowser stealth Chromium-ია — ბრაუზერი, რომელიც Playwright-ის drop-in ჩანაცვლებად მუშაობს და ბოტების აღმომჩენ სისტემებს გვერდს უვლის: fingerprint-ებს JavaScript-ის ნაცვლად პირდაპირ C++ კოდში, კომპილაციამდე ცვლის (canvas, WebGL, audio და სხვა სიგნალები). ამის წყალობით reCAPTCHA v3-ს, Cloudflare Turnstile-სა და 30-ზე მეტ detection სერვისს გადის; residential proxy-ისა და ადამიანური ქცევის იმიტაციის მხარდაჭერაც აქვს. dual-use ინსტრუმენტია — ავტორები მას ავტორიზებული ავტომატიზაციისა და AI აგენტების ინტეგრაციისთვის სთავაზობენ, Stagehand-სა და Browser Use-ს კი anti-bot კონტექსტში ბუნებრივად ავსებს. | | [Skyvern](https://github.com/Skyvern-AI/skyvern) | 23K | Skyvern — AI ბრაუზერ-ავტომატიზაცია vision-LLM-ით, მყიფე selector-ების გარეშე. Playwright-თავსებადი SDK და no-code workflow builder; ვებ-გვერდებთან მუშაობს layout-ის ცვლილების მიუხედავად და უცნობ საიტებსაც უმკლავდება. Python. | | [Agent-Reach](https://github.com/Panniantong/Agent-Reach) | 77K | Agent-Reach არის Python CLI ინსტრუმენტი, რომელიც AI აგენტს 10+ სოციალური და საინფორმაციო პლატფორმის წაკითხვის უნარს აძლევს ერთი ინტერფეისით. Twitter/X, Reddit, YouTube, GitHub, Bilibili, XiaoHongShu და სხვა — ყველა ერთი სტანდარტული API-ით, ოფიციალური API გასაღებების გარეშე (zero API fees). Python-ში დაწერილი, 2026 წლის თებერვლიდან 30,000+ ვარსკვლავი დააგროვა — ეს ტემპი სისწრაფეზე მეტყველებს. AI კვლევის, მონიტორინგის და მონაცემთა შეგროვების სამუშაო ნაკადებისთვის გამოსაყენებელია. | | [opencli](https://github.com/jackwener/opencli) | 29K | opencli არის JavaScript-ის universal CLI runtime, რომელიც ნებისმიერ ვებსაიტს, Electron-ის აპლიკაციას ან ადგილობრივ პროგრამას სტანდარტული ტერმინალის ბრძანებად გარდაქმნის. AI-native ინტეგრაციისთვის AGENT.md ფორმატს იყენებს, რომელიც AI-ს აძლევს კონტექსტს ხელსაწყოს გამოყენების შესახებ. 70+ ინსტრუმენტი უკვე მხარდაჭერილია, ახალი ხელსაწყოების დამატება კი გარე API-ის გარეშეა შესაძლებელი. 2026 წლის მარტში გამოშვებული, სწრაფად იკრებს პოპულარობას AI CLI ეკოსისტემაში. | | [Playwright CLI](https://github.com/microsoft/playwright-cli) | 13K | Playwright CLI არის Microsoft-ის TypeScript ინსტრუმენტი Playwright-ის ბრაუზერის ტესტებისა და სკრიპტების სამართავად ტერმინალიდან. ის ბრაუზერში ნებისმიერ მოქმედებას ჩაწერს და ავტომატურად გენერირებს Playwright კოდს — JavaScript, TypeScript, Python ან C#-ში. სელექტორების ინსპექტირება, სკრინშოტები და tracing-ი ჩაშენებულია. MCP სერვერის ოვერჰედის გარეშე მუშაობს, სადაც მხოლოდ ბრძანების ხაზი კმარა. | | [Agent-S](https://github.com/simular-ai/Agent-S) | 12K | Agent-S — ღია computer-use agent framework: აგენტი კომპიუტერს იყენებს ადამიანივით — ხედავს ეკრანს, აჭერს, წერს — GUI-ს ვიზუალურ დაფუძნებით. 12,000+ ⭐. | | [UI-TARS](https://github.com/bytedance/UI-TARS) | 11K | UI-TARS ByteDance-ის GUI-აგენტის vision მოდელია, რომელიც ეკრანის სკრინშოტს პირდაპირ მოქმედებად აქცევს — ღილაკზე დაჭერად ან ტექსტის ჩაწერად — შუალედური parsing ეტაპის გარეშე. computer-use ტიპის აგენტებისთვისაა განკუთვნილი, სადაც AI კომპიუტერს ადამიანივით მართავს. 11,000+ ვარსკვლავი. | | [Firecrawl MCP Server](https://github.com/firecrawl/firecrawl-mcp-server) | 7.4K | Firecrawl MCP Server არის Firecrawl-ის ოფიციალური MCP ინტეგრაცია, რომელიც Claude Desktop-ს, Cursor-ს და სხვა MCP-თავსებად AI ასისტენტებს ვებ-სკრეიპინგის სრულ შესაძლებლობებს უმატებს. scrape, crawl, search, deep research — 12+ ინსტრუმენტი ერთ სერვერშია, ავტომატური retry-ითა და rate limiting-ით. JavaScript-ში დაწერილია და Firecrawl API-ის გასაღები სჭირდება; ინსტალაციის შემდეგ AI-ს ნებისმიერი ვებ გვერდის სკრეიპინგი პირდაპირ საუბრიდანვე შეუძლია. | | [Browser Harness](https://github.com/browser-use/browser-harness) | 17K | Browser Harness არის Browser Use გუნდის Python ფრეიმვორკი, რომელიც LLM-ებს ბრაუზერში ნებისმიერი ამოცანის შესრულების საშუალებას აძლევს self-healing მექანიზმით. „Self-healing" ნიშნავს, რომ ვებ გვერდის სტრუქტურა ან CSS სელექტორი რომ შეიცვალოს, სისტემა ავტომატურად ადაპტირდება და სამუშაო ნაკადი არ ირღვევა. 2026 წლის აპრილში გამოშვებული, სწრაფად ვითარდება Browser Use-ის ეკოსისტემის ფარგლებში. Python-ში დაწერილი, LLM-ების ბრაუზერ-ავტომატიზაციის სიმტკიცეს ამაღლებს. | | [Bright Data MCP](https://github.com/brightdata/brightdata-mcp) | 2.6K | Bright Data MCP არის Bright Data-ს ოფიციალური MCP სერვერი, რომელიც AI ასისტენტებს ვებ-სკრეიპინგის საშუალებას აძლევს anti-bot დაცვის გვერდის ავლით. მის უკან Bright Data-ს კომერციული proxy ქსელი დგას — მილიონობით IP-ით — რაც ბლოკირებულ ვებ გვერდებზე წვდომას შესაძლებელს ხდის. JavaScript-ში დაწერილია და Bright Data-ს API გასაღები სჭირდება (ფასიანი სერვისი); იქ, სადაც ვებ-მონაცემები კომერციულად მნიშვნელოვანია და ჩვეულებრივი scraper-ები იბლოკება, ეს პრემიუმ გამოსავალია. | | [rdrr](https://github.com/fkonovalov/rdrr) | 174 | rdrr არის TypeScript-ის CLI ინსტრუმენტი, რომელიც ნებისმიერ URL-ს AI-სთვის სუფთა Markdown-ად გარდაქმნის headless ბრაუზერის გარეშე. ვებ გვერდები, YouTube ვიდეოები, GitHub issues/PR-ები, PDF-ები და X/Twitter პოსტები — ყველა ერთი ბრძანებით. 20+ საიტ-სპეციფიკური extractor ჩაშენებულია, რაც HTML-ის ჩვეულებრივ parsing-ზე ბევრად სუფთა შედეგს იძლევა. CLI-ისა და ბიბლიოთეკის სახით გამოიყენება. 2026 წლის მარტში გამოშვებული ახალი პროექტია; ამჟამად 166 ვარსკვლავი. | --- ## 🧬 AI აგენტების ფრეიმვორკები > **AI Agent Frameworks & Orchestration** — ბიბლიოთეკები და პლატფორმები, რომლებზეც დეველოპერები საკუთარ AI აგენტებსა და multi-agent სისტემებს აშენებენ. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [AutoGPT](https://github.com/Significant-Gravitas/AutoGPT) | 187K | AutoGPT — ავტონომიური AI აგენტების ფუძემდებლური, ერთ-ერთი ყველაზე ცნობილი პლატფორმა (185k+ ⭐): GPT-ზე დაშენებული აგენტი, რომელიც მიზანს თავად ანაწილებს ქვე-ამოცანებად და ასრულებს ადამიანის ჩარევის მინიმუმით. ახლა low-code agent builder-ად განვითარდა (frontend + server). 2023-ის autonomous-agent ბუმის დამწყები. Python. | | [LangChain](https://github.com/langchain-ai/langchain) | 145K | LangChain არის Python-ისა და JavaScript-ის ფრეიმვორკი LLM-ზე დაფუძნებული აპლიკაციებისა და AI აგენტების ასაშენებლად, Harrison Chase-მა 2022 წლის ოქტომბერში შექმნა. ის 700+ ინტეგრაციას, chains, agents, memory, document loaders და tools-ის პრიმიტივებს გვთავაზობს ერთ ეკოსისტემაში. LangGraph (გრაფ-დაფუძნებული ორკესტრაცია) და LangSmith (მონიტორინგი) LangChain-ის ეკოსისტემის ნაწილია. 139,000+ ვარსკვლავით ყველაზე ფართოდ გავრცელებული AI ფრეიმვორკია; ბევრი სხვა ფრეიმვორკი მის კონვენციებს მიჰყვება, თუმცა LangChain-ზე პირდაპირ არ არის დამოკიდებული. | | [DeerFlow](https://github.com/bytedance/deer-flow) | 81K | DeerFlow — ByteDance-ის ღია long-horizon „SuperAgent" harness, რომელიც sandbox-ებით, მეხსიერებით, tool-ებით, skill-ებითა და subagent-ებით იკვლევს, წერს კოდს და ქმნის. ერთ-ერთი ყველაზე მაღალ-ვარსკვლავიანი agent harness GitHub-ზე. 77,000+ ⭐. | | [MetaGPT](https://github.com/FoundationAgents/MetaGPT) | 70K | MetaGPT არის Python-ის მრავალაგენტური ფრეიმვორკი, სადაც AI აგენტები Product Manager, Architect, Engineer და QA ინჟინრის როლებს ითამაშებენ პროგრამული პროდუქტის ერთობლივად შესაქმნელად. ერთი ბუნებრივი ენის მოთხოვნიდან — PRD-მდე, design doc-მდე, კოდამდე და ტესტებამდე — სრული pipeline-ი ავტომატურად გადის. ჩინური DeepWisdom კომპანიის შექმნილია, 2023 წელს გამოვიდა და სწრაფად 68,000+ ვარსკვლავი დააგროვა. CrewAI-ისა და AutoGen-ის ალტერნატიულ მიდგომას წარმოადგენს — role-playing paradigm-ის საფუძველია. | | [MiroFish](https://github.com/666ghj/MiroFish) | 72K | MiroFish — Python-ის „გროვის ინტელექტის“ (swarm intelligence) სიმულაციური ძრავა: ათასობით AI აგენტის — ინდივიდუალური პიროვნებითა და მეხსიერებით — სიმულაციას ახდენს ბაზრებისა და სხვა სისტემების პროგნოზირებისთვის. ცენტრალური „ტვინი“ არ არსებობს — კოლექტიური პროგნოზი აგენტების ქცევიდან თავისთავად ყალიბდება. Docker-ით ადვილად ეშვება; ეს კვლევითი ინსტრუმენტია და არა agent builder. | | [AutoGen](https://github.com/microsoft/autogen) | 61K | AutoGen არის Microsoft Research-ის Python ფრეიმვორკი, სადაც რამდენიმე AI აგენტი ერთმანეთთან ესაუბრება და კომპლექსურ პრობლემებს ერთობლივად წყვეტს. conversation pattern-ები, tool use, human-in-the-loop, code execution — ყველა abstractions-ი ჩაშენებულია. 2026 წლის აპრილში Semantic Kernel-თან ერთად Microsoft Agent Framework 1.0-ის ოფიციალურ ნაწილად გამოცხადდა. Python-ში, MIT ლიცენზიით. Microsoft Azure-სთან ღრმა ინტეგრაცია, enterprise AI deployments-ისთვის გამოიყენება. | | [CrewAI](https://github.com/crewaiinc/crewai) | 58K | CrewAI არის Python-ის ფრეიმვორკი, სადაც AI აგენტებს სხვადასხვა „თანამდებობა“ ენიჭებათ — მკვლევარი, მწერალი, შემმოწმებელი — და ისინი ერთი გუნდივით, ერთობლივად ასრულებენ ამოცანებს. აგენტები backstory-ით, goal-ებითა და კონკრეტული tools-ით კონფიგურირდება, რაც მას role-playing პარადიგმით სხვა ფრეიმვორკებისგან გამოარჩევს. 100,000+ დეველოპერი იყენებს production-ში, დღეში 12+ მილიონი ამოცანა სრულდება CrewAI-ზე — multi-agent სამუშაო ნაკადის სწრაფად ასაწყობად ერთ-ერთი ყველაზე მარტივი გზაა. | | [nanobot](https://github.com/HKUDS/nanobot) | 48K | nanobot არის HKUDS-ის (ჰონგ კონგის მეცნიერებისა და ტექნოლოგიის უნივერსიტეტი) ულტრა-მსუბუქი Python AI აგენტი, რომლის სრული კოდბაზა 4,000 ხაზს არ აღემატება. კომპლექსური ფრეიმვორკებისგან განსხვავებით, nanobot-ის ბირთვი transparent-ია — ადვილია გაგება, მოდიფიცირება და deploy-ი. Telegram, Discord, Slack, WhatsApp და 5+ სხვა პლატფორმაზე მუშაობს პირველადი კონფიგურაციით. HKUDS OpenSpace ეკოსისტემის ნაწილია. 44,000+ ვარსკვლავი სწრაფად მოაგროვა სიმარტივისა და ეფექტურობის კომბინაციის გამო. | | [agno](https://github.com/agno-agi/agno) | 42K | agno (ყოფილი phidata) არის Python-ის lightweight production framework AI აგენტებისთვის, რომელიც 2025 წელს rebrand-ი გაიარა. agents, multi-agent teams, workflows, memory, tools, knowledge bases და monitoring ერთ მინიმალური dependencies-ის პაკეტში ერთიანდება. სხვა ფრეიმვორკებისგან განსხვავებით, agno-ს ბირთვი მარტივი და გასაგებია — production deployment-ისთვის ზედმეტი abstractions-ი არ დაგჭირდება. 40,000+ ვარსკვლავი; მცირე გუნდებისთვის, ვინც LangChain-ის სირთულის გარეშე production-ready აგენტებს ქმნის, ეს ეფექტური ჩარჩოა. | | [AgentGPT](https://github.com/reworkd/AgentGPT) | 36K | AgentGPT — ბრაუზერში ავტონომიური AI აგენტების აწყობა, კონფიგურაცია და გაშვება: მისცე მიზანი და აგენტი თავად დაგეგმავს და შეასრულებს ნაბიჯებს, კოდის გარეშე, პირდაპირ ვებ-ინტერფეისიდან. TypeScript, 36k+ ⭐ — autonomous-agent-ების ხელმისაწვდომი შესავალი. | | [CopilotKit](https://github.com/CopilotKit/CopilotKit) | 37K | CopilotKit — frontend-სტეკი აგენტებისა და generative UI-სთვის. React, Angular, Vue, mobile და Slack — ერთი agent backend-ით აშენებ AI ჩატებს, copilot-ებსა და დინამიკურ UI კომპონენტებს. აგენტის ინტერფეისის აშენების მთავარი ღია ფრეიმვორკი. | | [DSPy](https://github.com/stanfordnlp/dspy) | 38K | DSPy არის Stanford NLP-ის Python ფრეიმვორკი, რომელიც LLM-ებთან მუშაობის პარადიგმას ცვლის: prompt-ის ხელით წერის ნაცვლად პროგრამულ სტრუქტურებს (signatures, modules, optimizers) სწერ. DSPy ავტომატურად ოპტიმიზებს prompt-ებსა და few-shot examples-ს მოცემული მეტრიკის მიხედვით — ანუ კომპილატორი prompt-ებისთვის. Omar Khattab-ის ხელმძღვანელობით შეიქმნა, NeurIPS-ისა და EMNLP-ის ნაშრომებით მხარდაჭერილია. ვინც LLM pipeline-ებს წერს და prompt engineering-ის ხელნაწერ სამუშაოს მცირე კოდით ჩაანაცვლებს, ეს ფრეიმვორკი მთავარი ინსტრუმენტია. | | [ChatDev](https://github.com/OpenBMB/ChatDev) | 34K | ChatDev — ვირტუალური სოფტვერ-კომპანია multi-agent თანამშრომლობით: CEO, CTO, პროგრამისტი, ტესტერი, დიზაინერი — სპეციალიზებული LLM-აგენტები ერთად ქმნიან სრულ პროგრამას ბუნებრივი ენის დავალებიდან. OpenBMB-ის კვლევითი პროექტი (ChatDev 2.0). Python, 33k+ ⭐. MetaGPT-ის მონათესავე. | | [RuFlo (ex-Claude Flow)](https://github.com/ruvnet/ruflo) | 70K | RuFlo v3.5 (ყოფილი **Claude Flow**) Enterprise AI Orchestration Platform-ია — „distributed swarm intelligence" მიდგომით რამდენიმე AI agent პარალელურად ასრულებს ერთ workflow-ს. RAG ინტეგრაცია, native Claude Code + Codex მხარდაჭერა, enterprise-დონის არქიტექტურა. TypeScript-ში, `ruvnet` (ruv.io) platform-ის ნაწილი. 59,000+ ვარსკვლავი — ერთ-ერთი ყველაზე ფუნქციონალური multi-agent orchestration ხელსაწყო Claude Code ეკოსისტემაში. | | [LangGraph](https://github.com/langchain-ai/langgraph) | 41K | LangGraph არის LangChain AI-ის Python ფრეიმვორკი, სადაც AI აგენტების ლოგიკა მიმართული გრაფის სახით (nodes + edges) იგება. ეს საშუალებას იძლევა რთული სცენარები — ციკლები, ტოტები, შუალედური მდგომარეობის შენახვა — LangChain-ის ხაზოვანი chains-ის მიღმა. built-in checkpointing, human-in-the-loop და streaming ჩაშენებულია. Uber, LinkedIn, Klarna production-ში იყენებს. long-running, stateful AI სამუშაო ნაკადებისთვის — customer support, code review, research — LangGraph production-ის სტანდარტი გახდა. | | [Semantic Kernel](https://github.com/microsoft/semantic-kernel) | 29K | Semantic Kernel არის Microsoft-ის SDK AI-ის enterprise აპლიკაციებში ინტეგრაციისთვის, C#, Python და Java-ში. plugin-based არქიტექტურა AI ფუნქციების ჯაჭვური გამოძახების საშუალებას იძლევა; Azure OpenAI, Azure AI Foundry და Microsoft Copilot-თან ღრმა ინტეგრაცია აქვს. AutoGen-თან ერთად Microsoft Agent Framework 1.0-ის ნაწილია (2026 აპრილი). Microsoft-ის ეკოსისტემაში (.NET, Azure, Office 365) მომუშავე enterprise გუნდებისთვის AI ინტეგრაციის ყველაზე ბუნებრივი გზაა. | | [smolagents](https://github.com/huggingface/smolagents) | 29K | smolagents არის Hugging Face-ის მინიმალისტური Python ბიბლიოთეკა AI აგენტებისთვის, რომელიც „code-first" მიდგომას ეფუძნება — აგენტები JSON-ის ნაცვლად Python კოდს წერენ მოქმედებების შესასრულებლად. ბიბლიოთეკის სრული ბირთვი 2,000 ხაზ კოდამდეა, რაც განსაკუთრებით გასაგებსა და გასახვეწ ხდის. 100+ LLM მოდელი მხარდაჭერილია — Hugging Face-ის, OpenAI-ის, Anthropic-ის, Ollama-სა და სხვა. ToolCallingAgent (JSON tool calls) და CodeAgent (Python კოდი) ორი მთავარი ინტერფეისია. ვინც მარტივი, transparent agent logic-ი სურს, smolagents ოპტიმალური საწყისი წერტილია. | | [Haystack](https://github.com/deepset-ai/haystack) | 26K | Haystack — deepset-ის production-ready AI ორკესტრაციის ფრეიმვორკი. მოდულური pipeline-ები და agent workflow-ები retrieval-ზე, routing-ზე, მეხსიერებასა და გენერაციაზე სრული კონტროლით. RAG-ისა და LLM აპლიკაციების ერთ-ერთი ყველაზე მომწიფებული ღია ფრეიმვორკი — LangChain-ისა და LlamaIndex-ის სანდო ალტერნატივა. | | [OpenAI Agents SDK](https://github.com/openai/openai-agents-python) | 29K | OpenAI Agents SDK არის OpenAI-ის ოფიციალური Python ფრეიმვორკი multi-agent სამუშაო ნაკადებისთვის. agents, handoffs, guardrails, tracing, human-in-the-loop, ხმოვანი აგენტები — ყველა abstractions ჩაშენებულია მინიმალური კოდის ზრდით. Swarm-ის (OpenAI-ს ადრინდელი სასწავლო ფრეიმვორკი) production-ready მემკვიდრეა. 100+ LLM მხარდაჭერილია, არა მხოლოდ OpenAI-ს მოდელები. 2025 წლის მარტიდან v0.14-მდე სწრაფი განვითარება; CrewAI-ისა და AutoGen-ის პირდაპირი კონკურენტი OpenAI-ისგანვე. | | [deepagents](https://github.com/langchain-ai/deepagents) | 29K | deepagents — LangChain-ის „deep agents" framework: გრძელ, მრავალ-ნაბიჯიან ამოცანებზე მომუშავე აგენტები დაგეგმვის, subagent-ებისა და file-system-ის ინსტრუმენტებით. 26,000+ ⭐. | | [Vercel AI SDK](https://github.com/vercel/ai) | 27K | Vercel AI SDK არის Vercel-ის (Next.js-ის შემქმნელების) TypeScript toolkit, რომლითაც full-stack AI აპლიკაციები სწრაფად იგება. streaming responses, tool calling, structured outputs და multi-step agents ჩაშენებულია React/Next.js-ისთვის ოპტიმიზებულად, ხოლო OpenAI, Anthropic, Google, Mistral, Ollama და სხვა provider-ები ერთი unified API-ით არის ხელმისაწვდომი. თვეში 20+ მილიონი ჩამოტვირთვით npm-ზე, React/Next.js სამყაროში AI აპლიკაციების აშენების de facto სტანდარტია. | | [Mastra](https://github.com/mastra-ai/mastra) | 28K | Mastra არის TypeScript-ის AI ფრეიმვორკი Gatsby-ის გუნდისგან (YC W25, $13M დაფინანსება), რომელიც agents, workflows, RAG, evaluations და integrations ერთ toolkit-ში აერთიანებს. სხვა JS/TS ფრეიმვორკებისგან მას ჩაშენებული evaluation suite (აგენტების ხარისხის გაზომვა) და workflow engine გამოარჩევს. Node.js/TypeScript სტეკზე მომუშავე გუნდებისთვის, რომლებსაც AI production-ში გააქვთ, ძლიერი ალტერნატივაა. | | [Swarm](https://github.com/openai/swarm) | 22K | Swarm არის OpenAI Solution Team-ის სასწავლო Python ფრეიმვორკი, რომელიც მრავალაგენტური ორკესტრაციის ძირითად ცნებებს — agents და handoffs — მინიმალური კოდით ასახავს. ის production-ისთვის განკუთვნილი არ არის (GitHub-ზე official status-ი ამ მიმართულებით ნათლად მიუთითებს), არამედ სასწავლო რესურსია OpenAI Agents SDK-ის (openai-agents-python) კონცეფციების გასაგებად. Swarm-ის სიმარტივის ფილოსოფია საფუძვლად დაედო OpenAI-ის ახალ ოფიციალურ Agents SDK-ს. ვისაც multi-agent სისტემების ლოგიკა სურს სწრაფად გაიგოს — ეს ყველაზე მოკლე სასწავლო გზაა. | | [Archon](https://github.com/coleam00/Archon) | 23K | Archon არის ღია კოდის TypeScript ინსტრუმენტი, რომელიც AI კოდირების სამუშაო ნაკადებს deterministic-სა და განმეორებადს ხდის YAML-ში აღწერილი harness-ებით. იდეა მარტივია: კოდს AI კვლავ თავად წერს, მაგრამ ფიქსირებულ ფაზებს გადის — planning, implementation, validation, review — და ყოველი ნაბიჯი აუდიტს ექვემდებარება და უკან დაბრუნებადია. განსაკუთრებით ეფექტურია CI/CD pipeline-ებში, სადაც AI-ის მიერ დაწერილი კოდი production-ში მიდის — „Dockerfile AI-ისთვის“ კონცეფციის პრაქტიკული განხორციელება. | | [Generative Agents](https://github.com/joonspk-research/generative_agents) | 22K | Generative Agents — Stanford-ის landmark კვლევა („Smallville"): 25 AI აგენტი ცხოვრობს ვირტუალურ ქალაქში, ინახავს მოგონებებს, გეგმავს და ურთიერთობს ადამიანივით. multi-agent სიმულაციის საფუძველი. 22,000+ ⭐. | | [Pydantic AI](https://github.com/pydantic/pydantic-ai) | 20K | Pydantic AI არის Pydantic-ის გუნდის Python ფრეიმვორკი AI აგენტებისთვის, რომელიც type safety-სა და validation-ს არქიტექტურის ცენტრში ათავსებს. რადგან AI ეკოსისტემის დიდი ნაწილი (OpenAI SDK, Anthropic SDK, LangChain) ისედაც Pydantic-ზეა დაშენებული, ეს ფრეიმვორკი ამ ეკოსისტემის ბუნებრივი გაგრძელებაა. dependency injection, structured outputs, multi-turn conversations და ჩაშენებული მონიტორინგი (Pydantic Logfire) აგენტების ვალიდაციასა და debugging-ს საგრძნობლად ამარტივებს. | | [Agent Zero](https://github.com/agent0ai/agent-zero) | 19K | Agent Zero — პერსონალური, ორგანულად მზარდი agent framework: არა წინასწარ განსაზღვრული, არამედ სწავლადი და self-improving; კომპიუტერს იყენებს ინსტრუმენტად. 18,000+ ⭐. | | [SuperAGI](https://github.com/TransformerOptimus/SuperAGI) | 18K | SuperAGI — dev-first ღია ავტონომიური agent პლატფორმა: აგენტების აგება, გაშვება და მართვა GUI-ით, tool-ებით, concurrent agent-ებითა და telemetry-ით. 18,000+ ⭐. | | [Pipecat](https://github.com/pipecat-ai/pipecat) | 15K | Pipecat — production-დონის ხმის (voice) AI ფრეიმვორკი: sub-250ms latency, WebRTC, multimodal (ხმა+ხედვა+ტექსტი), real-time streaming და 70+ ენა. ხმის აგენტების (სატელეფონო, ასისტენტები) ასაშენებლად — Vapi/Retell-ის ღია ალტერნატივა. | | [Microsoft Agent Framework](https://github.com/microsoft/agent-framework) | 13K | Microsoft Agent Framework Microsoft-ის ოფიციალური multi-language framework-ია production-grade AI აგენტებისა და multi-agent workflow-ებისთვის — **AutoGen**-ისა და **Semantic Kernel**-ის (ორივე ამ კოლექციაშია) გაერთიანებული მემკვიდრე. Python + .NET/C#, MIT, python-1.7.0 (2026 წლის 28 მაისი). sequential/concurrent/handoff/group orchestration patterns, ჩაშენებული OpenTelemetry observability, YAML-declarative აგენტები, middleware და interactive DevUI. 11,000+ ვარსკვლავი — ვინც AutoGen-ს ან Semantic Kernel-ს იყენებდა, მიგრაციის ოფიციალური სამიზნე ეს enterprise multi-agent სტეკია. | | [flue](https://github.com/withastro/flue) | 8.1K | flue „sandbox agent framework"-ია Astro-ს გუნდისგან — AI აგენტების იზოლირებულ sandbox-ში გაშვების framework. TypeScript-ში, Astro-ს ეკოსისტემასთან შესაბამისობით. ახალი, სწრაფად მზარდი პროექტი (7,000+ ⭐) იმ დეველოპერებისთვის, ვისაც აგენტების უსაფრთხო, კონტროლირებად გარემოში გაშვება სჭირდება. | | [OpenSpace](https://github.com/HKUDS/OpenSpace) | 7.5K | OpenSpace არის HKUDS-ის Python ფრეიმვორკი AI აგენტების თვითგანვითარებისთვის — AUTO-FIX, AUTO-IMPROVE, AUTO-LEARN მექანიზმებით. აგენტები ახალ სიტუაციებიდან ნასწავლ „უნარებს" ერთმანეთს უზიარებენ distributed skill library-ის მეშვეობით. benchmark-ების მიხედვით baseline-ზე 4.2-ჯერ მაღალ შედეგს აჩვენებს 46%-ით დაბალი ხარჯებით. HKUDS nanobot-ისა და DeepTutor-ის ეკოსისტემის ნაწილია. სწრაფად დააგროვა 6,500+ ვარსკვლავი — კვლევით AI მიმართულებებში ზრდის ტემპი შთამბეჭდავია. | | [Open Agents](https://github.com/vercel-labs/open-agents) | 5.8K | Open Agents არის Vercel Labs-ის ღია კოდის reference template ღრუბლოვანი AI agent-ების ასაშენებლად. agent VM sandbox-ში ეშვება, GitHub-ს ინტეგრაცია, workflow runtime და ჩაშენებული ვებ-ინტერფეისი შედის. TypeScript-ში, Vercel-ზე ადვილად დეპლოისებადი. ლოკალური კომპიუტერის გარეშე ფონური coding agent-ებისთვის — reference implementation, არა production-ready პლატფორმა. | --- ## 🔁 Workflow და No-Code ბილდერები > **No-Code & Workflow Builders** — ვიზუალური, drag-and-drop პლატფორმები AI workflow-ებისა და აგენტების ასაშენებლად კოდის გარეშე. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [n8n](https://github.com/n8n-io/n8n) | 203K | n8n არის TypeScript-ში დაწერილი fair-code ავტომატიზაციის პლატფორმა 400+ ინტეგრაციით, სადაც ვიზუალური no-code builder custom JavaScript/Python კოდთან ერთად მუშაობს. Gmail, Slack, Airtable, ყველა მთავარი ღრუბელი სერვისი და AI provider-ი node-ების სახით ხელმისაწვდომია. self-hosted ან cloud deployment — fair-code ლიცენზია კომერციულ გამოყენებას self-hosted სახით ნებას რთავს. 192,000+ ვარსკვლავით Zapier-ის ყველაზე პოპულარული ღია ალტერნატივაა; AI Pulse Georgia-ს ინფრასტრუქტურის ნაწილია (aipulsegeorgia2025.app.n8n.cloud). | | [Langflow](https://github.com/langflow-ai/langflow) | 154K | Langflow არის Python-ის ვიზუალური პლატფორმა AI აგენტებისა და workflow-ების drag-and-drop ინტერფეისით ასაშენებლად — კოდის გარეშე. LangChain-ის კომპონენტები გრაფიკული ბლოკების სახით ხდება ხელმისაწვდომი: LLM-ები, vector stores, agents, tools ერთმანეთს მიებმება. MCP მხარდაჭერა, 100+ ინტეგრაცია. DataStax-ის მიერ შეძენილია. Python-ის backend, 20,000+ ორგანიზაცია production-ში იყენებს. ვინც Python-ის სტეკს ამჯობინებს და ვიზუალური AI builder სჭირდება, Langflow ოპტიმალური არჩევანია. | | [Dify](https://github.com/langgenius/dify) | 154K | Dify არის production-ready პლატფორმა AI აგენტების, chatbot-ებისა და RAG-ზე დაფუძნებული სისტემების ასაშენებლად ვიზუალური ინტერფეისით. ჩატბოტები, workflow-ები, knowledge base-ები და ტექსტის გენერატორები — ოთხივე ტიპის აპლიკაცია GUI-დან კონფიგურირდება; Google Search, DALL-E და 100+ ინსტრუმენტი ჩაშენებულია, self-hosted ან Dify Cloud. 149,000+ ვარსკვლავით GitHub-ის ერთ-ერთი ყველაზე პოპულარული AI პროექტია — კომპანიებისთვის, რომლებსაც AI პროდუქტის production-ში გატანა კოდში დიდი ინვესტიციის გარეშე სურთ. | | [Flowise](https://github.com/FlowiseAI/Flowise) | 55K | Flowise არის TypeScript-ზე დაწერილი drag-and-drop ვიზუალური AI builder, სადაც LLM-ები, აგენტები, vector store-ები და ინსტრუმენტები გრაფიკულ ბლოკებად ერთმანეთს უკავშირდება. LangChain.js-ის კომპონენტებზეა აშენებული — JavaScript/Node.js სტეკი, 100+ ინტეგრაცია, self-hosted ან Flowise Cloud. არატექნიკური მომხმარებლებიც შეძლებენ AI workflow-ების ვიზუალურად აწყობას; გუნდებისთვის, რომლებიც Node.js-ს ამჯობინებენ, ეს Langflow-ის (Python) პირდაპირი ანალოგია. | | [Activepieces](https://github.com/activepieces/activepieces) | 24K | Activepieces არის TypeScript-ზე დაწერილი AI-first workflow automation პლატფორმა — n8n-ის ღია ალტერნატივა MIT ლიცენზიით და 400+ MCP სერვერის native მხარდაჭერით. AI აგენტები, MCP ინტეგრაციები და ვიზუალური workflow builder ერთ პაკეტშია; self-hosted ან cloud. n8n-ისგან MCP-first მიდგომით განსხვავდება — თუ ვიზუალურ ავტომატიზაციასთან ერთად MCP ეკოსისტემის სრული მხარდაჭერა გჭირდება, Activepieces სწორედ ამ კომბინაციას გთავაზობს. | --- ## 💼 AI ასისტენტები და ბიზნეს-აგენტები > **AI Assistants & Business Agents** — მზა, გამოსაყენებლად მზა AI ასისტენტები, chat UI-ები და ბიზნეს-ავტომატიზაციის აგენტები. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [OpenClaw](https://github.com/openclaw/openclaw) | 388K | OpenClaw არის TypeScript-ის პერსონალური AI ასისტენტი, რომელიც ნებისმიერ ოპერაციულ სისტემასა და პლატფორმაზე მუშაობს. WhatsApp, Telegram, Slack, Discord, iMessage — 20+ არხი ერთი AI backend-ით ემსახურება. ხმოვანი ინტერფეისი, Canvas (ვიზუალური სამუშაო სივრცე) და real-time ინტერნეტის ძიება ჩაშენებულია. TypeScript-ში, 378,000+ ვარსკვლავი — ეს კატეგორიის ყველაზე ვარსკვლავიანი პროექტია. ინდივიდუალური მომხმარებლებისთვის ან მცირე გუნდებისთვის, ვინც ყველა კომუნიკაციის არხი ერთი AI-ით მართოს, მოსახერხებელი გადაწყვეტაა. | | [Open WebUI](https://github.com/open-webui/open-webui) | 150K | Open WebUI არის ChatGPT-ის სტილის AI ინტერფეისი, რომელიც შენს საკუთარ სერვერზე ან კომპიუტერზე ეშვება — ყველა მონაცემი ლოკალურია, ღრუბელში არაფერი მიდის. Ollama-ს, OpenAI API-ის, Claude-ის, Gemini-სა და ათეულობით სხვა provider-ის მხარდაჭერა ჩაშენებულია. RAG (საკუთარი დოკუმენტების კითხვა), ხმოვანი ზარები, agent builder, multi-user auth — ყველა ფუნქცია ერთ სამართავ panel-ში. 355,000+ კომუნიტის წევრი; 141,000+ ვარსკვლავი. ორგანიზაციებისთვის, ვინც privacy-first AI-ს ქმნის, defacto ინსტრუმენტია. | | [Hermes-agent](https://github.com/nousresearch/hermes-agent) | 239K | Hermes Agent არის Nous Research-ის Python AI აგენტი, რომელიც გამოცდილებიდან სწავლობს და სესიებს შორის მეხსიერებას ინახავს — „იზრდება" მომხმარებელთან ერთად. Telegram-ში, Discord-ში, Slack-ში, WhatsApp-ში და ავტომატურ განრიგზე მუშაობს. 194,000+ ვარსკვლავით ამ კოლექციის ერთ-ერთი ყველაზე სწრაფად მზარდი პროექტია. Nous Research ცნობილია მაღალხარისხიანი ღია LLM მოდელებით (Hermes სერია); ეს აგენტი იმავე ფილოსოფიას ახორციელებს — ძლიერი, ღია, multi-channel მზა აგენტი OpenClaw-ის ოჯახიდან. | | [gpt4all](https://github.com/nomic-ai/gpt4all) | 77K | GPT4All არის Nomic AI-ის C++-ში დაწერილი ინსტრუმენტი ლოკალური LLM-ების ნებისმიერ მოწყობილობაზე გასაშვებად — Mac, Windows, Linux, GPU-ს გარეშეც. desktop GUI, Python SDK და REST API ერთ პაკეტში გვთავაზობს. **⚠️ აქტიური განვითარება შეჩერებულია**: ბოლო GitHub commit 2025 წლის მაისია, Nomic AI ფოკუსი გადაიტანა სხვა პროდუქტებზე. Ollama-ს ეკოსისტემამ წინ გაუსწრო. მიუხედავად ამისა, desktop UI-ის სიმარტივე ჯერ კიდევ უნიკალური ღირებულებაა არატექნიკური მომხმარებლებისთვის — თუ GUI გჭირდება და რეგულარული განახლება მნიშვნელოვანი არაა, მაინც ვარგისია. | | [LobeChat](https://github.com/lobehub/lobehub) | 82K | LobeChat (ახლა LobeHub) — TypeScript/Next.js-ის ღია ChatGPT-ალტერნატივა, რომელიც ყველა მთავარ LLM-ს — OpenAI, Claude, Gemini, Ollama, Mistral — ერთ ინტერფეისში აერთიანებს და ბოლო ვერსიებში AI აგენტების მართვის პლატფორმად ვითარდება. Multi-agent თანამშრომლობა, plugin marketplace, ხმოვანი ჩეთი და knowledge base — ყველაფერი self-hosted ან Lobe Cloud ვერსიაში, privacy-first მიდგომით. 80,000+ ვარსკვლავი; ორგანიზაციებისთვის, რომლებსაც ყველა LLM ერთ კონტროლირებად ინტერფეისში სჭირდებათ, სრული გადაწყვეტაა. | | [AFFiNE](https://github.com/toeverything/AFFiNE) | 72K | AFFiNE — ღია collaborative workspace, Notion-ისა და Miro-ს ერთიანი ალტერნატივა: დოკები, whiteboard და databases ერთ ადგილას, ჩაშენებული AI-ფუნქციებით (AFFiNE AI). local-first, privacy-first. TypeScript. | | [AnythingLLM](https://github.com/Mintplex-Labs/anything-llm) | 65K | AnythingLLM არის Mintplex Labs-ის JavaScript all-in-one AI პლატფორმა — RAG, agents, chat, multi-user auth და 20+ LLM provider ერთ desktop ან server აპლიკაციაში. განსაკუთრებული ღირებულება desktop ვერსიაა: ინსტალაციის შემდეგ კომპლექსური კონფიგურაციის გარეშე მუშაობს, ყველა მონაცემი ლოკალური რჩება. საკუთარი კომპანიის დოკუმენტების (HR, legal, technical) AI-ით შესამოწმებლად privacy-first გადაწყვეტაა. 61,000+ ვარსკვლავი; კონკურენტებს (Dify, Open WebUI) „setup-free" გამოცდილებით სჯობნის. | | [Paperclip](https://github.com/paperclipai/paperclip) | 80K | Paperclip არის TypeScript-ის ღია კოდის AI ორკესტრაციის პლატფორმა ბიზნეს პროცესების ავტომატიზაციისთვის — „zero-human companies" (ადამიანის მინიმალური მონაწილეობით მუშაობა) ფილოსოფიით. AI აგენტების გუნდს აწყობ, ბიუჯეტის ლიმიტებს, audit log-ს და progress tracking-ს ჩაშენებული მართვის panel-ით. 2026 წლის მარტში გამოშვებული, სწრაფად 70,000+ ვარსკვლავი დააგროვა. ბიზნეს ხელმძღვანელებისთვის, ვინც AI automation-ს ეფექტურ ფინანსურ კონტროლთან ერთად ქმნის. | | [Jan](https://github.com/janhq/jan) | 44K | Jan — open-source desktop AI ასისტენტი Mac/Windows/Linux-ისთვის, რომელიც 100% offline მუშაობს — ინტერნეტი და ღრუბელი საერთოდ არ სჭირდება. Llama, Mistral, Phi და Qwen მოდელები ერთი დაწკაპუნებით ჩამოიტვირთება; Cortex backend სიჩქარეს უზრუნველყოფს, OpenAI-თავსებადი ლოკალური API კი სხვა ხელსაწყოებთან აკავშირებს. 43,000+ ვარსკვლავი; ვისთვისაც მონაცემების privacy პრიორიტეტია, ლოკალური AI-ის ერთ-ერთი ყველაზე მარტივი ინტერფეისია. | | [Career-Ops](https://github.com/santifer/career-ops) | 70K | Career-Ops Claude Code-ზე აგებული AI-ს სამუშაოს ძიების სისტემაა — 14 skill mode, Go-ში დაწერილი dashboard, PDF CV გენერაცია და batch processing ვაკანსიების ავტომატური შეფასებისთვის. ვაკანსიების პოვნა, A-F სკალით შეფასება, CV-ს პოზიციაზე მორგება. JavaScript, career-ops.org. 53,000+ ვარსკვლავი — AI-ს job search-ზე გამოყენების ერთ-ერთი ყველაზე სრული open-source implementation. | | [LibreChat](https://github.com/danny-avila/LibreChat) | 43K | LibreChat — TypeScript-ის self-hosted ChatGPT-კლონი, რომელიც წამყვან LLM-ებს — Claude, GPT-5, DeepSeek, Gemini, Mistral, Groq, OpenRouter, Azure — ერთ ინტერფეისში აერთიანებს. Agents, MCP, Code Interpreter, message search და multi-user auth ჩაშენებულია; MIT ლიცენზია, აქტიურად ვითარდება. კომპანიებისთვის, რომლებსაც ყველა AI მოდელი ერთ კონტროლირებად, აუდიტირებად ინტერფეისში სჭირდებათ, ყველაზე feature-complete self-hosted გამოსავალია. | | [Strix](https://github.com/usestrix/strix) | 60K | Strix — ღია ავტონომიური AI აგენტები, რომლებიც აპლიკაციებს რეალური ჰაკერივით ამოწმებენ (dynamic security testing) და ნამდვილ დაუცველობებს პოულობენ false-positive-ების გარეშე. 40,000+ ⭐ (მხოლოდ ავტორიზებული testing-ისთვის). | | [Khoj](https://github.com/khoj-ai/khoj) | 37K | Khoj — Python-ის self-hosted „AI second brain“: პერსონალური ასისტენტი, რომელიც ერთდროულად ეძებს ვებში, შენს დოკუმენტებსა და ჩანაწერებში. Custom agents, დაგეგმილი ავტომატიზაციები, deep research რეჟიმი და Notion/iMessage ინტეგრაციები ჩაშენებულია; backend-ად ნებისმიერი cloud ან ლოკალური LLM გამოდგება. 2021 წლიდან ვითარდება — ამ სიის ერთ-ერთი ყველაზე ხანგრძლივი ისტორიის მქონე პროექტი. | | [Open Notebook](https://github.com/lfnovo/open-notebook) | 38K | Open Notebook — Google NotebookLM-ის **ღია კოდის, self-hosted ალტერნატივა** სრული data sovereignty-ით. წყაროებად PDF, ვიდეო, აუდიო, ვებ-გვერდები და Office დოკუმენტები შეგაქვს, notebook-ებად აწყობ და მასალას ესაუბრები — full-text + vector ძიება, წყაროების ციტირება, AI ჩანაწერები და **multi-speaker podcast გენერაცია** (1-4 ხმა, კონფიგურირებადი Episode Profiles — NotebookLM-ის ფიქსირებულ 2-სპიკერიან ფორმატზე ბევრად მოქნილი). 18+ AI პროვაიდერი (OpenAI, Anthropic, Google, Ollama, LM Studio, DeepSeek...) — სრულად ლოკალურადაც მუშაობს. Docker Compose-ით 2 წუთში ეშვება (SurrealDB + Next.js), აქვს REST API — რაც NotebookLM-ს საერთოდ არ აქვს. ავტორი Luis Novo (lfnovo), MIT, open-notebook.ai. **30,000+ ვარსკვლავი** — წამყვანი ღია NotebookLM-ალტერნატივა. | | [Chatbot UI](https://github.com/mckaywrigley/chatbot-ui) | 33K | Chatbot UI — Mckay Wrigley-ის ღია, ChatGPT-ისებური ჩატ-ინტერფეისი ნებისმიერი LLM-ისთვის. self-hosted, მრავალმოდელიანი, სუფთა UX. ერთ-ერთი ყველაზე პოპულარული ღია ჩატ-frontend. TypeScript. | | [Vane (ex-Perplexica)](https://github.com/ItzCrazyKns/Vane) | 37K | Vane (ყოფილი **Perplexica**) — TypeScript-ის ღია კოდის AI საძიებო ძრავა, Perplexity AI-ს self-hosted ალტერნატივა. ინტერნეტში ეძებს, შედეგებს ამუშავებს და პასუხს წყაროებიანად გასცემს, ჩვეულებრივ ბრაუზერ-ძიებაზე ბევრად უფრო კონტექსტუალურად. Ollama-ს ლოკალური მოდელებით მუშაობს. 35,000+ ვარსკვლავი; შენი მონაცემების გარეთ გასვლის გარეშე web research-ისთვის — Perplexity-ს ანალოგი ყველაზე ახლო, self-hosted. | | [Onyx (ex-Danswer)](https://github.com/onyx-dot-app/onyx) | 32K | Onyx (ყოფილი Danswer) — ღია კოდის enterprise AI პლატფორმა: ჩატი ნებისმიერ LLM-თან, რომელიც კომპანიის დოკუმენტებსა და აპებში (Slack, Drive, Confluence — 40+ კონექტორი) ეძებს და პასუხს წყაროებზე გრაუნდდება. self-hosted, privacy-first. Python, 30k+ ⭐ — AnythingLLM-ისა და Khoj-ის enterprise-მასშტაბის ალტერნატივა. | | [AstrBot](https://github.com/AstrBotDevs/AstrBot) | 40K | AstrBot — Python-ის AI Agent Assistant, რომელიც თვითონ პოზიციონირდება როგორც **OpenClaw-ის ღია ალტერნატივა**. მრავალი IM პლატფორმის ნატივიური ინტეგრაცია (Telegram, Discord, QQ, WeChat, Lark, Slack), პლაგინების სისტემა, ფართო LLM provider მხარდაჭერა — ერთი instance-ით მთელი კომუნიკაციის ლანდშაფტი ერთიანდება. AGPL-3.0 ლიცენზია, 2022 წლიდან აქტიური, 34,000+ ვარსკვლავი. ჩინური მსოფლიოს AI agent-ების ეკოსისტემიდან გადმოვიდა და ამჟამად ერთ-ერთი ყველაზე feature-complete OpenClaw-სტილის ხელსაწყოა. | | [openhuman](https://github.com/tinyhumansai/openhuman) | 39K | openhuman — tinyhumans.ai-ის Rust-ში დაწერილი პერსონალური AI „super intelligence", რომელიც სრულიად ლოკალურად მუშაობს — სლოგანი: *„Your Personal AI super intelligence. Private, Simple and extremely powerful."* Rust-ის low-level კონტროლი მაქსიმალურ სიჩქარეს და მინიმალურ რესურს-მოხმარებას უზრუნველყოფს — სხვა local-AI ხელსაწყოებთან შედარებით (gpt4all, Jan, AnythingLLM, LobeChat ყველა JS/TS/Python-ში) ეს განსხვავება შესამჩნევია desktop class მოწყობილობებზე. **GPL-3.0** ლიცენზია, tinyhumans.ai/openhuman, 2026 წლის თებერვალში გამოვიდა და სულ 3 თვეში 32,000+ ვარსკვლავი დააგროვა — ლოკალური personal-AI კატეგორიის ერთ-ერთი ყველაზე სწრაფად მზარდი ახალი მონაწილე. Jan-ის, gpt4all-ის და AnythingLLM-ის ბუნებრივი ალტერნატივა იმათთვის, ვისთვისაც Rust-ის სიჩქარე და GPL-ის ღია სიმყარე უპირატესია JavaScript-სტეკის მოხერხებულობაზე. | | [Google Workspace CLI](https://github.com/googleworkspace/cli) | 31K | Google Workspace CLI — Google-ის ოფიციალური command-line ხელსაწყო Gmail-ის, Drive-ის, Calendar-ის, Sheets-ის, Docs-ის, Chat-ისა და Admin-ისთვის. Rust-ში დაწერილი, Google Discovery Service-ისგან დინამიურად გენერირდება — ნებისმიერ ახალ Workspace API-ს ავტომატურად მხარს უჭერს. ჩაშენებული AI agent skills-ებით AI-ს შეუძლია Workspace-ის ოპერაციების ავტონომიურად შესრულება. 2026 წლის მარტში გამოჩნდა — AI agent workflow automation-ის ახალი სტანდარტი Google ეკოსისტემისთვის. | | [DeepTutor](https://github.com/HKUDS/DeepTutor) | 38K | DeepTutor არის HKUDS-ის Python-ის AI სასწავლო ასისტენტი, სპეციალურად სტუდენტებისა და მკვლევარებისთვის. Chat, Deep Solve, Quiz Generation, Deep Research და Math Animator — 5 სარეჟიმო ერთ პლატფორმაზე. RAG (საკუთარი სასწავლო მასალების ჩართვა), ვებ ძიება, სამეცნიერო ნაშრომების ძიება, კოდის ექსეკუცია ჩაშენებულია. TutorBot-ების შექმნა მდგრადი მეხსიერებითა და „პიროვნებით" — ყოველ სტუდენტზე მორგებული სასწავლო გამოცდილება. HKUDS ეკოსისტემის (nanobot, OpenSpace) ნაწილია. | | [Knowledge Work Plugins](https://github.com/anthropics/knowledge-work-plugins) | 24K | Knowledge Work Plugins — **Anthropic-ის ოფიციალური** 11 plugin knowledge worker-ებისთვის Claude Cowork-ში (და Claude Code-ში): sales, support, product, marketing, legal, finance, data, enterprise search და სხვა. file-based (markdown+JSON), კოდის გარეშე, ადვილად მოსარგები. Claude-ს კონკრეტული პროფესიის სპეციალისტად აქცევს. | | [Multica](https://github.com/multica-ai/multica) | 48K | Multica არის TypeScript-ის ღია კოდის managed agents პლატფორმა, რომელიც AI კოდირების აგენტებს (coding agents) რეალური გუნდის წევრებად აქცევს. ამოცანების მინიჭება, პროგრესის მონიტორინგი, გამოცდილების დაგროვება (compounding skills) — ყოველი ციკლით AI უფრო კარგად ასრულებს ამ გუნდის სპეციფიკურ ამოცანებს. 2026 წლის იანვარში გამოშვებული, სწრაფად 36,000+ ვარსკვლავამდე გაიზარდა. ტექნიკური გუნდებისთვის, ვინც Claude Code-ის, Codex-ის ან სხვა coding agent-ების სამართავ ინსტრუმენტს ეძებს. | | [NemoClaw](https://github.com/NVIDIA/NemoClaw) | 22K | NemoClaw — NVIDIA-ის ოფიციალური ღია ხელსაწყო, რომელიც OpenClaw-ს უფრო უსაფრთხოდ უშვებს NVIDIA OpenShell გარემოში, managed inference-ით. კორპორატიული პოლიტიკა, audit log, sandbox და GPU-ზე მართული წვდომა — OpenClaw-ის ყველა შესაძლებლობა, ოღონდ enterprise-დონის უსაფრთხოებით. TypeScript, Apache 2.0; ორგანიზაციებისთვის, რომლებსაც OpenClaw-ის გაშვება თანამშრომლების კომპიუტერების ნაცვლად datacenter-ში, IT-ის სრული კონტროლის ქვეშ სურთ. | | [Meetily](https://github.com/Zackriya-Solutions/meetily) | 30K | Meetily — privacy-first AI meeting assistant: ლოკალური, რეალურ-დროიანი transcription (Parakeet/Whisper), speaker diarization და Ollama-ზე summarization. 100% ლოკალური, cloud-ის გარეშე. 22,000+ ⭐. | | [QwenPaw](https://github.com/agentscope-ai/QwenPaw) | 35K | QwenPaw — Alibaba-ს AgentScope გუნდის Python-ის პერსონალური AI ასისტენტი, რომელიც ლოკალურად ან ღრუბელში მსუბუქად დაყენდება და მრავალი chat აპლიკაციით ხელმისაწვდომი ხდება. easily extensible capabilities — plugin-ების ფართო ეკოსისტემა და Qwen მოდელებთან შერწყმა. Apache 2.0 ლიცენზია, 2026 წლის თებერვალში გამოიცა და უკვე 17,000+ ვარსკვლავი. ჩინური ეკოსისტემის OpenClaw-ის პასუხი, განსაკუთრებით ვინც Qwen მოდელებით მუშაობს. | | [Tongyi DeepResearch](https://github.com/Alibaba-NLP/DeepResearch) | 20K | Tongyi DeepResearch — Alibaba-ს ავტონომიური deep-research აგენტი: რთულ კითხვას მრავალ-ნაბიჯიანი ვებ-ძებნითა და მსჯელობით პასუხობს, გამყარებული ანგარიშით. 20,000+ ⭐. | | [DB-GPT](https://github.com/eosphoros-ai/DB-GPT) | 20K | DB-GPT — data/SQL agent framework: ბუნებრივი ენით ესაუბრები ბაზას, ის კი query-ებს წერს, აანალიზებს და BI-ს აკეთებს privacy-first, ლოკალურ გარემოში. 19,000+ ⭐. | | [PentAGI](https://github.com/vxcontrol/pentagi) | 22K | PentAGI — სრულად ავტონომიური AI აგენტი penetration testing-ისთვის: თავად გეგმავს და ატარებს უსაფრთხოების ტესტებს იზოლირებულ გარემოში. 19,000+ ⭐ (მხოლოდ ავტორიზებული testing-ისთვის). | | [WrenAI](https://github.com/Canner/WrenAI) | 17K | WrenAI — GenBI / text-to-SQL აგენტი: ბუნებრივი ენის კითხვას ზუსტ SQL-ად, ჩარტებად და insight-ებად აქცევს ბიზნეს-ანალიტიკისთვის. 16,000+ ⭐. | | [Rowboat](https://github.com/rowboatlabs/rowboat) | 17K | Rowboat არის TypeScript-ის ღია კოდის AI „კოლეგა" მდგრადი მეხსიერებით — AI, რომელიც სამუშაო კონტექსტს ინახავს სესიებს შორის. OpenAI API-ზე დაშენებული, self-hosted, ღრუბელი სურვილისამებრ. 14,000+ ვარსკვლავი; ამ კატეგორიის ახალი შემოსვლა. მცირე გუნდებისთვის, ვინც გრძელვადიანი AI ასისტენტი სჭირდება, რომელიც მათ სამუშაო კონტექსტს, გადაწყვეტილებებსა და ამოცანებს ახსოვს. | | [Feynman](https://github.com/companion-inc/feynman) | 8.6K | Feynman არის ღია კოდის AI კვლევის აგენტი, სადაც 4 სპეციალიზებული sub-agent (Researcher, Reviewer, Writer, Verifier) პარალელურად მუშაობს სამეცნიერო ინვესტიგაციის პროცესში. `/deepresearch`, `/lit`, `/audit`, `/replicate`, `/compare` სლეშ-ბრძანებები ყოველი სამუშაო ნაკადისთვის ხელმისაწვდომია. ყოველი დასკვნა პირდაპირ წყაროს მიუთითებს — ნაშრომს, დოკს ან რეპოს — ჰალუცინაციის რისკის მინიმუმამდე დასაყვანად. TypeScript-ში, ლოკალური მოდელებით (Ollama, LM Studio) ან cloud-ით მუშაობს; macOS/Linux/Windows ინსტალერი ხელმისაწვდომია. | | [Mercury Agent](https://github.com/cosmicstack-labs/mercury-agent) | 3.1K | Mercury Agent — TypeScript-ის ღია კოდის პერსონალური AI აგენტი, რომელიც 24/7 ეშვება და CLI-ის ან Telegram-ის გავლით მუშაობს. „Soul-driven" დიზაინით — აქვს დახვეწილი permission-hardened ხელსაწყოების სისტემა და ტოკენების budget-ი (ანუ ხარჯი არ გაგექცევა). რამდენიმე არხიდან ერთდროულად მისაწვდომი (CLI + Telegram bot ერთ instance-ზე). MIT ლიცენზია, 2026 წლის 20 აპრილს გამოიცა და სწრაფად გაიზარდა. იმათთვის, ვინც პერსონალურ AI თანაშემწეს ეძებს, რომელიც ნაცვლად იმისა რომ მუდმივად ბრაუზერში გადახვიდე, თავად მოგმართოს Telegram-ში მნიშვნელოვან მოვლენებზე. | | [agentic-inbox](https://github.com/cloudflare/agentic-inbox) | 7.0K | agentic-inbox **Cloudflare-ის ოფიციალური** self-hosted ელფოსტის კლიენტია ჩაშენებული AI agent-ით, რომელიც მთლიანად Cloudflare Workers-ზე (edge network) მუშაობს. AI ავტომატურად ალაგებს წერილებს, საპასუხო ტექსტს სწერს, მნიშვნელოვნობის მიხედვით ასორტირებს — ინბოქსის „თვით-მართვადი" ვერსია. TypeScript-ში, 2026 წლის 10 აპრილს გამოიცა. Gmail-ის AI ფუნქციების privacy-first ღია ალტერნატივა — შენი domain, შენი მონაცემები, Cloudflare-ის სიჩქარე. ქართული ბიზნესებისთვის, ვინც domain email-ს უკვე Cloudflare-ზე ინახავს. | --- ## 💰 ფინანსური AI > **Finance AI** — ფინანსური ბაზრების, ტრეიდინგისა და ინვესტიციების AI აგენტები და ანალიტიკური პლატფორმები. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [TradingAgents](https://github.com/TauricResearch/TradingAgents) | 102K | TradingAgents multi-agent სავაჭრო framework-ია, რომელიც რეალური სავაჭრო ფირმის სტრუქტურას ბაძავს — fundamental ანალიტიკოსი, sentiment ექსპერტი, technical ანალიტიკოსი, trader და risk manager აგენტები ერთად განიხილავენ ბაზრის მდგომარეობას და იღებენ გადაწყვეტილებებს. მრავალ LLM provider-ს (OpenAI, Google, Anthropic, DeepSeek) უჭერს მხარს, აქვს interactive CLI, backtesting, paper trading, Docker და checkpoint recovery. Python, Apache-2.0, v0.2.5 (2026 წლის 11 მაისი), 86,000+ ვარსკვლავი — TauricResearch-ის arXiv ნაშრომზე დაფუძნებული (კვლევითი ხელსაწყო, არა საინვესტიციო რჩევა). **ai-hedge-fund**-ისა და **FinceptTerminal**-ის მონათესავე, ოღონდ ფინანსური AI აგენტების ღია სამყაროს ყველაზე დიდი პროექტი. | | [OpenBB](https://github.com/OpenBB-finance/OpenBB) | 73K | OpenBB — ღია data platform ანალიტიკოსების, quant-ებისა და AI აგენტებისთვის; ღია Bloomberg-Terminal ალტერნატივა, ახლა AI-agent workspace-ითაც. 70,000+ ⭐ — ღია ფინანსური მონაცემების de-facto სტანდარტი. | | [AI Hedge Fund](https://github.com/virattt/ai-hedge-fund) | 63K | AI Hedge Fund არის Python-ის სიმულაციური პროექტი, სადაც AI აგენტები Warren Buffett-ის, Charlie Munger-ისა და Michael Burry-ს ინვესტიციური სტილების მიბაძვით ერთობლივად აანალიზებენ საფონდო ბირჟის მონაცემებს. LangGraph-ის multi-agent ორქესტრაციაზეა დაშენებული — სხვადასხვა „ანალიტიკოსი" (fundamental, technical, sentiment, risk) პარალელურად ამუშავებს მონაცემებს და შედეგებს აერთებს. ეს არ არის რეალური სავაჭრო სისტემა — გამოყენება მხოლოდ საგანმანათლებლო მიზნებისთვისაა. LangGraph-ის production-ready გამოყენების ერთ-ერთი საუკეთესო real-world მაგალითია. | | [Kronos](https://github.com/shiyu-coder/Kronos) | 38K | Kronos არის Python-ის pre-trained foundation model, რომელიც სპეციალურად ფინანსური ბაზრების „ენაზე" — K-line (კანდლსტიქ) სერიებზე, ფინანსურ ინდიკატორებზე — ნატრენინგია, ჩვეულებრივ ტექსტური corpus-ის ნაცვლად. AAAI 2026-ის კონფერენციაზე მიღებული აკადემიური ნაშრომი მას მხარს უჭერს. ეს არ არის agent framework — ეს დომენ-სპეციფიკური LLM-ის კვლევის ნიმუშია. ფინანსური ML-ის მკვლევარებისთვის და ტრეიდინგ სისტემების ბექ-ენდის ასაშენებლად. | | [Claude for Financial Services](https://github.com/anthropics/financial-services) | 35K | Claude for Financial Services — **Anthropic-ის ოფიციალური** reference repo ფინანსური სერვისების workflow-ებისთვის: investment banking, equity research, private equity, wealth management. შიგნით ready-made Claude agent-ები, skill-ები, slash commands და MCP data connector-ები — ყველაფერი self-contained Claude plugin-ების სახით, რომლებიც **Claude Cowork**-ით ან **Claude Managed Agents API**-ით deploy-დება. პრაქტიკული გამოყენების სცენარები: pitch deck-ების მომზადება, valuation model-ები, earnings review-ები, compliance task-ები — ყველა output ადამიანის გადახედვისთვის staged (human-in-the-loop by design). Python-ში, Apache 2.0 ლიცენზია, 2026 წლის თებერვალში გამოვიდა და უკვე 31,000+ ვარსკვლავი დააგროვა. ფინანსური ინდუსტრიის IT ადმინისტრატორებისა და ანალიტიკოსებისთვის — ერთ-ერთი პირველი ოფიციალური Anthropic vertical-specific repo. **Fincept Terminal**-თან (ასევე ამ კოლექციაში — ღია კოდის Bloomberg ალტერნატივა) ერთად — სრული ფინანსური AI workflow stack-ი. | | [Fincept Terminal](https://github.com/Fincept-Corporation/FinceptTerminal) | 31K | Fincept Terminal არის Python-ში დაწერილი ღია კოდის ფინანსური ტერმინალი, Bloomberg-ის ალტერნატივა. 100+ მონაცემთა კონექტორი (Yahoo Finance, FRED, IMF, World Bank, Polygon) და 20+ AI ინვესტორ-პერსონა მრავალ LLM პროვაიდერთან (OpenAI, Anthropic, Gemini, Groq, Ollama) ერთიანდება. DCF მოდელები, პორტფელის ოპტიმიზაცია, VaR/Sharpe მეტრიკა, კრიპტო WebSocket, ალგო-ტრეიდინგი ჩაშენებულია. Python-ში (README-ში ცდომილებით C++20/Qt6 იყო მითითებული). ინდივიდუალური ინვესტორებისა და მცირე ინვესტიციური გუნდებისთვის, ვისაც ინსტიტუციური ინსტრუმენტები სჭირდება ინსტიტუციური ფასის გარეშე. | --- ## 🧠 მეხსიერება, RAG და Vector DB > **Memory, RAG & Vector DBs** — AI-ს გრძელვადიანი მეხსიერება, RAG ძრავები და vector database-ები. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [RAGFlow](https://github.com/infiniflow/ragflow) | 90K | RAGFlow — ღია კოდის RAG ძრავა, რომელიც AI-ს შენს დოკუმენტებში ზუსტი ინფორმაციის მოძიების საშუალებას აძლევს. პრობლემას წყვეტს, რომელიც ყველა „AI chatbot"-ს ახასიათებს: მოდელი ხშირად გამოიგონებს პასუხებს — RAGFlow კი ჯერ ეძებს შენს ფაილებში, შემდეგ პასუხობს. Python-ში დაწერილი, მხარს უჭერს PDF, Word, Excel, PowerPoint, HTML ფორმატებს და მოიცავს ჩაშენებულ agent workflow-ს. InfiniFlow-ის კომერციული პლატფორმის საფუძველია — კომპანიები ცოდნის ბაზებისა და AI-ზე დაფუძნებული მხარდაჭერის სისტემების ასაწყობად იყენებენ. | | [mem0](https://github.com/mem0ai/mem0) | 64K | mem0 — AI აგენტებისა და chatbot-ებისთვის შექმნილი უნივერსალური მეხსიერების ფენა. წყვეტს ძირეულ პრობლემას: სტანდარტული LLM-ები ყოველ საუბარს ნულიდან იწყებენ — mem0 კი ინახავს მომხმარებლის პრეფერენციებს, წარსულ ინტერაქციებსა და კონტექსტს. Python SDK, REST API და managed cloud სერვისი ხელმისაწვდომია. LangChain-თან, LlamaIndex-თან და OpenAI Agents-თან ინტეგრირდება. Perplexity, Pika, Wordware და სხვა პროდუქციის სისტემები mem0-ს ოპერაციული მეხსიერებისთვის იყენებენ. | | [MemPalace](https://github.com/MemPalace/mempalace) | 59K | MemPalace — ღია კოდის AI მეხსიერების სისტემა, რომელიც benchmark-ებზე ყველაზე მაღალ შეფასებას იღებს ანალოგიურ უფასო გადაწყვეტებს შორის. Python-ში დაწერილი, AI აგენტების გრძელვადიანი მეხსიერებისა და კონტექსტის შესანახად. სრულიად უფასო და self-hosted, API key-ები არ სჭირდება. 2026 წლის აპრილში გამოჩნდა და სწრაფად მოიპოვა ტრექშენი AI agent builders-ის საზოგადოებაში. | | [LlamaIndex](https://github.com/run-llama/llama_index) | 52K | LlamaIndex — Python-ის ფრეიმვორკი, რომელიც AI-ს ნებისმიერ მონაცემთა წყაროსთან — ფაილები, მონაცემთა ბაზები, API-ები, ვებ გვერდები — სამუშაოდ ამზადებს. პირველ რიგში RAG pipeline-ების ასაწყობად გამოიყენება: დოკუმენტების indexing-იდან ძიებამდე და პასუხის გენერაციამდე ერთ ჩარჩოში. 300-ზე მეტი ინტეგრაცია — OpenAI, Anthropic, Hugging Face, Pinecone, Weaviate, PostgreSQL. 2024 წლიდან OCR-ისა და document agent-ების პლატფორმადაც განვითარდა. Python-ში დაწერილი, Apache 2.0 ლიცენზია, საწარმოო გამოყენებისთვის მომზადებული. | | [Milvus](https://github.com/milvus-io/milvus) | 46K | Milvus — cloud-native ვექტორული მონაცემთა ბაზა, რომელიც მილიარდობით embedding-ის შენახვასა და სწრაფ similarity search-ზეა ოპტიმიზებული. RAG სისტემებში, რეკომენდაციის ძრავებსა და სემანტიკური ძიების აპლიკაციებში vector store-ის სტანდარტული არჩევანია. Go-სა და C++-ში დაწერილი, distributed არქიტექტურით, Kubernetes-ზე deploy-ისთვის. LF AI Foundation-ის პროექტია, Zilliz კომპანიის მხარდაჭერით — NVIDIA, Roblox, Shopee და Salesforce საწარმოო გარემოში იყენებენ. | | [FAISS](https://github.com/facebookresearch/faiss) | 41K | FAISS — Meta-ს ფუძემდებლური ბიბლიოთეკა vector similarity search-ისა და clustering-ისთვის. მილიარდობით ვექტორზე ეფექტური ANN ძიება, GPU მხარდაჭერით. მრავალი vector DB-სა და RAG სისტემის ქვედა ფენა. C++/Python. | | [LightRAG](https://github.com/hkuds/lightrag) | 39K | LightRAG — სწრაფი RAG სისტემა, რომელიც ჩვეულებრივ vector similarity search-ს knowledge graph-თან აერთიანებს. სტანდარტული RAG სიტყვებს ეძებს — LightRAG კი ცნებებს შორის კავშირებსაც აანალიზებს, რაც კომპლექსურ კითხვებზე გაცილებით ზუსტ პასუხს იძლევა. Python-ში დაწერილია Hong Kong University-ის Data Science ლაბორატორიის მიერ და EMNLP 2025-ზე გამოქვეყნებული სამეცნიერო ნაშრომით არის გამყარებული. Neo4j, NetworkX ან ჩაშენებული graph backend-ით მუშაობს. | | [Qdrant](https://github.com/qdrant/qdrant) | 34K | Qdrant — Rust-ში დაწერილი high-performance ვექტორული მონაცემთა ბაზა, AI-ის შემდეგი თაობის semantic search-ისა და RAG სისტემებისთვის. Rust-ის გამო გამოირჩევა სიჩქარით, მცირე memory footprint-ით და thread safety-ით. payload filtering, quantization, sparse vector-ების მხარდაჭერა და horizontal scaling ჩაშენებულია. Docker-ით ადვილად გაუშვებ ლოკალურად, managed Qdrant Cloud ასევე ხელმისაწვდომია. Python, TypeScript, Go, Rust SDK-ებით. | | [STORM](https://github.com/stanford-oval/storm) | 31K | STORM Stanford-ის (OVAL ლაბი) LLM-ზე დაფუძნებული knowledge curation სისტემაა — თემას აძლევ, ის კი ინტერნეტში იკვლევს, სხვადასხვა პერსპექტივას აგროვებს და სრულ, Wikipedia-სტილის სტატიას წერს წყაროების მითითებით. მრავალპერსპექტიული კითხვების გენერაცია და მოძიებული ინფორმაციის სტრუქტურირება განასხვავებს მას მარტივი RAG-ისგან. Co-STORM ვერსია ადამიან-AI ერთობლივ კვლევასაც უჭერს მხარს. Python, 29,000+ ვარსკვლავი — გრძელი, გამყარებული ტექსტის ავტომატური წერისთვის. | | [Chroma](https://github.com/chroma-core/chroma) | 29K | Chroma — AI-ისთვის შექმნილი open-source embedding database, რომელიც semantic search-ისა და RAG pipeline-ების ასაწყობად ყველაზე ხშირად გამოიყენება. LangChain-ისა და LlamaIndex-ის default vector store-ია — ამიტომ საუკეთესო შესავალი point-ია embedding-ებთან მუშაობისთვის. embedded რეჟიმში SQLite-ზე, standalone სერვერად ან Chroma Cloud-ზე ეშვება. Python-ის 5 სტრიქონით მუშა RAG სისტემა დგება. Rust-ში დაწერილი ბირთვით, YC W23-ის კომპანია, Series A დაფინანსებული. | | [Graphiti](https://github.com/getzep/graphiti) | 30K | Graphiti — AI აგენტებისთვის შექმნილი real-time knowledge graph ძრავა, Zep AI-ს (YC W24) მიერ. სტანდარტული vector-based RAG-ისგან განსხვავებით, Graphiti ინახავს ფაქტების დროით კონტექსტს — ანუ იცის „როდის" შეიცვალა ინფორმაცია. bi-temporal მოდელი event time-სა და ingestion time-ს ცალ-ცალკე ინახავს, entity-ებსა და relations-ს კი LLM ავტომატურად ამოიღებს ტექსტიდან. Neo4j ან FalkorDB backend-ზე ეშვება, native MCP integration-ით Claude Desktop-ში, Cursor-სა და Cline-ში გამოყენება შეიძლება. | | [cognee](https://github.com/topoteretes/cognee) | 30K | cognee — AI აგენტების მეხსიერება knowledge-graph-ითა და semantic layer-ით: მონაცემებს (ტექსტი, კოდი, დოკუმენტები) დააკავშირებს და მდგრად, გამოთხოვად მეხსიერებად აქცევს. 27,000+ ⭐. | | [Letta](https://github.com/letta-ai/letta) | 25K | Letta — stateful AI აგენტების პლატფორმა, რომელიც ყოფილ MemGPT პროექტზეა დაფუძნებული. ჩვეულებრივი AI chatbot-ისგან განსხვავებით, Letta-ს აგენტებს გრძელვადიანი მეხსიერება აქვთ: working memory (მიმდინარე კონტექსტი) და archival memory (გრძელვადიანი შენახვა) — კვირები, თვეები. UC Berkeley-ს მკვლევართა გუნდი დააარსა. OpenAI API-თავსებადი REST API, self-hosted deploy-ისთვის. long-running agents-ისთვის, სადაც მეხსიერება სასიცოცხლო მნიშვნელობისაა. | | [RAG-Anything](https://github.com/HKUDS/RAG-Anything) | 23K | RAG-Anything — all-in-one მულტიმოდალური RAG ფრეიმვორკი, LightRAG-ის შემქმნელი Hong Kong University-ის Data Science ლაბორატორიისგან. სტანდარტური RAG სისტემები მხოლოდ ტექსტს ამუშავებენ — RAG-Anything კი ერთ pipeline-ში ათავსებს ტექსტს, სურათებს, ცხრილებს, დიაგრამებს და სხვა ფორმატებს. Python-ში დაწერილი, "RAG-Anything: All-in-One RAG Framework" სამეცნიერო ნაშრომის განხორციელებაა. LightRAG-ის graph-based reasoning-ს multimodal შეყვანაზე ავრცელებს. | | [gbrain](https://github.com/garrytan/gbrain) | 29K | gbrain — TypeScript-ში დაწერილი AI აგენტის პერსონალური „ტვინი", რომელიც ელ-ფოსტას, კალენდარს, შეხვედრებს და იდეებს ერთ ადგილზე აგროვებს და ინახავს. ჰიბრიდული ძიება (ვექტორული + keyword) სწრაფ და ზუსტ retrieval-ს უზრუნველყოფს. MCP სერვერი Claude-ისა და სხვა LLM-ებისთვის ჩაშენებულია. ლოკალურად PGLite-ით ან Supabase-ით ეშვება. 2026 წლის აპრილში გამოჩნდა, სწრაფად მოიპოვა ტრექშენი AI personal assistant builders-ში. | | [Hindsight](https://github.com/vectorize-io/hindsight) | 22K | Hindsight — AI აგენტის მეხსიერების სისტემა Vectorize-ისგან, რომელიც დროთა განმავლობაში სწავლობს და თავად უმჯობესდება. ჩვეულებრივი RAG სისტემებისგან განსხვავებით, Hindsight ამოიცნობს შაბლონებს წარსულ ინტერაქციებში და მომდევნო პასუხებს უფრო რელევანტურს ხდის. Python-ში დაწერილი, arXiv-ზე გამოქვეყნებული სამეცნიერო ნაშრომით გამყარებული. long-running agents-ისთვის, სადაც მეხსიერების ხარისხი დროთა განმავლობაში უნდა გაუმჯობესდეს. | | [TencentDB Agent Memory](https://github.com/TencentCloud/TencentDB-Agent-Memory) | 25K | TencentDB Agent Memory — სრულად ლოკალური გრძელვადიანი მეხსიერება AI აგენტებისთვის, 4-დონიანი პროგრესული pipeline-ით, გარე API-ზე დამოკიდებულების გარეშე. TypeScript, Tencent Cloud-ის მიერ. | | [Crawl4AI RAG](https://github.com/coleam00/mcp-crawl4ai-rag) | 2.2K | mcp-crawl4ai-rag — MCP სერვერი, რომელიც ვებ crawling-სა და RAG-ს ერთ pipeline-ში აერთებს AI კოდინგ ასისტენტებისა და აგენტებისთვის. AI ინტერნეტიდან ინფორმაციას Crawl4AI-ით აგროვებს, Supabase-ის ვექტორულ მონაცემთა ბაზაში ინახავს და შემდეგ ამ კონტექსტზე დაყრდნობით პასუხობს კითხვებს. Python-ში დაწერილი, Claude, Cursor, Cline-ში MCP-ით გამოიყენება. მცირე, ფოკუსირებული ხელსაწყო, რომელიც ახალი AI Agent workflow-ების სწრაფ პროტოტიპირებისთვის გამოდგება. | | [Prism MCP](https://github.com/dcostenco/prism-coder) | 157 | Prism MCP — AI აგენტებისთვის შექმნილი HIPAA-სტანდარტის კოგნიტური არქიტექტურა, MCP პროტოკოლით. ჩაშენებული on-device LLM (prism-coder:7b), Hebbian learning-ი და ACT-R spreading activation-ი მეხსიერების ორგანიზაციას ადამიანის შემეცნებითი მოდელის მსგავსად ახდენს. API key-ები არ სჭირდება — სრულად ლოკალურად მუშაობს. multi-agent Hivemind სინქრონიზაცია, adversarial evaluation და ვიზუალური dashboard ჩაშენებულია. TypeScript-ში დაწერილი, ექიმებისა და regulated industries-ისთვის ვარგისი კონფიდენციალობის გათვალისწინებით. | --- ## 🔍 კოდბაზის გრაფები და კონტექსტი > **Codebase Graphs & Context** — კოდბაზის knowledge graph-ები და სემანტიკური ინდექსები, რომლებიც AI აგენტებს კოდის ღრმად გააზრებასა და ტოკენების დაზოგვაში ეხმარება. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [Understand Anything](https://github.com/Egonex-AI/Understand-Anything) | 81K | Understand Anything — ნებისმიერ კოდს ინტერაქტიულ knowledge graph-ად აქცევს, რომელშიც ნავიგაცია, ძიება და ბუნებრივ ენაზე კითხვების დასმა შეგიძლია. კოდბაზის სწრაფი გასაგებად. TypeScript, 2026-ის ერთ-ერთი ყველაზე სწრაფად მზარდი code-intelligence რეპო. | | [Graphify](https://github.com/Graphify-Labs/graphify) | 113K | Graphify კოდის, დოკუმენტაციის, PDF-ების, სურათების და ვიდეოების queryable knowledge graph-ად გარდაქმნის AI coding agent-ებისთვის. Claude Code-ს, Codex-ს, opencode-ს, Cursor-ს, Gemini CLI-ს და სხვებს უჭერს მხარს. Python-ში, graphifylabs.ai. Graph-ზე დაფუძნებული კითხვების მეთოდი AI-ის ტოკენებს 71-ჯერ ამცირებს ფაილების პირდაპირ კითხვასთან შედარებით. 67,000+ ვარსკვლავი — 2026 წლის აპრილში სწრაფად გაიზარდა. | | [CodeGraph](https://github.com/colbymchenry/codegraph) | 69K | CodeGraph კოდბაზის წინასწარ-ინდექსირებულ semantic knowledge graph-ს აშენებს AI coding agent-ებისთვის — ფუნქციები, კლასები, import-ები და call-ურთიერთობები ლოკალურ SQLite ბაზაში, 20+ ენისთვის. იმის ნაცვლად, რომ Claude Code-მა ან Cursor-მა ყოველ მოთხოვნაზე ფაილები თავიდან წაიკითხოს, პირდაპირ ამ ინდექსს ეკითხება — შედეგად ~22% იაფი და ~50%-ით ნაკლები tool call. TypeScript, MIT, v0.9.7 (2026 წლის 28 მაისი), სრულად ლოკალური, გარე API-ს გარეშე. 2026 წლის 21 მაისის GitHub Trending #1, 49,000+ ვარსკვლავი — **Graphify**-ისა და **GitNexus**-ის ბუნებრივი მონათესავე code-intelligence მიმართულებაში. | | [GitNexus](https://github.com/abhigyanpatwari/GitNexus) | 47K | GitNexus — ბრაუზერში სრულად მომუშავე კოდის ინტელიჯენსის ხელსაწყო, სერვერის გარეშე. GitHub-ის repo ან ZIP ჩააგდე და ნახავ ყველა ფაილს, ფუნქციასა და მათ ურთიერთდამოკიდებლობას ინტერაქტიული knowledge graph-ის სახით. ჩაშენებული Graph RAG Agent ამ graph-ს იყენებს, რომ კოდზე ბუნებრივ ენაზე დასმულ კითხვებს უპასუხოს. TypeScript-ში დაწერილი, სრულად client-side, backend deploy-ი არ სჭირდება. კოდის კომპლექსური ბაზის სწრაფი გასაგებად გამოსადეგია. | | [codebase-memory-mcp](https://github.com/DeusData/codebase-memory-mcp) | 41K | codebase-memory-mcp მაღალწარმადი code intelligence MCP სერვერია — მთელ კოდბაზას persistent knowledge graph-ად ინდექსავს, საშუალო რეპოს მილიწამებში. 158 ენა, sub-ms queries და ტოკენების 99%-ით დაზოგვა. ერთი static binary დამოკიდებულებების გარეშე, C-ში დაწერილი. აქტიური განვითარება — v0.8.1 (2026 წლის ივნისი), 26,000+ ვარსკვლავი. zilliztech-ის claude-context-ის სწრაფი, self-contained ალტერნატივა. | | [Code Review Graph](https://github.com/tirth8205/code-review-graph) | 31K | Code Review Graph კოდბაზის persistent knowledge graph-ს ქმნის Claude Code-ისთვის — AI მხოლოდ ცვლილებასთან დაკავშირებულ ფაილებს კითხულობს, მთელ repo-ს კი არა. Code review-ზე 6.8-ჯერ ნაკლები ტოკენი, დღიურ coding task-ებზე 49-ჯერამდე — ეს ხარჯებსა და სიჩქარეს მნიშვნელოვნად ცვლის. Python-ში, 22 MCP tool, 19 პროგრამირების ენა. Claude Code-თან, Cursor-თან, Windsurf-თან და Continue-თან. | | [Claude Context](https://github.com/zilliztech/claude-context) | 12K | Claude Context Zilliz-ის MCP plugin-ია, რომელიც Claude Code-სა და სხვა coding agent-ებს მთელ codebase-ზე semantic code search-ს აძლევს. ფაილების სრულად ჩატვირთვის ნაცვლად კოდს embeddings-ად ინახავს vector database-ში (Milvus/Zilliz Cloud) და მოთხოვნისას მხოლოდ რელევანტურ ფრაგმენტებს აბრუნებს კონტექსტში — დიდ monorepo-ებზე token ხარჯს და discovery rounds-ს ამცირებს. TypeScript-ში, MIT ლიცენზია, `@zilliz/claude-context-mcp` npm პაკეტით ინსტალირდება. მუშაობისთვის OpenAI API key და Milvus/Zilliz Cloud endpoint/token სჭირდება. 11,000+ ვარსკვლავი. | --- ## 💸 ტოკენების დაზოგვა და ხარჯი > **Token & Cost Optimization** — ხელსაწყოები, რომლებიც LLM-ის ტოკენების მოხმარებასა და ხარჯს ამცირებენ: კონტექსტის შეკუმშვა, ეფექტური ფორმატები და budget-ის კონტროლი. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [Claude Mem](https://github.com/thedotmack/claude-mem) | 93K | Claude Mem Claude Code-ის მეხსიერების plugin-ია — ავტომატურად იწერს, რასაც Claude coding session-ში აკეთებს, Claude-ის agent SDK-ით კუმშავს და შემდეგ session-ში რელევანტურ კონტექსტს უბრუნებს. TypeScript-შია დაწერილი (claude-mem.ai), 87,000+ ვარსკვლავით. ანუ ყოველ ჯერზე თავიდან ახსნა აღარ გჭირდება — Claude-ს „ახსოვს“, რაზე მუშაობდი. | | [Caveman](https://github.com/JuliusBrussee/caveman) | 102K | Caveman Claude Code-ის (და სხვა agent-ების) ტოკენების მოხმარებას 65%-ით ამცირებს — AI-ს ასწავლის „გამოქვაბულის ადამიანივით" ლაპარაკს, ზედმეტი სიტყვების გამოტოვებით. ხარისხი არ ეცემა, მხოლოდ verbosity მცირდება. Lite, Full და Ultra ინტენსივობის დონეები. Python-ში, Julius Brussee-ის მიერ. 40+ coding agent-ს უჭერს მხარს (Claude Code, Codex, Gemini CLI, Cursor). 2026 წლის აპრილში გამოჩნდა, 73,000+ ვარსკვლავი — AI ხარჯების შემამცირებელი ყველაზე პოპულარული skill. | | [Headroom](https://github.com/headroomlabs-ai/headroom) | 68K | Headroom LLM აპლიკაციებისთვის context optimization layer-ია — AI-ს გადასაცემ მონაცემებს (ფაილები, ლოგები, RAG შედეგები) 70-95%-ით ამცირებს პასუხის ხარისხის დაკარგვის გარეშე. Python-ში, headroom-docs.vercel.app. Claude Code-ში, Codex-ში და Aider-ში ერთი ბრძანებით ეშვება. AI ხარჯების მნიშვნელოვნად შემცირებისა და უფრო გრძელი სამუშაო სესიების შესაძლებლობისთვის — 29,000+ ვარსკვლავი. | | [new-api](https://github.com/QuantumNous/new-api) | 47K | new-api — LLM gateway/proxy: ბევრი provider ერთ OpenAI-თავსებად endpoint-ს უკან, გამოყენების აღრიცხვით, key-მართვითა და ხარჯის კონტროლით. one-api-ის აქტიური fork. 42,000+ ⭐. | | [one-api](https://github.com/songquanpeng/one-api) | 37K | one-api — LLM API gateway: OpenAI, Anthropic, Gemini, Azure და სხვა ერთ ინტერფეისში, key-distribution-ითა და billing-ით. new-api-ის წინამორბედი. 36,000+ ⭐. | | [toon](https://github.com/toon-format/toon) | 25K | TOON (Token-Oriented Object Notation) JSON-ის ალტერნატიული სერიალიზაციის ფორმატია, სპეციალურად LLM prompt-ებისთვის ოპტიმიზებული — compact, human-readable და schema-aware. benchmark-ების მიხედვით ერთსა და იმავე მონაცემებზე JSON-ზე 39%-ით ნაკლებ ტოკენს მოიხმარს, რაც API ხარჯებს პირდაპირ ამცირებს. სპეციფიკაცია, benchmark-ები და TypeScript SDK ღია კოდითაა ხელმისაწვდომი — ეს framework არ არის, ინფრასტრუქტურის კომპონენტია მათთვის, ვინც LLM-ებს დიდი მოცულობის structured data-ს აწვდის. | | [agentmemory](https://github.com/rohitg00/agentmemory) | 28K | agentmemory AI coding agent-ებს persistent მეხსიერებას აძლევს — lifecycle hooks-ით ჩუმად იწერს რას აკეთებს agent-ი 12+ ხელსაწყოში (Claude Code, Copilot CLI, Cursor, Gemini CLI), დაკვირვებებს searchable structured memory-ად კუმშავს (keyword + vector + knowledge graph hybrid, 95.2% retrieval accuracy R@5) და ახალ session-ში რელევანტურ კონტექსტს უბრუნებს. SQLite-ზე მუშაობს გარე ბაზის გარეშე და 53-tool MCP server-ად ეშვება — ~92%-ით ამცირებს ტოკენებს. TypeScript, Apache-2.0, v0.9.24 (2026 წლის 29 მაისი), 23,000+ ვარსკვლავი, GitHub Trending #5 — **Claude Mem**-ისა და **mem0**-ის MCP-native კონკურენტი. | | [freellmapi](https://github.com/tashfeenahmed/freellmapi) | 23K | freellmapi OpenAI-თავსებადი proxy-ია, რომელიც 16 LLM პროვაიდერის უფასო tier-ს (~1.7 მილიარდი ტოკენი თვეში) ერთ `/v1` endpoint-ს უკან აერთიანებს. smart routing, ავტომატური failover და დაშიფრული key-ები. TypeScript, 15,000+ ვარსკვლავი. free-llm-api-resources-ის მუშა, კოდში ჩასმადი ვერსია — რამდენიმე უფასო tier ერთ API-დ იქცევა (მხოლოდ პერსონალური ექსპერიმენტებისთვის). | | [agentsview](https://github.com/kenn-io/agentsview) | 5.7K | agentsview local-first ხელსაწყოა coding agent-ების სესიების ძებნის, ანალიტიკისა და ტოკენების ხარჯის სტატისტიკისთვის — Claude Code-ს, Codex-ს და 20+ სხვა აგენტს უჭერს მხარს. Go-ში დაწერილი, მთელი ისტორია შენს მანქანაზე რჩება. თუ რამდენიმე აგენტს იყენებ და გინდა ნახო რაზე იხარჯება ტოკენები — ეს dashboard-ი გამოგადგება. | ## ⚙️ ინფერენსი და LLM ხელსაწყოები > **Model Inference & LLM Tooling** — მოდელების გაშვების, serving-ისა და ოპტიმიზაციის ძრავები: Ollama, vLLM, llama.cpp და LLM-ის დამხმარე ხელსაწყოები (observability, eval, document tooling). | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [Ollama](https://github.com/ollama/ollama) | 180K | Ollama — ყველაზე მარტივი გზა LLM-ების ლოკალურად გასაშვებად. ერთი ბრძანებით — `ollama run llama4` — და Llama, Mistral, Qwen, DeepSeek, Gemma, Phi და ასობით სხვა მოდელი მზადაა. Go-ში დაწერილი, macOS, Windows, Linux-ზე მუშაობს, GPU-ს გარეშეც. REST API ჩაშენებულია — ნებისმიერი OpenAI SDK-ის კლიენტი Ollama-სთანაც მუშაობს base URL-ის შეცვლით. პირადი მონაცემები კომპიუტერს არ ტოვებს, სრულად უფასოა. | | [Transformers](https://github.com/huggingface/transformers) | 165K | Hugging Face Transformers — state-of-the-art machine learning მოდელების სტანდარტული framework, Python-ში. Llama, Mistral, Qwen, DeepSeek, Gemma, Phi — პრაქტიკულად ყველა ცნობილი ღია LLM ამ ბიბლიოთეკის მეშვეობით ეშვება. ტექსტის, ხმოვანი, ვიზუალური და მულტიმოდალური მოდელები ერთ API-ში. PyTorch, TensorFlow და JAX backend-ებს უჭერს მხარს. Hugging Face-ის კომპანია მართავს — AI კვლევისა და engineering-ის ინდუსტრიული სტანდარტი. | | [MarkItDown](https://github.com/microsoft/markitdown) | 177K | MarkItDown — Microsoft-ის Python ხელსაწყო, რომელიც ფაილებსა და office-დოკუმენტებს (PDF, Word, Excel, PowerPoint, სურათები, აუდიო, HTML) Markdown-ად აქცევს LLM-ებისა და ტექსტ-ანალიზისთვის. RAG-ის მონაცემთა მომზადების დომინანტი ხელსაწყო. | | [llama.cpp](https://github.com/ggml-org/llama.cpp) | 126K | llama.cpp — LLM inference C/C++-ში, Georgi Gerganov-ის მიერ. ძირითადი ღირსება: GPU-ს გარეშე, CPU-ზე, მინიმალური hardware-ზე ეშვება. GGUF — კვანტიზებული მოდელების ინდუსტრიული ფორმატი — სწორედ ამ პროექტს შემოაქვს. Ollama, LM Studio და LocalAI შიგნით llama.cpp-ს იყენებენ. ggml-org ორგანიზაციაში ცხოვრობს (ყოფილ ggerganov/llama.cpp-დან გადავიდა). macOS, Linux, Windows, Android-ზე მუშაობს, ARM ჩიპებზე ოპტიმიზებული. | | [vLLM](https://github.com/vllm-project/vllm) | 91K | vLLM — LLM-ების high-throughput inference-ისა და serving-ის ძრავა, Python-ში. PagedAttention ტექნოლოგია GPU მეხსიერებას ოპერაციული სისტემის paging-ის პრინციპით მართავს, რაც concurrent request-ების throughput-ს მნიშვნელოვნად ზრდის. OpenAI-compatible REST API ჩაშენებულია — production deployment-ისთვის ოპტიმიზებულია. UC Berkeley-ს Sky Lab-ში დაიბადა, ახლა independent project-ია. Google, Microsoft, Mistral AI, Cohere და სხვა კომპანიები production serving-ისთვის იყენებენ. | | [Daytona](https://github.com/daytonaio/daytona) | 72K | Daytona — უსაფრთხო, ელასტიური infrastructure AI-გენერირებული კოდის გასაშვებად: აგენტებისთვის იზოლირებული, მყისიერი dev-გარემოები და sandbox-ები. 72,000+ ვარსკვლავი — agent runtime-ების ერთ-ერთი flagship. | | [Unsloth](https://github.com/unslothai/unsloth) | 75K | Unsloth — LLM-ების fine-tuning-ისა და ლოკალური გაშვების ხელსაწყო, ვებ ინტერფეისით. Gemma, Qwen, DeepSeek, Llama-ს მსგავსი ღია მოდელების გადაწვრთნა შენს მონაცემებზე სტანდარტულ PyTorch-თან შედარებით 2-ჯერ სწრაფად და 70%-ით ნაკლები GPU მეხსიერებით ხდება. LoRA და QLoRA fine-tuning ჩაშენებულია, GGUF-ში export-იც მხარდაჭერილია — ერთ GPU-ზე fine-tuning-ის de facto სტანდარტი. | | [LiteLLM](https://github.com/BerriAI/litellm) | 58K | LiteLLM — ერთიანი gateway/proxy 100+ LLM API-სთვის: OpenAI, Anthropic, Gemini, Azure, Bedrock, VertexAI და ლოკალური მოდელები (vLLM, Ollama) ერთ, OpenAI-თავსებად ფორმატში. კოდს ერთხელ წერ და პროვაიდერს ისე ცვლი, რომ გადაწერა არ გჭირდება. Python SDK + proxy server (AI Gateway) cost tracking-ით, guardrails-ით, rate limiting-ით, load balancing-ითა და fallback-ებით — production-ში მრავალი LLM-ის მართვის ერთ-ერთი ყველაზე გავრცელებული ხელსაწყო. | | [Text Generation WebUI](https://github.com/oobabooga/textgen) | 48K | Text Generation WebUI (oobabooga) — ლოკალური LLM-ების გაშვების ერთ-ერთი ყველაზე ცნობილი web-ინტერფეისი. მრავალი backend (Transformers, llama.cpp, ExLlama), chat, fine-tuning და extension-ები. ლოკალური ტექსტ-გენერაციის „Stable Diffusion WebUI". | | [exo](https://github.com/exo-explore/exo) | 47K | exo — frontier AI მოდელების ლოკალურად გაშვება შენი მოწყობილობების კლასტერზე: ტელეფონი, ლეპტოპი, Mac, GPU — exo აერთიანებს მათ ერთ inference-კლასტერად, ისე რომ დიდი მოდელებიც გაუშვა გარე API-ს გარეშე. Python, 45k+ ⭐ — distributed local inference-ის ლიდერი. | | [LocalAI](https://github.com/mudler/LocalAI) | 49K | LocalAI — ღია კოდის AI ძრავა, OpenAI API-ის ადგილობრივი ჩამნაცვლებელი. LLM-ები, vision, TTS, STT, image generation, video — ყველაფერი ერთ სერვერში, GPU-ს გარეშე. OpenAI-ის SDK-ები base URL-ის შეცვლით მაშინვე მუშაობს — migration ნულიდან. Go-ში დაწერილი, Docker-ით deploy-ი ადვილია. self-hosted AI-ის ყველაზე სრული ჩამნაცვლებელი OpenAI API-სთვის, კონფიდენციალობისა და air-gapped გარემოებისთვის. | | [FastChat](https://github.com/lm-sys/FastChat) | 40K | FastChat (LMSYS) — ღია პლატფორმა LLM-ების serving-ის, ტრენინგისა და შეფასებისთვის. Vicuna-სა და Chatbot Arena-ს უკან მდგომი პროექტი, OpenAI-თავსებადი API სერვერით. Python. | | [Langfuse](https://github.com/langfuse/langfuse) | 34K | Langfuse — ღია AI engineering პლატფორმა: LLM eval, observability, მეტრიკები, prompt management, playground და datasets. აგენტური workflow-ების trace-ვა, prompt-ების ვერსირება და LLM-as-a-judge შეფასება ერთ ადგილას. agentic აპლიკაციების production-მონიტორინგისთვის. | | [SGLang](https://github.com/sgl-project/sglang) | 33K | SGLang — LLM-ებისა და მულტიმოდალური მოდელების high-performance serving framework, Python-ში. RadixAttention ტექნოლოგია KV cache-ს საერთო prefix-ებზე ავტომატურად აზიარებს, რაც batch workload-ებზე throughput-ს მნიშვნელოვნად ზრდის. vLLM-ის ალტერნატივაა და ზოგ დატვირთვაზე უფრო სწრაფიც, structured output-იც (JSON schema enforcement) ჩაშენებული აქვს — UC Berkeley-ს მკვლევრებმა შექმნეს და Google-ის, Microsoft-ისა და xAI-ის ინფრასტრუქტურაში გამოიყენება. | | [llamafile](https://github.com/mozilla-ai/llamafile) | 26K | llamafile — Mozilla-ს პროექტი, რომელიც მთელ LLM-ს ერთ შესრულებად ფაილად აქცევს, რომელიც ყველა OS-ზე ინსტალაციის გარეშე ეშვება. llama.cpp + Cosmopolitan Libc. ლოკალური მოდელების მაქსიმალურად პორტაბელური გავრცელება. | | [DeepEval](https://github.com/confident-ai/deepeval) | 18K | DeepEval — ღია LLM eval ფრეიმვორკი, pytest-ისებური: 50+ კვლევაზე დაფუძნებული მეტრიკა (faithfulness, hallucination, relevance, bias). RAG-ის, ჩატბოტებისა და აგენტების unit-ტესტირება, რომელიც CI/CD-ში ჩაირთვება. Python. | | [NotebookLM Python](https://github.com/teng-lin/notebooklm-py) | 19K | notebooklm-py — Google NotebookLM-ის არაოფიციალური Python API და agentic skill. Google-ის ოფიციალური library კი არ არის — reverse-engineered Python wrapper, რომელიც NotebookLM-ის ვებ ინტერფეისში მიუწვდომელ ფუნქციებსაც ხსნის. AI podcast-ის გენერაცია, კვლევის ავტომატიზაცია, CLI-ს მხარდაჭერა. Claude Code, Codex, OpenClaw-ში agentic skill-ად გამოიყენება. Python-ში, ლოკალური automation-ისთვის. სტაბილურობა Google-ის API-ს ცვლილებებზეა დამოკიდებული. | | [E2B](https://github.com/e2b-dev/E2B) | 14K | E2B — code-interpreting sandbox AI აგენტებისთვის: აგენტების გენერირებული კოდი უსაფრთხო, იზოლირებულ cloud-გარემოში ეშვება, მილიწამებში სტარტით. 13,000+ ⭐. | | [OpenSandbox](https://github.com/opensandbox-group/OpenSandbox) | 15K | OpenSandbox არის Alibaba-ს Python sandbox runtime, რომელიც AI აგენტებს კოდის უსაფრთხო გარემოში გასაშვებად ემსახურება. „Sandbox" ნიშნავს, რომ AI-ს კოდი იზოლირებულ კონტეინერში სრულდება — host სისტემაზე წვდომა, ქსელის ბოროტად გამოყენება ან არასასურველი ფაილების შეცვლა გამორიცხულია. Python, Java, JavaScript, C# — ოთხი ძირითადი ენა მხარდაჭერილია. ღია კოდი, MIT ლიცენზიით; Alibaba Cloud-ის კომერციული sandbox სერვისის ოპენ სორს ვარიანტია. | | [Arize Phoenix](https://github.com/Arize-ai/phoenix) | 11K | Arize Phoenix — ღია AI observability პლატფორმა OpenTelemetry-ზე: tracing, eval, datasets, experiments და prompt management. ჩაშენებული აგენტი trace-ების debugging-ისა და prompt-ების გაუმჯობესებისთვის. Python. | | [LM Studio](https://github.com/lmstudio-ai/lms) | 5.3K | LM Studio CLI — LM Studio-ს ლოკალური AI პლატფორმის command-line interface, TypeScript-ში. გრაფიკულ აპლიკაციას ტერმინალიდან ავსებს: სერვერის გაშვება/გაჩერება, მოდელების ჩატვირთვა GPU acceleration-ით, model management და process monitoring. გამოსადეგია CI/CD pipeline-ებსა და automation script-ებში, სადაც GUI მიუწვდომელია — Ollama-ს ალტერნატივა მათთვის, ვისაც LM Studio-ს ვიზუალური ინტერფეისი ურჩევნია. | --- ## 🎬 მედია-გენერაცია > **Media Generation** — სურათის, ვიდეოსა და ხმის (voice/TTS/ASR) გენერაციის ღია მოდელები და ფრეიმვორკები. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [Stable Diffusion WebUI](https://github.com/AUTOMATIC1111/stable-diffusion-webui) | 165K | Stable Diffusion WebUI — Stable Diffusion-ის კანონიკური, ბრაუზერში მომუშავე ინტერფეისი (Gradio-ზე). txt2img, img2img, inpainting, extensions და უამრავი მოდელი ერთ UI-ში. 164,000+ ვარსკვლავი — ღია image-generation-ის ერთ-ერთი ყველაზე გავრცელებული ხელსაწყო. | | [ComfyUI](https://github.com/comfy-org/ComfyUI) | 131K | ComfyUI — diffusion model-ებით სურათებისა და ვიდეოების გენერაციის ყველაზე მოქნილი პლატფორმა, node-based ვიზუალური ინტერფეისით. პროცესებს ბლოკ-სქემის სახით ვხატავთ — ყოველი node ერთ ოპერაციას ასრულებს (sampling, upscaling, LoRA გამოყენება, inpainting). Python-ში დაწერილი, REST API ჩაშენებული, 1 000-ზე მეტი community extension ხელმისაწვდომია. Stable Diffusion, FLUX, SDXL, Wan, CogVideoX და სხვა მოდელები მხარდაჭერილია. AI ხელოვნებისა და ვიდეო კონტენტის პროფესიონალებს შორის ინდუსტრიული სტანდარტია. | | [MoneyPrinterTurbo](https://github.com/harry0703/MoneyPrinterTurbo) | 119K | MoneyPrinterTurbo — AI დიდი მოდელით ერთ კლიკში HD მოკლე ვიდეოს გენერაცია: თემიდან სცენარი, ვიდეო-მასალა, სუბტიტრები და ფონური მუსიკა ავტომატურად. Python, ერთ-ერთი ყველაზე პოპულარული AI ვიდეო-ხელსაწყო. | | [Stable Diffusion](https://github.com/CompVis/stable-diffusion) | 73K | Stable Diffusion — latent diffusion model, რომელმაც 2022 წელს ტექსტიდან სურათის გენერაცია ყველასთვის ხელმისაწვდომი გახადა. CompVis (LMU Munich), Stability AI-ისა და Runway-ის ერთობლივი კვლევის შედეგია. ეს არის original reference implementation — ComfyUI, AUTOMATIC1111 და სხვა UI-ები სწორედ ამ მოდელის ირგვლივ აიგო. Jupyter Notebook-ებში, Python-ში დაწერილი, GPU-ს ესაჭიროება. შენიშვნა: ახალი სურათების გენერაციისთვის დღეს ComfyUI ან FLUX-ს იყენებენ — ეს repo ძირითადად ისტორიული მნიშვნელობისაა. | | [OpenCut](https://github.com/OpenCut-app/OpenCut) | 88K | OpenCut ღია კოდის ვიდეო-რედაქტორია — CapCut-ის უფასო, პრივატულობაზე ორიენტირებული ალტერნატივა. ბრაუზერშიც და desktop-ზეც მუშაობს, ვიდეო შენს მანქანას არ ტოვებს (watermark-ისა და subscription-ის გარეშე). TypeScript, 61,000+ ვარსკვლავი — 2026-ის ერთ-ერთი ყველაზე სწრაფად მზარდი creator-tool. AI media-გენერაციის workflow-ს ადამიანური მონტაჟით ავსებს. | | [VibeVoice](https://github.com/microsoft/VibeVoice) | 53K | VibeVoice — **Microsoft-ის** frontier ღია ხმის მოდელების ოჯახი: real-time TTS (streaming, long-form) და unified ASR, რომელიც 60-წუთიან აუდიოს ერთ გავლაში ამუშავებს speaker/timestamp/content სტრუქტურით. ღია წონებით. | | [whisper.cpp](https://github.com/ggml-org/whisper.cpp) | 53K | whisper.cpp — OpenAI-ის Whisper speech-to-text მოდელის C/C++ port, Georgi Gerganov-ის მიერ (llama.cpp-ის შემქმნელი). GPU-ს გარეშეც მუშაობს — CPU-ზე, ARM-ზე, ტელეფონებზეც. 100-ზე მეტ ენაზე transcription-ს ასრულებს, ქართულის ჩათვლით. real-time streaming, speaker diarization, word-level timestamps მხარდაჭერილია. C++ ბიბლიოთეკა Python, Node.js, Go binding-ებითაც ხელმისაწვდომია. podcast-ების, ინტერვიუების, meeting-ების ავტომატური transcription-ისთვის ინდუსტრიული ინსტრუმენტია. | | [Coqui TTS](https://github.com/coqui-ai/TTS) | 46K | Coqui TTS — ღია კოდის deep learning toolkit text-to-speech-ისთვის, Python-ში, კვლევასა და production-ში გამოცდილი. ხმის კლონირება 3-10 წამიანი ნიმუშიდანაა შესაძლებელი. 17-ზე მეტ ენაზე მუშაობს, მრავალი სხვადასხვა TTS არქიტექტურა ჩაშენებულია (VITS, YourTTS, Bark). შენიშვნა: Coqui AI კომპანია 2024 წელს დაიხურა — repo-ს community ინარჩუნებს, მაგრამ აქტიური კომერციული development შეჩერებულია. RealtimeTTS და Bark — აქტიური ალტერნატივები. | | [Bark](https://github.com/suno-ai/bark) | 39K | Bark — Suno AI-ის text-prompted generative audio model. ჩვეულებრივი TTS-ისგან განსხვავებით, Bark ქმნის არა მხოლოდ speech-ს, არამედ სიმღერებს, ხმოვან ეფექტებს, სიცილს, ტირილს, ოხვრასა და სხვა non-verbal ხმებს. 100-ზე მეტ ენაზე მუშაობს. Python/Jupyter-ში, Hugging Face-ზე ხელმისაწვდომი. შენიშვნა: Bark-ის განახლებები შეჩერდა, Suno AI ახლა მუსიკის გენერაციის კომერციულ პლატფორმაზეა ფოკუსირებული — repo community mode-შია. Coqui TTS-ის ალტერნატივა, რომელსაც მეტი expressive range აქვს. | | [Diffusers](https://github.com/huggingface/diffusers) | 34K | Hugging Face Diffusers — state-of-the-art diffusion model-ების Python ბიბლიოთეკა სურათების, ვიდეოების და აუდიოს გენერაციისთვის. Stable Diffusion, FLUX, SDXL, CogVideoX, Wan — ყველა ძირითადი generative model ამ ბიბლიოთეკის მეშვეობით ეშვება. LoRA, ControlNet, IP-Adapter — პოპულარული fine-tuning ტექნიკები ჩაშენებულია. Transformers-ის „diffusion counterpart" Hugging Face-ისგან, ერთი unified API-ით ყველა გენერაციული მოდელისთვის. AI ხელოვნებაში Python pipeline-ების სტანდარტი. | | [OpenMontage](https://github.com/calesthio/OpenMontage) | 55K | OpenMontage მსოფლიოში პირველი ღია კოდის აგენტური ვიდეო-პროდაქშენ სისტემაა — 12 pipeline, 52 tool და 500+ agent skill. AI coding assistant-ს (Claude Code, Cursor, Copilot) სრულ ვიდეო-სტუდიად აქცევს: აღწერ იდეას ბუნებრივ ენაზე, ის კი კვლევას, სცენარს, ასეტების გენერაციასა და მონტაჟს თავად აკეთებს. რეალურ footage-საც იყენებს (Archive.org, NASA, Wikimedia), არა მხოლოდ Ken Burns ეფექტს. Python, AGPL-3.0, 33,000+ ⭐. | | [FLUX](https://github.com/black-forest-labs/flux) | 26K | FLUX — Black Forest Labs-ის FLUX.1 image generation მოდელების official inference repo. Black Forest Labs-ი Stable Diffusion-ის ორიგინალი შემქმნელების მიერ 2024 წელს დაარსდა. **ლიცენზიები**: FLUX.1 [schnell] — Apache 2.0 (სრულად ღია), FLUX.1 [dev] — არაკომერციული ლიცენზიით (research/personal). ასევე სპეციალიზებული ვარიანტები: Fill, Canny, Depth, Redux, Kontext, Krea. flow matching ტექნიკა ჩვეულებრივი diffusion-ის ნაცვლად — უფრო სწრაფი sampling. ComfyUI-სა და Diffusers-ზე მშობლიურად ინტეგრირებული, Replicate-ზე ხელმისაწვდომი. ერთ-ერთი ყველაზე ფართოდ გავრცელებული ღია image generation მოდელი. | | [Pixelle-Video](https://github.com/ATH-MaaS/Pixelle-Video) | 28K | Pixelle-Video Alibaba-ს AIDC-AI გუნდის სრულად ავტომატური short-video ძრავაა — თემას აძლევ და სისტემა ბოლომდე აწყობს ვიდეოს: სცენარს წერს LLM-ით (GPT, Qwen, DeepSeek), image/video-ს აგენერირებს ComfyUI ინტეგრაციით, voiceover-ს ასინთეზებს (voice cloning-ით), მუსიკას ამატებს და საბოლოო ვიდეოდ აკომპონებს. digital human narration და motion transfer ჩაშენებულია, web UI კონფიგურაციისთვის. Python, Apache-2.0, 22,000+ ვარსკვლავი — **HunyuanVideo**-სა და **ViMax**-ის გვერდით end-to-end short-video pipeline-ის ჩინური ეკოსისტემიდან გამოსული ლიდერი. | | [VoxCPM](https://github.com/OpenBMB/VoxCPM) | 36K | VoxCPM2 — tokenizer-free multilingual text-to-speech სისტემა OpenBMB-ისგან (Tsinghua University-ის კვლევითი ჯგუფი). 30 ენაზე მუშაობს language tag-ის გარეშე, 3 წამიანი ნიმუშიდან ხმის კლონირება, 48kHz სტუდიური ხარისხი. 2 მილიარდი პარამეტრი, 8GB VRAM-ზე ეშვება, Apache 2.0 ლიცენზია. Minimax benchmark-ზე 85.4% ხმის მსგავსება. ElevenLabs-ის ღია ალტერნატივა — კომერციული სერვისის გარეშე სტუდიური ხარისხის TTS. | | [HunyuanVideo](https://github.com/Tencent-Hunyuan/HunyuanVideo) | 12K | HunyuanVideo — Tencent-ის large-scale video generation framework. ტექსტიდან, სურათიდან ან audio prompt-ისგან ვიდეოს გენერაცია. Python-ში დაწერილი, Hugging Face-ზე ხელმისაწვდომი. 13 მილიარდი პარამეტრი, Wan-ის მსგავსი სხვა ღია video gen მოდელებთან კონკურენტული. ლოკალური გაშვება მძლავრ GPU-ს მოითხოვს (80GB VRAM რეკომენდირებულია). ფართო ვიდეო გენერაციული research-ისა და ComfyUI-ს workflow-ებისთვის. | | [Hyperframes](https://github.com/heygen-com/hyperframes) | 43K | Hyperframes — HeyGen-ის (AI avatar video-ს წამყვანი კომპანია) TypeScript framework, რომელიც HTML/CSS-ს ვიდეოდ გარდაქმნის. სპეციალურად AI აგენტებისთვის შექმნილი: აგენტი HTML-ს წერს, Hyperframes ვიდეოდ render-ავს — კოდირების ვიდეო pipeline. რეპოში არის [Claude-სპეციფიკური design guide](https://github.com/heygen-com/hyperframes/blob/main/docs/guides/claude-design-hyperframes.md) — Claude.ai-ში ვიდეო template-ის პირველ draft-ს ქმნი, ZIP-ით ჩამოგაქვს, შემდეგ Claude Code-ი ფინიშავს ანიმაციებს. Remotion-ის კონკურენტი declarative agent-first მიდგომით — Plain HTML + GSAP, React-ის გარეშე. 2026 მარტში გამოვიდა, Apache 2.0. | | [Supertonic](https://github.com/supertone-inc/supertonic) | 14K | Supertonic ულტრა-სწრაფი, on-device multilingual TTS-ია ONNX-ით — კომპაქტური 99M-პარამეტრიანი მოდელი, 31 ენა, 44.1kHz აუდიო, ღრუბლის გარეშე desktop/mobile/browser/edge-ზე. 10 expression tag ბუნებრივი ინტონაციისთვის და ready-to-use იმპლემენტაცია 11 ენაში (Python, Node, Java, C++, Swift, Rust, Flutter…). MIT (კოდი) + OpenRAIL-M (მოდელი), 12,000+ ვარსკვლავი, 2026 წლის 21 მაისის GitHub Trending #6 — **VoxCPM**-ის, **RealtimeTTS**-ისა და **bark**-ის გვერდით on-device TTS-ის ერთ-ერთი ყველაზე მსუბუქი ვარიანტი. | | [ViMax](https://github.com/HKUDS/ViMax) | 12K | ViMax HKUDS-ის (იმავე ლაბორატორიის, რომელმაც LightRAG, RAG-Anything, nanobot, DeepTutor და OpenSpace შექმნა — ყველა ამ კოლექციაშია) agentic video generation framework-ია. სპეციალიზებული აგენტები Director, Screenwriter, Producer და Video Generator როლებში იდეას, სცენარს ან მთელ რომანსაც კი სრულ ვიდეოდ აქცევს — Idea2Video, Script2Video, Novel2Video და AutoCameo (მომხმარებლის ფოტო პერსონაჟად). script generation, storyboard, shot planning, reference image selection და consistency validation ავტომატიზებულია. Python, MIT, 10,000+ ვარსკვლავი, GitHub Trending #8 — **HunyuanVideo**-ს გვერდით agentic, role-based მიდგომით განსხვავდება. | | [Kokoro](https://github.com/hexgrad/kokoro) | 8.6K | Kokoro — მცირე, მაგრამ ხარისხიანი ღია TTS მოდელი (82M პარამეტრი), Apache 2.0. ლოკალურად სწრაფი მეტყველების სინთეზი მინიმალური რესურსით — ერთ-ერთი ყველაზე პოპულარული მსუბუქი TTS 2026-ში. | | [RealtimeTTS](https://github.com/KoljaB/RealtimeTTS) | 4.0K | RealtimeTTS — Python ბიბლიოთეკა, რომელიც ტექსტს ხმად real-time-ში გარდაქმნის, streaming input-ისთვის ოპტიმიზებული. LLM-ის output-ს stream-ად ღებულობს და პირველ სიტყვებს 2 წამში წარმოაჩენს — სრული response-ის დასრულების გარეშე. Coqui, ElevenLabs, Azure, Piper, Kokoro — მრავალი TTS backend მხარდაჭერილია ერთი API-ით. ხმის კლონირება Coqui backend-ით. Kolja Beigel-ის (KoljaB) independent project, MIT ლიცენზია. სრული voice AI pipeline-ების ასაწყობად. | | [video-use](https://github.com/browser-use/video-use) | 22K | video-use — Browser Use გუნდის ხელსაწყო ვიდეო მონტაჟისთვის AI კოდინგ აგენტების მეშვეობით. ბუნებრივ ენაზე გაიცი ინსტრუქცია (ფრაგმენტების შეერთება, subtitle-ების დამატება, audio-ს ჩანაცვლება, speed-ის შეცვლა) და AI FFmpeg-ის სკრიპტს ავტომატურად წერს და ახორციელებს. Python-ში, 2026 წლის აპრილში გამოჩნდა. agentic media processing-ის ახალი მიმართულების ადრეული demo — NLE (non-linear editor) UI-ის გარეშე, პროგრამული ვიდეო workflow-ებისთვის. | --- ## 📚 რესურსები და სასწავლო მასალები > **Resources & Learning** — სასწავლო მასალები, awesome-სიები, კურსები და საცნობარო რესურსები AI-ით აშენებისთვის. | რეპოზიტორია | ⭐ | აღწერა | |---|---|---| | [Build Your Own X](https://github.com/codecrafters-io/build-your-own-x) | 544K | Build Your Own X — GitHub-ის ერთ-ერთი ყველაზე ვარსკვლავიანი სასწავლო რეპოზიტორია CodeCrafters-ისგან: tutorial-ების კატალოგი, სადაც საყვარელ ტექნოლოგიებს ნულიდან თავად აწყობ. Git, Docker, database, operating system, programming language, LLM, neural network, web browser, game engine — ათასობით ნაბიჯ-ნაბიჯ სახელმძღვანელო, კატეგორიებად დალაგებული და ენა-ნეიტრალური. პროგრამირების სიღრმისეული, system-level გაგებისთვის საუკეთესო რესურსია. | | [Public APIs](https://github.com/public-apis/public-apis) | 474K | Public APIs — GitHub-ის ერთ-ერთი ყველაზე ვარსკვლავიანი რეპოზიტორია, ასობით კატეგორიზებული უფასო API-ს კოლექტიური სია. ამინდი, მუსიკა, ფინანსები, რუკები, სპორტი, სახელმწიფო მონაცემები, AI სერვისები — authentication-ის, CORS-ის და ლიცენზიის ინფორმაციით. Python-ში დაწერილი ვალიდაციის სკრიპტებით, community-maintained. AI აგენტის workflow-ების ასაწყობისას — პირველი გაჩერება, სანამ API-ის ძებნას შეუდგები. | | [System Prompts Collection](https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools) | 143K | System Prompts Collection — 25-ზე მეტი AI ხელსაწყოს leaked და public system prompt-ების კოლექცია: Claude Code, Cursor, Devin AI, v0, Lovable, Replit, Windsurf, Manus, Perplexity, Kiro, Warp, Xcode და სხვა. prompt engineering-ის შეუცვლელი სასწავლო მასალა — ფრონტიერ კომპანიები სისტემურ prompt-ებს რა სტრუქტურით, ენით და ლოგიკით წერენ. AI Agent-ების ასაწყობად, product prompt engineering-ისთვის, ან კონკურენტული ანალიზისთვის. Community-ის მიერ განახლდება. | | [Awesome LLM Apps](https://github.com/Shubhamsaboo/awesome-llm-apps) | 135K | Awesome LLM Apps — 100+ გაშვებადი AI agent და RAG აპლიკაცია სრული კოდით: clone, customize, ship. GitHub-ის ერთ-ერთი ყველაზე სწრაფად მზარდი AI სასწავლო რეპო — პრაქტიკული მაგალითები frontier მოდელებზე. 117,000+ ვარსკვლავი. | | [LLMs from Scratch](https://github.com/rasbt/LLMs-from-scratch) | 104K | LLMs from Scratch — Sebastian Raschka-ს (Lightning AI-ის მკვლევარი) წიგნის "Build a Large Language Model (From Scratch)" Jupyter Notebook კოლექცია. ChatGPT-ის მსგავსი LLM PyTorch-ში ნულიდან: attention mechanism, tokenization, pre-training, fine-tuning, RLHF — ყველა ეტაპი კოდით. Manning Publications-ის ბესტსელერი, ღია Jupyter notebooks-ით. AI-ის შიდა მექანიზმის გასაგებად ყველაზე სრული, პრაქტიკული სასწავლო კურსი — კვლევისა და საინჟინრო გაგებისთვის. | | [Awesome MCP Servers](https://github.com/punkpeye/awesome-mcp-servers) | 94K | Awesome MCP Servers — MCP სერვერების კანონიკური, ~90K-ვარსკვლავიანი catalog: ათასობით tool და connector აგენტებისთვის (ბაზები, dev-ხელსაწყოები, სერვისები). MCP ეკოსისტემის მთავარი discovery-რესურსი. | | [AutoResearch](https://github.com/karpathy/autoresearch) | 95K | AutoResearch არის Andrej Karpathy-ს (OpenAI-ის ყოფილი კვლევის ხელმძღვანელი, Tesla AI-ის ყოფილი ხელმძღვანელი) ექსპერიმენტული Python პროექტი, სადაც AI აგენტები nanochat-ის ერთ-GPU-ზე ტრენინგს ავტომატურად წარმართავენ. პროექტი ავლენს „automated ML research" ცნებას — აგენტები ექსპერიმენტებს ჩაატარებენ, შედეგებს შეაფასებენ და ციკლს ადამიანის ჩარევის გარეშე გაიმეორებენ. Karpathy-ს ავტორიტეტის გამო სწრაფად დაიგროვა 87,000+ ვარსკვლავი, თუმცა ეს კვლევითი/სადემონსტრაციო პროექტია, არა production-ready ფრეიმვორკი. ML კვლევის ავტომატიზაციით დაინტერესებულთათვის საყურადღებო მიმართულებაა. | | [system_prompts_leaks](https://github.com/asgeirtj/system_prompts_leaks) | 64K | system_prompts_leaks მთავარი AI სისტემების ამოღებული system prompt-ების კრებულია — Anthropic (Claude Opus 4.8, Claude Code, Claude Design), OpenAI (ChatGPT, Codex), Google (Gemini, Antigravity), xAI Grok, Cursor, Copilot, Perplexity და სხვა. რეგულარულად ახლდება. prompt engineering-ის შესასწავლად ერთ-ერთი ყველაზე ღირებული რესურსი — ხედავ როგორ ამუშავებენ frontier ლაბები რეალურ აგენტებს. 49,000+ ⭐. | | [Anthropic Cookbook](https://github.com/anthropics/claude-cookbooks) | 52K | Anthropic Cookbook — Anthropic-ის ოფიციალური Jupyter Notebook კოლექცია Claude API-ის გამოყენების პრაქტიკული მაგალითებით. tool use, prompt caching, multi-agent workflows, vision, PDF processing, computer use, extended thinking, batch API — ყველა ძირითადი Claude-ის შესაძლებლობა კოდური მაგალითებით. Anthropic-ის გუნდი პირდაპირ ინარჩუნებს — ახალი features-ების გამოშვებასთან ერთად ემატება. Claude API-ს პირველად მომხმარებლებისთვის — ოფიციალური დასაწყისი. | | [Awesome Claude Code](https://github.com/hesreallyhim/awesome-claude-code) | 53K | Awesome Claude Code — Claude Code-ის (Anthropic) ecosystem-ის კურირებული სია: skills, hooks, slash-commands, agent orchestrators, applications, plugins. Claude Code-ის მაქსიმალურად ეფექტური გამოყენებისთვის — community-ის საუკეთესო workflow-ები, automation scripts, ინტეგრაციები ერთ ადგილზე. Python-ში, community-maintained. Claude Code-ის ახალი მომხმარებლებისთვის — გამოყენების შაბლონების, advanced workflows-ების სწრაფი შესწავლის პირველი გაჩერება. | | [awesome-cursorrules](https://github.com/PatrickJS/awesome-cursorrules) | 41K | awesome-cursorrules — Cursor-ის `.cursorrules` ფაილების კანონიკური კრებული სხვადასხვა ენისა და framework-ისთვის. AI coding agent-ის ქცევის კონფიგურაცია მზა შაბლონებით. 40,000+ ⭐. | | [AI Engineering from Scratch](https://github.com/rohitg00/ai-engineering-from-scratch) | 51K | AI Engineering from Scratch — სასწავლო რეპო პრინციპით „ისწავლე, ააშენე, გაუშვი სხვებისთვის": AI ინჟინერიის კონცეფციების ნულიდან, პრაქტიკული აგებით. Python. | | [Claude How-To](https://github.com/luongnv89/claude-howto) | 41K | Claude How-To — ვიზუალური, მაგალითებზე დაფუძნებული სახელმძღვანელო Claude Code-ისთვის: ძირითადი კონცეფტებიდან advanced agent-ების მშენებლობამდე, copy-paste შაბლონებით. Python-ში, 2025 წელს შექმნილი. Anthropic Cookbook-ისგან განსხვავებით, ნაკლებ ოფიციალური და უფრო community-style — მაგრამ მეტი ready-to-use template-ებით. Claude Code-ის ახალი მომხმარებლებისთვის, ვისაც სწრაფი, პრაქტიკული სახელმძღვანელო სჭირდება. | | [12-Factor Agents](https://github.com/humanlayer/12-factor-agents) | 26K | 12-Factor Agents humanlayer-ის 12 საინჟინრო პრინციპია production-grade LLM სოფტვერის ასაშენებლად — „12 Factor Apps" მეთოდოლოგიის AI ანალოგი. ამტკიცებს, რომ საუკეთესო გზა framework-ზე სრული დამოკიდებულება კი არა, არამედ მცირე, მოდულური აგენტური კონცეფციების არსებულ პროდუქტში ჩაშენებაა — prompt ownership, context window management, tool design, state unification, human coordination. Apache-2.0 (კოდი) + CC BY-SA 4.0 (კონტენტი), 23,000+ ვარსკვლავი, GitHub Trending #9 — **awesome-claude-code**-ისა და **Anthropic Cookbook**-ის გვერდით ფუძემდებლური სასწავლო რესურსი. | | [Free LLM API Resources](https://github.com/cheahjs/free-llm-api-resources) | 29K | Free LLM API Resources — 26-ზე მეტი უფასო LLM inference სერვისის კურირებული სია API-ზე წვდომით: OpenRouter, Google AI Studio, NVIDIA NIM, Mistral, Groq, Cerebras, Together AI და სხვა. ყოველი სერვისისთვის — ხელმისაწვდომი მოდელები, rate limits, registration requirements. Python-ში, cheahjs-ის მიერ, community-ის განახლებებით. prototype-ებისა და სასწავლო პროექტებისთვის, სადაც გადასახადი არ გსურს — ყველაზე სრული სია. | | [Agent Skills Spec](https://github.com/agentskills/agentskills) | 25K | Agent Skills Spec AI agent-ებისთვის skills-ის მიცემის ღია სტანდარტისა და სპეციფიკაციის კოლექციაა — write-once, use-everywhere პრინციპით. სრული სპეციფიკაციის დოკუმენტი, reference SDK და მაგალითი skill-ები. Python-ში, agentskills.io — დამოუკიდებელი, community-driven პროექტი. Claude Code, Codex და სხვა platform-ები ამ სტანდარტს მიჰყვებიან, თუმცა ეს Anthropic-ის ოფიციალური სტანდარტი არ არის. | | [Awesome AI Agent Papers](https://github.com/VoltAgent/awesome-ai-agent-papers) | 1.7K | Awesome AI Agent Papers — 2026-ში გამოქვეყნებული აგენტური AI კვლევითი ნაშრომების კურირებული კოლექცია: agent engineering, memory, evaluation, workflows და ავტონომიური სისტემები. VoltAgent-ის მიერ. | | [Awesome AI Agents 2026](https://github.com/caramaschiHG/awesome-ai-agents-2026) | 1.7K | Awesome AI Agents 2026 — 300+ AI აგენტის, ფრეიმვორკისა და ხელსაწყოს ყოვლისმომცველი სია 20+ კატეგორიად, ყოველთვიური განახლებით. agentic ეკოსისტემის სანავიგაციო რუკა. | | [Awesome CLI Coding Agents](https://github.com/bradAGI/awesome-cli-coding-agents) | 1.1K | Awesome CLI Coding Agents — ტერმინალში მომუშავე AI coding-აგენტებისა და მათი ორკესტრატორების კურირებული კატალოგი: Pi, OpenCode, Aider, Goose, Claude Code, Codex, Gemini CLI, parallel runners და agent ინფრასტრუქტურა. | | [Claude × HyperFrames Guide](https://github.com/heygen-com/hyperframes/blob/main/docs/guides/claude-design-hyperframes.md) | Guide | HyperFrames — HeyGen-ის ღია ფრეიმვორკი, რომელიც HTML/CSS/GSAP კომპოზიციებს მზა ვიდეოდ აქცევს და სპეციალურად AI აგენტებისთვისაა შექმნილი („Write HTML. Render video.“). Claude.ai ან Claude Code წერს HTML-ს, HyperFrames კი მას არენდერებს — social reel (9:16), launch teaser (16:9), product explainer და სხვა ფორმატებით. რეპოს თან ახლავს ოფიციალური სახელმძღვანელო Claude-სთან გუნდური video-workflow-ისთვის: draft Claude.ai-ში, polish Claude Code-ში. | | [LLM-Maintained Wiki (Karpathy)](https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f) | Gist | Andrej Karpathy-ს (OpenAI-ისა და Tesla-ს ყოფილი AI ხელმძღვანელი) კონცეფტუალური gist — AI ავტომატურად ქმნის და ანახლებს პერსონალურ Markdown wiki-ს ახალი ინფორმაციის მიხედვით. RAG-ის ალტერნატიული მიდგომა: ინფორმაცია არ ინახება vector DB-ში, არამედ LLM თავად გადაწერს, აახლებს და ჯვარედინ მითითებებს ამატებს wiki გვერდებში. კოდი კი არა — განსაზღვრის, ხედვის ნაშრომია, რომელმაც LLM-maintained knowledge bases-ის შესახებ ფართო დისკუსია გამოიწვია. | --- ## ჩვენს შესახებ <p align="center"> <a href="https://aipulsegeorgia.ge"><img src="https://img.shields.io/badge/AI_Pulse_Georgia-2026-00D0FF?style=for-the-badge&labelColor=111827" alt="AI Pulse Georgia 2026"/></a> </p> ეს სია იმართება **[AI Pulse Georgia](https://aipulsegeorgia.ge)**-ს მიერ — საზოგადოება, რომელიც ფოკუსირებულია AI აგენტებზე, ავტომატიზაციაზე და ავტონომიური სისტემების მომავალზე. > *„Exploring Georgia's AI Future"* თუ ეს სია გამოგადგებათ, მიეცით ვარსკვლავი და გაუზიარეთ სხვებს, ვინც AI აგენტებით აშენებს. ## წვლილის შეტანა იპოვეთ შესანიშნავი რეპოზიტორია, რომელიც ამ სიაში ჯდება? გახსენით issue ან გამოაგზავნეთ pull request. ## ლიცენზია [](https://creativecommons.org/publicdomain/zero/1.0/)