Käisime läbi GitHubi viimase nädala (2.-9. mai 2026) kõige kiiremini kasvanud projektid. Top 10 hulgas domineerivad AI ja LLM-i teemad: lokaalne inference, agentide infrastruktuur ning Claude Code’i ja Codexi skillid. Kõik valitud repod loodi viimase 7 päeva jooksul, seega peegeldab kogu staaride arv nädala kasvu.
1. V4bel/dirtyfrag – +3052 staari
Universaalne Linuxi LPE exploit, mille avastas turvateadlane Hyunwoo Kim. Tegemist on uue haavatavuste klassiga “Dirty Frag”, mis ühendab kaks page-cache write vulnerability’t ja annab root-õigused peaaegu kõikidel suurematel Linuxi distributsioonidel. Erinevalt Dirty Pipe’ist on tegemist deterministliku loogikaveaga ning race condition’it pole vaja. Kood on kirjutatud C-keeles ning xfrm-ESP osa sai juba CVE-2026-43284 tähise ja on mainline kernelis patchitud.
2. antirez/ds4 – +2822 staari
DeepSeek 4 Flashi lokaalne inference engine Apple Metali GPU jaoks. Projekti taga on Salvatore Sanfilippo ehk antirez, Redise looja. C-keeles kirjutatud tööriist võimaldab käivitada DeepSeek 4 Flashi mudelit otse Apple Siliconi Mac’ides ilma cloud’ist sõltumata. Hea valik arendajatele, kes tahavad eksperimenteerida DeepSeeki mudelitega Mac’il privaatsuse ja kiiruse tõttu.
3. aattaran/deepclaude – +1650 staari
Claude Code’i autonomous agent loop’i fork, mis võimaldab kasutada DeepSeek V4 Pro’d, OpenRouterit või mõnda teist Anthropicuga ühilduvat backend’i. JavaScriptis kirjutatud projekt pakub sama UX-i nagu Claude Code, kuid kuni 17 korda odavamalt. Sihtrühm on indie-arendajad ja ettevõtted, kes tahavad agentic coding workflow’d ilma suure API-arveta.
4. strukto-ai/mirage – +1510 staari
Ühtne virtuaalne failisüsteem AI-agentide jaoks. TypeScriptis kirjutatud Mirage võimaldab Claude Code’il, LangChain’il ja OpenAI Agents’il töötada turvalises sandbox’is, kus nad näevad ühtset failisüsteemi vaadet, kuid tegelikud failid jäävad eraldatuks. Lahendus aitab anda agentidele juurdepääsu ilma, et nad saaksid kogemata tootmissüsteemi rikkuda.
5. yaojingang/yao-open-prompts – +1412 staari
Hiinakeelne avatud lähtekoodiga AI-promptide kogumik. Pythoni baasil ehitatud kollektsioon katab töö-, õppimise-, sisuloome-, turunduse- ja igapäevaelu stsenaariume. Trending’us peamiselt Aasia turul, kuid kategooriate struktuur on hea näide ka teistele keeltele oma promptide kogu loomisel.
6. XBuilderLAB/cheat-on-content – +1278 staari
Sisuloojatele mõeldud workflow, mis muudab iga postituse kalibreeritud eksperimendiks: hinda, blind-predict, retro, evolve. Shelli skriptidena pakitud süsteem sunnib enne postitamist tulemust ennustama ja pärast seda võrdlema, et tuvastada mustreid. Looja sõnul aitas see kasvada nullist 1 miljoni jälgijani ühe kuuga.
7. MayersScott/rkn-block-checker – +855 staari
CLI-tööriist, mis diagnoosib Vene Roskomnadzori ja TSPU internetiblokeeringuid kihiti: DNS-i, TCP, TLS-i ja HTTP tasemel. Pythonis kirjutatud projekt aitab tuvastada, millisel tasemel sait blokeeritud on. Trending’us seoses Venemaa internetitsensuuri suurenemisega 2026. aasta alguses.
8. lightseekorg/tokenspeed – +811 staari
“Speed-of-light” LLM inference engine, mis toetab DeepSeeki, GPT-OSS-i, Kimi, MiniMaxi ja Qweni mudeleid Blackwelli GPU-del. Pythoniga ehitatud süsteemi eesmärk on saavutada teoreetiline maksimum tokens/sec. Sihtrühm on ettevõtted ja edasijõudnud arendajad, kes hostivad LLM-e oma riistvaral.
9. raiyanyahya/how-to-train-your-gpt – +771 staari
Õpetus modernse LLM-i ehitamiseks nullist. Jupyter Notebooki formaadis materjal selgitab attention-mehhanisme, transformereid, tokeniseerimist ja treenimise samme GPT-stiilis mudeli ehitamiseks PyTorchis. Iga koodirida on kommenteeritud lihtsas keeles. Sihtrühm on ML-i tudengid ja arendajad, kes tahavad mõista, mis toimub LLM-i sees.
10. Kappaemme-git/codex-startup-pressure-test-skill – +732 staari
OpenAI Codexi skill, mis pressure-testib startup-ideid enne arendusega alustamist. JavaScriptis pakitud tööriist tagastab startup-asutaja stiilis diagnoosi: hinnang, scorecard, peamine eeldus, fataalsed vead, konkurents, esimese 10 kliendi saavutamise sammud ja 2-nädalane MVP-suund. Hea näide ka sellest, kuidas pakendada AI-prompte installitavateks skillideks.
Mida see nädal näitab
Top 10 hulgas on 6 AI- ja LLM-idele pühendatud projekti, mis peegeldab 2026. aasta mai trende. Lokaalne inference (ds4, tokenspeed) kasvab kiiresti, kuna API-kulud tõusevad ja andmete privaatsus muutub olulisemaks. Samal ajal areneb AI-agentide infrastruktuur (mirage, deepclaude) ning Claude Code’i ja Codexi skillid muutuvad uueks installitavaks tööriistastandardiks. Turvateemadest paistis silma uus Linuxi LPE klass Dirty Frag, mis jõudis nädala lõpuks juba mainline kernelis patchitud saada.
Järgmine nädala kokkuvõte ilmub järgmisel pühapäeval. Jälgi agentslaunch.ai blogi.