스펙 중심 개발을 위한 툴킷
💫 Toolkit to help you get started with SDD or any other process!
Hot
68.7
★★★☆☆
무엇을 해결하나자동 코딩 도구의 무분별한 프롬프트와 비일관적 결과를 표준화된 실행 가능한 스펙 파이프라인으로 해결합니다.
누가 쓰면 좋나Engineering teams and platform builders who use automated coding agents and need consistent, auditable delivery processes. Organizations wanting to enforce project principles, reproducible fixes, and extensible agent integrations should adopt it.
왜 지금 뜨나코딩 에이전트 확산으로 안정적이고 감시 가능한 워크플로우 수요가 늘어서입니다.
이 리포의 한 방Offers an end-to-end, extensible spec-driven workflow with bundled agent integrations and role-based presets.
발견 경로
트렌딩
소형 C 엔진으로 대형 MoE 모델 실행
Run frontier MoE models on hardware you already own — pure C, zero deps, experts streamed from disk. Tiny engine, immense model. 🐦
Hot
72.6
★★★★☆
무엇을 해결하나저장소·RAM·VRAM을 하나의 계층으로 다루어 수백억~조 단위 MoE 모델을 소비자 하드웨어에서 실행한다. 전문가 모듈을 디스크에서 스트리밍해 대규모 모델을 저비용으로 동작시킨다.
누가 쓰면 좋나Systems engineers, ML researchers, and advanced hobbyists who need to run or experiment with large MoE models on local or heterogeneous hardware. Also useful for teams researching placement, routing, and inference-side optimizations.
왜 지금 뜨나모델 크기 증가와 비용/접근성 문제로 로컬·경량 추론 런타임 수요가 급증했기 때문이다.
이 리포의 한 방Runs 744B-2.8T parameter MoE models on consumer/heterogeneous hardware in pure C by streaming experts from disk.
발견 경로
워치리스트Watchlist 1 devs
대규모 모델 후훈련을 위한 엔터프라이즈 RL 프레임워크
Miles is an enterprise-facing reinforcement learning framework for LLM and VLM post-training, forked from and co-evolving with slime.
Hot
68.1
★★★☆☆
무엇을 해결하나롤아웃과 학습을 분리하고 빠른 인-루프 가중치 전파, 저정밀 학습 등 대규모 모델의 후훈련 운영 문제를 해결합니다.
누가 쓰면 좋나ML infrastructure teams, research labs, and enterprises that run RL post-training on large LLMs/VLMs and need scalable, reliable orchestration across heterogeneous GPU/accelerator fleets. Also for teams that require day-0 support for frontier models and production observability.
왜 지금 뜨나프론티어 모델과 멀티모달 수요 증가로 대규모 안정적 RL 후훈련 인프라 수요가 급증했습니다.
이 리포의 한 방Combines fully-asynchronous rollout, token-in-token-out correctness, and P2P fast weight updates to enable near-real-time RL post-training on trillion-parameter models.
발견 경로
에디터 픽Watchlist 1 devs
2시간에 64M 파라미터 LLM 훈련
🧠 Train a 64M-parameter LLM from scratch in just 2h!
Hot
67.4
★★★☆☆
무엇을 해결하나저비용·저자원으로 LLM을 처음부터 훈련하고 내부 구현을 끝까지 이해하도록 돕습니다.
누가 쓰면 좋나Researchers, ML engineers and hobbyists who want a reproducible, transparent LLM training stack they can run on a single GPU and inspect line-by-line. Also useful for educators and teams prototyping model design choices (Dense vs MoE, tokenizer choices, RL training) without large infrastructure.
왜 지금 뜨나소비자 GPU에서 동작하는 완전한 from-scratch PyTorch 파이프라인과 고급 훈련기법의 공개 때문입니다.
이 리포의 한 방A full PyTorch implementation that lets you train a ~64M-parameter LLM from scratch on a single GPU with the complete pipeline (tokenizer → pretrain → SFT → RL variants → serving).
발견 경로
에디터 픽Watchlist 1 devs
AI 에이전트용 컨텍스트 데이터베이스
Self-evolving Context Database for AI Agents. Unify Agent Memory, Knowledge RAG and Skills.
Hot
65.6
★★★☆☆
무엇을 해결하나에이전트의 기억, 지식, 스킬을 통합 저장해 세션 간 문맥 재활용을 가능하게 한다. 디렉터리 요약과 온디맨드 로딩으로 불필요한 대용량 읽기를 줄인다.
누가 쓰면 좋나Agent developers and teams building RAG pipelines or long-running agent workflows should use it. Researchers and engineers evaluating multi-turn memory, retrieval, and tool-use behaviors will also find it useful.
왜 지금 뜨나상태 유지 에이전트와 RAG 수요 증가로 주목받고 있다.
이 리포의 한 방A virtual viking:// filesystem with layered summaries (L0/L1/L2) that enables efficient on-demand retrieval and automated memory consolidation.
발견 경로
트렌딩
다양한 하드웨어용 C/C++ LLM 추론 엔진
LLM inference in C/C++
Hot
64.4
★★★☆☆
무엇을 해결하나의존성을 최소화한 C/C++ 구현으로 로컬에서 LLM/VLM 추론을 고성능으로 실행할 수 있게 합니다. 양자화와 다중 백엔드로 메모리와 레이턴시 요구를 낮춥니다.
누가 쓰면 좋나Developers and infra engineers who need private or low-latency model inference on desktops, servers, or edge devices. Researchers and integrators who want a portable, embeddable inference engine across many architectures and quantization formats.
왜 지금 뜨나로컬·프라이빗 추론 수요 증가와 양자화 모델 보급, 다중 하드웨어 지원으로 인기가 높습니다.
이 리포의 한 방A single C/C++ codebase that runs quantized LLMs across CPUs, GPUs, mobile NPUs and exotic backends with CPU+GPU hybrid inference.
발견 경로
Reddit
팀용 AI 스킬·규칙 저장·동기화 CLI
Make Every Team AI Native
Hot
63.9
★★★☆☆
무엇을 해결하나팀 내 AI 에이전트 동작 불일치와 지식 분산 문제를 해결합니다. Git 리포에서 스킬·규칙·환경을 중앙 관리하고 자동 동기화합니다.
누가 쓰면 좋나Engineering teams and platform teams that deploy or standardize multiple AI assistants across projects. Developers who need reproducible, team-wide prompts, skills, and governance for agent behavior.
왜 지금 뜨나팀 단위 AI 도구 도입 증가와 멀티 에이전트 관리를 위한 중앙화 수요가 커졌기 때문입니다.
이 리포의 한 방Provides a git-backed, shareable hub for team skills/rules that auto-syncs across multiple AI agents.
발견 경로
트렌딩
원격 에이전트 실행용 Gym 스타일 인터페이스
An interface library for RL post training with environments.
Hot
63.7
★★★☆☆
무엇을 해결하나원격·격리된 실행환경을 표준화된 Gym 스타일 API로 제공해 에이전트 학습과 배포를 간소화합니다.
누가 쓰면 좋나RL researchers, engineers building agentic systems, and framework authors who need networked, reproducible environments. Environment creators who want an easy path to package and publish isolated runtimes should also use it.
왜 지금 뜨나에이전트 기반 RL과 Hugging Face 생태계의 성장으로 네트워크화된 환경 표준 수요가 증가했습니다.
이 리포의 한 방Delivers a familiar Gym-like API over networked, containerized environments with built-in tooling to package and deploy to Hugging Face Spaces.
발견 경로
에디터 픽Watchlist 1 devs
코딩 에이전트를 위한 스킬 프레임워크
An agentic skills framework & software development methodology that works.
Hot
63.3
★★★☆☆
무엇을 해결하나에이전트가 사양을 묻고 계획을 세운 뒤 TDD로 검증하며 작업을 분할해 자동화하도록 한다.
누가 쓰면 좋나Developers and teams that embed AI coding assistants into their workflows, and toolsmiths building agent plugins or IDE integrations. Organizations that need repeatable, test-driven outputs from agents will benefit most.
왜 지금 뜨나에이전트 기반 개발과 다양한 플러그인 플랫폼의 확산으로 수요가 증가했다.
이 리포의 한 방A cross-harness, composable skills system that enforces spec-first design, TDD, and subagent-driven development for coding assistants.
발견 경로
트렌딩
에이전트 스킬 설치 및 실행 CLI
The open agent skills tool - npx skills
Hot
63.2
★★★☆☆
무엇을 해결하나여러 에이전트에서 재사용 가능한 스킬(프롬프트)을 검색·설치하고 프롬프트를 생성해 일관된 실행 환경을 제공합니다.
누가 쓰면 좋나Developers and teams who use multiple coding agents and need reproducible, shareable prompt packages and integrations. CI/CD and infra engineers who must install skills non-interactively or from private repositories will find the auth and automation features useful.
왜 지금 뜨나에이전트 생태계와 프롬프트 재사용 수요 증가로 표준화된 배포·통합 도구가 필요해졌습니다.
이 리포의 한 방Wide interoperability: installs and runs skill packages from GitHub/GitLab/URLs (including private repos) and can launch many supported agents with the generated prompt.
발견 경로
트렌딩
Nothing matches those filters.