用 Coding Agent 久了的人，大概都会撞上同一堵墙：
上下文越塞越贵、越慢；一个通用助手什么都懂一点、什么都不精；大仓库里反复 grep 和读文件，token 哗哗烧；想做视频还得另开一套工具；网上信息要自己复制粘贴；想并行试几种方案，就得开一堆终端自己盯。
最近有人整理了 6 个在 GitHub 上明显「在涨」的 Agent 相关仓库。它们不是又一个聊天壳，而是在补基础设施层：记忆、分工、联网、编排、成本。下面按「解决什么问题」写细一点。
1. Graft：给大代码库的上下文层
GitHub： https://github.com/NanoNets/Graft
官方定位是 open-source context layer for large codebases。核心不是换模型，而是换 Agent 拿到代码上下文的方式。
它会为仓库建图（结构 + 可选深度摘要），再在会话里把「该看的节点」抽进 prompt，而不是让模型每次从零翻文件。宣传数据大致是：最高约 4× 更便宜、3× 更快，单次会话时间可降约 60%；兼容 Claude Code、Codex、Cursor 等「会读文件」的 Agent。
可以把它理解成：
同样的 Claude / Codex，先戴上「本仓库地图」，再干活。
适合已经在用 Claude Code 一类工具、仓库又不小、账单和等待时间都开始疼的人。安装后 graft init，它会尽量挂进现有工作流；具体效果仍取决于仓库结构与任务类型，值得用自己的真实任务跑一轮对比。
2. Agency Agents：232 个「有分工的专家」角色库
GitHub： https://github.com/msitarzewski/agency-agents
这不是又一个运行时框架，而是一整柜 Markdown 人格 + 流程 的专家 Agent 定义：前端、营销、产品、销售、设计、游戏、医疗、学术……覆盖约 16 个领域、两百多个专项角色。每个角色带性格、工作方式和可交付物描述。
价值在于：把「你自己写 system prompt」变成「从成熟人设里选岗」。
需要 Reddit 社区运营口吻、需要现实检验（reality checker）、需要前端收尾门禁时，直接装对应 agent，而不是每次从空白对话教模型「你现在是谁」。
Star 极高，说明需求很普遍：通用助手已经饱和，垂直分工的可复用人设成了下一层杠杆。它本身是内容与安装脚本为主，真正执行仍依赖你使用的 Claude Code / Cursor / Codex 等宿主。
3. Codebase Memory MCP：把仓库变成可查询知识图谱
GitHub： https://github.com/DeusData/codebase-memory-mcp
通过 MCP 把代码库索引成持久知识图谱：函数、类、调用链、HTTP 路由、跨服务关系等。Agent 用图查询回答结构问题，而不是逐文件读。
关键数字（项目自述）：
- 约 158 种语言（tree-sitter）
- 结构类问题可大幅减少 token（量级上常被写成 99% 或约 120× 量级的节省，视任务而定）
- 查询可达毫秒级；大型仓库（甚至 Linux 内核量级）也可在可接受时间内全量索引
- 本地运行，不依赖把整库交给云端嵌入服务
它解决的是 Agent 最贵的动作之一：「在不了解结构的情况下到处打开文件」。
接上 Claude Code 等 MCP 客户端后，问「谁调用了这个接口」「这条请求链路怎么走」会从探索题变成查图表。
文档与主页：https://deusdata.github.io/codebase-memory-mcp/
4. OpenMontage：把 Coding Agent 变成视频制片流水线
GitHub： https://github.com/calesthio/OpenMontage
自称面向 Agent 的开源视频生产系统：规划、调研、剧本、素材、剪辑、渲染，用自然语言驱动多条流水线（讲解、演示、纪录片式蒙太奇、本地化等）。
和「单独一个文生视频网页」不同，它假设你已经有 Claude Code / Cursor / Codex 这类能读项目、跑命令的 Agent，把视频制作拆成工具 + pipeline 定义 + skill，让 Agent 按阶段推进，并在关键创作节点停下来等人确认。
可以本地免费路径（FFmpeg、Remotion、本地 TTS 等），也可以按需接付费生成服务。适合已经在用 AI 写代码、又想用同一套「对话式工作方式」出短视频、讲解片的人——不是替代剪映的时间线编辑器，而是「用 Agent 管制片流程」。
相关站点：https://openmontage.video/
5. Agent-Reach：给 Agent 装上「看网」的眼睛
GitHub： https://github.com/Panniantong/Agent-Reach
目标很直接：让 Agent 能搜、能读 X / Twitter、Reddit、YouTube、GitHub，以及 B 站、小红书等更多平台，尽量少依赖付费官方 API，而是编排已有开源工具（yt-dlp、阅读器、CLI、浏览器登录态等）。
安装后可用 agent-reach doctor 检查各通道是否可用。网页阅读、YouTube 字幕、RSS、公开 GitHub 等往往更容易零配置；X、Reddit、部分社交平台则可能需要 cookie / 登录态。
它补的是 Agent 的感知层：没有稳定联网与读帖能力，所谓「调研」「竞品跟踪」「热点总结」只能停留在训练数据里。把 Reach 接进工作流后，Agent 才更像能「出去看一眼再回来写」。
（同类思路也有其他实现，选型时以你常用平台和登录方式为准。）
6. Orca：并行跑一支 Coding Agent 舰队
GitHub： https://github.com/stablyai/orca
定位是 ADE（Agentic Development Environment）：在桌面（也可配合手机端）里管理多个 Coding Agent，常与 git worktree 结合——同一任务拆到多个隔离工作区，并行跑 Claude Code、Codex、OpenCode 等，再并排看 diff、挑赢家合并。
你自带各 Agent 的订阅与额度；Orca 负责编排、隔离、对比和通知，而不是再卖一个模型。适合已经会手动开多个终端试不同方案、希望把「赛马」变成一等公民工作流的人。
注意成本：并行 5 个 Agent，大致就是近 5 倍 token 账单，换的是更短的墙钟时间和更多可选项。
文档向站点：https://www.onorca.dev/
这 6 个项目合在一起，说明了什么？
可以隐约看到一条演进线：
层级 | 代表 | 解决的问题 |
上下文更准、更省 | Graft、Codebase Memory MCP | 少读无关文件、少烧 token |
角色更专 | Agency Agents | 通用助手 → 可复用专家人设 |
感知更全 | Agent-Reach | 能稳定读网、读社区、读视频 |
产出更宽 | OpenMontage | 从写代码扩展到制片流水线 |
执行更强 | Orca | 单 Agent → 可并行的舰队 |
原帖说得对：重点不再是「会不会用一个 Agent」，而是会不会管一支小队——谁负责记忆，谁负责上网，谁负责专精角色，谁负责并行试错，谁把结果合成视频或代码。
怎么选，才不至于全星标吃灰？
- 账单和速度先痛 → 优先试 Graft 或 Codebase Memory MCP。
- 总在重写人设 → 用 Agency Agents 当角色库。
- 调研全靠你复制粘贴 → 上 Agent-Reach。
- 已经在用 Agent 写代码，还想出视频 → 看 OpenMontage。
- 同一需求想同时试 3 种改法 → 上 Orca。
不必一次上齐。更稳的做法是：选当前工作流里最贵或最烦的一环，只接一个仓库，用真实任务跑一周，再决定是否叠加下一层。
小结
Agent 热潮的上半场是「对话框里能写代码」；下半场明显在补工程化：图谱记忆、专家分工、免费联网、多 Agent 并行、甚至视频流水线。上面 6 个仓库正是这条线上的活跃样本。
仓库再次汇总：
- Graft — https://github.com/NanoNets/Graft
- Agency Agents — https://github.com/msitarzewski/agency-agents
- Codebase Memory MCP — https://github.com/DeusData/codebase-memory-mcp
- OpenMontage — https://github.com/calesthio/OpenMontage
- Agent-Reach — https://github.com/Panniantong/Agent-Reach
- Orca — https://github.com/stablyai/orca
从「用一个助手」到「编排一支舰队」，差的往往不是更多 prompt，而是这层正在快速开源的基础设施。挑一个与你本周痛点对齐的，装上试一轮，比收藏一整页 Trending 更有用。