DEV Community: coddykit

28 Ücretsiz LLM Provider'ı Tek API'de Birleştiren Araç: FreeLLMAPI

coddykit — Mon, 24 Aug 2026 18:37:15 +0000

GitHub Trending'de bugün dikkat çeken bir proje var: FreeLLMAPI. 19,694 yıldız almış bu açık kaynak araç, 34 farklı LLM sağlayıcısının ücretsiz kotasını tek bir OpenAI-uyumlu API endpoint'inde birleştiriyor.

Nedir Bu FreeLLMAPI?

Her büyük AI laboratuvarı artık ücretsiz kota sunuyor - ayda birkaç milyon token, günde birkaç bin istek. Tek başına her biri oyuncak gibi. Ama birleştirildiğinde? Ayda 7.4 milyar token çalışan çıkarım kapasitesi ediyor.

Sorun şu ki, bunları elle birleştirmek acı verici: otuz dört farklı SDK, otuz dört farklı rate limit, otuz dört farklı hata noktası. FreeLLMAPI bunu tek bir OpenAI-uyumlu endpoint'e indirgiyor.

Neden Önemli?

1. Maliyet Sıfır, Güç Maksimum

34 ücretsiz provider (Google, Groq, Cerebras, Mistral, OpenRouter, Cohere, NVIDIA, HuggingFace ve daha fazlası)
474 model ailesi, 635 ücretsiz endpoint
Ayda ~7.4 milyar token toplam kapasite

2. Akıllı Yönlendirme

Router, her istek için en uygun modeli seçiyor. Bir provider rate limit'e takıldığında otomatik olarak bir sonrakine geçiyor. Her anahtar için kullanım takibi yapıyor, böylece her ücretsiz kotanın altında kalıyorsunuz.

3. Şifreli Anahtar Yönetimi

Provider anahtarları SQLite'ta AES-256-GCM ile şifrelenmiş. Uygulamalarınız sadece tek bir birleşik freellmapi-... bearer token görüyor.

Nasıl Çalışır?

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:3001/v1",
    api_key="freellmapi-your-unified-key",
)

resp = client.chat.completions.create(
    model="auto",  # router en iyisini seçsin
    messages=[{"role": "user", "content": "Roma'nın çöküşünü bir cümlede özetle."}],
)
print(resp.choices[0].message.content)
print("Yönlendirildi:", resp.headers.get("x-routed-via"))

Her yanıt X-Routed-Via: <platform>/<model> header'ı taşıyor, böylece hangi provider'ın hizmet verdiğini görebiliyorsunuz.

Kurulum

Docker ile tek komut:

curl -fsSL https://freellmapi.co/install.sh | bash

Bu komut:

~/freellmapi dizinini oluşturur
Şifreleme anahtarı üretir
Docker imajını çeker
Konteynerı başlatır

Sonra http://localhost:3001 adresine gidin, Keys sayfasından provider anahtarlarınızı ekleyin, Fallback Chain'i istediğiniz gibi sıralayın ve birleşik API anahtarınızı alın.

Desteklenen Araçlar

FreeLLMAPI, birçok popüler AI kodlama aracıyla çalışıyor:

Claude Code - npx freellmapi setup-claude
Codex CLI - npx freellmapi setup-codex
Aider - npx freellmapi setup-aider
Cline, Roo Code, Continue, OpenCode, Cursor, Zed, JetBrains AI ve daha fazlası

Gelişmiş Özellikler

Fusion (Çoklu Model Sentezi)

Sanal fusion modelini istediğinizde, router prompt'unuzu paralel olarak çeşitli ücretsiz modellere gönderiyor, sonra bir yargıç model taslaklardan tek bir yanıt sentezliyor.

Prompt Sıkıştırma

Opt-in olarak, paylaşılan bir istek hattı prompt'ları çoğaltabilir, araç çıktısını filtreleyebilir, tekrarlanan JSON'u sıkıştırabilir ve önbellek aramasından önce eski bağlamı kırpabilir.

Otomatik Katalog Güncellemesi

Router, günde iki kez freellmapi.co'dan imzalı bir katalog çekiyor: yeni modeller, kota değişiklikleri ve provider uyumluluk düzeltmeleri otomatik olarak geliyor.

Desktop Uygulaması

Native bir menü çubuğu uygulaması da var: tüm router + dashboard yerel olarak tepsinizden çalışıyor, canlı istek istatistiklerini gösteren bir glass popover ile.

Sınırlamalar

FreeLLMAPI'nin açıkça belirttiği önemli sınırlamalar var:

Frontier modeller yok (GPT-4, Claude 3.5 Sonnet gibi en güçlü modeller ücretsiz değil)
Değişken gecikme - farklı provider'lar farklı hızlarda
SLA yok - ücretsiz kotalar değişebilir veya kaldırılabilir
Gün içinde zeka düşüşü - en iyi modeller günlük kotalarına ulaştıkça, UTC gece yarısında sıfırlanana kadar endpoint'in etkin zekası düşüyor

Proje açıkça "kişisel deney ve öğrenme için, üretim için değil" diyor. Gerçek bir şey inşa ediyorsanız, göndermeden önce ücretli API'ye geçin.

Mimari Çıkarımlar

Bu proje, API tasarımı ve backend geliştirme açısından birçok ders veriyor:

API Gateway pattern: Tek endpoint, çoklu backend
Rate limiting ve quota yönetimi: Her provider için ayrı takip
Failover stratejileri: Otomatik yeniden deneme ve cooldown
Şifreleme: Anahtar yönetimi ve güvenlik
Mikroservis mimarisi: Modüler provider adaptörleri

Bu konularda derinlemesine bilgi için CoddyKit'in Backend Geliştirme kurslarına göz atabilirsiniz.

Sonuç

FreeLLMAPI, ücretsiz LLM kotalarını birleştirerek geliştiricilere güçlü bir deney ortamı sunuyor. Tek bir OpenAI-uyumlu endpoint, akıllı yönlendirme, otomatik failover ve şifreli anahtar yönetimi ile, AI prototipleme için etkileyici bir araç.

Ancak unutmayın: bu bir öğrenme aracı, üretim altyapısı değil. Gerçek uygulamalar için ücretli API'lere geçiş yapın.

GitHub: tashfeenahmed/freellmapi
Website: freellmapi.co
Lisans: MIT

Bu makale, GitHub Trending'deki ilginç açık kaynak projeleri tanıtan serinin bir parçası. Daha fazla teknik içerik için CoddyKit Blog'u takip edin.

OpenLogi: Rust ile Yazılmış Logitech Options+ Alternatifi (14K+ Stars) 🦀

coddykit — Sun, 23 Aug 2026 06:02:20 +0000

🔗 Links:

GitHub: github.com/AprilNEA/OpenLogi
Website: openlogi.org
Releases: github.com/AprilNEA/OpenLogi/releases

💻 Rust, açık kaynak ve developer tooling konularında daha fazla içerik için CoddyKit kurslarımıza göz atın!

Bu makale GitHub Trending'den seçilmiştir. Her gün yeni projeler keşfetmek için takipte kalın.

GitHub Trending Today: Agent Orchestration, Diagram Design & Edge AI Dominate (August 13, 2026)

coddykit — Thu, 13 Aug 2026 06:04:29 +0000

The AI agent ecosystem continues to evolve at breakneck speed. Today's GitHub Trending reveals a fascinating snapshot of where developers are investing their energy: from fleet-scale agent orchestration to 14MB foundation models that run on your phone.

Let's dive into the top 6 repositories making waves right now.

📊 Today's Trending at a Glance

Repository	Stars	Forks	Today's Stars	Language
paperclipai/paperclip	77,858	14,304	+571	TypeScript
stablyai/orca	44,199	3,076	+1,235	TypeScript
cathrynlavery/diagram-design	11,526	728	+2,855	HTML
semantica-agi/semantica	5,895	637	+845	Python
cactus-compute/needle	4,422	312	+315	Python
NVIDIA-NeMo/Switchyard	927	95	+421	Rust

🏆 #1 — paperclipai/paperclip (77,858 ⭐)

"The open-source app everyone uses to manage agents at work"

github.com/paperclipai/paperclip

What is it?

Paperclip has become the de facto open-source agent management platform. Think of it as a control plane for your AI workforce — you can spin up, monitor, and orchestrate multiple AI agents from a single dashboard.

Why it's trending

With 77K+ stars, Paperclip has crossed the threshold from "cool tool" to "industry standard." The project is MIT-licensed, actively maintained (last commit: hours ago), and the community momentum is undeniable.

The technical deep dive

TypeScript-first architecture makes it easy to extend
Agent lifecycle management with built-in observability
Works with any LLM provider — no vendor lock-in
5,071 open issues shows both massive adoption AND a hungry community

Who should care?

If you're running more than 2 AI agents in production, you need orchestration. Paperclip fills the gap between "I have a bunch of scripts" and "I have a managed AI workforce."

🚀 #2 — stablyai/orca (44,199 ⭐)

"The ADE for working with a fleet of parallel agents"

github.com/stablyai/orca

What is it?

Orca calls itself an "ADE" — Agent Development Environment. It's a TypeScript-based platform that lets you run parallel coding agents with your own API subscriptions. Available on desktop, mobile, and VPS.

Why it's trending (+1,235 stars TODAY)

The concept of parallel agents — multiple AI coders working simultaneously on different tasks — is having a moment. Orca makes this practical:

Worktrees support for Git-based parallelism
Mobile app so you can monitor agents from your phone
Bring your own subscription — use your existing Claude/OpenAI keys
YC-backed

The technical deep dive

Topics like claude-code, cursor-agent, opencode, ghostty, and terminal reveal Orca's ambition: it's not just another IDE. It's an agent-native development environment where AI isn't an assistant — it's the primary developer, and you're the orchestrator.

The 3,714 open issues and 3,076 forks show this is a project with real traction and an active contributor base.

🎨 #3 — cathrynlavery/diagram-design (11,526 ⭐) — TODAY'S BIGGEST MOVER

"29 editorial diagram types for Claude Code. Self-contained HTML + SVG. No shadows, no Mermaid-slop."

github.com/cathrynlavery/diagram-design

What is it?

+2,855 stars in a single day — that's the biggest jump on today's trending. Diagram-design provides 29 professionally designed diagram templates specifically optimized for AI-generated documentation. Pure HTML + SVG, zero dependencies.

Why it's trending

The description says it all: "No shadows, no Mermaid-slop." Developers are tired of AI-generated diagrams that look like they came from a 2005 PowerPoint template. This repo provides clean, editorial-quality diagram types that actually look professional.

The technical deep dive

Self-contained HTML + SVG — no build step, no CDN dependencies
29 diagram types covering everything from flowcharts to architecture diagrams
Designed for Claude Code integration — meaning AI agents can generate these natively
GitHub Pages enabled for live preview
MIT licensed, only 5 open issues (clean and focused)

Why this matters

As AI agents write more code and documentation, the visual quality of their output matters. Diagram-design raises the bar from "functional but ugly" to "publication-ready." The explosive growth suggests the developer community has been waiting for exactly this.

🧠 #4 — semantica-agi/semantica (5,895 ⭐)

"Graph-Native Infrastructure for Context and Accountable AI Systems"

github.com/semantica-agi/semantica

What is it?

Semantica takes a fundamentally different approach to AI context: instead of stuffing more text into prompts, it builds knowledge graphs that give AI systems structured, accountable, and explainable context.

Why it's trending

The topics tell the story: agent-memory, context-engineering, context-graphs, graph-rag, knowledge-graph, provenance, explainable-ai, ai-governance.

This isn't just another RAG wrapper. It's infrastructure for building AI systems that can explain why they made a decision and trace where their knowledge came from.

The technical deep dive

Python-based with 51MB codebase (substantial, not a toy)
Covers the full stack: semantic search, reasoning, ontology, provenance
decision-intelligence and data-engineering topics suggest enterprise focus
65 open issues — manageable for a growing project
Created June 2025, actively maintained through August 2026

Who should care?

If you're building AI systems that need to be auditable — healthcare, finance, legal — Semantica provides the graph-native foundation that vector databases alone can't offer.

📱 #5 — cactus-compute/needle (4,422 ⭐)

"14MB foundation model for tiny devices; phones, wearables, smart home, and robots."

github.com/cactus-compute/needle

What is it?

While everyone else is building bigger models, Needle goes the opposite direction: a 14MB foundation model designed to run on resource-constrained devices. No cloud, no API keys, no latency.

Why it's trending

Edge AI is having its moment. With topics like on-device-ai, gemini, and gemma, Needle bridges the gap between research models and practical deployment on:

Smartphones
Smartwatches and wearables
Smart home devices
Robots

The technical deep dive

14MB — fits in memory on virtually any modern device
Python-based with clean 4MB codebase (focused, not bloated)
Built on Gemma architecture with Gemini compatibility
38 open issues, 312 forks — growing community
MIT licensed

Why this matters

Not every AI use case needs GPT-4. For on-device inference — voice assistants, local classification, real-time sensor processing — a 14MB model that runs locally is often better than a cloud API call. Privacy, latency, and offline capability all favor the edge.

⚡ #6 — NVIDIA-NeMo/Switchyard (927 ⭐)

NVIDIA's latest Rust-based AI infrastructure project

github.com/NVIDIA-NeMo/Switchyard

What is it?

Fresh from NVIDIA's NeMo team, Switchyard is a Rust-based infrastructure project that's climbing fast (+421 stars today). While the description is sparse, the pedigree speaks volumes.

Why it's trending

NVIDIA backing — this isn't a side project
Rust — chosen for performance-critical AI infrastructure
Apache 2.0 licensed — enterprise-friendly
Created May 2026, actively maintained
77 open issues and 95 forks suggest early but serious adoption

The technical deep dive

The NeMo ecosystem powers NVIDIA's enterprise AI platform. Switchyard likely fills a routing/orchestration role (the name suggests model switching and traffic management). The Rust choice indicates this handles high-throughput, low-latency workloads where Python's GIL would be a bottleneck.

🔮 The Big Picture: What Today's Trending Tells Us

Three clear themes emerge:

1. Agent Orchestration is Production-Ready

Paperclip (77K stars) and Orca (44K stars) prove that AI agent management has moved from experimental to essential. If you're not orchestrating agents yet, you're behind.

2. Quality Over Quantity

Diagram-design's explosive growth (+2,855 in one day!) shows developers are demanding better tooling for AI-generated output. It's not enough for AI to work — it needs to produce beautiful, professional results.

3. The Edge is Rising

Needle's 14MB model and NVIDIA's Switchyard signal that the next frontier isn't bigger models — it's smarter deployment. On-device AI, low-latency inference, and privacy-first architectures are gaining ground.

📚 Want to Build This Stuff?

These trending repos span AI agents, TypeScript, Python, and Rust — all skills you can learn today.

Relevant CoddyKit courses:

🤖 AI Agents with Python — Build autonomous agents from scratch
🐍 Python Programming — The language of choice for AI/ML
⚡ TypeScript — Power tools like Paperclip and Orca
🦀 Go Programming — Systems-level performance
🗄️ SQL & Databases — Knowledge graphs need solid data foundations

Browse all courses →

Data sourced from GitHub Trending and GitHub API on August 13, 2026. Star counts verified at time of publication.

Prime Agent: The Self-Improving AI Coding Agent — 14,388 GitHub Stars

coddykit — Wed, 12 Aug 2026 06:06:43 +0000

Prime Agent is a self-improving Reinforcement Learning from Machine feedback (RLM) agent built by PrimeIntellect for coding workflows and long-running autonomous tasks. With 14,388 GitHub stars and 1,485 forks, it's the fastest-growing autonomous coding agent project on GitHub—gaining 1,138 stars in a single day (August 12, 2026).

Unlike traditional coding assistants, Prime Agent uses self-improving RLM to learn from its own execution traces, continuously refining its approach to software engineering tasks. Written in TypeScript and MIT-licensed, it's designed for developers who need autonomous agents that can handle multi-step coding workflows, refactoring projects, and long-running tasks without constant supervision.

Use Prime Agent if you need: An autonomous coding agent that improves over time, handles complex multi-file refactoring, and works independently on long-running tasks while you focus on higher-level architecture decisions.

Today's GitHub Trending is dominated by AI agents: Orca (43,052 stars) for parallel agent orchestration, Paperclip (77,307 stars) for enterprise agent management, Semantica (5,108 stars) for graph-native AI infrastructure, and Addy Osmani's agent-skills (86,336 stars) for production-grade agent capabilities.

The Problem: Why Autonomous Coding Agents Matter

Traditional AI coding assistants like GitHub Copilot and Cursor are reactive—they wait for your prompts and suggestions. But modern software development involves long-running, multi-step tasks that don't fit the prompt-response paradigm:

Large-scale refactoring: Rename symbols across 500 files, update API contracts, migrate frameworks
Dependency updates: Bump versions, fix breaking changes, run test suites, debug failures
Code migration: Convert JavaScript to TypeScript, migrate from REST to GraphQL, upgrade Next.js versions
Test generation: Analyze codebase, identify untested paths, generate comprehensive test suites
Documentation: Generate API docs, README files, and inline comments for entire repositories

These tasks take hours or days of repetitive work. They're not intellectually challenging, but they require attention to detail and consistency across large codebases. This is where autonomous agents shine.

Prime Agent solves this by:

Understanding the goal: You describe what needs to be done in natural language
Planning the approach: Agent breaks down the task into subtasks and dependencies
Executing autonomously: Agent writes code, runs tests, debugs failures, iterates
Self-improving: Agent learns from execution traces and improves its approach over time

The result? You delegate repetitive coding work to an agent that gets better with every task.

Key Features

1. Self-Improving RLM (Reinforcement Learning from Machine feedback)

Prime Agent's core innovation is RLM—a variation of RLHF (Reinforcement Learning from Human Feedback) where the feedback comes from machine-executable signals rather than human preference ratings.

How it works:

Agent executes coding tasks (write code, run tests, debug errors)
Execution traces are collected (success/failure, test pass rates, code quality metrics)
Reward model scores traces based on:
- Correctness: Does the code compile? Do tests pass?
- Efficiency: How many attempts did it take? How much code was changed?
- Quality: Code style, maintainability, adherence to project conventions
Agent's policy is updated via reinforcement learning to maximize rewards
Cycle repeats—agent continuously improves

Why this matters: Traditional fine-tuning requires expensive human annotation. RLM uses automated feedback signals that are cheap, scalable, and objective. The agent learns from every task it completes, whether it succeeds or fails.

// Example: Prime Agent learning from execution traces
interface ExecutionTrace {
  task: string;
  steps: AgentStep[];
  outcome: {
    success: boolean;
    testPassRate: number;
    attempts: number;
    codeQualityScore: number;
  };
}

// Agent policy update (simplified)
function updatePolicy(traces: ExecutionTrace[]) {
  const rewards = traces.map(trace => calculateReward(trace));
  // Reinforcement learning: update policy to maximize expected reward
  policy.update(rewards, traces);
}

function calculateReward(trace: ExecutionTrace): number {
  return (
    (trace.outcome.success ? 1.0 : 0.0) * 0.4 +
    trace.outcome.testPassRate * 0.3 +
    (1.0 / trace.outcome.attempts) * 0.2 +
    trace.outcome.codeQualityScore * 0.1
  );
}

2. Long-Running Autonomous Tasks

Prime Agent can work on tasks that take hours or days without constant supervision:

Checkpoint and resume: Agent saves progress and can resume after interruptions
Error recovery: Automatically retries failed steps with different approaches
Progress reporting: Sends updates via Slack, email, or webhook
Human-in-the-loop: Pauses for approval on critical decisions (e.g., deleting files, pushing to production)

// Example: Long-running refactoring task
const task = await primeAgent.createTask({
  description: "Migrate all REST API endpoints to GraphQL in the /api directory",
  config: {
    maxDuration: "8h",
    checkpointInterval: "15m",
    humanApprovalRequired: ["schema changes", "database migrations"],
    notifications: {
      slack: "#engineering",
      email: "dev@example.com"
    }
  }
});

task.on("progress", (update) => {
  console.log(`Progress: ${update.progress}% - ${update.currentStep}`);
});

task.on("approval-needed", (decision) => {
  console.log(`Approval needed: ${decision.description}`);
  // Human reviews and approves/rejects via dashboard
});

task.on("complete", (result) => {
  console.log(`Migration complete: ${result.summary}`);
});

await task.start();

3. Multi-Agent Orchestration

Prime Agent can spawn sub-agents for parallel execution:

Divide and conquer: Split large tasks into independent subtasks
Specialization: Spawn agents with different expertise (frontend, backend, testing)
Coordination: Sub-agents communicate and synchronize via shared state

// Example: Parallel refactoring with sub-agents
const mainTask = await primeAgent.createTask({
  description: "Upgrade entire monorepo to TypeScript 5.0",
  strategy: "parallel"
});

// Spawn sub-agents for each package
const packages = await discoverPackages("./packages");
const subTasks = packages.map(pkg => 
  mainTask.spawnSubAgent({
    description: `Upgrade ${pkg.name} to TypeScript 5.0`,
    context: {
      packagePath: pkg.path,
      dependencies: pkg.dependencies
    }
  })
);

// Wait for all sub-agents to complete
await Promise.all(subTasks.map(task => task.waitForCompletion()));

// Main agent integrates results and resolves conflicts
await mainTask.integrate();

4. Codebase-Aware Context

Prime Agent understands your entire codebase:

Semantic search: Find relevant code by meaning, not just keywords
Dependency graphs: Understand how modules depend on each other
Convention learning: Learns your project's coding style and patterns
Test coverage analysis: Identifies untested code paths

// Example: Agent understanding codebase context
const context = await primeAgent.analyzeCodebase({
  root: "./src",
  include: ["**/*.ts", "**/*.tsx"],
  exclude: ["**/node_modules/**", "**/*.test.ts"]
});

console.log(context.summary);
// Output:
// - 1,247 TypeScript files
// - 89,432 lines of code
// - 73% test coverage
// - Primary framework: Next.js 14
// - State management: Redux Toolkit
// - API layer: tRPC
// - Coding style: Functional components, hooks, strict TypeScript

// Agent uses this context to generate code that matches your project

5. Tool Integration

Prime Agent integrates with development tools:

Git: Commit, push, create PRs, resolve merge conflicts
CI/CD: Trigger builds, monitor test results, debug failures
Package managers: Install dependencies, update lockfiles
Linters and formatters: Run ESLint, Prettier, auto-fix issues
Testing frameworks: Run Jest, Vitest, Cypress, analyze failures

// Example: Agent with tool integration
const agent = await primeAgent.create({
  tools: [
    "git",
    "npm",
    "eslint",
    "jest",
    "github-pr"
  ],
  permissions: {
    git: ["commit", "push", "create-pr"],
    npm: ["install", "update"],
    filesystem: ["read", "write", "delete"]
  }
});

await agent.execute({
  description: "Fix all ESLint errors in the project and create a PR",
  steps: [
    "Run ESLint on entire codebase",
    "Auto-fix fixable errors",
    "Manually fix remaining errors",
    "Run tests to ensure no regressions",
    "Commit changes with descriptive message",
    "Create PR with summary of fixes"
  ]
});

6. Security and Sandboxing

Prime Agent runs in a sandboxed environment to prevent accidental damage:

Filesystem restrictions: Can only access specified directories
Network policies: Whitelist allowed domains and ports
Resource limits: CPU, memory, and time quotas
Audit logging: Every action is logged and can be reviewed

// Example: Sandboxed agent configuration
const agent = await primeAgent.create({
  sandbox: {
    filesystem: {
      allow: ["./src", "./tests"],
      deny: ["./node_modules", "./.env", "./.git"]
    },
    network: {
      allow: ["api.github.com", "registry.npmjs.org"],
      deny: ["*"]
    },
    resources: {
      maxMemory: "2GB",
      maxCPU: "50%",
      maxDuration: "4h"
    }
  }
});

Technical Architecture

Core Stack

Prime Agent is built with:

TypeScript: Type-safe, maintainable codebase
Node.js: Runtime for agent execution
LangGraph: Agent orchestration and state management
Vector databases: Semantic code search (Pinecone, Weaviate, or local ChromaDB)
LLM backends: OpenAI GPT-4, Anthropic Claude, or self-hosted models (Llama 3, Mistral)

RLM Training Pipeline

┌─────────────────────────────────────────────────────────────┐
│  1. Task Execution                                           │
│  - Agent receives coding task                              │
│  - Executes task (writes code, runs tests)                 │
│  - Collects execution trace                                │
└─────────────────────────────────────────────────────────────┘
                            ↓
┌─────────────────────────────────────────────────────────────┐
│  2. Trace Scoring                                           │
│  - Automated reward model scores trace                     │
│  - Metrics: correctness, efficiency, quality               │
└─────────────────────────────────────────────────────────────┘
                            ↓
┌─────────────────────────────────────────────────────────────┐
│  3. Policy Update                                           │
│  - Reinforcement learning updates agent policy             │
│  - PPO or DPO algorithm                                    │
└─────────────────────────────────────────────────────────────┘
                            ↓
┌─────────────────────────────────────────────────────────────┐
│  4. Deployment                                              │
│  - Updated policy deployed to production                   │
│  - Agent improves on next task                             │
└─────────────────────────────────────────────────────────────┘

Self-Improvement Loop

Prime Agent's self-improvement is continuous:

Every task generates an execution trace
Every trace is scored by the reward model
Every score contributes to policy updates
Every update makes the agent better at similar tasks

This creates a flywheel effect: the more tasks the agent completes, the better it becomes, which leads to more successful task completions, which generates more training data.

The AI Agent Ecosystem: August 2026

Prime Agent isn't alone. Today's GitHub Trending shows a complete AI agent ecosystem emerging:

Orca (43,052 stars, +875 today)

Orca is the Agent Development Environment (ADE) for working with fleets of parallel agents. Think of it as an IDE designed specifically for orchestrating multiple AI agents simultaneously.

Key features:

Run any coding agent (Claude Code, Codex, Cursor Agent) with your own subscription
Parallel agent execution with worktree isolation
Desktop, mobile, and VPS support
YC-backed startup

Use Orca if: You want to run multiple agents in parallel, each with their own LLM subscription, and need a unified interface to manage them.

GitHub: stablyai/orca

Paperclip (77,307 stars, +748 today)

Paperclip is the open-source app enterprises use to manage agents at work. It's essentially an "agent operating system" for teams.

Key features:

Centralized agent management dashboard
Role-based access control for agents
Audit logs and compliance tracking
Integration with enterprise tools (Slack, Jira, GitHub)

Use Paperclip if: You're deploying AI agents in an enterprise environment and need governance, security, and team collaboration features.

GitHub: paperclipai/paperclip

Semantica (5,108 stars, +893 today)

Semantica provides graph-native infrastructure for context and accountable AI systems. It's the "knowledge layer" that gives agents long-term memory and explainability.

Key features:

Knowledge graphs for agent memory
Provenance tracking (why did the agent make this decision?)
Semantic search across agent interactions
Explainable AI with decision graphs

Use Semantica if: You need agents with long-term memory, explainability, and the ability to reason over complex relationships.

GitHub: semantica-agi/semantica

Agent Skills (86,336 stars, +578 today)

Agent Skills by Addy Osmani (Google Chrome engineering lead) is a curated collection of production-grade engineering skills for AI coding agents.

Key features:

Reusable skill templates for common engineering tasks
Skills for Claude Code, Codex, Cursor, and other agents
Community-contributed skills with quality ratings
Documentation and best practices

Use Agent Skills if: You want to give your AI agent production-ready capabilities for specific engineering tasks (code review, testing, documentation, etc.).

GitHub: addyosmani/agent-skills

Comparison: Prime Agent vs Other Coding Agents

Feature	Prime Agent	GitHub Copilot	Cursor	Devin
Autonomy	Fully autonomous	Reactive (prompt-based)	Semi-autonomous	Fully autonomous
Self-improving	Yes (RLM)	No	No	Limited
Long-running tasks	Hours/days	Minutes	Minutes	Hours
Multi-agent	Yes (sub-agents)	No	No	No
Codebase awareness	Full repo context	File-level	Project-level	Full repo
Open source	Yes (MIT)	No	No	No
Price	Free (self-hosted)	$19/month	$20/month	$500/month
Self-hosted	Yes	No	No	No
Learning from execution	Yes	No	No	Limited

When to Choose Prime Agent

✅ Choose Prime Agent if:

You need autonomous agents for long-running tasks (hours/days)
You want agents that improve over time via RLM
You need multi-agent orchestration for parallel work
You prefer open-source, self-hosted solutions
You want full control over agent behavior and permissions

When to Choose Alternatives

✅ Choose GitHub Copilot if:

You want inline code suggestions while typing
You need quick answers to coding questions
You prefer tight IDE integration

✅ Choose Cursor if:

You want a ChatGPT-like interface for your codebase
You need help understanding and navigating code
You prefer semi-autonomous assistance

✅ Choose Devin if:

You need a fully autonomous software engineer
You're willing to pay $500/month for managed service
You want human-level autonomy without self-hosting

Installation & Setup Guide

Option 1: Quick Start (Docker)

# Clone the repository
git clone https://github.com/PrimeIntellect-ai/prime-agent.git
cd prime-agent

# Copy environment file
cp .env.example .env

# Add your LLM API keys to .env
# OPENAI_API_KEY=sk-...
# ANTHROPIC_API_KEY=sk-ant-...

# Start with Docker
docker compose up -d

# Access the dashboard
open http://localhost:3000

Option 2: Local Development

# Clone and install
git clone https://github.com/PrimeIntellect-ai/prime-agent.git
cd prime-agent
npm install

# Configure environment
cp .env.example .env
# Edit .env with your API keys

# Start development server
npm run dev

# Dashboard: http://localhost:3000
# API: http://localhost:8080

Option 3: CLI Usage

# Install globally
npm install -g @primeintellect/prime-agent

# Create a task
prime-agent task "Refactor all API routes to use async/await" \
  --dir ./src/api \
  --max-duration 2h

# Monitor progress
prime-agent status

# View execution traces
prime-agent traces --last 10

Configuration

Create a prime-agent.config.js in your project root:

module.exports = {
  // LLM configuration
  llm: {
    provider: "openai", // or "anthropic", "local"
    model: "gpt-4-turbo",
    temperature: 0.2
  },

  // Sandbox configuration
  sandbox: {
    filesystem: {
      allow: ["./src", "./tests"],
      deny: ["./node_modules", "./.env"]
    },
    network: {
      allow: ["api.github.com", "registry.npmjs.org"]
    }
  },

  // Tool permissions
  tools: {
    git: ["commit", "push", "create-pr"],
    npm: ["install", "test"],
    eslint: ["lint", "fix"]
  },

  // RLM configuration
  rlm: {
    enabled: true,
    traceStorage: "./traces",
    rewardModel: "./models/reward-v1.pt"
  }
};

Future Roadmap

1. Multi-Modal Agents (Q4 2026)

Prime Agent will support multi-modal tasks:

Analyze screenshots and generate UI code
Convert design mockings (Figma) to React components
Generate code from architecture diagrams
Understand video tutorials and implement demonstrated patterns

2. Federated RLM (Q1 2027)

Federated learning across organizations:

Multiple companies contribute execution traces
Shared reward model improves for everyone
Private data never leaves your infrastructure
Collective intelligence without data sharing

3. Agent Marketplace (Q2 2027)

A marketplace for specialized agents:

Pre-trained agents for specific frameworks (Next.js, Django, Rails)
Domain-specific agents (healthcare, finance, e-commerce)
Community-contributed agents with ratings
Revenue sharing for agent creators

4. Real-Time Collaboration (Q3 2027)

Human-agent pair programming:

Real-time code editing with agent suggestions
Voice commands for agent control
Shared cursors and code navigation
Agent explains its reasoning in real-time

Community & Contributors

Prime Agent is backed by PrimeIntellect, a research lab focused on decentralized AI training and autonomous agents. The project has:

14,388 GitHub stars and 1,485 forks
Active Discord community with 5,000+ members
Weekly office hours with core maintainers
Bounty program for bug fixes and feature contributions

Notable contributors:

PrimeIntellect research team
Community contributors from Google, Meta, and Microsoft
Academic partners from Stanford and MIT

FAQ

1. Is Prime Agent safe to use on production codebases?

Yes, with proper sandboxing. Prime Agent runs in an isolated environment with filesystem and network restrictions. You can configure:

Read-only access to production code
Deny write access to critical files
Require human approval for destructive actions
Audit logging for all agent actions

Recommendation: Start with a staging environment, review agent outputs, and gradually increase autonomy as you build trust.

2. How does Prime Agent's RLM differ from traditional fine-tuning?

Traditional fine-tuning:

Requires expensive human annotation
Static—model doesn't improve after deployment
Expensive to retrain with new data

Prime Agent's RLM:

Uses automated feedback (test results, code quality metrics)
Continuous—model improves with every task
Cheap to scale (no human annotators needed)
Objective signals (tests pass/fail) vs subjective human preferences

3. Can Prime Agent replace human developers?

No. Prime Agent is designed to augment developers, not replace them. It excels at:

Repetitive, time-consuming tasks (refactoring, migrations)
Boilerplate code generation
Test suite expansion
Documentation generation

Humans are still needed for:

High-level architecture decisions
Creative problem-solving
Understanding business requirements
Code review and quality assurance

Think of Prime Agent as a junior developer that never sleeps, never gets bored, and continuously improves.

4. What LLM backends does Prime Agent support?

Prime Agent supports:

OpenAI: GPT-4, GPT-4 Turbo, GPT-3.5
Anthropic: Claude 3 Opus, Sonnet, Haiku
Self-hosted: Llama 3, Mistral, CodeLlama (via Ollama or vLLM)
Azure OpenAI: For enterprise deployments

You can configure different models for different tasks (e.g., GPT-4 for planning, GPT-3.5 for code generation).

5. How much does Prime Agent cost to run?

Self-hosted: Free (MIT license). You pay for:

LLM API calls (~$0.03-0.10 per task depending on complexity)
Infrastructure (CPU, memory, storage)

Typical costs:

Small tasks (single file): $0.01-0.03
Medium tasks (multi-file refactoring): $0.05-0.20
Large tasks (full project migration): $1-5

Cost optimization tips:

Use cheaper models (GPT-3.5) for simple tasks
Cache common patterns to reduce API calls
Run RLM training on spot instances

6. Can I use Prime Agent offline?

Partially. You can:

Run self-hosted LLMs (Llama 3, Mistral) for offline code generation
Use local vector databases for semantic search
Execute tasks without internet access

However, RLM training and some features require cloud APIs. For fully offline usage, you'll need to disable RLM and use pre-trained models.

7. How do I review what the agent did?

Prime Agent provides:

Execution traces: Step-by-step log of agent actions
Diff viewer: See exactly what code changed
Test results: Which tests passed/failed
Reasoning logs: Why the agent made each decision

Access via the dashboard or CLI:

prime-agent traces --task-id abc123
prime-agent diff --task-id abc123

JSON-LD Schemas

BlogPosting Schema

{
  "@context": "https://schema.org",
  "@type": "BlogPosting",
  "headline": "Prime Agent: The Self-Improving AI Coding Agent — 14,388 GitHub Stars",
  "description": "Deep dive into PrimeIntellect's Prime Agent, the self-improving RLM agent for coding workflows with 14,388 stars. Plus: Orca, Paperclip, and why AI agents dominate GitHub Trending.",
  "image": "https://images.unsplash.com/photo-1677442136019-21780ecad995?w=1200&h=630&fit=crop",
  "author": {
    "@type": "Person",
    "name": "Mehmet",
    "url": "https://coddykit.com"
  },
  "publisher": {
    "@type": "Organization",
    "name": "CoddyKit",
    "logo": {
      "@type": "ImageObject",
      "url": "https://coddykit.com/logo.png"
    }
  },
  "datePublished": "2026-08-12",
  "dateModified": "2026-08-12",
  "mainEntityOfPage": {
    "@type": "WebPage",
    "@id": "https://dev.to/coddykit/prime-agent-self-improving-ai-coding-agent"
  },
  "keywords": "prime agent, ai agents, coding agents, reinforcement learning, autonomous agents, typescript, github trending"
}

FAQPage Schema

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "Is Prime Agent safe to use on production codebases?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Yes, with proper sandboxing. Prime Agent runs in an isolated environment with filesystem and network restrictions. Start with a staging environment and gradually increase autonomy."
      }
    },
    {
      "@type": "Question",
      "name": "How does Prime Agent's RLM differ from traditional fine-tuning?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "RLM uses automated feedback (test results, code quality metrics) instead of expensive human annotation. It's continuous, cheap to scale, and uses objective signals."
      }
    },
    {
      "@type": "Question",
      "name": "Can Prime Agent replace human developers?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "No. Prime Agent augments developers by handling repetitive tasks. Humans are still needed for architecture decisions, creative problem-solving, and understanding business requirements."
      }
    },
    {
      "@type": "Question",
      "name": "What LLM backends does Prime Agent support?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Prime Agent supports OpenAI (GPT-4), Anthropic (Claude 3), self-hosted models (Llama 3, Mistral), and Azure OpenAI."
      }
    },
    {
      "@type": "Question",
      "name": "How much does Prime Agent cost to run?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Self-hosted is free (MIT license). You pay for LLM API calls (~$0.03-0.10 per task) and infrastructure. Typical costs: $0.01-0.03 for small tasks, $1-5 for large migrations."
      }
    },
    {
      "@type": "Question",
      "name": "Can I use Prime Agent offline?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Partially. You can run self-hosted LLMs and local vector databases for offline usage. However, RLM training requires cloud APIs."
      }
    },
    {
      "@type": "Question",
      "name": "How do I review what the agent did?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Prime Agent provides execution traces, diff viewers, test results, and reasoning logs. Access via dashboard or CLI: prime-agent traces --task-id abc123"
      }
    }
  ]
}

Unsplash Image Suggestion

Hero image: AI robot coding

Alternative options:

Learn More

Interested in building AI agents like Prime Agent? Check out these courses on CoddyKit:

JavaScript: Master the language Prime Agent is built on. Learn modern JavaScript patterns, async programming, and Node.js fundamentals.
TypeScript: Build type-safe, maintainable AI agent codebases with TypeScript. Learn advanced types, generics, and type inference.
React: Create dashboards and UIs for your AI agents. Learn React patterns, state management, and real-time updates.

Resources

GitHub: PrimeIntellect-ai/prime-agent
Documentation: primeintellect.ai/docs
Discord: Join the community
Twitter: @PrimeIntellect_

Other AI Agent Projects Mentioned

Orca: stablyai/orca — Parallel agent orchestration
Paperclip: paperclipai/paperclip — Enterprise agent management
Semantica: semantica-agi/semantica — Graph-native AI infrastructure
Agent Skills: addyosmani/agent-skills — Production-grade agent capabilities

Star counts verified on August 12, 2026. Prime Agent gained 1,138 stars today, making it the fastest-growing autonomous coding agent on GitHub. The AI agent ecosystem is exploding—with over 200,000 combined stars across today's top trending repos.

Agent Skills: AI Coding Agent'ları Nasıl "Eğitilir"? — GitHub'da 300K+ Yıldız Toplayan Yeni Paradigma

coddykit — Sun, 09 Aug 2026 06:04:06 +0000

Agent Skills: AI Coding Agent'ları Nasıl "Eğitilir"? — GitHub'da 300K+ Yıldız Toplayan Yeni Paradigma

Bugün (9 Ağustos 2026) GitHub Trending'e baktığınızda dikkat çekici bir pattern görüyorsunuz: üç farklı "Agent Skills" reposu aynı anda listeyi domine ediyor. Matt Pocock'un skills reposu 210,267 yıldızla tepede, Addy Osmani'nin agent-skills'i 84,693 yıldızla紧随 ediyor, ve Google'ın skills reposu 16,853 yıldızla listeye girmiş durumda. Üçünün toplamı 311,000+ yıldız.

Peki bu "Agent Skills" konsepti nedir ve neden bu kadar popüler oldu?

Agent Skills Nedir?

Geleneksel yazılım dünyasında, bir junior developer'ı eğitmek için dokümantasyon, code review, pair programming ve mentorluk kullanırsınız. AI coding agent'lar için ise yeni bir paradigmaya ihtiyacımız var: Agent Skills.

Agent Skills, AI agent'lara (Claude Code, Codex, Cursor, Copilot, vb.) "nasıl çalışması gerektiğini" öğreten yapılandırılmış Markdown dosyalarıdır. Bunlar basit prompt'lar değil — iş akışları, kalite kapıları, doğrulama adımları ve anti-rasyonalizasyon tabloları içeren kapsamlı prosedürlerdir.

Matt Pocock'un tanımladığı gibi:

"Gerçek uygulama geliştirmek zordur. GSD, BMAD ve Spec-Kit gibi yaklaşımlar sürecin kontrolünü ele alarak size yardımcı olmaya çalışır. Ama bunu yaparken kontrolünüzü alır ve hataları çözmeyi zorlaştırır. Bu skill'lar küçük, uyarlanabilir ve birleştirilebilir olacak şekilde tasarlandı."

Neden Şimdi Patladı?

Üç temel neden var:

1. AI Agent'lar Yeterince İyi — Ama Yeterince İyi Değil

Claude 4, GPT-5, Gemini 2.5 gibi modeller artık karmaşık kod yazabiliyor. Ama "doğru" kod yazmak ile "iyi mühendislik" yapmak arasında büyük bir fark var. Agent'lar kod yazar, ama test yazmayı, code review yapmayı, mimari düşünmeyi "unutturur." Skills bu boşluğu doldurur.

2. Plugin Ekosistemleri Olgunlaştı

Claude Code'un plugin marketplace'i, Codex'in plugin sistemi, ve npx skills gibi evrensel yükleyiciler sayesinde artık skill paketlerini tek komutla yükleyebiliyorsunuz:

# Matt Pocock'un skills'lerini yükle
npx skills@latest add mattpocock/skills

# Addy Osmani'nin skills'lerini yükle
npx skills add addyosmani/agent-skills

# Claude Code plugin marketplace'ten yükle
/plugin marketplace add addyosmani/agent-skills

3. "Vibe Coding" Tartışması

Son aylarda "vibe coding" (AI'ya her şeyi rastgele yaptırmak) ile "gerçek mühendislik" arasındaki tartışma alevlendi. Agent Skills, bu tartışmanın "gerçek mühendislik" tarafının somut cevabı. Matt Pocock'un reposunun alt başlığı tam olarak bunu söylüyor: "Skills for Real Engineers. Straight from my .agents directory."

Agent Skills Nasıl Çalışır?

Bir Agent Skill, tipik olarak şu yapıdadır:

SKILL.md
├── Frontmatter (ad, açıklama, tetikleyici koşullar)
├── Genel Bakış (ne yapar)
├── Ne Zaman Kullanılır (tetikleyici koşullar)
├── Süreç (adım adım iş akışı)
├── Rasyonalizasyonlar (bahaneler + çürütmeler) ⚡
├── Kırmızı Bayraklar (tehlike işaretleri)
└── Doğrulama (kanıt gereksinimleri)

Anti-Rasyonalizasyon Tabloları — En İlginç Yenilik

Her skill, AI agent'ların adım atlamak için kullanabileceği bahaneleri ve bunların çürütmelerini içerir:

Bahane	Çürütme
"Testleri sonra eklerim"	Test olmadan doğrulama yapılamaz. Önce test, sonra kod.
"Bu çok basit, speklere gerek yok"	Basit değişiklikler en sinsi bug'ları üretir.
"Zaten çalışıyor"	"Çalışıyor" ≠ "doğru". Kanıt göster.

Bu tablolar, AI agent'ların "tembellik" yapmasını engellemek için tasarlanmış — adeta agent'lara "disiplin" öğreten bir mekanizma.

Slash Commands ile İş Akışı

Addy Osmani'nin paketi 8 temel slash command ile tüm development lifecycle'ı kapsar:

Komut	Ne Yapar	Temel İlke
`/spec`	Ne yapılacağını tanımla	Kod öncesi spek
`/plan`	Nasıl yapılacağını planla	Küçük, atomik görevler
`/build`	Artımlı olarak kodla	Bir seferde bir dilim
`/test`	Çalıştığını kanıtla	Testler kanıttır
`/review`	Merge öncesi gözden geçir	Kod sağlığını iyileştir
`/webperf`	Web performansını denetle	Ölçmeden optimize etme
`/code-simplify`	Kodu basitleştir	Açıklık, zekilikten önemli
`/ship`	Production'a gönder	Hızlı olan güvenli olandır

3 Farklı Yaklaşım, 3 Farklı Felsefe

Matt Pocock (`mattpocock/skills`) — 210,267 ⭐

Felsefe: Mühendislik disiplini, domain-driven design, test-driven development.

Öne çıkan skill'lar:

/grill-me — Agent'ın sizi projeniz hakkında amansızca sorguladığı bir "grilling" seansı. En popüler skill'ı.
/grill-with-docs — Aynı grilling, ama CONTEXT.md ve ADR'leri de güncelliyor. Shared language (ortak dil) oluşturuyor.
/tdd — Red-green-refactor döngüsü, zorunlu.
/improve-codebase-architecture — Codebase'i tarayıp "derinleştirme fırsatları" buluyor. HTML rapor üretiyor.

Matt Pocock'un yaklaşımı Pragmatic Programmer ve Domain-Driven Design gibi klasik mühendislik kitaplarından ilham alıyor. Skills'leri composable (birleştirilebilir) ve model-agnostic (herhangi bir modelle çalışabilir).

Addy Osmani (`addyosmani/agent-skills`) — 84,693 ⭐

Felsefe: Production-grade, kurumsal düzeyde mühendislik becerileri.

Öne çıkan skill'lar:

interview-me — Kullanıcıyı ~%95 güven seviyesine ulaşana kadar tek tek sorularla sorguluyor.
doubt-driven-development — Her önemli kararı adversarial bakış açısıyla sorgulama: CLAIM → EXTRACT → DOUBT → RECONCILE → STOP.
security-and-hardening — OWASP Top 10 önleme, auth pattern'ları, secrets yönetimi.
observability-and-instrumentation — Yapılandırılmış logging, RED metrikler, OpenTelemetry tracing.

24 skill + 4 uzman persona (code-reviewer, test-engineer, security-auditor, web-performance-auditor) ile tam bir development lifecycle paketi.

Google (`google/skills`) — 16,853 ⭐

Felsefe: Google ürünleri ve teknolojileri için özel agent skill'ları.

Google'ın yaklaşımı daha spesifik — kendi ekosistemleri (Cloud, Firebase, Android, vb.) için optimize edilmiş skill'lar.

Kendi Agent Skill'lerinizi Nasıl Yazarsınız?

Bir Agent Skill yazmak için ihtiyacınız olan:

1. SKILL.md Dosyası Oluşturun

---
name: my-custom-skill
description: Agent'ı [görev] boyunca yönlendirir. Şu durumlarda kullanılır...
---

## Genel Bakış
Bu skill, [problem] çözmek için tasarlanmıştır.

## Ne Zaman Kullanılır
- [Koşul 1] olduğunda
- [Koşul 2] tespit edildiğinde

## Süreç
1. [Adım 1]
2. [Adım 2]
3. Doğrulama: [Kanıtları kontrol et]

## Rasyonalizasyonlar
| Bahane | Çürütme |
|--------|---------|
| "[Yaygın bahane]" | "[Neden yanlış olduğu]" |

## Kırmızı Bayraklar
- [Tehlike işareti 1]
- [Tehlike işareti 2]

## Doğrulama
- [ ] [Kanıtlama gereksinimi 1]
- [ ] [Kanıtlama gereksinimi 2]

2. Projenize Yerleştirin

# Proje düzeyinde
.agents/skills/my-custom-skill/SKILL.md

# Kişisel düzeyde
~/.agents/skills/my-custom-skill/SKILL.md

3. Agent Tarafından Keşfedilmesini Sağlayın

Claude Code, Codex, Cursor gibi araçlar .agents/ dizinini otomatik tarar. Veya AGENTS.md dosyanızda referans verin.

Prime Agent: Bir Adım Ötesi

Bugünün trending'inde ayrıca PrimeIntellect-ai/prime-agent (9,328 ⭐, bugün +2,483) var. Bu repo, Agent Skills konseptini bir üst seviyeye taşıyor:

Recursive Language Model (RLM) — Context'i değişken, tool'ları fonksiyon çağrısı olarak kullanma
Continual Harness — Agent'ın kendi skill'larını iyileştirebilmesi (/refine komutu ile)
Daemon-backed sessions — Terminal kapansa bile agent çalışmaya devam ediyor

Prime Agent, agent'ların sadece "öğrenilen" değil, aynı zamanda "öğrenen" varlıklar olabileceğini gösteriyor.

Bu Trend Ne Anlama Geliyor?

Agent Skills trend'inin üç önemli çıkarımı var:

1. "Prompt Engineering" → "Agent Engineering"

Artık AI'ya tek bir prompt yazmak yerine, davranışlarını yapılandıran skill paketleri oluşturuyoruz. Bu, yazılım mühendisliğinin yeni bir disiplini.

2. Mühendislik Bilgisi Codify Ediliyor

Onlarca yıllık mühendislik deneyimi — TDD, DDD, Clean Architecture, Security Best Practices — artık Markdown dosyalarında agent'lar tarafından uygulanabilir formda.

3. "Doğru Şekilde Çalışan AI" Mümkün

Skills ile donatılmış bir agent, sadece kod yazan değil, test eden, review yapan, mimari düşünen, güvenlik denetimi yapan bir ekip arkadaşı haline geliyor.

Öğrenmeye Nereden Başlamalı?

Agent Skills konseptini anlamak ve kendi skill'lerinizi yazmak istiyorsanız:

Temelleri öğrenin: AI agent'ların nasıl çalıştığını, prompt engineering'i ve context engineering'i anlayın.
Mevcut skill'ları inceleyin: mattpocock/skills ve addyosmani/agent-skills repolarını fork'layın, SKILL.md dosyalarını okuyun.
Küçük başlayın: Tek bir iş akışı için bir skill yazın (örneğin: code review süreci).
İteratif geliştirin: Agent'ın davranışını gözlemleyin, skill'ı güncelleyin.

Bu alanda derinlemesine bilgi edinmek ve AI destekli geliştirme süreçlerini profesyonel düzeyde yönetmek istiyorsanız, CoddyKit üzerindeki ilgili kurslara göz atabilirsiniz. Özellikle AI/ML ve modern yazılım mühendisliği kategorilerindeki eğitimler, Agent Skills yazma ve yönetme konusunda sağlam bir temel oluşturacaktır.

Sonuç

Agent Skills, AI çağında yazılım mühendisliğinin nasıl yapılacağına dair en somut ve pratik cevaplardan biri. 311,000+ yıldız yanılıyor olamaz — geliştiriciler, AI agent'larının sadece "kod yazan" değil, "iyi mühendislik yapan" araçlar olmasını istiyor.

Ve bu istek, Markdown dosyalarıyla karşılanıyor. Bazen en güçlü çözümler, en basit formatlarda gelir.

Bu yazı 9 Ağustos 2026 tarihli GitHub Trending verilerine dayanmaktadır.

Yıldız sayıları makale yayınlandığı andaki gerçek değerlerdir.

Bugünün GitHub Trending: Prime Agent - Kendini Geliştiren AI Coding Agent

coddykit — Sat, 08 Aug 2026 06:08:17 +0000

Bugünün GitHub Trending: Prime Agent - Kendini Geliştiren AI Coding Agent

Bugün GitHub Trending'de dikkat çeken proje, PrimeIntellect-ai ekibinin geliştirdiği Prime Agent. Şu anda 6,990 yıldız ve 569 fork ile listelerin zirvesinde.

Prime Agent Nedir?

Prime Agent, açık kaynaklı bir kodlama ve araştırma ajanı. Ama sıradan AI asistanlarından farklı kılan şey, Recursive Language Model (RLM) ve Continual Harness adı verilen iki temel soyutlama üzerine inşa edilmesi.

RLM: Prompt'u Değişken Olarak Kullanmak

RLM yaklaşımı, bağlamı (context) bir değişken olarak ele alıyor. Prompt'u sabit bir talimat dizisi değil, programatik olarak yönetilebilen bir yapı olarak görüyor. Araçlar (tools) ise recursive subagent'lar gibi davranıyor - tıpkı fonksiyon çağrıları gibi.

Bu ne anlama geliyor? Agent, kendi alt ajanlarını (subagents) spawn edebiliyor, onlarla paralel çalışabiliyor ve sonuçları programatik olarak toplayabiliyor. Her şey kalıcı bir Python REPL ortamında gerçekleşiyor.

Continual Harness: Öğrenen ve Gelişen Sistem

Continual Harness, agent'ın deneyimlerinden öğrenmesini sağlayan mekanizma. Supplemental prompts, memories, skill descriptions ve reusable subagent specifications'ları kalıcı state olarak saklıyor. Ama en önemlisi: bu state'i küçük, kanıta dayalı güncellemelerle geliştirebiliyor.

/refine komutu ile agent mevcut trajectory'yi gözden geçiriyor ve kanıta dayalı güncellemeler yapabiliyor. Ancak immutable base system prompt'u asla yeniden yazmıyor - bu güvenlik açısından kritik bir tasarım kararı.

Öne Çıkan Özellikler

1. Her Şey Programatik

Kalıcı IPython yerleşik model aracı olarak geliyor. Dosya işlemleri, shell komutları, tool kullanımı, subagent'lar ve context yönetimi - hepsi kod üzerinden gerçekleşiyor.

2. Subagent'lar Yerleşik

rlm(...) çağrısı gerçek child agent'lar spawn ediyor. Paralel veya background işler için kullanılabiliyor ve sonuçları programatik olarak dönüyor.

3. Skills Executable

Skill'ler import edilebilir Python paketleri olarak tasarlanmış. Yerleşik skill creator, tekrar eden workflow'ları proje veya kişisel skill'lere dönüştürebiliyor.

4. Arka Planda Çalışan Oturumlar

Daemon-backed agent'lar, terminal bağlantısı koptuğunda bile çalışmaya devam ediyor ve sonradan yeniden bağlanılabiliyor.

5. Agent-to-Agent İletişim

Çalışan agent'lar birbirini keşfedebiliyor, mesaj alışverişi yapabiliyor ve birbirini yönlendirebiliyor. Her şeyi kullanıcı üzerinden geçirmek zorunda değiller.

6. Uzun Süreli Görevler

Automatic compaction, persistent goals, heartbeats, schedules, autonomous mode ve retained subagents - hepsi turns ve terminal sessions arasında ilerlemeyi koruyor.

Uzun Süreli Çalışmalar İçin Tasarlandı

Prime Agent özellikle araştırmalarda kullanılan evaluation'lar gibi uzun süreli işler için tasarlanmış:

Daemon-backed continuity: Aktif oturumlar, IPython state'i, schedule'lar ve subagent'lar terminal detach olduğunda bile çalışmaya devam ediyor
Heartbeats ve schedules: /heartbeat, rlm_heartbeat ve prime-agent schedule ile bir oturumu periyodik olarak veya belirli bir zamanda yeniden başlatabiliyorsunuz
Persistent goals: /goal komutu bir objective'i ve ilerlemesini tamamlanana, duraklatılana veya temizlenene kadar aktif tutuyor
Bounded autonomous mode: /autonomous komutu, yapılandırılmış turn, token ve time budget'ları içinde devam ediyor ve kullanıcı tanımlı quality gate'ler çalıştırabiliyor

Kurulum

Kurulum oldukça basit:

curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh

Installer, versiyonlu bir release indiriyor, SHA-256 checksum doğrulaması yapıyor, prime-agent komutunu kuruyor ve agent'ın kullandığı IPython runtime'ı hazırlayabiliyor.

Kullanım

cd /path/to/project
prime-agent

İlk başlatmada /login ile subscription veya API-key provider seçiyorsunuz.

Önemli Komutlar

prime-agent agents - Çalışan, idle ve kaydedilmiş oturumları listele
prime-agent attach <agent> - Çalışan bir oturuma yeniden bağlan
prime-agent --resume <path|id> - Kaydedilmiş bir oturumu devam ettir
prime-agent status - Background service state'ini kontrol et
prime-agent doctor [--fix] - Background servisleri kontrol et veya onar
prime-agent update [--force] - Prime Agent'ı güncelle
prime-agent shutdown [--force] - Tüm agent, worker ve background servisleri durdur

Güvenlik Uyarısı

Prime Agent, model tarafından üretilen Python kodunu ve proje komutlarını sizin user permissions'larınızla çalıştırıyor. Worker ve kernel process'leri lifecycle isolation ve recovery sağlıyor ama güvenlik sandbox'ı değil. Değişiklikleri gözden geçirin ve sadece güvenilir repository, talimat, skill ve extension'ları kullanın.

Neden Trending?

Prime Agent'ın bu kadar hızlı popüler olmasının nedenleri:

Gerçek autonomous agent vizyonu: Sadece chat-based interaction değil, gerçekten uzun süreli, arka planda çalışan, kendini geliştiren bir sistem
Programmatic approach: Her şeyin kod üzerinden yapılması, developer'lar için çok daha esnek ve güçlü
Self-improving capability: Continual Harness ile deneyimlerden öğrenme ve gelişme
Open source: MIT lisansı ile tamamen açık kaynak
Practical use cases: Sadece demo değil, gerçek production use case'leri için tasarlanmış

Öğrenmek İsteyenlere

AI agent'ların nasıl çalıştığını, autonomous sistemlerin mimarisini ve self-improving mekanizmaları anlamak istiyorsanız, CoddyKit AI Agents kursu bu konularda sağlam bir temel sunuyor. Agent-to-agent communication, persistent state management ve autonomous decision-making gibi konuları derinlemesine ele alıyor.

Sonuç

Prime Agent, AI agent'ların geleceğine dair heyecan verici bir bakış açısı sunuyor. Sadece prompt-response değil, gerçekten programmatic, self-improving ve long-running autonomous sistemler inşa etmenin mümkün olduğunu gösteriyor. 6,990 yıldız ve bugün kazanılan 2,293 yeni yıldız, developer community'nin bu vizyona ne kadar ilgi duyduğununun kanıtı.

Eğer uzun süreli autonomous agent'lar, self-improving systems veya advanced AI workflows ile ilgileniyorsanız, Prime Agent kesinlikle incelemeye değer.

GitHub: PrimeIntellect-ai/prime-agent

Website: primeintellect.ai

License: MIT

Language: TypeScript

Stars: 6,990 ⭐ | Forks: 569

GitHub Trending Today: AI-Powered Developer Tools, 3D Editors & Apple Neural Engine Hacks (July 30, 2026)

coddykit — Thu, 30 Jul 2026 06:13:48 +0000

🏗️ 1. Pascal Editor — 3D Architectural Design in Your Browser

🔗 pascalorg/editor
⭐ 19,720 stars | 🍴 2,600 forks | 📜 MIT License | 💻 TypeScript

What It Is

Pascal Editor is a cloud-native 3D architectural design tool that runs entirely in your browser. Think Figma meets SketchUp — but open-source and built for collaboration.

Why It's Trending

+1,022 stars today — massive community interest
Real-time collaboration (like Google Docs for 3D models)
WebGL-powered rendering engine (no downloads required)
Export to standard formats (OBJ, FBX, glTF)

Technical Deep Dive

Built with TypeScript + Three.js, Pascal Editor uses a custom ECS (Entity Component System) architecture for scene management. The rendering pipeline leverages WebGPU when available, falling back to WebGL2.

// Scene graph management with ECS pattern
const scene = new PascalScene();
const wall = scene.createEntity({
  components: [
    new TransformComponent({ position: [0, 0, 0] }),
    new MeshComponent({ geometry: 'box', material: 'concrete' }),
    new PhysicsComponent({ mass: 0, isStatic: true })
  ]
});

Use cases: Interior design, architectural visualization, game level prototyping, educational tools.

📚 2. Book-to-Skill — Turn Technical Books into AI Coding Skills

🔗 virgiliojr94/book-to-skill
⭐ 13,089 stars | 🍴 1,443 forks | 📜 MIT License | 💻 Python

What It Is

A Python tool that converts any technical book PDF into a Claude Code skill — a structured knowledge base that AI coding assistants can reference while you work.

Why It's Trending

+1,421 stars today — highest growth on the list
Bridges the gap between static knowledge (books) and dynamic AI assistance
Supports 50+ page PDFs with OCR for scanned documents
Outputs skills compatible with Claude Code, Cursor, and other AI IDEs

Technical Architecture

The pipeline uses:

PyMuPDF for PDF extraction
LangChain for chunking and embedding
Semantic search to index concepts, code examples, and best practices
Skill manifest generator that outputs .skill.md files

from book_to_skill import BookConverter

converter = BookConverter(
    pdf_path="clean_code.pdf",
    output_dir="./skills/clean_code",
    chunk_size=512,
    embedding_model="text-embedding-3-small"
)

skill = converter.process()
# Output: clean_code.skill.md with indexed concepts

Perfect for: Developers who want their AI assistant to reference specific books while coding (e.g., "Clean Code," "Design Patterns," "DDIA").

🎙️ 3. Hugging Face Speech-to-Speech — Local Voice Agents

🔗 huggingface/speech-to-speech
⭐ 8,040 stars | 🍴 1,018 forks | 📜 Apache-2.0 | 💻 Python

What It Is

A framework for building local, privacy-preserving voice agents using open-source models. No cloud APIs, no data leaving your machine.

Why It's Trending

+827 stars today — voice AI is exploding
Fully offline operation (airplane mode compatible)
Sub-500ms latency on modern GPUs
Supports 10+ languages out of the box

Technical Stack

ASR: Whisper (large-v3) or Distil-Whisper for faster inference
LLM: Llama 3, Mistral, or any local model via Ollama
TTS: Bark, XTTS, or Piper for voice synthesis
VAD: Silero for voice activity detection

from speech_to_speech import VoiceAgent

agent = VoiceAgent(
    stt_model="openai/whisper-large-v3",
    llm_model="meta-llama/Llama-3.1-8B-Instruct",
    tts_model="coqui/XTTS-v2",
    device="cuda"
)

agent.start_listening()
# Real-time conversation loop

Use cases: Personal assistants, accessibility tools, language learning apps, smart home control.

🍎 4. ANE — Training Neural Networks on Apple Neural Engine

🔗 maderix/ANE
⭐ 7,185 stars | 🍴 963 forks | 📜 MIT License | 💻 Objective-C

What It Is

A reverse-engineered framework that enables training neural networks directly on Apple's Neural Engine (ANE) — the specialized AI accelerator in M-series chips.

Why It's Trending

+22 stars today (steady growth, niche audience)
First open-source tool to unlock ANE for training (not just inference)
Up to 3x faster than CPU training for small models
Works on M1/M2/M3 chips

How It Works

Apple's ANE is a black box — no public APIs for training. This project reverse-engineered the private ANECompiler and ANEServices frameworks to:

Compile PyTorch/TensorFlow models to ANE-compatible format
Execute forward and backward passes on ANE
Optimize memory allocation between CPU, GPU, and ANE

// Initialize ANE compiler
ANECompiler *compiler = [[ANECompiler alloc] init];
ANEModel *model = [compiler compileModelFromPath:@"model.mlmodel"];

// Training loop
for (int epoch = 0; epoch < 100; epoch++) {
    [model forwardPassWithInput:inputBatch];
    [model backwardPassWithGradient:gradientBatch];
    [model updateWeights];
}

Caveats:

Limited to models < 100M parameters
Requires macOS 14+ (Sonoma)
Not officially supported by Apple (use at your own risk)

Perfect for: iOS/macOS developers who want on-device training without cloud dependencies.

🗺️ 5. GeoLibre — Cloud-Native GIS Platform

🔗 opengeos/GeoLibre
⭐ 4,230 stars | 🍴 441 forks | 📜 MIT License | 💻 TypeScript

What It Is

An open-source geospatial data platform for visualizing, analyzing, and sharing maps — runs in browsers, desktops, mobile, and Jupyter notebooks.

Why It's Trending

+671 stars today — GIS is having a moment
DuckDB-powered analytics (SQL queries on geospatial data)
MapLibre GL JS for rendering
Tauri for desktop apps (Rust + web frontend)

Technical Highlights

Vector tile support for massive datasets
Time-series analysis for satellite imagery
Collaborative editing (like Google Docs for maps)
Python SDK for Jupyter integration

import { GeoLibre } from '@geolibre/sdk';

const map = new GeoLibre.Map({
  container: 'map-container',
  style: 'https://tiles.geolibre.app/streets',
  center: [35.2433, 38.9637], // Cappadocia, Turkey
  zoom: 12
});

// SQL query on geospatial data
const results = await map.query(`
  SELECT * FROM hotels
  WHERE ST_Distance(location, ST_Point(35.2433, 38.9637)) < 5000
  ORDER BY rating DESC
  LIMIT 10
`);

Use cases: Urban planning, environmental monitoring, logistics optimization, real estate analytics.

🎯 Key Takeaways

AI tools are eating developer workflows — from voice agents to book-to-skill converters, AI is becoming a first-class citizen in our toolchains.
Open-source is winning — all 5 projects are MIT/Apache licensed, with active communities.
Local-first is the new cloud — voice agents, neural engine training, and GIS platforms all emphasize privacy and offline operation.
TypeScript dominates frontend — 3 out of 5 projects use TypeScript (Pascal, GeoLibre, and indirectly via Tauri).

🚀 Level Up Your Skills

Want to build projects like these? CoddyKit has 100+ interactive courses covering:

AI & Machine Learning: AI Agents with LangChain | AI Engineering Academy | Learn AI with Python
TypeScript & Web: TypeScript Academy | Frontend Development
Apple Development: Swift Academy | iOS Development

👉 Browse all courses and start building today.

Follow CoddyKit on Dev.to for daily GitHub Trending breakdowns, technical deep dives, and developer tips.

Found this useful? Drop a ❤️ and share with your dev friends!

GitHub Trending: 30 Temmuz 2026 - PDF'lerden AI Skill'lere, 3D Mimariye ve Ses Agent'larına

coddykit — Thu, 30 Jul 2026 06:03:22 +0000

Bugünün en çok yıldız kazanan projeleri arasında kitapları Claude Code skill'ine çeviren araçlar, tarayıcıda çalışan 3D mimari editörler ve açık kaynak ses agent'ları var.

🔥 #1: book-to-skill - Kitapları Anında Claude Code Skill'ine Çevirin

⭐ 13,080 stars | 🍴 1,441 forks | 🐍 Python
Bugün +1,421 yıldız

virgiliojr94/book-to-skill

Nedir?

Teknik kitap PDF'lerini alıp, Claude Code'da kullanabileceğiniz bir skill'e dönüştüren araç. Çalışırken referans alabilir, öğrendiklerinizi hemen uygulayabilirsiniz.

Neden Trend?

AI coding asistanları yaygınlaştıkça, bilgiyi yapılandırılmış formatta sunma ihtiyacı arttı. Bu araç, klasik öğrenme materyallerini modern AI iş akışlarına entegre ediyor.

Teknik Detaylar

PDF parsing ve yapılandırma
Skill formatına otomatik dönüşüm
Claude Code uyumlu çıktı

💡 CoddyKit İlişkisi: Bu araç, öğrenme sürecini hızlandırma felsefesiyle örtüşüyor. CoddyKit'teki Yapay Zeka Araçları kursunda AI workflow'larını nasıl optimize edeceğinizi öğrenebilirsiniz.

🏗️ #2: pascalorg/editor - Tarayıcıda Profesyonel 3D Mimari

⭐ 19,717 stars | 🍴 2,600 forks | 💎 TypeScript
Bugün +1,022 yıldız

pascalorg/editor

Nedir?

3D mimari projeler oluşturup paylaşabileceğiniz, tamamen tarayıcıda çalışan bir editör. Desktop yazılım gerektirmeden profesyonel düzeyde tasarım imkanı sunuyor.

Neden Trend?

Web tabanlı 3D araçlar olgunlaştıkça, erişilebilirlik artıyor. Bu proje, WebGL ve modern JavaScript'in sınırlarını zorluyor.

Teknik Detaylar

TypeScript ile tam tip güvenliği
WebGL tabanlı 3D rendering
Cloud-native mimari
Gerçek zamanlı işbirliği özellikleri

💡 CoddyKit İlişkisi: TypeScript'in gücünü gösteren mükemmel bir örnek. TypeScript kurslarımızda bu tür büyük ölçekli uygulamaların nasıl yapılandırıldığını öğretiyoruz.

🎙️ #3: speech-to-speech - Yerel Ses Agent'ları

⭐ 8,036 stars | 🍴 1,018 forks | 🐍 Python
Bugün +827 yıldız

huggingface/speech-to-speech

Nedir?

Hugging Face'in açık kaynak modelleriyle yerel ses agent'ları oluşturmanızı sağlayan framework. Cloud bağımlılığı olmadan, kendi makinenizde çalışan sesli asistanlar.

Neden Trend?

Gizlilik endişeleri ve latency gereksinimleri, yerel AI çözümlerini cazip kılıyor. Bu proje, production-ready ses agent'ları için eksiksiz bir stack sunuyor.

Teknik Detaylar

End-to-end speech pipeline
Gerçek zamanlı işleme
Modüler mimari (farklı modeller tak-çıkar)
Düşük latency optimizasyonları

💡 CoddyKit İlişkisi: AI entegrasyonu, modern web uygulamalarının ayrılmaz parçası. Web Development kurslarımızda API entegrasyonları ve gerçek zamanlı sistemler üzerine derinlemesine çalışıyoruz.

🤖 #4: airi - Kendi AI Companion'ınızı Self-Host Edin

⭐ 45,533 stars | 🍴 4,500 forks | 💎 TypeScript
Bugün +682 yıldız

moeru-ai/airi

Nedir?

Grok benzeri bir AI companion'ı kendi sunucunuzda çalıştırmanızı sağlayan platform. Gerçek zamanlı sesli sohbet, Minecraft ve Factorio oynama yetenekleri ile.

Neden Trend?

AI kişiselleştirme ve sahiplik kavramları önem kazanıyor. Kullanıcılar, verilerinin kontrolünü elinde tutmak istiyor.

Teknik Detaylar

Multi-platform destek (Web, macOS, Windows)
Gerçek zamanlı ses işleme
Oyun entegrasyonları (Minecraft, Factorio)
Self-hosted mimari

🗺️ #5: GeoLibre - Cloud-Native GIS Platformu

⭐ 4,225 stars | 🍴 441 forks | 💎 TypeScript
Bugün +671 yıldız

opengeos/GeoLibre

Nedir?

Coğrafi verileri görselleştirme, keşfetme ve analiz etme için hafif, cloud-native bir GIS platformu. Web, desktop, mobile ve Jupyter notebook'larda çalışıyor.

Neden Trend?

Mekansal veri analitiği her sektörde kritik hale geliyor. Bu araç, karmaşık GIS yazılımlarına modern bir alternatif sunuyor.

Teknik Detaylar

Cross-platform uyumluluk
Jupyter entegrasyonu
Cloud-native mimari
TypeScript ile tip güvenliği

📊 Bugünün Trend Analizi

Öne Çıkan Temalar:

AI Araç Entegrasyonu - Kitaplardan skill'lere, ses agent'larına kadar AI iş akışları
Web-Native Çözümler - Desktop yazılımların yerini alan tarayıcı tabanlı araçlar
Self-Hosted AI - Gizlilik ve kontrol odaklı yerel çözümler
TypeScript Dominasyonu - 5 projeden 3'ü TypeScript kullanıyor

Teknoloji Dağılımı:

TypeScript: 3 proje
Python: 2 proje

Ortalama Yıldız Artışı: +925 yıldız/gün

🎯 Öğrenme Önerileri

Bu projeleri incelemek isterseniz:

TypeScript yeteneklerinizi geliştirin - Modern projelerin %60'ı TypeScript kullanıyor
AI/ML temellerini öğrenin - Ses işleme, NLP, computer vision alanları hızla büyüyor
Web 3D teknolojilerini keşfedin - WebGL, Three.js gibi araçlar giderek yaygınlaşıyor
Self-hosted çözümleri deneyin - Cloud bağımlılığını azaltan mimariler öğrenin

CoddyKit'te İlgili Kurslar:

TypeScript İleri Seviye - Büyük ölçekli uygulamalar için
Yapay Zeka Araçları - AI entegrasyonu ve workflow'ları
Modern Web Development - 3D, gerçek zamanlı sistemler

Bu analiz 30 Temmuz 2026 tarihinde GitHub Trending verileri kullanılarak hazırlanmıştır. Tüm yıldız sayıları ve istatistikler GitHub API'den gerçek zamanlı olarak alınmıştır.

CoddyKit ile modern yazılım geliştirme becerilerinizi bir üst seviyeye taşıyın: coddykit.com

GitHub Trending #1: BitChat - Bluetooth Mesh ile Devrim Yaratan P2P Mesajlaşma

coddykit — Tue, 28 Jul 2026 06:03:20 +0000

Bugünün yıldızı: 2,346 ⭐ | Toplam: 32,558 ⭐ | Forks: 5,096

Neden BitChat Trending'de?

28 Temmuz 2026'da GitHub Trending'in zirvesine oturan BitChat, merkeziyetsiz P2P mesajlaşma alanında çığır açan bir proje. Bluetooth mesh networking ve Nostr protokolünü birleştiren bu Swift uygulaması, internet olmadan iletişim kurmayı mümkün kılıyor.

Teknik Derinlik: Dual Transport Architecture

BitChat'in en etkileyici özelliği hibrit mesajlaşma mimarisi:

1. Bluetooth Mesh Network (Local Communication)

Multi-hop relay: Mesajlar 7 hop'a kadar cihazdan cihaza iletiliyor
Noise Protocol: End-to-end encryption, forward secrecy
Binary protocol: Bluetooth LE'nin bant genişliği kısıtlamalarına optimize edilmiş kompakt paket formatı
Adaptive power: Pil ömrünü uzatmak için duty cycling
Automatic discovery: Peer keşfi ve bağlantı yönetimi tamamen otomatik

2. Nostr Protocol (Global Reach)

290+ relay network: Dünya genelinde dağıtık relay ağı
Location-based channels: Geohash koordinatlarıyla coğrafi sohbet odaları
BitChat Private Envelopes: XChaCha20-Poly1305 ile app-specific şifreleme
Ephemeral keys: Her geohash bölgesi için taze kriptografik kimlik

Kod Analizi: Swift ile P2P Implementasyonu

// Bluetooth LE service tanımlaması
let serviceUUID = CBUUID(string: "0000FE3C-0000-1000-8000-00805F9B34FB")
let characteristicUUID = CBUUID(string: "0000FE3D-0000-1000-8000-00805F9B34FB")

// Mesh routing algoritması
func routeMessage(_ message: Message, maxHops: Int = 7) {
    guard message.hopCount < maxHops else { return }

    let nearbyPeers = peerDiscovery.discoverPeers()
    for peer in nearbyPeers {
        let encryptedPayload = noiseProtocol.encrypt(message.payload)
        peer.send(encryptedPayload, hopCount: message.hopCount + 1)
    }
}

Intelligent Transport Selection:

func sendMessage(_ content: String, to recipient: PeerID) {
    if bluetoothTransport.isAvailable && recipient.isNearby {
        // Bluetooth first (en hızlı ve en özel)
        bluetoothTransport.send(content, to: recipient)
    } else if nostrTransport.isConnected {
        // Nostr fallback (global erişim)
        let envelope = BitChatEnvelope.encrypt(content, for: recipient.publicKey)
        nostrTransport.publish(envelope)
    } else {
        // Smart queuing
        messageQueue.enqueue(content, for: recipient)
    }
}

Kullanım Senaryoları: Neden Önemli?

1. Afet Durumları

İnternet altyapısı çöktüğünde (deprem, sel, savaş) Bluetooth mesh üzerinden iletişim devam eder. Her cihaz bir relay noktası olur.

2. Protestolar ve Sansür

Merkezi sunucu yok = sansürlenemez. Hükümetler kapatamaz çünkü kapatılacak bir sunucu yok.

3. Remote Alanlar

Dağcılık, keşif, kırsal alanlar - internet olmayan yerlerde P2P iletişim.

4. Privacy-First İletişim

Telefon numarası yok
Hesap yok
Merkezi sunucu yok
Metadata minimizasyonu

Geohash ile Location-Based Channels

BitChat'in en yenilikçi özelliklerinden biri coğrafi sohbet odaları:

Geohash Precision:
- 7 chars (block): Mahalle seviyesi
- 6 chars (neighborhood): İlçe seviyesi  
- 5 chars (city): Şehir seviyesi
- 4 chars (province): İl seviyesi
- 2 chars (region): Ülke/bölge seviyesi

Örnek: İstanbul için sx9f geohash'i kullanarak şehir geneli sohbet odası oluşturabilirsiniz.

Teknik Zorluklar ve Çözümler

Challenge 1: Bluetooth LE Bant Genişliği

Problem: Bluetooth LE'nin düşük veri hızı (1 Mbps teorik, pratikte çok daha az)
Çözüm: LZ4 compression + binary protocol + adaptive message batching

Challenge 2: Mesh Routing Complexity

Problem: Multi-hop routing'de loop'lar ve mesaj kaybı
Çözüm: TTL (hop count) + message deduplication + acknowledgment sistemi

Challenge 3: Pil Ömrü

Problem: Sürekli Bluetooth scanning pili tüketir
Çözüm: Adaptive duty cycling - hareket halindeyken sık scanning, durağandarken seyrek

Challenge 4: Security

Problem: Mesh network'te her relay mesajı görebilir
Çözüm: Noise Protocol ile end-to-end encryption, relay'ler sadece şifreli payload görür

Nostr Entegrasyonu: Neden NIP-17/44/59 Değil?

BitChat, Nostr'u relay transport olarak kullanıyor ama proprietary private-envelope format kullanıyor:

Kind-1059 events:
- v2:-prefixed content
- XChaCha20-Poly1305 encryption
- BitChat-specific key derivation
- NIP-17/44/59 ile uyumlu değil

Neden? BitChat'in threat modeli farklı. Nostr'un genel şifreleme standartları yerine, mesh network ile uyumlu özel bir yapı kurmuşlar.

Emergency Wipe: Triple-Tap Security

Acil durumlarda (polis baskısı, sınır geçişi) üç kez dokunarak tüm veriyi anında silme:

func emergencyWipe() {
    messageStore.deleteAll()
    keychain.wipeAllKeys()
    peerDiscovery.clearCache()
    nostrIdentity.delete()
    UserDefaults.standard.removePersistentDomain(
        forName: Bundle.main.bundleIdentifier!
    )
}

Performans Optimizasyonları

LZ4 Compression

Mesaj boyutunu %60-70 azaltır, Bluetooth LE'nin kısıtlı bant genişliğinde kritik.

Adaptive Battery Modes

enum PowerMode {
    case active       // Continuous scanning
    case balanced     // 30s scan, 30s sleep
    case conservative // 5min scan, 10min sleep
}

Optimized Networking

Connection pooling
Message batching
Lazy peer discovery
Predictive routing

Katkıda Bulunanlar

jackjackbits (core maintainer) - 648 contributions
nothankyou1 - 128 contributions
qalandarov (networking) - 97 contributions
callebtc (Nostr integration) - 24 contributions

Lisans: Public Domain (Unlicense)

BitChat tamamen public domain - istediğiniz gibi kullanın, değiştirin, satin.

CoddyKit ile Swift Öğrenin

BitChat gibi P2P uygulamalar geliştirmek istiyorsanız, Swift temellerini sağlam atmanız gerekiyor. CoddyKit'in kapsamlı Swift kursu ile:

Swift syntax ve semantics
iOS/macOS development
Bluetooth LE programming
Networking ve concurrency
Cryptography implementation

👉 CoddyKit Swift Kursu

Sonuç

BitChat, merkeziyetsiz iletişimin geleceğini gösteriyor. İnternet olmadan, sansürlenemeyen, privacy-first bir mesajlaşma sistemi. Bluetooth mesh ve Nostr'un akıllıca birleşimi, afet durumlarından protestolara kadar kritik senaryolarda hayat kurtarıcı olabilir.

GitHub: permissionlesstech/bitchat
Website: bitchat.free
App Store: BitChat Mesh

Bu makale 28 Temmuz 2026 tarihinde GitHub Trending verileri kullanılarak hazırlanmıştır.

İlgili CoddyKit Eğitimleri:

Swift - iOS/macOS development için
Cyber Security - Encryption ve security temelleri

GitHub Trending: Bu Haftanın En İlginç 5 Açık Kaynak Projesi (27 Temmuz 2026)

coddykit — Mon, 27 Jul 2026 06:03:29 +0000

description: "Bu haftanın GitHub Trending listesinden seçtiğim 5 çarpıcı proje: Bluetooth mesh chat, AI browser automation, visual CMS, code review ve AI design language."

GitHub Trending: Bu Haftanın En İlginç 5 Açık Kaynak Projesi (27 Temmuz 2026)

Her hafta GitHub Trending'i tarayıp en ilginç, en yenilikçi ve en kullanışlı projeleri sizler için inceliyorum. Bu hafta gerçekten etkileyici bir koleksiyon var: offline iletişimden AI browser automation'a, visual CMS'den code review araçlarına kadar çeşitli alanlarda çarpıcı projeler trend oluyor.

Hazırsanız, bu haftanın yıldızlarına birlikte bakalım! 🚀

1. 📡 BitChat: Bluetooth Mesh Chat, IRC Vibes

⭐ 30,826 stars | 🍴 4,821 forks | 📈 +1,166 stars bugün

GitHub: permissionlesstech/bitchat

BitChat, merkeziyetsiz peer-to-peer messaging dünyasına yeni bir soluk getiriyor. İki farklı transport katmanı kullanarak hem offline hem online iletişim sağlıyor:

Teknik Mimari

Bluetooth Mesh Network (Offline):

Bluetooth Low Energy üzerinden multi-hop relay (maksimum 7 hop)
Noise Protocol ile end-to-end encryption
Forward secrecy (canlı session'lar için)
Binary packet format, LZ4 compression
Adaptive power management (pil optimizasyonu)

Nostr Protocol (Online):

290+ relay network ile global erişim
Geohash tabanlı location-based channels
BitChat Private Envelopes (XChaCha20-Poly1305)
Ephemeral keys (her geohash alanı için taze kriptografik kimlik)

Neden Önemli?

BitChat'in en çarpıcı özelliği internet gerektirmemesi. Afet senaryolarında, protestolarda veya uzak bölgelerde iletişim kurmanızı sağlıyor. Ama sadece offline değil — Nostr protokolü üzerinden global erişim de sunuyor.

IRC-Style Commands: /slap, /msg, /who gibi nostaljik komutlar. Eski okul IRC kullanıcıları hemen evinde hissedecek.

Emergency Wipe: Üç kez dokunarak tüm veriyi anında silme özelliği. Gizlilik odaklı kullanıcılar için kritik bir özellik.

Kimler İçin?

Gizlilik odaklı kullanıcılar
Afet yönetimi ve acil durum iletişimi
Remote çalışma ve offline ortamlar
IRC nostaljisi yaşayanlar 😄

İlgili Eğitim: Swift ile iOS/macOS geliştirme öğrenmek isterseniz, CoddyKit'teki Swift Academy tam size göre.

2. 🌐 ego-lite: AI Agents İçin En Hızlı Browser

⭐ 4,929 stars | 🍴 236 forks | 📈 +900 stars bugün

GitHub: citrolabs/ego-lite

ego-lite, AI agent'ların web automation yapabilmesi için tasarlanmış bir browser. Ama sıradan bir browser automation framework değil — sizin browser'ınızı AI agent ile paylaşmanızı sağlıyor.

Sorun Ne?

Mevcut browser automation araçları (browser-use, agent-browser) ayrı bir browser instance'ı çalıştırıyor. Bu da şu problemlere yol açıyor:

Login'ler taşınmıyor (her seferinde yeniden giriş gerekiyor)
Siz ve agent aynı tab'lar için yarışıyor
Ekstra setup ve konfigürasyon

ego-lite'ın Çözümü

Spaces (İzole Çalışma Alanları):

Her agent'a kendi izole Space'i veriliyor
Siz önde browsing yaparken, agent arka planda çalışıyor
Paralel çalışmaya destek (10 parallel Space = 10 paralel görev)

Chrome Data Migration:

İlk açılışta Chrome verilerinizi migrate edebiliyor
Login'ler, cookie'ler, extension'lar, bookmark'lar — hepsi agent'a miras kalıyor

Code-Base, Not CLI-Base:

Agent JavaScript fonksiyonları olarak browser'ı kontrol ediyor
CLI yaklaşımına göre 2.5× daha hızlı
Daha az token tüketimi

Kernel-Level Snapshot:

Piyasadaki en kaliteli page snapshot'ı üretiyor
Deeply nested iframe'lerde bile çalışıyor (diğer araçların başarısız olduğu nokta)

Benchmark Sonuçları

Vercel'ın agent-browser'ı ile karşılaştırıldığında:

2.5× daha hızlı karmaşık görevlerde
Daha az token tüketimi
Daha yüksek başarı oranı

Kimler İçin?

Claude Code, Codex, Cursor kullanan geliştiriciler
Web scraping ve automation yapanlar
AI agent'larını browser ile entegre etmek isteyenler

İlgili Eğitim: JavaScript ve browser automation öğrenmek için CoddyKit'in JavaScript kurslarına göz atabilirsiniz.

3. 🎨 Instatic: Webflow, Framer ve WordPress'e Açık Kaynak Alternatif

⭐ 5,832 stars | 🍴 525 forks | 📈 +888 stars bugün

GitHub: CoreBunch/Instatic

Instatic, self-hosted visual CMS dünyasına iddialı bir giriş yapıyor. Tek bir Bun server'da her şeyi barındırıyor: canvas editor, content engine, media, auth, forms, plugins ve publisher.

Teknik Detaylar

Tek Server, Tüm Stack:

Bun runtime (Node.js'ten 3-4× daha hızlı)
SQLite veya PostgreSQL backend
Tek Docker image ile deployment

Clean Static Output:

Editör'ün machinery'si sayfalara taşınmıyor
Semantic HTML + compact CSS
Framework runtime yok, builder attributes yok, div soup yok
Static file gibi yükleniyor çünkü çoğu zaman static file

Canvas Editor:

Gerçek canvas (form + preview değil)
Birden fazla breakpoint frame'i yan yana düzenleme
Live mode ile gerçek sayfada editing

Core Framework Entegrasyonu:

Design token engine (binlerce WordPress pro'nun kullandığı)
Color tokens (otomatik shade scale generation)
Fluid type scales (viewport ile ölçeklenen)
Spacing scales (tutarlı rhythm)
Utility class generator (bloat yok)

Özellikler

Modules: Container, text, image, button, video, list, link, SVG, forms — drag & drop ile nesting

Visual Components: Typed parameters, named slots, reusable pieces. Bir kez düzenle, her yerde güncelle.

Templates: Site-wide layout, post type layout'lar, 404 page. Content outlet'a akıyor.

Loops: Collection'lar üzerinde repeat (posts, pages, media, plugin sources). Variant alternation desteği.

Forms: CMS'e ait form builder. Semantic fields, kendi data tables'ınız. Üçüncü parti form servisi yok, aylık ücret yok.

AI Agent: Sayfayı gerçekten düzenleyen AI. Screenshot veya code wall değil — real, editable nodes. Claude, OpenAI, OpenRouter veya local Ollama desteği.

Super Import: HTML, CSS, images, fonts — tüm static site'ı import et. Pages, style rules, design tokens, media'ya dönüştür. Conflict resolution + single undo.

Deployment

Railway (Önerilen):

SQLite: Tek site (blog, portfolio, small business)
PostgreSQL: Multiple authors, managed backups

Render: Teams preferring Render services

Docker/VPS: Bring-your-own server, Caddy TLS, custom backup

Kimler İçin?

Webflow/Framer alternatifi arayanlar
Self-hosted CMS isteyenler
Clean static output önceliği olanlar
WordPress'ten kaçmak isteyen ama visual editor isteyenler

İlgili Eğitim: TypeScript ve modern web geliştirme için CoddyKit'in TypeScript kurslarına ve Web Accessibility Academy'ye göz atabilirsiniz.

4. 🔍 open-code-review: Alibaba'nın AI-Powered Code Review Tool'u

⭐ 14,097 stars | 🍴 954 forks | 📈 +832 stars bugün

GitHub: alibaba/open-code-review

Alibaba Group'un iç resmi AI code review assistant'ı, iki yıl boyunca on binlerce geliştiriciye hizmet verdikten ve milyonlarca code defect tespit ettikten sonra açık kaynak olarak topluluğa kazandırıldı.

Hibrit Mimari

open-code-review, general-purpose agent'lardan (Claude Code gibi) farklı olarak deterministic engineering + LLM Agent hibrit yaklaşımı kullanıyor.

Deterministic Engineering (Hard Constraints):

Precise File Selection: Hangi dosyaların review edilmesi gerektiğini, hangilerinin filtreleneceğini belirliyor. Önemli değişiklik kaçmıyor.
Smart File Bundling: İlgili dosyaları tek review unit'e grupluyor (örn: message_en.properties ve message_zh.properties birlikte). Her bundle sub-agent olarak isolated context'te çalışıyor.
Fine-Grained Rule Matching: Review rules'ı her dosyanın karakteristiklerine göre match ediyor. Model'in attention'ını keskinleştiriyor, bilgi gürültüsünü kaynağında elimine ediyor.
External Positioning & Reflection: Bağımsız comment-positioning ve comment-reflection modülleri. Hem location accuracy hem content accuracy'yi sistematik olarak iyileştiriyor.

Agent (Dynamic Decision-Making):

Scenario-Tuned Prompts: Code review için derinlemesine optimize edilmiş prompt templates.
Scenario-Tuned Toolset: Large-scale production data'dan distilled tool-call traces analizi — call frequency distributions, per-tool repetition rates, new tools'ın overall call chain üzerindeki etkisi.

Benchmark Sonuçları

50 popüler açık kaynak repo, 200 gerçek PR, 10 programlama dili, 80+ senior engineer tarafından cross-validated (1,505 annotated ground-truth issues):

Metrik	open-code-review	Claude Code
Precision	Yüksek	Düşük
F1 Score	Yüksek	Düşük
Token Tüketimi	~1/9	Yüksek
Review Süresi	Hızlı	Yavaş
Recall	Düşük (deliberate trade-off)	Yüksek

Precision over Recall: open-code-review kasıtlı olarak precision'ı recall'dan üstün tutuyor. Daha az false alarm = daha az triage.

Kullanım

npm install -g @alibaba-group/open-code-review

# Configure LLM
ocr config provider
ocr config model

# Workspace mode (staged, unstaged, untracked)
ocr review

# Branch range
ocr review --from main --to feature-branch

# Single commit
ocr review --commit abc123

# Full-file scan (no git history needed)
ocr scan
ocr scan --path internal/agent

Delegation Mode

AI coding agent'ınızın review'ı kendisi yapmasını sağlayabilirsiniz. OCR file selection ve context handling'i yönetiyor, agent review'ı yapıyor.

Kimler İçin?

Code review süreçlerini otomatize etmek isteyenler
Large-scale codebase'lerde çalışan takımlar
CI/CD pipeline'larına code review eklemek isteyenler
Precision odaklı review isteyenler (false alarm intoleransı)

İlgili Eğitim: DevOps ve code quality için CoddyKit DevOps Bootcamp ve MLOps Academy kurslarına göz atabilirsiniz.

5. 🎨 impeccable: AI Coding Agents İçin Design Language

⭐ 50,861 stars | 🍴 2,997 forks | 📈 +413 stars bugün

GitHub: pbakaus/impeccable

impeccable, AI coding agents'ların daha iyi design yapabilmesi için tasarlanmış bir design language ve skill set. 1 skill, 23 command, live browser iteration ve 60 deterministic detector rules ile geliyor.

Sorun: AI-Generated Design'ın Tell'leri

Her model aynı SaaS template'leri üzerinde eğitildi. Guidance olmadan her projede aynı tell'leri görüyorsunuz:

Her şey için Inter font
Purple-to-blue gradients
Cards nested in cards
Colored backgrounds üzerinde gray text
Her heading'in üstünde rounded-square icon tile

impeccable'ın Çözümü

Setup Flow:

npx impeccable install
/impeccable init

init surface'ın brand (marketing, landing, portfolio) mi yoksa product (app UI, dashboard, tool) mu olduğunu soruyor. Sonra PRODUCT.md ve DESIGN.md yazıyor — audience, brand/product lane, voice, anti-references, colors, type, components.

23 Commands:

Command	Ne Yapar
`/impeccable craft`	Full shape-then-build flow with visual iteration
`/impeccable init`	One-time setup: design context gathering
`/impeccable document`	Mevcut project code'dan DESIGN.md generate
`/impeccable extract`	Reusable components ve tokens'ı design system'e çek
`/impeccable shape`	Code yazmadan önce UX/UI planlama
`/impeccable critique`	UX design review: hierarchy, clarity, emotional resonance
`/impeccable audit`	Technical quality checks (a11y, performance, responsive)
`/impeccable polish`	Final pass, design system alignment, shipping readiness
`/impeccable bolder`	Boring design'ları amplify et
`/impeccable quieter`	Overly bold design'ları tone down
`/impeccable distill`	Strip to essence
`/impeccable harden`	Error handling, i18n, text overflow, edge cases
`/impeccable onboard`	First-run flows, empty states, activation paths
`/impeccable animate`	Purposeful motion ekle
`/impeccable colorize`	Strategic color introduce
`/impeccable typeset`	Font choices, hierarchy, sizing fix
`/impeccable layout`	Layout, spacing, visual rhythm fix
`/impeccable delight`	Moments of joy ekle
`/impeccable overdrive`	Technically extraordinary effects ekle
`/impeccable clarify`	Unclear UX copy iyileştir
`/impeccable adapt`	Different devices'a adapt et
`/impeccable optimize`	Performance improvements
`/impeccable live`	Visual variant mode: browser'da element iterate

60 Deterministic Detector Rules + LLM-Only Critique:

CLI ve browser extension deterministic rules'ı çalıştırıyor
LLM gerekmiyor, API key gerekmiyor

Explicit Anti-Patterns

impeccable, ne yapmamanız gerektiğini de söylüyor:

❌ Overused fonts kullanma (Arial, Inter, system defaults)
❌ Colored backgrounds üzerinde gray text kullanma
❌ Pure black/gray kullanma (always tint)
❌ Her şeyi card'a sarma veya card'ları card'ların içine nesting yapma
❌ Bounce/elastic easing kullanma (dated hissettiriyor)

Provider Desteği

Cursor, Claude Code, Gemini CLI, Codex CLI, Grok Build ve diğer tüm supported tools ile çalışıyor.

Kimler İçin?

AI coding agents kullanan frontend geliştiriciler
Design consistency sağlamak isteyen takımlar
AI-generated design'ın tell'lerinden kaçınmak isteyenler
Design system building otomatize etmek isteyenler

İlgili Eğitim: Web accessibility ve frontend geliştirme için CoddyKit Web Accessibility Academy kursuna göz atabilirsiniz.

🎯 Sonuç

Bu haftanın GitHub Trending'i gerçekten etkileyici bir koleksiyon sunuyor:

BitChat — Offline iletişim ve gizlilik odaklı messaging
ego-lite — AI agents için shared browser automation
Instatic — Self-hosted visual CMS, clean static output
open-code-review — Alibaba'dan battle-tested AI code review
impeccable — AI coding agents için design language

Her biri kendi alanında yenilikçi çözümler sunuyor. Özellikle ego-lite ve impeccable, AI agent'ların günlük geliştirme workflow'larına entegrasyonunu hızlandırıyor.

Sizin favoriniz hangisi? Yorumlarda buluşalım! 👇

Bu makale, GitHub Trending'in 27 Temmuz 2026 verilerine dayanmaktadır. Star ve fork sayıları anlık olarak değişebilir.

Daha fazla eğitim için: CoddyKit — 157+ interaktif programlama kursu, AI tutoring ve real-time code execution ile kodlamayı öğrenin.

GitHub Trending: WorldMonitor - AI-Powered Global Intelligence Dashboard (72K+ Stars)

coddykit — Fri, 24 Jul 2026 06:04:53 +0000

Bugünün GitHub Trending'inde 3,175 star kazanan WorldMonitor, AI-powered news aggregation ve geopolitical monitoring'i tek bir dashboard'da birleştiriyor. Geliştiriciler için neler sunuyor?

🌍 WorldMonitor Nedir?

WorldMonitor (72,056 ⭐ | 10,840 forks), real-time global intelligence için tasarlanmış açık kaynaklı bir dashboard. 65+ external data provider'dan veri çekiyor, 500+ curated news feed'i 15 kategoride AI ile synthesize ediyor.

Bugün: 3,175 stars | Toplam: 72,056 stars | Language: TypeScript

🏗️ Teknik Mimari: Modern Stack, Enterprise Scale

Frontend Architecture

Vanilla TypeScript + Vite - Framework-free, maximum performance
globe.gl + Three.js - 3D globe visualization
deck.gl + MapLibre GL - WebGL flat map with 56 map layer types
Dual map engine - Hem 3D globe hem flat map, use case'e göre seç

Desktop Integration

Tauri 2 (Rust) - Native desktop app (macOS, Windows, Linux)
Node.js sidecar - Backend logic için
Single binary - One build, switches variants in-app

AI/ML Stack

Ollama - Local AI inference, no API keys required
Groq / OpenRouter - Cloud AI options
Transformers.js - Browser-side ML inference
Privacy-first - Everything runs locally if you want

API Contracts

Protocol Buffers - 281 protos, 35 services
Buf HTTP annotations - Type-safe API calls
MCP server - Model Context Protocol for AI agents

Deployment

Vercel Edge Functions - 60+ serverless functions
Railway relay - Real-time data streaming
Redis (Upstash) - 3-tier cache strategy
CDN + Service Worker - Offline support

🤖 AI Agent Integration: MCP Server & SDKs

WorldMonitor sadece bir dashboard değil - AI agents için tasarlanmış bir platform.

MCP Server

# Public MCP endpoint
https://worldmonitor.app/mcp

# Streamable HTTP, tools/list ve tools/call
# X-WorldMonitor-Key header veya OAuth ile auth

AI agents (Claude, GPT, vb.) direkt MCP üzerinden WorldMonitor verilerine erişebilir.

CLI & SDKs

# CLI (npm)
npx worldmonitor tools  # List all MCP tools (no key needed)
npm install -g worldmonitor
worldmonitor risk IR --api-key wm_xxx  # Iran risk assessment

# Python SDK
pip install worldmonitor-sdk

from worldmonitor import WorldMonitor

wm = WorldMonitor(api_key="wm_xxx")
risk = wm.get_country_risk("IR")  # Iran
print(risk.instability_index)  # CII v8 score

Resmi SDKs: Python, Ruby, Go - zero-dependency client libraries.

Agent Discovery

llms.txt - AI model discovery
agent-skills manifest - Structured agent integration
api-catalog - Machine-readable API documentation

📊 Core Features: Deep Dive

1. Country Instability Index (CII v8)

Server-authoritative stress scoring for 31 Tier-1 countries. Military, economic, disaster, escalation sinyallerini cross-stream correlation ile analiz ediyor.

Use case: Fintech apps için risk assessment, travel apps için safety scoring.

2. Finance Radar

29 stock exchanges real-time tracking
Commodities, crypto price feeds
7-signal market composite - Multi-factor analysis
Cross-asset correlation - Macro trend detection

Use case: Trading bots, portfolio management, market research.

3. 500+ News Feeds, AI-Synthesized

15 kategoride (politics, military, energy, climate, cyber, vb.) curated feeds. AI ile brief'lere synthesize ediliyor.

Use case: News aggregation apps, research tools, monitoring dashboards.

4. Cross-Stream Correlation

Military + economic + disaster + escalation sinyallerinin convergence'ini detect ediyor. Pattern recognition için custom algorithms.

Use case: Early warning systems, geopolitical risk modeling.

🌐 6 Site Variants, Single Codebase

worldmonitor.app          # General intelligence
tech.worldmonitor.app     # Tech industry focus
finance.worldmonitor.app  # Financial markets
commodity.worldmonitor.app # Commodities & energy
happy.worldmonitor.app    # Positive news
energy.worldmonitor.app   # Energy sector

Aynı repo, aynı build process, farklı domain ve UI tweaks. Variant-specific development:

npm run dev:tech      # tech variant
npm run dev:finance   # finance variant

🔧 Developer Experience

Zero Config Setup

git clone https://github.com/koala73/worldmonitor.git
cd worldmonitor
npm install
npm run dev
# localhost:3000 - no env vars needed!

25 Languages, RTL Support

Native-language feeds ve RTL (Arabic, Hebrew) support. i18n best practices.

Self-Hosting Options

Vercel - One-click deploy
Docker - Container-based
Static - Build ve serve

💡 Geliştiriciler İçin Use Cases

1. AI Agent Integration

MCP server üzerinden WorldMonitor verilerini AI agents'a feed et:

# Claude/GPT integration
tools = wm.mcp.list_tools()
context = wm.mcp.call_tool("get_geopolitical_risk", {"region": "Middle East"})

2. Real-Time Monitoring Dashboard

Kendi monitoring dashboard'unu build et, WorldMonitor verilerini embed et.

3. Financial Analysis Tools

Finance radar API'sini kullanarak trading bot veya portfolio tracker yap.

4. News Aggregation App

500+ curated feeds'i kendi news app'ine integrate et.

5. Geopolitical Risk API

CII v8 scores'u kullanarak risk assessment API'si build et.

📦 Data Sources: 65+ Providers

WorldMonitor 65+ external providers'dan veri çekiyor:

Geopolitics - Conflict databases, sanctions lists
Finance - Stock exchanges, commodities, crypto
Energy - Oil prices, grid status
Climate - Weather, disaster monitoring
Aviation - Flight data (Wingbits ADS-B)
Cyber - Threat intelligence feeds
Military - Open-source intelligence
News - 500+ curated feeds

Freshness monitor - 35 source group'un freshness'ini track ediyor.

🎯 Neden Trending?

AI-powered everything - Local AI (Ollama) ile privacy-first
Enterprise-grade architecture - Protocol Buffers, MCP, SDKs
Real-time intelligence - 65+ data providers, cross-stream correlation
Developer-friendly - Zero config, CLI, SDKs, MCP server
Open source - AGPL-3.0, commercial licensing available
Modern stack - TypeScript, Tauri 2, Vite, globe.gl

🚀 Getting Started

# Clone ve run
git clone https://github.com/koala73/worldmonitor.git
cd worldmonitor
npm install
npm run dev

# Desktop app
# Download: https://www.worldmonitor.app/api/download?platform=macos-arm64

# API key (opsiyonel)
# https://www.worldmonitor.app/pro

📚 İlgili Eğitimler

WorldMonitor gibi AI-powered applications build etmek için:

🎓 Learn AI Agents - AI agent integration, MCP protocol, tool calling, ve autonomous AI systems. WorldMonitor'un MCP server'ını AI agents ile nasıl kullanacağınızı öğrenin.

🎓 TypeScript - WorldMonitor'un core language'ı. Type-safe development için essential.

🎓 AI Python - WorldMonitor SDK'sını Python ile kullanmak için.

🔗 Links

GitHub: https://github.com/koala73/worldmonitor
Live Demo: https://www.worldmonitor.app
Documentation: https://www.worldmonitor.app/docs/documentation
MCP Server: https://worldmonitor.app/mcp
API Docs: https://worldmonitor.app/openapi.yaml

Günün Takeaway'i: WorldMonitor, AI-powered intelligence dashboard'ların ne kadar sophisticated olabileceğini gösteriyor. MCP server, Protocol Buffers, 65+ data providers, local AI - hepsi bir arada. Geliştiriciler için hem learning resource hem de production-ready platform.

Bu makale GitHub Trending'den ilham alınarak hazırlanmıştır. Veriler 24 Temmuz 2026 itibarıyla günceldir.

GitHub Trending'de Bugün: AI Agent'lar İçin 5 Kritik Araç (22 Temmuz 2026)

coddykit — Wed, 22 Jul 2026 06:09:57 +0000

Bugünün GitHub Trending'inde AI agent geliştiricileri için 5 kritik proje öne çıkıyor. Toplamda 124,000+ yıldız ve binlerce günlük artışla, AI agent ecosystem'in nereye evrildiğini net bir şekilde görüyoruz.

1. WorldMonitor - Gerçek Zamanlı Global İstihbarat Dashboard'u

⭐ 66,314 stars | 🔥 Bugün +1,295

WorldMonitor, AI destekli haber toplama, jeopolitik izleme ve altyapı takibini birleştiren kapsamlı bir situational awareness platformu.

Teknik Derinlik

WorldMonitor'ın en etkileyici özelliği, tek bir kod tabanından 6 farklı site varyantı (world, tech, finance, commodity, happy, energy) üretebilmesi. Frontend Vanilla TypeScript + Vite ile yazılmış, 3D globe (globe.gl + Three.js) ve WebGL flat map (deck.gl + MapLibre GL) dual map engine kullanıyor.

AI/ML Stack:

Ollama / Groq / OpenRouter entegrasyonu
Transformers.js ile browser-side AI inference
Local AI modu: API key gerektirmeden tamamen offline çalışma

Backend Mimarisi:

281 Protocol Buffers tanımı, 35 service
Vercel Edge Functions (60+)
Railway relay, Tauri 2 desktop app
Redis (Upstash) 3-tier cache

MCP Server: https://worldmonitor.app/mcp endpoint'i ile AI agent'larınız doğrudan WorldMonitor verilerine erişebiliyor.

Neden Trending?

65+ external provider'dan veri topluyor: geopolitics, finance, energy, climate, aviation, cyber, military, infrastructure, ve news intelligence. 500+ curated feed ile 15 kategoride AI-synthesized briefs üretiyor.

Country Instability Index (CII v8): 31 Tier-1 ülke için server-authoritative stress scoring. Jeopolitik risk analizi yapan AI agent'lar için paha biçilmez.

Finance Radar: 29 stock exchange, commodities, crypto, ve 7-signal market composite.

2. code-review-graph - AI Coding Tools İçin Context Optimization

⭐ 24,793 stars | 🔥 Bugün +1,925

code-review-graph, AI coding araçlarının codebase'inizin sadece gerekli kısımlarını okumasını sağlayan local-first code intelligence graph.

Problem

AI coding tools, review task'larında codebase'inizin büyük bölümlerini yeniden okumak zorunda kalıyor. Bu, token israfı ve yavaş response time demek.

Çözüm

Tree-sitter ile kodunuzu AST'ye parse ediyor, nodes (functions, classes, imports) ve edges (calls, inheritance, test coverage) olarak graph'a kaydediyor.

Benchmark Sonuçları (6 gerçek repo, 13 commit):

Repo	Naive Tokens	Graph Tokens	Reduction
fastapi	951,071	2,169	528.4x
code-review-graph	208,821	2,495	93.0x
gin	166,868	1,990	91.8x
flask	125,022	1,986	71.4x
express	135,955	3,465	40.6x
httpx	89,492	2,438	38.0x

Median per-question reduction: ~82x (range 38x – 528x)

Blast Radius Analysis: Bir dosya değiştiğinde, graph tüm caller'ları, dependent'ları ve test'leri trace ediyor. AI sadece bu dosyaları okuyor.

30+ Dil Desteği: Python, JS/TS, Go, Rust, Java, C/C++, C#, Ruby, Kotlin, Swift, PHP, Scala, Solidity, Dart, SQL, Terraform, Vue/Svelte SFCs, Jupyter notebooks ve daha fazlası.

3. OmniRoute - AI Gateway: 268+ Provider, 500+ Model

⭐ 23,931 stars | 🔥 Bugün +2,034

OmniRoute, tek bir endpoint ile 268+ provider'a (50+ free) ve 500+ modele erişim sağlayan MIT lisanslı AI gateway.

Core Features

Auto-Combo Engine: Quota bittiğinde, provider fail olduğunda veya cost spike olduğunda sessizce bir sonraki modele geçiyor.

18 Routing Strategy: priority, fill-first, weighted, round-robin, p2c, least-used, cost-optimized, headroom, context-relay, context-optimized, lkgp, auto, fusion, pipeline ve daha fazlası.

Quota-Share Routing: Aynı upstream account için birden fazla key kullanıyorsanız, time-based quota key'ler arasında adil dağıtılıyor. Work-conserving: idle member'ın slice'ı başkasına ödünç veriliyor.

Token Compression: RTK + Caveman stacked ile 15-95% token tasarrufu.

MCP Server: 104 tools, 3 transports (stdio, SSE, Streamable HTTP), 31 scopes.

A2A Protocol: 6 skills, JSON-RPC 2.0 agent-to-agent communication.

Cloud Agent Integration: Claude Code, Codex, Cursor, Devin, Jules, Cline, Roo Code, Continue, Aider, OpenCode, OpenClaw, Goose, ve 15+ daha.

4. wigolo - Local-First Web Intelligence for AI Agents

⭐ 3,261 stars | 🔥 Bugün +642

wigolo, AI agent'lar için local-first web intelligence platformu.

Core Principle

"No API keys, no cloud, $0/query." Tüm veriler ~/.wigolo/'da kalıyor.

10 Tools

search - 18 engine, rank fusion, ML reranking, explainable per-result score
fetch - Tiered router: HTTP → headless browser on anti-bot
crawl - BFS, DFS, sitemap, per-domain rate limits, robots.txt respect
extract - Tables, metadata, JSON-LD, named schemas
cache - Keyword + hybrid semantic search over seen content
find_similar - 3-way fusion: keyword + semantic + live web
research - Decompose → fan out → fetch → synthesize cited report
agent - Autonomous gather loop with step log
diff - Page change detection
watch - Re-check + webhook delivery

Benchmark: wigolo vs Cloud Tools

Feature	wigolo	Firecrawl	Exa	Tavily
Verbatim excerpts (byte-offset)	✅	❌	❌	❌
Explainable score decomposition	✅	❌	❌	❌
Persistent local memory	✅	❌	❌	❌
Query data stays on machine	✅	❌	❌	❌
Cost per query	$0	metered	metered	metered

Framework Integration: LangChain, CrewAI, LlamaIndex, Vercel AI SDK wrapper'ları mevcut.

5. openship - Self-Hosted Deployment Platform

⭐ 6,468 stars | 🔥 Bugün +1,562

openship, built-in CI/CD ile self-hostable deployment platform.

Zero-Config Deployment

npm i -g openship
openship up
cd your-project
openship init
openship deploy

Repo analizi → stack detection → build → configuration → deploy. Zero config files, zero pipelines, zero YAML.

Features

CI/CD: Push-to-deploy, preview environments, staging/prod, rollbacks
Any Stack: Node, Python, Go, Rust, PHP, Ruby, Java, .NET, Docker, monorepos
Full Backend: Postgres, MySQL, MongoDB, Redis, workers, WebSockets
Domains & SSL: Automatic Let's Encrypt, wildcards, auto-renewal
CDN: Edge caching, HTTP/3, Brotli
Mail Server: Built-in SMTP with DKIM/SPF/DMARC
Backups: Scheduled, one-click restore
Three Interfaces: Desktop App, Web Dashboard, CLI

License: Apache 2.0

Sonuç: AI Agent Ecosystem'inin Dört Temel Alanı

Bugünün trending repo'ları net bir tablo çiziyor:

Intelligence Gathering (WorldMonitor, wigolo) — Agent'ların dünyadan bilgi toplaması
Context Optimization (code-review-graph) — Token efficiency ve precision
Multi-Provider Orchestration (OmniRoute) — Resilience ve cost optimization
Infrastructure Automation (openship) — Deployment ve operations

Bu araçlar, AI agent'ların daha autonomous, efficient ve reliable olmasını sağlıyor. 2026'nın ikinci yarısında bu trend'in hızlanarak devam etmesini bekliyoruz.

Bu makale 22 Temmuz 2026 tarihinde GitHub Trending verilerine göre hazırlanmıştır. Tüm yıldız sayıları gerçek zamanlı olarak çekilmiştir.

🎓 AI-powered development konusunda derinleşmek için: CoddyKit kursları — React, TypeScript, AI Engineering, DevOps ve daha fazlası.