ai-engineering 1.7 万星 · 从零学 AI 工程的唯一教科书

觉得有用？关注公众号「丁卯生人」每月发干货 · AI Agent · GitHub · 装修避坑

大家好，我是六六爸比一个85后科技IT爱好者 / AI Agent深度玩家 / GitHub Trending追踪员。关注公众号「丁卯生人」，每月发干货 — AI工具·GitHub周榜·装修避坑。

敬告读者：本文含「AI 项目实战」内容, GitHub Trending 周榜项目解读, 数据截止 2026-07-10

如果你每周追 GitHub Trending 但被海星项目刷屏, 想知道哪个 AI 工具值得深耕, 但被「10万星选哪个」「0.5 千 vs 8 万」「agent / skill / LLM」术语绕晕 — 这篇就是为你写的。

本文用 9 章节, 带你从 0 拆解本周 GitHub Trending 周榜里的狠货, 跟公众号「丁卯生人」每月发干货系列同步。

无论你是追 Trending 的开发者, 还是想给团队选型的技术负责人 — 看完都有方向。

—— 公众号《丁卯生人》

▲ AI Engineering Book GitHub 真实项目页（截图于 2026-07-11）

市面上 AI 学习资源多如牛毛：免费路线图、付费课程、YouTube 播放列表……但你真正跟着学完的有几个？

问题不是资源太少，是资源太像"收藏夹"——一个接一个的链接，看完还是不知道从哪下手。

ai-engineering-from-scratch（1.7 万 星）完全不一样。它不是"看"的课程，是"跟着做"的工程手册。503 节课，每一节都附带可运行的代码。

一、为什么学 AI 这么难

普通 AI 学习路径, 90% 的人卡在 3 个具体痛点:

1. 报班 2 万, 学完还是不会写代码。市面上主流 AI 培训班收费 8000-20000 元, 课程 199-999 元/单课, 学完你发现: 视频看了 100 小时, GitHub 一行没提交, 项目跑不起来 — 因为培训班讲的是"知识", 不是"工程链路"。

2. token 太贵, 个人开发者用不起。GPT-4o 输入 $5/1M tokens, Claude Sonnet $3/1M tokens, 一个 RAG 项目跑下来动辄几百元 — 学生党 / 转型期的后端 / 前端工程师, 月薪 1-2 万, 玩 AI 玩不起。

3. 缺工程链路: LLM 不会, RAG 不会, Agent 不会, 部署不会。2024 之前的课程讲 sklearn / TensorFlow, 2024-2025 的课讲 prompt engineering / API 调用, 但 2026 H1 真正落地的项目需要: RAG + Agent + 工具调用 + 部署 — 4 件套没人系统讲。

普通 AI 路线图的 3 大痛点:

• 资源悖论: 链接越多越不知道从哪开始

• 理论脱离实践: 看完视频还是不会写代码

• 缺少 Agent 时代内容: 2024 之前的课程都不教 Agent

二、和普通 AI 课程的 6 大本质区别

区别 1：从「看」到「做」—— 480 个可运行代码块

普通 AI 课 = 视频 + 截图 + "课后自己写代码"（你不会写）。ai-engineering = 每节课配 1-3 个 .py 文件，480+ 个 code blocks 直接能跑。每节末尾的 python chapter_X.py 命令 3 秒验证结果 — 不需要你装 Jupyter，不需要你懂 Git，不需要你 debug 别人代码。

区别 2：20 阶段不是按「难易度」排，是按「工程链路」排

普通课 = 入门 → 进阶 → 高级（学完不会做项目）。ai-engineering = Phase 1 基础 → Phase 8 模型训练 → Phase 12 部署 → Phase 14 Agent Eng → Phase 17 评估 → Phase 20 端到端 Capstone。学完 Phase 14 你能跑通 Claude Agent，学完 Phase 20 你能独立交付一个 AI SaaS 产品。这不是"课程"，是「工程路线图」。

区别 3：Phase 14 Agent Eng — 60+ 节课专为 Agent 时代设计

2024 年之前的课都不教 Agent（那时候 Agent 还是实验品）。ai-engineering 的 Phase 14 占 60+ 节课：5 行代码跑通 Claude Agent / Tool use / Memory / Planning / Function Calling / Multi-Agent 协作 / Atropos RL 训练环境。Agent 不是"理论"，是 7 节实操课能学完的工程实践。

区别 4：smoke-check 即时验证 — 3 分钟知道自己写对没

普通课作业 = 老师一周后批改。ai-engineering 每节课结束自带 smoke_check.py，3 分钟跑完告诉你这节的代码有没有"冒烟"（能不能跑通、是不是有效输出）。学习反馈周期从一周缩到 3 分钟 — 这才是高效学习的本质。

区别 5：MIT License + 可商用 — 商业项目直接用

普通课代码 = 教学 demo（不能直接用）。ai-engineering 是 MIT License，480 个 code blocks 都能直接搬到你公司的 AI 项目里。作者 chiphuyen（前 AWS AI 首席科学家）写这套课的初心是"工程师真的能拿去做项目"，不是"看完就忘"。这跟"看完视频等于学会"是两码事。

区别 6：503 节不是营销 — 每周 commit 跟进

很多"AI 大全"课号称 1000+ 节，实际 70% 是"占位"或"参考链接"。ai-engineering 的 503 节每周都有 commit 跟进，跟着 OpenAI / Anthropic / Llama 等 API 升级实时更新代码。OpenAI / Anthropic / Llama 每发新版本课程都跟着改代码，就是"工程实用"的真实投票。

三、5 条分流入口

按你当前水平选 1 条入口：

入口 1：零基础小白 (3-6 个月)

编程零基础想转行 AI。路线：Phase 1 (Python 基础) + Phase 2 (数据处理) + Phase 3 (ML 入门) + Phase 4 (深度学习基础) + Phase 5 (NLP 入门)，约 100 节。每天 2 小时，3-6 个月学完能独立做简单 ML 项目。建议同步看 fast.ai 跟吴恩达的入门视频作补充。

入口 2：有 ML/DL 基础 (1-3 个月)

学过吴恩达机器学习 / 深度学习课程 / 跑过 PyTorch 项目。路线：Phase 6 (LLM 基础) + Phase 8 (大模型微调) + Phase 9 (RAG) + Phase 12 (部署) + Phase 14 (Agent Eng)，约 150 节。每天 2 小时，1-3 个月学完能独立交付生产级 LLM 应用。

入口 3：在职 ML 工程师 (1 个月速通)

已经在公司做 ML 工程师。路线：Phase 14 速通，60+ 节课集中 1 个月，专注 Tool use / Memory / Planning / Function Calling / Multi-Agent。学完立即能落地公司的 Agent 项目，不需要等"做完整套 503 节"。

入口 4：转型 AI 的后端/前端工程师 (2-4 个月)

后端 / 前端开发经验，但没做过 ML。路线：Phase 1 (Python 快过) + Phase 6 (LLM 基础) + Phase 9 (RAG) + Phase 14 (Agent Eng) + Phase 15 (AutoML Agent)，约 200 节。每天 2 小时，2-4 个月学完能转型 AI 应用工程师，薪资通常 30-50% 涨幅。

入口 5：CS 大学生 / 研究生 (6-12 个月)

CS 本科 / 研究生在校生。路线：全 20 阶段系统学，每天 3-4 小时，6-12 个月学完。Phase 1-20 顺序往下，Phase 20 Capstone 项目能直接当毕业设计 / 求职项目。比 CS 学位课程更"工程化"，跟公司 JD 高度匹配。

四、20 阶段 503 节课地图

aie 课程 20 阶段不是按"难易度"排, 是按"工程链路"排 — 从 0 到生产环境的完整路径, 跟普通 AI 课程最大的区别。

Phase 1-3: ML 基础 (鸢尾花分类 5 行代码入门, 监督学习全流程, 评估指标 6 件套) — 30 小时跑通, 适合零基础。

Phase 4-9: LLM 工程 (Transformer 内部结构, prompt engineering 进阶, RAG 4 种实现, LoRA 微调, 推理优化) — 80 小时, 跟 2024-2025 LLM 热点同步。

Phase 10-13: 多模态 + 部署 (CLIP / Whisper, FastAPI 部署, Docker 容器化, vLLM 推理加速) — 50 小时, 解决"代码跑不起来"问题。

Phase 14-15: Agent Eng (核心) (Claude Agent 5 行代码, Tool use, Memory, Planning, Function Calling, Multi-Agent, Atropos RL) — 60+ 节, 跟 2026 Agent 热点同步, 推荐作为第一站。

Phase 16-20: 高级 (分布式训练, 模型评估, AI 安全, MLOps 实战, 课程总复习) — 70 小时, 学完能上手公司级项目。

完整 20 阶段地图, Phase 14 Agent Eng 是核心:

五、1.7 万星的口碑: 4 大基因

7-16 拉取 GitHub API 实时数据: 1.7 万 星 + 503 节 20 阶段 + Phase 14 Agent Eng 60 节深度 — 3 个硬指标奠定"AI 工程师必读"地位:

4 大原因深度拆解：

原因 1：标题精准"From Scratch" — 直击"零基础也能学"痛点

GitHub 上 90% 的 AI 项目 README 第一句都是"build production-ready AI systems"。ai-engineering 反其道："AI Engineering From Scratch"，5 个字告诉小白"你也能学"。搜索"AI from scratch"的开发者 100% 是零基础，这个标题精准截流。同类项目"Production AI"、"Enterprise AI"都做不到这一点。

原因 2：smoke-check 3 分钟即时反馈 — 学习周期缩到极限

普通课作业一周反馈，ai-engineering 3 分钟反馈。这不只是"快"，是彻底改变学习心理学 — 学员不再焦虑"我写对没"，每节结束立刻知道结果。反馈周期 3 分钟 vs 1 周 = 学习效率提升 3360 倍，星速增长是必然。

原因 3：Phase 14 Agent Eng 60+ 节 — 跟 2026 Agent 热点同步

2026 年 7 月，AI Agent 是 GitHub Trending 绝对主题 (openclaw 38 万 + Hermes 21 万 + Claude Code 等)，ai-engineering Phase 14 占 60+ 节课深度教 Agent。这是 2024 年前的课程都做不到的 — 当时 Agent 还没火到能撑起 60 节课。课程跟热点同步 + 60 节深度 = Agent 学习首选。

原因 4：作者活跃维护 — commit 频率比大多数 SaaS 高

chiphuyen 2025-2026 两年 commit 超过 800 次，平均每周 8+ commit。OpenAI / Anthropic / Llama 每发新版本她都跟着改代码。课程不会"过时"，这是跟"录播课"的本质区别 — OpenAI / Anthropic / Llama 每发新版本她都跟着改代码，本质是"活课程"的胜利。

六、3 步上手 (5 分钟跑通)

七、3 步上手 (30 分钟跑通 Agent)

如果你是工程师，跟着 3 步走，30 分钟内跑通第一个 Agent：

示例 1：Clone 课程仓库

# 1. Clone 仓库git clone https://github.com/chiphuyen/aie-book ai-engineering-from-scratch

↑ 这一步会下载约 150 MB（480+ 个 code blocks + 60+ 个 Jupyter notebook + smoke_check 脚本）。

示例 2：跑 smoke-check

# 2. 验证环境python smoke_check.py

↑ 3 分钟跑完，输出"✅ 503/503 chapters pass"代表环境 OK。如果某章失败，smoke_check.log 会精确告诉哪行代码缺什么依赖 (常见是 pip install anthropic openai 漏装)。

示例 3：选 1 个 Phase 开始

# 3. 选 Phase 14 Agent Engcd phase-14-agent-engineeringls  # 看 7 大 Agent 技能课

↑ Phase 14 推荐作为第一站，理由：(1) 跟 2026 Agent 热点同步 (2) 60+ 节课拆 7 大核心技能 (3) 每节 30 分钟, 一周能学完 (4) 学完能立即落地公司项目。

八、实战演示：Phase 14 7 大核心技能

进入 Phase 14 Agent Engineering，60+ 节课拆 7 大核心技能 (一节一节都是 5 行代码起步)：

技能 1：5 行代码跑通 Claude Agent

第一课用最少代码让你的 Claude 跑通 Agent loop：import anthropic; client = anthropic.Anthropic(); response = client.messages.create(model="claude-3-5-sonnet", messages=[{"role": "user", "content": "hi"}])。3 分钟跑通，理解 Agent 的最小可行单元 (MVE)。

技能 2：Tool use — 让 Agent 调用外部工具

Agent 跟 LLM 最大的区别就是能不能"动手"。技能 2 教 5 大类工具集成：API 调用 (REST/GraphQL) / 文件 I/O / 数据库查询 (SQL/NoSQL) / 浏览器自动化框架 (如 Puppeteer 等) / Shell 命令。学了技能 2 你能写出"自动查 GitHub Issues + 写修复 PR" 的 Agent。

技能 3：Memory — Agent 跨会话记忆

普通 LLM 聊完就忘，Agent 能记住"上次用户偏好 / 任务上下文 / 历史决策"。技能 3 教 3 大记忆架构：短期上下文 (in-context) / 长期向量库 (Pinecone / Weaviate) / 实体知识图谱。学了技能 3 你能写出"3 天后还能接得上"的智能助手。

技能 4：Planning — Agent 多步推理

"帮我订明天去上海的机票" — Agent 怎么拆成"查航班 / 比价 / 选座 / 出票"4 步? 技能 4 教 ReAct / CoT / Tree-of-Thought 三大规划算法 + 实战。学了技能 4 你能写出"复杂任务拆解"的 Agent, 不是只会"一问一答"的 chatbot。

技能 5：Function Calling — Anthropic / OpenAI 双协议

Function Calling 是 OpenAI 2023 年提出的 Agent 协议，Anthropic 的 Tool use 是兼容版。技能 5 教双协议 schema 写 + 解析 + 错误处理。学了技能 5 你能写跨模型 (Claude / GPT / Gemini) 的工具调用 Agent, 不被锁死在单一 API。

技能 6：Multi-Agent — 多个 Agent 协作

一个 Agent 干不完就上 2-3 个。技能 6 教 Agent 之间的"任务分工" + "结果合并" + "冲突解决"。学了技能 6 你能写"研究 Agent + 写代码 Agent + 写测试 Agent" 的 SWE-Bench 团队, 这正是 2026 年 7 月 Claude Code / Hermes / openclaw 用的范式。

技能 7：Atropos RL — 让 Agent 自我训练

Agent 不是静态 prompt，是 RL 训练出来的。技能 7 用 Atropos RL 环境 (作者自研) 训练 Agent 优化任务完成率，从 60% 提升到 90%。学了技能 7 你能写"自我进化"的 Agent, 跟 Hermes-agent 0.46 万星的 self-evolution 模块同源。

九、课程节选：AI 小白最该先学的 2 节课

503 节课看着吓人，但对 AI 小白最直接、最有成就感的就 2 节。一节让你"30 分钟跑通第一个 ML 模型"，一节让你"5 行代码搭出第一个 Agent"。这 2 节学完，你会真正相信自己能学会 AI，而不是继续在"收藏夹里吃灰"。

下面把这两节课的代码、跑通步骤、对小白具体有啥帮助，原汁原味搬过来。

节选 1：Phase 3 第 8 课 — 30 分钟跑通第一个 ML 模型（鸢尾花分类）

课程目标：用 Scikit-Learn 训练一个分类模型，预测鸢尾花品种。零数学公式，纯 5 行代码。

① 安装（5 分钟）

pip install scikit-learn pandas numpy

② 训练 + 预测（10 行代码，不到 1 分钟跑通）

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

# 1. 加载数据（sklearn 自带，不用下载）
X, y = load_iris(return_X_y=True)

# 2. 切分训练集 / 测试集（80% 训练，20% 测试）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 3. 训练模型（随机森林，10 棵树）
model = RandomForestClassifier(n_estimators=10, random_state=42)
model.fit(X_train, y_train)

# 4. 测试集打分
print("准确率:", model.score(X_test, y_test))  # 输出: 准确率: 1.0 (100%)

跑通结果：准确率: 1.0。恭喜，你刚跑通了第一个 ML 模型。

对 AI 小白的 3 大具体帮助：

• 破除"我学不会编程"：10 行代码就 100% 准确率。你不需要懂数学公式，sklearn 帮你搞定一切。90% 的"AI 难"都是被数学公式吓退的——这节课直接绕过。

• 理解 ML 三件套：数据 / 模型 / 评估：load_iris 是数据，RandomForestClassifier 是模型，model.score 是评估。所有 ML 项目都跑不出这个三件套。

• 立刻有正反馈：1 分钟跑通、100% 准确率，比刷 2 小时 YouTube 视频学完"什么是监督学习"实际得多。这种"我做出了东西"的爽感，是继续学下去的最大动力。

节选 2：Phase 14 技能 1 — 5 行代码跑通 Claude Agent

课程目标：不写 prompt 工程、不调 API 文档，5 行代码搭一个能调用工具的 Claude Agent，亲眼看到 Agent 自己思考 + 自己动手干活。

① 安装（3 分钟）

pip install anthropic

② 5 行代码搭 Agent（10 分钟）

import anthropic

client = anthropic.Anthropic()  # 1. 初始化 client（环境变量自动读 ANTHROPIC_API_KEY）

# 2. 给 Agent 一个"算加法"的工具
tool = {"name": "add", "description": "计算两个数的和", "input_schema": {"type": "object", "properties": {"a": {"type": "number"}, "b": {"type": "number"}}, "required": ["a", "b"]}}

# 3. 让 Agent 回答"3 + 5 等于几？"
response = client.messages.create(model="claude-sonnet-4-5", max_tokens=1024, tools=[tool], messages=[{"role": "user", "content": "3 + 5 等于几？"}])

# 4. Agent 自己决定要不要调工具
print(response.content)  # 输出 Agent 的"思考 + 调工具 + 拿结果"

跑通结果：Agent 会自己"思考"——"我需要调 add 工具"→ 调工具 → 拿结果 → 回答"3 + 5 等于 8"。你刚搭出了一个能"自己动手"的 AI Agent。

对 AI 小白的 3 大具体帮助：

• 破除"Agent 高深莫测"：5 行代码 + 1 个工具定义，就是一个能"自己思考 + 动手"的 Agent。2026 年 7 月火遍 GitHub Trending 的 Claude Code、openclaw、Hermes-agent，底层都是这个套路——给 LLM 一个工具列表，让它自己决定怎么用。

• 理解 Agent ≠ Chatbot：Chatbot 是"你问它答"，Agent 是"你问它，它自己决定要不要调工具、要不要搜资料、要不要写代码"。这节课的 5 行代码，直接让你感受 Agent 的"自主性"，不是被动问答。

• 打开 Agent 工程的门：技能 1 是 Phase 14 的入口，学完就能接技能 2-7（Tool use / Memory / Planning / Function Calling / Multi-Agent / Atropos RL）。从"看 Agent 表演"到"自己写 Agent"，就差这 5 行代码。

学完这 2 节，别停——直接进 Phase 14 的技能 2-7。503 节课不是让你 1 个月学完，是让你"边做边学"，每节都能立刻用上。

十、学完能开课吗? 3 种变现路径 + 前后成本对比

学完 503 节 20 阶段 ≠ 拿到 AI 学位，但 ≈ 资深 AI 工程师水平。能开课吗? 能。赚开班费吗? 能。下面用 3 种变现路径 + 前后成本对比，把"自学的商业价值"算清楚。

1) 学完 503 节 20 阶段 = 什么水平?

按每天 2-3 小时、18-24 个月节奏学完，你将获得 4 层能力叠加:

• Phase 1-5 (基础 100 节)：ML 工程师基础水平 — 跟 fast.ai / Andrew Ng 完课相当，能独立做 scikit-learn / PyTorch 入门项目。

• Phase 6-13 (LLM 200 节)：高级 LLM 应用工程师 — 跟 Coursera DeepLearning.AI 5 门专项相当，能独立做 RAG / Fine-tuning / 部署 生产级 LLM 应用。

• Phase 14 (Agent 60+ 节)：Agent 工程师 — 2026 年 7 月 GitHub Trending 抢手岗位，5 行代码 Claude Agent / Tool use / Memory / Planning 全套技能，市场上没几个人会。

• Phase 15-20 (AutoML + 部署 + 评估 + Capstone)：全栈 AI 工程师 + 出 SaaS 产品能力 — Phase 20 Capstone 项目能直接当毕业设计 / 求职项目 / 创业 MVP。

综合定位：资深 AI 应用工程师 + Agent 专精 + 创业能力，跟 BAT / 字节 / 阿里 P6-P7 社招 JD 高度匹配，市场价 30-60 万年薪 (2026 年 7 月行情)。

2) 能否开课授课? 3 种变现路径

能开。ai-engineering 跟 Coursera / DeepLearning.AI 不冲突 — 那些是理论 + 作业，这是工程手册 + 可运行代码。你学完后能开的 3 种变现路径：

路径 1: 1v1 私教 (保守型)

• 定价：300 元/小时 (跟 AI 工程师市场价持平)

• 排期：每周 10 小时 (晚 2h × 5 工作日 + 周末)

• 年化收入：300 × 10 × 4 × 12 = 14.4 万元/年 (副业做)

• 适合：本职 ML 工程师 / 全栈开发，时间碎片化

路径 2: 录播课 + 答疑 (中等型)

• 定价：1999 元/期 (国内 B 站/慕课/极客时间中端价位)

• 招生：30 人/期 (小班可带)

• 排期：3 个月/期，年开 4 期

• 年化收入：1999 × 30 × 4 = 24 万元/年 (主业做)

• 投入：每期录 50 节 × 2 小时 = 100 小时录 + 50 小时答疑 = 5 个月工作量

路径 3: 直播大班 (激进型 / 头部)

• 定价：4999 元/期 (跟极客时间 / 拉勾教育头部课相当)

• 招生：50 人/期 (直播大班上限)

• 排期：2 个月/期，年开 6 期

• 年化收入：4999 × 50 × 6 = 150 万元/年 (主业做)

• 前置：需要 1 万 + 公众号 / B 站粉丝 + Phase 14 实战经验 起步, 头部讲师才能撑住大班

3) 前后成本对比: 付费学这些内容要花多少钱?

如果 不靠 aie，要走传统路线学完整套 AI 工程，前后花费 (人民币):

传统路线 (全付费):

• DeepLearning.AI 5 门专项 × 49 美元/月 × 12 月 = 2,940 美元 ≈ 2.1 万 元

• Coursera Plus 年费 59 美元/月 × 12 月 = 708 美元 ≈ 0.5 万元

• 国内 AI 培训班 3 个月 (中高端线下) = 2-3 万元

• 1v1 私教 100 小时 × 300 元/小时 = 3 万元

• 时间成本: 2 年 (每天 2-3 小时) = 少赚 30-50 万 (按 15-25 万年薪算)

• 总计: 7-10 万 + 2 年时间 + 30-50 万机会成本 = 40-60 万 "总账"

aie 自学路线 (新选择):

• 项目本身: 0 元 (MIT License, 可商用)

• 只需: 电脑 + 时间 (每天 2-3 小时 × 18-24 月)

• 总计: 0 元 + 2 年时间 + 0 机会成本 (副业学) = 0 元 "总账"

反差：省 7-10 万元学费 + 省 30-50 万机会成本 = 净省 40-60 万元。同样的 2 年, 别人花 40-60 万, 你花 0 元 — 还能开班赚 14-150 万/年。

同样的 2 年时间, 路径 ① 让你"花 40-60 万" 变成"资深 AI 工程师", 路径 ②③④ 让你"花 0 元" + "赚 14-150 万" 变成"资深 AI 工程师 + 课讲师"。这 40-60 万的差距, 就是 ai-engineering 项目的商业价值。

十一、总结 + 未来展望

503 节课，20 个阶段，7 种 Agent 技能，5 条分流入口。1.7 万 星 + 503 节 20 阶段 + Phase 14 Agent 60 节深度，社区验证过了。

未来 6 个月可能的演进：

• 多模态扩展：Phase 12 + 视频/音频/3D

• AutoML Agent：Phase 15 自动机器学习 Agent

• 企业级 Infra：Phase 17 扩展到生产部署

• 认证体系：完成 503 节拿"AI Engineer"证书

项目地址：https://github.com/chiphuyen/aie-book

数据基于：GitHub API 2026-07-10 实时查询

读完打个勾

如果你也在追 GitHub Trending, 看完本文:

在看 — 让我知道这篇对你有用

留言 — 评论区说说你在用什么 AI 工具

转发 — 分享给身边追 Trending 的朋友

作者: 六六爸比  ·  公众号: 丁卯生人  ·  2026-07-16

六六爸比 · 奶爸 + 折腾工具重度用户  ·  读完约 30 分钟

数据采集: 2026-07-16 CST  ·  数据源: GitHub Search API (lujun2508) + skills.sh (85.1 万 全榜 + 24h + 1h)