---
title: "60+ Top-KI-GitHub-Repos in 2026 (nur aktiv gepflegte)"
description: "60+ aktiv gepflegte KI-GitHub-Repos für 2026 in 13 Kategorien: lokale LLMs (Ollama, DeepSeek-V4), Coding-Agents, Frameworks, RAG-Memory und MCP."
date: 2026-07-31
categories: ["ai"]
tags: ["github","ai-agents","open-source"]
---

*Hinweis: Diese Anleitung enthält Referral-Links. Wenn du darüber kaufst, erhalte ich möglicherweise eine Provision – ohne zusätzliche Kosten für dich.*

GitHub ist voller KI-Repos. Die meisten sind Forks, dünne Wrapper oder Dinge, zu denen seit sechs Monaten niemand mehr committed hat. Diese Seite ist die kurze Liste, die ich tatsächlich nutze und empfehle: Projekte mit echter Pflege, klaren Aufgaben und genug Community-Gewicht, dass du nicht auf eine Wochenend-Demo wettest.

Dieselbe Idee wie mein [Docker-Container-für-Home-Server](/de/docker-container-homeserver/)-Katalog, nur für KI-Tools statt Self-Hosted-Apps. Ich sortiere hart aus. Wenn ein Projekt eingeschlafen ist oder die Firma den Laden dichtgemacht hat (Coqui TTS, Bark, AUTOMATIC1111 SD WebUI, Zep, Flowise-Freeze, Helicone im Maintenance-Mode), steht es nicht hier.

Star-Zahlen sind ungefähre Werte, Stand Ende Juli 2026, und bewegen sich schnell. Behandle sie als Momentum-Signal, nicht als Qualitäts-Ranking.

Video: [I Tested Every Popular GitHub AI Tool—Here's What Survived](https://www.youtube.com/embed/8mgDbi5Vc1M)

## So nutzt du diese Seite

1. **Wähl eine Spur** in der Tabelle unten (lokale KI, Assistenten, Coding, Frameworks usw.).
2. **Star eine Shortlist** – drei bis fünf Repos pro Kategorie reichen völlig.
3. **Öffne eine Sektion**, die dich interessiert. Jede hat eine Quick-Pick-Tabelle, dann kurze Notizen zu den wichtigsten.
4. Wo ich auf bitdoze einen vollen Guide habe, verlinke ich ihn.

**Star nicht 50 Repos und nenn es Recherche**

Nimm, was zu dem passt, was du diesen Monat baust. Eine fokussierte Watchlist schlägt eine vollgestartete Schrott-Schublade.

### Wähl deine Kategorie

| Ich will… | Hierhin | Typische erste Picks |
| --- | --- | --- |
| LLMs auf meiner Hardware laufen lassen | [Lokale KI](#lokale-ki--modell-runner) | Ollama, Open WebUI, llama.cpp |
| Starke Open-Weight-Modelle | [Open-Weight-Modelle](#open-weight-ki-modelle) | DeepSeek-V4, Kimi K3, GLM-5.2 |
| Einen persönlichen KI-Assistenten | [Assistenten](#persönliche-ki-assistenten) | OpenClaw, Hermes Agent |
| Menschen + Agents in einem Workspace | [Assistenten](#persönliche-ki-assistenten) | Buzz |
| Coding-Agent im Terminal | [Coding-Agenten](#ki-coding-agenten--tools) | OpenCode, Pi Agent |
| Skills / Playbooks für Agents | [Skills](#agent-skills--playbooks) | Spec Kit, superpowers, pi-skills |
| Multi-Agent-Systeme in Code | [Frameworks](#ki-agent-frameworks) | LangChain, Mastra, Agno, CrewAI |
| Visuelle KI-Workflows | [Workflows](#workflow-orchestrierung) | n8n, Dify, Langflow |
| Langzeit-Agenten-Memory | [Memory](#ki-memory--rag) | Mem0, Cognee, Hindsight |
| Embeddings / RAG-Speicher | [Vektor-DBs](#vektordatenbanken) | pgvector, Qdrant, Milvus |
| Bilder und Video | [Multimodal](#multimodal--generierung) | ComfyUI, Remotion |
| LLM-Apps tracen und testen | [Observability](#observability--gateways) | Langfuse, promptfoo |
| Eine API über alle Provider | [Observability](#observability--gateways) | LiteLLM, OmniRoute |
| Tools via MCP anbinden | [MCP](#mcp--tool-anbindung) | awesome-mcp-servers |
| Den Stack lernen | [Lernen](#lernen--referenz) | Generative AI for Beginners |

### Was sich 2026 geändert hat (kurz)

- **OpenClaw** ging von einem Nischen-Self-Hosted-Assistenten auf ~385K Stars hoch. Local-first, viele Chat-Kanäle, Skills, die sich selbst erweitern. Der Creator ist zu OpenAI; das Projekt bewegte sich Richtung Foundation-Eigentumsmodell. Ich betreibe es weiterhin – mit einem [Security-Review](/openclaw-security-guide/).
- **Hermes Agent** von Nous Research (~223K Stars) ist der andere Schwergewichts-Personal-Agent. Eingebaute Learning-Loop, Skill-Erstellung aus Erfahrung, OpenClaw-Migrationspfad. Voller Artikel: [Hermes-Setup-Guide](/hermes-agent-setup-guide/).
- **OpenCode** (~191K Stars unter `anomalyco/opencode`) und **Pi Agent** (`earendil-works/pi`) sind die offenen Terminal-Coding-Agenten, die ich wirklich installiere. Pi bleibt minimal; Skills und Extensions fügst du selbst hinzu.
- **Open-Weight-Coding-Modelle** (DeepSeek-V4, Kimi K3, GLM-5.2, MiniMax M3 und Freunde) machten günstige Agents praxistauglich. Voller Roundup: [beste Open-Source-LLMs als Claude-Alternativen](/best-open-source-llms-claude-alternative/).
- **Buzz** von Block (Juli 2026) ist der neue Workspace-Play: Menschen und Agents teilen Kanäle, Git und Workflows auf einem self-hostbaren Nostr-Relay. Guide: [Buzz-Docker-Setup](/buzz-block-docker-setup/).
- **Skills und Playbooks** wurden eine echte Kategorie: Spec Kit, superpowers, pi-skills, Token-Sparer, Deploy-Skills. Agents ohne Skills sind nur Chat mit Tools.
- **Agent-Memory** ist jetzt eine eigene Kategorie – Mem0, Cognee, Hindsight, Letta. Leute haben aufgehört, „das Context Window" als Langzeitgedächtnis zu behandeln.
- **MCP** hat sich als gemeinsamer Weg durchgesetzt, Tools in Agents zu stecken. Die Awesome-Liste ist der Index.
- **Tote oder eingeschlafene** Projekte sind absichtlich von dieser Seite verschwunden. Nur lebendiger Code.

---

## Lokale KI & Modell-Runner

Modelle auf deiner CPU, GPU oder Apple Silicon laufen lassen. Kein API-Key für den Happy Path nötig.

### Quick Picks

| # | Repo | Stars | Lang | Was es macht |
| --- | --- | --- | --- | --- |
| 1 | [Ollama](https://github.com/ollama/ollama) | 177K | Go | LLMs mit einem Befehl laden, laufen lassen und servieren |
| 2 | [Open WebUI](https://github.com/open-webui/open-webui) | 147K | Python | ChatGPT-artige UI für Ollama und OpenAI-kompatible APIs |
| 3 | [llama.cpp](https://github.com/ggml-org/llama.cpp) | 122K | C++ | Inferenz-Engine unter den meisten lokalen Stacks |
| 4 | [vLLM](https://github.com/vllm-project/vllm) | 88K | Python | Hochdurchsatz-Serving für Produktion |
| 5 | [AnythingLLM](https://github.com/Mintplex-Labs/anything-llm) | 64K | JS | Desktop-KI mit eingebautem RAG über deine Docs |

**Ollama** ist immer noch der Einstieg für die meisten. `ollama run` zieht ein Modell und serviert es. Desktop-Apps gibt es für macOS und Windows. Kombiniere es mit Open WebUI für ein komplettes Self-Hosted-Chat-Produkt. Die Installation habe ich in [Ollama mit Docker](/ollama-docker-install/) behandelt und die Anbindung an OpenClaw in [OpenClaw + Ollama](/openclaw-ollama-local-models/).

**Open WebUI** ist das Dashboard: Chat-UI, RAG, Multi-User-Optionen, Voice-Kram. Wenn Ollama der Motor ist, ist das hier das Cockpit.

**llama.cpp** ist die Library, auf der fast jeder für lokale Inferenz aufbaut. Vielleicht clonst du es nie, aber es steht in deinem Dependency-Baum, wenn dich GGUF auf Consumer-Hardware interessiert.

**vLLM** ist das, wonach du greifst, wenn „läuft auf meinem Laptop" zu „wir brauchen Tokens pro Sekunde auf einer GPU-Maschine" wird.

---

## Open-Weight-KI-Modelle

Dieser Katalog ist überwiegend **Tools und Harnesses**. Für Modell-Picks (Preise, Benchmarks, wann welches) nutze die vollen Guides:

- **[Beste Open-Source-LLMs als Claude-Alternativen](/best-open-source-llms-claude-alternative/)** – Kimi K3, GLM-5.2, Qwen 3.6 Plus, MiniMax M3, MiMo V2.5 Pro, Mistral Medium 3.5 vs. Opus 5 / Fable 5 / GPT-5.6
- **[Beste Open-Source-Modelle für OpenClaw](/best-opensource-models-for-openclaw/)** – praktisches OpenClaw-Primary + Fallback
- **[Beste günstige Modelle für Hermes](/de/guenstige-hermes-agent-modelle/)** – Agent-Preise und DeepSeek-V4 im günstigen 1M-Context-Stack

### Quick Picks (Modelle, auf die ich Leute tatsächlich zeige)

| # | Modell | Home | Rolle |
| --- | --- | --- | --- |
| 1 | [DeepSeek-V4-Pro](https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro) | HF + API | Flaggschiff-MoE, ~1M Context, schwere Coding-/Agent-Arbeit |
| 2 | [DeepSeek-V4-Flash](https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash) | HF + API | Kleineres V4 – guter Default hinter Always-on-Agents |
| 3 | [Kimi K3](https://www.kimi.com/ai-models/kimi-k3) | Moonshot | Größtes Open-Weight-MoE; Coding- + Web-Spitzen |
| 4 | [GLM-5.2](https://z.ai/blog/glm-5.2) | Z.AI | Daily-Driver-Coding-Arbeitstier |
| 5 | [MiniMax M3](https://go.bitdoze.com/minimax) | MiniMax | Budget-Always-on-Agent-Modell, 1M multimodaler Context |
| 6 | [MiMo V2.5 Pro](https://go.bitdoze.com/mimo) | Xiaomi | Long-Horizon-Agent / tool-lastige Läufe |
| 7 | [Qwen 3.6 Plus](https://qwen.ai/apiplatform) | Alibaba | Frontend / Vibe-Coding mit kleinem Budget |
| 8 | [Mistral Medium 3.5](https://docs.mistral.ai/models/model-cards/mistral-medium-3-5-26-04) | Mistral | Dense Open Weights, realistische Self-Host-Option |

**DeepSeek-V4** ist die 2026er-Open-Weight-Linie, die man beim Namen kennen sollte: Pro für schwere Arbeit, Flash, wenn Kosten und Latenz zählen. Weights liegen auf Hugging Face; die API ist für beide live.

Der Rest der Tabelle ist die Shortlist aus dem Claude-Alternativen-Artikel. Star nicht acht Modellkarten und nenn es Recherche – nimm ein Primary und ein Fallback für den Agent, den du laufen hast, und lies dann den vollen Vergleich, wenn Rechnung oder Qualität nicht stimmen.

---

## Persönliche KI-Assistenten

Always-on-Agents, die auf deiner Maschine oder deinem VPS leben, über Chat-Apps reden und Arbeit für dich erledigen.

### Quick Picks

| # | Repo | Stars | Lang | Was es macht |
| --- | --- | --- | --- | --- |
| 1 | [OpenClaw](https://github.com/openclaw/openclaw) | 385K | TypeScript | Persönlicher KI-Assistent, viele Kanäle, Skills, local-first |
| 2 | [Hermes Agent](https://github.com/NousResearch/hermes-agent) | 223K | Python | Selbstverbessernder Agent mit Learning-Loop (Nous Research) |
| 3 | [AutoGPT](https://github.com/Significant-Gravitas/AutoGPT) | 186K | Python | Plattform für langlaufende autonome Agents |
| 4 | [Buzz](https://github.com/block/buzz) | 19K | Rust | Menschen-+-Agents-Workspace (Chat, Git, Workflows) |

**OpenClaw** ist die Standard-Antwort, wenn jemand sagt: „Ich will meinen eigenen KI-Assistenten auf einem VPS." Messaging-Integrationen (Telegram, Slack, Discord, WhatsApp und mehr), Shell- und Browser-Tools, Skills-Marketplace und eine riesige Community. Es braucht auch Sorgfalt: Breite Permissions und Community-Skills heißen, du solltest [OpenClaw-Security](/openclaw-security-guide/) lesen, bevor du es an Produktivsysteme lässt. Setup: [OpenClaw-Guide](/clawdbot-setup-guide/). Alternativen: [OpenClaw-Alternativen](/openclaw-alternatives/).

**Hermes Agent** ist der, den ich absichtlich neben OpenClaw stelle. Nous Research hat eine Learning-Loop gebaut: Skills aus abgeschlossener Arbeit, Recall über Sessions hinweg, User-Modeling. Es kann OpenClaw-Config und -Erinnerungen migrieren. Wenn du einen Agent willst, der sich verbessert statt nur einem statischen Prompt-Pack zu folgen, starte hier. Guides: [Hermes-Setup](/hermes-agent-setup-guide/), [Hermes-Dashboards](/de/beste-hermes-dashboards/), [günstige Modelle für Hermes](/de/guenstige-hermes-agent-modelle/).

**AutoGPT** hat den Autonomous-Agent-Hype 2023 begründet und hat immer noch eine riesige Star-Zahl. Besser als Plattform für langlaufende Automatisierung denn als „chatte mit mir auf Telegram"-Daily-Driver.

**Buzz** (buzz.xyz) ist anders genug, dass Leute es falsch einsortieren. Block hat es als Open-Source-Workspace veröffentlicht, in dem **Agents Mitglieder erster Klasse** mit kryptografischen Identitäten sind – keine Bots, die an Slack rangeschraubt wurden. Kanäle, DMs, Git-Hosting, Workflows, Desktop-App, self-hostbares Relay. Früh (pre-1.0), aber schon nützlich, wenn dein Problem „Team + Agents an einem Ort" ist. Voller Pfad: [Buzz mit Docker self-hosten](/buzz-block-docker-setup/).

**Security bei Always-on-Agents**

OpenClaw, Hermes und Freunde brauchen Shell-, Browser- oder Nachrichten-Zugriff, um nützlich zu sein. Behandle sie wie privilegierte Ops-Tools: Least Privilege, Skills reviewen, keine Produktions-Secrets in Prompts pasten, mit Docker oder einem dedizierten VPS isolieren.

---

## KI-Coding-Agenten & Tools

Agents, die im Terminal oder in der IDE leben, das Repo lesen und mehrstufige Aktionen ausführen.

### Quick Picks

| # | Repo | Stars | Lang | Was es macht |
| --- | --- | --- | --- | --- |
| 1 | [OpenCode](https://github.com/anomalyco/opencode) | 191K | TypeScript | Offener Coding-Agent mit ernsthafter TUI, multi-provider |
| 2 | [Pi Agent](https://github.com/earendil-works/pi) | 81K | TypeScript | Minimaler Terminal-Coding-Harness – Skills + Extensions |
| 3 | [OpenHands](https://github.com/OpenHands/OpenHands) | 83K | TypeScript | Autonomer Software-Engineer in einer Sandbox |
| 4 | [Cline](https://github.com/cline/cline) | 65K | TypeScript | VS-Code-autonomer Coding-Agent |
| 5 | [Herdr](https://github.com/herdrdev/herdr) | 23K | Rust | Terminal-Multiplexer, gebaut für Agenten-Herden |

**OpenCode** ist mein Batteries-included-Pick. Multi-Provider, starke TUI, Plan Mode, kein Single-Vendor-Lock-in. Das Repo lebt bei `anomalyco/opencode` (das alte `sst/opencode` redirectet). Guides: [OpenCode-Setup](/opencode-setup-guide/), [OpenCode-Go-Plan](/de/opencode-go-plan/).

**Pi Agent** ist der minimale, den ich neben OpenCode halte. Nur Core-Tools (read, write, edit, bash); Memory, MCP, Sub-Agents und Themes kommen aus Extensions und Skills, die du wählst. Gebaut von Mario Zechner, jetzt unter Earendil (`earendil-works/pi`). Install via `pi.dev` oder npm. Voller Pfad: [Pi-Coding-Agent-Setup](/pi-coding-agent-setup-guide/). Side-by-Side: [OpenCode vs. Pi](/opencode-vs-pi-agent/).

**OpenHands** ist der Ansatz „Agent in einer Box, der einen Browser bedienen und seine eigenen Fehler fixen kann". Schwerer, mehr Autonomie, wenn du sie willst.

**Cline**, wenn du den Agenten in VS Code willst, mit Terminal- und Browser-Kontrolle.

**Herdr** ist kein Coding-Modell. Es ist der Runtime/Multiplexer, wenn du mehrere Agents gleichzeitig laufen lässt und sehen musst, welcher blockiert ist. Review: [Herdr-Agent-Multiplexer](/herdr-agent-multiplexer/).

Skills, die sich in diese Agents einklinken (Spec Kit, superpowers, pi-skills etc.), liegen in der [Skills-Sektion](#agent-skills--playbooks) unten.

---

## Agent-Skills & Playbooks

Wiederverwendbare Skills, Methodiken und Skill-Packs. So bekommen moderne Agents Domänenverhalten, ohne den Harness neu zu schreiben.

### Quick Picks

| # | Repo | Stars | Was es macht |
| --- | --- | --- | --- |
| 1 | [superpowers](https://github.com/obra/superpowers) | 264K | Agentic-Skills-Framework + Software-Dev-Methodik |
| 2 | [Spec Kit](https://github.com/github/spec-kit) | 125K | GitHubs Toolkit für Spec-driven Development |
| 3 | [caveman](https://github.com/JuliusBrussee/caveman) | 95K | Skill, der Output-Tokens reduziert, indem er wie ein Höhlenmensch spricht |
| 4 | [claude-mem](https://github.com/thedotmack/claude-mem) | ~89K | Persistenter Context über Coding-Agent-Sessions hinweg |
| 5 | [scientific-agent-skills](https://github.com/K-Dense-AI/scientific-agent-skills) | 32K | Skills, die einen Agent in einen Research-Assistenten verwandeln |
| 6 | [pi-skills](https://github.com/badlogic/pi-skills) | ~2K | Skills für Pi (auch mit Claude Code / Codex nutzbar) |
| 7 | [pi-config](https://github.com/amosblomqvist/pi-config) | — | Kuratierte Pi-Extensions: Web, PDF, Bash-Guards, Reddit |

**superpowers** ist sowohl ein Skill-Pack als auch eine Art, mit Coding-Agents zu arbeiten (strukturierte Workflows, Sub-Agents, Brainstorming-Protokolle). Riesige Star-Zahl, weil die Leute das freie Vibe-Coding satt hatten.

**Spec Kit** ist GitHubs offizielles SDD-Kit: erst das PRD/Spec schreiben, dann den Agent dagegen implementieren lassen. Gehört hierhin, mehr als unter „Coding-Agents".

**caveman** und **claude-mem** sind praktische Schmerzmittel: weniger Tokens in der Antwort und Memory, das Session-Neustarts überlebt.

**pi-skills** und **pi-config** installiere ich nach Pi selbst. LazyPi bündelt ein größeres Skill-Pack in einem Befehl, wenn du ein kuratiertes Starter-Set willst (siehe [Pi-Setup-Guide](/pi-coding-agent-setup-guide/)).

Für Home-Lab-Deploy-Automatisierung habe ich außerdem einen wiederverwendbaren [docker-deploy-Skill](/ai-docker-deploy-skill/) geschrieben, den du in OpenClaw, OpenCode oder einen Custom-Agent legen kannst.

---

## KI-Agent-Frameworks

Code-first-Libraries, wenn du Produkte baust, nicht nur mit einem Assistenten chattest.

### Quick Picks

| # | Repo | Stars | Lang | Was es macht |
| --- | --- | --- | --- | --- |
| 1 | [LangChain](https://github.com/langchain-ai/langchain) | 143K | Python | Default-Agent-/App-Framework + Ökosystem |
| 2 | [MetaGPT](https://github.com/FoundationAgents/MetaGPT) | 70K | Python | Multi-Agent-„Software-Firma"-Simulation |
| 3 | [AutoGen](https://github.com/microsoft/autogen) | 60K | Python | Microsoft-Multi-Agent-Konversationen |
| 4 | [CrewAI](https://github.com/crewAIInc/crewAI) | 56K | Python | Rollenbasierte Agent-Crews und Tasks |
| 5 | [LlamaIndex](https://github.com/run-llama/llama_index) | 51K | Python | Daten-/RAG-first-Agents und Indexes |
| 6 | [Agno](https://github.com/agno-agi/agno) | 42K | Python | Agent-Plattformen bauen und betreiben (Teams, Memory) |
| 7 | [Mastra](https://github.com/mastra-ai/mastra) | 27K | TypeScript | TypeScript-Agents, Workflows, Memory, Studio-UI |

**LangChain** sitzt weiterhin im Zentrum vieler Tutorials und Integrationen. Kombiniere es mit LangGraph, wenn du Zyklen und dauerhaften State brauchst.

**CrewAI**, **AutoGen** und **MetaGPT** nehmen verschiedene Multi-Agent-Winkel: Rollen und Tasks, Multi-Agent-Chat und eine komplette „virtuelle Software-Firma"-Pipeline.

**Agno** ist das Python-Framework, das ich für echte Bots weiterempfehle (Discord, Teams, Knowledge Bases). Guides: [Agno Getting Started](/agno-get-start/), [Discord-Bot mit Agno](/create-your-own-ai-agent/), [Agno-Squads](/agno-squad/), [Agno-MCP-Tools](/agno-mcp-tools-context7/).

**Mastra** ist die TypeScript-Option, wenn dein Stack schon Node/Bun ist. Agents, Zod-Tools, Memory, Schedules, Studio-UI. Guides: [einen Agent mit Mastra bauen](/build-ai-agent-mastra/), [Mastra-Tools vs. MCP](/mastra-tools-vs-mcp/), [Mastra vs. Eve](/mastra-vs-eve-typescript-ai-agents/).

---

## Workflow-Orchestrierung

Visuelle Builder, wenn Nicht-Entwickler (oder du an einem Freitag) Pipelines ohne eine volle Custom-App brauchen.

### Quick Picks

| # | Repo | Stars | Lang | Was es macht |
| --- | --- | --- | --- | --- |
| 1 | [n8n](https://github.com/n8n-io/n8n) | 199K | TypeScript | Workflow-Automatisierung + native KI-Nodes, self-hostbar |
| 2 | [Langflow](https://github.com/langflow-ai/langflow) | 153K | Python | Drag-and-Drop-Agents und RAG-Graphen |
| 3 | [Dify](https://github.com/langgenius/dify) | 151K | TypeScript | Produktions-KI-App-Plattform: Workflows, RAG, Agents |

**n8n** ist das, was ich zuerst installiere für „wenn X passiert, ruf ein LLM auf und tu Y". Fair-Code, riesige Integrationsliste, solide Self-Host-Story. Guide: [n8n self-host](/n8n-self-host-workflow-automation/).

**Langflow** ist besser, wenn das Produkt *der* Agent-Graph ist (Prompts, Retriever, Tools auf einer Canvas). Guide: [Langflow Docker](/langflow-docker-install/).

**Dify** sitzt dazwischen: KI-Apps mit Workflows, Knowledge Bases und Monitoring ausliefern, ohne bei einem leeren Python-Repo anzufangen.

Flowise ist **nicht** auf dieser Liste. Development-Freezes und Sunset-Gerede machen es zu einem schlechten Default für neue Arbeit.

---

## KI-Memory & RAG

Gib Agents etwas Längeres als das aktuelle Context Window.

### Quick Picks

| # | Repo | Stars | Lang | Was es macht |
| --- | --- | --- | --- | --- |
| 1 | [Firecrawl](https://github.com/firecrawl/firecrawl) | 158K | TypeScript | Websites in sauberes Markdown/JSON für LLMs verwandeln |
| 2 | [RAGFlow](https://github.com/infiniflow/ragflow) | 86K | Go | Volle RAG-Engine: parsen, indexieren, zitieren, agentische Flows |
| 3 | [Mem0](https://github.com/mem0ai/mem0) | 62K | Python | Universelle Memory-Layer mit einfacher API |
| 4 | [Cognee](https://github.com/topoteretes/cognee) | 30K | Python | Knowledge-Graph-Memory für Agents |
| 5 | [Letta](https://github.com/letta-ai/letta) | 24K | Python | Stateful Agents mit selbst-editierbarem Memory (ex-MemGPT) |
| 6 | [Hindsight](https://github.com/vectorize-io/hindsight) | 19K | Python | Memory, das Erfahrungen/Muster speichert, nicht nur Chat-Logs |

**Mem0** ist der einfache „Memory hinzufügen"-Default für viele Apps.

**Cognee** baut einen strukturierten Knowledge Graph. Ich self-hoste es: [Cognee self-host](/cognee-self-host/).

**Hindsight** zielt auf Agents, die aus Erfahrung lernen, statt Transkripte abzuspielen. Deploy-Notizen: [Hindsight Docker](/hindsight-docker-deploy/). Head-to-Head: [Cognee vs. Hindsight](/cognee-vs-hindsight/).

**Letta** (früher MemGPT) ist immer noch die forschungsverwurzelte Stateful-Agent-Plattform.

**Firecrawl** und **RAGFlow** decken die Dokument-/Web-Seite ab: saubere Daten rein, dann mit Zitaten antworten.

---

## Vektordatenbanken

Wo Embeddings für RAG und semantische Suche wohnen.

### Quick Picks

| # | Repo | Stars | Lang | Was es macht |
| --- | --- | --- | --- | --- |
| 1 | [Milvus](https://github.com/milvus-io/milvus) | 45K | Go | Scale-Out-Vektor-DB für große Korpora |
| 2 | [Qdrant](https://github.com/qdrant/qdrant) | 34K | Rust | Schnelle Vektorsuche, saubere Ops-Story |
| 3 | [Chroma](https://github.com/chroma-core/chroma) | 29K | Rust | Leichte Embedding-DB für Prototypen und Apps |
| 4 | [pgvector](https://github.com/pgvector/pgvector) | 22K | C | Postgres-Extension – oft genug |

Wenn du schon Postgres laufen hast, ist **pgvector** die langweilige richtige Wahl. Ich nutze es so. Milvus oder Qdrant, wenn Skalierung oder reine Vektor-Workloads einen weiteren Dienst rechtfertigen. Verwandt: [pgvector + pgAdmin in Docker](/deploy-pgvector-pgadmin-docker/).

---

## Multimodal & Generierung

### Quick Picks

| # | Repo | Stars | Lang | Was es macht |
| --- | --- | --- | --- | --- |
| 1 | [ComfyUI](https://github.com/Comfy-Org/ComfyUI) | 123K | Python | Node-basierte Bild-/Video-/Audio-Generierung |
| 2 | [Deep-Live-Cam](https://github.com/hacksider/Deep-Live-Cam) | 95K | Python | Echtzeit-Face-Swap / Live-Video-Transforms |
| 3 | [Remotion](https://github.com/remotion-dev/remotion) | 55K | TypeScript | Videos programmatisch mit React machen |
| 4 | [HyperFrames](https://github.com/heygen-com/hyperframes) | 39K | TypeScript | HTML schreiben, Video rendern (agent-freundlich) |
| 5 | [OpenVoice](https://github.com/myshell-ai/OpenVoice) | 37K | Python | Sofortiges Voice Cloning mit Style-Kontrollen |
| 6 | [F5-TTS](https://github.com/SWivid/F5-TTS) | 15K | Python | Starkes Zero-Shot-Voice-Cloning |

**ComfyUI** ist die Default-Werkbank für Bilder (und zunehmend Video), nachdem AUTOMATIC1111 eingeschlafen ist. Node-Graphen, riesiges Ökosystem, bewegt sich weiter.

**Remotion** ist der React-Pfad für Video: Compositions als Components, rendern mit Node/Lambda, volle Kontrolle über Timeline und Daten. Gute Wahl, wenn Agents oder Scripts Motion Graphics und Explainer *komponieren* sollen statt nur eine Black-Box-Video-API aufzurufen. Firma-freundliche Lizenz für kommerzielle Nutzung (für Produktion deren Lizenzbedingungen prüfen).

**HyperFrames** ist näher an „HTML schreiben, ein Video bekommen" für Agent-Pipelines. Nimm Remotion, wenn du eine echte React-Codebase willst; HyperFrames, wenn der Agent HTML-Frames ausliefern soll.

Voice: **F5-TTS** und **OpenVoice** decken die meisten lokalen Cloning-Bedürfnisse ab. Coqui und Bark sind raus, weil die Upstream-Stories geendet haben.

---

## Observability & Gateways

### Quick Picks

| # | Repo | Stars | Lang | Was es macht |
| --- | --- | --- | --- | --- |
| 1 | [LiteLLM](https://github.com/BerriAI/litellm) | 55K | Python | OpenAI-kompatibler Proxy über 100+ Provider |
| 2 | [OmniRoute](https://github.com/diegosouzapw/OmniRoute) | 35K | TypeScript | Kostenloses MIT-KI-Gateway – viele Provider, Free Tiers, ein Endpoint |
| 3 | [Langfuse](https://github.com/langfuse/langfuse) | 32K | TypeScript | Tracing, Evals, Prompt-Management für LLM-Apps |
| 4 | [promptfoo](https://github.com/promptfoo/promptfoo) | 24K | TypeScript | CLI-Evals und Red-Teaming, CI-freundlich |

**LiteLLM** ist der Klebstoff, wenn du nicht willst, dass jeder Service ein anderes SDK hardcoded. Cost-Tracking, Fallback, Load-Balancing. Guide: [LiteLLM Docker](/de/litellm-docker-installation/).

**OmniRoute** ist das Free-Tier-freundliche Gateway: ein Endpoint, eine riesige Provider-Liste (inklusive kostenloser), Token-Kompression und smartes Fallback. Nützlich, wenn Coding-Agents (Claude Code, Codex, Cursor, OpenCode, Pi) weiterarbeiten sollen, ohne dass du jedes Mal Configs umschreibst, wenn ein Free-Endpoint stirbt. MIT, aktiv gepflegt.

**Langfuse** ist das, wonach ich greife, um Traces und Kosten zu sehen. Guide: [Langfuse Docker](/langfuse-docker-install/).

**promptfoo** ist für „besteht dieser Prompt noch die Suite?", bevor du shipst.

---

## MCP & Tool-Anbindung

MCP (Model Context Protocol) ist, wie Agents mit Tools reden, ohne dass jeder Vendor ein privates Plugin-Format erfindet.

### Quick Picks

| # | Repo | Stars | Lang | Was es macht |
| --- | --- | --- | --- | --- |
| 1 | [awesome-mcp-servers](https://github.com/punkpeye/awesome-mcp-servers) | 92K | — | Verzeichnis von MCP-Servern für Apps und APIs |
| 2 | [MCP Python SDK](https://github.com/modelcontextprotocol/python-sdk) | 24K | Python | Offizielles SDK für Server und Clients |

Wenn du neu beim Protokoll bist, starte mit [MCP für Anfänger](/mcp-introduction-beginners/). Für konkretes Wiring in Agents siehe die Agno- und Mastra-MCP-Artikel, die oben verlinkt sind.

---

## Lernen & Referenz

### Quick Picks

| # | Repo | Stars | Was es macht |
| --- | --- | --- | --- |
| 1 | [prompts.chat](https://github.com/f/prompts.chat) | 151K | Große offene Prompt-Library |
| 2 | [System prompts of AI tools](https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools) | 130K | Gesammelte System-Prompts populärer Tools |
| 3 | [Generative AI for Beginners](https://github.com/microsoft/generative-ai-for-beginners) | 108K | Microsoft-Kurs, Lektionen + Code |
| 4 | [LLMs from Scratch](https://github.com/rasbt/LLMs-from-scratch) | 88K | Ein ChatGPT-artiges Modell von Grund auf bauen |

Nutze die Kurse zum Lernen. Nutze die Prompt-Repos, um Struktur zu klauen, nicht, um blind in Produktions-Agents zu pasten.

---

## Default-Picks nach Anwendungsfall

| Anwendungsfall | Default-Pick |
| --- | --- |
| Lokaler Chat | Ollama + Open WebUI |
| Open-Weight-Modell | DeepSeek-V4-Flash / MiniMax M3 (günstig) oder GLM-5.2 / Kimi K3 (Qualität) – [volle Liste](/best-open-source-llms-claude-alternative/) |
| Persönlicher Assistent | OpenClaw oder Hermes Agent |
| Team-+-Agents-Workspace | Buzz |
| Terminal-Coding-Agent | OpenCode oder Pi Agent |
| Minimaler Coding-Harness | Pi Agent + pi-skills / pi-config |
| Spec-driven Coding | Spec Kit oder superpowers |
| VS-Code-Agent | Cline |
| Python-Multi-Agent-Produkt | Agno oder CrewAI |
| TypeScript-Agent-Produkt | Mastra |
| Visuelle Automatisierung | n8n |
| Visuelle KI-Apps | Dify oder Langflow |
| Einfaches Agent-Memory | Mem0 |
| Graph-Memory | Cognee |
| Lernendes Memory | Hindsight |
| Vektorsuche (einfach) | pgvector |
| Vektorsuche (Skalierung) | Milvus oder Qdrant |
| Bildgenerierung | ComfyUI |
| Programmatisches Video (React) | Remotion |
| Agent-freundliches HTML-Video | HyperFrames |
| LLM-Proxy | LiteLLM oder OmniRoute |
| Observability | Langfuse |
| MCP-Discovery | awesome-mcp-servers |

### Erste Schritte (ein Wochenende)

1. **Lokaler Chat** – `ollama run` + Open WebUI in Docker ([Guide](/ollama-docker-install/)).
2. **Assistent** – OpenClaw oder Hermes auf einem kleinen VPS ([OpenClaw](/clawdbot-setup-guide/), [Hermes](/hermes-agent-setup-guide/)).
3. **Coding** – OpenCode oder Pi gegen ein echtes Repo ([OpenCode](/opencode-setup-guide/), [Pi](/pi-coding-agent-setup-guide/)).
4. **Skills** – Spec Kit oder pi-skills hinzufügen statt riesige System-Prompts zu pasten.
5. **Automatisierung** – ein n8n-Workflow, der ein LLM aufruft ([n8n](/n8n-self-host-workflow-automation/)).
6. **Memory** – Mem0 oder Cognee auf etwas, das du schon laufen hast ([Cognee](/cognee-self-host/)).
7. **Observability** – Langfuse, wenn du über Demos hinaus bist ([Langfuse](/langfuse-docker-install/)).

Star nicht die ganze Seite an Tag eins. Nimm eine Zeile aus der Tabelle, ship etwas, dann erweitere.

---

## Guides auf dieser Seite (verwandt)

| Thema | Artikel |
| --- | --- |
| OpenClaw-Install | [OpenClaw-Setup](/clawdbot-setup-guide/) |
| OpenClaw-Sicherheit | [OpenClaw Security](/openclaw-security-guide/) |
| OpenClaw-Alternativen | [Alternativen-Roundup](/openclaw-alternatives/) |
| Grok-Bot-Alternativen | [Open-Source-Grok-Bot-Alternativen](/best-open-source-grok-bot-alternatives/) |
| Open-Weight-Modelle | [Claude-Open-Source-Alternativen](/best-open-source-llms-claude-alternative/) |
| Modelle für OpenClaw | [OpenClaw-Modell-Picks](/best-opensource-models-for-openclaw/) |
| Hermes Agent | [Hermes-Setup](/hermes-agent-setup-guide/) |
| Pi Agent | [Pi-Setup](/pi-coding-agent-setup-guide/) |
| OpenCode vs. Pi | [Vergleich](/opencode-vs-pi-agent/) |
| Buzz-Workspace | [Buzz-Docker-Setup](/buzz-block-docker-setup/) |
| Deploy-Skill | [Docker-Deploy-Skill](/ai-docker-deploy-skill/) |
| Mastra | [Mit Mastra bauen](/build-ai-agent-mastra/) |
| Agno | [Agno-Start](/agno-get-start/) |
| OpenCode | [OpenCode-Setup](/opencode-setup-guide/) |
| Memory-Vergleich | [Cognee vs. Hindsight](/cognee-vs-hindsight/) |
| Home-Server-Kontext | [Docker-Container-Liste](/de/docker-container-homeserver/) |

---

## FAQ

**Warum ist Projekt X nicht auf dieser Liste?**

Meistens einer dieser Gründe: aufgegeben oder code-gefriert, purer Hype ohne Pflege, Duplikat von etwas Besserem auf der Liste oder zu schmal für einen „Top-Dogs"-Katalog. Die Star-Zahl allein bringt dich nicht rein. OpenClaw und Hermes stehen hier, weil Leute sie täglich betreiben, nicht nur, weil sie trenden.

**Soll ich OpenClaw oder Hermes Agent nutzen?**

OpenClaw, wenn du das größte Ökosystem, Kanäle und die Skills-Community willst. Hermes, wenn dir die Learning-Loop und der Ansatz von Nous Research wichtiger sind. Viele betreiben beide. Fang mit einem an, migriere später bei Bedarf – Hermes hat einen OpenClaw-Migrationspfad.

**Wo passt Buzz rein?**

Buzz ist kein Drop-in-OpenClaw-Klon. Es ist ein Collaboration-Workspace (Chat + Git + Workflows), in dem Agents Identitäten erster Klasse haben. Nutze es, wenn das Problem Multi-Human-, Multi-Agent-Kollaboration ist. Self-hosten mit dem [Buzz-Docker-Guide](/buzz-block-docker-setup/).

**OpenCode oder Pi Agent?**

OpenCode, wenn du eine volle TUI, Plan Mode und viel eingebaut willst. Pi, wenn du einen kleinen Core willst und gerne Skills/Extensions selbst zusammenbaust. Ich nutze beide. Details: [OpenCode vs. Pi](/opencode-vs-pi-agent/).

**Python- oder TypeScript-Frameworks?**

Python hat immer noch mehr Agent-Framework-Fläche (LangChain, CrewAI, Agno). TypeScript ist ok und oft besser, wenn dein Produkt schon Node/Bun ist – nimm Mastra. Schreib nicht deinen ganzen Stack um, nur um eine Framework-Sprache zu matchen.

**Wie oft wird diese Seite aktualisiert?**

Wenn große Projekte aufsteigen, sterben oder den Besitzer wechseln. Die 2026er-Story hat schon einige frühere „must install"-Tools gekillt oder ins Abseits gestellt. Wenn ein Repo auf dieser Seite dunkel wird, fliegt es raus.

---

## Fazit

Der Großteil von GitHubs KI-Sektion ist Rauschen. Der nützliche Kern ist klein:

- Modelle laufen lassen: Ollama, Open WebUI, llama.cpp, vLLM
- Open Weights: DeepSeek-V4, Kimi K3, GLM-5.2, MiniMax M3 ([voller Guide](/best-open-source-llms-claude-alternative/))
- Persönliche Assistenten: OpenClaw, Hermes Agent
- Team-+-Agents-Workspace: Buzz
- Coding-Agents: OpenCode, Pi Agent, Cline, OpenHands
- Skills: Spec Kit, superpowers, pi-skills, claude-mem
- Produkte bauen: LangChain, Agno, Mastra, CrewAI
- Workflows: n8n, Dify, Langflow
- Multimodal: ComfyUI, Remotion, HyperFrames
- Memory / RAG: Mem0, Cognee, Hindsight, RAGFlow, pgvector oder Qdrant/Milvus
- Ops: LiteLLM, OmniRoute, Langfuse, MCP-Verzeichnis

Star, was zu deinem nächsten Projekt passt. Ignoriere den Rest, bis du einen echten Grund hast, dich zu kümmern.