Projekte, die einen Blick wert sind
Keine Sternenliste, sondern eine Auswahl mit Begründung: Harnesses, Werkzeug-Server, Mess-Werkzeuge und Kuriositäten - und zu jedem der Absatz, warum er dir beim Bauen hilft.
Model Context Protocol - Referenz-Server
modelcontextprotocol/servers Auf GitHub ansehen89.185 SterneTypeScriptAktualisiert Aug. 2026
Die Sammelstelle für MCP-Server: Referenz-Implementierungen und eine lange Liste von Servern aus der Community.
Wer einem Agenten Werkzeuge geben will, steht schnell vor derselben Frage: Wie sieht ein Werkzeug eigentlich aus, damit ein Modell es sicher benutzen kann? MCP beantwortet sie als Protokoll, und dieses Repo ist der Ort, an dem man die Antwort im Original nachliest statt in einer Zusammenfassung.
Der Nutzen ist doppelt. Die Referenz-Server sind klein genug, um sie ganz zu lesen - ein Dateisystem-Server, ein Datenbank-Server, ein Server für einen externen Dienst. Danach weiß man, wie Werkzeugbeschreibung, Argumente und Fehlerrückgabe zusammenhängen, und kann eigene Server bauen, ohne raten zu müssen. Und die verlinkte Liste der Community-Server ist die schnellste Art, herauszufinden, ob es die Anbindung, die man gerade braucht, nicht längst gibt.
Wenn du den Baustein zum Tool-Calling gelesen hast, ist das hier der nächste Schritt: dieselbe Idee, aber als laufender Code, gegen den man einen echten Agenten schicken kann.
- tool-server
- mcp
- referenz
83.052 SterneTypeScriptAktualisiert Aug. 2026
Ein vollständiger, offener Agenten-Harness - der seltene Fall, in dem man die Schleife von außen lesen kann, statt sie zu vermuten.
Über Agenten-Harnesses wird viel geschrieben, aber die interessanten laufen meist hinter einer geschlossenen Tür. OpenHands ist die Ausnahme: ein Agent, der Code schreibt, Kommandos ausführt und im Browser arbeitet - und dessen komplette Schleife offen daliegt.
Lohnend ist vor allem der Blick auf die Stellen, die in Blogposts fehlen: Wie wird der Verlauf gekürzt, wenn das Kontextfenster voll ist? Was passiert, wenn ein Werkzeug einen Fehler zurückgibt - Abbruch, Wiederholung, Umplanung? Wie wird die Ausführungsumgebung abgeriegelt, damit ein Agent nicht das ganze System anfassen kann? Das sind genau die Fragen, an denen ein eigener Harness scheitert, und hier stehen die Antworten als Code.
Man muss den Agenten dafür nicht einsetzen. Es reicht, ihn als Lehrbuch zu benutzen: eine Implementierung, gegen die man die eigenen Entscheidungen halten kann.
- harness
- coding-agent
- open-source
55.500 SternePythonAktualisiert Aug. 2026
Ein Proxy, der viele Anbieter hinter einer einzigen OpenAI-kompatiblen Schnittstelle versteckt - und dabei mitzählt, was jeder Aufruf kostet.
Sobald ein Agent länger als ein Wochenende lebt, kommt die Frage nach dem Anbieterwechsel: ein anderes Modell für die teuren Schritte, ein lokales für die billigen, ein Ausweichziel, wenn eine API klemmt. Wer das direkt in den Agenten baut, verteilt Anbieter-Wissen über den ganzen Code.
LiteLLM zieht diese Schicht heraus. Der Agent spricht weiter das OpenAI-Chat-Format, der Proxy übersetzt es auf das, was hinten wirklich läuft. Interessant ist dabei weniger die Übersetzung selbst als das, was drum herum entsteht: ein Ort, an dem Schlüssel liegen, an dem Aufrufe protokolliert werden, an dem Kosten und Limits pro Nutzer sichtbar sind. Genau die Dinge, die man beim ersten Prototyp weglässt und beim ersten echten Betrieb schmerzlich vermisst.
Auch als reine Lektüre nützlich: Die Anbieter-Adapter zeigen sehr konkret, worin sich die APIs unterscheiden - bei Werkzeugaufrufen, beim Streaming und bei den Fehlermeldungen.
- inferenz
- proxy
- provider
19.993 SternePythonAktualisiert Aug. 2026
Der Agent aus der Forschung, der echte GitHub-Issues löst - und nebenbei zeigt, wie man Agenten überhaupt vergleichbar misst.
Die meisten Agenten sehen in der Demo gut aus. Ob sie wirklich etwas taugen, zeigt sich erst an einer Aufgabe, die niemand für sie zurechtgelegt hat - zum Beispiel an echten, bereits geschlossenen GitHub-Issues, deren Lösung man kennt und deren Tests man laufen lassen kann.
Genau darum geht es hier. SWE-agent ist ein Agent, der solche Issues bearbeitet, und zugleich der Anschauungsfall für eine These, die man beim Agentenbau schnell unterschätzt: Die Werkzeugoberfläche ist keine Nebensache. Ein Datei-Editor, der dem Modell nach jeder Änderung Zeilennummern und Kontext zurückgibt, verändert die Trefferquote stärker als der zehnte Satz im System-Prompt. Wer eigene Tools entwirft, findet hier die überzeugendste Begründung dafür, sie aus Modellsicht zu gestalten statt aus Programmierersicht.
Zweiter Grund, hierher zu schauen: der Aufbau der Auswertung. Container pro Aufgabe, feste Startbedingungen, ein Testlauf als Urteil - keine Modell-Jury. Das ist die Vorlage, wenn man den eigenen Agenten messen statt bewundern will.
- eval
- benchmark
- forschung