GitHub一周热点第121期

「Github一周热点121期」DeepSeek推理加速、Google设计记忆规范、AI投研技能包、AI渗透测试和免费开发者资源清单

GitHub一周热点第121期（2026/6/28 - 2026/7/4），本期内容包括 DeepSeek 的推理加速框架、Google开源的Agent设计规范、AI价值投资研究框架、渗透测试 Agent 和开发者免费清单

最后还有 2 份资料分享。 如果觉得内容不错，别忘了点赞关注支持一下。

1. DeepSpec

• 项目名称：DeepSpec - DeepSeek 的 speculative decoding 训练与评估框架
• 链接：https://github.com/deepseek-ai/DeepSpec 上周DeepSeek 与北京大学团队联合发布论文，提出了一套新的大模型推理加速框架 DSpark。并同步开源了支撑该版本的全栈推测性解码框架 DeepSpec，就是这个项目。 它解决的是大模型推理速度的问题。现在很多大模型质量已经很强，但用户真正用的时候，最烦的还是两个字：太慢。尤其是长回答、代码生成、Agent 连续调用工具的时候，模型每多等一秒，体验都会明显变差。

DSpark 的核心思路，可以理解成让一个小一点、更快的 draft model 先往前猜几个 token，然后再让大模型来检查和确认。猜对了，就等于少走很多步；猜错了，再回退修正。这个方法的关键不只是”有个小模型帮忙猜”，而是小模型猜得准不准、训练方式稳不稳、和目标模型配合得好不好。

项目里目前支持 DSpark、DFlash 和 Eagle3 三种 draft model，并且包含数据准备、训练、评估脚本，还有一批已经发布的 checkpoint。官方 README 里也提醒，默认配置的数据缓存会非常大，比如 Qwen3-4B 的默认设置就可能到几十 TB，这明显不是给普通玩家随便点一下体验的项目，而是给研究者、推理基础设施团队和模型服务团队用的。

DeepSeek 依然是保持了开放的态度，论文、代码、checkpoint、训练流程一起放出来，外界至少可以研究它到底怎么训练、怎么评估、怎么和不同目标模型配合。按照公开资料，线上真实用户流量中，在系统总吞吐水平相同的情况下，DSpark 将 DeepSeek-V4-Flash 的单用户生成速度提升了 60% 至 85%，将 DeepSeek-V4-Pro 的单用户生成速度提升了 57% 至 78%。

同时还要注意deepseek最近的另一个消息，6月15日deepseek完成A轮融资，融资金额约为510亿元，企业估值接近4000亿元。腾讯、宁德、网易、京东，都参与了投资。此前也有消息，阿里有意投资DeepSeek，但是最终没有成功，真不是你相投，就会要你的钱。 当然随着DeepSeek的融资，信号很明显：DeepSeek 已经不只是一个研究团队式的明星公司，而是要进入更重资产、更工程化、更商业化的阶段。而 DSpark 这种项目，正好能看出它下一阶段的重点。大模型竞争后面不只是比谁的 benchmark 高，也要比谁能把模型跑得更便宜、更快、更稳定。尤其在算力和高端 GPU 受限制的背景下，推理优化就不是锦上添花，而是生存能力的一部分。

2. DESIGN.md

• 项目名称：DESIGN.md - Agent的设计规范
• 链接：https://github.com/google-labs-code/design.md

第二个项目是 Google Labs Code 开源的 DESIGN.md。这个项目最近在 GitHub 上非常火，已经有两万多 star。它做的事情也很直接：给 AI 编程 Agent 一个描述设计系统的标准文件。

大家如果用过 AI 做前端，肯定遇到过这个问题：你让它做一个页面，它可能这一轮做得还不错；下一轮你让它加个弹窗，它又换了一套按钮样式；再下一轮改个表格，间距、圆角、字体又开始飘。不是模型完全不会设计，而是它没有一个稳定的”品牌和视觉记忆”。

DESIGN.md 就是为了解决这个问题。它把一个产品的视觉身份写成一个 Markdown 文件，前面用 YAML front matter 放机器可读的 design tokens，比如颜色、字体、圆角、间距、组件样式；后面用 Markdown 正文解释这些设计为什么这么用，比如这个品牌应该是严肃的、年轻的、还是偏工具感的。

这个项目要结合 Google Stitch 来看会更容易理解。Stitch 是 Google 做的 AI UI 生成工具，而 DESIGN.md 可以在 Stitch 里导入导出，让一个项目的设计规则从一个设计会话带到另一个会话，也可以跨工具复用。也就是说，它不是只服务于 Stitch 的一个私有格式，而是想变成一个更通用的 AI 设计系统描述规范。

项目里还提供了 CLI，可以用 npx @google/design.md lint DESIGN.md 检查格式、token 引用和 WCAG 对比度，也可以用 diff 比较两个设计系统文件的变化。这个点挺关键，因为如果 DESIGN.md 只是写给人看的，那它就是一份设计说明；但如果它能 lint、能 diff、能被 Agent 结构化读取，它就更像前端工程里的 package.json 或者 tailwind.config。

我觉得它真正有意思的地方，是把”审美偏好”变成了可以被版本管理的工程资产。过去设计系统一般存在 Figma 里，开发者和 Agent 只能靠截图、手工说明或者组件库去猜。现在如果一个仓库里有 DESIGN.md，AI Agent 至少能先读到：主色是什么、按钮圆角是多少、标题用什么字体、页面应该密还是疏。

当然它现在还是 alpha 阶段，离真正成为行业标准还早。但方向我觉得非常对。未来 AI 写前端时，AGENTS.md 负责告诉它怎么协作、怎么测试、怎么提交；DESIGN.md 负责告诉它这个产品应该长什么样。一个管工程原则，一个管视觉原则，这两个文件以后可能都会变成 AI 原生项目里的常见配置。

3. AI Berkshire

• 项目名称：AI Berkshire - AI 时代的价值投资研究框架
• 链接：https://github.com/xbtlin/ai-berkshire

第三个项目 AI Berkshire，是一个中文项目，名字也很直白：AI 时代的伯克希尔。 伯克希尔你不知道是什么？那股神巴菲特总听过吧，他的公司就是伯克希尔，60年的经营让投资人的股价增加了55,000倍，价值投资的典范。

本项目是一套同时兼容 Claude Code 和 Codex 的投资研究 Skill 合集。项目把巴菲特、芒格、段永平、李录这四位价值投资代表人物的方法论，拆成了 18 个可以被 AI Agent 执行的研究技能。 项目一开始，作者也说这个不是纸上谈兵，而是真金白银的投资体系，也抛出了自己的几年的历史投资收益情况。 那使用的话呢，就比如在CodeX当中，你直接把项目的地址发给他，然后让他安装这个Skill就可以。现在的Skill安装呢，都比较容易。

比如你可以用它做公司深度研究、财报精读、行业筛选、持仓管理、投资论文追踪、新闻异动归因。它的核心不是让 AI 随便说一句”这家公司有增长潜力，但也有风险”，而是强制 AI 按固定流程输出结论、价格区间、否决理由、风险清单和多视角冲突。 AI Berkshire 的做法是把投研过程工程化。比如四个 Agent 分别从商业模式、财务估值、行业竞争、风险和管理层角度独立研究，然后再由 Team Lead 综合。它还会要求关键财务数据交叉验证，计算用 Python 精确处理，避免模型自己心算 PE、市值和汇率。 项目里有一个观点我觉得挺对：直接问 AI 分析一家公司，最大的问题不是它不会写，而是它太会写了。它可以写出一篇看起来很平衡的分析，最后说”投资有风险，请自行判断”。这类回答读起来没错，但很难用来做决策。

最后呢还是要说一句啊，股市有风险，投资需谨慎。大A不是一般人能玩明白的。

4. Strix

• 项目名称：Strix - 开源 AI 渗透测试 Agent
• 链接：https://github.com/usestrix/strix

第四个项目 Strix，是一个开源 AI 渗透测试工具。它要做的事情就是 让 AI Agent 像真实黑客一样去发现、验证并修复你的应用漏洞。

传统安全扫描工具最大的问题，是误报很多。它告诉你这里可能有 SQL 注入，那里可能有 XSS，但到底能不能利用、怎么复现、影响多大，还要安全工程师继续验证。Strix 想解决的就是这个中间地带：不只是扫描，而是动态运行代码、尝试利用漏洞，并生成真实的 poc（proof-of-concept）。

它内置的能力比较完整，包括侦察、漏洞利用、验证、浏览器自动化、HTTP 代理、Shell 命令执行、Python 沙箱、静态和动态代码分析。你可以扫描本地代码库，也可以扫描 GitHub 仓库，或者做黑盒 Web 应用测试。

使用方式也比较直接，安装脚本装好以后，配置一个 LLM provider，再执行 strix --target ./app-directory 就可以开始。它还支持 headless 模式和 GitHub Actions，所以可以放到 CI/CD 里，在 Pull Request 阶段做快速安全检查。按照项目说明，PR 场景下还可以自动把扫描范围收窄到变更文件，这个对工程团队会更实用。

我觉得从趋势上看，AI 安全测试一定会越来越重要。代码生成越来越快以后，漏洞产生的速度也会变快。靠人工安全评审成本太高、老式扫描容易误报。像 Strix 这种一体化的安全测试 Agent，可能会成为未来 DevSecOps 里很常见的一类工具。

5. free-for-dev

• 项目名称：free-for-dev - 开发者免费服务清单
• 链接：https://github.com/ripienaar/free-for-dev

最后一个项目 free-for-dev，是一个非常老牌、也非常实用的资源清单。目前已经接近 13 万 star。

它整理了各种对开发者有免费额度的 SaaS、PaaS、IaaS 和开发工具。比如云服务器、对象存储、数据库、CI/CD、日志、监控、邮件、身份认证、CDN、搜索、AI API、Web Hosting，各种你做项目时可能会用到的服务，基本都能在里面找到一类。

这个项目最有价值的地方，不是”免费”两个字，而是它帮你节省了大量筛选时间。现在很多服务都有 free tier，但限制五花八门：有的是每月多少请求，有的是多少 GB 流量，有的是一年免费，有的是永久免费，有的是只给开源项目。你一个个官网去看，会很浪费时间。

如果你是独立开发者、学生、开源作者，或者做 side project，这个仓库基本可以收藏。比如你想快速上线一个小工具，可以先从里面找免费的数据库、托管平台、邮件服务和监控；等项目真的有用户、有收入，再考虑升级付费方案。

当然免费服务也不是没有代价。它们的额度、地区、稳定性、风控策略都可能变化，所以真正重要的项目不要完全依赖免费层。自己做的时候要预留好迁移的准备。

one more thing

最后还是分享 2 个资料。

第一份是罗兰贝格的《跨越AI价值鸿沟：AI落地速度缘何远超商业变现速度？企业又当如何破局？》。这份报告我当时这是看到名字就下载了。很多企业 AI 部署速度很快，预算也在涨，但真正赚到钱、提升利润的速度没跟上。报告里把这种现象叫做“AI 价值鸿沟”，甚至有点像一场“无利润繁荣”。而且我觉得这是现在一个非常普遍的现象，确实呢，很值得去研究和讨论。

第二份是德勤的《物理AI：开启加速新纪元》。 那如果你关注大A市场的话，这周其实有一个大的消息，就是宇树过会了，也就是说宇树会很快上市。那这个时候呢，更应该来了解一下关于机器人啊，或者是物理AI相关的内容。报告里提到，现在真正广泛把物理 AI 融入运营的企业比例还不高，但未来几年预期会明显提升。

以上就是本周的全部内容，那我们下次再见。

1、项目名称：DeepSpec - DeepSeek 的 speculative decoding 训练与评估框架 GitHub 链接：https://github.com/deepseek-ai/DeepSpec

2、项目名称：DESIGN.md - 给 AI 编程 Agent 用的设计系统记忆格式 GitHub 链接：https://github.com/google-labs-code/design.md

3、项目名称：AI Berkshire - AI 时代的价值投资研究框架 GitHub 链接：https://github.com/xbtlin/ai-berkshire

4、项目名称：Strix - 开源 AI 渗透测试 Agent GitHub 链接：https://github.com/usestrix/strix

5、项目名称：free-for-dev - 开发者免费服务清单 GitHub 链接：https://github.com/ripienaar/free-for-dev

1、项目名称：DeepSpec - DeepSeek 的 speculative decoding 训练与评估框架 2、项目名称：DESIGN.md - 给 AI 编程 Agent 用的设计系统记忆格式 3、项目名称：AI Berkshire - AI 时代的价值投资研究框架 4、项目名称：Strix - 开源 AI 渗透测试 Agent 5、项目名称：free-for-dev - 开发者免费服务清单