GitHub 每周都会出现很多受到关注的开源项目，但热度高不等于适合科研使用。新开的「开源雷达」系列会从 GitHub 热榜和近期发布、更新的项目中筛选候选，优先关注 AI 科研、气象数值模式、空气污染与排放清单，也会保留少量值得了解的其他工具。
项目只有在近期新发布、热度明显上升或出现重要更新时，才会进入候选。本期选择了三个 AI 工具：帮助大模型理解代码仓库的 code-review-graph、运行在终端里的 Kimi Code CLI，以及尝试直接交付文档和表格等成果的桌面 Agent OpenWorker。
Note
项目数据截至 2026 年 7 月 24 日。GitHub Trending 是滚动榜单，Star、Fork 和本周新增 Star 会继续变化。code-review-graph 和 Kimi Code CLI 因本周热度入选；OpenWorker 的独立仓库于本周建立，并在几天内获得近 2000 个 Star。
code-review-graph：先给科研代码画一张关系图
这个项目是干什么的
code-review-graph 是一个面向 AI 编程工具的本地代码结构分析项目。它会解析仓库中的函数、类、导入关系、调用关系和测试关联，生成一张可以持续更新的代码图，再通过 MCP 把相关上下文提供给 Codex、Claude Code、Cursor 等工具。
热度如何
截至本期截稿时，项目约有 2.6 万个 Star 和 2400 个 Fork。GitHub Trending 周榜 显示它在这一周新增约 6257 个 Star，是本期热度最高的项目。
最值得关注的功能
它比较有价值的地方是“影响范围分析”。当某个文件发生变化时，项目会沿着调用和依赖关系寻找可能受影响的函数、文件和测试，让 AI 优先读取真正相关的部分。
项目还支持增量更新、代码结构可视化、跨仓库搜索以及 Jupyter Notebook。对于文件较多的科研代码，这种结构化索引有机会减少 AI 反复读取无关文件的情况。项目给出的 Token 节省和准确率来自其自身基准测试，目前更适合看作参考数据。
上手难度如何
上手难度中等。用户需要准备 Python 3.10 以上环境，并允许安装程序配置对应 AI 工具的 MCP、规则文件或钩子。初次使用还要为代码仓库建立索引。
如果平时已经在使用 Codex、Claude Code 或 Cursor，理解成本不会太高。没有接触过 MCP、Python 环境和项目级配置的用户，需要先弄清它会修改哪些配置文件。
适合什么场景
它比较适合多文件 Python 项目、Jupyter Notebook、数据处理流水线，以及需要频繁使用 AI 检查修改影响范围的科研仓库。新成员接手陌生代码、准备重构旧脚本时，也可以用它快速梳理主要模块之间的联系。
有什么限制或风险
项目当前支持 Python、C/C++、R、Julia、Shell 和 Jupyter Notebook 等多种代码，但尚未把 Fortran 列入主要支持范围，因此不能直接承担 WRF、CMAQ 主体代码的完整结构分析。
它会自动写入部分 MCP 和工具配置，正式使用前最好先查看变更或在测试仓库中试用。项目自身也说明，搜索排序、流程识别和影响范围判断仍有误报或漏报。所谓“本地优先”主要指代码图在本地生成；如果接入的是云端大模型，最终发送给模型的上下文仍要遵守相应服务的隐私规则。
Kimi Code CLI：把编程 Agent 放进终端
这个项目是干什么的
Kimi Code CLI 是 Moonshot AI 开源的终端编程 Agent。它可以读取和修改代码、运行 Shell 命令、搜索文件和获取网页内容，再根据执行结果继续决定下一步。
热度如何
截至本期截稿时，项目约有 4800 个 Star 和 710 个 Fork。GitHub Trending 周榜 显示它在这一周新增约 1610 个 Star，已经进入本周热度较高的 AI 编程工具之列。
最值得关注的功能
Kimi Code CLI 的核心能力与其他终端编程 Agent 类似，但它加入了一些比较明确的扩展方向。它可以直接接收视频，让模型根据录屏理解界面或程序行为；也可以通过对话配置 MCP，并使用插件、技能、子 Agent 和生命周期钩子。
它还支持 Agent Client Protocol，可以接入 Zed、JetBrains 等兼容编辑器。对科研代码来说，这意味着同一个 Agent 可以在终端中处理脚本、检查数据目录，也可以从编辑器里继续完成代码修改。
上手难度如何
上手难度偏低到中等。官方提供单命令安装方式，也不要求用户预先配置 Node.js。首次运行需要通过 Kimi Code OAuth 登录，或者提供 Moonshot AI Open Platform API Key。
真正需要适应的是 Agent 的权限边界。它不只回答问题，还可能修改文件和执行命令。用户需要学会检查修改内容、限制工具权限，并通过 Git 等方式保留可以恢复的版本。
适合什么场景
它适合阅读陌生代码、补充数据处理脚本、排查报错、整理重复性的命令行操作，也适合把零散的科研脚本逐步整理成结构更清楚的项目。
视频输入对界面复现、程序操作演示和可视化问题也有一定吸引力。如果一个错误很难只靠文字说明，可以把录屏作为补充上下文。
有什么限制或风险
Kimi Code CLI 默认面向 Moonshot AI 的模型和账号体系，使用成本、速度与可用性会受到相应服务影响。虽然项目支持配置其他兼容提供商，不同模型的工具调用能力并不完全一致。
安装文档采用从网络下载脚本并直接执行的方式，重视环境安全的用户最好先查看脚本内容。使用云端模型时，代码和上下文可能被发送到模型服务；涉及未公开代码、敏感数据或服务器凭据的科研项目，需要先确认数据边界。
OpenWorker：让桌面 Agent 交付完整结果
这个项目是干什么的
OpenWorker 是一个开源桌面 AI Agent。它可以访问用户授权的本地文件、终端和在线服务，并尝试直接交付文档、表格、报告或网页等结果。
项目支持 OpenAI、Anthropic、Gemini、DeepSeek、Kimi、Qwen 等多种模型服务，也可以连接 Ollama，在本地运行开源模型。它的 Python Agent 后端建立在 aisuite 之上，桌面界面则使用 React 和 Tauri。
热度如何
OpenWorker 的独立仓库创建于 2026 年 7 月 20 日。截至本期截稿时，它在几天内获得了约 1900 个 Star 和 268 个 Fork。这个数字还不能说明项目已经成熟，但足以表明它在发布初期获得了较高关注。
最值得关注的功能
OpenWorker 强调交付完整成果。用户可以要求它准备报告、更新日历、整理收件箱或检查不同平台上的项目状态，Agent 会拆分任务，再使用本地工具和连接器完成工作。
项目已经集成 GitHub、Slack、Jira、Notion、Outlook、Gmail 和 Google Calendar 等二十多种服务，也支持 MCP。涉及发送消息、修改日历或执行命令等操作时，系统会要求用户确认；定时任务遇到需要批准的操作，也会先停下来等待处理。
上手难度如何
如果直接下载 macOS 或 Windows 桌面版本，上手难度偏低到中等。用户仍需配置模型 API Key 或 Ollama，并根据任务连接相应服务。
从源码运行的门槛更高，需要 Python 3.10、Node.js 20 和 Rust 工具链。多个连接器还会带来 OAuth、API Key 和权限配置，实际准备工作会明显多于普通聊天工具。
适合什么场景
它适合跨文件和跨服务的办公型自动化，例如定期汇总项目进展、根据多份材料生成报告、整理日程与邮件，以及把重复任务设置成定时运行。
对科研用户来说，比较值得观察的场景是自动生成周报、整理项目材料和协调不同信息源。涉及科学判断、数据质量检查和最终结论时，仍然需要研究者亲自把关。
有什么限制或风险
OpenWorker 目前仍处于公开测试阶段，功能和接口可能快速变化。Windows 安装包尚未完成代码签名，下载和运行时会触发系统安全提醒。
“本地优先”也不等于所有数据始终留在本机。使用云端模型和外部连接器时，任务内容会按照所选服务的方式传输和处理。Agent 可以接触文件、终端、邮件和日历，这类集中权限一旦配置错误，影响范围会比普通聊天工具更大。正式使用前需要限制授权范围，并保留审批和操作记录。
本期小结
这三个项目对应了 Agent 使用的三个层次：code-review-graph 为大模型补充代码结构，Kimi Code CLI 让 Agent 在终端里读取、修改和运行代码，OpenWorker 则把工作范围扩展到桌面文件和在线服务。
code-review-graph 本周热度最高，适合已经使用 AI 编程工具、又经常面对多文件科研代码的用户。Kimi Code CLI 更接近可以直接试用的终端 Agent。OpenWorker 发布时间最短，设想也更大，目前更适合观察或在低风险任务中小范围测试。
开源项目的 Star 只能说明关注度。是否值得进入科研工作流，还要继续看维护状态、文档、许可证、依赖成本，以及结果能否被检查和复现。Agent 能操作的范围越大，权限管理和人工复核也越重要。