Havuz
Takip ettiğimiz konularda yükselen açık kaynak projeler — yıldız ivmesi, gerçek geliştirme aktivitesi ve AI değerlendirmesiyle.
Yalnız hareketli, son 28 günde commit almamış repoları gizler (yıldızı olan ama bırakılmış projeler). Commit sayısı henüz ölçülmemiş repolar da gizlenir.
EtiketTüm GitHub etiketleri — repo sahiplerinin koyduğu topic'lergöster
Etiketler yükleniyor…
- 51
Red Team AI Benchmark: Evaluating LLMs for authorized offensive-security tasks
0,1/gün ort. +0 son gün — commit Python 09 Tem 2026 güncellendi 13 Tem 2026 - 52
Evidence-grounded evaluation for AI agents — verifies each claim against the agent's real tool outputs (constrained, evidence-grounded model
0,1/gün ort. +0 son gün — commit Python 19 Haz 2026 güncellendi 4 gün önce - 53
Practical LLM evaluation for teams that ship to production. Deterministic + LLM-as-judge evaluators, dataset support, CI/CD integration.
0,1/gün ort. +0 son gün — commit Python 24 Nis 2026 güncellendi 21 Eyl 2026 - 54
Cairn runs your AI and ML pipelines behind budgets, policy, approvals and an audit trail.
0,1/gün ort. +1 son gün — commit Python 16 Tem 2026 güncellendi 2 gün önce - 55
Canonical memory infrastructure: BM25 recall over trusted files for AI agents.
0,1/gün ort. +0 son gün — commit Python 26 May 2026 güncellendi 2 gün önce - 56
How do you KNOW if a 'skill' is any good - deterministically? This runs controlled skill-vs-no-skill experiments. It doesn't just ask, “Did
0,1/gün ort. +0 son gün — commit Python 04 Haz 2026 güncellendi 5 gün önce - 57
Two Claude Code skills for adversarial code review (single-model PAR and multi-model MMAR with cross-critique to catch hallucinations), plus
0,1/gün ort. +0 son gün — commit Python 08 May 2026 güncellendi 06 Haz 2026 - 58
Claude Code plugin marketplace — agentic-engineering (spec-driven shape→decide→execute→measure→eval with adversarial review) + github-keeper
0,1/gün ort. +0 son gün — commit Python 27 Haz 2026 güncellendi 29 Eyl 2026 - 59
Mutation testing for your LLM evals — degrade the system under test and check whether your evals would actually catch a regression.
0,1/gün ort. +0 son gün — commit Python 15 Haz 2026 güncellendi 04 Eki 2026 - 60
The canonical standard for building production-grade agentic products — autonomy × oversight, composition patterns, the 9-layer harness, a 3
0,1/gün ort. +0 son gün — commit Python 30 May 2026 güncellendi 28 Eyl 2026