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…
- 1
Future AGI, LLM ve AI agent uygulamalarını değerlendirme, izleme, simüle etme ve koruma işlerini self-host edilebilen tek bir platformda birleştiriyor.
Neden yükseliyor · Konu, agent uygulamalarında evaluation ve observability ihtiyacının artmasıyla örtüşüyor; 157 günlük repo yaşına karşılık 2.081 yıldız ve son 28 günde 597 commit geliştirme temposuna işaret ediyor. Farklı yazar sayısı 6; bu veriler ilginin nedenini tek başına kanıtlamaz ve yıldızlar benimseme ya da kalite ölçüsü değildir.
11,6/gün ort. +4 son gün 1.151 commit 10 yazar Python 23 Nis 2026 güncellendi bugün - 2
Playwright for coding agents. Test that your skills, MCP servers, and CLIs actually work when an agent uses them — sandboxed YAML suites, A/
1,3/gün ort. +0 son gün 22 commit 10 yazar Python 09 Tem 2026 güncellendi dün - 3
Track 42,331+ AI benchmark, eval, dataset, and data-quality records from 40 public sources, with linked evidence and daily updates.
3,2/gün ort. +0 son gün 532 commit 5 yazar Python 27 Tem 2026 güncellendi dün - 4
Benchmark, evaluate, and optimize skills to ensure reliable performance across all LLMs
0,3/gün ort. +1 son gün — commit TypeScript 06 Mar 2026 güncellendi 28 May 2026 - 5
🧪💥 Evaluation framework based on Vitest, the testing framework you familiar with, for agents, models, and more.
0,4/gün ort. +0 son gün — commit TypeScript 15 Nis 2026 güncellendi dün - 6
Hands-on Microsoft Foundry hackathon labs to build, monitor, evaluate, and deploy agentic AI workflows.
0,4/gün ort. +0 son gün — commit Python 19 May 2026 güncellendi 10 Eyl 2026 - 7
Teach your agent to work with evals: WHEN you actually need an eval or benchmark, HOW to build one that holds up, and how to read what it te
0,4/gün ort. +0 son gün — commit Python 10 Eyl 2026 güncellendi 22 Eyl 2026 - 8
[NeurIPS 2026 E&D]WorldReasonBench: Human-Aligned Stress Testing of Video Generators as Future World-State Predictors
0,1/gün ort. +0 son gün — commit Python 07 May 2026 güncellendi 9 gün önce - 9
Gen AI Evaluation Toolkit on AWS is a flexible, cloud-native accelerator built on AWS serverless architecture that enables comprehensive eva
0,2/gün ort. +0 son gün — commit TypeScript 25 Haz 2026 güncellendi 4 gün önce - 10
Caveman prompting, measured. A two-channel evaluation framework for prompt compression and LLM token efficiency: what input vs output compre
0,1/gün ort. +0 son gün — commit Python 25 May 2026 güncellendi 9 gün önce - 11
Reproducible evaluation for AI coding agents. Multi-turn scenarios against Claude Code, Codex, Copilot, Cursor, Gemini CLI, Goose, OpenCode,
0,1/gün ort. +0 son gün — commit Python 04 May 2026 güncellendi 27 gün önce - 12
Snapshot testing for LLM apps and agents, built to run locally and block regressions in CI.
0,2/gün ort. +1 son gün — commit Rust 17 Tem 2026 güncellendi 26 Tem 2026 - 13
Fast, typed Python framework for Jev-as-a-Judge/Decision-model evaluation for LLMs, RAG, and AI agents along with human-label calibration.
0,4/gün ort. +1 son gün — commit Python 20 Eyl 2026 güncellendi 5 gün önce - 14
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 dün