Alle Eintraege
| Name | Quadrant | Ring | Stars | Sprache | Quality | Status |
|---|
Wie wird der Quality-Score berechnet?
Der Quality-Score (0–10) kombiniert 5 unabhaengige Signale, jeweils normalisiert auf 0–10:
| Signal | Gewicht | Was es misst |
|---|---|---|
| Notable Density | 25% | Anteil relevanter Stargazers (500+ Followers) relativ zur Repo-Groesse |
| Bus Factor | 25% | Wie viele Core-Devs fuer 80% der Commits verantwortlich sind (mehr = stabiler) |
| Freshness | 20% | Tage seit dem letzten Commit (aktueller = besser) |
| Issue Health | 15% | Verhaeltnis geschlossene / offene Issues (hoeher = aktive Pflege) |
| Star Velocity | 15% | Stars pro Monat — organisches Wachstum vs. verdaechtiger Spike |
Notable Stargazers werden gewichtet: 500–999 Followers = 1 Punkt, 1k–5k = 2, 5k–10k = 4, 10k+ = 8 Punkte.
Notable Density = Punktsumme ÷ (Stars / 1.000).
Star Velocity bestraft extrem schnelles Wachstum: >2.000 Stars/Monat bei jungen Repos wird als potenzielles Red Flag gewertet (Score sinkt auf 4/10).
Stichprobe Notable: Dynamisch je nach Repo-Groesse — kleine Repos (<5k Stars) werden tiefer abgetastet (bis 1.000 Stargazers) fuer hoehere Coverage. Bus Factor: Top-20-Contributors via GitHub API.
Risiken & Einschraenkungen
Beim Einsatz von Tools aus diesem Radar gelten typische Risiken des AI-Tooling-Oekosystems:
- MCP Data Leakage: MCP-Server koennen Daten an LLMs weiterleiten. Sensible Daten (Credentials, interne Dokumente) sollten nie ueber ungepruefte MCP-Server fliessen.
- Prompt Injection: Browser-Tools und Web-Scraping-Agents sind anfaellig fuer Prompt Injection ueber manipulierte Webseiten.
- Vendor Lock-in: Viele Tools sind eng an spezifische LLM-Anbieter gekoppelt. Wechselkosten bei Modellwechsel beachten.
- API-Kosten: Agent-Frameworks mit Loop-Patterns koennen unerwartet hohe API-Kosten verursachen. Budget-Limits setzen.
Landscape
Bekannte Repos im AI-Agent-Oekosystem — als Kontext und Referenz, nicht als Empfehlung.
| Name | Stars | Health | Warum nicht im Radar |
|---|