Loading blog posts...
Terug naar Blog
Also in
Moeite om bij te houden welke AI-tools er echt toe doen? De GitHub Trending van deze week maakt het vrij duidelijk: 82% van de steractiviteit ging naar AI-codeeringsagents en workflow-tools. Dat zijn 59.500 sterren van de 72.800, geconcentreerd in slechts 13 repositories. Het tijdperk van "AI als autocomplete" verdwijnt snel. Ontwikkelaars bouwen, delen en adopteren nu agentische systemen die repo's lezen, bestanden bewerken, PR's openen en draaien met een verrassende mate van autonomie.
mattpocock/skills: 11.325 Sterren en een Nieuwe Categorie
De toprepository van de week is zelf geen agent. Het is een verzameling herbruikbare "skills" die agents kunnen laden en uitvoeren. mattpocock/skills trok 11.325 sterren door discrete mogelijkheden te verpakken: codebeoordelingspatronen, refactoringstrategieën, documentatiegeneratieregels.
Zie skills als dotfiles voor AI-agents. In plaats van elke agent vanaf nul te configureren, laat uw team een skill pack vallen en krijgt consistenter gedrag over projecten heen. De repositorystructuur wijst op een conventie die zich vormt: één skill per bestand, declaratief formaat, versiegecontroleerd zoals elke andere config.
Dit is belangrijk omdat agentgedrag overal heeft gezeten. Twee ontwikkelaars die dezelfde LLM gebruiken kunnen compleet verschillende resultaten krijgen. Gestandaardiseerde skills verminderen die variatie. Teams kunnen beproefde promptingstrategieën delen op dezelfde manier als ze ESLint-configs delen.
Waarom het belangrijk is: Skills zijn een van de eerste serieuze pogingen om agentgedrag reproduceerbaar en deelbaar te maken tussen teams.
Graphify-Labs/graphify: Codebase Knowledge Graphs (8.379 Sterren)
Context is nog steeds het knelpunt voor codeeringsagents. Als een agent uw codebase niet echt kan begrijpen, krijgt u generieke suggesties die niet bij uw project passen. Graphify pakt dat probleem aan door repositories om te zetten in bevraagbare kennisgrafen.
De tool parseert uw code, extraheert relaties tussen modules, functies en types, en stelt die structuur bloot aan agents via API. In plaats van dat een agent door bestanden grept in de hoop de juiste plek tegen te komen, kan het de grafiek bevragen: "Welke functies roepen deze methode aan?" "Welke modules zijn afhankelijk van dit pakket?"
Tip
Kennisgrafen werken het best op codebases met duidelijke modulegrenzen. Monolithische bestanden met duizenden regels produceren minder bruikbare grafen. Vroege gebruikers rapporteren significante verbeteringen in agentnauwkeurigheid voor refactoringtaken.
Wanneer een agent de volledige afhankelijkheidsketen kent voordat het wijzigingen voorstelt, is het minder waarschijnlijk dat het downstream code breekt.
Waarom het belangrijk is: Het pakt het "agents begrijpen mijn codebase niet" probleem aan dat de bruikbaarheid op echte projecten beperkt.
Nutlope/hallmark en de Opkomst van UI Skills (8.075 Sterren)
Hallmark richt zich op een specifieke agentmogelijkheid: het genereren en wijzigen van UI-componenten. Het is onderdeel van een bredere trend naast repositories zoals ibelick/ui-skills die frontend-specifiek agentgedrag verpakken.
De repository bevat skills voor componentgeneratie, toegankelijkheidsauditing, responsive designpatronen en design system compliance. Agents uitgerust met deze skills produceren meestal consistentere UI-code omdat ze gecodeerde best practices volgen in plaats van improviseren vanuit trainingsdata.
textGenerate a [COMPONENT_TYPE] component that: - Follows [DESIGN_SYSTEM] spacing tokens - Includes ARIA labels for [ACCESSIBILITY_CONTEXT] - Handles loading, error, and empty states - Uses [STATE_MANAGEMENT] for local state
Die templatestijl komt door de hele repository voor. Variabelen tussen haakjes worden ingevuld door de agent op basis van projectcontext. De skill vernauwt de output zodat het overeenkomt met uw teamconventies.
Waarom het belangrijk is: UI-generatie is wisselvallig geweest met algemene agents. Gespecialiseerde skills verbeteren de consistentie meestal veel.
stablyai/orca: Local-First Agent Infrastructure (5.409 Sterren)
Privacy-bewuste teams hebben vaak cloud-gebaseerde codeeringsagents gemeden. Orca richt zich op lokale agentinfrastructuur die volledig op ontwikkelaarsmachines draait, met open-weight modellen en lokale context.
De architectuur scheidt de agentruntime van de modelbackend. Teams kunnen schakelen tussen lokale Llama-varianten, cloud API's of hybride setups afhankelijk van de taak. Gevoelige code blijft lokaal; meer generieke vragen kunnen doorsturen naar snellere cloudmodellen.
bash# Install Orca runtime curl -fsSL https://get.orca.dev | sh # Configure local model backend orca config set backend ollama orca config set model codellama:34b # Start agent with repository context orca start --context./src
De --context vlag indexeert de gespecificeerde directory, waardoor het beschikbaar wordt voor de agent zonder iets te uploaden. Die index wordt incrementeel bijgewerkt als bestanden veranderen.
Waarom het belangrijk is: Het verwijdert de "we kunnen geen AI-agents gebruiken vanwege beveiligingsbeleid" blokkade die opduikt in veel enterprise-omgevingen.
iOfficeAI/OfficeCLI: Terminal Control via MCP (4.611 Sterren)
Het Model Context Protocol (MCP) heeft gestandaardiseerd hoe agents verbinden met externe tools. OfficeCLI implementeert MCP voor terminaloperaties: commando's uitvoeren, output lezen, bestanden beheren.
Wat het doet opvallen is het permissiemodel. OfficeCLI geeft agents geen onbeperkte shell-toegang. Het stelt specifieke mogelijkheden bloot via MCP's allowlist-systeem:
yaml# mcp-config.yaml tools: - name: run_tests command: npm test allowed: true - name: deploy command:./deploy.sh allowed: false # requires human approval
Agents vragen tool-toegang aan via MCP. De config beslist wat automatisch goedgekeurd wordt versus wat menselijke review triggert. Dit patroon sluit aan bij GitHub's Agentic Workflows documentatie, die wijst naar vergelijkbare permissiebeperkingen.
Waarom het belangrijk is: MCP vormt zich als de standaardinterface tussen agents en systeemtools. OfficeCLI toont de permissiepatronen die dit beheersbaar en veiliger houden.
openai/codex: Nu Algemeen Beschikbaar (2.250 Sterren)
OpenAI's Codex ging naar algemene beschikbaarheid, wat verklaart waarom het trending is ook al is het niet precies nieuw. De GA-release bevat verbeterde contextafhandeling, betere multi-file awareness en integratie met het MCP-ecosysteem.
Stack Overflow's 2026 Pulse Survey plaatst Codex onder de top vier codeeringsagents naast GitHub Copilot, Claude Code en Cursor. Dagelijks werkplekgebruik van AI-agents sprong van 14% in 2025 naar 37% in 2026, met deze tools die adoptie leiden.
Important
De GA-release verandert Codex's prijsmodel. Teams die de preview gebruiken moeten de nieuwe tierstructuur bekijken voor hun volgende factureringscyclus.
Waarom het belangrijk is: GA-status signaleert meestal betere stabiliteit en een duidelijker langetermijn-supportverhaal.
GitHub Agentic Workflows: Platform-Native Automatisering
GitHub's Agentic Workflows ging in technische preview, waardoor gereguleerde agentautomatisering direct in Actions komt. Workflows worden geschreven in Markdown, uitgevoerd in sandboxes en beperkt door tool allowlists.
De aanbevolen use cases tonen waar GitHub denkt dat agents het best passen: issue triage, documentatie-updates, CI-failure onderzoek, multi-repo coördinatie. Let op wat ontbreekt: automatisch PR mergen. GitHub adviseert er expliciet tegen.
yaml#.github/workflows/triage.md name: Issue Triage Agent triggers: - issues.opened tools: - label_issue - add_comment - assign_reviewer review_required: true
Die review_required: true is het kerngovernance-mechanisme. De agent kan wijzigingen voorbereiden, maar een mens tekent nog steeds af. Dit komt overeen met bevindingen uit recent onderzoek naar agent PR's: cross-agent merge conflicten komen voor bij 41,7% versus 19,8% voor single-agent werk. Menselijke review vangt coördinatiefouten die agents missen.
Waarom het belangrijk is: Platform-native ondersteuning laat agentische workflows meer "echt" voelen voor productieteams, en het zet de toon voor governance-patronen.
De Adoptie Reality Check
De trending data vertelt een verhaal van enthousiasme. Het onderzoek vertelt een verhaal van voorzichtigheid.
Een juli 2026 studie die 25.264 agentische PR's over 2.361 repositories analyseerde vond dat de mediaan repo slechts 1-2 agentische PR's produceerde over drie maanden. Adoptie is geconcentreerd, niet universeel.
| Metric | Waarde | Bron |
|---|---|---|
| Repo's die LLM SDK's gebruiken | 1,1 miljoen+ | Octoverse 2025 |
| JoJ groei in LLM SDK repo's | 178% | Octoverse 2025 |
| Nieuwe devs die Copilot gebruiken in eerste week | ~80% | Octoverse 2025 |
| Dagelijks AI-agentgebruik op werk | 37% (omhoog van 14%) | Stack Overflow 2026 |
| Cross-agent merge conflict rate | 41,7% | arXiv:2607.04697 |
De kloof tussen "Copilot gebruiken voor autocomplete" en "autonome agents draaien die PR's openen" is nog steeds vrij groot. Meeste teams zitten in het midden: experimenteren met agents, permissies vergrendelen en menselijke review vereisen.
Warning
Verhoogde merge conflict rates suggereren dat meerdere agents die aan dezelfde codebase werken expliciete coördinatie nodig hebben. Behandel agents als contributors die dezelfde branch management discipline nodig hebben als menselijke ontwikkelaars.
Waarom het belangrijk is: Hype en realiteit komen niet volledig overeen. Plan voor geleidelijke adoptie, niet een overnight flip.
Opkomende Infrastructuur: abtop en fff
Twee kleinere trending repositories wijzen naar infrastructuur die volwassen wordt. abtop geeft u htop-stijl monitoring voor AI-codeeringsagents: tokengebruik, context window consumptie, tool invocaties per minuut. fff biedt bestandszoeken geoptimaliseerd voor agentworkflows, die resultaten retourneren in formaten die agents efficiënt kunnen parsen.
Deze tools bestaan omdat teams tegen schaalbaarheidspijn aanlopen. Zodra meerdere agents over een codebase werken, wordt zichtbaarheid in wat ze doen essentieel. En als agents duizenden keren per sessie bestanden doorzoeken, begint zoeksnelheid veel uit te maken.
Waarom het belangrijk is: Infrastructuurtooling is een sterk signaal dat het ecosysteem beweegt van "coole demo's" naar "productie workloads."
Probeer Dit Nu
Begin hier (uw eerste stap)
Clone mattpocock/skills en bekijk drie skill bestanden. Let op de structuur: hoe zijn prompts georganiseerd? Welke beperkingen coderen ze?
Snelle winsten (directe impact)
- Configureer één MCP-tool met expliciete permissiegrenzen met het yaml-patroon van OfficeCLI
- Stel
review_required: truein op elke experimentele agentworkflow voordat het productie code aanraakt
Diepgaand (voor degenen die meer willen)
- Draai Graphify op een middelgrote repository en bevraag de resulterende grafiek. Vergelijk agentsuggesties voor en na grafiekcontext.
- Bekijk de GitHub Agentic Workflows documentatie en prototype een triage workflow voor uw drukste repository.
Nuttige Bronnen
- GitHub Trending (Weekly) - Live snapshot van repositories die deze week sterren krijgen
- GitHub Agentic Workflows Documentatie - Technische referentie voor Markdown-geschreven agentworkflows
- Stack Overflow 2025 Developer Survey: AI Sectie - Uitgebreide data over AI-tool adoptie en ontwikkelaarsentiment
- Octoverse 2025 - GitHub's jaarlijkse ecosysteemrapport met AI-projectstatistieken
- Early Adoption of Agentic Coding Tools - Empirisch onderzoek naar hoe repositories daadwerkelijk agent PR's gebruiken
Het Waard om te Volgen
- MCP Registry adoptie: Het officiële register lanceerde in september 2025. Let op consolidatie rond standaard tool interfaces.
- Skill pack proliferatie: Als skills de nieuwe dotfiles worden, verwacht framework-specifieke packs (React skills, Django skills) binnen maanden.
- Merge conflict tooling: De 41,7% cross-agent conflict rate creëert vraag naar coördinatietools. Iemand gaat ze bouwen.
- Enterprise governance features: GitHub Agentic Workflows is in preview. GA zal waarschijnlijk audit logging en compliance controls bevatten.
- Lokale modelprestaties: Orca's tractie hangt af van lokale modellen die cloudkwaliteit inhalen. Volg Llama en CodeLlama releases.
De Conclusie
De trending data van deze week bevestigt een verschuiving die maanden aan het bouwen is geweest. AI-codeeringsagents zijn niet meer alleen experimenten. Ze veranderen in standaardinfrastructuur, compleet met herbruikbare skill packs, contexttools, permissiesystemen en platform-native ondersteuning.
De 82% sterconcentratie in agent-gerelateerde repositories reflecteert echte ontwikkelaarsinvestering. Maar het onderzoek voegt wat benodigde nuance toe. Mediaan adoptie is nog steeds laag. Conflict rates zijn hoger dan de meeste teams zouden willen. Het patroon dat in de praktijk werkt is agents behandelen als gereguleerde contributors, niet autonome maintainers.
Teams die echte waarde krijgen van agents doen meestal de basics goed: strakke permissies, vereiste review en zichtbaarheid in agentgedrag. De hype is echt. De risico's ook. Plan dienovereenkomstig.
