Wer nur den großen Modellankündigungen folgt, verpasst, wo der Großteil des echten Fortschritts in angewandter KI passiert: in der Open-Source-Schicht aus Werkzeugen, Harnesses und „Skills“, die ein leistungsfähiges Modell in etwas verwandeln, das tatsächlich Arbeit erledigt. Eine aktuelle Auswahl solcher Projekte ergibt zusammen eine eindrucksvolle Momentaufnahme davon, wo das Ökosystem 2026 steht.
Wir haben diese Liste unten kuratiert und danach geordnet, wofür jedes Projekt eigentlich da ist. Gesponserte Abschnitte und Sternezahl-Theater haben wir weggelassen — die Zahlen unten sind Näherungswerte und ändern sich ständig; verstehen Sie sie als „das ist beliebt“, nicht als Evangelium. Viel wichtiger als jedes einzelne Repository sind die wenigen Muster, die sie zusammen offenlegen. Dazu kommen wir am Ende, denn sie sollten Ihre Roadmap tatsächlich beeinflussen.
Zuerst das Vokabular: Skills, Harnesses und MCP
Drei Begriffe tauchen unten immer wieder auf, und es lohnt sich, sie vor dem Rundgang festzuhalten.
Ein Skill ist ein portables Bündel aus Anweisungen und Ressourcen, das Sie einem Agenten übergeben, damit er eine bestimmte Aufgabe gut beherrscht — oft nicht mehr als ein Ordner mit Markdown-Dateien und Skripten, auf den Sie Ihr Werkzeug verweisen. Ein Agenten-Harness ist die Laufzeitumgebung um das Modell: das, was Gedächtnis, Sub-Agenten, Werkzeugaufrufe und Sandboxes verwaltet, damit ein Agent stundenlang an einer langen Aufgabe arbeiten kann, statt nur einen Prompt zu beantworten. Und MCP (das Model Context Protocol) ist der inzwischen etablierte Standard, um externe Werkzeuge und Datenquellen an einen Agenten anzuschließen. Wenn diese Begriffe unscharf sind, sind unser Glossar der KI-Begriffe und unser Einstieg Was sind KI-Agenten? gute Begleiter zu diesem Beitrag.
Agenten-Harnesses für lang laufende Aufgaben
DeerFlow (von ByteDance) ist ein Open-Source-Agenten-Harness, das speziell für lang laufende Aufgaben gebaut wurde — solche, bei denen Sie dem Agenten ein Ziel geben und er stundenlang arbeitet und dabei Sub-Agenten, Gedächtnis, Sandboxes und Skills orchestriert. Teams nutzen es, um Datenpipelines zu bauen, Foliensätze zu erstellen, Dashboards aufzusetzen und Content-Workflows zu automatisieren. Der Name steht für „Deep Exploration and Efficient Research Flow“, und das Design setzt stark darauf, große Aufgaben in koordinierte Teile zu zerlegen.
Hermes gehört zu den Agentenprojekten mit den meisten Sternen auf GitHub und setzt auf Selbstheilung: Scheitert während des Laufs ein Schritt oder Skill, versucht es, sich für den nächsten Versuch selbst zu reparieren und zu verbessern. Es ist eine leistungsfähige Alternative zu anderen universellen Agenten-Harnesses, mit dem vollen Umfang an Gedächtnis-, Werkzeug- und Skill-Unterstützung, den man erwarten würde.
Der rote Faden beider: Die Spitze nützlicher KI ist nicht eine klügere Einzelantwort, sondern verlässliche Autonomie über längere Zeit. Genau dort liegt auch der Großteil der technischen Schwierigkeit (und des Risikos) — ein Thema, das wir in unserem Beitrag zu Multi-Agenten-Systemen ausführlich behandeln.
Skills, die echte Expertise kodieren
Das ist wohl die wichtigste Kategorie, denn sie verändert, wer Expertise in Software festhalten kann.
Matt Pococks Skills verpacken die Arbeitsgewohnheiten eines angesehenen Entwickler-Ausbilders in ein Set, das ein Agent nutzen kann — Routing-Skills, die helfen, den richtigen Ansatz zu wählen, Sitzungen, die das Domänenmodell und die Terminologie eines Projekts aufbauen, und Workflows, die auf echtes Engineering statt auf Wegwerf-Prototypen zielen. GStack von Garry Tan (Y Combinator) kodiert einen kompletten Prozess zum Aufbau eines Start-ups in geordnete Skills — denken, planen, bauen, prüfen, testen, ausliefern, reflektieren —, einschließlich „Office Hours“ im YC-Stil, in denen der Agent Ihren Problemraum hinterfragt und Feedback gibt. Es ist als Prozess gedacht, nicht als Werkzeugkasten: Sie führen die Skills der Reihe nach aus.
Und Anthropics Cybersecurity-Skills geben einem Agenten strukturiertes Wissen aus etablierten Verteidigungs-Frameworks (MITRE ATT&CK, NIST und weitere), sodass Sie ihn auf Ihre Codebasis richten und bitten können, Ihre Abwehr zu härten. Weil es „nur Skills“ sind, funktioniert das mit den meisten Agenten-Werkzeugen, die das Format unterstützen — installiert wird es, indem man dem Agenten eine URL übergibt.
Der Wechsel zu portablen Skills bedeutet, dass Expertise zu einer Datei wird, die man teilen, versionieren und prüfen kann — statt im Kopf eines einzelnen teuren Spezialisten eingesperrt zu sein. Das ist ein wirklich neuer Hebel für kleine Teams.
Sie möchten das Know-how Ihres Teams in Agenten-Skills verwandeln?
Das Schwierigste ist nicht das Tooling — sondern zu entscheiden, welche Ihrer Prozesse sich zu kodieren lohnen und wie sie sicher und überprüfbar bleiben. Genau diese Arbeit machen wir mit unseren Kunden.
Beratung buchenSicherheit: Erst scannen, dann vertrauen
Hier ist der Haken, den die Bequemlichkeit von „einfach eine URL einfügen, um einen Skill zu installieren“ verbirgt: Sie führen die Anweisungen eines Fremden in einem Agenten aus, der womöglich Zugriff auf Ihren Code, Ihre Zugangsdaten und Ihre Daten hat. Das ist ein Lieferkettenrisiko und verdient dieselbe Prüfung wie jede andere Abhängigkeit.
Zwei Projekte adressieren das direkt. Skill Specter (von NVIDIA) ist ein Sicherheitsscanner für Agenten-Skills — richten Sie ihn auf ein Repository, eine URL, ein Zip-Archiv oder eine einzelne Datei, und er prüft vor jeder Installation Dutzende Schwachstellenmuster in Kategorien wie Prompt Injection, Datenabfluss, Rechteausweitung und Lieferkettenrisiken. Anthropics oben erwähnte Cybersecurity-Skills arbeiten in die andere Richtung: Sie härten den Code, den Sie ausliefern. Behandeln Sie das Scannen nicht vertrauenswürdiger Skills als nicht verhandelbar — so wie Sie auch kein unbekanntes Paket ungeprüft in Produktion laufen lassen würden.
Code-Intelligence für Agenten
Codebase Memory MCP geht einen unscheinbaren, aber realen Engpass an: Agenten verschwenden enormen Aufwand damit, Code immer wieder neu zu lesen, um ein Projekt zu verstehen. Es indexiert ein Repository extrem schnell — große Codebasen in Minuten — und beantwortet dann strukturelle Fragen in deutlich unter einer Sekunde, bei einem Bruchteil der Token, die ein naiver Ansatz verbrennen würde. Das Ganze wird Agenten per MCP bereitgestellt, unterstützt eine riesige Bandbreite an Sprachen und Werkzeugen und liefert obendrein eine 3D-Visualisierung Ihrer Codebasis.
Die geschäftliche Lehre ist nicht die Demo — sondern die Token-Ökonomie. Ein großer Teil der Kosten von KI-Engineering entsteht dadurch, dass das Modell immer wieder Kontext neu entdeckt, den es einfach haben sollte. Werkzeuge, die strukturelles Wissen zwischenspeichern, senken sowohl Latenz als auch Ausgaben — einer der unspektakulären Hebel, die die ROI-Rechnung tatsächlich bewegen. (Diese Rechnung zerlegen wir in Was kostet KI-Implementierung wirklich?)
Generative Medien, jetzt deterministisch
Eine Gruppe von Projekten schiebt KI-Mediengenerierung von „beeindruckend, aber nicht wiederholbar“ in Richtung produktionsreif und steuerbar.
Open Montage verwandelt einen Coding-Agenten in eine vollständige Videoproduktions-Pipeline: Beschreiben Sie in normaler Sprache, was Sie wollen, und es übernimmt Recherche, Skript, Asset-Erstellung, Schnitt und finale Komposition — mit Vorlagen für Erklärvideos, Talking Heads, Bildschirm-Demos, Trailer und mehr. Hyperframes (von Heygen) geht einen anderen, deterministischeren Weg — es rendert HTML, CSS, Medien und Animationen zu reproduzierbaren MP4-Videos und eignet sich damit gut für Produktdemos, Folien und Motion Graphics, bei denen Sie jedes Mal dieselbe Ausgabe brauchen. Palmier Pro ist ein quelloffener, KI-nativer Videoeditor (vorerst für macOS) mit eingebautem MCP-Server, sodass Ihr vorhandener Agent den Editor direkt steuern kann. Und Voicebox bündelt beide Seiten von Sprache — hochwertige Sprachsynthese und Transkription — und läuft auch lokal auf Ihrem eigenen Rechner, was für Datenschutz und Kosten zählt.
Dieses Detail „läuft lokal“ gehört zu einer breiteren Bewegung, KI-Workloads näher an die Daten zu rücken — aus Gründen von Latenz, Kosten und Datenschutz. Darum geht es in unserem Artikel Edge Computing 2026.
Spezialisierte Open-Weights-Modelle
Nicht alles ist ein Agent oder ein Skill. Baidus neues Open-Weights-Vision-Language-Modell erinnert daran, dass kleine, spezialisierte Modelle still und leise sehr gut werden. Es beherrscht schnelle, genaue Texterkennung (OCR) — und liest Dokumente nicht nur, sondern lokalisiert und markiert den richtigen Bereich auf einer Seite, ein wirklich schweres Problem —, und das in einem Modell von nur wenigen Gigabyte. Für dokumentenlastige Workflows passt ein kompaktes offenes Modell, das Sie selbst betreiben, oft besser, als alles über eine riesige Allzweck-API zu leiten.
Was diese Open-Source-Welle tatsächlich für Ihr Unternehmen bedeutet
Treten Sie einen Schritt von den einzelnen Repositories zurück, stechen vier Muster hervor — und sie zählen mehr als jedes einzelne Werkzeug:
1. Die Leistungsfähigkeit verlagert sich von Modellen zum Gerüst. Das Modell wird zunehmend zur Massenware; der dauerhafte Vorsprung liegt im Harness, in den Skills und im Tooling drumherum. Das sind gute Nachrichten — es ist die Schicht, die Sie besitzen und anpassen können, ohne irgendetwas zu trainieren.
2. Expertise wird portabel. Skills verwandeln hart erarbeitetes Prozesswissen in teilbare, versionierbare Dateien. Die strategische Frage für Ihr Team lautet, welche Ihrer Workflows es wert sind, so kodiert zu werden.
3. Open Source plus lokale Modelle verändern die Kosten. Spezialisierte Open-Weights-Modelle selbst betreiben, Code-Intelligence zwischenspeichern und Token-Verschwendung senken — all das stellt die Annahme infrage, dass „KI machen“ eine immer weiter wachsende API-Rechnung bedeutet.
4. Die Bequemlichkeit bringt ein Lieferkettenrisiko mit sich. „URL einfügen und installieren“ ist in gleichem Maße mächtig wie gefährlich. Skill-Scans und ein echter Review-Prozess sind nicht optional, sobald Agenten irgendetwas Wichtiges berühren.
Die Lehre ist nicht, alle dreizehn Projekte morgen einzuführen — die meisten Teams sollten das nicht. Sondern dass die Bausteine für ernsthafte, autonome KI-Workflows heute offen, günstig und wöchentlich besser sind. Den Vorsprung haben Organisationen, die bewusst wählen: das richtige Harness für ihre Risikotoleranz, die richtigen Skills für ihre tatsächlichen Prozesse und Leitplanken, die zu dem passen, was ihre Agenten berühren können. Genau diese bewusste Auswahl ohne Hype leisten wir mit unseren Kunden — und verwandeln ein schnelllebiges Ökosystem in ein System, dem Sie in Produktion vertrauen können.