导语
tester-army/e2e 是一个面向 Web 和移动应用的端到端测试框架。测试里可以用自然语言描述目标，由 Agent 操作应用去完成，再用定位器和断言核对结果。按 README 的说法，被后续断言验证过的 Agent 步骤会记录下来，下次运行直接回放，应用变化前不再调用模型。deepseek-ai/DeepGEMM 处在更底层，它是 DeepSeek 的 tensor core 算子库，覆盖 FP8、FP4、BF16 GEMM，融合通信的 MoE，以及 lightning indexer 所用的 MQA 打分等原语，所有算子都经 DeepJIT 在运行时编译。两者一个服务于应用的质量保障，一个服务于模型计算本身，都在大模型落地的成本上做工程取舍。
这一期是 2026 年 10 月 19 日补写的。当天的日报没有按时发出，材料改用互联网档案馆在 2026-10-07 11:46（北京时间）存下的 GitHub Trending 日榜。档案馆只存了当天上榜的仓库，扣掉往期已经收录的，符合条件的只有 2 个，所以这一期不足 10 个。提交、发布和 README 都按存档那一刻还原。
数据范围与方法
- 数据时间：2026-10-07 11:46（北京时间）。
- 信号来源：互联网档案馆存下的 GitHub Trending 日榜（存档）。档案馆没有当时的检索结果，本期只从日榜里挑。
- 收录条件：AI 是项目的核心能力；Star 不少于 500（合格项目不足 10 个，门槛从 1,000 放宽到 500）；没有归档，不是 fork；最近 90 天内有提交或正式发布。资源清单、教程和提示词合集不收。
- 去重：本系列往期日报和周报已经收录过的 584 个仓库不再收。
- 排序：按当天新增 Star。这是本站的排序，不是 GitHub 的官方排名。
Top 2 一览
| # | 项目 | Star（10-07） | 分类 | 最近更新 |
|---|---|---|---|---|
| 1 | tester-army/e2e | 6,481 | Agent 驱动测试框架 | 10-06 有提交；e2e@0.18.0（10-06） |
| 2 | deepseek-ai/DeepGEMM | 8,745 | GPU 算子库 | 09-30 有提交；nv_dev_f8e8fb5（07-20） |
项目介绍
1. tester-army/e2e
- Star：6,481（2026-10-07）
- 分类：Agent 驱动测试框架
- 最近更新：2026-10-06 有提交；最新正式发布 e2e@0.18.0（2026-10-06）
- 许可证：Apache-2.0
- 入选理由：GitHub Trending 日榜第 1 名，当天新增 1,725 个 Star。
- 简介：用 TypeScript 编写的端到端测试框架，同一个测试里可以混用 agent.act、agent.assert 这类自然语言步骤和常规的定位器断言。Web 引擎基于 Playwright，支持 Chromium、Firefox 和 WebKit。移动引擎通过 agent-device 驱动 iOS 与 Android 模拟器。另有 PR 评论报告器和托管浏览器、托管模拟器等扩展包。
- 看点：从 README 看，核心设计在于记录并回放已验证的 Agent 操作，不含 Agent 步骤的测试完全不需要模型。这能压低 CI 中的模型调用成本，也能缓解自然语言测试结果不稳定的问题。局限在于项目尚未到 1.0，README 说明小版本之间 API 和配置可能变化。CLI 默认发送匿名遥测，可以手动关闭。
2. deepseek-ai/DeepGEMM
- Star：8,745（2026-10-07）
- 分类：GPU 算子库
- 最近更新：2026-09-30 有提交；最新正式发布 nv_dev_f8e8fb5（2026-07-20）
- 许可证：MIT
- 入选理由：GitHub Trending 日榜第 9 名，当天新增 199 个 Star。
- 简介：DeepSeek 开源的 GPU 算子库，用 CUDA 编写。它借鉴了 CUTLASS 和 CuTe 的部分概念，但不深度依赖其模板，核心函数数量有限。库里提供普通与分组 GEMM、面向 MoE 的连续布局和掩码布局接口、Mega MoE，以及 V3.2 indexer 的 MQA 算子。运行需要 SM90 或 SM100 架构 GPU 和 CUDA 12.9 以上版本。
- 看点：README 称其性能在多种矩阵形状下达到或超过专家调优库，项目方给出的数据是 H800 上最高 1550 TFLOPS。分组接口按 MoE 专家形状相同的场景设计，适合做 MoE 训练推理优化的团队，也可以作为学习 GPU 算子优化的材料。门槛在于硬件限定 SM90 与 SM100，输入转置和 FP8 转换要使用者自行处理。
趋势观察
- 两个项目都在给大模型的使用成本做减法。e2e 用回放减少重复的模型调用，DeepGEMM 用融合算子和运行时编译压低计算与安装部署的开销，工程重心放在以更低代价稳定地使用模型能力。
选型建议
- Web 与移动端回归测试：tester-army/e2e
- MoE 模型训练推理加速：deepseek-ai/DeepGEMM
数据时效
文中的 Star、Fork、提交和发布记录都截至 2026-10-07 11:46（北京时间），之后会变化。Star 是存档页上显示的数字，许可证是补写时 GitHub 识别的结果。GitHub 只在 Trending 页上显示新增 Star，其余项目的增星没有公开数据，文中不做推算。
免责声明
本文根据公开的仓库信息整理，只供技术参考，不构成部署、采购或投资建议。README 里的性能、用户量等说法属于项目方自述，没有经过独立验证。许可证以仓库里的 LICENSE 文件为准。