- Tiếp nối Phần 1, đây là 20 GitHub accounts tiếp theo Phần 2 bao gồm các coding agent builders (Open Interpreter, aider, LangChain), inference runtimes (Ollama, llamafile), tooling infra (ruff, Modal) và practitioners hàng đầu như Chip Huyen, Thomas Wolf.
- Mỗi profile kèm ý tưởng build cụ thể.
TL;DR
Đây là Phần 2 trong series 2 bài về "60 GitHub accounts every AI builder should follow": coding agents, inference runtimes, tooling & infra, practitioners và core engineers của Hugging Face. Cùng nhóm người xây dựng những tool bạn đang dùng mỗi ngày - từ LangChain, Ollama đến ruff và fast.ai.
Nhóm 3: Coding Agents (#21-27)
Những người này đã định nghĩa lại việc AI có thể làm gì với code - không chỉ gợi ý, mà thực sự chạy và build.
KillianLucas (Killian Lucas) - Xây dựng Open Interpreter, tool cho phép ngôn ngữ tự nhiên thực sự chạy code trên máy bạn. 50k+ stars, một trong những agent đầu tiên thực sự cảm giác như tương lai. Build gì từ đây: "làm việc này trên máy tính của tôi" vertical - kế toán, nhân viên pháp lý, ops team cần wrapper ngôn ngữ tự nhiên cho các task desktop.
paul-gauthier (Paul Gauthier) - Xây dựng aider, AI pair programmer tốt nhất trong terminal. Tích hợp với git, open source, benchmark và design choices thuộc loại smart nhất trong toàn bộ agent space. Build gì từ đây: aider workflows, prompt presets và project templates đóng gói thành sản phẩm trả phí cho engineers muốn pair programming được cài sẵn.
AntonOsika (Anton Osika) - Xây dựng gpt-engineer, một trong những "mô tả app, xem nó xuất hiện" tool đầu tiên. Giờ là founder của Lovable, một trong những AI coding product nóng nhất hiện tại. Build gì từ đây: services và templates chạy trên sóng Lovable - component libraries, prompt packs, post-generation polish services.
hwchase17 (Harrison Chase) - Tạo ra LangChain, framework LLM application trở thành mặc định gần như qua đêm. Anh nhìn thấy category trước tất cả và build rails đầu tiên. Build gì từ đây: opinionated, clean alternative cho LangChain trong một niche cụ thể (voice agents, RAG over PDFs, sales workflow).
jerryjliu (Jerry Liu) - Co-founder LlamaIndex, đã "own" RAG trước khi RAG là một từ phổ biến. Mỗi post là một pattern có thể ship trong tuần này. Build gì từ đây: sản phẩm "nói chuyện với X của bạn" cho các ngành cụ thể - contracts, medical records, codebase.
jxnl (Jason Liu) - Xây dựng Instructor, library làm cho structured outputs từ LLMs thực sự reliable. Ngoài engineering, anh viết content tốt nhất về AI consulting và định giá công việc. Build gì từ đây: productized AI consultancy của bạn - anh đã open-source gần như toàn bộ playbook để charge tiền thật cho AI work.
mckaywrigley (Mckay Wrigley) - Xây dựng Chatbot UI, ChatGPT clone open source mà mọi người đã fork ít nhất một lần. Giờ vận hành Takeoff, khóa học dạy builder thực sự ship với AI. Build gì từ đây: niche fork của Chatbot UI làm paid template - customer-support, sales, internal-tools specific. UI đã solved, niche packaging thì chưa.
Nhóm 4: Inference Runtimes (#28-30)
jmorganca (Jeffrey Morgan) - Co-founder của Ollama, làm cho chạy LLM local dễ như install một app. Mỗi Ollama release kéo model mới ngay ngày chúng drop. Build gì từ đây: desktop products với Ollama bundle - privacy-first AI assistant, offline research tools, on-device coaches.
jart (Justine Tunney) - Một trong những low-level engineers legendary nhất còn sống. Xây dựng llamafile, package toàn bộ LLM vào một single executable chạy trên gần như bất kỳ máy tính nào. Build gì từ đây: single-binary downloadable AI tools - đây là distribution channel thực sự mà hầu hết builder chưa nhận ra.
abetlen (Andrei Betlen) - Maintainer của llama-cpp-python, Python bindings dưới phần lớn Python local AI ecosystem. Quiet nhưng absolutely essential infrastructure. Build gì từ đây: Python-first developer tools và notebooks targeting local inference - ecosystem đang đói tooling batteries-included trên nền những bindings này.
Nhóm 5: Tooling và Infra (#31-34)
simonw (Simon Willison) - Co-creator Django, builder Datasette, tác giả AI blog hữu ích nhất trên web. llm CLI là cách sạch nhất để nói chuyện với bất kỳ model nào từ terminal. Build gì từ đây: CLI tools và plugins nhỏ trên framework llm của anh - plugin ecosystem còn thiếu rất nhiều so với demand.
jph00 (Jeremy Howard) - Co-founder fast.ai, một trong những educators generous nhất trong lịch sử machine learning. Giờ vận hành Answer.AI, research lab build practical open source AI tools. Build gì từ đây: áp dụng fast.ai teaching pattern cho niche của bạn - hands-on, top-down, results-first. Hầu hết mọi domain AI đều thiếu khóa học kiểu này.
erikbern (Erik Bernhardsson) - Build Annoy tại Spotify, sau đó founding Modal, serverless platform mà một nửa AI startup world đang chạy trên đó. Cũng viết những engineering essay sắc sảo nhất trên internet. Build gì từ đây: sản phẩm trên Modal nơi unit economics đòi hỏi serverless GPU - image generation, batch transcription, embedding services.
charliermarsh (Charlie Marsh) - Build ruff và uv, Python tools cuối cùng làm cho developer experience Python cảm giác modern. Viết bằng Rust, nhanh 100x, cả ecosystem đã chuyển sang. Build gì từ đây: "viết lại tool Python chậm bằng Rust" là một trong những content và product playbook lucrative nhất trong software hiện nay - anh đã show path.
Nhóm 6: Practitioners và Writers (#35-37)
chiphuyen (Chip Huyen) - Viết "Designing Machine Learning Systems" và "AI Engineering," hai cuốn sách sạch nhất về thực sự ship ML trong production. Cô suy nghĩ theo systems, không chỉ models. Build gì từ đây: productized "AI engineering audits" cho small companies - framework của cô là rubric, công việc của bạn là áp dụng nó cho business cụ thể và charge phí cho report.
hamelsmu (Hamel Husain) - Nhiều năm tại GitHub về ML tooling, giờ là một trong những voice được kính trọng nhất về LLM evals và fine-tuning. Anh cover những phần unsexy quyết định bạn có win hay không. Build gì từ đây: evals-as-a-service cho AI startups - hầu hết early-stage AI product không có real evals, những cái survive thì sẽ có.
eugeneyan (Eugene Yan) - Applied scientist biến những bài học ML systems khó thành essays rõ ràng, miễn phí. Writeups về RAG, evals và recsys được bookmark across the entire industry. Build gì từ đây: biến essays của anh thành starter repos - anh giải thích pattern, bạn ship runnable reference implementation. Combination đó là một trong những content artifacts có giá trị nhất trên open web.
Nhóm 7: Core Hugging Face Engineers (#38-40)
thomwolf (Thomas Wolf) - Co-founder Hugging Face, công ty về cơ bản đã tạo ra open AI ecosystem chúng ta đang phụ thuộc. Không có công việc của anh, không có con đường dễ dàng đến bất kỳ open model nào. Build gì từ đây: sản phẩm phụ thuộc open ecosystem anh đã gieo mầm - bất cứ nơi nào user muốn sovereignty, customizability hoặc pricing flexibility.
patrickvonplaten (Patrick von Platen) - Core engineer đứng sau transformers và diffusers libraries của Hugging Face. Nếu bạn đã fine-tune, chạy hoặc generate ảnh với open models, code của anh đã chạy trong stack của bạn. Build gì từ đây: diffusers-based vertical image và video products (real estate staging, ecommerce photo generation, brand-style content engines).
osanseviero (Omar Sanseviero) - Nhiều năm là một trong những engineers visible nhất của Hugging Face, giờ tại Google DeepMind. Là cầu nối hiếm có giữa cutting-edge research và open source crowd. Build gì từ đây: theo dõi những gì anh highlight từ mỗi release wave - model, dataset và tool anh feature sớm là những cái được adopt broadly. Build trên chúng trước.
Kết: Pattern Chung Của Cả 40 Người
Nhìn lại 40 người trong 2 phần này, có một pattern nhất quán: hầu hết đều ship thứ gì đó nhỏ trước, rồi iterate nhiều năm. nanoGPT chỉ là một Python file. llama.cpp bắt đầu như một weekend port. AutoGPT là một viral hack-week project.
Họ không predict wave - họ chỉ tiếp tục build những thứ useful, focused và wave đã đến với họ.
Cách dùng list này đúng: chọn 3 accounts - một người bạn đang dùng code mỗi ngày, một người bạn nghe tên nhưng chưa bao giờ chạy code, một người hoàn toàn mới với bạn. Trong 7 ngày tới: đọc README của pinned repo, chạy code locally, ship một thứ nhỏ trên nền đó.
Đó là sự khác biệt giữa xem AI moment từ bên ngoài và thực sự là một phần của nó.