agency-agents

OpenWebUI 是一个开源的 Web 用户界面，专为与大型语言模型（LLM）进行交互而设计。它提供了一个直观的图形界面，支持用户与本地或云端的大语言模型进行交互。用户可以通过 OpenAI API 或 Ollama 模型进行集成，支持多种部署方式，如 Docker、Kubernetes 或直接在本地运行 。 OpenWebUI官网入口网址：https://openwebui.com/OpenWebUI开源项目地址：https://github.com/open-webui/open-webui OpenWebUI 的核心功能包括：支持多种 LLM 后端（如 Ollama 和 OpenAI 兼容 API）、RAG（检索增强生成）功能、多模型对话、本地 RAG 集成、网页浏览、图像生成、多语言支持、权限管理、响应式设计、PWA 支持等 。它还支持一键部署、快速安装和灵活扩展，适合个人开发者、企业用户和研究人员使用。 OpenWebUI 的部署方式灵活，支持多种安装方式，包括 Docker、Kubernetes、本地安装等，用户可以根据需求选择适合的部署方式 。此外，OpenWebUI 采用 MIT 协议开源，社区活跃，支持持续更新和社区贡献。 OpenWebUI 的目标是为用户提供一个简单、高效、安全的 AI 交互平台，支持本地和云端模型的管理与交互，适用于多种应用场景，如企业级 AI 助手、知识库问答、教育培训等。

Awesome-OpenClaw-Skills 是一个由 VoltAgent 维护的开源资源库，旨在为 OpenClaw 社区提供一个经过精心筛选和结构化分类的技能（Skills）目录。该仓库通过汇总、过滤和整理来自 ClawHub 官方技能商店的海量资源，解决了用户在面对数千个同质化技能时的“选择困难症”，被誉为 OpenClaw 开发者的“必备工具箱”或“技能导航图”。 Awesome-OpenClaw-Skills开源项目官网地址：https://github.com/VoltAgent/awesome-openclaw-skills 1. 项目定位与核心价值 在 OpenClaw 生态中，技能（Skill）是驱动 AI 助手功能的核心插件。然而，官方的 ClawHub 技能库虽然包含上万种技能（Skills），但质量参差不齐，且缺乏有效的分类管理，导致用户在搜索和安装时需要花费大量时间去筛选。 Awesome-OpenClaw-Skills 正是为了解决这个痛点而诞生的。它通过“去伪存真”的方式，将大量的技能进行精选，只保留那些功能成熟、社区验证通过、且具备实际应用价值的插件。这样，用户无需从零开始编写代码，也不必在海量的技能中盲目试错，只需通过目录快速定位需求。 2. 内容规模与质量控制 该仓库在 GitHub 上拥有极高的关注度，Star 数已超过 20k，堪称 OpenClaw 社区的“明星项目”。截至目前（2026 年），它收录了 5,400+ 个经过筛选的技能（Skills）。在质量控制方面，仓库只收录经过社区验证、功能成熟、且维护活跃的技能。这种严格的筛选标准确保了用户安装的每一个插件都是“即插即用”，大大降低了因技能冲突或功能失效导致的使用障碍。 3. 结构化分类体系 为了便于用户快速查找，仓库对技能进行了精细化的功能分类。它将技能按场景划分为 18 个大类（如 Productivity、Image Generation、Data Analysis 等），并进一步细分为具体的子功能。这种“场景化”的分类方式，使得用户可以像在应用商城浏览一样，只需浏览对应的类别即可快速找到所需的工具。例如，如果你需要一个用于生成图像的插件，只需进入 Image Generation 类别，挑选对应的技能即可。 4. 安装与使用指南 该仓库不仅提供了技能的目录清单，还支持多种安装方式： npx 安装：用户可以直接通过 npx 命令，从 GitHub 上批量安装整个仓库的技能，或单独安装某个特定技能。对话框安装：对于不熟悉命令行的新手用户，OpenClaw 提供了对话框安装方式。用户只需在对话框中输入指令（如“请帮我安装tavily-search技能”）或粘贴 GitHub 链接，即可轻松完成安装。自动加载：大多数技能安装后无需重启，系统会在下次对话时自动加载，确保用户体验流畅。5. 社区与生态影响 Awesome-OpenClaw-Skills 已成为 OpenClaw 开发者的默认入门指南和常备资源。许多技术博客、视频解说和官方教程（如 Datawhale、阿里云教程）都会强烈推荐用户使用该仓库来挑选技能。它不仅仅是一个静态的技能列表，更是 OpenClaw 生态中连接开发者与实际应用场景的关键桥梁。通过它，用户可以快速发现最新的技能趋势，避免重复造轮子，从而将精力集中在更高阶的应用开发上。 Awesome-OpenClaw-Skills 是一个专业且高效的技能资源聚合平台，它通过精选和分类的方式，将 OpenClaw 的无限潜能转化为可直接使用的生产力工具。

MCP.so 是一个第三方MCP（Model Context Protocol）市场平台，目前收录了16517个MCP服务器。该平台旨在为用户提供一个集中发现和管理MCP服务器的平台，帮助用户更好地利用AI模型和工具。 mcp.so官网入口网址：http://mcp.somcp.so中文官网入口网址：http://mcp.so/zh MCP（模型上下文协议）是一种开源协议，由Anthropic开发，旨在为AI系统（如Claude）提供一种安全连接外部数据源的方式。MCP服务器通过客户端-服务器架构，为AI助手提供数据、工具和提示，使其能够安全地访问外部数据源和工具。MCP服务器可以共享资源（如文件、文档、数据库）、提供工具（API集成、操作）和提供提示（模板化交互）。 MCP.so 平台不仅提供服务器列表，还提供详细的服务器介绍、功能说明和使用方式。用户可以通过该平台发现、分享和学习各种MCP服务器，以支持AI应用的开发和优化。 此外，MCP.so 还支持用户提交自己的MCP服务器，通过GitHub提交问题或直接提交信息，以便将服务器添加到平台中。 MCP.so 是一个社区驱动的平台，旨在促进AI生态系统的开放和协作，为开发者和用户提供一个便捷的资源发现和管理工具。

Page-Agent 是阿里巴巴（Alibaba）开源的一个前端 AI 代理（Agent）框架，旨在通过自然语言指令操控网页 UI，实现“说人话”就能操作网页的效果。它本质上是一个纯前端的实验性 GUI Agent 库，支持将大型语言模型（LLM）与网页前端逻辑深度融合，主要用于构建网页智能助手、自动化脚本生成、无障碍访问优化以及 SaaS 产品的 AI 副驾功能。 Page-Agent官网入口网址：https://alibaba.github.io/page-agent/Page-Agent开源项目地址：https://github.com/alibaba/page-agent Page-Agent 定义为“基于 JavaScript 的页面内图形用户界面代理”。它的出现是为了打破传统网页自动化工具（如 Selenium 或 Puppeteer）需要编写大量代码和脚本的限制。Page-Agent 通过将 LLM 的自然语言理解能力直接嵌入网页前端，让普通用户或开发者只需输入一句话指令，Agent 就能自动识别并操作网页元素（如点击按钮、填写表单、切换页面等）。这种方式不仅降低了自动化测试和网页交互的门槛，也为复杂的后台系统（如 ERP、CRM）提供了更自然的人机交互方式。 核心特性与功能自然语言操作：用户无需了解 HTML DOM 结构，只需用自然语言描述操作意图，Agent 会自动解析并执行指令。轻量化集成：Page-Agent 是一个前端库，体积小巧。用户只需要在网页中引入一行 JavaScript 代码即可集成，无需部署后端服务或安装浏览器插件。多模型兼容：它兼容 OpenAI API 规范，支持接入 OpenAI、通义千问等多种 LLM 模型。开发者还可以自定义 LLM 接口，实现模型的自由切换。交互式界面：内置交互式聊天窗口（Chat UI），用户可以实时查看指令执行的思考过程（Chain-of-Thought），并在需要时进行干预或修改。浏览器扩展支持：虽然核心是纯前端库，但它也提供了一个 Chrome 扩展（PageAgentExt），允许 Agent 控制用户的整个浏览器（跨页面操作），但需要用户显式授权。典型应用场景 Page-Agent 的应用场景非常广泛，特别适合那些需要大量重复性网页操作的业务场景： SaaS 产品 AI 副驾：如在电商后台（京东后台、阿里巴巴后台）中，用户可以直接说“帮我把本周的订单导出成 Excel”，Agent 会自动在后台完成操作。复杂表单自动化：在金融或政府网站上填写长表单时，用户只需上传文档或提供信息，Agent 会自动识别并填充所有表单字段。客服系统：结合知识库，为用户提供基于网页内容的即时响应和操作建议。无障碍访问：为视力障碍用户提供语音控制网页的能力，让网页操作变得更加友好。 Page-Agent 是阿里巴巴在前端 AI 领域的一项创新，它将大型语言模型的能力直接带到了用户的浏览器里。通过它，网页不再是冷冰冰的代码，而是拥有了“智能大脑”，能够理解用户意图并主动执行任务。这不仅是网页自动化技术的升级，也是人机交互方式的一次重大变革。

Bytebot 是一个开源的 AI 桌面代理，旨在通过自然语言指令自动化计算机任务。它运行在容器化的 Linux 桌面环境中，支持多种 AI 模型（如 Anthropic Claude、OpenAI GPT、Google Gemini）和多种任务类型，如文件处理、网页自动化、数据提取等。Bytebot 可以通过 Docker、Railway 或云平台部署，支持自托管和远程控制 。 Bytebot官网入口网址：https://www.bytebot.ai/Bytebot开源项目地址：https://github.com/bytebot-ai/bytebot Bytebot 的核心功能包括： 自然语言指令自动化：用户可以通过自然语言指令完成复杂任务，如文件管理、网页操作、数据提取等。多任务处理：支持并行运行多个代理，处理复杂任务。安全与隐私：支持数据自托管，确保用户隐私。跨平台支持：支持多种部署方式，包括 Docker、Railway、AWS/GCP/Azure 等 。 Bytebot 的应用场景广泛，包括数据处理、网页自动化、文档生成、市场研究、自动化测试等 。需要注意的是，虽然 Bytebot 是一个开源项目，但其部分功能可能需要会员权限或高级功能才能访问 。

Video-Analyzer 是一款开源的视频分析工具，基于 Llama 的 11B 视觉模型和 OpenAI 的 Whisper 模型构建，能够从视频中提取关键帧、转录音频内容，并生成详细的视频描述。该工具支持完全本地运行，无需依赖云服务或 API 密钥，同时也可以通过 OpenRouter 的 LLM 服务提高处理速度和扩展性，满足用户在不同场景下的需求。 Video-Analyzer开源项目官网入口网址：https://github.com/byjlw/video-analyzer 核心功能本地视频分析：无需云服务或 API 密钥，支持在本地环境中处理视频，保障数据隐私和安全性。关键帧提取：通过智能算法从视频中提取关键帧，捕捉重要画面，减少数据处理量，提高分析效率。音频转录：利用 OpenAI 的 Whisper 模型进行高质量音频转录，支持处理低质量音频，确保转录的准确性。自然语言描述：整合视频的视觉和音频信息，生成详细的自然语言描述，便于用户快速理解视频内容。多维度数据输出：分析结果以 JSON 格式导出，包括视频元数据、音频转录结果、逐帧分析以及视频整体描述，便于后续自动化处理或报告生成。技术原理 Video-Analyzer 的工作分为三个阶段：帧提取与音频处理、帧分析以及视频重建。它使用 OpenCV 提取关键帧，通过 Whisper 模型处理音频，并基于 Llama 的 11B 视觉模型对关键帧进行分析，提取视觉信息。最终，将帧分析结果与音频转录内容整合，生成综合的视频描述。 应用场景内容审核：自动识别视频中的不当内容，如暴力或色情元素，帮助内容审核团队提高效率。视频内容管理：为视频库生成元数据和描述，便于检索和分类。教育与培训：自动生成课程摘要和关键点，辅助教学过程。安全监控：实时分析监控视频，识别异常行为，提高安全响应速度。媒体与娱乐：为电影、电视节目生成剧本摘要，优化内容制作流程。 Video-Analyzer是一个功能强大的本地视频分析工具，结合了视觉模型、语音识别和自然语言处理，适合用于视频内容的自动分析与描述生成。其灵活的配置和开源特性使其适合本地部署和扩展使用。