copilotkit

AstrBot 是一个松耦合、异步、支持多消息平台部署、具有易用的插件系统和完善的大语言模型（LLM）接入功能的聊天机器人及开发框架。 AstrBo官网入口网址：https://astrbot.app/ AstrBo开源项目地址：https://github.com/Soulter/AstrBot 主要功能 大语言模型对话。支持各种大语言模型，包括 OpenAI API、Google Gemini、Llama、Deepseek、ChatGLM 等，支持接入本地部署的大模型，通过 Ollama、LLMTuner。具有多轮对话、人格情境、多模态能力，支持图片理解、语音转文字（Whisper）。多消息平台接入。支持接入 QQ（OneBot）、QQ 频道、微信（Gewechat）、飞书、Telegram。后续将支持钉钉、Discord、WhatsApp、小爱音响。支持速率限制、白名单、关键词过滤、百度内容审核。Agent。原生支持部分 Agent 能力，如代码执行器、自然语言待办、网页搜索。对接 Dify 平台，便捷接入 Dify 智能助手、知识库和 Dify 工作流。插件扩展。深度优化的插件机制，支持开发插件扩展功能，极简开发。已支持安装多个插件。可视化管理面板。支持可视化修改配置、插件管理、日志查看等功能，降低配置难度。集成 WebChat，可在面板上与大模型对话。高稳定性、高模块化。基于事件总线和流水线的架构设计，高度模块化，低耦合。 AstrBo提供了一个强大、灵活且易于部署的消息平台解决方案，适用于各种规模的企业和个人用户。

LabClaw 是由斯坦福大学与普林斯顿大学联合研发团队重磅推出的一款开源实验室机器人系统，被誉为“科研版龙虾”。该项目于2026年3月正式对外开源，迅速在科研界引起轰动。其核心理念是将人工智能的深度思考能力与物理实验的执行能力无缝结合，旨在将科学家从繁琐、重复的湿实验操作中解放出来，使其能专注于更具创造性的科学发现。 LabClaw官网入口网址：https://labclaw-ai.github.io/LabClaw开源项目地址：https://github.com/wu-yc/labclawLabClaw中文介绍：链接 LabClaw 的名字灵感来源于广受欢迎的通用AI代理框架 OpenClaw（俗称“龙虾”），但它并非简单的复制，而是专为生物医学领域深度定制的垂直解决方案。该系统最大的亮点在于其内置了超过 206个专业的生物医学OpenClaw技能。这些技能涵盖了从基础的液体处理、样本分装、显微镜观察，到复杂的细胞培养监控、PCR实验操作、甚至实验数据实时分析与文献自动检索等全流程任务。每一个“技能龙虾”都像一个训练有素的实验室技术员，能够独立或协同完成特定的实验步骤。 更为强大的是，LabClaw 并非孤立存在，它与斯坦福此前研发的超级智能科研助手 LabOS AI-XR 进行了深度整合。LabOS 充当了“大脑”的角色，负责实验方案的设计、逻辑推理和异常处理，而 LabClaw 则作为“双手”，精准执行各项指令。这种“脑手协同”的架构，使得实验室首次具备了从“思考”到“执行”的全闭环能力，真正实现了干湿实验的统一。用户只需通过一行简单的命令，即可调动整个“龙虾军团”自动上线工作：有的负责实时监控实验数据波动，有的运行复杂的分析模型，有的则在海量文献中寻找理论支持并自动撰写实验记录。 LabClaw 的开源性质是其另一大杀手锏。它打破了高端自动化实验室的技术壁垒，让全球各地的中小型实验室甚至高校课题组都能以极低的成本部署这套先进的系统。安装部署极其简便，一次配置即可全能搞定。这不仅极大地提高了科研效率，减少了人为操作误差，更被戏称为“硕博生的救星”，因为它有望从根本上改变科研工作的模式，让科研人员保住头发的同时，拓宽通往顶级期刊的道路。LabClaw 的出现，标志着生物医学研究正在迈入一个由AI深度驱动的自主化新纪元。

MindSearch 是一款由上海人工智能实验室研发的开源 AI 搜索引擎框架，旨在通过模仿人类思维和行为，高效地处理复杂的信息检索任务。其核心功能包括大规模信息搜集与整理能力、多智能体框架设计以及透明的解决方案路径展示，使其在学术研究、市场分析、新闻报道、法律研究和技术支持等多个领域具有广泛的应用价值。 MindSearch项目官网入口网址：https://github.com/InternLM/MindSearch MindSearch项目中文官网入口网址：https://github.com/InternLM/MindSearch/blob/main/README_zh-CN.md 1. 核心功能与特点 多智能体框架：MindSearch采用多智能体设计，主要由WebPlanner和WebSearcher两个核心组件组成。WebPlanner负责将用户查询分解为子问题，并构建动态图结构；WebSearcher则负责执行搜索任务，从多个网页中提取有价值的信息。高效信息搜集：MindSearch能够在3分钟内从300多个网页中高效搜集有效信息，通常需要人类3小时才能完成的任务。动态图构建：通过有向无环图（DAG）的方式，MindSearch将复杂查询分解为可并行处理的子问题，显著提高了信息聚合效率。分层检索策略：MindSearch采用分层检索策略，优化了信息的准确性和完整性。透明解决方案路径：MindSearch提供详细的解决方案路径，用户可以查看所有公开细节，从而提高回复的可信度和可用性。 2. 技术实现 底层模型支持：MindSearch支持多种大型语言模型（LLM），包括闭源的GPT和Claude，以及开源的InternLM2.5-7B等。开源与可扩展性：MindSearch完全开源，用户可以免费体验和部署。其代码托管在GitHub上，支持自定义部署和多语言模型代理。用户界面：MindSearch提供多种用户界面选项，包括React、Gradio、Streamlit和本地调试等，方便不同技术背景的用户使用。 3. 应用场景 学术研究：MindSearch能够帮助研究人员快速找到相关文献和数据，支持复杂的学术查询。商业决策：通过深度知识探索和透明解决方案路径，MindSearch为商业决策提供有力支持。新闻报道与法律研究：MindSearch能够快速筛选关键信息并整理成逻辑连贯的知识模块，适用于新闻报道和法律研究。教育学习：MindSearch可以帮助学生快速获取学习资料，支持教育领域的深度知识探索。 4. 性能与优势 响应质量：MindSearch在深度、广度和事实准确性方面显著优于其他搜索引擎，如ChatGPT-Web和Perplexity.ai Pro。时间效率：与人类标签者相比，MindSearch在处理复杂问题时仅需23分钟，而人类标签者需要19小时17分钟。错误修正能力：MindSearch具备自我纠正功能，能够在无法找到所需信息时直接生成响应节点，避免陷入重复循环。 5. 开源社区与未来展望 社区支持：MindSearch项目在GitHub上受到广泛关注，用户可以通过贡献代码和反馈来推动其发展。未来方向：MindSearch计划进一步优化用户体验，支持更多功能，如视觉输入和网页交互。 6. 注意事项 版权与使用限制：虽然MindSearch是开源项目，但部分内容可能涉及版权问题，用户需谨慎使用。部署要求：用户需要安装Python环境，并根据需求配置FastAPI服务器。 MindSearch是一款功能强大、性能卓越的开源AI搜索引擎框架，通过模仿人类思维过程，实现了高效的信息搜集与整合。其多智能体设计、动态图构建和分层检索策略使其在学术研究、商业决策、新闻报道等多个领域具有广泛的应用潜力。

CLI-Anything 是一个由香港大学数据科学团队（HKUDS）开发的开源项目，旨在弥合人工智能代理（AI Agents）与现实世界专业软件之间的巨大鸿沟。其核心理念是“今天的软件服务于人类，明天的用户将是智能体”。该项目通过自动化的方式，将任何拥有源代码的软件（如 GIMP、Blender、LibreOffice 等）转化为具备结构化命令行接口（CLI）的工具，使 AI 代理能够无需图形界面（GUI）自动化或专用 API 即可直接控制这些软件。 CLI-Anything开源项目官网入口网址：https://github.com/HKUDS/CLI-Anything CLI-Anything开源项目官网中文文档：链接 核心痛点与解决方案 当前，AI 代理虽然具备强大的推理能力，但在操作实际专业软件时面临巨大挑战。传统的解决方案通常依赖于脆弱的 UI 自动化（如截图点击）、有限的官方 API，或是功能被大幅削减的重新实现。CLI-Anything 提出了一种颠覆性的解决方案：它不替换软件，而是为软件生成一个“代理原生”的命令行外壳（Harness）。这个外壳直接调用真实的软件后端进行渲染和处理，保留了软件 100% 的专业功能，同时提供了适合 LLM（大语言模型）理解的标准化文本命令和 JSON 输出格式。 工作原理：全自动七阶段流水线 CLI-Anything 的核心是一个高度自动化的七阶段生成流水线，可通过 Claude Code 插件、OpenCode 命令或 Codex Skill 触发： 分析（Analyze）：扫描源代码，将 GUI 动作映射到内部 API。设计（Design）：架构命令组、状态模型及输出格式。实现（Implement）：构建基于 Click 框架的 CLI，包含 REPL（交互式命令行）、JSON 输出及撤销/重做功能。测试计划（Plan Tests）：制定单元测试和端到端测试计划。编写测试（Write Tests）：实施全面的测试套件。文档（Document）：更新测试结果文档。发布（Publish）：生成安装脚本并将 CLI 部署到系统路径。 此外，项目还支持“细化（Refine）”功能，通过差距分析不断扩展 CLI 的功能覆盖率。 技术优势与特点真实集成：生成的 CLI 直接调用真实应用（如 Blender 渲染场景、LibreOffice 生成 PDF），拒绝“玩具级”实现。结构化交互：所有命令均支持 –json 标志，输出机器可读的结构化数据，极大降低了 Agent 解析结果的难度。通用性与轻量级：CLI 是跨平台的通用接口，无需复杂依赖，且利用 –help 标志实现自我描述，便于 Agent 自主发现功能。生产级质量：项目已在 11 款复杂软件（涵盖图像编辑、3D 建模、办公套件、视频剪辑等领域）上成功验证，累计通过 1508 项测试（包括单元测试和真实软件调用的端到端测试），通过率达 100%。应用场景 CLI-Anything 适用于广泛的领域，包括创意设计（GIMP, Blender）、数据分析（Jupyter, Superset）、开发工具（Jenkins, Portainer）、企业办公（LibreOffice, NextCloud）以及科学计算等。无论是开源项目还是私有代码库，只要提供源码，CLI-Anything 都能将其转化为 Agent 可操控的强大工具。 CLI-Anything 不仅是一个工具生成器，更是一套方法论（HARNESS.md），它定义了如何将人类设计的软件无缝转化为适应 AI 时代的“Agent 原生”基础设施，极大地释放了智能体在复杂工作流中的潜力。

olmOCR 是一个开源工具，旨在将 PDF 和其他基于图像的文档格式转换为干净、可读的纯文本格式。它支持将 PDF、PNG 和 JPEG 格式的文档转换为 Markdown 格式，并支持方程式、表格、手写内容和复杂格式的处理。该工具还具备自动去除页眉和页脚、保持文本自然阅读顺序等功能，即使在存在图表、多列布局和嵌入内容的情况下也能有效处理。 olmOCR开源项目地址：https://github.com/allenai/olmocrolmOCR官网入口网址：https://olmocr.allenai.org/ olmOCR 基于 7B 参数的视觉语言模型（VLM），需要 GPU 支持，且每百万页的转换成本低于 200 美元。该工具由 Allen Institute for Artificial Intelligence（AI2）开发和维护，旨在通过高影响力的人工智能研究和工程推动人类进步。 用户可以通过在线演示（https://olmocr.allenai.org/ ）尝试使用该工具。此外，olmOCR 提供了详细的安装指南、命令行工具和 API 支持，适用于本地运行和大规模处理。该工具还提供了详细的性能基准测试和模型评估，以确保其在 OCR 领域的领先地位。 olmOCR 是一个功能强大且灵活的工具，适用于需要将图像和 PDF 文档转换为可读文本的用户和研究人员。

DeepFlow是一款由云杉网络（DeepFlow IO）开源发布的全栈可观测性平台，专注于云原生、容器化以及 AI 应用的深度监控与分析。平台核心基于 eBPF 零插桩技术，实现对主机、容器、Kubernetes 集群以及微服务之间调用链的自动化、无侵入式数据采集，能够实时捕获指标、日志、追踪链路和性能剖析信息。 DeepFlow官网入口网址：http://deepflow.io/DeepFlow开源项目地址：https://github.com/deepflowio/deepflowDeepFlow中文介绍：链接 平台的主要特性包括： 零插桩采集：通过 eBPF 自动收集网络、系统调用、文件 I/O 等底层数据，无需在业务代码中植入 SDK。全栈关联：采用智能标签（Tag）技术，将基础设施层、容器层、服务层以及业务层的拓扑关系统一映射，实现“一键全链路”可视化。多协议支持：原生解析 HTTP、gRPC、MySQL、Redis、Kafka 等常见协议，并通过 Wasm 扩展支持私有协议。高性能存储：自研高效时序存储相较传统 ClickHouse 提升约 10 倍的写入与查询效率，满足大规模数据的实时分析需求。可观测性即服务：提供统一的仪表盘、告警规则编辑器以及自动化的异常检测模型，帮助运维团队快速定位故障根因。 在部署方式上，DeepFlow 支持 Helm Chart 一键安装，适配 Kubernetes、OpenShift 以及裸机环境；同时提供 Docker 镜像（deepflowce/deepflow‑agent、deepflowce/deepflow‑server）和二进制发行包，便于在不同的生产环境中快速落地。 DeepFlow 还面向联邦学习场景推出了专门的监控方案，利用 eBPF 捕获分布式 AI 训练过程中的资源使用、网络带宽和模型参数同步情况，为大规模分布式 AI 提供统一的可观测性视图，进一步降低了 AI 研发与运维的技术门槛。 DeepFlow 通过“零插桩 + 全栈关联 + 高性能存储”三大技术路线，为企业提供从底层硬件到业务层面的统一监控解决方案，帮助用户实现对云原生和 AI 工作负载的全方位可观测、快速定位和自动化运维。