Letta

Horizon 是由开发者 Thysrael 打造的开源 AI 新闻聚合与简报工具，核心定位是构建用户专属的 AI 新闻雷达，自动抓取、筛选、提炼多平台资讯，生成中英双语每日简报，帮用户高效过滤信息噪音，快速获取高价值内容。 Horizon开源项目地址：https://github.com/Thysrael/HorizonHorizon中文介绍：链接Horizon官网入口网址1：https://www.horizon1123.top/Horizon官网入口网址2：https://thysrael.github.io/Horizon/核心功能：全链路自动化处理 Horizon 打通从多源抓取到多渠道分发的全流程，核心功能覆盖 8 大模块，兼顾自动化与个性化： 多源聚合：一站式接入 Hacker News、Reddit、Telegram、RSS、Twitter/X、GitHub 六大主流平台，支持自定义订阅源，精准跟踪目标账号、话题或站点更新。AI 智能筛选：集成 Claude、GPT、Gemini、DeepSeek 等主流大模型，为每条资讯 0-10 分打分，按用户设定阈值（默认 6.0）过滤低质量内容，只保留高价值信息。智能去重：跨平台自动合并同一事件的重复内容，避免同一新闻在简报中多次出现，减少信息冗余。背景增强：对陌生概念、公司、技术术语自动联网补充背景信息，解决 “看不懂” 的痛点，且全程规避 AI 幻觉，确保信息真实可靠。社区观点汇总：抓取 Hacker News、Reddit 等平台的高赞评论，提炼核心观点，让用户快速了解社区对热点事件的讨论风向。双语简报生成：基于同一数据源，自动生成英文、中文两种版本的结构化 Markdown 简报，适配不同语言偏好用户。多渠道分发：支持 GitHub Pages 自动建站、自定义 SMTP 邮件订阅、飞书 / 钉钉 / Slack 等社群机器人推送，还可对接自定义 Webhook，灵活适配各类通知场景。可视化配置与自动化：提供交互式配置向导，用户输入兴趣关键词（如 LLM 推理、网络安全）即可自动生成配置文件；支持 GitHub Actions 定时任务，每日自动生成并发布简报，无需人工干预。工作流程：7 步实现信息精炼 Horizon 的核心优势在于标准化、可定制的全链路流程，从配置到输出高效闭环： 配置定义：通过 JSON 文件或交互式向导，设定订阅源、AI 打分阈值、模型选择、分发渠道等核心参数。并行抓取：多线程并发拉取所有订阅源最新内容，支持自定义时间窗口（默认 24 小时，可扩展至 48 小时）。跨源去重：通过 URL、标题相似度等维度，合并不同平台的同一事件内容。AI 打分过滤：调用大模型对去重后的内容打分，保留高于阈值的资讯。背景与评论增强：对关键资讯补充背景信息，汇总社区高赞评论。结构化总结：生成含标题、摘要、标签、参考链接的 Markdown 简报，支持中英双语。多渠道分发：自动同步至 GitHub Pages、发送邮件、推送社群或保存至本地文件。部署与使用：低门槛，多方案 Horizon 提供本地部署与 Docker 容器部署两种方案，适配不同技术基础用户： 本地部署：支持 uv（推荐）或 pip 安装，克隆仓库后执行 uv sync 即可安装依赖，通过 uv run horizon 命令启动，配合 horizon-wizard 向导快速配置订阅源。Docker 部署：提供现成 Dockerfile 与 docker-compose.yml，复制环境配置文件后，一键启动容器，无需处理本地依赖冲突，适合快速体验或服务器部署。 Horizon 本质是 “AI + 人类偏好” 的信息处理工具，既利用大模型高效过滤噪音、提炼信息，又保留人类对订阅源、打分阈值、分发渠道的自定义权限，平衡自动化与个性化。对于关注科技、互联网、开源社区的用户，Horizon 可大幅减少信息筛选时间，是高效获取高质量资讯的利器。

AI-Media2Doc 是一个开源项目，旨在将视频和音频内容一键转化为多种风格的文档，如小红书、公众号、知识笔记、思维导图等。该项目由开源社区维护，采用 MIT 协议授权，支持本地部署，无需登录注册，且所有任务记录保存在本地。用户可以通过 GitHub 地址（https://github.com/hanshuaikang/AI-Media2Doc ）获取项目源码并进行部署和使用。 AI-Media2Doc开源项目官网入口网址：https://github.com/hanshuaikang/AI-Media2Doc AI 视频图文创作助手是一款 Web 工具, 基于 AI 大模型, 一键将视频和音频转化为各种风格的文档, 无需登录注册, 前后端本地部署，以极低的成本体验 AI 视频/音频转风格文档服务。 核心功能 完全开源：MIT 协议授权，支持本地部署。隐私保护：无需登录注册，任务记录保存在本地前端处理：采用 ffmpeg wasm 技术，无需本地安装 ffmpeg多种风格支持：支持小红书/公众号/知识笔记/思维导图/内容总结等多种文档风格支持。AI 对话：支持针对视频内容进行 AI 二次问答。支持字幕导出: 结果一键导出为字幕文件。智能截图: 基于字幕信息智能截图并插入文章, 无需视觉大模型, 实现真正的图文并茂。支持自定义 Prompt：支持在前端自定义配置 prompt。一键部署：支持 Docker 一键部署。支持设置访问密码: 后端设置访问密码之后, 前端用户需要填写该密码才可以正常使用。 AI-Media2Doc 的核心功能包括音视频处理、多种输出格式支持、AI 对话、字幕导出、智能截图插入、自定义 Prompt 等。项目支持前端 ffmpeg wasm 处理，无需本地安装 ffmpeg，也支持 Docker 一键部署。此外，该项目还支持生成思维导图，并可导出到第三方平台进行编辑和调整。 AI-Media2Doc 的目标是降低 AI 应用门槛，为自媒体博主、企业文员和学生提供高效的多媒体内容处理工具，帮助用户快速将音视频内容转化为高质量文档。该项目在多个技术社区和开源平台（如 GitHub、Python 潮流周刊等）上被提及和推荐。

ClawManager 是基于开源项目 OpenClaw 开发的首个企业级服务器部署管理方案。它专注于解决 AI 桌面和 Agent 在大规模部署中面临的管理混乱、资产流失以及安全风险等核心痛点，旨在为企业提供一个安全、高效且合规的 AI 基础设施治理体系。 ClawManager开源项目地址：https://github.com/Yuan-lab-LLM/ClawManagerClawManager中文介绍：链接1. 背景与动因：解决 OpenClaw 的痛点 OpenClaw 作为 AI 桌面的先行者，曾在技术社区引发广泛关注。然而，在实际的企业级应用中，随着用户规模的扩大，原本开放的架构暴露出以下几个严重问题： 管理混乱：缺乏统一的治理和审计机制，导致资源使用失控。资产流失与失控成本：AI 资产（如模型、数据）难以沉淀，导致无形成本增加。资源浪费：在多用户、多模型调用的场景下，资源分配效率低下。安全风险：缺乏有效的访问控制和审计，存在数据泄露或滥用的隐患。 ClawManager 正是为了解决上述痛点而生的，它不仅是一套部署方案，更被视为打开“AI 原生时代”大门的“钥匙”。 2. 核心架构与技术栈 ClawManager 基于当前主流的容器编排平台 Kubernetes 构建，利用其成熟的生态实现了对 OpenClaw 的深度封装和治理。 统一管理控制台：通过 Kubernetes 的 Operator 模式，提供可视化的统一管理界面，支持批量部署和统一监控。技术栈成熟：依托 Kubernetes 强大的调度和扩展能力，结合云原生技术，实现了高效的资源调度和服务发现。3. 核心功能与治理能力 ClawManager 通过一系列的治理机制，全面解决了 AI 桌面在大模型时代的痛点： 资源配额控制：针对不同用户组或项目，设置 GPU、内存等资源的配额限制，防止“资源抢占”现象。安全访问：实现统一的身份验证和权限控制，确保只有授权用户才能访问特定模型或数据，降低安全风险。模型调用审计：记录每一次模型调用的日志，支持查询和回溯，增强透明度。成本核算与风险控制：通过精细化管理，实现对算力消耗的实时监控和成本核算，避免因模型调用失控导致的高额费用。资产沉淀与合规管理：支持 AI 资产（如微调模型、知识库）的集中管理，实现资产的沉淀和合规使用。4. 价值与意义 ClawManager 的出现标志着 AI Agent 基础设施管理从“开源实验”进入了“企业级治理”的全新阶段： 提升可用性：解决了 AI 桌面在大规模落地时的管理难题，提升了整体系统的稳定性和可用性。保障安全合规：通过全链路审计和安全控制，让企业能够在合规的前提下放心使用 AI 技术。降低运维成本：统一的治理框架减少了人工干预和维护成本，使企业能够更加专注于业务创新。 ClawManager 不仅是一个技术工具，更是元实验室在 AI 基础设施治理领域的一次重要尝试，为企业级用户提供了从“使用”到“治理”AI 资产的完整路径。

Kotaemon是一个开源的、基于检索增强生成（RAG）技术的文档智能问答工具，旨在帮助用户与文档进行交互式对话。它提供了一个简洁、可定制的用户界面，支持多种文档格式（如PDF、DOC等）和多模态问答功能，能够处理包含图表和表格的复杂文档。 Kotaemon官网入口网址：https://cinnamon.github.io/kotaemon/Kotaemon开源项目地址：https://github.com/Cinnamon/kotaemon Kotaemon支持本地LLM和主流API提供商（如OpenAI、Azure、Ollama等），并提供混合RAG管道，结合全文本和向量检索，以确保最佳检索质量。用户可以通过Docker或源码部署，支持多用户登录、文件分类、引用追踪、复杂推理等功能，适用于企业内部知识管理、科研、教育等多个领域。 Kotaemon的核心功能包括：提供简洁易用的问答界面、支持多用户协作、多模态文档处理、复杂推理、引用功能和可定制化设置。它不仅支持本地部署，还提供一键安装脚本和Docker部署选项，适合不同规模的用户和企业使用。Kotaemon的开源特性使其成为构建自定义RAG应用的理想起点，尤其适合需要高效文档问答和知识管理的场景。 Kotaemon的官网提供了详细的项目介绍、安装指南和使用文档，用户可以通过办公人导航分享的Kotaemon官网或GitHub仓库获取更多信息和参与社区贡献。Kotaemon的持续发展和活跃的社区支持，使其成为文档智能问答领域的有力工具。

DeepTutor 是由香港大学数据智能实验室（HKU Data Intelligence Lab）开发的一款开源、AI 驱动的个性化学习助手，旨在通过多智能体系统与先进检索增强生成（RAG）技术，为用户提供深度、交互式、个性化的学习体验。 DeepTutor官网入口网址：https://hkuds.github.io/DeepTutor/DeepTutor开源项目地址：https://github.com/HKUDS/DeepTutor 其核心功能涵盖四大模块：大规模文档知识问答、交互式学习可视化、知识强化练习生成以及深度研究与创意生成。 用户可上传教材、论文或技术手册构建专属知识库，系统基于双循环推理架构（分析环 + 解答环）进行多步推理，并结合 RAG、网络搜索与代码执行工具，提供带精确引用的答案。 同时，DeepTutor 能将复杂概念转化为可视化 HTML 页面，支持上下文感知的智能问答，并根据学习进度自动生成定制化习题——甚至可模仿真实考卷风格出题。 在科研方面，其“深度研究”模块采用动态主题队列与三阶段流程（规划→研究→报告），自动开展跨源文献综述并输出结构化报告；“创意生成”模块则能从笔记中提炼知识点，激发创新研究思路。 系统采用前后端分离架构（FastAPI + Next.js），支持 CLI 与 Web 界面，所有学习记录与成果均持久化存储于本地，保障隐私与可控性。项目遵循 AGPL-3.0 开源协议，适合教育、科研及自主学习场景。

DroidRun 是一个开源框架，旨在通过大型语言模型（LLM）代理控制 Android 设备，实现自动化操作。它支持自然语言指令，允许用户通过简单的命令控制设备，执行复杂任务，如启动应用、交互界面元素等。DroidRun 结合了视觉解析和 UI 结构提取技术，以实现精准的交互操作。 DroidRun官网入口网址：https://droidrun.ai/DroidRun开源项目地址：https://github.com/droidrun/droidrun DroidRun 的核心功能包括支持多种 LLM 提供商（如 OpenAI、Anthropic、Gemini、Ollama、DeepSeek），提供易用的命令行界面（CLI）和 Python API，支持自定义自动化脚本。它还支持截图分析、执行追踪和远程设备控制，适用于 UI 测试、自动化任务执行等场景。 DroidRun 的开发和社区活跃，项目采用 MIT 许可证，开源社区活跃，支持贡献代码和提交 Pull Request。目前，DroidRun 处于等待列表阶段，提供针对个人开发者、小团队和企业的不同解决方案。 DroidRun 的目标是通过 AI 技术实现移动设备操作的自动化，提升效率和用户体验，是 AI 在移动设备自动化领域的重要进展。