Diffutoon

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。

MCP Feedback Enhanced 是一个基于 Model Context Protocol (MCP) 的反馈驱动开发工具，旨在通过用户交互式反馈优化 AI 模型的开发流程。它支持多种界面（Web UI 和桌面应用），适用于本地、远程和 WSL 环境。 MCP Feedback Enhanced开源项目官网入口网址：https://github.com/Minidoracat/mcp-feedback-enhancedMCP Feedback Enhanced中文介绍：链接主要功能与特点 1. 双界面支持 Web UI：轻量级浏览器界面，适合远程和 WSL 环境。桌面应用：基于 Tauri 框架，支持 Windows、macOS 和 Linux，提供原生体验。 2. 核心功能 AI 交互：支持提示选择、文本输入、图像上传、自动提交。实时反馈：WebSocket 连接，实时传递信息。会话管理：会话记录、统计、导出（JSON、CSV、Markdown）。自动化：定时提交、命令执行、会话管理。多语言支持：支持中文（简体、繁体）、英文。 3. 技术架构 跨平台：支持 Windows、macOS、Linux。部署灵活：支持 SSH 远程、WSL 环境。配置灵活：环境变量配置（如 MCP_WEB_HOST、MCP_LANGUAGE）。 4. 开发与测试 测试工具：提供单元测试、功能测试、覆盖率报告。构建与部署：支持桌面应用打包（v2.5.0 新增）。缓存管理：UV 缓存清理工具。使用场景与问题解决 常见问题与解决方案 SSH 远程环境问题：通过 MCP_WEB_HOST 设置或 SSH 端口转发解决。WebSocket 问题：刷新页面或检查连接状态。图像解析问题：AI 模型限制，建议重试或调整图像格式。 MCP Feedback Enhanced 是一个功能强大、灵活且用户友好的工具，适合开发者在 AI 开发中进行交互式反馈和优化。其跨平台支持、多语言能力以及丰富的功能使其成为 AI 开发流程中的重要工具。

Letta是一个开源框架，专注于构建具有高级推理能力和透明长期记忆的有状态大型语言模型（LLM）应用。它由加州大学伯克利分校的Sky Computing Lab孵化，由博士生Sarah Wooders和Charles Packer创立。Letta的前身是MemGPT，该项目在发布前便因热度而被广泛关注。Letta旨在解决大语言模型（LLM）在多轮对话和文档分析中的上下文窗口限制问题，通过虚拟上下文管理，使模型能够记住并学习，即使在上下文窗口填满后也不遗忘。 Letta开源项目官网入口网址：https://github.com/letta-ai/letta 核心亮点： 状态化记忆：支持分层记忆块，Agent 可以修改、删除、检索自己的记忆多 Agent 协作：不同 Agent 能共享记忆块，形成复杂的协作网络背景代理：提供 sleep-time agent，在后台自动维护和更新记忆文件系统接入：可直接访问外部文件夹，处理 PDF、TXT、JSON 等资料模型兼容性强：支持 OpenAI、Anthropic、Ollama 以及本地模型，随时切换 部署灵活：既有 Cloud 服务，也能本地自托管，还提供桌面版 UI Letta是一个开源框架，支持多种部署环境，包括Docker和pip安装，推荐使用Docker进行生产环境部署。它提供CLI工具、API服务器、ADE（代理开发环境）等，支持用户创建、部署和管理代理。Letta支持多种模型提供商，如OpenAI、Anthropic等，并且支持多种数据库后端，如PostgreSQL。 Letta强调开源和透明性，鼓励社区参与和贡献，提供多种贡献途径，包括提问、报告问题、探索路线图及参加社区活动。Letta还获得了1000万美元的种子投资，估值达7000万美元，投资方包括Felicis、Jeff Dean、Hugging Face等知名投资人。 Letta的愿景是推动AI记忆管理的发展，使代理记忆和推理透明化，构建开放平台，使开发者能够透明、可控地开发状态化AI应用。

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。

Perplexica 是一个开源的 AI 驱动搜索工具，旨在深入互联网以寻找答案。它由 Perplexity AI 启发，是一个开源的替代方案，不仅能够搜索网络，还能理解用户的问题。它使用先进的机器学习算法，如相似性搜索和嵌入技术，以优化结果并提供带有来源引用的清晰答案。Perplexica 旨在提供最新的信息，同时保护用户隐私。 Perplexica官网入口网址：https://github.com/ItzCrazyKns/Perplexica Perplexica 支持多种功能，包括本地大语言模型（LLM）的使用，如 Qwen、DeepSeek、Llama 和 Mistral。它还提供了两种主要模式：Copilot 模式（正在开发中）和普通模式。此外，Perplexica 还提供了多种专注模式，如“所有模式”、“写作助手模式”、“学术搜索模式”、“YouTube 搜索模式”、“Wolfram Alpha 搜索模式”和“Reddit 搜索模式”。 Perplexica 使用 SearxNG 保持信息的实时性，确保用户获取最新的信息，而无需每天更新数据。它还提供了 API 接口，允许开发者将其集成到自己的应用程序中。用户可以通过 Docker 或非 Docker 方式进行安装，推荐使用 Docker 以简化设置过程。 Perplexica 是一个开源项目，鼓励社区贡献和反馈。用户可以通过 GitHub、Discord 或其他渠道获取支持和帮助。Perplexica 致力于让 AI 和大语言模型易于使用，并不断改进其功能和用户体验。 Perplexica 是一个功能强大且用户友好的 AI 搜索工具，旨在提升用户的搜索体验。

Gemini CLI 是一个开源的 AI 代理，旨在将 Gemini 模型的强大功能直接集成到终端中，为开发者提供高效、便捷的 AI 助手 。它支持代码生成、问题解决、深度研究和任务管理等多种功能，并且与 Google 的 AI 编程助手 Gemini Code Assist 共享底层技术 。 Gemini CLI官网入口网址：https://google-gemini.github.io/gemini-cli/Gemini CLI开源项目地址：https://github.com/google-gemini/gemini-cli Gemini CLI 的核心功能包括： 代码生成与编辑：支持在终端中直接提问、编写代码、解释错误和优化代码，还可处理非代码问题和图片分析 。多模态能力：支持多模态生成应用，如从 PDF 或草图快速生成应用程序原型 。自动化任务：支持自动化工作流、文件操作、代码编辑、网络请求等功能 。扩展性：支持 MCP 协议、自定义提示词、插件扩展，以及与 VS Code 的集成 。安全性与配置：提供沙箱执行环境、上下文文件管理、多环境适配等安全与配置功能 。 安装与使用方面，Gemini CLI 需要 Node.js 18 或更高版本，通过 npm 或 npx 安装，支持全局安装或命令行调用 。用户需登录 Google 账户或设置 API 密钥以获取 API 访问权限 。免费使用额度为每分钟 60 次、每日 1000 次，超出后可切换至 Gemini 2.5 Pro 模型 。 Gemini CLI 是一个功能强大且灵活的命令行工具，适合开发者在终端中高效地利用 AI 助手完成各种任务。