AstrBo

MetaClaw 是一款开源智能体框架，旨在探索 ‍“对话即训练”‍（Talk-to-Learn）的新范式，实现人工智能在真实交互环境中的 持续进化（Evolves in the Wild）‍。该项目通过将强化学习（RL）与大语言模型（LLM）结合，使得 AI 能够在与用户的日常对话中自主学习新技能，而无需依赖传统的离线数据集、GPU集群或人工微调。 MetaClaw开源项目官网入口网址：https://github.com/aiming-lab/metaclawMetaClaw中文介绍：链接核心概念：对话即训练 MetaClaw 的最大创新在于其 ‍“边聊边进化”‍ 的能力。它通过监听用户的反馈（如“这句话很有道理”、“这句话很无聊”），将这些交互信号转换为强化学习的奖励信号（Reward）。从而让模型能够根据用户的即时偏好进行微调，实现个性化的学习过程。 强大的后端技术栈 MetaClaw 并非单一模型，而是一个集成了多种技术的系统： 基础模型（Base Model）‍：支持 Kimi-2.5、Qwen3-4B 等多种 LLM 底座。强化学习引擎（Tinker）‍：MetaClaw 将训练任务交给了 Tinker 云平台，用户只需配置 API 密钥，即可在本地进行在线 RL 训练，无需本地算力支持。技能库（Skill Bank）‍：支持技能注入（Skill Injection）和技能进化（Skill Evolution）机制，使 AI 能主动生成并优化新技能。灵活的运行模式 MetaClaw 提供了两种主要模式： 实时对话模式：无需微调模型权重，适合普通用户在与 AI 对话时即时生成训练数据。离线 RL 微调模式：支持对模型进行实时微调，适用于需要更高定制化程度的场景（但可能需要付费 API 支持）。简单易用 使用 MetaClaw 的门槛极低，只需克隆仓库、安装依赖、设置 OpenAI / Kimi / Azure API 密钥，即可通过一条命令启动服务。它的目标是让“养虾”（养成 AI）变得像养宠物一样简单。 适用场景个人助理：创建一个能随时自我进化的个人 AI 助手。教学与研究：探索具身 AI（Embodied AI）和元学习（Meta-Learning）的最新研究方向。 MetaClaw 代表了 AI 从“训练完成后直接使用”向“使用过程中持续学习”的重要转型，是当前最前沿的开源项目之一。

browser-use是一个开源的AI驱动浏览器自动化框架，旨在实现复杂网页任务的自动化，如购物结账、LinkedIn数据同步等。它是一个开源的AI驱动浏览器自动化工具，支持多种AI模型，如DeepSeek和GPT-4o，用户可以通过自然语言指令让AI执行浏览器自动化任务，如浏览网页、点击链接、提取信息、填写表单、订机票等。该工具支持命令行和Web UI两种版本，兼容多种AI模型，并且可以替代OpenAI的ChatGPT Operator功能。 browser-use官网入口网址：https://browser-use.com/browser-use开源项目地址：https://github.com/browser-use/browser-use browser-use是一个开源的Python库，专为大语言模型设计的智能浏览器工具，旨在让AI能像人类一样自然地浏览和操作网页。它支持多标签页管理、视觉识别、内容提取，并能记录和重复执行特定动作。它支持多种大语言模型，如DeepSeek、GPT-4、Claude等，可同时运行多个任务，具备自我修正功能，提高任务执行的准确性和效率。该工具还支持跨平台操作，支持Chrome、Firefox、Safari和Edge等浏览器及Windows、macOS和Linux等操作系统。 browser-use是一个开源的网页自动化库，允许大型语言模型（LLM）与网站进行交互，通过简单的接口实现复杂的网页操作。它支持多种语言模型、智能识别网页元素、多标签管理、XPath数据提取、视觉信息处理及自定义操作。该工具解决了传统网页自动化中的一些痛点，如动态内容处理、长任务解决等。

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。

TradingAgents 是一个基于多智能体大语言模型（LLM）的金融交易框架，灵感来源于真实交易机构的协作模式。它通过模拟交易团队的分工与协作，整合基本面分析、情绪分析、新闻分析和技术分析等多维度数据，为交易决策提供全面支持。 TradingAgents开源项目官网入口网址：https://github.com/TauricResearch/TradingAgentsTradingAgents中文介绍：https://www.zdoc.app/zh/TauricResearch/TradingAgents 核心特点 多角色分工协作：框架内包含多个智能体角色，如基本面分析师、情绪分析师、新闻分析师、技术分析师、研究员（分为多头和空头观点）、交易员和风险管理团队。每个角色负责特定任务，提供专业见解，最终通过多轮辩论和结构化信息共享形成交易决策。高效通信机制：采用结构化报告与自然语言辩论相结合的方式，避免信息丢失，同时提升观点融合和推理深度。灵活的LLM集成：支持多种大语言模型，根据任务复杂度选择合适的LLM（如快速思考模型和深度思考模型），保证效率与准确性。强大的实验验证：在多只股票（如苹果、谷歌、亚马逊）上的测试表明，TradingAgents在累计收益率、夏普比率和最大回撤等关键指标上显著优于传统交易策略。 应用场景 TradingAgents适用于金融量化交易领域，能够帮助投资者优化交易策略、提升决策质量并有效控制风险。其开源设计支持二次开发，用户可根据需求扩展智能体角色、集成更多数据源或优化模型性能。 TradingAgents 由 Tauric Research 开发，旨在推动金融 AI 研究的发展，并鼓励社区贡献和改进。该项目已发布在 GitHub 和相关学术平台，供研究人员和开发者使用。

OpenTiny是一个开源的前端组件库和工具集，由华为云和流程IT孵化，经过多年的发展和打磨，服务于华为内外部的多个项目。OpenTiny 提供了企业级的前端组件库解决方案，支持多种技术栈（如 Vue、Angular）和多端适配（PC、移动端、大屏等），并提供了丰富的组件和工具，以提升开发效率和用户体验。 OpenTiny官网入口网址：https://opentiny.design/OpenTiny开源项目地址：https://github.com/opentiny OpenTiny 的核心产品包括 TinyVue（Vue 组件库）、TinyNG（Angular 组件库）、TinyCLI（命令行工具）等，支持跨端、跨框架、跨版本的开发，以及主题配置、国际化、低代码开发等功能。OpenTiny 还提供了低代码引擎 TinyEngine，支持开发者快速构建和定制化开发。 OpenTiny 社区活跃，鼓励开源贡献，开发者可以通过 GitHub、微信等渠道参与社区交流和贡献代码。OpenTiny 的目标是为开发者提供一个高效、灵活、可扩展的前端开发解决方案，助力企业级应用的开发和创新。

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。