ebook2audiobook：开源电子书转有声书工具，支持 1110 + 语言与多模型语音克隆
ebook2audiobook是一款开源的电子书转有声书工具，核心功能是将非DRM合法电子书转换为带章节结构与元数据的有声书。工具支持1110+种语言，集成XTTSv2、Bark、Vits等主流TTS...
RAG三大组件详解：检索器、重排序器与生成器
在AI技术深度渗透的今天，检索增强生成（RAG）已成为突破大模型知识局限的核心技术。通过将外部知识库与生成模型深度融合，RAG有效解决了传统大模型在时效性、准确性和专业...
OmniVinci：NVIDIA开源的全模态理解大语言模型，高效融合视觉、音频与文本信息
OmniVinci是由NVIDIA等机构开发的开源全模态理解大语言模型（Omni-Modal Understanding LLM），旨在通过创新架构与高效数据构建，实现对视觉（图像、视频）、音频、文本信息...
OpenMemory：开源自托管AI记忆引擎，基于分层架构实现LLM持久化语义记忆
OpenMemory是一款开源、自托管、框架无关的AI记忆引擎，旨在为大型语言模型（LLM）应用提供持久化、结构化和语义化的记忆能力。它通过独特的分层记忆分解（HMD v2）架构，解...
LongCat-Video：美团开源的13.6B参数多任务视频生成模型，高效输出分钟级720p长视频
LongCat-Video是美团LongCat团队开源的基础视频生成模型，基于13.6B参数构建，采用统一架构原生支持文本转视频、图像转视频、视频续接三大任务，核心优势在于高效生成分钟级...
Archon：开源 AI 编程助手指挥中心，强化知识协作与多工具集成
Archon 是一款开源的 AI 编程助手指挥中心，同时作为 Model Context Protocol（MCP）服务器，旨在通过知识管理、任务协同和多工具集成，增强 AI 编程助手（如 Claude Code、...
基于 LangChain 搭建 ReAct Agent：从原理到火车票购票任务实操指南
本文详解大语言模型（LLM）的四大局限性及 ReAct Agent 的核心原理，基于 LangChain 框架手把手教你搭建火车票 AI Agent，涵盖环境准备、工具定义、Prompt 设计、Agent 开发...
Skyvern：开源浏览器工作流自动化工具，基于LLM与计算机视觉实现灵活可靠的网页交互
Skyvern是一款基于大语言模型（LLMs）和计算机视觉的开源浏览器工作流自动化工具，旨在解决传统自动化方案（如依赖XPath或DOM解析）的脆弱性问题。它通过视觉理解和逻辑推理...
DeepSeek-OCR：深度求索推出的开源 LLM 视角 OCR 工具，高效提取图像与文档文本
DeepSeek-OCR 是由 deepseek-ai 团队开源的高性能 OCR 模型，核心聚焦于从 LLM 视角探索视觉 - 文本压缩技术，支持图像、PDF 等多模态输入的文本提取。该模型提供 Native和...
Qwen3-VL：Qwen 系列推出的强大多模态 AI 模型，打通视觉与语言的智能融合
Qwen3-VL 是 Qwen 系列开源的强大多模态视觉 - 语言模型，支持图像 / 视频理解、文本交互、视觉代理等全场景任务，具备长上下文处理、空间感知、跨语言 OCR 等核心能力，提...