# AI工具

Midscene.js 让 AI 成为你的浏览器操作员，你可以通过自然语言描述来操作网页、验证内容和提取数据，Midscene.js能简化自动化过程。 自然语言交互 你只需描述你的目标和步骤，Midscene.js 就会为你规划和操作用户界面，你不需要编写代码就能实现工作自动化。 Chrome扩展 你可以通过Chrome扩展立即体验Midscene.js，不需要编写代码。 Puppeteer/Playwright集成 Midscene.js 支持与Puppeteer和Playwright集成，你可以结合

除了网页版，在 ChatWise、Cherry Studio 等客户端，或者通过编写代码都能使用 Grok 3 API 了。xAI 开发者平台还推出一项很实惠的活动，绑定信用卡并充值 5 美元后，账号之后每月就能获得 150 美元信用额度，可以尽情使用。 个人体验下来，Grok 3 确实厉害，在开启深度思考功能后，它的输出速度依然很快，在翻译、对速度有要求的工作中非常实用。 各种模型性能测试和评测数据显示，xAI 实力和 Meta LLAMA 相比优势明显。Grok 3 虽不用宣称要超越谁，但确实有能力

借助AI工具问答问题能够帮助我们提升效率、弥补知识短板。 我们对AI工具“深度联网搜索”模式的依赖日益加深，有时会忘了搜索引擎的存在。 在利用这些功能时，AI通常借助一个思考机制，对用户的问题进行改写或转换，然后分别使用搜索引擎进行检索，最后把收集到的文档汇总并输出结果。一些互联网搜索（如Google Search）的常用技巧，在和AI工具交互时也可以使用。 在通过prompt问答时结合这些技巧，能让AI给出的答案更符合我们的需求。 一、指定网站的检索：site语法 site语法可以帮助我们在检索时，让

EasyControl_Ghibli是一款生成吉卜力风格图像的AI模型，已登上Hugging Face平台，用户能在网页直接使用，非会员也能使用，没有隐藏条件，不用下载，无需编程知识，真正做到轻松创作。 EasyControl_Ghibli特点 免费：能够免费生成吉卜力风格的图像。 操作简便：打破传统AI图像生成的限制，不需要你有丰富的背景知识，使用复杂的提示词，普通用户非常容易就能进行艺术创作，打开网页就能用。 吉卜力风格：虽为替代方案，但生成的吉卜力风格图像不比GPT - 4o差，能抓住吉卜力作品标

Local-NotebookLM是一款本地AI工具，能够将PDF文档转换为播客，它利用本地大型语言模型（LLM）和文本转语音（TTS）技术，无需依赖云服务，直接在本地运行。 PDF处理 从PDF中提取文本，进行清洗与格式化，确保内容准确无误。 播客生成 支持生成多种风格的播客，包括休闲、正式、技术和学术类型，用户可根据需求选择不同长度（短、中、长、很长）和格式（播客、文章、总结、采访）。 LLM支持 兼容多种LLM提供商，如OpenAI、Groq、LMStudio、Ollama、Azure等，用户可选择

OpenChat 是一个现代化的 AI 聊天应用，它使用 React 和多后端架构（Cloudflare Workers/Node.js/Golang）构建，提供 Web、移动 App 和桌面端全平台客户端。 全栈 TypeScript：前后端类型安全，提高开发效率。 极速部署：基于 Cloudflare Workers，实现一键全球部署。 全平台无缝同步：网页、手机、电脑三端数据实时同步，随时随地无缝切换，继续您的对话。 完整包装：开箱即用的完整功能，无需额外配置。 高度可扩展：易于添加新模型和功能的

AI写作助手是一个基于Next.js构建的工具，通过AI技术提升写作效率和质量。 AI写作助手允许用户通过详细的提示词风格编辑器定制写作风格，支持多种大型语言模型（LLM）API，如OpenAI、Anthropic Claude、Google Gemini、Groq、Ollama和Grok。 AI写作助手提供实时内容编辑、Markdown导出、详细调试信息和主题切换等功能。通过API设置选择模型和配置密钥后，用户可以设定文章主题、关键词和字数，定制风格，然后生成内容、编辑和导出。 丰富的写作风格定制：详

日常使用AI工具时，往往需要打开多个网页，操作繁琐。Cherry Studio 是一款功能强大的客户端工具，支持 Windows、Mac 和 Linux 系统，集成了多种大模型和实用功能，简化了AI工具的使用流程。 支持多种大模型与功能 Cherry Studio 支持 OpenAI、DeepSeek、Kimi 等国内外十几种大模型平台。例如，当 DeepSeek 网页服务器繁忙时，可通过第三方 API 轻松解决问题。Cherry Studio还支持文生图、翻译功能，以及本地知识库的搭建。 配置大模型

CogVideoX是由清影团队开发的视频生成开源项目，包含CogVideoX-2B、CogVideoX-5B及CogVideoX-5B-I2V三个版本。支持文本生成视频、视频延续和图像生成视频三种功能。基础模型基于Transformer架构，采用3D位置编码技术处理时序数据。 核心版本参数 CogVideoX-2B：基础版，FP16训练，支持FP8量化，单卡最低需18GB显存 CogVideoX-5B：增强版，BF16训练，视频质量提升，单卡最低需26GB显存 I2V版本：支持图像输入生成视频，需配合特

Mahilo是腾讯开源的创新型多智能体协作框架，支持创建具备人机协同能力的智能体团队。Mahilo框架允许不同来源的智能体（包括其他框架创建的智能体）在统一平台中实现信息共享与协作，并始终保持人类监督者的控制权。 创建或注册多种智能体 可以基于框架自带的BaseAgent创建新的智能体，也可以集成其他框架（如LangGraph）中的智能体。 构建智能体团队 将这些智能体组合成一个团队，让他们可以相互交流、共享信息。 实现人机协作 (Human-in-the-Loop) 通过客户端连接到每个智能体，进行实

聚焦真实商业场景的Agent Leaderboard通过系统性评估，揭示大语言模型在复杂工具调用场景中的实战能力，最新排名可通过 https://huggingface.co/spaces/galileo-ai/agent-leaderboard 实时查看。 评估体系四重奏 1、模型筛选 覆盖12个闭源模型+5个开源模型，构建多元化评估矩阵 2、标准化配置 统一系统提示词 工具调用权限标准化 零温度设置确保评估一致性 3、数据精选策略 从四大标杆数据集中战略采样： BFCL（教育/学术场景） τ-ben

EMO是由阿里巴巴通义实验室开发的音频驱动高表现力人像AI视频生成技术，最新升级版EMO2通过一张人物肖像图片和任意长度的音频，能够驱动人物进行说话、唱歌或手势舞，生成的表情和动作具有高度的感染力和专业水准。 在AI技术领域，通过音频驱动人物面部表情已实现，但在虚拟主播和数字人交互等新兴领域，如何通过音频自动生成自然流畅的动作和表情仍是技术焦点，以往的方法在手部动作生成上存在肢体错乱或动作幅度不足的问题，主要因为人类身体作为多关节复杂系统，难以实现复杂动作的驱动。 EMO2受机器人控制系统启发，将手视为