关注我，记得标星⭐️不迷路哦～
✨ 1: DeepWiki
DeepWiki是一款AI驱动的工具，能为GitHub等代码仓库自动创建精美、交互式Wiki文档，并生成可视化图表。
DeepWiki 是一个可以为 GitHub、GitLab 或 BitBucket 仓库自动创建美观且交互式 Wiki 的工具。用户只需输入仓库名称，DeepWiki 就会自动分析代码结构，生成全面的文档，创建可视化图表解释代码的工作方式，并将所有内容组织成易于导航的 Wiki。
主要特点：
- 快速生成文档：
在几秒钟内将任何 GitHub、GitLab 或 BitBucket 仓库转换为 Wiki。 - 支持私有仓库：
使用个人访问令牌安全地访问私有仓库。 - 智能分析：
AI 驱动的代码结构和关系理解。 - 可视化图表：
自动生成 Mermaid 图表，可视化架构和数据流。 - 易于导航：
简单直观的界面用于浏览 Wiki。 - 提问功能：
使用 RAG (Retrieval Augmented Generation) 技术与你的代码仓库进行对话，获取准确的答案。 - 深度研究：
通过多轮研究过程深入调查复杂主题。
地址：https://github.com/AsyncFuncAI/deepwiki-open
✨ 2: Meeting Prep Agent
Meeting Prep Agent利用Tavily搜索和MCP，实时分析会议信息，助你充分准备会议。
Meeting Prep Agent 是一个利用 Tavily 的高级搜索功能，并结合 Google Calendar（通过 MCP）的会议信息，为用户准备会议的智能代理。它能实时访问网络，搜索会议参与者的个人资料以及相关公司的信息，帮助用户更好地了解会议背景和与会者，从而更有效地参与会议。这个项目旨在易于定制和扩展，方便用户集成内部数据源、修改代理架构或更换 LLM。
核心功能：
- 实时网络搜索:
使用 Tavily API 获取最新信息。 - 智能推理:
结合 MCP 和 ReAct 代理流程，提供上下文相关的智能响应。 - 流式子步骤:
以流的形式展示代理的推理过程和子步骤，提高透明度。 - 引用:
所有网络搜索结果都会被引用，方便验证。 - Google Calendar 集成:
通过 MCP 访问和分析会议数据。 - 异步 FastAPI 后端:
高性能、异步的后端，提供快速响应。 - 现代 React 前端:
交互式的 UI，提供动态的用户交互体验。
地址：https://github.com/tavily-ai/meeting-prep-agent
✨ 3: SuperCoder
SuperCoder是一款终端内运行的编码助手，具备代码搜索、编辑、修复等功能，简化开发流程。
SuperCoder 是一款在你的终端中运行的编码助手，旨在简化开发流程。它具备代码搜索、项目结构浏览、代码编辑、Bug修复等功能。你可以通过自然语言指令与它交互，例如搜索代码、编辑文件、查看项目结构等。SuperCoder 支持多种工具，包括代码搜索、代码编辑、文件读取、项目结构浏览和代码执行等。
地址：https://github.com/huytd/supercoder
✨ 4: MCP SuperAssistant Chrome Extension
MCP SuperAssistant是一个Chrome扩展，将MCP工具集成到ChatGPT等AI平台，增强其功能。
MCP SuperAssistant 是一款 Chrome 扩展程序，旨在将 Anthropic 开发的 Model Context Protocol (MCP) 集成到各种主流的 AI 平台中，如 ChatGPT、Google Gemini、Perplexity、Grok 等。 它的主要功能是在这些 AI 平台内，允许用户执行 MCP 工具，并将工具执行的结果无缝地插入回对话中，从而增强 AI 助手的能力。 这款扩展通过侧边栏UI，自动检测AI响应中的 MCP 工具调用，一键执行工具，并具有自动执行和提交模式，使用户能够更高效地与AI进行交互。 它还支持深色/浅色模式、偏好设置持久化，并提供了灵活的服务器连接选项。
地址：https://github.com/srbhptl39/MCP-SuperAssistant
✨ 5: MiMo
MiMo是小米从头训练的7B模型，旨在通过预训练和后训练策略，释放语言模型的推理潜力。
MiMo (小米推理模型) 是一系列由小米开发的70亿参数的大语言模型，专注于提升语言模型的推理能力。MiMo 的核心理念是，要充分挖掘语言模型的推理潜力，不仅需要在后训练阶段进行优化，更要在预训练阶段就针对推理进行定制。
主要特点：
- 专为推理而生：
MiMo 在预训练阶段就注重提升推理能力，优化了数据处理流程，增加了预训练数据中推理模式的密度，并采用了多种策略来生成大量多样化的合成推理数据。 - 卓越的推理潜力：
实验表明，MiMo 即使是基础模型（MiMo-7B-Base），也展现了非凡的推理潜力，甚至超越了更大的32B模型。 - 强大的后训练：
MiMo 通过强化学习（RL）进行后训练，尤其是在数学和代码推理任务上表现出色。MiMo-7B-RL 在这两个任务上达到了与 OpenAI 的 o1-mini 相媲美的性能。 - 开放和可访问：
小米开源了 MiMo-7B 系列的多个模型，包括基础模型、SFT模型以及通过RL训练的模型。 - MTP (Multiple Token Prediction):
MiMo 模型架构中包含 MTP 层，这是一种预测多个token的技术，可以提高推理效率和模型性能。
地址：https://github.com/XiaomiMiMo/MiMo
（文：每日AI新工具）