最好用的AI工具
AI工具
1,760 個結果
Poppy – Sierra 聯合 Meta 等推出的開放協議草案
Poppy是什麼 Poppy（Personal Agent Protocol）是 Sierra 與 Meta 聯合多家公司推出的開放協議草案，能解決個人 AI Agent訪問企業服務的身份與授權問題。協議讓企業通過 /.well-known/poppy.json 聲明 Agent 接入方式，Agent 可識別身份代表用戶經 OAuth 授權執行任務，權限分五檔可調，且一次登錄可跨網站、API 和企業自身Agent複用會話。目前已有 Stripe、Shopify、Walmart、Visa、OpenAI 等 35+ 企業參與。 Poppy的主要功能 身份識別：企業可明確識別訪問者是”某用戶的 AI Agent”。 標準發現機制：企業通過在網站發佈 /.well-known/poppy.json 文件，聲明Agent接入方式、登錄入口和可用能力。 分級授權：權限從完全禁止到完全接管共分五級，企業決定開放檔位，用戶決定授權範圍。 OAuth 安全登錄：用戶在企業的頁面親自登錄，代理僅獲得用戶批准的、最小範圍的會話令牌。 單會話跨渠道：同一個令牌可在企業網站、API 和企業自有代理之間複用，交互過程連續不中斷。 多通道執行：支持Agent直接操作網頁、調用 OpenAPI/MCP 接口，或與企業自建的 AI Agent協作完成任務。 全程可審計可撤銷：企業能看到Agent的完整操作路徑，用戶可隨時收回授權。 基於現有標準：構建於 OAuth、JWT、HTTPS、OpenAPI、MCP 之上，企業可用現有工具快速實現，且支持行業自定義擴展。 如何使用Poppy 終端用戶： 向 AI Agent下達任務，無需安裝任何東西； 任務需要賬戶時，在企業頁面親自登錄； 勾選批准Agent的權限範圍； 隨時在賬戶設置裏查看已連接代理並一鍵斷開。 個人代理開發者： 發佈客戶端元數據文檔（client_id、公鑰、回調地址）作爲Agent的身份憑證； 讀取企業的 poppy.json 發現文件，瞭解其登錄方式和可用接口； 向企業 token 端點發送簽名斷言 + DPoP 證明，啓動匿名會話獲得 Session Token； 需要賬戶時按企業支持的方式發起 direct/device/mediated 三種登錄之一； 用戶批准後獲得長期 Account Token，加密保存，之後可靜默換取已登錄會話； 用 Session Token 調用企業 API（DPoP）、瀏覽網頁（瀏覽器斷言換 Cookie）或與企業代理對話； 處理 429 限流、冪等重試、sign_in_required 等錯誤並按規範續期或重新登錄。 企業接入： 在 /.well-known/poppy.json 發佈發現文件，聲明登錄方式、權限範圍和提供的接口； 按 RFC 8414 配置 OAuth 服務器並聲明 poppy_domains； 對每個請求校驗代理簽名、DPoP 證明和 scope 權限； 在網頁、API、企業代理和人工客服所有渠道執行同一套權限檢查； 提供合規的授權頁（展示代理身份和權限說明）和賬戶設置裏的斷開入口。 Poppy的核心優勢 終結”全有或全無”困境：在”Agent冒充用戶”和”企業封禁代理”兩個極端之間，提供身份識別 + 分級授權的中間方案。 企業可識別、可管控代理：每個請求都綁定已驗證的 client_id、用戶 ID 和 scope，企業終於知道”誰在替誰辦事、能做什麼”。 用戶不交密碼、權限最小化：用戶在企業自家頁面登錄授權，代理只拿到限定範圍的令牌，且隨時可撤銷。 一次實現，處處通用：協議目標是覆蓋企業與個人Agent間的一切交互，雙方各實現一次可對接所有支持方。 徹底複用現有標準：基於 OAuth 2.0、JWT、DPoP、OpenAPI、MCP 構建，企業現有授權服務器基本可直接改造接入。 Poppy的項目地址 項目官網：https://personalagentprotocol.org/ Poppy的六大原則 基於現有標準：OAuth、JWT、HTTPS、OpenAPI、MCP 能用則用，只在無標準覆蓋處才定義新東西； 控件而非策略：協議只提供選項，企業決定匿名/登錄要求、放行哪些代理、開放哪些渠道，用戶決定代理能看還是能改； 安全與隱私：代理始終表明身份，但用戶登錄前企業只能看到一個不含個人信息的穩定 ID——同一用戶在不同企業的 ID 互不相同，可識別回頭客但不跨站追蹤；授權可撤銷； 漸進式採用：企業可只從網頁、API 或自建代理之一開始，逐步擴展，無需重構現有系統； 可擴展：發現、身份、API、對話是四大構建塊
EveryInfra – AI 應用基礎設施平台，一站式底層能力支持
EveryInfra是什麼 EveryInfra（萬有引擎）是面向 AI 應用的基礎設施平台，提供平台數據採集、AI 聯網搜索和驗證碼識別三大能力。EveryData 產品線覆蓋約 90 個平台、409 項數據接口，可獲取內容、評論和商品數據並返回結構化 JSON，EverySearch 提供 17 種聯網搜索工具，EverySolve 按成功次數識別驗證碼。EveryInfra支持 API 和 MCP 兩種接入方式，可作爲 SerpApi、Tavily 等訂閱制服務的低成本替代方案，幫助開發者和 AI Agent 快速獲得數據與自動化能力。 EveryInfra的主要功能 平台數據採集（EveryData）：一把 Key 調用約 90 個平台、409 項數據接口，獲取內容、評論、商品等數據並返回結構化 JSON。 AI 聯網搜索（EverySearch）：提供 17 種搜索工具，支持網頁閱讀、整站爬取和交叉驗證，可爲 Agent 提供聯網檢索能力。 驗證碼識別（EverySolve）：自動識別各類網站驗證碼，僅在成功獲取有效憑證時計費，失敗不扣費。 多種接入方式：支持 REST API、遠程 MCP、SDK 和控制檯，可直接接入 Claude、ChatGPT、Cursor 等 AI 工具。 如何使用EveryInfra 註冊賬號：訪問EveryInfra官網 https://everyinfra.com/ 免費註冊。 領取試用額度：添加官方微信領取額度碼，在控制檯兌換試用金。 創建 API Key：進入控制檯 /app#keys 頁面創建密鑰，並保存到環境變量 EVERYINFRA_API_KEY 中。 查詢能力目錄：無需 Key 可調用目錄接口，查詢各平台支持的數據能力、參數和單價。 發起首次調用：先用小 limit 試跑一個目標，確認返回結構符合預期後再擴大規模。 處理翻頁與異步：通過 next_page_token 翻頁，大批量任務使用 mode: "async" 異步提交併輪詢任務狀態。 覈對賬單：響應中的計費回執爲準，失敗或空結果最終會退回預留金額。 EveryInfra的核心優勢 失敗零成本：空結果和失敗請求最終不扣費，預留金額自動退回餘額，試錯風險低。 一體化能力：數據採集、聯網搜索、驗證碼識別三大能力合一，一把 Key 通用約 90 個平台、409 項接口。 原生適配 AI Agent：提供遠程 MCP 和現成的集成 Prompt，可直接接入 Claude、ChatGPT、Cursor 等 AI 工具，無需複雜配置。 計費顆粒度細：翻頁不重複扣整次費用，大批量任務支持異步模式，成本精確可控。 EveryInfra的同類競品對比 對比維度 EveryInfra Tavily 產品定位 AI 基礎設施平台，集搜索、數據採集、驗證碼識別於一體 專爲 AI Agent 和大模型設計的搜索 API 搜索工具 17 個工具，含網頁閱讀、整站爬取、交叉驗證 以基礎搜索和內容抽取爲主 數據覆蓋 約 90 個平台、409 項數據接口，含社交、電商、住宿等 僅網頁搜索，無垂直平台數據 擴展能力 另有 EveryData 數據採集、EverySolve 驗證碼識別 無 失敗計費 失敗、空結果最終不扣費，預留金額退回 按調用次數計費，失敗一般消耗額度 接入方式 REST API + 遠程 MCP + 現成 AI 集成 Prompt REST API + Python SDK + MCP 試用門檻 免信用卡，微信領碼約可試 720 次調用 註冊送少量免費額度 適用場景 AI 應用需要”搜索 + 多平台數據 + 反爬”一體化方案 大模型僅需輕量聯網搜索功能 EveryInfra的應用場景 AI Agent 聯網增強：爲 Agent 提供聯網搜索、網頁閱讀和整站爬取能力，讓它能自主查資料、交叉驗證信息並生成帶來源的答案。 競品與市場調研：批量抓取 Amazon、Airbnb、App Store、豆瓣等平台的商品、房源、應用數據，監控價格、評分和評論變化，輔助商業決策。 社交媒體輿情分析：採集 Instagram、TikTok、YouTube、小紅書等平台的內容和評論數據，進行品牌聲量監測、熱點追蹤和用戶情感分析。 AI 訓練數據構建：低成本批量獲取多平台結構化 JSON 數據，用於清洗後訓練垂直領域模型或構建 RAG 知識庫。
PixelUMM – NVIDIA 聯合滑鐵盧大學推出的多模態模型
PixelUMM是什麼 PixelUMM 是 ...
Clef – Cloudflare 開源的決策模型家族
Clef是什麼 Clef 是 Cloudfla...
FluxPic – AI 產品圖生成工具，電商產品圖全鏈路生成平台
FluxPic是什麼 FluxPic 是面...
IQuest-Q1 – 至知創新研究院開源的 Agent 基礎模型
IQuest-Q1是什麼 IQuest-Q1是...
ManualFig – AI 說明書插圖工作台，一鍵生成技術線稿
ManualFig是什麼 ManualFig ...
SciVolume – AI 寫書工作台，引用文獻真實可查
SciVolume是什麼 SciVolume 是專爲寫整本書設計的 AI 工作台，目標用戶是想把研究成果、講義或專業知識整理成書的高校教師、研究者與行業作者。用戶輸入題目、上傳論文或講義，AI 先生成目錄，確認後在後台逐章寫出初稿，只引用真實文獻，每段標註材料來源、每條引用可逐條覈查。SciVolume支持 AI 潤色、配圖與封面生成、術語統一、全書檢查、整本翻譯，最終導出 Word、LaTeX 或 PDF 書稿，適用專著、教材、行業手冊和科普讀物。 SciVolume的主要功能 目錄生成： 輸入題目一分鐘生成章節目錄，可自由改名、調序、增刪。 後台成書： 確認目錄後 AI 逐章自動寫作，完成後郵件通知，無需守在頁面。 真實文獻引用： 寫作時實時檢索學術索引，只引用真實文獻並自動生成參考文獻表。 資料導入： 支持 PDF、Word、Markdown、TXT、BibTeX、RIS 等格式，也可導入舊書稿。 引用格式切換： APA、Chicago、MLA、Harvard、IEEE、Nature、GB/T 7714 等一鍵全書切換。 AI 配圖與封面： 一句話生成配圖（每次三張候選）、公式、三線表和整書封面，編號自動管理。 AI 編輯助手： 選中段落即可潤色、擴寫、精簡，改動對比呈現，確認後才生效。 全書檢查： 統一術語、排查重複與前後矛盾，並逐條覈查引用是否被原文支持。 整本翻譯： 先定術語表再逐段翻譯，保留引用、公式與圖片，生成獨立譯本。 教材配套： 自動生成學習目標、章節小結、習題與答案、課件、教學大綱、前言、術語表和索引。 書稿導出： 輸出含封面、圖片、腳註與參考文獻的 Word 或 LaTeX 書稿包，可打印爲 PDF。 如何使用SciVolume 訪問官網：訪問SciVolume官網 https://scivolume.ai/zh/。 新建書稿： 訂閱後點擊「新建書稿」，寫下書名，上傳參考資料或導入已有的舊稿。 確認目錄： 調整 AI 生成的章節結構，確認無誤後開始後台自動寫作。 審閱修改： 逐章檢查初稿，用 AI 助手潤色擴寫，並生成所需配圖與封面。 全書覈查： 運行全書檢查和引用覈查，集中處理術語不一致和引用問題。 導出交稿： 確認定稿後導出 Word / LaTeX / PDF 書稿包，即可投稿或出版。 SciVolume的核心優勢 不編造文獻：引用只來自學術索引檢索結果或你上傳的資料，並能逐條覈對原文。 來源可追溯：每段標註材料來源比例，AI 補寫的部分一目瞭然，便於重點審讀。 面向「一本書」設計：目錄、正文、圖表、封面、譯本、教材配套都在同一個項目中完成。 全書一致：術語檢查、自動編號、引用格式一鍵切換，保證整本書風格統一。 中文學術友好：原生支持 GB/T 7714 和中文書稿，適合國內高校與科研院所。 數據安全：書稿不會用於訓練模型；中文界面，支持支付寶付款。 SciVolume的同類競品對比 對比項 SciVolume 通用 AI 聊天機器人 完全自己寫 整書結構 目錄驅動，逐章後台生成 一段段對話拼接 全部手工 參考文獻 檢索真實文獻，逐條覈查 可能編造，需自己核 手工檢索整理 來源標註 每段標註材料來源 無 無 術語與格式一致 全書檢查，一鍵切換格式 難以保證 靠人工反覆校對 配圖、公式、封面 一句話生成，自動編號 需另找工具 另找工具或外包 整本翻譯 術語表 + 逐段對照 需分段複製 另請譯者 導出交稿 Word / LaTeX / PDF 書稿包 需自行排版 需自行排版 SciVolume的應用場景 學術專著：把多年研究成果整理爲一本引用規範的專著。 博士論文出版：導入博士論文，重組章節，擴寫爲面向更廣讀者的學術圖書。 大學教材：基於講義編寫教材，並配套習題、課件與教學大綱。 行業手冊與白皮書：爲企業、機構撰寫資料可溯源的技術手冊和研究報告。 科普圖書：把專業知識寫成通俗、有據可查的科普讀物。 翻譯出版：將中文書稿譯爲英文（或反之），逐段對照，保留引用、公式與圖片。
LineSVG – AI 矢量線稿生成器，一鍵生成可改線寬的 SVG
LineSVG是什麼 LineSVG 是 AI...
VSDXAI – AI Visio 圖表生成工具，一句話生成多種圖表
VSDXAI是什麼 VSDXAI是在線AI...
OpenViking – 字節開源的 AI Agent 上下文數據庫
OpenViking是什麼 OpenViking...
Index-Translate – B站開源的多語言翻譯模型家族
Index-Translate是什麼 Index...
PixoLet 評測 – 一鍵生成電商主圖、模特圖、詳情頁
電商人都知道，新品上架，往...
Dots – OpenAI推出的常駐型個人智能體
Dots是什麼 Dots是OpenAI推出...
GPT-6.1 Sol – OpenAI 推出的新一代主力模型
GPT-6.1 Sol是什麼 GPT-6.1 S...
Cue – Manus 推出的個人 Agent 應用
Cue是什麼 Cue 是 Manus 推出...
Claude Sonnet 5.5 – Anthropic 推出的最新 AI 模型
Claude Sonnet 5.5是什麼 Cla...
Kling 4.0 – 快手推出的新一代 AI 視頻生成模型
Kling 4.0是什麼 Kling 4.0 ...
M3.1-Flash-Preview – MiniMax 推出的最新文本編程模型
M3.1-Flash-Preview是什麼 M3.1-Flash-Preview 是 MiniMax 推出的最新文本模型，首發上線 MiniMax Code。M3.1-Flash-Preview 面向日常開發場景，支持原生多模態輸入和百萬級上下文，可從 Bug 修復到完整功能開發形成定位→實現→測試→交付閉環。M3.1-Flash-Preview提供 low 至 max 五檔推理強度控制。目前僅限 MiniMax Code 和 Token Plan 使用。 M3.1-Flash-Preview的主要功能 日常開發交付：從 Bug 修復到完整功能開發均可穩定交付，可靠覆蓋日常編碼需求。 需求深度理解：能深入理解開發需求，細緻處理各種邊界情況。 迴歸測試補齊：自動生成並補齊迴歸測試用例，保障代碼質量。 改動影響驗證：可驗證代碼改動對現有功能的影響，降低迴歸風險。 原生多模態輸入：支持文本、圖像、視頻等多種輸入形式，理解更直觀。 百萬級上下文窗口：可處理超大代碼庫和長文檔，適合大型項目分析。 五檔推理強度控制：提供 low 至 max 五檔 Effort 調節，平衡速度與深度。 開發閉環支持：形成問題定位→代碼實現→測試驗證→成果交付的完整開發流程。 M3.1-Flash-Preview的技術原理 MoE + 稀疏注意力底座：繼承 M3 的 428B 總參、每 token 僅激活約 23B 的稀疏混合專家架構，核心是自研 MSA，通過 KV 分塊和動態選擇相關塊替代全量注意力，將百萬級上下文的計算量壓縮至前代的約 1/20，實現長文本下的高速推理。 全稀疏化改造：M3 前三層的全注意力錨點層被替換爲 MSA 稀疏層，每個 token 只關注上下文的選定子集，消除模型中最後的全注意力計算瓶頸，進一步降低長序列處理成本。 激進量化壓縮：採用 Q8KV4 混合精度 KV Cache和 W4A4 NVFP4 專家量化，KV 緩存內存約爲 M3 的一半，顯著降低顯存佔用。 投機解碼加速：用 DSpark 投機解碼頭取代 M3 的 EAGLE 多頭預測頭，由高效小模型先”猜測”token、大模型並行驗證，大幅提升生成吞吐。 如何使用M3.1-Flash-Preview 下載安裝 MiniMax Code：訪問 MiniMax Code 官網下載對應系統版本並完成安裝。 註冊/登錄賬號：打開客戶端，用 MiniMax 賬號登錄。 選擇模型開始對話：在模型選擇器中切換至 M3.1-Flash-Preview，按需調整推理強度（low 至 max 五檔）。 輸入開發任務：用自然語言描述需求，M3.1-Flash-Preview 會完成定位、實現、測試驗證並交付代碼。 M3.1-Flash-Preview的核心優勢 開發全流程閉環：從問題定位、代碼實現到測試驗證、成果交付一站式完成，覆蓋日常開發全場景。 邊界情況處理細緻：能深入理解需求並妥善處理各種邊界條件，交付質量穩定可靠。 極速響應：約 280ms 首字延遲、126 tokens/秒 生成速度，輕量任務體驗接近瞬時。 超長上下文：支持百萬級上下文窗口，可一次性處理大型代碼庫和長文檔。 原生多模態：支持文本、圖像、視頻輸入，需求理解更直觀準確。 推理強度可調：low 至 max 五檔 Effort 控制，可按任務複雜度平衡速度與深度。 成本極低：MoE + MSA 稀疏架構配合激進量化，token 消耗和算力成本大幅低於同檔模型。 M3.1-Flash-Preview的同類競品對比 維度 M3.1-Flash-Preview（MiniMax） Kimi K2.7 Code（月之暗面） 架構 MoE（繼承 M3 底座，官方未公佈規格） 1T 總參 / 32B 激活 MoE，MLA 注意力 上下文窗口 100 萬 token 256K token 推理強度 low / medium / high / xhigh / max 五檔 鎖定思維模式，不可關閉 首字延遲 約 280ms（Low 檔 210ms） 未公開，以長思考爲主 輸出速度 約 126 tokens/秒 有高速版（kimi-for-coding-highspeed），輸出提升 5-6 倍 多模態 文本 / 圖像 / 視頻輸入 文本 / 圖像 / 視頻輸入（MoonViT） M3.1-Flash-Preview的應用場景 日常 Bug 修復：針對報錯日誌和代碼片段快速定位問題根因，Medium 檔可在 320ms 首字延遲內完成邊界條件檢查並給出修復方案，適合高頻迭代的敏捷開發。 完整功能開發：從需求描述到可運行代碼的全流程交
Hy Image3.5 preview – 騰訊混元推出的專業級生圖模型
Hy Image3.5 preview是什麼 H...