关注我，记得标星⭐️不迷路哦～
✨ 1: Paper2Code
Paper2Code是一个多智能体系统，利用LLM将机器学习论文自动转换为可运行的代码仓库，效果优于基线模型。
Paper2Code 是一种基于多智能体大型语言模型（LLM）的系统，可以将机器学习领域的科学论文转化为可运行的代码仓库。它的工作流程分为三个阶段：
- 规划（Planning）：
确定代码实现的总体架构和关键模块。 - 分析（Analysis）：
深入分析论文内容，提取关键算法和实现细节。 - 代码生成（Code Generation）：
基于分析结果，生成实际的代码。
地址：https://github.com/going-doer/Paper2Code
✨ 2: Kimi-Audio
Kimi-Audio是开源音频基础模型，擅长音频理解、生成和对话，性能卓越并提供评估工具。
Kimi-Audio是一个开源的音频基础模型，由Moonshot AI开发。它擅长音频理解、生成和对话，旨在成为一个通用的音频处理平台，能够处理各种音频任务，例如语音识别(ASR)、音频问答(AQA)、音频字幕生成(AAC)、语音情感识别(SER)、声音事件/场景分类(SEC/ASC)以及端到端的语音对话。
地址：https://github.com/MoonshotAI/Kimi-Audio
✨ 3: LangGraph WhatsApp Agent
LangGraph WhatsApp Agent利用LangGraph和Twilio构建AI助手，实现WhatsApp消息和图像处理及平台托管。
LangGraph WhatsApp Agent 是一个基于 LangGraph 和 Twilio 的模板，用于构建可以与 WhatsApp 用户互动的 AI 代理。它利用 LangGraph 的强大功能，允许开发者创建复杂、可扩展的基于图的多代理架构，并通过 WhatsApp 提供智能服务。它还支持图像处理、持续对话状态、安全验证和全面的 LangSmith 可观察性，旨在简化 AI 代理的部署和管理。
地址：https://github.com/lgesuellip/langgraph-whatsapp-agent
✨ 4: trackers
Trackers是一个统一库，提供多种目标追踪算法，可与不同对象检测器轻松集成，实现多目标追踪。
trackers 是一个统一的 Python 库，它提供了一系列先进的多目标跟踪（Multi-Object Tracking，MOT）算法的干净实现。其模块化设计使得可以轻松地更换跟踪器，并将其与来自各种库（如 inference、ultralytics 或 transformers）的对象检测器集成。 该库目标是简化多目标跟踪的实现和集成，允许开发者自由组合不同的检测模型和跟踪算法。trackers实现了多种跟踪算法，例如SORT, DeepSORT, ByteTrack, OC-SORT, BoT-SORT等。
地址：https://github.com/roboflow/trackers
✨ 5: DeepWiki
利用 AI 为 GitHub 代码仓库 自动生成可交互的深度文档。
DeepWiki 是由创建了号称“全球首位 AI 软件工程师” Devin 的 Cognition Labs 公司推出的一个创新项目。它的目标是为全世界每一个 GitHub 代码仓库（Repo）提供可以实时交流、即时更新的文档。
你可以将 DeepWiki 想象成一个由 Devin 技术驱动的、专门针对 GitHub 的“深度研究”工具。简单来说，它是一个由 AI 驱动的 GitHub 版本“百科全书”，旨在帮助你快速了解并上手项目。
DeepWiki 的主要亮点和能力包括：
- 完全免费且无需注册
对于开源项目，这项服务完全免费，甚至无需注册即可使用。 - 即时访问
你可以直接访问 deepwiki.com 探索已收录的热门开源项目 Wiki，或者更直接的方式是，把你正在浏览的任何 GitHub 仓库 URL 中的 github.com替换成deepwiki.com，即可无缝跳转到该仓库的 DeepWiki 页面。 - 自动生成文档和架构图
DeepWiki 会分析代码、README、配置文件，并自动生成简单易懂的解释，包括代码结构、关键函数、依赖关系等。它还会生成项目架构图和各种丰富的图表，帮助理解整个代码库。 - 对话式文档（AI 聊天助手）
你可以直接向代码库“提问”，DeepWiki 会尝试理解你的问题并给出文档级的解答。这类似于一个内置的、由 Devin 支持的 AI 聊天助手，你可以高亮选中任何文本提问，AI 会结合上下文给出清晰解答，甚至直接引用相关代码。它还支持中文对话。 - 深度研究 (Deep Research)
对于复杂问题，可以开启此功能，让 AI Agent 进行更深入的分析和回答。 - 按需索引
如果你关心的公开仓库还没被收录，可以请求 DeepWiki 为你索引。 - 私有仓库支持
对于私有仓库，可以通过注册 Devin 账户（devin.ai）来获得服务。 - 轻松分享
生成的 Wiki 页面和问答结果都可以通过链接分享，方便团队成员保持信息同步. - 交互式图表
DeepWiki 能生成像类关系图、依赖图等可以点击、缩放的图表，帮助你一眼看清代码库的“骨架”和各个部分是怎么连起来的。
DeepWiki 旨在解决开发者阅读源码时的痛点，例如文档缺失、代码庞杂难以理清脉络、信息过载以及功能与代码难以对应等问题。它利用 AI 的力量，将代码仓库变成一本活的、可交互的百科全书.
为了实现这一目标，Cognition Labs 在技术和投入方面下了血本：
-
已索引大约 3 万个 GitHub 仓库，并且还在持续增加中。 -
处理了超过 40 亿行 代码。 -
索引过程的计算成本就超过了 30 万美元。 -
总计处理了超过 1000 亿个 Token。 -
据称，平均索引一个仓库的成本约为 12 美元，但目前对所有开源项目完全免费开放。
此外，针对 DeepWiki 在交互上的一些问题，例如引用代码来源需要一个一个点开，有开发者开发了 Chrome 插件，可以直接在原 GitHub 仓库界面打开 DeepWiki，实现左右对比，在一个界面解决查看代码和文档的问题. 这个插件的使用方法包括开启 Chrome 开发者模式并加载本地插件. 该插件还可以与 Cursor 等工具结合使用，通过 DeepWiki 生成项目结构文档，再利用 Cursor 自动化生成 MDC 文档，或者让 DeepWiki 生成陌生库的正确示范作为 Cursor 的模型上下文，避免模型幻觉. 甚至可以通过 @ 方法引用已生成的 DeepWiki 线上文档.
目前 DeepWiki 网站上已经有 3 万个仓库的 Wiki 可供探索. 尽管作为一个新工具可能还有需要完善的地方（如 AI 生成内容的准确度、对冷门技术的理解深度等），但它提供了自动化生成和维护“理解”层的方式，具有很大的潜力改变我们理解、学习和参与代码项目的方式.
地址：https://deepwiki.com/
（文：每日AI新工具）