用7个工具驱动的极简AI智能体，极简的 LLM 框架Pocket Flow，机器人控制的中间件MCP

关注我，记得标星⭐️不迷路哦～

✨ 1: Toolkami

Toolkami是用7个工具驱动的极简AI代理，支持免手动Turbo模式和热重载自修改。

Toolkami是一个极简的AI智能体框架，它的核心理念是“七个工具足矣”。它旨在通过仅仅七个核心工具就能实现有效的AI任务。 Toolkami 特点包括：

• 七个核心工具:
  
   包括读(Read)、写(Write Diff)、浏览(Browse)、命令(Command)、提问(Ask)、思考(Think)。
• Turbo模式:
  
   提供完全自主的 “Turbo模式”，通过禁用提问 (ask) 工具，实现完全自主运行。
• 热重载 (Hot-reloading):
  
   支持热重载，方便开发者进行自我修改和调试。
• 快速上手:
  
   提供Devcontainer配置，方便快速搭建开发环境。

地址：https://github.com/aperoc/toolkami

✨ 2: AI Manus

AI Manus是一个通用AI Agent系统，支持在沙盒环境中运行工具和操作，推荐Deepseek和GPT模型。

AI Manus 是一个通用的 AI Agent 系统，它允许 AI Agent 在沙盒环境中运行各种工具和操作。 简单来说，你可以把它理解为一个让 AI 像人一样，可以安全地使用各种工具（比如浏览器、代码编辑器等）来完成任务的平台。

核心特点:

• 通用性:
  
   不局限于特定任务，适用于多种场景。
• 沙盒环境:
  
   提供安全隔离的环境，避免 AI 执行恶意或错误的操作对现实世界造成影响。
• 工具支持:
  
   支持运行各种工具，扩展 AI Agent 的能力。
• 易于部署:
  
   推荐使用 Docker Compose 部署，方便快捷。

地址：https://github.com/Simpleyyt/ai-manus

✨ 3: Pocket Flow

Pocket Flow是一个仅用100行代码实现的极简LLM框架，轻量且功能强大，支持Agent、Workflow、RAG等模式。

Pocket Flow 是一个极简的 LLM 框架，它只有 100 行代码，旨在提供轻量级、表达力强的 LLM 应用开发体验，避免传统 LLM 框架的臃肿和复杂性。

核心特点：

• 极简:
  
   仅 100 行代码，没有臃肿的功能，没有依赖项，没有厂商锁定。
• 强大:
  
   支持各种 LLM 应用设计模式，例如多代理（Multi-Agent）、工作流（Workflow）、检索增强生成（RAG）等。
• Agentic Coding:
  
   强调使用 AI 代理来构建代理，提高开发效率。

地址：https://github.com/The-Pocket/PocketFlow

✨ 4: ROS MCP Server

ROS MCP Server利用LLM将自然语言指令转化为ROS指令控制机器人，兼容ROS/ROS2，适用于多种平台。

ROS MCP Server是一个用于机器人控制的中间件，旨在通过自然语言指令控制ROS机器人，并且兼容ROS和ROS2。它接收用户通过LLM（大型语言模型）输入的自然语言指令，将这些指令转化为ROS可以理解的控制指令，从而实现对机器人的控制。

核心功能：

• 自然语言指令转换：
  
   将用户输入的自然语言指令转换为机器人可以执行的ROS指令。
• ROS和ROS2兼容：
  
   通过ROS bridge实现与ROS和ROS2系统的通信。
• WebSocket通信：
  
   基于WebSocket协议进行通信，支持多种平台。
• 提供的功能（MCP Functions）：
• get_topics
  
  ：获取ROS系统中可用的主题列表。
• pub_twist
  
  ：发布线速度和角速度控制指令。
• pub_twist_seq
  
  ：发布一系列线速度和角速度控制指令，用于多步骤运动控制。
• sub_image
  
  ：接收机器人发送的图像，并保存到指定路径。

地址：https://github.com/lpigeon/ros-mcp-server

✨ 5: Absolute Zero

Absolute Zero是一种无需外部数据，通过自对弈强化推理来提升代码和数学能力的模型。

Absolute Zero 是一种新型的语言模型训练方法，其核心特点是在没有任何外部训练数据的情况下，通过自我博弈（self-play）和强化学习来提升模型的推理能力。具体来说，Absolute Zero 采用迭代式的训练流程，主要包含以下两个步骤：

1. 生成（PROPOSE）
   
   ：模型自身生成各种类型的推理任务，包括归纳、演绎和溯因推理。这些任务通过 Python 代码执行进行验证，并根据任务的难易程度获得相应的可学习性奖励。
2. 解决（SOLVE）
   
   ：模型尝试解决由自己生成的推理任务。解决方案同样通过 Python 代码执行进行验证，并根据准确性获得相应的奖励。

地址：https://github.com/LeapLabTHU/Absolute-Zero-Reasoner

（文：每日AI新工具）