产品库

探索未来人机交互的AI代理项目

Project Mariner是Google DeepMind基于Gemini 2.0模型开发的早期研究原型，旨在探索未来的人机交互方式，特别是在网络浏览器中的应用。这个项目能够理解浏览器屏幕上的信息，包括像素和网页元素，如文本、代码、图像和表单，并利用这些信息完成任务。Project Mariner在技术上实现了通过Chrome扩展程序在浏览器中直接操作，为用户提供了一种全新的代理服务体验。

AI代理测试和评估平台

Coval是一个专注于AI代理测试和评估的平台，旨在通过模拟和评估来提高AI代理的可靠性和效率。该平台由自主测试领域的专家构建，支持语音和聊天代理的测试，并提供全面的评估报告，帮助用户优化AI代理的性能。Coval的主要优点包括简化测试流程、提供AI驱动的模拟、兼容语音AI，以及提供详细的性能分析。产品背景信息显示，Coval旨在帮助企业快速、可靠地部署AI代理，提高客户服务的质量和效率。Coval提供三种定价计划，满足不同规模企业的需求。

快速部署会说话的AI代理

ElevenLabs Conversational AI是一款能够快速部署在网页、移动设备或电话上的语音代理产品。它以低延迟、全配置性和无缝扩展性为特点，支持自然对话中的轮流发言和打断处理，适用于嘈杂环境中的不可预测对话。产品结合了语音转文本、大型语言模型（LLM）和文本转语音技术，支持多语言和自定义声音，适用于客户支持、调度、外呼销售等多种场景。

AI用户研究工具，让产品更懂用户心声。

UserFeedChat是一个AI用户研究工具，它允许用户通过自然对话的方式向AI代理请求功能和报告bug，从而揭示用户的真实见解。该工具通过每日和每周报告向用户提供关键的用户痛点和挫折，帮助企业更好地理解用户需求，优化产品。UserFeedChat保护用户数据，所有对话数据仅对企业可见，并且符合存储规定。产品背景信息显示，UserFeedChat旨在通过自动化的用户研究减少企业进行访谈的时间和麻烦，同时提供更深入的用户理解。

开源无头浏览器API，云端控制浏览器舰队。

Steel是一个开源的无头浏览器API，允许用户在云端控制浏览器舰队。它支持开发者使用简单的API调用来创建即时的浏览器会话，具备自动解决CAPTCHA、代理和浏览器指纹识别等功能，以避免被标记为机器人。Steel适用于大规模的网络抓取任务和完全自动化的网络代理，使得在云端运行浏览器自动化任务变得简单。产品背景信息显示，Steel提供了80亿以上的Token抓取量和超过200,000小时的浏览器服务，平均会话启动时间少于1秒。价格方面，Steel提供了免费套餐和多种付费套餐，以满足不同规模用户的需求。

AI代理和多代理系统的无限画布

Canvas by MindPal是一个为现代专业人士提供AI解决方案的平台，旨在提高工作效率。它突破了线性聊天的限制，提供了一个无限的画布，让用户可以同时运行多个AI代理和多代理系统。这个平台允许用户以更符合人类思维的方式与AI互动，通过并行或顺序运行AI代理来实现复杂的工作流程。产品背景信息显示，MindPal致力于通过AI技术帮助用户打破线性限制，重新想象AI的可能性。价格方面，目前有黑五促销活动，所有年度计划享受60%的折扣。

AI代理的身份验证解决方案

AgentAuth是一个专为AI代理设计的认证平台，它允许代理在用户授权下与超过250个流行应用程序无缝交互。AgentAuth支持OAuth、API密钥、JWT等多种认证方式，确保连接简单可靠，并自动刷新令牌。它还与多个代理框架和大型语言模型(LLMs)无缝集成，如Langchain、CrewAI等。AgentAuth通过提供单一仪表板视图、自定义白标服务，并支持企业级安全标准如SOC 2 Type II和GDPR，帮助企业快速构建AI代理，无需担心认证问题。

提升AI代理性能，融合自动化速度与人类质量。

Foundry AI是一个专注于构建、评估和改进AI代理的平台，旨在提供可靠的结果。该平台通过实时反馈实现持续改进，允许自定义控制人工干预，并进行A/B测试以优化性能。Foundry AI由行业专家构建，与传统自动化相比，它提供了一个更智能的AI管理系统，能够实现更高质量的AI结果，快速有效的改进和智能的人工-AI协作。

一个用于GUI视觉代理的视觉-语言-行动模型。

ShowUI是一个轻量级的视觉-语言-行动模型，专为GUI代理设计。它通过结合视觉输入、语言理解和行动预测，使得计算机界面能够以更自然的方式响应用户的指令。ShowUI的重要性在于它能够提高人机交互的效率和自然性，特别是在图形用户界面自动化和自然语言处理领域。该模型由showlab实验室开发，目前已在huggingface平台发布，供研究和应用。

AI驱动的界面解决方案，引领智能新体验。

Ant Design X 是由Ant Design团队推出的AI界面解决方案，它基于RICH设计范式（角色、意图、会话和混合界面），延续Ant Design的设计语言，提供了全新的AGI混合界面（Hybrid-UI）解决方案。Ant Design X 旨在通过AI技术提升人机交互的效率和体验，它适用于多种AI场景，包括Web独立式、Web助手式和Web嵌入式等。Ant Design X 的主要优点包括易于配置、极致体验的通用图表库，以及能够快速理解和表达AI意图的能力。产品背景信息显示，Ant Design X 是在蚂蚁集团内部海量AI产品中实践和迭代的结果，它的目标是创造更美好的智能视界。

AI代理在网页上执行任务的API

Nfig是一个为AI代理设计的API，允许它们在网页上浏览、点击和执行任务，使用自然语言指令。它通过提供易于集成的API，增强AI工作流程，释放强大的代理能力。Nfig支持自动化登录、虚拟化DOM等复杂操作，使得AI代理能够执行以前难以触及的任务。产品背景强调了其开发者友好的设计、安全性和自我修复能力，以及对数据隐私的承诺。Nfig的价格策略是按使用付费，没有月度承诺，用户只需为实际使用的服务付费。

智能穿戴设备领域的创新者

Gyges Labs致力于创造AI时代的智能穿戴设备，结合了独特的先进光学技术和协作AI技术。公司利用团队在微纳米光学方面的专业知识，开发了基于视网膜投影原理的DigiWindow技术，实现了世界上最小最轻的近眼显示模块。与Birdbath和波导等光学解决方案相比，DigiWindow不仅将尺寸从厘米减少到毫米，还降低了功耗，并提供了完整的视光学兼容性。此外，基于团队在协作AI方面的累积经验，Gyges Labs开发了基于镜像神经元原理并针对可穿戴设备定制的AI引擎Mirron，以增强未来可穿戴设备的感知和交互能力，为未来的“第二大脑”设备奠定了坚实的基础。

通过逆向工程构建第三方集成的AI代理。

Integuru是一个AI代理，能够通过逆向工程技术生成第三方平台的集成代码。它通过分析浏览器的网络请求和用户的操作，自动生成能够触发特定动作的Python代码。这项技术的重要性在于，它可以帮助开发者无需深入了解第三方平台的内部API，即可快速构建集成解决方案，提高开发效率并降低技术门槛。Integuru由Integuru.ai开发，是一个开源项目，支持自定义请求和额外功能的开发。

使用AI驱动规划的浏览器自动化系统

Cerebellum是一个轻量级的浏览器代理，通过键盘和鼠标动作在网页上实现用户定义的目标。它将网页浏览简化为导航有向图，使用大型语言模型(LLM)来分析页面内容和交互元素，决定下一步操作。Cerebellum以其创新的AI驱动自动化技术，提高了网页自动化任务的效率和准确性。目前，Cerebellum支持与任何Selenium支持的浏览器兼容，并能够使用用户提供的JSON数据填充表单。产品目前处于Beta阶段，免费提供给开发者和研究人员使用。

多智能体任务规划与推理的基准测试

PARTNR是由Meta FAIR发布的一个大规模基准测试，包含100,000个自然语言任务，旨在研究多智能体推理和规划。PARTNR利用大型语言模型（LLMs）生成任务，并通过模拟循环来减少错误。它还支持与真实人类伙伴的AI代理评估，通过人类在环基础设施进行。PARTNR揭示了现有基于LLM的规划器在任务协调、跟踪和从错误中恢复方面的显著局限性，人类能解决93%的任务，而LLMs仅能解决30%。

Agent S：一个开放的代理框架，让计算机像人类一样使用计算机。

Agent S是一个开放的代理框架，旨在通过图形用户界面(GUI)实现与计算机的自主交互，通过自动化复杂多步骤任务来转变人机交互。它引入了经验增强的分层规划方法，利用在线网络知识和叙事记忆，从过去的交互中提取高级经验，将复杂任务分解为可管理的子任务，并使用情景记忆进行逐步指导，Agent S不断优化其行动并从经验中学习，实现适应性强且有效的任务规划。Agent S在OSWorld基准测试中的表现超过了基线9.37%的成功率（相对提高了83.6%），并在WindowsAgentArena基准测试中展示了广泛的通用性。

全球首款多模态AI代理，搭载OpenAI实时API

TEN Agent 是一款创新的多模态AI代理，它通过集成OpenAI的实时API，为用户提供了一个强大的交互平台。这款产品代表了人工智能在多模态交互领域的最新进展，它不仅能够理解文本信息，还能处理图像和声音等数据类型。TEN Agent 的主要优点在于其高度的集成性和实时性，它能够为用户提供快速、准确的反馈，极大地提高了工作效率和用户体验。产品背景信息显示，TEN Agent 旨在通过先进的AI技术，推动生产力工具的发展，目前处于Beta测试阶段。关于价格和定位，TEN Agent 可能提供免费试用，以吸引早期用户并收集反馈，以便进一步优化产品。

AI驱动的客户支持和销售代理平台

Talkstack AI是一个利用人工智能技术提供客户支持和销售代理服务的平台。它通过AI代理，能够以多种语言执行复杂任务，支持文本和电话沟通，并提供企业级安全性。该产品的主要优点包括无需预录音和触发词，完全由AI生成的语音响应，以及能够扩展销售和运营团队的能力。此外，它还支持创建自定义工作流程，并且易于审查AI代理生成的响应的准确性。

AI驱动的B2B研究代理，快速筛选和丰富潜在客户数据库。

Kuration AI是一个利用人工智能技术帮助用户进行B2B研究的工具，它通过智能筛选和数据丰富化，帮助用户快速从大量信息中提炼出有价值的商业线索。产品背景是帮助企业从混乱的数据中快速找到目标公司，提高工作效率，减少人力成本。Kuration AI提供不同层次的定价计划，满足不同规模企业的需求。

机器学习工程能力的AI代理评估基准

MLE-bench是由OpenAI推出的一个基准测试，旨在衡量AI代理在机器学习工程方面的表现。该基准测试汇集了75个来自Kaggle的机器学习工程相关竞赛，形成了一套多样化的挑战性任务，测试了训练模型、准备数据集和运行实验等现实世界中的机器学习工程技能。通过Kaggle公开的排行榜数据，为每项竞赛建立了人类基准。使用开源代理框架评估了多个前沿语言模型在该基准上的表现，发现表现最佳的设置——OpenAI的o1-preview配合AIDE框架——在16.9%的竞赛中至少达到了Kaggle铜牌的水平。此外，还研究了AI代理的各种资源扩展形式以及预训练污染的影响。MLE-bench的基准代码已经开源，以促进未来对AI代理机器学习工程能力的理解。

构建智能多模态语音助手的端到端框架。

LiveKit Agents 是一个端到端框架，它使开发者能够构建能够通过语音、视频和数据通道与用户互动的智能多模态语音助手（AI代理）。它通过集成OpenAI的实时API和LiveKit的WebRTC基础设施，提供了创建语音助手的快速入门指南，包括语音识别（STT）、语言模型（LLM）和文本转语音（TTS）的流水线。此外，它还支持创建语音到语音代理、接听和响应来电、以及代表用户拨打电话的功能。

实时对话式人工智能，一键式API接入。

Deepgram Voice Agent API 是一个统一的语音到语音API，它允许人类和机器之间进行自然听起来的对话。该API由行业领先的语音识别和语音合成模型提供支持，能够自然且实时地听、思考和说话。Deepgram致力于通过其语音代理API推动语音优先AI的未来，通过集成先进的生成AI技术，打造能够进行流畅、类似人类语音代理的业务世界。

在3行代码内构建浏览器控制代理

Sentient 是一个框架/SDK，允许开发者在3行代码内构建能够控制浏览器的智能代理。它利用最新的人工智能技术，通过简单的代码即可实现复杂的网络交互和自动化任务。Sentient 支持多种AI模型，包括OpenAI、Together AI等，能够根据用户的具体需求提供定制化的解决方案。

用于测试和开发AI代理的可扩展开源框架

Windows Agent Arena (WAA) 是一个专注于Windows操作系统的可扩展、开源框架，用于测试和开发能够使用语言模型在PC上进行推理、规划和行动的AI代理。它通过模拟真实的Windows环境，允许代理自由操作，并使用与人类用户相同的应用程序、工具和网络浏览器来解决任务。WAA通过Azure实现可扩展性和并行化，能够在短短20分钟内完成完整的基准测试评估。

沟通无界，让每次对话都创造价值。

心辰Lingo语音大模型是一款先进的人工智能语音模型，专注于提供高效、准确的语音识别和处理服务。它能够理解并处理自然语言，使得人机交互更加流畅和自然。该模型背后依托西湖心辰强大的AI技术，致力于在各种场景下提供高质量的语音交互体验。

下一代具有规划和自我修复能力的AI代理

Agent Q是MultiOn公司研发的新一代AI代理模型，它通过结合搜索、自我批评和强化学习，创建能够规划和自我修复的先进自主网络代理。它通过引导蒙特卡洛树搜索（MCTS）、AI自我批评和直接偏好优化（DPO）算法，解决了传统大型语言模型（LLMs）在动态环境中多步推理任务的挑战，提高了在复杂环境中的成功率。

基于LangGraph的AI代理服务工具包

agent-service-toolkit是一个用于运行基于LangGraph的AI代理服务的完整工具包，包括LangGraph代理、FastAPI服务、客户端以及Streamlit应用程序，提供了从代理定义到用户界面的完整设置。它利用了LangGraph框架的高度控制能力和丰富的生态系统，支持并发执行、图循环、流式结果等高级功能。

AI助力的自动化工作流软件。

Bardeen AI是一个通过简单提示即可执行重复性工作的AI代理，旨在简化工作流程，提高效率。它集成了多种应用程序和浏览器，以安全、可靠地完成工作。Bardeen AI的主要优点包括无需编程或技术背景即可通过简单语言指令操作，实时确认行动计划，并在后台持续执行任务。它支持多种集成，如Google Sheets、Slack、LinkedIn等，适用于销售、招聘、市场研究等多种场景。

实时语音交互的人工智能对话系统。

Listening-while-Speaking Language Model (LSLM)是一款旨在提升人机交互自然度的人工智能对话模型。它通过全双工建模(FDM)技术，实现了在说话时同时监听的能力，增强了实时交互性，尤其是在生成内容不满意时能够被打断和实时响应。LSLM采用了基于token的解码器仅TTS进行语音生成，以及流式自监督学习(SSL)编码器进行实时音频输入，通过三种融合策略（早期融合、中期融合和晚期融合）探索最佳交互平衡。

全身运动生成框架，支持多模态控制

ControlMM是一个全身运动生成框架，具有即插即用的多模态控制功能，能够在文本到运动(Text-to-Motion)、语音到手势(Speech-to-Gesture)和音乐到舞蹈(Music-to-Dance)等多个领域中生成稳健的运动。该模型在可控性、序列性和运动合理性方面具有明显优势，为人工智能领域提供了一种新的运动生成解决方案。