SuperAPI AI 工具集3,662 个结果 · 第 56 / 102 页
AuraSDK（Aura）是一个面向 AI 智能体的本地认知记忆运行时，强调持久化、可审计和离线运行。它使用纯 Rust 编写，无需微调、无需云端训练、也不强制要求嵌入向量或 LLM API。Aura 为冻结模型提供跨会话的持久记忆、来源追踪、时间版本管理、矛盾治理与可移植加密存储，并支持通过 MCP 让多个 AI 工具共享同一份本地记忆。项目还提供解释性、受治理的纠错、有界自主可塑性、审计图与观察性结果回执等能力。官方资料未提供具体收费、价格或平台支持之外的承诺信息。
Aurora 是一款本地化、开源、可核查的定量分析智能工具，由 FantasyLab-ai 在 GitHub 上发布。它把统计检验、因果推断和物理建模等研究级方法整合为一个“玻璃盒”分析引擎，所有结论都可追溯到具体方法，并带有引用。Aurora 提供面向人的桌面应用 Aurora Copilot 和面向 AI 系统的 Aurora Cortex（MCP + SDK），二者共享同一内核与 .aurora.json 结果包格式。该工具无需云服务或 API 密钥，首次启动后完全离线运行，数据不离开本机；结果包带 SHA-256 内容哈希并支持 Ed25519 签名，还内置校准语料库测量检测器的误报率。
australian-law-mcp 是一个面向澳大利亚联邦立法的 MCP 服务器，连接联邦立法登记册（Federal Register of Legislation）官方 API，无需 API 密钥或注册。它支持搜索澳大利亚联邦法律、读取任意历史日期生效的法律文本，并核对法条引用是否真实存在。数据实时来自官方登记册，涵盖 1901 年以来超过 13 万部法案及立法文书及其各版本汇编，可返回指定日期实际生效的原文，而非重建文本。适用于税务争议、签证决定、合同和诉讼等需要历史法律依据的场景，也可防止模型编造不存在的法条。仅覆盖联邦立法，不含州立法和判例法。输出为法律信息，不构成法律建议。
Autario MCP 服务器是一套数据应用基础设施，可将你的自有数据与数千个公共数据集统一到一个规范化层，并通过 AI 助手进行查询与分析。它提供 57 个 MCP 工具，支持发现与查询数据集、跨数据集自动连接、统计分析、公司实时报价、连接器、图表发布，以及自行构建并发布数据应用。公共数据目录涵盖世界银行、FRED、Eurostat、OECD、WHO、IMF、SEC 等机构，每个数值均引用原始来源，避免模型编造数据。支持 HTTP 远程端点（https://autario.com/mcp，无需安装）或通过 npx autario-mcp 以 stdio 本地运行，兼容 Claude、GPT、Gemini 及本地模型等任何支持 MCP 的客户端。适用于需要将业务数据（广告、商店、分析、社交、CRM、财务）与宏观经济等公共数据结合分析的场景，帮助解释数据变化，如按渠道查看支出、收入和 ROAS，或结合通胀评估销售下滑。
AuthMCP Gateway 是面向 Model Context Protocol（MCP）服务器的安全认证代理，提供 OAuth 2.0 与 JWT 认证、动态客户端注册（DCR）、基于角色的访问控制、速率限制、多后端服务器聚合，以及实时监控与管理后台。它支持透明代理多个后端 MCP 服务器的工具、资源、提示词和补全能力，并通过单一认证端点对外提供服务。支持 PyPI 安装与 Docker 部署，采用 MIT 许可。
Authors A.I. 是面向小说作者的分析型 AI 工具，不生成文本，而是在几分钟内审阅你的手稿，将情节、节奏和角色与畅销书进行对比，提供开发性编辑反馈和市场定位分析。
中文介绍正在整理，稍后补充。
AutoChain 是一个用于构建轻量级、可扩展且可测试的 LLM 智能体的开源框架，受 LangChain 和 AutoGPT 启发。它提供生成式智能体管道、支持自定义工具与 OpenAI 函数调用、简易记忆跟踪，并内置基于模拟对话的多轮自动评估，旨在简化智能体定制与评估，实现快速迭代。
中文介绍正在整理，稍后补充。
autoeq-mcp 是一个基于 MCP（Model Context Protocol）的服务器，让 AI 助手能够访问 AutoEQ 耳机均衡数据库，其中包含 8800 多款耳机和 IEM 的参量均衡设置、声音特征分析和 Harman 偏好评分。你可以让 AI 助手直接查询某款耳机的 EQ 设置、对比两款耳机、推荐特定声音风格的耳机，或者查看按 Harman 评分排名的 IEM。服务器会自动分析 8 个频段的频率响应测量数据，并将每款耳机的声音特征分类为中性、温暖、明亮、暗沉、V 型等。数据来源于 AutoEQ 项目（Jaakko Pasanen，MIT 许可），涵盖 8800 多款耳机/IEM 配置、22 个测量来源（如 oratory1990、crinacle、Rtings 等）、61 条目标曲线（Harman 2018/2019、Diffuse Field 等）以及 2300 多个 Harman 偏好评分。数据库可从 AutoEQ GitHub 仓库同步更新。
Autohand Code CLI 是一款可自我进化的自主编程智能体，运行于终端，原生集成 MCP 以访问外部工具。它内置 40 多种工具，支持 OpenRouter、Anthropic、OpenAI、Ollama 等多个大语言模型提供商，具备语义代码搜索和模块化技能系统。该工具能够针对真实代码库进行规划、编辑、测试和审查变更，并可通过 CLI、IDE、浏览器、Slack 和 SDK 工作流运行智能体团队，提供私有模型路由、MCP 策略和生产软件团队的验证路径。
NeMo AutoModel 是 NVIDIA NeMo 框架下的 PyTorch DTensor 原生 SPMD 开源训练库，用于大语言模型（LLM）、视觉语言模型（VLM）、扩散模型和检索模型的训练与微调。它提供开箱即用的 Hugging Face 支持，采用 YAML 驱动的配方（recipe）和 CLI 覆盖机制，同一训练脚本可通过修改设备网格（mesh）从单 GPU 扩展到多节点大规模部署。支持 FSDP2、HSDP、TP、CP、SP、PP 等可组合并行策略，集成 Transformer Engine、DeepEP、FlexAttn 等优化内核，支持 FP8/MXFP8 混合精度、MoE 加速、激活检查点、序列打包、异步检查点等功能，并覆盖 SFT、LoRA/QLoRA、QAT、知识蒸馏和投机解码训练等算法。
AutoTrain Advanced 是 Hugging Face 推出的无代码机器学习模型训练与部署工具，用户只需上传符合格式的数据，即可通过点击界面训练模型。该项目目前不再维护，官方建议改用 Axolotl、TRL 或 transformers.Trainer。AutoTrain 本身免费，仅在 Hugging Face Spaces 运行时需为所用资源付费，本地运行则只需承担自有基础设施成本。它支持在 Colab、Hugging Face Spaces 或本地通过 UI、配置文件及命令行使用，需 Python 3.10 及以上版本。
航班管家 DAST 航空数据 MCP（Flight Master Aviation Data MCP）是面向 AI 智能体、编程助手和兼容 MCP 应用的专业航空数据集成服务。它通过模型上下文协议（MCP）提供航班状态、航线航班查询、机上体验（如餐食与 Wi-Fi）、延误风险预测、机场天气以及航班轨迹等数据能力。服务支持两种连接方式：推荐的远程 Streamable HTTP MCP，以及基于官方 npm 包的本地 STDIO MCP。两种模式均需使用航班管家 DAST API Key 进行鉴权，API Key 可在 DAST 平台注册后于 MCP 控制台创建。当前服务提供九个工具，其中三个运营统计工具会返回下载链接有效期为一小时的 Excel 文件。该仓库为官方公开集成仓库，仅包含 MCP 集成文档、远程与 STDIO 连接示例、鉴权指引、客户端配置示例及 MCP 生态元数据，生产服务器端源码与专有航空数据处理系统并未公开。
aviationstack-mcp 是一个基于 Model Context Protocol（MCP）的服务器项目，通过调用 AviationStack API 获取实时与未来的航班数据。它以 MCP 工具的形式对外暴露多个端点，可查询单个航班号、某航空公司的航班、按日期检索历史航班、机场的到达与出发时刻表、未来航班时刻（从明天起约 12 个月内的航班），以及随机飞机机型、随机飞机详情、随机国家与城市详情，并支持列出机场、航空公司、航线与税费等基础参考数据。所有工具返回统一的 JSON 结构，成功时包含 ok、count、data 字段，列表类工具附带分页信息，失败时返回 ok、context、error 字段；每次调用记录上限为 100 条。该项目使用 Python 3.13 或更高版本，需安装 uv 包管理器，并需要 AviationStack API Key（可获取免费 Key）。
AVIS 是面向 AI 应用的操作系统，提供统一的模型接入、应用市场分发和网络效应，帮助开发者一站式构建、发布和扩展 AI 应用，无需分别对接多个模型供应商，也不必独自寻找用户。
Awaker2.5-R1 是由 Metabrain AGI 开发的多模态大模型，基于 Qwen2.5-VL-7B，通过 GRPO 算法并采用基于规则的奖励，实现了复杂推理与长链思考能力的稳定训练。项目在 5 万条数学几何推理数据集上训练，增强了 Qwen2.5-VL-7B 的数学推理能力，在 MathVista 上的表现接近 OpenAI 的 o1 模型。该仓库提供模型权重下载、推理代码示例和训练过程说明。
AwanLLM 是一个按月度订阅收费的大模型推理 API 平台，面向高级用户与开发者。其核心卖点是“无限 Token”：在模型上下文长度限制内，发送和接收的 Token 数量不受额外限制，且声称不对模型输出进行审查限制。平台采用按月付费而非按 Token 计费，官方表示由于自建数据中心与 GPU，因此能提供这种模式。它可用于运行 AI 助手、让智能体长时间自主执行任务、与 AI 伴侣互动、批量处理数据以及代码补全等场景。官方说明不记录提示词与生成内容的日志，仅设有请求速率限制，并建议自托管成本更高的用户考虑改用其 API。
Awesome DSH Plugin 是一个收录 4634 个 DeepSeek Harness（dsh）插件的精选列表网站，按 UI、主题、会话、记忆、工具、工作流、通知、模型、开发与娱乐等方向分类，并持续更新。页面列出各插件的仓库、名称、星标数、安装量与功能说明，覆盖上下文压缩、插件市场管理、侧边栏工作台、技能管理、会话归档、余额与用量组件、任务看板、Git 图形、远程移动端控制、SSH 运维面板、多 IM 平台接入、定时自动化、成本统计、视觉桥接等能力。插件可通过 dsh-market 或 CLI 方式安装，页面提示第三方插件以用户自身权限运行，可读取文件、使用凭证并访问网络，工具审批不会对其沙箱隔离；来自 GitHub 的插件在安装时还会执行构建脚本，pnpm 默认阻止，需要在配置文件的 pnpm-workspace.yaml 的 allowBuilds 下添加对应键后方可继续安装。
这是一个开源提示词库，原名 Awesome ChatGPT Prompts，现名 prompts.chat。它汇集了社区分享的提示词，可用于 ChatGPT、Claude、Gemini、Llama、Mistral 等多种 AI 聊天模型。项目提供浏览、发现和收集提示词的功能，并支持组织自托管以保障隐私。仓库还包含一本免费的交互式提示工程书籍、面向儿童的提示词学习游戏，以及 Claude Code 插件和 MCP 服务器支持。项目采用 MIT 与 CC0 双许可，提示词内容属于公共领域。
Awesome-LLM 是一个精选的大型语言模型（LLM）资源列表，主要收集了与大型语言模型相关的论文、训练框架、部署工具、课程教程，以及公开可用的模型检查点和 API。该列表尤其关注 ChatGPT 相关的研究。内容包括里程碑论文、其他论文、LLM 排行榜、开源 LLM、LLM 数据、评估、训练框架、推理、应用、教程和课程、书籍以及关于 LLM 的思考等部分。此外，还列出了当前热门的 LLM 项目，如 TinyZero、open-r1、DeepSeek-R1、Qwen2.5-Max、OpenAI o3-mini、DeepSeek-V3、Kimi-K2 等。该列表还提供了多个子领域的资源链接，如幻觉、提示工程、推理、安全、压缩、医疗、推理优化等。
中文介绍正在整理，稍后补充。
该项目是一个关于 OpenAI o1 的论文与资料汇总仓库，标题为 Awesome LLM Reasoning Openai-o1 Survey，主要收集与 OpenAI o1 相关的研究工作与背景技术，涵盖 LLM 推理、自我对弈强化学习、复杂逻辑推理、缩放定律等主题。
awesome-llm-security 是一个由 corca-ai 维护的精选资源集合，专门收录关于大语言模型（LLM）安全的工具、文档和项目。该仓库以分类清单的形式组织内容，涵盖学术论文、开源工具、文章和其他相关资源，旨在为研究者和开发者提供 LLM 安全领域的研究导航。其内容涉及白盒攻击、黑盒攻击、后门攻击、指纹识别、防御、平台安全和基准测试等多个主题。仓库欢迎社区贡献，并建议贡献者先阅读贡献指南。
Awesome-LLM-Strawberry 是一个围绕 OpenAI o1（代号 Strawberry）与 LLM 推理（Reasoning）技术的研究资料合集，托管在 GitHub 上。该仓库汇集了大量与推理模型相关的论文、博客与项目，并声明将持续更新以跟踪 LLM 推理前沿。内容按主题组织，涵盖 OpenAI o1/o3、Gemini 2.0 Flash Thinking、DeepSeek R1、Qwen 系列、Kimi 推理模型等模型的官方介绍与技术报告，以及 RL（强化学习）训练、推理扩展、过程奖励模型、测试时计算等方向的论文与工程实践。它本身不是可运行的软件或框架，而是聚合式资料索引，适合研究人员、工程师与对推理模型感兴趣的读者按图索骥地查阅原始资料。
awesome-LLMs-In-China 是一个在 GitHub 上维护的中国大模型列表仓库，旨在全面收集有明确来源的大模型情况，包括机构、来源信息和分类等，并随时更新。该仓库记录中国大模型发展情况，欢迎通过 Issues 提供线索和素材。使用数据需注明来源：微信公众号“走向未来”和仓库 https://github.com/wgwang/awesome-LLMs-In-China。仓库属于 Awesome 系列，相关项目还包括大模型评测数据集和开源开放基础大模型列表。
中文介绍正在整理，稍后补充。
awesome-mcp-tools-mcp 是一个 npm 包，提供命令行工具与 MCP stdio 桥接，用于检索 awesome-mcp.tools 目录中 2000 多个 MCP（Model Context Protocol）服务器。它包含两部分：awesome-mcp CLI 可在终端搜索 MCP 服务器，纯 Node 18+、零依赖；awesome-mcp-bridge 是极简的 stdio 与 Streamable-HTTP MCP 代理，让仅支持 stdio 的客户端连接托管在 https://awesome-mcp.tools/mcp 的 MCP 服务器。两者共用同一后端，目录每 6 小时从开源生态刷新一次。该 MCP 服务器无需认证、免费、无 API 密钥，传输协议为 Streamable HTTP（MCP 规范 2025-06-18）。
AWS Pricing MCP 是一个基于 Model Context Protocol（MCP）的服务器，用于提供 AWS EC2 实例的价格数据。它支持按 CPU、内存、网络等规格搜索最便宜的 EC2 实例，覆盖按需、预留实例和 CloudFix RightSpend 等多种定价模型，并支持按区域、平台、租期、vCPU、RAM、GPU 等条件灵活过滤。项目同时提供传统服务器和 Lambda 无服务器两种部署方式，价格数据动态从 S3 获取，确保始终最新。该工具适合需要程序化查询 EC2 价格以进行成本优化或选型的开发者。
Axiom 是一个面向大语言模型（LLM）的精确符号数学工具，基于 Giac/Xcas 计算机代数系统，通过 MCP 服务器和 CLI 两种方式提供数学计算与验证能力。它旨在解决 LLM 在符号数学、精确分数和多步计算中容易出错的问题，提供经过验证的精确结果。Axiom 包含两层计算引擎：math.js 用于快速数值计算（算术、三角函数、矩阵），Giac/Xcas WASM 用于符号计算（微积分、代数、方程求解）。它暴露 3 个 MCP 工具：compute（统一计算网关，解析 CAS 风格问题字符串并路由到相应引擎）、verify（独立验证数学命题，返回 verified、evaluated、confidence、checks_performed 四个字段）、plot（将二维函数渲染为 SVG 图像）。此外还提供引导式 MCP 提示，用于多步工作流。Axiom 可作为 CLI 一次性运行，也可作为 MCP 服务器集成到 Claude Desktop 等客户端，还提供 agent skill 文件。它支持 STDIO 和 HTTP 传输，HTTP 传输无状态。安全方面，默认绑定 127.0.0.1，无认证和速率限制，建议通过反向代理暴露。项目采用 GPL-3.0-or-later 许可证，因为嵌入了 Giac/Xcas。
Axiom Calculator MCP 是一款面向个人理财的计算工具，专为 Claude 和 AI 智能体设计，提供按揭还款、复利、FIRE 退休目标、贷款对比、真实借贷成本以及债务清偿等计算功能。它无需 API 密钥、无需额外设置，可与任何 MCP 客户端即时配合使用。该项目属于 Axiom MCP 套件的一部分，采用 MIT 许可证，免费使用、修改和分发。
Axolotl 是一个免费、开源的 LLM 微调框架，用于对最新大语言模型进行后训练与微调。它通过 YAML 配置文件统一管理数据集预处理、训练或微调、模型推理与评估等流程，支持多种模型与多模态训练，提供全量微调、LoRA、QLoRA、GPTQ、QAT、偏好调优、强化学习与奖励建模等方法，并包含 Flash Attention、多 GPU/多节点训练等性能优化，可本地或云端使用。
Axonlabs 是一家专注于生物特征识别数据集的专业提供商，主要面向人脸活体检测、反欺诈攻击研究和人脸识别领域。其数据集覆盖 iBeta 认证所需的 Levels 1/2/3 级别，包含回放显示、打印照片、硅胶面具、乳胶面具、3D 纸质/树脂/布质面具等超过 30 种攻击类型，同时提供带 ID 自拍、NIST 人脸识别、呼叫中心语音识别、手掌识别等数据集。数据以 MP4/MOV 视频加 CSV 元数据形式交付，兼容 PyTorch 和 TensorFlow，可用于训练和测试模型。
这是一个基于 Model Context Protocol (MCP) 的服务器，用于访问 Azure Resource Graph 查询。它允许用户通过 Resource Graph 查询跨订阅检索 Azure 资源信息，包括使用默认查询返回资源 ID、名称、类型和位置，并支持自定义查询。该服务器使用 Azure DefaultAzureCredential 进行身份验证，需要 Node.js 环境、Azure 订阅，以及已安装并登录的 Azure CLI 或其他配置的 Azure 凭据。它可以在 Cursor IDE 或 Visual Studio Code 中运行和集成。
基于区块链构建的大模型API聚合平台
中文介绍正在整理，稍后补充。