SuperAPI AI 工具集3,631 个结果 · 第 81 / 101 页
linkedapi-mcp 是一个 MCP（Model Context Protocol）服务器，用于让 AI 助手控制 LinkedIn 账户并获取实时数据。它通过云浏览器安全、自动地执行操作，可与 Claude、Cursor、VS Code、Windsurf 等 AI 助手配合使用，支持搜索潜在客户、发送消息、分析个人资料等任务。典型用途包括销售自动化（查找线索、分析背景、起草个性化联系消息）、招聘（按技能搜索候选人、查看经历、发起初次联系）、对话辅助（读取并回复现有 LinkedIn 对话、发送跟进消息）以及市场调研（收集公司、员工及近期活动数据）。由于操作经由云浏览器排队执行，部分任务需数分钟；工具返回状态、workflowId、operationName 和消息时表示仍在运行，应调用 get_workflow_result 等待结果，而非重试原工具。项目采用 MIT 许可。
Liquid Inference 是一个围绕 AI 请求供需竞价机制构建的平台。根据其官方说明，服务提供方会针对每一次 AI 请求相互竞价，用户只需支付满足自身规则的最低报价。该产品目前公开信息较少，具体功能、技术架构、接入方式、支持模型、收费模式与适用场景均暂未提供。
Liquidiction MCP Server 是一个面向 Hyperliquid HIP-4 预测市场的只读 MCP 服务器，让兼容 MCP 的 AI 智能体可以查询实时赔率、订单簿、K线、成交记录和持仓。它直接连接 Hyperliquid 公共 API，无需 API 密钥、钱包连接或签名权限。运行需要 Node.js 20 或更新版本以及 npm。作为 stdio MCP 服务器，运行 npm start 后等待 MCP 客户端连接，默认使用主网，仅在需要测试网数据时设置 HL_API_URL。
lit-forge-mcp 是一个基于 Model Context Protocol（MCP）的 stdio 服务器，让 AI 客户端（如 Claude Desktop、Claude Code、Cursor）直接调用个人资产规划与市场信息工具。它提供 NISA/iDeCo/退休资金模拟、28 项市场指标快照、个股基本面（股息、分析师评级）、来自 6 个官方来源的经济指标发布日历、BLS 最新宏观数据（7 个系列）以及地缘政治日历与动态。工具共 18 个（部分版本说明为 19 个），涵盖纯函数复利计算、Yahoo Finance 行情、BLS 数据、官方日历与 RSS 新闻等。数据为延迟参考值，不构成投资建议。
LiteChain（已更名为LangStream）是一个轻量级LangChain替代方案，用于构建LLM应用。它不追求大量功能和类，而是专注于一个易于学习、适配、文档完善、完全类型化且真正可组合的小型核心，以Stream（流）而非Chain（链）作为构建块。
LiteMCP 是一个用于优雅构建 MCP（Model Context Protocol）服务器的 TypeScript 框架。它提供简洁的 Tool、Resource、Prompt 定义方式，完整的 TypeScript 类型支持，并内置日志、错误处理、测试调试 CLI 以及 SSE 传输支持。根据仓库说明，由于官方 SDK 已提供类似的高层 API，该项目已不再维护；若喜爱其 CLI 命令，可独立使用 mcp-cli 项目。
Litescrape MCP Server 是一个面向 MCP 客户端的搜索与地图数据服务，可将 Google Search、Bing、DuckDuckGo、Google Maps 的查询结果以结构化 JSON 返回，无需 API 密钥即可免费使用。添加 API 密钥后可进一步解锁 Google AI Mode、Google AI Overview、Google Shopping、Google Reviews 以及 web_fetch 功能，并解除每日限制、允许并发调用。结果直接来自搜索引擎自身页面，链接是真实目标地址而非重定向，且不缓存，每次调用都实时获取。支持 Cursor、Windsurf、Claude Desktop、Codex、Gemini CLI 等客户端，需要 Node.js 20 或更高版本，也可使用托管端点连接。
中文介绍正在整理，稍后补充。
Liveblocks MCP 服务器是一个基于 MCP 协议的工具，允许 AI 调用 Liveblocks REST API 的部分功能。它可以创建、修改和删除 Liveblocks 中的房间、线程、评论、通知等内容，并具有对 Storage 和 Yjs 的读取权限。安装时需从项目仪表盘复制 Liveblocks 密钥，并替换命令中的占位符后运行，支持在 Cursor、Claude Desktop 等客户端中配置使用。
livetennisapi-mcp 是一个网球数据接口项目，托管于 GitHub（https://github.com/livetennisapi/livetennisapi-mcp），名称中的 MCP 通常指向 Model Context Protocol 相关的服务封装。根据现有资料，它提供实时网球数据，覆盖 ATP、WTA、Challenger 和 ITF 等赛事层级，内容包括实时比分、球员信息、赛程安排、模型胜率预测以及比赛胜者市场的赔率价格。该工具面向需要将网球实时数据接入自有应用或 AI 工作流的开发者，方便在程序中获取结构化的赛事数据，而不必自行抓取和整理。除上述数据范围与用途外，关于其具体安装方式、API 接口定义、认证方式、调用示例、支持的平台、收费模式、价格以及使用限制，现有资料均暂未提供，需查阅项目仓库文档进一步确认。
lizard-mcp 是一个 MCP（Model Context Protocol）服务器，用于在 Lizard（lizard.build）平台上部署和管理应用。它可以让 ChatGPT、Claude 或其他 MCP 客户端通过自然语言完成发布服务、读取日志、设置密钥、扩缩容副本以及绑定域名等操作。该服务器提供 33 个工具，支持 OAuth 2.1 认证，破坏性操作需要显式确认。
Llama Hub 是面向 LlamaIndex（曾称 GPT Index）与 LangChain 的数据加载器（data loaders）集合仓库，用于集中查找和获取各类数据加载器。该站点页面现已提示 LlamaHub 已迁移，LlamaIndex 集成可前往 developers.llamaindex.ai 浏览。除此之外，资料未提供更多关于具体加载器数量、支持数据源、安装方式或收费情况的信息。
LLaMA Box 是一个基于 llama.cpp 和 stable-diffusion.cpp 的大语言模型推理服务器实现，提供纯 API 接口（无前端资源），兼容 OpenAI Chat API、Vision API、Function Calling API、Embeddings API、Images API 等。该项目已不再积极维护，官方建议直接使用 llama.cpp。
LLaMA-O1 是一个基于 PyTorch 和 HuggingFace 构建的开源大型推理模型框架，旨在支持训练、推理和评估。项目由 SimpleBerry 开发，并已发布多个预训练和微调模型及数据集，包括 LLaMA-O1-Supervised-1129 等。该框架致力于推动开源大型推理模型的发展，支持长链思维（Long CoT）标记、预训练、监督微调、过程奖励模型（PRM）令牌修正以及自玩强化学习等功能。部分功能如强化学习仍在训练中，推理时推理增强框架暂时推迟。用户可通过 HuggingFace 获取模型、数据集和在线演示（仅 CPU）。
llama3-from-scratch 是一个从零实现 Llama 3 模型的开源项目，作者 naklecha 以“一次一个矩阵乘法”的方式，逐步展示 Llama 3 的推理过程。项目不依赖高级神经网络框架，而是直接读取 Meta 提供的模型权重文件，手动实现张量操作、RMS 归一化、旋转位置编码（RoPE）、多头注意力、前馈网络等核心组件。代码使用 tiktoken 作为分词器，并详细注释了每一步的张量形状变化，适合希望深入理解 Transformer 架构和 Llama 3 内部机制的开发者学习。项目需要提前下载 Llama 3 权重，并遵循 Meta 的许可协议。
LlamaIndex 是一个开源的数据框架，用于为 LLM 应用增强私有数据。它提供数据连接器、索引结构和检索查询接口，帮助开发者构建 RAG 和智能体应用。项目由 LlamaIndex 公司维护，同时该公司还推出了 LlamaParse 文档智能体平台，专注于文档解析和提取。
LlamaBarn 是一个 macOS 菜单栏应用，用于在本地运行大语言模型（LLM）。它由 GGML 组织开发，与 llama.cpp 同步演进。启动后会运行本地服务器（http://localhost:9931/v1），可自动复用已安装的 llama.cpp，也可安装适合 Mac 硬件的预构建二进制。已通过 llama.cpp 安装的模型会自动显示；支持从 Hugging Face 一键安装任意 GGUF 模型，并推荐适配机型硬件的模型。用户可在内置 WebUI 中与模型对话，也可连接编码代理、聊天界面、编辑器等外部应用或直接调用 API。模型按需加载、空闲时卸载，不占用内存。应用完全本地运行，数据不出设备，体积仅 4 MB，零配置自动优化设置，模型存放在 Hugging Face 缓存中与 llama.cpp 等工具共享。
Llamaberry 是一个基于 Groq 平台 Llama 3.1 70B 模型实现的多轮思维链（Chain of Thought，CoT）推理系统。它把用户提出的问题依次经过三轮推理：第一轮进行初步头脑风暴，第二轮在第一轮基础上进行细化完善，第三轮进一步深化，最后将三轮结果综合成一个结论。项目提供用户友好的界面，能够展示每一轮的思考过程，并同时给出简洁与详细两种风格的答案，此外还会显示推理耗时等指标。使用该项目需要 Groq API 密钥。
llamafile 是 Mozilla 发起、由 Mozilla.ai 继续推进的项目，目标是把大型语言模型（LLM）的部署与运行复杂度压缩成单个可执行文件。它通过将 llama.cpp 与 Cosmopolitan Libc 结合，把模型、推理引擎和运行环境封装进一个文件，用户无需安装即可在多数操作系统和 CPU 架构上本地运行。项目还衍生出 whisperfile，用于单文件语音转文字。
LLaVA（Large Language and Vision Assistant）是一个端到端训练的大型多模态模型，将视觉编码器与大型语言模型连接起来，实现通用的视觉与语言理解。它首次尝试使用纯文本GPT-4生成多模态语言-图像指令跟随数据，并基于此进行视觉指令微调。LLaVA展现出令人印象深刻的多模态对话能力，在未见过的图像/指令上有时表现出类似多模态GPT-4的行为，在合成多模态指令跟随数据集上达到GPT-4相对分数的85.1%。在Science QA上微调后，LLaVA与GPT-4协同达到92.53%的新最先进准确率。项目开源了GPT-4生成的视觉指令微调数据、模型和代码库。
LLaVA-Reasoner-DPO 是一个基于 Open-LLaVA-NeXT 的开源视觉语言模型项目，通过 SFT（监督微调）和 DPO（直接偏好优化）提升视觉语言模型的思维链（Chain-of-thought）推理能力。项目包含数据、模型、训练与评测流程，涉及 A-OKVQA、数学和 ChartQA 三个领域。
LLM 是一个命令行工具和 Python 库，用于与大型语言模型交互，既支持通过远程 API 调用（如 OpenAI、Anthropic Claude、Google Gemini、Qwen、Gemma、Kimi、DeepSeek、Mistral 等），也支持安装并运行在本机上的模型。可通过 pip、Homebrew、pipx 或 uv 安装。主要能力包括：在命令行运行提示词、将提示词与响应存入 SQLite、生成与存储嵌入（embeddings）、从文本和图像中提取结构化内容、赋予模型执行工具（tools）的能力等。支持插件机制，可扩展本地模型（如 Ollama）、新嵌入模型、模板加载器、片段加载器等，并可通过 llm chat 启动交互式对话。
Llm clash 是一个用于让大语言模型（LLM）相互对战与辩论的测试平台。根据现有资料，其核心用途是测试不同 LLM 并将它们放在一起比较、辩论。目前暂未提供关于其具体功能、使用方式、支持模型、收费模式及适用场景的更多信息。
LLM Evaluation 是由微软研究院及其他合作机构开展的大语言模型评估研究项目，相关成果以排行榜、论文和代码形式公开。该项目聚焦于对大语言模型的能力与表现进行系统化评测，为研究人员和开发者提供可参考的评估结果与工具。资料更新时间为 2023 年 10 月。
中文介绍正在整理，稍后补充。
中文介绍正在整理，稍后补充。
中文介绍正在整理，稍后补充。
LLM GPU Helper 是一个聚焦开源 AI 模型的在线平台，主要提供三类服务：计算本地部署 AI 模型所需的 GPU 显存、推荐 AI 模型，以及访问 AI 模型知识库。该工具面向需要在本地运行大语言模型的用户，帮助其在部署前估算显存需求，从而判断硬件是否满足要求。目前仅提供上述功能范围的公开信息，关于平台的具体定价、使用步骤、支持模型清单、技术细节与限制等，资料中暂未提供。
中文介绍正在整理，稍后补充。
Dioptra 是一个面向法律行业的 AI 智能体，专注于合同红线生成、剧本提炼与风险标记，可集成到 Microsoft Word 等现有工作流中。根据资料，其输出质量被律师评价为最高，支持快速生成红线、定制剧本以及识别非市场风险。在数据安全方面，Dioptra 遵循 SOC2 Type II 标准，数据在传输和静态时均加密，与 LLM 供应商签订零数据保留协议，承诺不将客户合同、剧本等数据用于模型训练，并定期接受第三方漏洞评估。
LLM SEO Monitor 是一款监控 ChatGPT、Claude 和 Google Gemini 等 AI 助手在特定关键词下推荐情况的工具，帮助用户跟踪并优化品牌在 AI 搜索中的排名，提升被 AI 推荐的可能性。
中文介绍正在整理，稍后补充。
llm-advisor-mcp 是一个模型上下文协议（MCP）服务器，为 AI 助手提供实时的 LLM/VLM 知识，包括定价、基准测试和推荐。它每小时更新一次数据，而非依赖训练周期，解决了大语言模型知识截止的问题。该工具无需 API 密钥或注册，一条命令即可安装。它聚合了五个基准测试来源（SWE-bench、LM Arena Elo、OpenCompass VLM、Aider Polyglot 和 OpenRouter 定价），并以紧凑的 Markdown 表格输出以节省 token。主要功能包括列出顶级模型、比较模型、根据预算推荐模型以及获取特定模型的详细信息。
llm-course-cn 是一个托管在 GitHub 上的中文学习资源仓库，主要用于学习大语言模型（LLM）。该仓库提供学习路线图（roadmaps）和 Colab notebooks，帮助学习者按阶段掌握 LLM 相关知识。资料中未提供更详细的功能说明、收费信息或具体使用步骤。
LLM-Engines 是一个面向大语言模型（LLM）的统一推理引擎，由 Dongfu Jiang 开发。它旨在为开源模型（如 VLLM、SGLang、Together）和商业模型（如 OpenAI、Mistral、Claude）提供一致的调用接口。该工具通过比较不同引擎在 temperature=0.0 和 max_tokens=None 时的输出，验证了推理的正确性。它支持多轮对话、批量推理、视觉输入、并行推理等功能，并提供了缓存机制以避免重复请求。LLM-Engines 还支持 OpenAI 批量 API，可享受半价优惠。用户可以通过 PyPI 安装，并使用 uv 管理环境。该工具适用于需要跨多个引擎进行模型推理和比较的研究人员和开发者。
LLM-eval-survey 是大语言模型评估综述论文《A Survey on Evaluation of Large Language Models》的官方 GitHub 仓库，用于汇总和整理 LLM 评估相关论文与资源。该仓库按照综述的章节结构组织论文，涵盖评估什么（What to evaluate）和在哪里评估（Where to evaluate）等维度，并持续收录自然语言处理、鲁棒性、伦理、偏见与可信度、社会科学、自然科学与工程、医疗应用、智能体应用等方向的评估文献。仓库同时提供相关项目链接，如面向大语言模型鲁棒性评估的 PromptBench 和 LLM-eval。