伸びている AI プロジェクト

ブラウザ自動化ではなくHTTPリクエストを通じてAIエージェントにウェブサイトとの対話を学習させるツールで、レイテンシとトークンコストを削減します。

universal-modder は、LLM コーディングエージェントにスキル、CLI、知識ベースを提供し、ほぼすべての PC ゲームの MOD を発見、リバースエンジニアリング、アセット作成（Fal 経由）、テスト、公開するための AI 駆動フレームワークです。安全ルールも適用されます。

スタイル、レイアウト、カラーパレットの構造化システムを提供する包括的なプロンプトエンジニアリングライブラリで、多様なクリエイティブおよび商用アプリケーション向けに一貫性のあるプロ品質のAI画像を生成するのに役立ちます。

Rustで記述された軽量かつ高性能なヘッドレスブラウザエンジン。PuppeteerやPlaywrightのドロップイン代替として、最小限のリソースでAIエージェントやWebスクレイピングを駆動します。

ビジュアルスタイル探索プロセスを使用して、ゼロから、またはPowerPointファイルから、見事な単一ファイルのHTMLプレゼンテーションを作成できるようにするコーディングエージェントのスキル。

Doclingは、多くのドキュメントタイプ（PDF、Word、スライド、スプレッドシート、HTML、電子書籍、音声、動画、メールなど）を統一的で構造化された表現に解析するオープンソースのPythonライブラリ/CLIです。レイアウト、テーブル、コード、数式、画像、音声テキスト変換を抽出し、Markdown、HTML、JSON、DocLang、DocTagsなどにエクスポートします。生成AIワークフロー向けに設計されており、LangChain、LlamaIndex、Crew AI、Haystackとのプラグアンドプレイ統合を提供し、プライバシーに敏感なデータのためのローカル実行をサポートします。

byoungd/up は継続的に更新されるオープンな書籍原稿で、韓先凱（筆名：离谱）によって執筆され、英語学習からAI、起業、生活の回復などのテーマに拡大しています。中英バイリンガルの原稿、EPUB/PDFのダウンロード、コピー可能なワークシート、5分から90日までの実践パスを提供します。核となる理念は：問題を定義→ベースラインを保存→最小タスクを完了→証拠を記録→遅延再テスト→移行を決定。AIは補助ツールであり、判断と責任は人間にあります。原稿は6つの主要部に分かれ、英語、生活、AI、実践、長期的変化、自己認識をカバーします。本文はCC BY-NC 4.0、サイトコードはMITです。

onetake は、Claude 互換の AI スキルで、ワンテイクの製品ローンチまたはデモ動画を生成します。UI を HTML で再構築し、測定されたモーション プリミティブのライブラリを使用し、リアルなモーション ブラーとルームベースのサウンドを追加し、オラクルで連続性を自動スコアリングします。git clone でインストール可能で、Python、Node、およびオプションの Whisper/TTS によるナレーションに対応しています。非商用利用は無料です。商用利用には有料の Pro ライセンスが必要です。

OpenMAICは、複数のAIエージェントを使用して、あらゆるトピックやドキュメントを対話型教室に変えるオープンソースプラットフォームです。スライド、クイズ、シミュレーション、音声ナレーションを自動生成し、コースをPostgreSQLに保存し、多くのLLMプロバイダーやエージェントワークベンチと統合します。Node 22、pnpm、Docker-Postgresを使用してローカルにインストールするか、Docker Composeを使用して本番環境にデプロイします。

DigUp は、オープンソースの EmbeddingGemma 2 マルチモーダルモデル（llama.cpp 経由でローカル実行）を使用して、画像、PDF、ドキュメント、オーディオ、ビデオ、およびオプションでソースコードの内容をインデックス化し、セマンティック検索する macOS アプリです。クエリはグローバルショートカットで入力します。結果は正確な瞬間または行でファイルを開き、データはすべてデバイス上に保持されます。

100以上のLLMプロバイダーに対して、OpenAI互換の統一インターフェースを提供するオープンソースのAIゲートウェイ。本番環境での統合と管理を簡素化します。

AIエージェントが単一のトークンで数千のAPIやCLIにアクセスできるツールレジストリ兼プロキシ。複数のプロバイダー契約を管理する必要がなくなります。

ローカルの作業デバイス上で実行されている AI エージェントを、任意のモバイルまたは Web クライアントから管理、監視、制御できるクロスデバイスのオープンソースワークベンチ。

ARTEX は、オープンソースの LLM 駆動型自律ペネトレーションテストプラットフォームです。Go バックエンド、組み込み Next.js UI、PostgreSQL を組み合わせ、グローバルな資産グラフとタスクごとの探索グラフを維持します。エージェント（プランナー + ワーカー）は反復的にインテントを生成し、実際のセキュリティツールを実行し、すべてのステップを記録し、結果をグラフにフィードバックします。このシステムは、リッチなダッシュボード、ScopeSentry からの資産同期、承認ゲート、自己更新バイナリ、複数のデプロイオプション（Docker、ワンクリックスクリプト、クロスプラットフォームリリース）を提供します。AGPL-3.0 ライセンスに基づき、ローカルでの学習と研究のみを目的としています。

このプロジェクトを、Microsoft Cloud Advocatesによる無料の21レッスンコースとして説明し、その構造、トピック、要件、対象読者をカバーしています。すべてREADMEに基づいています。

AIエージェントがWindows COMオートメーションを介してWPS/Microsoft Office、Zotero、Adobe Illustrator、Photoshopを制御できるようにするCLIツールセットのコレクション。

ローカルAI、オフラインWikipedia、教育コースを1つの管理されたDocker環境にバンドルした、オフライン優先の知識・教育サーバー。

複数のClaude Code OAuthログインを安価に保存し、オンデマンドまたは設定した使用量しきい値で自動的に切り替え、各アカウントの5時間および7日のレート制限ウィンドウのライブ使用状況ダッシュボードを表示するユーティリティです。

XiaoZhi ESP32は、ESP32ベースのボードを音声対話型AIチャットボットに変えるオープンソースファームウェアです。音声をキャプチャし、ESP-SRでウェイクワード検出を行い、WebSocketまたはMQTT/UDPを介してクラウドLLM（Qwen/DeepSeek）にストリーミングし、TTS応答を返します。デバイスはまた、MCPプロトコルを実行してペリフェラルやスマートホームアクションを制御し、多くのボード、ネットワークオプション、多言語UI、話者ID、カスタマイズ可能なアセットをサポートしています。

KiviDBは、すべてのCPUコアを活用し、全文検索およびベクトル(ANN)検索を内蔵した、RustベースのRedis互換インメモリデータベースです。32コアで2100万GET/秒という圧倒的なスループットとサブミリ秒のレイテンシを実現しており、高速なキーバリューストアと埋め込みベクトルの類似検索を必要とするAIワークロードに適しています。Luaスクリプト、TLS、標準的なRedis永続化機能も利用可能で、Docker、Linuxパッケージ、またはビルド済みバイナリでデプロイできます。

Indra OCR は、PDF や画像を詳細なレイアウトボックス付きの Markdown、プレーンテキスト、または JSON に変換する、1 M パラメータの CPU 専用 OCR モデルです。毎秒最大 49 ページ（1 ページあたり約 230 ms）を処理し、OmniParseBench ベンチマークで 62.1 をスコアし、速度と多くの精度指標で Tesseract や PaddleOCR を上回ります。このパッケージは CLI、Python API、ローカル Web ビューアを提供し、ラテン文字、キリル文字、ギリシャ文字、デーヴァナーガリー文字、ベンガル文字、中国語の OCR に加え、PDF テキストレイヤーを介して任意の文字をサポートします。オプションの `--math` フラグは、LaTeX スタイルの数式抽出を追加します。モデルは約 18 MB の ONNX で、修正版 OpenRAIL-M（研究・スタートアップ向け無料）の下でライセンスされ、コードは Apache 2.0 です。

Omniraは、任意のLLMモデルと任意のマシン上でAIエージェントを実行するためのオープンソースでセルフホスト可能なプラットフォームです。REST API、TypeScript SDK、CLIを提供し、エージェントの起動、イベントのストリーミング、承認処理を行います。機能には、モデル非依存のサポート、組み込みおよびカスタムツール、再利用可能なスキル、永続的なメモリ、サブエージェント、マルチテナントRBAC、スケジューリング、Slack、Discord、GitHub、Webhookなどとの統合が含まれます。Omnira Cloudで試すか、Docker Composeでローカルに実行できます。Apache 2.0ライセンスのコードにより、すべてのエージェントデータは独自のPostgresに保持されます。

Sub2APIは、GoとVueで構築されたAI APIゲートウェイプラットフォームであり、開発者が複数のAIモデルプロバイダー間でサブスクリプションクォータを管理・分配できるようにします。

本番AIシステム設計とAIエンジニアリング面接のための、継続的に更新されるMITライセンスのリファレンス。RAG、エージェント、モデル選択、評価、セキュリティ、20の実世界ケーススタディ、147問の面接問題集を網羅。

ベクトルデータベースやチャンク分割を階層的なツリーインデックスに置き換えることで、長くて複雑な専門文書の検索精度を向上させる、ベクトルレスで推論ベースのRAGエンジン。

Oil UIは、Webサイトやアプリ向けのユニークなUIデザインコンセプトを生成・反復するAIエージェントスキルであり、ユーザーは特定のブランドニーズに基づいてレイアウトを比較・洗練させることができます。

Odysseus は、チャット、自律エージェント、リサーチ、ドキュメント編集、メール、ノート、タスク、カレンダーを1つのAI駆動ワークスペースに統合したセルフホスト型Webアプリです。Docker Composeで実行され、ローカルまたはAPI言語モデルをサポートし、AGPL-3.0ライセンスで公開されています。

AIエージェントが必要に応じてロードできるように、専門的な知識やワークフローをポータブルなフォルダにパッケージ化する標準化されたオープンフォーマット。

ホスト型Model Context Protocol（MCP）サーバーのキュレーションされたディレクトリで、ローカルインストールやランタイム管理を必要とせず、URLを介してAIエージェントを外部ツールに接続できます。

PDF、画像、Officeファイルを構造化されたMarkdownまたはLaTeXに変換する高精度のドキュメントパーサー。複数の品質レベルとAIエージェント向けの安定したロケータを備えています。

GVS5Hは、台帳ベースのゼロショット自己オーケストレーションを導入しました。これは、単一の言語モデルの複数のインスタンスが共有ファイルシステムを介してコーディング問題を分解・解決する、トレーニング不要の技術です。LiveCodeBenchの難問において、Qwen3.8-27Bのようなオープンウェイトモデルの精度を66.8%から92.4%へと向上させ、はるかに低いコストでより大規模なプロプライエタリモデルに匹敵または凌駕する性能を実現します。

dsh-webは、DeepSeek HarnessのWeb UI（およびデスクトップクライアント）を拡張するモジュール式プラグインエコシステムです。タスク自動化、モバイルリモート制御、Web-SSH、Gitワークツリー分離、トークン使用量ダッシュボード、ビジュアルスキンなどをnpmモジュールとして提供し、簡単にインストールできます。

URLやローカルファイルから動画をタイムスタンプ付きのフレームとトランスクリプトに変換し、AIエージェントによる視覚分析を可能にするプラグイン。

Whisperは、多言語の文字起こし、言語識別、翻訳を処理するOpenAIのオープンソースのTransformerベースの音声対テキストシステムです。6つのモデルサイズ（tinyからlarge、および高速な「turbo」バリアント）を備えたpipインストール可能なパッケージとして提供されます。CLI (`whisper …`) とシンプルなPython API (`whisper.load_model(...).transcribe(...)`) を使用して、わずかなコマンドで音声ファイルをテキストに変換できます。このプロジェクトはPython 3.8-3.11、PyTorchで動作し、ffmpeg（およびオプションでトークナイザー用のRust）が必要です。すべてのコードとモデルの重みはMITライセンスです。

Francoは、ローカルマシン上で動作するアウトバウンドセールスエージェントです。既存のClaude CodeまたはCodexのサブスクリプションを利用するため、モデルのAPI料金は発生しません。アカウントの検索やインポート、承認済みメールシーケンスの作成・送信、返信の確認、そして各事実のソース付き記録を行います。

英語を簡略化技術英語（ASD‑STE100）に書き換えるClaude Codeスキルで、エージェント間メッセージを曖昧さのないものにします。構造的なSTE違反をフラグし、厳格モードと緩和モードを提供し、差分やルール説明を表示できます。`npx skills`でインストールするか、クローンして、ツールの説明、エラーメッセージ、プロンプトを簡略化するよう依頼します。MITライセンス。

Answer me with HTMLは、LLMエージェントが短いMarkdownドラフトを完全なオフライン表示可能なHTMLページ（または解説ビデオ）に変換できるNode.jsベースのスキルです。SVG、CSS、レイアウト、図生成を自ら処理することで、モデルは手書きページが必要とするトークンの約1/8しか記述せず、コストと遅延を削減します。複数のエージェント（Claude Code、Codex、Cursor、DeepSeek Harness）をサポートし、3つの内蔵テーマ、ライティングスタイルチェッカー、実際のコードの組み込み、エージェントの結論ごとにページを自動生成する「常時オン」モードを提供します。

goose はオープンソースの汎用 AI エージェントで、デスクトップアプリ、CLI、API として提供され、コーディング、リサーチ、オートメーションを支援し、複数の LLM プロバイダーに対応しています。

モーショングラフィックスと視覚効果のための、Adobe After Effects のオープンソースで純 Rust による再実装。ネイティブの Lottie サポートと、AI エージェント制御用の MCP サーバーを備えています。

RAGFlow は、LLM にエージェント的推論を追加するオープンソースの Retrieval-Augmented Generation プラットフォームです。多くのドキュメントタイプを取り込み、検索可能な埋め込みを作成し、設定可能な「思考」深度で多段階検索をサポートします。機能には、テンプレートベースのチャンキング、知識コンパイル（ウィキ、グラフ、マインドマップ）、根拠付き引用、プラグイン可能な LLM/埋め込みモデルが含まれます。Docker またはソースからローカルにデプロイ可能；ホスト型クラウド版も提供されています。Apache-2.0 ライセンスで、活発なコミュニティに支えられています。

PaddleOCRは、画像やPDFを構造化されたLLM対応テキスト、表、Markdown/JSONに変換するオープンソースのOCRおよびドキュメントAIツールキットです。PP-OCRv6による多言語シーンテキスト認識モデルと、PaddleOCR-VL / PP-StructureV3による軽量な視覚言語モデルを提供し、最先端の精度、高速なCPU/GPU推論、DockerからブラウザSDKまで幅広いデプロイオプションを備えています。DifyやRAGFlowなどのRAGプラットフォームと統合されており、AIエージェントや検索拡張生成パイプラインのデータエンジンとして活用されます。

AIHOTは、オープンソースでDockerベースのフレームワークであり、さまざまなフィードをスクレイピングし、LLMを使用してアイテムをフィルタリング、スコアリング、翻訳、要約し、それらをイベントにクラスタリングし、ソースの多様性でランク付けして、日次/週次/月次のニュースダイジェストを生成します。すべてのプロンプト、しきい値、選択ロジックはリポジトリにあり、デモのAIニュースソースを任意の業界のフィードに置き換えてサイトをリブランドするのが簡単です。

デザイン、アセット生成、コーディング、プレイテストを単一のキャンバスベースのアプリケーションに統合した、オープンソースのAI駆動型ゲームスタジオ。

ポインターの動きに反応する33種類のインタラクティブなアイソメトリック線画UIライブラリ。Webアプリケーションへの軽量な統合を目的として設計されており、AIによる生成もサポートしています。

Beaconは、AIコーディングエージェント向けのオープンソースメモリレイヤーです。複数のツールにわたるセッション履歴をキャプチャし、開発者が異なるコーディング環境間でデバッグパターンやワークフローを再利用できるようにします。

OmniVoice は 600 言語以上をカバーする拡散ベースのゼロショット TTS モデルです。ボイスクラウンニング、属性駆動型ボイスデザイン、自動ボイス生成を提供し、高速な推論（RTF ≈ 0.025）を実現。pip でインストールし、`OmniVoice.from_pretrained` でモデルを読み込み、`model.generate` を呼び出す（または提供された CLI ツールを使用）。オプションの FlashInfer カーネルで 2–3 倍の高速化が可能。リポジトリには学習スクリプト、Gradio デモ、Colab ノートブックが含まれます。

13の異なるプラットフォームにわたり、エンジニアリング、ビジネス、コンプライアンスの専門知識でAIコーディングエージェントを拡張する、398個のモジュール式スキルとプラグインの包括的なライブラリ。

Real-ESRGAN と Vulkan を使用して、品質を損なうことなく低解像度画像を拡大・強化する、無料でオープンソースの AI 画像拡大ツールです。