Havuz

PixelRAG, web sayfaları ve belgeleri screenshot tile’larına dönüştürüp görsel içerik üzerinden arayan bir RAG sistemi sunuyor.

Neden yükseliyor · 121 günde 10.101 yıldıza ulaşması ve 8,28 milyon Wikipedia sayfasını içeren canlı indeks/API sunması dikkat çekiyor. README, Berkeley SkyLab, BAIR ve Berkeley NLP bağlantılı araştırma çalışmasını resmi kod tabanı olarak tanımlıyor. Son 28 günde 5 commit ve 4 farklı yazar görünmesi katkı çeşitliliğine işaret etse de aktiviteyi çok yüksek göstermiyor.

claude-real-video, video dosyası veya URL’den sahne değişimlerine göre seçilmiş kareler ve transcript çıkarıp bunları LLM’lerin inceleyebileceği yerel çıktılara dönüştürür.

Neden yükseliyor · Video analizini mevcut LLM/agent iş akışlarına ekleyen kurulumu kolay bir araç sunuyor; README’de Hacker News ön sayfa rozeti var. 89 günde 2.185 yıldız ve son 28 günde 16 commit ile 4 farklı yazar, ilginin yanında yakın dönem katkı etkinliğine de işaret ediyor; yıldızlar tek başına kullanım veya kalite kanıtı değil.

Give AI agents eyes, ears, and verifiable results. Watch Skill turns video, audio and screen activity into searchable, timestamped evidence

DeepSeek Harness (DSH) plugin: dispatch work to DSH agents from Claude Code / Codex — native subagent progress, in-host worker sessions with

LLMInternSkill: LLM internship resume and job-search Codex Skill for resume polish, JD tailoring, evidence guard, interview grilling, and Pr

OpenCode skill suite for MiniMax H3 directing, routing, multishot planning, prompt generation, and review.

The fastest way to put Volcengine Ark in your terminal and your AI agent — go from prompt to generated media, multimodal answer, or deploy

NEWTON: Agentic Planning for Physically Grounded Video Generation

Cheap Money-Saving Self-hosted AI agent workspace with tool calling, MCP, multi-model routing, sandboxed execution, multi-agent workflows, a

The vision plugin for OpenCode that truly understands images. Inspect, read, and reason about any screenshot or picture with deeper understa

World's fastest and most compact embedded vector database: exact by default, multimodal, local-first, and GPU-accelerated

给 DeepSeek 补上「眼睛和耳朵」的多模态视觉插件：看图 / OCR / 物体检测 / 视频理解 / 语音转写 / 截图直读，一键安装（DSH 插件）。

Self-hosted, private family AI health steward. Multimodal AI structures health data into a person-centric profile with dashboard & AI consul

Blazing fast Go port of gemini-web2api. Convert Google Gemini web into OpenAI-compatible API. Zero cost, single static binary.

An agent that edits your Word and Excel files — then looks at them, through real Microsoft Office, to check its own work

Agentic, long-horizon visual generation: a fuzzy story → a cross-model-audited image-based movie. Brings ARIS's research-wiki + multi-agent

Transparent proxy for Claude Code that auto-routes image-bearing requests to a multimodal model — so a non-multimodal primary model never cr

A zero-dependency Python tool to resolve relative Markdown links and inline images as Base64 strings for RAG and Multimodal LLMs.

专利侵权分析系统 —— 输入专利公开号，产出竞品侵权分析报告；同时打包成 skill，可被任意 agent（dsh, codex, claudecode 等） 调用。

Pixel-native visual RAG ported to Rust on the ruvector ANN substrate (HNSW + IVF-Flat) — screenshot/document retrieval over visual embedding

Free unlimited Gemini API for any OpenAI-compatible app.