Zen MCP (Zread.ai) Supabase MCP (https://github.com/supabase-community/supabase-mcp) Browser MCP(It’s like having Google built into your editor. No more jumping between tabs.) Claude Taskmaster Exa MCP(https://github.com/exa-labs/exa-mcp-server)

Lastmile MCP: https://github.com/lastmile-ai/mcp-agent (Lastmile MCP提供生产级框架，支持多代理协调与人类参与工作流，简化MCP服务器生命周期管理。)它对 Anthropic 的“构建有效代理”研究中每一种模式的实施，再加上 OpenAI 的 Swarm 多代理编排，树立了标准。该框架处理所有繁琐的 MCP 服务器生命周期管理工作，同时为您提供强大的工作流模式，例如评估器 - 优化器、编排器 - 工作者以及并行执行。 Claude Code MCP Server : https://github.com/steipete/claude-code-mcp (其与众不同之处在于能够绕过权限中断，并一次性执行复杂的编码工作流。,对于那些想要利用 Claude 的系统级访问权限来完成其他集成开发环境无法处理的任务的开发者来说，这是很有价值的。)

21st Dev Magic AI Agent making your app look pro,

Exa MCP Server 是一个由 Exa Labs 开发的开源工具，主要用于为 AI 助手（如 Claude）提供高效的代码搜索与网络搜索服务。其核心功能包括：

1. 代码上下文搜索：快速检索代码片段、API 用法和最佳实践，从 GitHub 库及其他资源中提供相关代码参考。
2. 实时网络搜索与爬取：支持实时爬取网页内容（如 URL、文章、PDF 等），并优化搜索结果。
3. 其他工具：包括公司信息爬取、LinkedIn 搜索、深度研究等功能。
4. 多种集成方式：支持通过 Smithery、Claude Desktop、Codex、Claude Code 插件等平台进行配置与集成。
5. 简单配置：通过 API 密钥及多种工具参数选择，用户可自定义启用功能模块。

项目支持远程或本地部署，核心搜索功能由 Exa 的搜索引擎驱动，适合开发者和研究者使用。技术栈以 TypeScript 为主，采用 MIT 开源协议，目前拥有 3.1k Star 和 231 Fork，可通过 NPM 或源码直接安装使用。

Graphiti 是一个用于 AI 代理构建和查询动态图时序知识图的开源框架。相较传统的检索增强生成（RAG）方法，Graphiti 提供实时增量数据更新、双时间轴数据模型和高效的混合检索功能，可处理动态用户交互、企业数据和外部信息的整合。它支持精准历史查询、语义搜索、关键词搜索和图遍历，适合构建交互式、上下文感知的 AI 应用。

ALLWEONE® Presentation AI 是一个开源、AI驱动的演示文稿生成工具，灵感来源于 Gamma.app，可快速生成美观且可定制的幻灯片。其主要功能包括：AI内容生成、多个内置主题、实时生成、实时编辑、自动保存、图像生成及演示模式等。支持使用本地模型（如 Ollama 和 LM Studio）进行生成。技术栈涵盖 Next.js、React、PostgreSQL 等。项目规划包括支持 PDF 导出、实时协作、多设备响应、插件系统等新功能。用户可通过贡献代码、报告问题或加入 Discord 社区提供支持。项目采用 MIT 许可证开源，主站为 presentation.allweone.com。

TLDR

RD-Agent是一个数据驱动的AI研发自动化框架，其核心理念是将研发过程分解为两个关键组件：

• R (Research)：主动探索，提出新想法
• D (Development)：实现想法，将概念转化为可执行的代码

qlib

Neo4j LLM Knowledge Graph Builder

Neo4j推出了2025年首个版本的LLM知识图谱构建器（LLM Knowledge Graph Builder），这是一个开源工具，旨在从非结构化数据中提取知识并构建知识图谱。该工具通过将文档分块、生成文本嵌入、提取实体及其关系，并存储在Neo4j图数据库中来实现更高效的数据交互和检索。新版本增加了多项功能，包括社区摘要生成、多检索器并行运行、支持自定义提取指令以及用户体验改进等。

Rankify摘要

一个模块化且高效的检索、重排序和 RAG 框架，专为最新的检索、排序和 RAG 任务模型设计。

Rankify 是一个 Python 工具包，专为统一的检索、重排序和检索增强生成（RAG）研究而构建。该工具包集成了 40 个预检索的基准数据集，支持 7 种检索技术，包含 24 种最先进的重排序模型，并支持多种 RAG 方法。Rankify 提供一个模块化且可扩展的框架，使研究人员和实践者能够轻松进行实验和基准测试，涵盖完整的检索流程。详细的文档、开源实现和预构建的评估工具，使 Rankify 成为该领域研究者和工程师的强大工具。