Manus 推出 Higgsfield MCP 連接器,為專業內容創作者提供更多選擇
Manus 推出 Higgsfield MCP 連接器,讓專業內容創作者可在 Manus 工作流程中調用 Higgsfield 的圖片及影片生成能力,並將素材接續至編輯、網站呈現和團隊審核。
Manus 推出 Higgsfield MCP 連接器,讓專業內容創作者可在 Manus 工作流程中調用 Higgsfield 的圖片及影片生成能力,並將素材接續至編輯、網站呈現和團隊審核。
Manus 透過 MCP 將 Similarweb 市場情報接入平台,讓使用者以自然語言分析競爭對手流量、關鍵詞及引薦來源。訂閲了啟用 API 的 Similarweb 套餐者可連接 API 密鑰,使用訂閲內含的指標與額度而無須消耗 Manus 積分;Manus Pro 用户則可按需使用積分取得 Similarweb 指標。
OpenAI Developers plugin 為 ChatGPT 和 Codex 提供 OpenAI Platform 接入、API 設定指引及智能體開發支援。
Hugging Face Blog 提供 Transformers.js 在 Chrome Manifest V3 擴充功能中運行本地 AI 的實作指南。範例將模型初始化、推理和工具執行集中在背景 service worker,側邊欄提供聊天介面,content script 負責網頁內容擷取及元素標記。
推薦理由:文章拆解 Manifest V3 擴充功能內模型推理、對話狀態與頁面操作的分工,並説明背景 service worker 如何協調模型載入、工具執行與介面訊息。
OpenAI 的 API 部署清單建議以 Responses API 為起點,並按代表性任務比較任務成功率、延遲、token 用量及每項成功任務成本。清單涵蓋 reasoning.effort、工具調用、多智能體、快取與背景任務等配置,並説明 safety_identifier、misalignment 違規及 429/503 錯誤處理。
Manus 推出 Slack 整合,提供智能體私訊、頻道內標記 @manus,以及 Slack 連接器三種工作方式。智能體私訊可延續過往對話記憶;頻道內標記只處理當前話題且不具持久記憶,連接器則可代讀和發送 Slack 訊息。智能體預設不能讀取其他頻道,須連接器已連接並將 Manus 加入指定頻道;Slack 應用內 AI 集成功能需使用付費 Slack 套餐。
Manus 推出 Manus Connectors 的 Instagram Creator Marketplace 早期 Beta,將 Meta 官方創作者發掘工具接入 Manus 工作流程。連接器可搜尋和篩選超過 200 萬名創作者,並提供 Meta 認證的一方受眾與績效洞察,亦可把創作者發掘及外聯電郵草擬整合至自動化流程。功能目前在所有 Manus 市場提供,但不包括歐盟國家。
Mistral AI 開源 Leanstral,一款為 Lean 4 設計、用於程式碼生成與形式化證明的程式碼智能體,採用 6B active parameters。
Manus AI 宣佈將全面整合 Agent Skills,並推出把成功工作流程封裝為 Skill 的功能及 /SKILL_NAME 斜線命令。Skills 採用漸進式披露,啟動時載入 metadata(約 100 tokens/Skill),觸發時載入 SKILL.md(<5k tokens),其他資源按需載入。
OpenAI 提供公開的 Docs MCP 伺服器,讓智能體唯讀搜尋及讀取 developers.openai.com、platform.openai.com 和 learn.chatgpt.com 上的文件。
Manus Project 現已向所有使用者開放連接器,讓使用者把常用應用及自訂 API 接入工作空間。Manus 可按 Project 指令取得資料、更新應用並執行工作流程。團隊成員各自連接工具,任務內容及應用資料在共享前保持私密,管理員亦可推薦連接器。
Hugging Face 發佈 Python 套件 huggingface_hub v1.0,遷移至 httpx,推出重設計的 hf CLI,並將 hf_xet 設為檔案傳輸預設套件。
推薦理由:文章集中説明 httpx、hf CLI 與 hf_xet 的變更,並列出 transformers v4、v5 的版本相容要求,便於維護者評估升級範圍。
Meta 與 Hugging Face 合作推出 OpenEnv Hub,供開發者建立、分享和探索可用於訓練與部署的智能體環境。OpenEnv 以沙盒封裝任務所需工具、API、憑證及執行上下文,並提供清晰語義與隔離控制;團隊同時發布 OpenEnv 0.1 Spec(RFC)徵求社羣意見。
推薦理由:OpenEnv 將智能體任務所需的工具、API、憑證與執行上下文封裝成可分享環境,並銜接訓練和部署,呈現環境規格化的實際用途。
OpenAI 的 ChatKit 進階範例倉庫提供四個情境式示範,均以 FastAPI 後端配合 Vite + React 前端,並連接 ChatKit Python SDK 與 ChatKit.js。範例涵蓋虛擬貓照護、航空客户支援、新聞導覽及地鐵路線規劃,展示服務端和客户端工具、互動 widgets、附件與語音聽寫等功能。
Hugging Face 的 Swift 函式庫 swift-transformers 發佈 1.0,標誌套件進入穩定階段,並為後續功能迭代奠定基礎。Tokenizers 和 Hub 現已成為頂層模組,套件亦採用支援有狀態模型的 Modern Core ML API,並完整支援 Swift 6。團隊表示,後續將聚焦 MLX 與智能體應用。
Hugging Face 推出 Gaia2 智能體基準及 Meta Agents Research Environments(ARE)框架,用於在更複雜、接近真實情境的環境中執行、除錯和評估智能體。
推薦理由:Gaia2 將智能體評測從唯讀檢索擴展至含模糊指令、時間要求和環境故障的互動任務,ARE 記錄執行 traces,便於分析智能體在複雜情境中的失誤。
Mistral AI 為 Le Chat 推出 20 多個安全、由 MCP 驅動的連接器,並加入 Memories(beta),讓用户連接工作工具並在不同對話間延續個人上下文。
推薦理由:Le Chat 把 20 多個 MCP 連接器與可由用户管理的 Memories 放在同一助手中,並向所有用户開放,呈現工具操作和跨對話記憶的整合方式。
OpenAI 發佈更先進的語音對語音模型 gpt-realtime,並為 Realtime API 加入新 API 能力。更新包括 MCP server 支援、圖像輸入及 SIP 電話呼叫支援。
推薦理由:公告同時列出語音對語音模型與 Realtime API 的更新,並點明 MCP server、圖像輸入及 SIP 電話呼叫支援,方便掌握本次功能範圍。
MCP 讓 AI 智能體透過自然語言使用研究工具,跨 arXiv、GitHub 與 Hugging Face 搜尋論文、程式碼、模型及資料集並交叉查證。Hugging Face 的 Research Tracker MCP 可從 MCP Settings 加入,並按 Claude Desktop、Cursor、Claude Code 或 VS Code 的指引完成設定。
OpenAI Developers 提供使用 LM Studio 在本地設置並運行 gpt-oss-20b 或 gpt-oss-120b 的指南,涵蓋聊天、MCP 伺服器及 LM Studio 本地開發 API。
OpenAI 發佈 gpt-oss-120b 和 gpt-oss-20b 兩款低成本開放權重語言模型,採用 Apache 2.0 授權。它們在推理任務上優於規模相近的開放模型,並具備良好工具使用能力,亦針對消費級硬件高效部署作最佳化。
推薦理由:推理表現、工具使用能力與消費級硬件部署資訊一併呈現,便於從能力和部署兩方面理解兩款開放權重模型的取向。
OpenAI 的 Function calling 指南説明,如何透過 API 讓模型呼叫應用程式提供的函數與自訂工具,以存取外部資料或執行操作。內容涵蓋 Responses API 與 Chat Completions 的工具呼叫流程、JSON Schema 定義、strict mode、工具選擇和並行呼叫。
文章示範如何以 Gradio 在 Python 中實作 MCP 伺服器,並建立可瀏覽服裝網站、呼叫 IDM-VTON 虛擬試穿的 AI 購物助手。Gradio 會把應用程式的 API endpoint 自動轉為具名稱、描述及輸入 schema 的 MCP 工具,並支援即時進度通知和自動檔案上傳。
推薦理由:示例將 Gradio MCP 伺服器、Playwright 網頁瀏覽與 IDM-VTON 虛擬試穿串成工作流程,並列出 VS Code 設定步驟。
OpenAI 示範智能體如何透過工具呼叫完成任務。內容涉及 Responses API、function calling 和 Agents SDK,聚焦智能體工具呼叫。
OpenAI Developers 的 Responses API 使用指南概述 API 的使用方式,內容涵蓋工具(tools)和函數呼叫(function calling)。
OpenAI 示範 AI 智能體如何調用內置工具完成任務。內容涵蓋 Responses API、function calling、Agents SDK、agentic 與 tool calling。
OpenAI Developers 提供基於 Responses API 的 NextJS starter app,示範多輪對話、串流回應和工具調用。介面可配置 web search、file search、code interpreter 和公開 MCP server,亦示範以 OAuth 整合 Google Calendar 與 Gmail。
OpenAI Realtime Console 示例應用展示如何透過 WebRTC 使用 Realtime API,並在 WebRTC data channel 上收發事件及配置 client-side function calling。
「MCP intro」頁面只顯示人機驗證提示,要求訪客確認自己是人類而非垃圾訊息機械人,才能繼續。頁面指出 vimeo.com 需要先檢查連線安全,正文沒有提供 MCP 的介紹內容。
OpenAI 的內建工具指南整理了可用工具,以及在 Responses API、Agents API 和 Agents SDK 中的接入方式。所列工具包括網頁搜尋、檔案搜尋、函數呼叫、遠端 MCP、Skills、Shell、電腦操作、圖像生成、tool search 和 Programmatic Tool Calling。
Manus 團隊分享構建 Manus 的 AI 智能體上下文工程經驗,提出管理上下文、工具選擇與記憶的設計原則。文章建議保持提示詞前綴穩定、避免在迭代中動態增刪工具,並把檔案系統作為可恢復的外部記憶;另指出應在上下文中保留失敗記錄,並持續重述待辦目標。文中提到 Manus 平均輸入與輸出 token 比例約為 100:1,典型任務平均約有 50 次工具呼叫。
Gradio 5.38.0 為 MCP 伺服器加入五項改進,包括 File Upload MCP 伺服器、即時進度通知、OpenAPI 轉 MCP、認證標頭支援及工具描述自訂。
OpenAI Developers 的 Building agents 學習專題介紹構建 AI 智能體的核心概念與實作流程,涵蓋模型選擇、工具使用、編排和最佳實踐。
Hugging Face 推出 ScreenEnv,這是一個可在 Docker 容器中建立隔離 Ubuntu 桌面環境、用於測試和部署 GUI 智能體的 Python 程式庫。
推薦理由:ScreenEnv 將桌面控制、Docker 隔離與 MCP/API 接入整合在同一工具,並以 smolagents 範例展示如何建立和執行桌面任務智能體。
Hugging Face 分享其官方 MCP Server 的建置經驗,説明 AI 助手如何透過 hf.co/mcp 存取 Hub 及 Spaces 上的 AI 應用。
推薦理由:文章拆解遠端 MCP Server 在傳輸模式、連線狀態與資源開銷上的取捨,並以 Hugging Face 的部署配置呈現決策脈絡。
Hugging Face Blog 示範如何透過 Gradio MCP 伺服器為 LLM 接入工具能力,並以 Flux.1 Kontext[dev] 展示按文字指令編輯圖片。
推薦理由:文章以 Flux.1 Kontext[dev] 示範將 Hugging Face Spaces 的 MCP 服務接入 Cursor,並交代圖片須使用公開 URL,呈現從選擇服務到設定客户端的實作流程。
FlagOpen/RoboSkill 以 MCP 規範統一廠商整合規格,建立具身機械人的通用技能商店,讓機械人技能可一鍵整合至機械人框架。技能按廠商名稱及機械人型號分層註冊,建議配合 FlagOpen/RoboOS 廠商適配流程使用;開發者可依 MCP 規範編寫技能函數,並以 `mcp dev skill.py` 本地測試。
OpenAI Developers 的指南示範如何用 OpenAI Agents SDK 建立多智能體流程,將複雜投資研究任務拆分給多個專家智能體。
Mistral AI 發佈 Agents API,將內置連接器、跨對話記憶及智能體編排整合為構建 AI 智能體的框架。內置連接器涵蓋代碼執行、網絡搜索、圖像生成、Document Library 及 MCP 工具;啟用網絡搜索後,Mistral Large 和 Mistral Medium 在 SimpleQA 的分數分別由 23% 和 22.08% 升至 75% 和 82.32%。
推薦理由:Agents API 把內置連接器、跨對話記憶和多智能體編排納入同一框架,並以 SimpleQA 數據呈現網絡搜索前後的分數差異。
OpenAI 發佈 o3/o4-mini 函數呼叫指南,説明如何透過開發者提示詞、工具描述和 Responses API 改善函數呼叫表現。指南建議明確規定工具的使用邊界及呼叫次序、把參數構造規則置前,並盡可能將 `strict` 設為 `true`。