Официальный MCP-сервер MongoDB: схемы коллекций, запросы, агрегации и мониторинг базы данных из ИИ-ассистентов.
Официальный MCP-сервер Cloudflare: управление Workers, KV, R2, D1 и аналитикой из ИИ-клиентов — инфраструктура голосом или промтом.
Официальный MCP-сервер GitHub: репозитории, issues, пулл-реквесты, кодовый поиск и Actions — прямо из Claude, Cursor и других клиентов.
Превращает FastAPI-приложение в MCP-сервер одной строкой: все эндпоинты становятся инструментами для Claude, Cursor и других клиентов.
Память для ИИ: единый API, который запоминает пользовательский контекст — страницы, заметки, диалоги — и подмешивает его в любые LLM-приложения.
OpenTelemetry-наблюдаемость для GenAI: одна строка кода покрывает трейсы, токены, стоимость и метрики OpenAI, Anthropic, LangChain и десятков SDK.
Каталог метаданных с графом данных: линейность пайплайнов, каталог таблиц, теги и глоссарий для всей аналитической инфраструктуры.
MCP-сервер для Prometheus: агенты выполняют PromQL-запросы, читают метрики и помогают диагностировать инциденты.
Элегантный ИИ-агент в терминале от создателей Glow: чат с моделями, работа с файлами и красивый TUI.
Официальный MCP-сервер PayPal: агенты создают инвойсы, возвращают платежи и управляют заказами через инструменты.
Официальный MCP-сервер Resend: агенты отправляют транзакционные письма с красивой вёрсткой прямо из чата.
Быстрые веб-интерфейсы для ML-моделей: несколько строк Python — и у демо есть сайт с виджетами и API.
Стандартная библиотека для эмбеддингов предложений: сотни готовых моделей и простой API для семантического поиска.
Ультрабыстрый ИИ-шлюз с открытым кодом: единая точка для сотни LLM с кэшем, фолбэками и наблюдаемостью — на edge.
Официальный Python SDK для Gemini API и Vertex AI: мультимодальные запросы, функции, кэширование и живые сессии.
Официальный Python-клиент OpenAI: чат, функции, ассистенты, стриминг и все новые возможности API.
Быстрый сервер инференса LLM от исследователей: RadixAttention для переиспользования кэша и сложные программы генерации.
Дообучение LLM через YAML-конфиг: один файл описывает модель, данные и метод — фреймворк делает всё остальное.
Фреймворк RAG как сервис: загружаете данные любых форматов — получаете готового чат-бота с знаниями через несколько строк кода.
Наблюдаемость и эксперименты LLM в одном инструменте: трейсинг, оценки, датасеты и дрифт эмбеддингов.