一个面向真实任务自动化的多智能体协作框架，通过优化工作流学习让多个 Agent 分工配合完成网页交互等复杂任务。

基于流匹配的语音合成模型官方实现，只需一段参考音频就能克隆音色并生成流畅自然的语音，适合做零样本 TTS 和语音克隆。

在浏览器里录制并回放用户操作，让 AI Agent 能稳定复现网页交互流程，并原生支持 MCP 协议接入。

复刻 MidJourney 网页交互体验的开源界面，接入 Google Gemini SDK，用 Imagen 4 生成图片、Veo 2/3 生成带音频的视频。