[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-100--Solid":3,"tool-100--Solid":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":98,"github_topics":99,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":120,"updated_at":121,"faqs":122,"releases":123},2594,"100\u002FSolid","Solid","🎯 A comprehensive gradient-free optimization framework written in Python","Solid 是一个用 Python 编写的综合型无梯度优化框架，专为解决那些难以计算导数或目标函数不连续的复杂优化问题而生。在传统优化方法依赖梯度信息失效的场景下，Solid 提供了一套无需计算梯度的替代方案，让用户能够轻松尝试多种经典算法。\n\n它内置了遗传算法、进化算法、模拟退火、粒子群优化、禁忌搜索、和声搜索以及随机爬山法等主流算法的核心实现。Solid 的设计极具灵活性，不仅支持“开箱即用”，更鼓励用户通过简单的继承和重写抽象方法，快速定制专属的优化策略。这种架构极大地降低了算法开发与修改的门槛，非常适合希望深入理解优化原理的研究人员、需要快速验证想法的开发者，以及正在学习启发式算法的学生。\n\n使用 Solid 非常便捷，只需通过 pip 安装后，定义好种群初始化、适应度评估、交叉变异等关键步骤，调用 run 方法即可自动运行并返回最优解。无论是用于学术实验、工程调优还是算法教学，Solid 都能提供一个高效、透明且易于扩展的技术底座，帮助用户专注于问题本身而非底层实现细节。","\u003Cdiv align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F100_Solid_readme_159ea17bdf37.png\">\u003C\u002Fimg>\n\u003C\u002Fdiv>\n\n\u003Cbr>\n\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002F100\u002FSolid.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002F100\u002FSolid)\n[![MIT License](https:\u002F\u002Fimg.shields.io\u002Fdub\u002Fl\u002Fvibe-d.svg)](https:\u002F\u002Fgithub.com\u002F100\u002FCranium\u002Fblob\u002Fmaster\u002FLICENSE)\n\n## *Solid* is a Python framework for gradient-free optimization.\n\n#### It contains basic versions of many of the most common [optimization algorithms that do not require the calculation of gradients](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDerivative-free_optimization), and allows for very rapid development using them.\n\n#### It's a very versatile library that's great for learning, modifying, and of course, using out-of-the-box.\n\n## See the detailed documentation [here](https:\u002F\u002F100.github.io\u002FSolid\u002F).\n\n\u003Chr>\n\n## Current Features:\n* [Genetic Algorithm](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FGeneticAlgorithm.py)\n* [Evolutionary Algorithm](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FEvolutionaryAlgorithm.py)\n* [Simulated Annealing](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FSimulatedAnnealing.py)\n* [Particle Swarm Optimization](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FParticleSwarm.py)\n* [Tabu Search](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FTabuSearch.py)\n* [Harmony Search](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FHarmonySearch.py)\n* [Stochastic Hill Climb](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FStochasticHillClimb.py)\n\n\u003Chr>\n\n## Usage:\n* ```pip install solidpy``` \n* Import the relevant algorithm\n* Create a class that inherits from that algorithm, and that implements the necessary abstract methods\n* Call its ```.run()``` method, which always returns the best solution and its objective function value\n\n\u003Chr>\n\n## Example:\n\n```python\nfrom random import choice, randint, random\nfrom string import lowercase\nfrom Solid.EvolutionaryAlgorithm import EvolutionaryAlgorithm\n\n\nclass Algorithm(EvolutionaryAlgorithm):\n    \"\"\"\n    Tries to get a randomly-generated string to match string \"clout\"\n    \"\"\"\n    def _initial_population(self):\n        return list(''.join([choice(lowercase) for _ in range(5)]) for _ in range(50))\n\n    def _fitness(self, member):\n        return float(sum(member[i] == \"clout\"[i] for i in range(5)))\n\n    def _crossover(self, parent1, parent2):\n        partition = randint(0, len(self.population[0]) - 1)\n        return parent1[0:partition] + parent2[partition:]\n\n    def _mutate(self, member):\n        if self.mutation_rate >= random():\n            member = list(member)\n            member[randint(0,4)] = choice(lowercase)\n            member = ''.join(member)\n        return member\n\n\ndef test_algorithm():\n    algorithm = Algorithm(.5, .7, 500, max_fitness=None)\n    best_solution, best_objective_value = algorithm.run()\n\n```\n\n\u003Chr>\n\n## Testing\n\nTo run tests, look in the ```tests``` folder. \n\nUse [pytest](https:\u002F\u002Fdocs.pytest.org\u002Fen\u002Flatest\u002F); it should automatically find the test files. \n\n\u003Chr>\n\n## Contributing\n\nFeel free to send a pull request if you want to add any features or if you find a bug.\n\nCheck the issues tab for some potential things to do.\n\n","\u003Cdiv align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F100_Solid_readme_159ea17bdf37.png\">\u003C\u002Fimg>\n\u003C\u002Fdiv>\n\n\u003Cbr>\n\n[![构建状态](https:\u002F\u002Ftravis-ci.org\u002F100\u002FSolid.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002F100\u002FSolid)\n[![MIT 许可证](https:\u002F\u002Fimg.shields.io\u002Fdub\u002Fl\u002Fvibe-d.svg)](https:\u002F\u002Fgithub.com\u002F100\u002FCranium\u002Fblob\u002Fmaster\u002FLICENSE)\n\n## *Solid* 是一个用于无梯度优化的 Python 框架。\n\n#### 它包含了多种最常见的【无需计算梯度的优化算法】的基本实现，并且允许用户非常快速地基于这些算法进行开发。\n\n#### 这是一个非常通用的库，非常适合学习、修改，当然也适合直接开箱即用。\n\n## 详细文档请见 [这里](https:\u002F\u002F100.github.io\u002FSolid\u002F)。\n\n\u003Chr>\n\n## 当前功能：\n* [遗传算法](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FGeneticAlgorithm.py)\n* [进化算法](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FEvolutionaryAlgorithm.py)\n* [模拟退火](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FSimulatedAnnealing.py)\n* [粒子群优化](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FParticleSwarm.py)\n* [禁忌搜索](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FTabuSearch.py)\n* [和声搜索](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FHarmonySearch.py)\n* [随机爬山法](https:\u002F\u002Fgithub.com\u002F100\u002FSolid\u002Fblob\u002Fmaster\u002FSolid\u002FStochasticHillClimb.py)\n\n\u003Chr>\n\n## 使用方法：\n* ```pip install solidpy``` \n* 导入所需的算法\n* 创建一个继承自该算法的类，并实现必要的抽象方法\n* 调用其 ```.run()``` 方法，该方法始终返回最佳解及其目标函数值\n\n\u003Chr>\n\n## 示例：\n\n```python\nfrom random import choice, randint, random\nfrom string import lowercase\nfrom Solid.EvolutionaryAlgorithm import EvolutionaryAlgorithm\n\n\nclass Algorithm(EvolutionaryAlgorithm):\n    \"\"\"\n    尝试让一个随机生成的字符串匹配字符串 \"clout\"\n    \"\"\"\n    def _initial_population(self):\n        return list(''.join([choice(lowercase) for _ in range(5)]) for _ in range(50))\n\n    def _fitness(self, member):\n        return float(sum(member[i] == \"clout\"[i] for i in range(5)))\n\n    def _crossover(self, parent1, parent2):\n        partition = randint(0, len(self.population[0]) - 1)\n        return parent1[0:partition] + parent2[partition:]\n\n    def _mutate(self, member):\n        if self.mutation_rate >= random():\n            member = list(member)\n            member[randint(0,4)] = choice(lowercase)\n            member = ''.join(member)\n        return member\n\n\ndef test_algorithm():\n    algorithm = Algorithm(.5, .7, 500, max_fitness=None)\n    best_solution, best_objective_value = algorithm.run()\n\n```\n\n\u003Chr>\n\n## 测试\n\n要运行测试，请查看 ```tests``` 文件夹。\n\n使用 [pytest](https:\u002F\u002Fdocs.pytest.org\u002Fen\u002Flatest\u002F)；它应该能够自动找到测试文件。\n\n\u003Chr>\n\n## 贡献\n\n如果您想添加任何功能或发现 bug，请随时提交 pull request。\n\n您可以在 issues 标签页中查看一些潜在的待办事项。","# Solid 快速上手指南\n\nSolid 是一个用于**无梯度优化**（Gradient-free Optimization）的 Python 框架。它内置了遗传算法、模拟退火、粒子群优化等多种经典算法，无需计算目标函数的导数即可进行优化，非常适合黑盒优化问题、参数调优及算法学习。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS, Windows\n*   **Python 版本**：建议 Python 3.6 及以上\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   `pytest` (可选，仅用于运行测试)\n\n> **国内加速建议**：推荐使用清华或阿里镜像源安装依赖，以提升下载速度。\n\n## 安装步骤\n\n使用 pip 直接安装官方发布版本：\n\n```bash\npip install solidpy\n```\n\n若需使用国内镜像加速安装：\n\n```bash\npip install solidpy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\nSolid 的使用核心在于**继承**特定的算法类，并实现其抽象方法（如初始化种群、适应度函数、交叉变异等），最后调用 `.run()` 方法获取最优解。\n\n以下是一个基于**进化算法**（Evolutionary Algorithm）的完整示例，目标是让随机生成的字符串匹配目标字符串 \"clout\"：\n\n```python\nfrom random import choice, randint, random\nfrom string import lowercase\nfrom Solid.EvolutionaryAlgorithm import EvolutionaryAlgorithm\n\n\nclass Algorithm(EvolutionaryAlgorithm):\n    \"\"\"\n    尝试让随机生成的字符串匹配目标字符串 \"clout\"\n    \"\"\"\n    def _initial_population(self):\n        # 初始化种群：生成 50 个长度为 5 的随机小写字母字符串\n        return list(''.join([choice(lowercase) for _ in range(5)]) for _ in range(50))\n\n    def _fitness(self, member):\n        # 适应度函数：计算与目标字符串 \"clout\" 字符匹配的数量\n        return float(sum(member[i] == \"clout\"[i] for i in range(5)))\n\n    def _crossover(self, parent1, parent2):\n        # 交叉操作：随机选择一个切分点进行基因重组\n        partition = randint(0, len(self.population[0]) - 1)\n        return parent1[0:partition] + parent2[partition:]\n\n    def _mutate(self, member):\n        # 变异操作：根据变异率随机改变某个字符\n        if self.mutation_rate >= random():\n            member = list(member)\n            member[randint(0, 4)] = choice(lowercase)\n            member = ''.join(member)\n        return member\n\n\ndef test_algorithm():\n    # 初始化算法实例\n    # 参数依次为：变异率，交叉率，最大迭代次数，最大适应度阈值\n    algorithm = Algorithm(.5, .7, 500, max_fitness=None)\n    \n    # 运行优化\n    best_solution, best_objective_value = algorithm.run()\n    \n    print(f\"最佳解：{best_solution}\")\n    print(f\"适应度值：{best_objective_value}\")\n\nif __name__ == \"__main__\":\n    test_algorithm()\n```\n\n### 核心流程说明：\n1.  **导入算法**：从 `Solid` 模块导入所需的算法类（如 `EvolutionaryAlgorithm`, `ParticleSwarm` 等）。\n2.  **定义子类**：创建继承类并重写必要的抽象方法（`_initial_population`, `_fitness`, `_crossover`, `_mutate` 等，具体取决于所选算法）。\n3.  **实例化与运行**：传入超参数实例化对象，调用 `.run()` 方法。\n4.  **获取结果**：`.run()` 返回两个值：`best_solution`（最优解）和 `best_objective_value`（对应的目标函数值）。","某工业物联网团队需要为复杂的传感器网络寻找最优部署方案，以在信号覆盖最大化的同时最小化硬件成本。\n\n### 没有 Solid 时\n- 由于传感器布局问题属于非连续、不可微的黑盒优化，传统基于梯度的算法完全失效，工程师不得不手动重写遗传算法或模拟退火代码。\n- 每次尝试新的优化策略（如从粒子群切换至禁忌搜索）都需要重构大量底层逻辑，导致开发周期长达数周。\n- 缺乏统一的框架标准，不同算法的实现质量参差不齐，难以进行公平的性能对比和参数调优。\n- 团队将大量精力耗费在重复造轮子上，而非专注于解决具体的业务约束和适应度函数设计。\n\n### 使用 Solid 后\n- 直接调用 Solid 内置的遗传算法或粒子群优化模块，无需关心底层数学推导，即可轻松处理无需梯度计算的复杂场景。\n- 仅需继承相应类并实现 `_fitness`（适应度）等少量抽象方法，半天内即可完成从原型到多算法对比验证的全过程。\n- 利用框架标准化的接口，快速切换测试多种启发式算法，迅速锁定最适合当前网络拓扑的最优解策略。\n- 开发者得以聚焦于定义真实的业务目标函数，显著提升了模型迭代效率与最终部署方案的质量。\n\nSolid 让工程师摆脱了繁琐的算法底层实现，将无梯度优化问题的解决效率提升了数量级。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F100_Solid_79ac994b.png","100","Devin Soni","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002F100_2f7f7283.png",null,"@Airbnb","100.github.io","https:\u002F\u002Fgithub.com\u002F100",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,584,59,"2026-03-04T06:44:38","MIT",1,"","未说明",{"notes":95,"python":93,"dependencies":96},"该工具是一个无需梯度的优化算法框架（如遗传算法、模拟退火等）。安装命令为 `pip install solidpy`。测试需使用 pytest。由于是基于纯 Python 实现的启发式算法，通常对硬件无特殊要求，具体资源消耗取决于所解决问题的规模。",[97],"pytest",[53,13,15],[100,101,102,103,104,105,106,107,108,109,110,111,112,113,114,115,116,117,118,119],"metaheuristics","optimization","optimization-algorithms","python","algorithm","library","machine-learning","machine-learning-algorithms","artificial-intelligence","stochastic-optimizers","discrete-optimization","continuous-optimization","genetic-algorithm","evolutionary-algorithm","genetic-algorithm-framework","simulated-annealing","particle-swarm-optimization","hill-climbing","tabu-search","harmony-search","2026-03-27T02:49:30.150509","2026-04-06T05:16:19.957780",[],[124,128],{"id":125,"version":126,"summary_zh":78,"released_at":127},62462,"0.11","2017-06-19T07:34:34",{"id":129,"version":130,"summary_zh":78,"released_at":131},62463,"0.1","2017-06-19T07:03:57"]