[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ALucek--agentic-memory":3,"tool-ALucek--agentic-memory":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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":80,"owner_twitter":80,"owner_website":82,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":80,"difficulty_score":23,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":97,"github_topics":80,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":98,"updated_at":99,"faqs":100,"releases":101},2171,"ALucek\u002Fagentic-memory","agentic-memory","Implementing cognitive architecture and psychological memory concepts into Agentic LLM Systems","agentic-memory 是一个致力于将人类认知架构与心理学记忆概念融入大语言模型（LLM）智能体系统的开源项目。针对当前 LLM“无状态”的特性——即每次调用都像初次见面，缺乏对过往交互和世界的连续理解——该工具提供了一套完整的解决方案，让 AI 能够像人类一样拥有持续学习和经验积累的能力。\n\n通过模拟人类的四种核心记忆系统，agentic-memory 帮助开发者构建更聪明的智能体：**工作记忆**用于处理当前对话语境；**情景记忆**记录历史经历与心得；**语义记忆**存储事实知识与背景信息；**程序性记忆**则固化交互规则与技能。这种设计不仅弥补了模型在长程任务中容易“遗忘”或无法举一反三的短板，还赋予了智能体基于过往经验动态调整策略的能力。\n\n该项目非常适合 AI 开发者、研究人员以及对认知架构感兴趣的设计师使用。其独特的技术亮点在于将抽象的心理学理论转化为可落地的 RAG（检索增强生成）工程实践，通过模块化方式清晰拆解并实现了不同类型的记忆机制。如果你希望突破传统聊天机器人的局限，打造具备真正“思考”能力、能从中长期任务中不断进化的智能体应用，agentic-memor","agentic-memory 是一个致力于将人类认知架构与心理学记忆概念融入大语言模型（LLM）智能体系统的开源项目。针对当前 LLM“无状态”的特性——即每次调用都像初次见面，缺乏对过往交互和世界的连续理解——该工具提供了一套完整的解决方案，让 AI 能够像人类一样拥有持续学习和经验积累的能力。\n\n通过模拟人类的四种核心记忆系统，agentic-memory 帮助开发者构建更聪明的智能体：**工作记忆**用于处理当前对话语境；**情景记忆**记录历史经历与心得；**语义记忆**存储事实知识与背景信息；**程序性记忆**则固化交互规则与技能。这种设计不仅弥补了模型在长程任务中容易“遗忘”或无法举一反三的短板，还赋予了智能体基于过往经验动态调整策略的能力。\n\n该项目非常适合 AI 开发者、研究人员以及对认知架构感兴趣的设计师使用。其独特的技术亮点在于将抽象的心理学理论转化为可落地的 RAG（检索增强生成）工程实践，通过模块化方式清晰拆解并实现了不同类型的记忆机制。如果你希望突破传统聊天机器人的局限，打造具备真正“思考”能力、能从中长期任务中不断进化的智能体应用，agentic-memory 提供了一个极具参考价值的架构范本。","# Agent Memory - Can LLMs *Really* Think?\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FALucek_agentic-memory_readme_cbf656416909.png\" width=600>\n\n*[Cognitive Architectures for Language Agents, 2024](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2309.02427)*\n\nLLMs are considered \"stateless\" in that every time you invoke an LLM call, it is like the first time it's ever seen the input being passed through. Given this quirk, multi-turn LLM agents have a unique challenge to overcome with fully understanding and navigating a vast world model which we humans do naturally.\n\nBeing a human has a lot of advantages over a language model when executing a task. We bring our general knowledge about the world and lived experience, our understanding of prior similar task experiences and their takeaways, what we've specifically learned how to do or been taught, and then our ability to instantly contextualize and shape our approach to a task as we're working through it. In essence, we have advanced memory and the ability to learn from and apply learnings to new experiences. \n\nLLMs sort of have some memory, mostly their general knowledge or traits picked up from training and additional fine tuning but suffer from a lack of the other characteristics outlined prior. To compensate for this, we can model different forms of memory, recall, and learning within our agentic system design. Specifically, we'll create a simple RAG agent to model 4 kinds of memory:\n\n- **Working Memory** - Current conversation and immediate context\n- **Episodic Memory** - Historical experiences and their takeaways\n- **Semantic Memory** - Knowledge context and factual grounding\n- **Procedural Memory** - The \"rules\" and \"skills\" for interaction\n\nThese four memory systems provide a holistic approach to understanding and architecting a part of cognitive design into an agent application. In this notebook we'll break down each type of memory and an example approach to implementing them into a whole agent experience.\n","# 代理记忆——大语言模型真的能“思考”吗？\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FALucek_agentic-memory_readme_cbf656416909.png\" width=600>\n\n*[面向语言代理的认知架构，2024](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2309.02427)*\n\n大语言模型被认为是“无状态”的：每次调用时，它都仿佛第一次遇到传入的输入。正是由于这一特性，多轮对话的大语言模型代理在充分理解并驾驭我们人类天生就能自如应对的庞大世界模型方面，面临着独特的挑战。\n\n在执行任务时，人类相比语言模型具有诸多优势。我们拥有对世界的通识性知识与生活经验，能够理解以往类似任务的经历及其收获；我们还掌握了特定技能或接受了相关训练，并且在实际操作过程中，可以即时地将当前情境纳入考量，灵活调整自己的应对方式。归根结底，我们具备强大的记忆能力，以及从经验中学习并将其应用于新情境的能力。\n\n大语言模型确实具备一定的“记忆”，主要体现在其通过训练及后续微调所习得的通用知识与特征上，但它们缺乏上述提到的其他关键特性。为了弥补这一不足，我们可以在代理系统的设计中引入不同形式的记忆、回忆与学习机制。具体而言，我们将构建一个简单的RAG代理，以模拟四种类型的记忆：\n\n- **工作记忆**——当前对话及直接上下文\n- **情景记忆**——过往经历及其总结\n- **语义记忆**——知识背景与事实依据\n- **程序性记忆**——交互的“规则”与“技能”\n\n这四种记忆系统提供了一种整体性的方法，用于理解和构建认知设计的一部分，并将其融入到代理应用之中。在本笔记本中，我们将逐一剖析每种记忆类型，并给出将其整合到完整代理体验中的示例实现方案。","# agentic-memory 快速上手指南\n\n本指南基于《Cognitive Architectures for Language Agents (2024)》论文理念，帮助开发者快速构建具备四种记忆机制（工作记忆、情景记忆、语义记忆、程序记忆）的 LLM Agent。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n- **操作系统**：Linux, macOS 或 Windows (WSL2 推荐)\n- **Python 版本**：3.9 或更高版本\n- **前置依赖**：\n  - `pip` 包管理工具\n  - 有效的 LLM API Key (如 OpenAI, Anthropic 等，具体取决于实现后端)\n  - 向量数据库支持 (如 Chroma, FAISS 等，用于语义和情景记忆存储)\n\n> **国内加速建议**：\n> 建议使用国内镜像源安装 Python 依赖，以提升下载速度：\n> ```bash\n> export PIP_INDEX_URL=https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1. **克隆项目仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fyour-repo\u002Fagentic-memory.git\n   cd agentic-memory\n   ```\n\n2. **创建虚拟环境并激活**\n   ```bash\n   python -m venv venv\n   source venv\u002Fbin\u002Factivate  # Windows 用户请使用: venv\\Scripts\\activate\n   ```\n\n3. **安装依赖包**\n   ```bash\n   pip install -r requirements.txt\n   ```\n   *注：若项目中包含特定的 Jupyter Notebook 示例，建议额外安装 jupyter 相关组件：*\n   ```bash\n   pip install notebook jupyterlab\n   ```\n\n## 基本使用\n\n本项目核心通过一个 RAG (检索增强生成) Agent 来模拟四种记忆系统。最简单的使用方式是运行提供的示例 Notebook 或脚本。\n\n### 1. 配置环境变量\n在项目根目录下创建 `.env` 文件，填入您的 LLM API 密钥：\n```bash\necho \"OPENAI_API_KEY=sk-your-key-here\" > .env\n# 如果使用其他模型提供商，请参考 .env.example 进行相应配置\n```\n\n### 2. 运行示例 Notebook\n项目包含一个完整的演示流程，展示了如何初始化和交互四种记忆类型：\n```bash\njupyter notebook notebooks\u002Fagentic_memory_demo.ipynb\n```\n在浏览器打开后，按顺序执行单元格即可体验：\n- **Working Memory**: 自动维护当前对话上下文。\n- **Episodic Memory**: 自动记录历史交互经验并检索相似案例。\n- **Semantic Memory**: 基于外部知识库进行事实性问答。\n- **Procedural Memory**: 加载预定义的交互规则和技能模板。\n\n### 3. 代码调用示例 (Python)\n若需在代码中直接集成，可参考以下最小化调用逻辑：\n\n```python\nfrom agentic_memory import AgentWithMemory\n\n# 初始化具备四种记忆的 Agent\nagent = AgentWithMemory(\n    model_name=\"gpt-4\",\n    enable_episodic=True,\n    enable_semantic=True,\n    enable_procedural=True\n)\n\n# 添加一条程序性记忆（规则）\nagent.procedural_memory.add_rule(\"Always summarize the user's intent before answering.\")\n\n# 进行对话（自动触发工作记忆更新与长时记忆检索）\nresponse = agent.chat(\"How do I optimize a SQL query based on my last experience?\")\n\nprint(response)\n```\n\n通过以上步骤，您即可构建一个具备“思考”能力、能从过往经验中学习并遵循特定规则的智能体应用。","某电商公司的客服团队部署了一个 AI 助手，用于处理用户复杂的售后咨询与投诉，需要长期跟踪订单状态及用户偏好。\n\n### 没有 agentic-memory 时\n- **上下文断层**：每次对话重启，AI 都像“失忆”一样忘记用户之前的投诉细节，导致用户需反复陈述同一问题。\n- **经验无法沉淀**：即使成功解决过类似的物流延误案例，AI 无法提取当时的有效话术或补偿方案，每次都要重新摸索。\n- **知识检索僵化**：面对动态变化的退换货政策，AI 仅依赖静态训练数据，无法实时结合最新业务文档进行准确回答。\n- **流程执行混乱**：在处理多步骤退款流程时，AI 常因记不住前一步的操作规则而跳过关键验证环节，引发合规风险。\n\n### 使用 agentic-memory 后\n- **连贯交互体验**：利用工作记忆（Working Memory），AI 能精准记住当前对话的即时语境，无缝衔接上一轮的用户情绪与诉求。\n- **案例智能复用**：通过情景记忆（Episodic Memory），AI 自动调用历史相似投诉的成功解决路径，大幅缩短响应时间并提升满意度。\n- **事实动态 grounding**：借助语义记忆（Semantic Memory），AI 实时检索最新的知识库文档，确保关于赔付标准的回答准确无误。\n- **规范自主遵循**：基于程序记忆（Procedural Memory），AI 内化了标准作业程序（SOP），在执行退款时自动按步骤完成身份核验与权限检查。\n\nagentic-memory 通过模拟人类的四种记忆机制，将原本“健忘”的 LLM 升级为具备持续学习与上下文感知能力的智能代理，显著提升了复杂任务的处理可靠性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FALucek_agentic-memory_cbf65641.png","ALucek","Adam Łucek","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FALucek_47b81019.jpg","Building with AI Models",null,"NYC","https:\u002F\u002Flucek.ai","https:\u002F\u002Fgithub.com\u002FALucek",[85],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",100,522,96,"2026-04-04T18:15:58","","未说明",{"notes":95,"python":93,"dependencies":96},"提供的 README 内容主要介绍了工具的理论背景（四种记忆模式：工作记忆、情景记忆、语义记忆、程序记忆）和设计理念，未包含具体的运行环境需求、依赖库列表或安装说明。该项目被描述为一个笔记本（notebook）示例，具体技术栈需参考源代码文件或完整的安装文档。",[],[26,13,15],"2026-03-27T02:49:30.150509","2026-04-06T05:16:04.996385",[],[]]