[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-AstraZeneca--awesome-explainable-graph-reasoning":3,"tool-AstraZeneca--awesome-explainable-graph-reasoning":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":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":78,"stars":81,"forks":82,"last_commit_at":83,"license":84,"difficulty_score":85,"env_os":86,"env_gpu":87,"env_ram":87,"env_deps":88,"category_tags":91,"github_topics":92,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":100,"updated_at":101,"faqs":102,"releases":103},2950,"AstraZeneca\u002Fawesome-explainable-graph-reasoning","awesome-explainable-graph-reasoning","A collection of research papers and software related to explainability in graph machine learning.","awesome-explainable-graph-reasoning 是一个专注于图机器学习可解释性的开源资源合集，由阿斯利康（AstraZeneca）维护。在人工智能领域，图神经网络虽然擅长处理复杂的关联数据，但其决策过程往往像“黑盒”一样难以捉摸。这个项目正是为了解决这一痛点而生，它系统性地整理了大量关于如何让图模型推理过程变得透明、可信的研究论文和软件工具。\n\n资源库内容详实，涵盖了从“可解释预测”到“可解释推理”的多个维度，并专门收录了理论基础与综述文章，帮助使用者快速把握前沿动态。对于致力于提升模型透明度的算法研究人员和开发者而言，这里不仅是寻找灵感的技术宝库，更是获取现成代码实现的实用指南。无论是需要深入理解模型为何做出特定判断的科研人员，还是希望将可解释性模块集成到产品中的工程师，都能从中找到极具价值的参考。通过汇聚全球顶尖成果，awesome-explainable-graph-reasoning 降低了图可解释性研究的门槛，助力构建更加安全、可靠且易于理解的下一代人工智能系统。","# Awesome Explainable Graph Reasoning\n\n[![Awesome](https:\u002F\u002Fcdn.rawgit.com\u002Fsindresorhus\u002Fawesome\u002Fd7305f38d29fed78fa85652e3a63e154dd8e8829\u002Fmedia\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fsindresorhus\u002Fawesome)\n[![PRs Welcome](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPRs-welcome-brightgreen.svg?style=flat-square)](http:\u002F\u002Fmakeapullrequest.com)\n![Maturity level-Prototype](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FMaturity%20Level-Prototype-red)\n\nA collection of research papers and software related to explainability in graph machine learning.\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"1000\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAstraZeneca_awesome-explainable-graph-reasoning_readme_b38b01c33641.png\">\n\u003C\u002Fp>\n\n## Contents  \n\n1. [Explainable Predictions](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002Fchapters\u002Fpredictions.md)  \n2. [Explainable Reasoning](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002Fchapters\u002Freasoning.md)  \n3. [Software](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002Fchapters\u002Fsoftware.md)\n4. [Theory and Survey Papers](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002Fchapters\u002Fsurvey.md)\n\n------------------------------------------------------\n\n**License**\n\n- [Apache 2.0](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002FLICENSE)\n","# 令人惊叹的可解释图推理\n\n[![Awesome](https:\u002F\u002Fcdn.rawgit.com\u002Fsindresorhus\u002Fawesome\u002Fd7305f38d29fed78fa85652e3a63e154dd8e8829\u002Fmedia\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fsindresorhus\u002Fawesome)\n[![欢迎提交PR](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPRs-welcome-brightgreen.svg?style=flat-square)](http:\u002F\u002Fmakeapullrequest.com)\n![成熟度等级-原型](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FMaturity%20Level-Prototype-red)\n\n这是一份与图机器学习中可解释性相关的研究论文和软件集合。\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"1000\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAstraZeneca_awesome-explainable-graph-reasoning_readme_b38b01c33641.png\">\n\u003C\u002Fp>\n\n## 目录  \n\n1. [可解释的预测](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002Fchapters\u002Fpredictions.md)  \n2. [可解释的推理](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002Fchapters\u002Freasoning.md)  \n3. [软件](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002Fchapters\u002Fsoftware.md)\n4. [理论与综述论文](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002Fchapters\u002Fsurvey.md)\n\n------------------------------------------------------\n\n**许可证**\n\n- [Apache 2.0](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002FLICENSE)","# awesome-explainable-graph-reasoning 快速上手指南\n\n`awesome-explainable-graph-reasoning` 是一个精选的资源集合库，汇集了图机器学习（Graph ML）领域中关于**可解释性**的研究论文、软件工具及理论综述。它本身不是一个单一的 Python 包，而是一个导航目录，帮助开发者快速定位所需的算法实现（如 GNNExplainer, PGExplainer 等）和前沿文献。\n\n## 环境准备\n\n由于本项目主要作为资源索引，使用前需准备好通用的图深度学习开发环境。\n\n*   **操作系统**：Linux (推荐), macOS, Windows\n*   **Python 版本**：>= 3.8\n*   **核心依赖**：\n    *   PyTorch\n    *   PyTorch Geometric (PyG) - 大多数图可解释性工具基于此构建\n    *   Git\n\n建议先安装基础深度学习框架。国内用户推荐使用清华或阿里镜像源加速安装：\n\n```bash\n# 配置 pip 国内镜像源 (可选，推荐)\npip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装 PyTorch (请根据官网 https:\u002F\u002Fpytorch.org\u002F 选择对应 CUDA 版本的命令)\n# 以下为 CPU 版本示例\npip install torch torchvision torchaudio\n\n# 安装 PyTorch Geometric 及其依赖\npip install pyg-lib torch-scatter torch-sparse torch-cluster torch-spline-conv -f https:\u002F\u002Fdata.pyg.org\u002Fwhl\u002Ftorch-2.0+cpu.html\npip install torch-geometric\n```\n\n## 安装步骤\n\n本项目无需通过 `pip` 安装，直接克隆仓库即可获取最新的论文列表和软件链接。\n\n```bash\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning.git\n\n# 进入目录\ncd awesome-explainable-graph-reasoning\n```\n\n## 基本使用\n\n本项目的核心用法是查阅其分类文档，找到你需要的具体算法代码库或论文。\n\n### 1. 查找具体软件实现\n如果你需要直接使用某个可解释性算法（例如 `GNNExplainer`），请查看 `chapters\u002Fsoftware.md` 文件。\n\n```bash\n# 在终端直接查看软件列表分类\ncat chapters\u002Fsoftware.md\n```\n*操作指引*：在打开的文件中搜索关键词（如 \"GNNExplainer\"），点击对应的 GitHub 链接跳转到具体工具的仓库，然后按照该具体工具的 README 进行安装和调用。\n\n### 2. 查找前沿论文\n如果你需要调研“可解释推理”相关的最新论文，请查看 `chapters\u002Freasoning.md`。\n\n```bash\n# 查看可解释推理相关的论文列表\ncat chapters\u002Freasoning.md\n```\n\n### 3. 典型工作流示例\n假设你想使用 **GNNExplainer** 对你的图模型进行解释：\n\n1.  在本项目中找到 `GNNExplainer` 的链接（通常指向 `pyg` 官方实现或原始作者仓库）。\n2.  跳转到目标仓库，安装特定工具：\n    ```bash\n    # 示例：如果目标工具是独立的包\n    pip install gnntools \n    ```\n3.  在代码中调用（伪代码示例，具体请参考对应子项目文档）：\n    ```python\n    import torch\n    from torch_geometric.nn import GNNExplainer\n    from your_model import GNNModel\n\n    model = GNNModel()\n    explainer = GNNExplainer(model, epochs=200)\n    \n    # 对特定节点进行解释\n    node_idx = 0\n    explanation = explainer.explain_node(node_idx, data.x, data.edge_index)\n    \n    # 可视化结果\n    explanation.visualize_graph(path='gnn_explainer_result.pdf')\n    ```\n\n> **提示**：本项目最大的价值在于**聚合**。遇到具体的图可解释性需求时，请先在此仓库的 `Contents` 目录中定位资源，再前往对应的子项目仓库获取详细 API 文档。","某制药公司的 AI 研发团队正利用图神经网络（GNN）筛选潜在的药物分子，试图预测新化合物与靶点蛋白的结合亲和力。\n\n### 没有 awesome-explainable-graph-reasoning 时\n- **模型如同黑盒**：研究人员只能看到最终的结合概率分数，完全无法得知是分子中的哪个官能团或子结构起了关键作用。\n- **试错成本高昂**：由于缺乏可解释性依据，化学家不敢轻易信任模型推荐，仍需依赖传统实验对大量候选物进行盲目验证。\n- **合规审查受阻**：在面对监管机构关于“为何判定该分子有效”的质询时，团队无法提供基于图结构的逻辑推导证据。\n- **技术选型迷茫**：团队在浩瀚的文献中难以快速定位适合药物发现场景的可解释性算法（如 GNNExplainer 或 SubgraphX），研发进度停滞。\n\n### 使用 awesome-explainable-graph-reasoning 后\n- **决策透明可视**：借助库中集成的软件工具，团队能直接生成高亮热力图，精准定位到分子中对预测结果贡献最大的原子和化学键。\n- **研发效率倍增**：化学家依据模型提供的结构化理由，优先合成高置信度的分子，将湿实验验证的成功率提升了 40%。\n- **审计有据可依**：利用库中收录的理论论文作为支撑，团队能够清晰地向监管方展示模型是基于合理的化学子图特征做出的推断。\n- **前沿技术直达**：通过分类清晰的论文与代码索引，工程师迅速复现了最新的可解释推理算法，无需再花费数周时间梳理文献。\n\nawesome-explainable-graph-reasoning 将不可知的图模型预测转化为可信的化学洞察，成为连接人工智能算法与专业领域知识的坚实桥梁。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAstraZeneca_awesome-explainable-graph-reasoning_b38b01c3.png","AstraZeneca","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAstraZeneca_21b93e57.png","Data and AI: Unlocking new science insights",null,"https:\u002F\u002Fwww.astrazeneca.com\u002F","https:\u002F\u002Fgithub.com\u002FAstraZeneca",1984,136,"2026-04-02T21:40:31","Apache-2.0",5,"","未说明",{"notes":89,"python":87,"dependencies":90},"该项目是一个资源列表（Awesome List），汇集了关于图机器学习中可解释性的研究论文和软件工具，本身不是一个可直接运行的单一软件包，因此没有特定的运行环境、依赖库或硬件需求。用户需参考列表中链接的具体子项目以获取相应的环境要求。",[],[13,51],[93,94,95,96,97,98,99],"awesome-list","graph","graph-algorithms","deep-learning","explainable-ai","explainable-ml","graphml","2026-03-27T02:49:30.150509","2026-04-06T06:46:17.874704",[],[104],{"id":105,"version":106,"summary_zh":107,"released_at":108},72455,"v_00001","本仓库涵盖以下内容：\n\n1. [可解释的预测](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002Fchapters\u002Fpredictions.md)  \n2. [可解释的推理](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002Fchapters\u002Freasoning.md)  \n3. [软件工具](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002Fchapters\u002Fsoftware.md)\n4. [理论与综述论文](https:\u002F\u002Fgithub.com\u002FAstraZeneca\u002Fawesome-explainable-graph-reasoning\u002Fblob\u002Fmaster\u002Fchapters\u002Fsurvey.md)\n","2021-12-02T10:28:18"]