[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-DataArcTech--ToG":3,"tool-DataArcTech--ToG":64},[4,17,27,35,44,52],{"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",140436,2,"2026-04-05T23:32:43",[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":10,"last_commit_at":41,"category_tags":42,"status":16},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[13,14,15,43],"视频",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":23,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":23,"last_commit_at":58,"category_tags":59,"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",[14,60,43,61,15,62,26,13,63],"数据工具","插件","其他","音频",{"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":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":78,"difficulty_score":92,"env_os":93,"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":103,"updated_at":104,"faqs":105,"releases":106},4182,"DataArcTech\u002FToG","ToG","This is the official github repo of Think-on-Graph (ICLR 2024). If you are interested in our work or willing to join our research team in Shenzhen, please feel free to contact us by email (xuchengjin@idea.edu.cn)","ToG（Think-on-Graph）是一款专为提升大语言模型推理能力而设计的开源框架，其核心成果已发表于顶级会议 ICLR 2024。它主要解决了大模型在处理复杂逻辑问题时容易产生的“幻觉”及推理深度不足的痛点。通过将大语言模型与知识图谱（如 Freebase 或 Wikidata）深度融合，ToG 让模型能够像人类专家一样，在庞大的知识库中进行多跳、深度的路径探索，从而实现更严谨、可解释且负责任的推理过程。\n\n该工具特别适合人工智能研究人员、算法工程师以及对“大模型 + 知识图谱”交叉领域感兴趣的开发者使用。用户可以利用它复现论文实验，或在本地部署环境以构建需要高准确度推理的智能应用。ToG 的独特技术亮点在于其创新的“图上思考”机制：它并非简单检索信息，而是动态地在知识图谱中规划推理路径，结合剪枝策略去除无关干扰，引导模型逐步生成高质量答案。项目提供了完整的代码库、评估脚本及详细的环境配置指南，支持基于不同知识源的场景，是探索可信 AI 推理的有力工具。","# ToG\nThe code for paper: [\"Think-on-Graph: Deep and Responsible Reasoning of Large Language Model on Knowledge Graph\"](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2307.07697.pdf).\n\nThe original repo for ToG is [Here](https:\u002F\u002Fgithub.com\u002FGasolSun36\u002FToG).\n\n## News!\nOur paper is accepted by ICLR 2024 🥳🥳🥳.\n\n\n## Here is the illustration of ToG:\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataArcTech_ToG_readme_2e63fa939969.png)\n\n## The pipeline of ToG:\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataArcTech_ToG_readme_2255636c5794.png)\n\n## Project Structure\n- `requirements.txt`: Pip environment file.\n- `data\u002F`: Evaluation datasets. See `data\u002FREADME.md` for details.\n- `CoT\u002F`: CoT methods. See `CoT\u002FREADME.md` for details.\n- `eval\u002F`: Evaluation script. See `eval\u002FREADME.md` for details.\n- `Freebase\u002F`: Freebase environment setting. See `Freebase\u002FREADME.md` for details.\n- `Wikidata\u002F`: Wikidata environment setting. See `Wikidata\u002FREADME.md` for details.\n- `tools\u002F`: Common tools used in ToG. See `tools\u002FREADME.md` for details.\n- `ToG\u002F`: Source codes.\n  - `client.py`: Pre-defined Wikidata APIs, copy from `Wikidata\u002F`.\n  - `server_urls.txt`: Wikidata server urls, copy from `Wikidata\u002F`.\n  - `main_freebase.py`: The main file of ToG where Freebase as KG source. See `README.md` for details.\n  - `main_wiki.py`: Same as above but using Wikidata as KG source. See `README.md` for details.\n  - `prompt_list.py`: The prompts for the ToG to pruning, reasoning and generating.\n  - `freebase_func.py`: All the functions used in `main_freebase.py`.\n  - `wiki_func.py`: All the functions used in `main_wiki.py`.\n  - `utils.py`: All the functions used in ToG.\n\n## Get started\nBefore running ToG, please ensure that you have successfully installed either **Freebase** or **Wikidata** on your local machine. The comprehensive installation instructions and necessary configuration details can be found in the `README.md` file located within the respective folder.\n\nThe required libraries for running ToG can be found in `requirements.txt`.\n\nWhen using the Wikidata service, copy the `client.py` and `server_urls.txt` files from the `Wikidata` directory into the `ToG` folder.\n\n\n# How to run\nSee `ToG\u002F` README.md\n\n# How to eval\nUpon obtaining the result file, such as `ToG_cwq.jsonl`, you should using the `jsonl2json.py` script from the `tools` directory to convert the `ToG_cwq.jsonl` to `ToG_cwq.json`. Then, evaluate using the script in the `eval` folder (see `README.md` in `eval` folder).\n\n\n# How to cite\nIf you interested or inspired by this work, you can cite us by:\n```sh\n@misc{sun2023thinkongraph,\n      title={Think-on-Graph: Deep and Responsible Reasoning of Large Language Model with Knowledge Graph}, \n      author={Jiashuo Sun and Chengjin Xu and Lumingyuan Tang and Saizhuo Wang and Chen Lin and Yeyun Gong and Heung-Yeung Shum and Jian Guo},\n      year={2023},\n      eprint={2307.07697},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL}\n}\n```\n\n# Experiment:\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataArcTech_ToG_readme_5493592863fd.png)\n\n\n# Application:\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataArcTech_ToG_readme_883472945639.png)\n\n\n\n# Claims\nThis project uses the Apache 2.0 protocol. The project assumes no legal responsibility for any of the model's output and will not be held liable for any damages that may result from the use of the resources and output.\n\n# FYI\nWe are looking for self-motivated interns at IDEA (Shenzhen). If you are interested in the topics of LLMs and KGs, please send us your resume by email. Our email address is xuchengjin@idea.edu.cn\n","# ToG\n论文代码：[“Think-on-Graph：知识图谱上的大型语言模型深度且负责任的推理”](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2307.07697.pdf)。\n\nToG 的原始仓库地址为 [这里](https:\u002F\u002Fgithub.com\u002FGasolSun36\u002FToG)。\n\n## 新闻！\n我们的论文已被 ICLR 2024 接收 🥳🥳🥳。\n\n## 下面是 ToG 的示意图：\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataArcTech_ToG_readme_2e63fa939969.png)\n\n## ToG 的流程图：\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataArcTech_ToG_readme_2255636c5794.png)\n\n## 项目结构\n- `requirements.txt`：Pip 环境文件。\n- `data\u002F`：评估数据集。详情请参阅 `data\u002FREADME.md`。\n- `CoT\u002F`：链式思维方法。详情请参阅 `CoT\u002FREADME.md`。\n- `eval\u002F`：评估脚本。详情请参阅 `eval\u002FREADME.md`。\n- `Freebase\u002F`：Freebase 环境配置。详情请参阅 `Freebase\u002FREADME.md`。\n- `Wikidata\u002F`：Wikidata 环境配置。详情请参阅 `Wikidata\u002FREADME.md`。\n- `tools\u002F`：ToG 中使用的常用工具。详情请参阅 `tools\u002FREADME.md`。\n- `ToG\u002F`：源代码。\n  - `client.py`：预定义的 Wikidata API，复制自 `Wikidata\u002F`。\n  - `server_urls.txt`：Wikidata 服务器地址，复制自 `Wikidata\u002F`。\n  - `main_freebase.py`：以 Freebase 作为知识图谱来源的 ToG 主程序。详情请参阅 `README.md`。\n  - `main_wiki.py`：同上，但使用 Wikidata 作为知识图谱来源。详情请参阅 `README.md`。\n  - `prompt_list.py`：用于剪枝、推理和生成的提示词列表。\n  - `freebase_func.py`：`main_freebase.py` 中使用的所有函数。\n  - `wiki_func.py`：`main_wiki.py` 中使用的所有函数。\n  - `utils.py`：ToG 中使用的所有工具函数。\n\n## 开始使用\n在运行 ToG 之前，请确保您已在本地成功安装 **Freebase** 或 **Wikidata**。详细的安装说明及必要的配置信息可在相应文件夹内的 `README.md` 文件中找到。\n\n运行 ToG 所需的库列于 `requirements.txt` 中。\n\n当使用 Wikidata 服务时，请将 `Wikidata` 目录下的 `client.py` 和 `server_urls.txt` 文件复制到 `ToG` 文件夹中。\n\n\n# 如何运行\n请参阅 `ToG\u002F` 的 README.md。\n\n# 如何评估\n获得结果文件（如 `ToG_cwq.jsonl`）后，应使用 `tools` 目录下的 `jsonl2json.py` 脚本将其转换为 `ToG_cwq.json`。然后，使用 `eval` 文件夹中的脚本进行评估（详见 `eval` 文件夹中的 README.md）。\n\n\n# 如何引用\n如果您对本工作感兴趣或受到启发，可以按以下方式引用我们：\n```sh\n@misc{sun2023thinkongraph,\n      title={Think-on-Graph: Deep and Responsible Reasoning of Large Language Model with Knowledge Graph}, \n      author={Jiashuo Sun and Chengjin Xu and Lumingyuan Tang and Saizhuo Wang and Chen Lin and Yeyun Gong and Heung-Yeung Shum and Jian Guo},\n      year={2023},\n      eprint={2307.07697},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL}\n}\n```\n\n# 实验：\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataArcTech_ToG_readme_5493592863fd.png)\n\n\n# 应用：\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataArcTech_ToG_readme_883472945639.png)\n\n\n\n# 声明\n本项目采用 Apache 2.0 协议。对于模型的任何输出，本项目不承担任何法律责任，也不会因使用相关资源及输出而产生的任何损害承担责任。\n\n# 供参考\nIDEA（深圳）正在招募积极主动的实习生。如果您对大语言模型和知识图谱相关领域感兴趣，请将您的简历发送至邮箱 xuchengjin@idea.edu.cn。","# ToG 快速上手指南\n\nToG (Think-on-Graph) 是一个结合大型语言模型（LLM）与知识图谱（KG）进行深度推理的开源框架，相关论文已被 ICLR 2024 录用。本指南将帮助你快速在本地搭建并运行该工具。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Linux 或 macOS（Windows 用户建议使用 WSL2）。\n*   **Python 版本**：推荐 Python 3.8 或更高版本。\n*   **知识图谱环境**：必须先在本地成功部署 **Freebase** 或 **Wikidata** 其中之一。\n    *   具体安装配置请参考项目根目录下对应的 `Freebase\u002FREADME.md` 或 `Wikidata\u002FREADME.md`。\n*   **网络环境**：运行 Wikidata 模式时需要能够访问相应的服务器接口。\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FGasolSun36\u002FToG.git\n    cd ToG\n    ```\n\n2.  **安装 Python 依赖**\n    建议使用虚拟环境（如 conda 或 venv），然后安装所需库：\n    ```bash\n    pip install -r requirements.txt\n    ```\n    > **提示**：国内开发者可使用清华源加速安装：\n    > `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n3.  **配置 Wikidata 模式（仅当使用 Wikidata 时）**\n    如果你选择使用 Wikidata 作为知识图谱源，需要将配置文件复制到核心代码目录：\n    ```bash\n    cp Wikidata\u002Fclient.py ToG\u002F\n    cp Wikidata\u002Fserver_urls.txt ToG\u002F\n    ```\n    *注：若使用 Freebase 模式，请确保已按 `Freebase\u002FREADME.md` 完成相应设置，无需执行此步。*\n\n## 基本使用\n\nToG 的核心逻辑位于 `ToG\u002F` 目录下，根据你选择的知识图谱源，运行不同的入口脚本。\n\n### 1. 运行推理\n\n**场景 A：使用 Freebase 作为知识图谱源**\n```bash\npython ToG\u002Fmain_freebase.py\n```\n\n**场景 B：使用 Wikidata 作为知识图谱源**\n```bash\npython ToG\u002Fmain_wiki.py\n```\n*注意：具体的参数配置（如输入问题、模型路径等）请在运行前查阅 `ToG\u002FREADME.md` 或在脚本中调整。*\n\n### 2. 评估结果\n\n推理完成后，会生成 `.jsonl` 格式的结果文件（例如 `ToG_cwq.jsonl`）。若要评估效果，需先转换格式再运行评估脚本：\n\n**第一步：转换文件格式**\n```bash\npython tools\u002Fjsonl2json.py ToG_cwq.jsonl\n```\n*执行后将生成 `ToG_cwq.json`。*\n\n**第二步：运行评估**\n进入 `eval\u002F` 目录，参照该目录下的 `README.md` 运行评估脚本即可得到最终指标。","某金融风控团队需要利用大模型自动分析复杂的企业股权穿透关系，以识别潜在的关联交易风险。\n\n### 没有 ToG 时\n- **推理幻觉严重**：大模型仅凭训练数据中的模糊记忆回答，经常编造不存在的持股路径或错误的股东名称。\n- **缺乏深度探索**：面对多层嵌套的股权结构，模型无法主动进行多跳查询，往往在第二层关系就停止推理，遗漏关键隐性控制人。\n- **结果不可验证**：生成的分析结论没有明确的数据来源支撑，合规人员难以追溯事实依据，导致报告无法通过审计。\n- **响应效率低下**：为了获取准确信息，分析师不得不人工在多个数据库中反复检索并拼接信息，耗时数小时才能完成一家企业的排查。\n\n### 使用 ToG 后\n- **事实精准锚定**：ToG 将大模型的推理过程实时绑定到 Wikidata 或 Freebase 知识图谱上，确保每一步推导都基于真实的图谱三元组，彻底消除幻觉。\n- **自动化深度遍历**：系统能自主规划推理路径，自动沿图谱边缘进行多跳搜索，轻松穿透五层以上的复杂股权架构，精准定位最终受益人。\n- **推理过程透明**：ToG 会输出完整的“思考 - 验证”链条，每一条结论都附带具体的图谱节点证据，让风控报告具备可解释性和可审计性。\n- **即时智能决策**：原本需要数小时的人工尽调工作，现在只需输入企业名称，ToG 即可在秒级时间内生成结构完整、证据确凿的风险分析报告。\n\nToG 通过将大模型的逻辑推理能力与知识图谱的精确事实相结合，实现了从“盲目猜测”到“有据可依”的深度推理飞跃。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDataArcTech_ToG_a8be65b3.png","DataArcTech","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FDataArcTech_89de5d7d.png","Welcome to DataArc Tech Inc.",null,"https:\u002F\u002Fgithub.com\u002FDataArcTech",[81,85],{"name":82,"color":83,"percentage":84},"Python","#3572A5",99.6,{"name":86,"color":87,"percentage":88},"Shell","#89e051",0.4,642,70,"2026-04-01T08:31:12",4,"未说明",{"notes":95,"python":93,"dependencies":96},"运行前必须在本地成功安装并配置 Freebase 或 Wikidata 环境，具体步骤需参考各自文件夹下的 README.md。若使用 Wikidata 服务，需将 Wikidata 目录下的 client.py 和 server_urls.txt 文件复制到 ToG 文件夹中。评估结果时需先使用 tools 目录下的脚本将 jsonl 格式转换为 json 格式。",[97],"requirements.txt 中定义的库（具体列表未在 README 中展示）",[13,60,26],[100,101,102],"iclr2024","knowledge-graph","llm","2026-03-27T02:49:30.150509","2026-04-06T14:01:31.679339",[],[]]