[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Determined22--zh-NER-TF":3,"tool-Determined22--zh-NER-TF":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",157379,2,"2026-04-15T23:32:42",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":79,"difficulty_score":94,"env_os":95,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":107,"updated_at":108,"faqs":109,"releases":110},7987,"Determined22\u002Fzh-NER-TF","zh-NER-TF","A very simple BiLSTM-CRF model for Chinese Named Entity Recognition 中文命名实体识别 (TensorFlow)","zh-NER-TF 是一个专为中文命名实体识别设计的开源深度学习模型。它的核心任务是从中文文本中自动识别并标注出三类关键信息：人名（PERSON）、地名（LOCATION）和机构名（ORGANIZATION）。\n\n该工具主要解决了传统方法在处理中文序列标注时，难以兼顾上下文语境与标签逻辑连贯性的痛点。例如，普通分类模型可能独立判断每个字，导致出现“地名的中间部分”紧跟在“人名的开始部分”这种不合语法的错误标注。zh-NER-TF 通过独特的技术架构有效避免了此类问题：它采用基于字符的 BiLSTM-CRF 模型，利用双向 LSTM 层充分捕捉前后文语义特征，并引入条件随机场（CRF）层从句子整体层面优化标签转移路径，确保输出结果的逻辑正确性。\n\n这款工具非常适合自然语言处理领域的开发者、研究人员以及高校学生使用。对于希望深入理解序列标注模型原理，或需要在 TensorFlow 1.2 环境下快速搭建中文实体识别基线系统的用户来说，zh-NER-TF 提供了结构清晰、易于复现的代码实现。虽然其依赖较早期的技术栈，但作为学习 BiLSTM-CRF 架构的经典案例，它依然具有重要的参考价值和","zh-NER-TF 是一个专为中文命名实体识别设计的开源深度学习模型。它的核心任务是从中文文本中自动识别并标注出三类关键信息：人名（PERSON）、地名（LOCATION）和机构名（ORGANIZATION）。\n\n该工具主要解决了传统方法在处理中文序列标注时，难以兼顾上下文语境与标签逻辑连贯性的痛点。例如，普通分类模型可能独立判断每个字，导致出现“地名的中间部分”紧跟在“人名的开始部分”这种不合语法的错误标注。zh-NER-TF 通过独特的技术架构有效避免了此类问题：它采用基于字符的 BiLSTM-CRF 模型，利用双向 LSTM 层充分捕捉前后文语义特征，并引入条件随机场（CRF）层从句子整体层面优化标签转移路径，确保输出结果的逻辑正确性。\n\n这款工具非常适合自然语言处理领域的开发者、研究人员以及高校学生使用。对于希望深入理解序列标注模型原理，或需要在 TensorFlow 1.2 环境下快速搭建中文实体识别基线系统的用户来说，zh-NER-TF 提供了结构清晰、易于复现的代码实现。虽然其依赖较早期的技术栈，但作为学习 BiLSTM-CRF 架构的经典案例，它依然具有重要的参考价值和教学意义。","# A simple BiLSTM-CRF model for Chinese Named Entity Recognition\n\nThis repository includes the code for buliding a very simple __character-based BiLSTM-CRF sequence labeling model__ for Chinese Named Entity Recognition task. Its goal is to recognize three types of Named Entity: PERSON, LOCATION and ORGANIZATION.\n\nThis code works on __Python 3 & TensorFlow 1.2__ and the following repository [https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging](https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging) gives me much help.\n\n## Model\n\nThis model is similar to the models provided by paper [1] and [2]. Its structure looks just like the following illustration:\n\n![Network](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDetermined22_zh-NER-TF_readme_e4b5b9c7f65c.png)\n\nFor one Chinese sentence, each character in this sentence has \u002F will have a tag which belongs to the set {O, B-PER, I-PER, B-LOC, I-LOC, B-ORG, I-ORG}.\n\nThe first layer, __look-up layer__, aims at transforming each character representation from one-hot vector into *character embedding*. In this code I initialize the embedding matrix randomly. We could add some linguistic knowledge later. For example, do tokenization and use pre-trained word-level embedding, then augment character embedding with the corresponding token's word embedding. In addition, we can get the character embedding by combining low-level features (please see paper[2]'s section 4.1 and paper[3]'s section 3.3 for more details).\n\nThe second layer, __BiLSTM layer__, can efficiently use *both past and future* input information and extract features automatically.\n\nThe third layer, __CRF layer__,  labels the tag for each character in one sentence. If we use a Softmax layer for labeling, we might get ungrammatic tag sequences beacuse the Softmax layer labels each position independently. We know that 'I-LOC' cannot follow 'B-PER' but Softmax doesn't know. Compared to Softmax, a CRF layer can use *sentence-level tag information* and model the transition behavior of each two different tags.\n\n## Dataset\n\n|    | #sentence | #PER | #LOC | #ORG |\n| :----: | :---: | :---: | :---: | :---: |\n| train  | 46364 | 17615 | 36517 | 20571 |\n| test   | 4365  | 1973  | 2877  | 1331  |\n\nIt looks like a portion of [MSRA corpus](http:\u002F\u002Fsighan.cs.uchicago.edu\u002Fbakeoff2006\u002F). I downloaded the dataset from the link in `.\u002Fdata_path\u002Foriginal\u002Flink.txt`\n\n### data files\n\nThe directory `.\u002Fdata_path` contains:\n\n- the preprocessed data files, `train_data` and `test_data` \n- a vocabulary file `word2id.pkl` that maps each character to a unique id  \n\nFor generating vocabulary file, please refer to the code in `data.py`. \n\n### data format\n\nEach data file should be in the following format:\n\n```\n中\tB-LOC\n国\tI-LOC\n很\tO\n大\tO\n\n句\tO\n子\tO\n结\tO\n束\tO\n是\tO\n空\tO\n行\tO\n\n```\n\nIf you want to use your own dataset, please: \n\n- transform your corpus to the above format\n- generate a new vocabulary file\n\n## How to Run\n\n### train\n\n`python main.py --mode=train `\n\n### test\n\n`python main.py --mode=test --demo_model=1521112368`\n\nPlease set the parameter `--demo_model` to the model that you want to test. `1521112368` is the model trained by me. \n\nAn official evaluation tool for computing metrics: [here (click 'Instructions')](http:\u002F\u002Fsighan.cs.uchicago.edu\u002Fbakeoff2006\u002F)\n\nMy test performance:\n\n| P     | R     | F     | F (PER)| F (LOC)| F (ORG)|\n| :---: | :---: | :---: | :---: | :---: | :---: |\n| 0.8945 | 0.8752 | 0.8847 | 0.8688 | 0.9118 | 0.8515\n\n### demo\n\n`python main.py --mode=demo --demo_model=1521112368`\n\nYou can input one Chinese sentence and the model will return the recognition result:\n\n![demo_pic](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDetermined22_zh-NER-TF_readme_2f166382e5aa.png)\n\n## Reference\n\n\\[1\\] [Bidirectional LSTM-CRF Models for Sequence Tagging](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1508.01991v1.pdf)\n\n\\[2\\] [Neural Architectures for Named Entity Recognition](http:\u002F\u002Faclweb.org\u002Fanthology\u002FN16-1030)\n\n\\[3\\] [Character-Based LSTM-CRF with Radical-Level Features for Chinese Named Entity Recognition](https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-3-319-50496-4_20)\n\n\\[4\\] [https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging](https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging)  \n","# 一个用于中文命名实体识别的简单 BiLSTM-CRF 模型\n\n本仓库包含构建一个非常简单的基于字符的 BiLSTM-CRF 序列标注模型的代码，用于中文命名实体识别任务。该模型的目标是识别三种类型的命名实体：人名（PERSON）、地名（LOCATION）和组织名（ORGANIZATION）。\n\n此代码适用于 Python 3 和 TensorFlow 1.2。以下仓库 [https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging](https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging) 对我帮助很大。\n\n## 模型\n\n该模型与论文 [1] 和 [2] 中提出的模型类似。其结构如下图所示：\n\n![Network](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDetermined22_zh-NER-TF_readme_e4b5b9c7f65c.png)\n\n对于一句中文，句子中的每个字符都会被赋予一个标签，该标签属于集合 {O, B-PER, I-PER, B-LOC, I-LOC, B-ORG, I-ORG}。\n\n第一层，即 __查找层__，旨在将每个字符的独热编码表示转换为 *字符嵌入*。在本代码中，我随机初始化了嵌入矩阵。未来可以加入一些语言学知识，例如进行分词并使用预训练的词级嵌入，然后将字符嵌入与相应词的词嵌入相结合。此外，还可以通过结合低层次特征来获取字符嵌入（详情请参阅论文 [2] 的第 4.1 节和论文 [3] 的第 3.3 节）。\n\n第二层，即 __BiLSTM 层__，能够高效地利用 *过去和未来的输入信息* 并自动提取特征。\n\n第三层，即 __CRF 层__，为句子中的每个字符打上标签。如果使用 Softmax 层进行标注，可能会得到语法不正确的标签序列，因为 Softmax 层会独立地为每个位置打标签。我们知道“I-LOC”不能紧跟在“B-PER”之后，但 Softmax 并不知道这一点。相比之下，CRF 层可以利用 *句子级别的标签信息*，并对每两个不同标签之间的转移行为进行建模。\n\n## 数据集\n\n|    | 句子数 | PERSON 数 | LOCATION 数 | ORGANIZATION 数 |\n| :----: | :---: | :---: | :---: | :---: |\n| 训练集  | 46364 | 17615 | 36517 | 20571 |\n| 测试集   | 4365  | 1973  | 2877  | 1331  |\n\n数据集看起来像是 [MSRA 语料库](http:\u002F\u002Fsighan.cs.uchicago.edu\u002Fbakeoff2006\u002F) 的一部分。我从 `.\u002Fdata_path\u002Foriginal\u002Flink.txt` 中提供的链接下载了该数据集。\n\n### 数据文件\n\n目录 `.\u002Fdata_path` 包含：\n\n- 预处理后的数据文件，`train_data` 和 `test_data`\n- 一个词汇表文件 `word2id.pkl`，它将每个字符映射到一个唯一的 ID  \n\n关于生成词汇表文件，请参考 `data.py` 中的代码。\n\n### 数据格式\n\n每个数据文件应采用以下格式：\n\n```\n中\tB-LOC\n国\tI-LOC\n很\tO\n大\tO\n\n句\tO\n子\tO\n结\tO\n束\tO\n是\tO\n空\tO\n行\tO\n\n```\n\n如果您想使用自己的数据集，请：\n\n- 将您的语料库转换为上述格式\n- 生成一个新的词汇表文件\n\n## 运行方法\n\n### 训练\n\n`python main.py --mode=train `\n\n### 测试\n\n`python main.py --mode=test --demo_model=1521112368`\n\n请将参数 `--demo_model` 设置为您想要测试的模型。`1521112368` 是我训练好的模型。\n\n官方评估工具用于计算指标：[这里（点击“Instructions”）](http:\u002F\u002Fsighan.cs.uchicago.edu\u002Fbakeoff2006\u002F)\n\n我的测试结果：\n\n| P     | R     | F     | F (PER)| F (LOC)| F (ORG)|\n| :---: | :---: | :---: | :---: | :---: | :---: |\n| 0.8945 | 0.8752 | 0.8847 | 0.8688 | 0.9118 | 0.8515\n\n### 演示\n\n`python main.py --mode=demo --demo_model=1521112368`\n\n您可以输入一句中文，模型将返回识别结果：\n\n![demo_pic](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDetermined22_zh-NER-TF_readme_2f166382e5aa.png)\n\n## 参考文献\n\n\\[1\\] [用于序列标注的双向 LSTM-CRF 模型](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1508.01991v1.pdf)\n\n\\[2\\] [用于命名实体识别的神经网络架构](http:\u002F\u002Faclweb.org\u002Fanthology\u002FN16-1030)\n\n\\[3\\] [结合部首特征的基于字符的 LSTM-CRF 模型用于中文命名实体识别](https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-3-319-50496-4_20)\n\n\\[4\\] [https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging](https:\u002F\u002Fgithub.com\u002Fguillaumegenthial\u002Fsequence_tagging)","# zh-NER-TF 快速上手指南\n\nzh-NER-TF 是一个基于字符的 BiLSTM-CRF 序列标注模型，专为中文命名实体识别（NER）任务设计。该模型能够识别三种类型的实体：**人名 (PERSON)**、**地名 (LOCATION)** 和 **机构名 (ORGANIZATION)**。\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 \u002F macOS \u002F Windows\n*   **Python 版本**：Python 3.x\n*   **深度学习框架**：TensorFlow 1.2\n    *   *注意：本项目基于较旧的 TensorFlow 1.2 版本开发，建议使用虚拟环境隔离依赖。*\n*   **前置依赖**：\n    ```bash\n    pip install tensorflow==1.2.0\n    # 其他常见依赖如 numpy, pickle 等通常已包含在标准库或 TF 依赖中\n    ```\n\n## 安装步骤\n\n1.  **克隆仓库**\n    将项目代码下载到本地：\n    ```bash\n    git clone \u003Crepository_url>\n    cd zh-NER-TF\n    ```\n    *(注：请将 `\u003Crepository_url>` 替换为实际的 GitHub 仓库地址)*\n\n2.  **数据准备**\n    项目目录下的 `.\u002Fdata_path` 文件夹应包含预处理后的数据文件 (`train_data`, `test_data`) 和词汇表文件 (`word2id.pkl`)。\n    *   如果文件夹为空，请参考 `data.py` 中的逻辑生成词汇表，或从原作者提供的链接下载数据集（参考 README 中的 MSRA 语料库链接）。\n    *   若使用自定义数据集，需将其转换为如下格式（字符与标签由制表符分隔，句子间用空行分隔）：\n        ```text\n        中\tB-LOC\n        国\tI-LOC\n        很\tO\n        大\tO\n\n        句\tO\n        子\tO\n        ...\n        ```\n\n## 基本使用\n\n### 1. 训练模型\n\n使用默认配置开始训练模型：\n\n```bash\npython main.py --mode=train\n```\n\n训练完成后，会在目录下生成包含时间戳的模型文件夹。\n\n### 2. 测试模型\n\n使用训练好的模型进行测试评估。请将 `--demo_model` 参数替换为您实际生成的模型时间戳（例如 `1521112368`）：\n\n```bash\npython main.py --mode=test --demo_model=1521112368\n```\n\n模型将在测试集上输出精确率 (P)、召回率 (R) 和 F1 值。\n\n### 3. 交互式演示 (Demo)\n\n输入单句中文进行实时实体识别演示：\n\n```bash\npython main.py --mode=demo --demo_model=1521112368\n```\n\n运行后，终端将提示您输入中文句子，模型会立即返回识别结果（包含实体类型及位置标记）。","某新闻聚合平台的技术团队需要每天从海量中文报道中自动提取人物、地点和机构信息，以构建结构化知识图谱。\n\n### 没有 zh-NER-TF 时\n- 依赖人工标注或昂贵的商业 API，处理数万条新闻的成本极高且速度缓慢，无法实现实时更新。\n- 使用简单的正则表达式匹配，经常将“王建国”（人名）误判为普通词汇，或无法区分“中国银行”（机构）与“中国”（地点）的嵌套关系。\n- 缺乏上下文理解能力，导致同一实体在不同句子中被标记不一致，后续数据分析错误率高，清洗数据耗费大量开发时间。\n- 难以适应新出现的专有名词，模型泛化能力差，每次遇到新领域都需要重新编写规则。\n\n### 使用 zh-NER-TF 后\n- 基于 BiLSTM-CRF 架构自动训练模型，零成本实现本地化部署，秒级完成万条新闻的实体抽取，大幅降低运营开支。\n- 利用字符级嵌入和双向 LSTM 捕捉上下文特征，精准识别复杂嵌套实体，准确区分人名、地名与机构名，F1 值提升至 88% 以上。\n- CRF 层引入句子级标签约束，彻底消除了\"I-LOC\"紧跟\"B-PER\"等不合语法的错误标注，输出结果直接可用，无需二次清洗。\n- 只需准备少量标注数据即可微调模型，快速适配金融、医疗等垂直领域的新词汇，显著提升了系统的扩展性。\n\nzh-NER-TF 通过深度学习技术将非结构化中文文本转化为高质量结构化数据，让低成本的自动化信息提取成为现实。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDetermined22_zh-NER-TF_e23ae4eb.png","Determined22","Penghui Wei","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FDetermined22_1cdfe607.jpg","Large Language Models, Computational Advertising, Information Retrieval","Staff MLE at Baidu Search Ads","Beijing",null,"https:\u002F\u002Fdetermined22.github.io","https:\u002F\u002Fgithub.com\u002FDetermined22",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",66.8,{"name":88,"color":89,"percentage":90},"Perl","#0298c3",33.2,2339,928,"2026-04-13T04:11:52",4,"","未说明",{"notes":98,"python":99,"dependencies":100},"该工具基于较旧的 TensorFlow 1.2 版本，代码中引用了 sequence_tagging 仓库作为基础。数据集源自 MSRA 语料库的一部分，需自行下载或按指定格式准备数据。运行前需生成词汇表文件 (word2id.pkl)。","3.x",[101],"tensorflow==1.2",[14],[104,105,106],"named-entity-recognition","bilstm-crf-model","tensorflow","2026-03-27T02:49:30.150509","2026-04-16T10:48:52.289372",[],[]]