[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-DjangoPeng--openai-quickstart":3,"tool-DjangoPeng--openai-quickstart":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":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":79,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":23,"env_os":97,"env_gpu":98,"env_ram":99,"env_deps":100,"category_tags":108,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":112},4153,"DjangoPeng\u002Fopenai-quickstart","openai-quickstart","A comprehensive guide to understanding and implementing large language models with hands-on examples using LangChain for GenAI applications.","openai-quickstart 是一套专为大型语言模型（LLM）应用开发打造的一站式学习资源与实战指南。它旨在解决开发者在从理论理解到落地生成式人工智能（AIGC）应用过程中面临的学习曲线陡峭、环境配置复杂及缺乏系统示例等痛点。\n\n该项目非常适合希望快速上手 LLM 开发的软件工程师、技术研究人员以及 AI 爱好者。内容不仅深入剖析了 BERT、GPT 等模型的架构与训练原理，更提供了基于 OpenAI 系列模型（如 GPT-4）的二次开发最佳实践，涵盖函数调用与插件开发等前沿话题。\n\n其独特的技术亮点在于深度整合了 LangChain 框架，通过 AutoGPT、RAG 聊天机器人及机器翻译等丰富的手把手案例，帮助用户直观掌握如何构建复杂的 GenAI 应用。此外，项目还全面覆盖了数据隐私合规、GPU 选型、Hugging Face 生态及 ChatGLM 使用等关键工程技术栈。配合详尽的 Python 环境搭建教程与 Jupyter Lab 配置指南，openai-quickstart 让学习者能够轻松跨越理论与实操的鸿沟，高效开启大模型应用开发之旅。","# 大模型（LLMs）应用开发快速入门指南\n\n![GitHub stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FDjangoPeng\u002Fopenai-quickstart?style=social)\n![GitHub forks](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002FDjangoPeng\u002Fopenai-quickstart?style=social)\n![GitHub watchers](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fwatchers\u002FDjangoPeng\u002Fopenai-quickstart?style=social)\n![GitHub repo size](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frepo-size\u002FDjangoPeng\u002Fopenai-quickstart)\n![GitHub language count](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flanguages\u002Fcount\u002FDjangoPeng\u002Fopenai-quickstart)\n![GitHub top language](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flanguages\u002Ftop\u002FDjangoPeng\u002Fopenai-quickstart)\n![GitHub last commit](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002FDjangoPeng\u002Fopenai-quickstart?color=red)\n\n\u003Cp align=\"center\">\n    \u003Cbr> \u003Ca href=\"README-en.md\">English\u003C\u002Fa> | 中文\n\u003C\u002Fp>\n\n\n本项目旨在为所有对大型语言模型及其在生成式人工智能（AIGC）场景中应用的人们提供一站式学习资源。通过提供理论基础，开发基础，和实践示例，该项目对这些前沿主题提供了全面的指导。\n\n## 特性\n\n- **大语言模型的理论和开发基础**：深入探讨BERT和GPT系列等大型语言模型的内部工作原理，包括它们的架构、训练方法、应用等。\n\n- **基于OpenAI的二次开发**：OpenAI的Embedding、GPT-3.5、GPT-4模型的快速上手和应用，以及函数调用（Function Calling）和ChatGPT插件等最佳实践\n\n- **使用LangChain进行GenAI应用开发**：通过实例和教程，利用LangChain开发GenAI应用程序，展示大型语言模型（AutoGPT、RAG-chatbot、机器翻译）的实际应用。\n\n- **LLM技术栈与生态**：数据隐私与法律合规性，GPU技术选型指南，Hugging Face快速入门指南，ChatGLM的使用。\n\n## 拉取代码\n\n你可以通过克隆此仓库到你的本地机器来开始：\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FDjangoPeng\u002Fopenai-quickstart.git\n```\n\n然后导航至目录，并按照单个模块的指示开始操作。\n\n## 搭建开发环境\n\n本项目使用 Python v3.10 开发，完整 Python 依赖软件包见[requirements.txt](requirements.txt)。\n\n关键依赖的官方文档如下：\n\n- Python 环境管理 [Miniconda](https:\u002F\u002Fdocs.conda.io\u002Fprojects\u002Fminiconda\u002Fen\u002Flatest\u002F)\n- Python 交互式开发环境 [Jupyter Lab](https:\u002F\u002Fjupyterlab.readthedocs.io\u002Fen\u002Fstable\u002Fgetting_started\u002Finstallation.html)\n- 大模型应用开发框架 [LangChain](https:\u002F\u002Fpython.langchain.com\u002Fdocs\u002Fget_started\u002Finstallation)\n- [OpenAI Python SDK ](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fopenai-python?tab=readme-ov-file#installation) \n\n\n**以下是详细的安装指导（以 Ubuntu 操作系统为例）**：\n\n### 安装 Miniconda\n\n```shell\nmkdir -p ~\u002Fminiconda3\nwget https:\u002F\u002Frepo.anaconda.com\u002Fminiconda\u002FMiniconda3-latest-Linux-x86_64.sh -O ~\u002Fminiconda3\u002Fminiconda.sh\nbash ~\u002Fminiconda3\u002Fminiconda.sh -b -u -p ~\u002Fminiconda3\nrm -rf ~\u002Fminiconda3\u002Fminiconda.sh\n```\n\n安装完成后，建议新建一个 Python 虚拟环境，命名为 `langchain`。\n\n```shell\nconda create -n langchain python=3.10\n\n# 激活环境\nconda activate langchain \n```\n\n之后每次使用需要激活此环境。\n\n\n### 安装 Python 依赖软件包\n\n```shell\npip install -r requirements.txt\n```\n\n### 配置 OpenAI API Key\n\n根据你使用的命令行工具，在 `~\u002F.bashrc` 或 `~\u002F.zshrc` 中配置 `OPENAI_API_KEY` 环境变量：\n\n```shell\nexport OPENAI_API_KEY=\"xxxx\"\n```\n\n### 安装和配置 Jupyter Lab\n\n上述开发环境安装完成后，使用 Miniconda 安装 Jupyter Lab：\n\n```shell\nconda install -c conda-forge jupyterlab\n```\n\n使用 Jupyter Lab 开发的最佳实践是后台常驻，下面是相关配置（以 root 用户为例）：\n\n```shell\n# 生成 Jupyter Lab 配置文件，\njupyter lab --generate-config\n```\n\n打开上面执行输出的`jupyter_lab_config.py`配置文件后，修改以下配置项：\n\n```python\nc.ServerApp.allow_root = True # 非 root 用户启动，无需修改\nc.ServerApp.ip = '*'\n```\n\n使用 nohup 后台启动 Jupyter Lab\n```shell\n$ nohup jupyter lab --port=8000 --NotebookApp.token='替换为你的密码' --notebook-dir=.\u002F &\n```\n\nJupyter Lab 输出的日志将会保存在 `nohup.out` 文件（已在 .gitignore中过滤）。\n\n\n## 课程大纲\n\n完整文档请移步：[大模型（LLMs）应用开发快速入门指南课程大纲](docs\u002Fschedule.md#课程表)\n\n\n## 贡献\n\n贡献是使开源社区成为学习、激励和创造的惊人之处。非常感谢你所做的任何贡献。如果你有任何建议或功能请求，请先开启一个议题讨论你想要改变的内容。\n\n\u003Ca href='https:\u002F\u002Fgithub.com\u002Frepo-reviews\u002Frepo-reviews.github.io\u002Fblob\u002Fmain\u002Fcreate.md' target=\"_blank\">\u003Cimg alt='Github' src='https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Freview_me-100000?style=flat&logo=Github&logoColor=white&labelColor=888888&color=555555'\u002F>\u003C\u002Fa>\n\n## 许可证\n\n该项目根据Apache-2.0许可证的条款进行许可。详情请参见[LICENSE](LICENSE)文件。\n\n## 联系\n\nDjango Peng - pjt73651@email.com\n\n项目链接: https:\u002F\u002Fgithub.com\u002FDjangoPeng\u002Fopenai-quickstart\n\n## ⭐️⭐️\n\n\u003Ca href=\"https:\u002F\u002Fstar-history.com\u002F#DjangoPeng\u002Fopenai-quickstart&Date\">\n  \u003Cpicture>\n    \u003Csource media=\"(prefers-color-scheme: dark)\" srcset=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDjangoPeng_openai-quickstart_readme_ec73f365ede1.png&theme=dark\" \u002F>\n    \u003Csource media=\"(prefers-color-scheme: light)\" srcset=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDjangoPeng_openai-quickstart_readme_ec73f365ede1.png\" \u002F>\n    \u003Cimg alt=\"Star History Chart\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDjangoPeng_openai-quickstart_readme_ec73f365ede1.png\" \u002F>\n  \u003C\u002Fpicture>\n\u003C\u002Fa>\n","# 大模型（LLMs）应用开发快速入门指南\n\n![GitHub stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FDjangoPeng\u002Fopenai-quickstart?style=social)\n![GitHub forks](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002FDjangoPeng\u002Fopenai-quickstart?style=social)\n![GitHub watchers](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fwatchers\u002FDjangoPeng\u002Fopenai-quickstart?style=social)\n![GitHub repo size](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frepo-size\u002FDjangoPeng\u002Fopenai-quickstart)\n![GitHub language count](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flanguages\u002Fcount\u002FDjangoPeng\u002Fopenai-quickstart)\n![GitHub top language](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flanguages\u002Ftop\u002FDjangoPeng\u002Fopenai-quickstart)\n![GitHub last commit](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002FDjangoPeng\u002Fopenai-quickstart?color=red)\n\n\u003Cp align=\"center\">\n    \u003Cbr> \u003Ca href=\"README-en.md\">English\u003C\u002Fa> | 中文\n\u003C\u002Fp>\n\n\n本项目旨在为所有对大型语言模型及其在生成式人工智能（AIGC）场景中应用的人们提供一站式学习资源。通过提供理论基础，开发基础，和实践示例，该项目对这些前沿主题提供了全面的指导。\n\n## 特性\n\n- **大语言模型的理论和开发基础**：深入探讨BERT和GPT系列等大型语言模型的内部工作原理，包括它们的架构、训练方法、应用等。\n\n- **基于OpenAI的二次开发**：OpenAI的Embedding、GPT-3.5、GPT-4模型的快速上手和应用，以及函数调用（Function Calling）和ChatGPT插件等最佳实践\n\n- **使用LangChain进行GenAI应用开发**：通过实例和教程，利用LangChain开发GenAI应用程序，展示大型语言模型（AutoGPT、RAG-chatbot、机器翻译）的实际应用。\n\n- **LLM技术栈与生态**：数据隐私与法律合规性，GPU技术选型指南，Hugging Face快速入门指南，ChatGLM的使用。\n\n## 拉取代码\n\n你可以通过克隆此仓库到你的本地机器来开始：\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FDjangoPeng\u002Fopenai-quickstart.git\n```\n\n然后导航至目录，并按照单个模块的指示开始操作。\n\n## 搭建开发环境\n\n本项目使用 Python v3.10 开发，完整 Python 依赖软件包见[requirements.txt](requirements.txt)。\n\n关键依赖的官方文档如下：\n\n- Python 环境管理 [Miniconda](https:\u002F\u002Fdocs.conda.io\u002Fprojects\u002Fminiconda\u002Fen\u002Flatest\u002F)\n- Python 交互式开发环境 [Jupyter Lab](https:\u002F\u002Fjupyterlab.readthedocs.io\u002Fen\u002Fstable\u002Fgetting_started\u002Finstallation.html)\n- 大模型应用开发框架 [LangChain](https:\u002F\u002Fpython.langchain.com\u002Fdocs\u002Fget_started\u002Finstallation)\n- [OpenAI Python SDK ](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fopenai-python?tab=readme-ov-file#installation) \n\n\n**以下是详细的安装指导（以 Ubuntu 操作系统为例）**：\n\n### 安装 Miniconda\n\n```shell\nmkdir -p ~\u002Fminiconda3\nwget https:\u002F\u002Frepo.anaconda.com\u002Fminiconda\u002FMiniconda3-latest-Linux-x86_64.sh -O ~\u002Fminiconda3\u002Fminiconda.sh\nbash ~\u002Fminiconda3\u002Fminiconda.sh -b -u -p ~\u002Fminiconda3\nrm -rf ~\u002Fminiconda3\u002Fminiconda.sh\n```\n\n安装完成后，建议新建一个 Python 虚拟环境，命名为 `langchain`。\n\n```shell\nconda create -n langchain python=3.10\n\n# 激活环境\nconda activate langchain \n```\n\n之后每次使用需要激活此环境。\n\n\n### 安装 Python 依赖软件包\n\n```shell\npip install -r requirements.txt\n```\n\n### 配置 OpenAI API Key\n\n根据你使用的命令行工具，在 `~\u002F.bashrc` 或 `~\u002F.zshrc` 中配置 `OPENAI_API_KEY` 环境变量：\n\n```shell\nexport OPENAI_API_KEY=\"xxxx\"\n```\n\n### 安装和配置 Jupyter Lab\n\n上述开发环境安装完成后，使用 Miniconda 安装 Jupyter Lab：\n\n```shell\nconda install -c conda-forge jupyterlab\n```\n\n使用 Jupyter Lab 开发的最佳实践是后台常驻，下面是相关配置（以 root 用户为例）：\n\n```shell\n# 生成 Jupyter Lab 配置文件，\njupyter lab --generate-config\n```\n\n打开上面执行输出的`jupyter_lab_config.py`配置文件后，修改以下配置项：\n\n```python\nc.ServerApp.allow_root = True # 非 root 用户启动，无需修改\nc.ServerApp.ip = '*'\n```\n\n使用 nohup 后台启动 Jupyter Lab\n```shell\n$ nohup jupyter lab --port=8000 --NotebookApp.token='替换为你的密码' --notebook-dir=.\u002F &\n```\n\nJupyter Lab 输出的日志将会保存在 `nohup.out` 文件（已在 .gitignore中过滤）。\n\n\n## 课程大纲\n\n完整文档请移步：[大模型（LLMs）应用开发快速入门指南课程大纲](docs\u002Fschedule.md#课程表)\n\n\n## 贡献\n\n贡献是使开源社区成为学习、激励和创造的惊人之处。非常感谢你所做的任何贡献。如果你有任何建议或功能请求，请先开启一个议题讨论你想要改变的内容。\n\n\u003Ca href='https:\u002F\u002Fgithub.com\u002Frepo-reviews\u002Frepo-reviews.github.io\u002Fblob\u002Fmain\u002Fcreate.md' target=\"_blank\">\u003Cimg alt='Github' src='https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Freview_me-100000?style=flat&logo=Github&logoColor=white&labelColor=888888&color=555555'\u002F>\u003C\u002Fa>\n\n## 许可证\n\n该项目根据Apache-2.0许可证的条款进行许可。详情请参见[LICENSE](LICENSE)文件。\n\n## 联系\n\nDjango Peng - pjt73651@email.com\n\n项目链接: https:\u002F\u002Fgithub.com\u002FDjangoPeng\u002Fopenai-quickstart\n\n## ⭐️⭐️\n\n\u003Ca href=\"https:\u002F\u002Fstar-history.com\u002F#DjangoPeng\u002Fopenai-quickstart&Date\">\n  \u003Cpicture>\n    \u003Csource media=\"(prefers-color-scheme: dark)\" srcset=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDjangoPeng_openai-quickstart_readme_ec73f365ede1.png&theme=dark\" \u002F>\n    \u003Csource media=\"(prefers-color-scheme: light)\" srcset=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDjangoPeng_openai-quickstart_readme_ec73f365ede1.png\" \u002F>\n    \u003Cimg alt=\"Star History Chart\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDjangoPeng_openai-quickstart_readme_ec73f365ede1.png\" \u002F>\n  \u003C\u002Fpicture>\n\u003C\u002Fa>","# openai-quickstart 快速上手指南\n\n本指南旨在帮助开发者快速搭建基于 OpenAI 和 LangChain 的大模型（LLM）应用开发环境，并运行基础示例。\n\n## 1. 环境准备\n\n在开始之前，请确保你的系统满足以下要求：\n\n*   **操作系统**：推荐 Linux (如 Ubuntu) 或 macOS。Windows 用户建议使用 WSL2。\n*   **Python 版本**：Python 3.10（项目指定版本）。\n*   **包管理工具**：推荐安装 [Miniconda](https:\u002F\u002Fdocs.conda.io\u002Fprojects\u002Fminiconda\u002Fen\u002Flatest\u002F) 用于环境管理。\n*   **API 密钥**：你需要拥有一个有效的 [OpenAI API Key](https:\u002F\u002Fplatform.openai.com\u002Fapi-keys)。\n\n> **提示**：国内开发者若遇到网络问题，建议在配置代理环境下操作，或使用支持国内访问的镜像源加速 Python 包下载。\n\n## 2. 安装步骤\n\n### 第一步：克隆项目代码\n\n将仓库克隆到本地机器：\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FDjangoPeng\u002Fopenai-quickstart.git\ncd openai-quickstart\n```\n\n### 第二步：创建并激活虚拟环境\n\n使用 Miniconda 创建名为 `langchain` 的 Python 3.10 虚拟环境：\n\n```shell\nconda create -n langchain python=3.10\nconda activate langchain\n```\n\n### 第三步：安装依赖库\n\n安装项目所需的所有 Python 依赖包：\n\n```shell\npip install -r requirements.txt\n```\n\n*(可选优化)*：若下载速度较慢，可使用国内镜像源（如清华源）：\n```shell\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 第四步：配置 OpenAI API Key\n\n将你的 API Key 设置为环境变量。根据你的 Shell 类型，编辑 `~\u002F.bashrc` 或 `~\u002F.zshrc` 文件，或在当前终端临时导出：\n\n```shell\nexport OPENAI_API_KEY=\"sk-xxxx\"\n```\n\n### 第五步：启动开发环境 (Jupyter Lab)\n\n本项目推荐使用 Jupyter Lab 进行交互式开发。\n\n1.  安装 Jupyter Lab（如果尚未通过 requirements.txt 安装）：\n    ```shell\n    conda install -c conda-forge jupyterlab\n    ```\n\n2.  生成配置文件（首次运行需要）：\n    ```shell\n    jupyter lab --generate-config\n    ```\n\n3.  （可选）修改配置允许远程访问或非 root 用户运行。编辑生成的 `jupyter_lab_config.py`，确保包含：\n    ```python\n    c.ServerApp.allow_root = True\n    c.ServerApp.ip = '*'\n    ```\n\n4.  后台启动 Jupyter Lab：\n    ```shell\n    nohup jupyter lab --port=8000 --NotebookApp.token='替换为你的密码' --notebook-dir=.\u002F &\n    ```\n\n启动后，在浏览器访问 `http:\u002F\u002Flocalhost:8000` 即可进入开发界面。\n\n## 3. 基本使用\n\n进入 Jupyter Lab 界面后，你可以浏览 `docs` 或根目录下的 `.ipynb` 笔记本文件开始学习。以下是一个最简单的 Python 代码示例，展示如何调用 OpenAI 模型（可在任意 `.py` 文件或 Notebook 单元格中运行）：\n\n```python\nimport os\nfrom openai import OpenAI\n\n# 初始化客户端\nclient = OpenAI(\n    api_key=os.getenv(\"OPENAI_API_KEY\")\n)\n\n# 发送请求\nresponse = client.chat.completions.create(\n    model=\"gpt-3.5-turbo\",\n    messages=[\n        {\"role\": \"system\", \"content\": \"你是一个有用的助手。\"},\n        {\"role\": \"user\", \"content\": \"请用一句话介绍大语言模型。\"}\n    ]\n)\n\n# 输出结果\nprint(response.choices[0].message.content)\n```\n\n运行上述代码，如果配置正确，你将收到来自大模型的回复。接下来，你可以参考项目中的 `LangChain` 相关章节尝试更复杂的 RAG 聊天机器人或 AutoGPT 应用。","某初创团队的技术负责人急需在两周内构建一个基于私有文档的智能客服原型，但团队成员对大模型架构和 LangChain 框架缺乏系统性认知。\n\n### 没有 openai-quickstart 时\n- **理论门槛高**：成员需自行搜集零散资料去理解 BERT、GPT 架构差异及训练原理，耗时数天仍难建立完整知识体系。\n- **环境配置踩坑**：在配置 Python 虚拟环境、安装 Jupyter Lab 及处理 GPU 依赖时频繁报错，大量时间浪费在调试基础环境上。\n- **开发无从下手**：面对 OpenAI API 的函数调用（Function Calling）和 RAG（检索增强生成）等高级特性，缺乏可运行的参考代码，只能盲目试错。\n- **合规风险未知**：忽视数据隐私法律合规性及模型选型指南，可能导致项目后期面临严重的法律或技术架构返工风险。\n\n### 使用 openai-quickstart 后\n- **体系化学习**：直接利用项目中关于大模型理论与开发基础的章节，快速掌握核心架构与应用逻辑，当天即可进入实战状态。\n- **一键就绪环境**：参照详细的 Ubuntu 安装脚本和 Miniconda 配置指南，半小时内即可完成从环境搭建到 Jupyter Lab 后台部署的全流程。\n- **代码即插即用**：基于提供的 LangChain 实战示例（如 RAG-chatbot），直接复用成熟的代码模板实现私有文档问答功能，开发效率提升数倍。\n- **规避潜在风险**：依托项目中整理的技术栈生态指南，合理选择 GPU 资源并提前落实数据合规策略，确保项目稳健推进。\n\nopenai-quickstart 将原本需要数周摸索的“从零到一”过程压缩至几天，为团队提供了一套可落地、全链路的大模型应用开发解决方案。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDjangoPeng_openai-quickstart_33d28ac9.png","DjangoPeng","Jingtian Peng","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FDjangoPeng_1cdd13dd.jpg","Google Developer Expert.\r\nGenAI Developer,\r\nKubeflow\u002FTensorFlow Contributor.\r\nAuthor of TensorFlow-101(2019) and TensorFlow in Depth(2018).",null,"Shanghai, China","pjt73651@gmail.com","https:\u002F\u002Fcn.linkedin.com\u002Fin\u002Fjingtianp","https:\u002F\u002Fgithub.com\u002FDjangoPeng",[85,89],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",98.6,{"name":90,"color":91,"percentage":92},"Python","#3572A5",1.4,1713,1146,"2026-04-04T15:40:04","Apache-2.0","Linux, macOS, Windows","未说明 (项目主要基于 OpenAI API 调用，本地无重型模型训练需求；文中提及 GPU 选型指南仅为理论知识部分)","未说明",{"notes":101,"python":102,"dependencies":103},"本项目主要为大模型应用开发教程，依赖 OpenAI API 需配置环境变量 OPENAI_API_KEY。官方安装示例以 Ubuntu 为例，但基于 Python 和 Conda 的特性，理论上支持 macOS 和 Windows。建议使用 Miniconda 创建名为 'langchain' 的虚拟环境进行管理。","3.10",[104,105,106,107],"langchain","openai","jupyterlab","miniconda",[26,13,15],"2026-03-27T02:49:30.150509","2026-04-06T12:04:04.515466",[],[]]