[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-EmuKit--emukit":3,"tool-EmuKit--emukit":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",153609,2,"2026-04-13T11:34:59",[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":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":64,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":75,"owner_url":76,"languages":77,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":105,"github_topics":106,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":117,"updated_at":118,"faqs":119,"releases":149},7204,"EmuKit\u002Femukit","emukit","A Python-based toolbox of various methods in decision making, uncertainty quantification and statistical emulation: multi-fidelity, experimental design, Bayesian optimisation, Bayesian quadrature, etc. ","Emukit 是一款基于 Python 的开源工具箱，专为在不确定性环境下优化决策而设计。它主要解决复杂系统中数据稀缺或获取成本高昂的难题，通过构建代理模型和传播校准后的不确定性估计，帮助用户在实验设计或计算流程中更高效地利用有限资源。\n\n这款工具非常适合研究人员、数据科学家以及需要处理昂贵模拟或物理实验的工程师使用。无论是调整机器学习超参数、设计高信息量的实验，还是分析输入对系统输出的影响，Emukit 都能提供强有力的支持。其核心功能涵盖多保真度仿真（整合不同精度与成本的数据源）、贝叶斯优化、主动学习、敏感性分析以及贝叶斯求积等。\n\nEmukit 最大的技术亮点在于其“框架无关”的设计理念。它不强制绑定特定的建模库，用户可以自由选择 Python 生态中熟悉的工具（如 scikit-learn、GPy 或 PyTorch）来构建底层机器学习模型，并无缝接入 Emukit 进行高级决策分析。这种高度的灵活性使其成为连接基础模型与复杂决策任务的理想桥梁，既降低了使用门槛，又保留了强大的扩展能力。","# Emukit\n\n[![Build Status](https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fworkflows\u002FTests\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Factions?query=workflow%3ATests) |\n[![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEmuKit_emukit_readme_13d664e1afd7.png)](https:\u002F\u002Femukit.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest) |\n[![Tests Coverage](https:\u002F\u002Fcodecov.io\u002Fgh\u002Femukit\u002Femukit\u002Fbranch\u002Fmain\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Femukit\u002Femukit) |\n[![GitHub License](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Femukit\u002Femukit.svg)](https:\u002F\u002Fgithub.com\u002Femukit\u002Femukit\u002Fblob\u002Fmain\u002FLICENSE)\n\n[Website](https:\u002F\u002Femukit.github.io\u002F) |\n[Documentation](https:\u002F\u002Femukit.readthedocs.io\u002F) |\n[Contribution Guide](CONTRIBUTING.md)\n\nEmukit is a highly adaptable Python toolkit for enriching decision making under uncertainty. This is particularly pertinent to complex systems where data is scarce or difficult to acquire. In these scenarios, propagating well-calibrated uncertainty estimates within a design loop or computational pipeline ensures that constrained resources are used effectively.\n\nThe main features currently available in Emukit are:\n\n* **Multi-fidelity emulation:** build surrogate models when data is obtained from multiple information sources that have different fidelity and\u002For cost;\n* **Bayesian optimisation:** optimise physical experiments and tune parameters of machine learning algorithms;\n* **Experimental design\u002FActive learning:** design the most informative experiments and perform active learning with machine learning models;\n* **Sensitivity analysis:** analyse the influence of inputs on the outputs of a given system;\n* **Bayesian quadrature:** efficiently compute the integrals of functions that are expensive to evaluate.\n\nEmukit is agnostic to the underlying modelling framework, which means you can use any tool of your choice in the Python ecosystem to build the machine learning model, and still be able to use Emukit.\n\n## Installation\n\nTo install emukit, simply run\n```\npip install emukit\n```\n\nFor other install options, see our [documentation](https:\u002F\u002Femukit.readthedocs.io\u002Fen\u002Flatest\u002Finstallation.html).\n\n### Dependencies \u002F Optional Extras\nCore dependencies are the numerical Python stack (NumPy, SciPy, matplotlib, emcee). Optional groups enable additional features without pulling heavy dependencies into a minimal install:\n\n- `gpy`: Gaussian process wrappers, multi-fidelity models, Bayesian quadrature (adds `GPy`). Also see notice below.\n- `bnn`: Bayesian neural network (Bohamiann) and Profet meta-surrogate examples (adds `pybnn`, `torch`).\n- `sklearn`: scikit-learn model wrapper and examples (adds `scikit-learn`).\n- `docs`: Build documentation locally (adds Sphinx toolchain + GPy to render GP API docs).\n- `tests`: Test tooling.\n- `full`: Convenience meta extra installing all of the above.\n\nInstall extras via pip:\n```\n# Core install\npip install emukit\n\n# Add GPy-based functionality\npip install emukit[gpy]\n\n# Bohamiann & Profet examples (Bayesian neural nets)\npip install emukit[bnn]\n\n# scikit-learn model wrapper support\npip install emukit[sklearn]\n\n# Build documentation (includes GPy + Sphinx toolchain)\npip install emukit[docs]\n\n# Bundle for running most example scripts (GPy + pybnn + torch + scikit-learn)\npip install emukit[examples]\n\n# Everything (gpy + bnn + sklearn + examples + docs + test tooling)\npip install emukit[full]\n```\nLegacy pinned requirement files remain in the `requirements\u002F` directory for reference but extras (above) are the preferred installation mechanism going forward.\n\n### NumPy 2 notice\nCore Emukit functionality works with NumPy 2.0+. However, some parts of Emukit (e.g. most acquisition functions) need GPy, that for the time being is a bit behind. If using GPy is critical for you, consider installing earlier versions of Emukit.\n\n## Getting started\nFor examples see our [tutorial notebooks](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Femukit\u002Femukit\u002Fblob\u002Fmain\u002Fnotebooks\u002Findex.ipynb).\n\n## Documentation\nTo learn more about Emukit, refer to our [documentation](https:\u002F\u002Femukit.readthedocs.io).\n\nTo learn about emulation as a concept, check out the [Emukit playground](https:\u002F\u002Fgithub.com\u002Famzn\u002FEmukit-playground) project.\n\n## Citing the library\n\nIf you are using emukit, we would appreciate if you could cite our papers about Emukit in your research:\n\n    @inproceedings{emukit2019,\n      author = {Paleyes, Andrei and Pullin, Mark and Mahsereci, Maren and McCollum, Cliff and Lawrence, Neil and González, Javier},\n      title = {Emulation of physical processes with {E}mukit},\n      booktitle = {Second Workshop on Machine Learning and the Physical Sciences, NeurIPS},\n      year = {2019}\n    }\n\n    @article{emukit2023,\n      title={Emukit: A {P}ython toolkit for decision making under uncertainty},\n      author={Andrei Paleyes and Maren Mahsereci and Neil D. Lawrence},\n      journal={Proceedings of the Python in Science Conference},\n      year={2023}\n    }\n\nThe papers themselves can be found at these links: [NeurIPS workshop 2019](https:\u002F\u002Farxiv.org\u002Fabs\u002F2110.13293), [SciPy conference 2023](https:\u002F\u002Fconference.scipy.org\u002Fproceedings\u002Fscipy2023\u002Femukit.html).\n\n## License\n\nEmukit is licensed under Apache 2.0. Please refer to [LICENSE](LICENSE) and [NOTICE](NOTICE) for further license information.\n","# Emukit\n\n[![构建状态](https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fworkflows\u002FTests\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Factions?query=workflow%3ATests) |\n[![文档状态](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEmuKit_emukit_readme_13d664e1afd7.png)](https:\u002F\u002Femukit.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest) |\n[![测试覆盖率](https:\u002F\u002Fcodecov.io\u002Fgh\u002Femukit\u002Femukit\u002Fbranch\u002Fmain\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Femukit\u002Femukit) |\n[![GitHub 许可证](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Femukit\u002Femukit.svg)](https:\u002F\u002Fgithub.com\u002Femukit\u002Femukit\u002Fblob\u002Fmain\u002FLICENSE)\n\n[官网](https:\u002F\u002Femukit.github.io\u002F) |\n[文档](https:\u002F\u002Femukit.readthedocs.io\u002F) |\n[贡献指南](CONTRIBUTING.md)\n\nEmukit 是一个高度灵活的 Python 工具包，用于在不确定性下增强决策制定。这一点对于数据稀缺或难以获取的复杂系统尤为重要。在这些情况下，在设计循环或计算管道中传播校准良好的不确定性估计，可以确保有限资源得到高效利用。\n\nEmukit 目前提供的主要功能包括：\n\n* **多保真度代理建模：** 当数据来自不同保真度和\u002F或成本的信息源时，构建代理模型；\n* **贝叶斯优化：** 优化物理实验并调优机器学习算法的参数；\n* **实验设计\u002F主动学习：** 设计最具信息量的实验，并使用机器学习模型进行主动学习；\n* **敏感性分析：** 分析输入对给定系统输出的影响；\n* **贝叶斯求积：** 高效计算评估代价高昂的函数的积分。\n\nEmukit 对底层建模框架无特定要求，这意味着您可以使用 Python 生态系统中的任何工具来构建机器学习模型，同时仍然能够使用 Emukit。\n\n## 安装\n\n要安装 emukit，只需运行：\n```\npip install emukit\n```\n\n有关其他安装选项，请参阅我们的 [文档](https:\u002F\u002Femukit.readthedocs.io\u002Fen\u002Flatest\u002Finstallation.html)。\n\n### 依赖项 \u002F 可选扩展\n核心依赖项是数值 Python 栈（NumPy、SciPy、matplotlib、emcee）。可选组允许在不引入大量依赖的情况下启用附加功能，从而实现最小化安装：\n\n- `gpy`：高斯过程封装、多保真度模型、贝叶斯求积（添加 `GPy`）。另请参阅下方说明。\n- `bnn`：贝叶斯神经网络（Bohamiann）和 Profet 元代理示例（添加 `pybnn`、`torch`）。\n- `sklearn`：scikit-learn 模型封装及示例（添加 `scikit-learn`）。\n- `docs`：本地构建文档（添加 Sphinx 工具链 + GPy 以渲染 GP API 文档）。\n- `tests`：测试工具。\n- `full`：方便的元扩展，安装上述所有内容。\n\n通过 pip 安装扩展：\n```\n# 核心安装\npip install emukit\n\n# 添加基于 GPy 的功能\npip install emukit[gpy]\n\n# Bohamiann 和 Profet 示例（贝叶斯神经网络）\npip install emukit[bnn]\n\n# scikit-learn 模型封装支持\npip install emukit[sklearn]\n\n# 构建文档（包含 GPy + Sphinx 工具链）\npip install emukit[docs]\n\n# 运行大多数示例脚本的捆绑包（GPy + pybnn + torch + scikit-learn）\npip install emukit[examples]\n\n# 全部（gpy + bnn + sklearn + examples + docs + 测试工具）\npip install emukit[full]\n```\n\n遗留的固定版本需求文件仍保留在 `requirements\u002F` 目录中供参考，但今后推荐使用上述扩展作为首选安装方式。\n\n### NumPy 2 注意事项\nEmukit 的核心功能支持 NumPy 2.0+。然而，Emukit 的某些部分（例如大多数采集函数）需要 GPy，而目前 GPy 的版本稍显滞后。如果您必须使用 GPy，请考虑安装较早版本的 Emukit。\n\n## 开始使用\n有关示例，请参阅我们的 [教程笔记本](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Femukit\u002Femukit\u002Fblob\u002Fmain\u002Fnotebooks\u002Findex.ipynb)。\n\n## 文档\n如需了解更多关于 Emukit 的信息，请参阅我们的 [文档](https:\u002F\u002Femukit.readthedocs.io)。\n\n若想了解代理建模这一概念，请查看 [Emukit 玩乐场](https:\u002F\u002Fgithub.com\u002Famzn\u002FEmukit-playground) 项目。\n\n## 引用本库\n\n如果您正在使用 emukit，我们非常感谢您能在研究中引用关于 Emukit 的论文：\n\n    @inproceedings{emukit2019,\n      author = {Paleyes, Andrei and Pullin, Mark and Mahsereci, Maren and McCollum, Cliff and Lawrence, Neil and González, Javier},\n      title = {Emulation of physical processes with {E}mukit},\n      booktitle = {Second Workshop on Machine Learning and the Physical Sciences, NeurIPS},\n      year = {2019}\n    }\n\n    @article{emukit2023,\n      title={Emukit: A {P}ython toolkit for decision making under uncertainty},\n      author={Andrei Paleyes and Maren Mahsereci and Neil D. Lawrence},\n      journal={Proceedings of the Python in Science Conference},\n      year={2023}\n    }\n\n相关论文可通过以下链接查阅：[NeurIPS 2019 工作坊](https:\u002F\u002Farxiv.org\u002Fabs\u002F2110.13293)、[SciPy 2023 大会](https:\u002F\u002Fconference.scipy.org\u002Fproceedings\u002Fscipy2023\u002Femukit.html)。\n\n## 许可证\n\nEmukit 采用 Apache 2.0 许可证。有关许可证的更多信息，请参阅 [LICENSE](LICENSE) 和 [NOTICE](NOTICE)。","# Emukit 快速上手指南\n\nEmukit 是一个高度灵活的 Python 工具包，旨在增强不确定性下的决策能力。它特别适用于数据稀缺或获取困难复杂系统场景，支持多保真度仿真、贝叶斯优化、实验设计、敏感性分析及贝叶斯积分等功能。该工具与底层建模框架无关，可无缝集成 NumPy、GPy、scikit-learn 或 PyTorch 等生态工具。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS, Windows\n*   **Python 版本**：推荐 Python 3.8+\n*   **核心依赖**：NumPy, SciPy, matplotlib, emcee\n*   **注意**：核心功能支持 NumPy 2.0+，但部分高级功能（如大多数采集函数）依赖 `GPy`，目前 `GPy` 对 NumPy 2.0 的支持尚不完善。若需使用 GPy 相关功能，建议暂时使用 NumPy \u003C 2.0 版本或安装旧版 Emukit。\n\n## 安装步骤\n\n### 1. 基础安装\n仅安装核心依赖，适用于轻量级使用：\n```bash\npip install emukit\n```\n\n### 2. 按需安装扩展功能\n根据需求选择以下可选组件（Extras）：\n\n*   **高斯过程与多保真度模型** (依赖 `GPy`)：\n    ```bash\n    pip install emukit[gpy]\n    ```\n*   **贝叶斯神经网络示例** (依赖 `pybnn`, `torch`)：\n    ```bash\n    pip install emukit[bnn]\n    ```\n*   **scikit-learn 模型封装支持**：\n    ```bash\n    pip install emukit[sklearn]\n    ```\n*   **完整安装** (包含上述所有功能及文档、测试工具)：\n    ```bash\n    pip install emukit[full]\n    ```\n\n> **国内加速提示**：若下载速度较慢，可使用国内镜像源（如清华源）进行安装：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple emukit[gpy]\n> ```\n\n## 基本使用\n\nEmukit 的核心工作流通常包含三个步骤：定义问题空间、选择代理模型（Surrogate Model）、执行优化或实验设计循环。\n\n以下是一个最简单的**贝叶斯优化**示例，展示如何使用 Emukit 寻找函数最小值：\n\n```python\nimport numpy as np\nimport emukit.core as ecore\nimport emukit.core.acquisition as acquisition\nimport emukit.core.optimization as optimization\nfrom emukit.model_wrappers import GPyModelWrapper\n\n# 1. 定义目标函数 (例如：Rosenbrock 函数)\ndef objective_function(x):\n    return (1 - x[:, 0])**2 + 100 * (x[:, 1] - x[:, 0]**2)**2\n\n# 2. 定义输入空间 (两个维度，范围均为 [-2, 2])\nspace = ecore.ParameterSpace([\n    ecore.ContinuousParameter('x1', -2, 2),\n    ecore.ContinuousParameter('x2', -2, 2)\n])\n\n# 3. 生成初始数据点\nX_init = np.random.uniform(-2, 2, (5, 2))\nY_init = objective_function(X_init).reshape(-1, 1)\n\n# 4. 构建代理模型 (此处使用 GPy 的高斯过程，需先安装 emukit[gpy])\nimport GPy\nkernel = GPy.kern.Matern52(input_dim=2)\ngpy_model = GPy.models.GPRegression(X_init, Y_init, kernel)\nmodel = GPyModelWrapper(gpy_model)\n\n# 5. 定义采集函数 (Expected Improvement)\nacq_func = acquisition.ExpectedImprovement(model)\n\n# 6. 创建优化器并运行循环\noptimizer = optimization.AcquisitionOptimizer(space)\nbayesian_opt = optimization.BayesianOptimizationLoop(space, model, acquisition_optimizer=optimizer)\n\n# 运行 10 次迭代\nbayesian_opt.run_loop(objective_function, max_iter=10)\n\n# 输出最佳结果\nbest_x = bayesian_opt.x_opt\nbest_y = bayesian_opt.y_opt\nprint(f\"最佳输入：{best_x}\")\nprint(f\"最佳输出：{best_y}\")\n```\n\n更多详细教程和笔记本示例，请访问 [Emukit Tutorial Notebooks](http:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Femukit\u002Femukit\u002Fblob\u002Fmain\u002Fnotebooks\u002Findex.ipynb)。","某新能源电池研发团队正在通过物理实验与低成本仿真混合数据，寻找提升电池能量密度的最佳材料配比方案。\n\n### 没有 emukit 时\n- **数据利用率低**：团队难以将昂贵的高精度物理实验数据与廉价但粗糙的仿真数据有效结合，导致高成本实验次数居高不下。\n- **盲目试错成本高**：缺乏智能的实验设计指导，研究人员只能依靠经验或网格搜索调整参数，浪费了大量稀缺的实验预算。\n- **决策风险不可控**：模型无法输出可靠的置信区间，团队无法判断当前找到的“最优解”是否稳定，也不敢轻易投入量产验证。\n- **积分计算耗时**：在评估电池整体性能期望值时，面对昂贵的黑盒函数，传统数值积分方法需要成千上万次调用，计算周期过长。\n\n### 使用 emukit 后\n- **多保真度建模**：利用 emukit 的多保真度模拟功能，成功构建了融合高低精度数据的代理模型，用少量物理实验校正了大量仿真数据，大幅降低实测需求。\n- **贝叶斯优化引导**：通过贝叶斯优化算法自动推荐下一个最具价值的实验参数组合，以最少迭代次数快速收敛至全局最优配比。\n- **不确定性量化**：模型能实时输出预测结果的概率分布，让团队清晰看到决策风险，确保在资源受限下做出最稳健的工程选择。\n- **高效贝叶斯求积**：借助贝叶斯求积技术，仅用极少的函数评估次数即可高精度计算出性能指标的积分期望，将原本数天的计算缩短至小时级。\n\nemukit 通过将不确定性量化深度融入决策闭环，帮助团队在数据稀缺且获取成本高昂的复杂系统中，实现了研发资源效率的最大化。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEmuKit_emukit_399d2077.png","EmuKit","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FEmuKit_85d2b73c.png","",null,"https:\u002F\u002Fgithub.com\u002FEmuKit",[78,82],{"name":79,"color":80,"percentage":81},"Python","#3572A5",99.9,{"name":83,"color":84,"percentage":85},"Stan","#b2011d",0.1,652,132,"2026-04-11T08:46:55","Apache-2.0",1,"未说明","非必需。仅在安装可选扩展 'bnn' (贝叶斯神经网络) 时需要 PyTorch，具体 GPU 需求取决于用户选择的模型，核心功能无需 GPU。",{"notes":94,"python":95,"dependencies":96},"1. 核心功能支持 NumPy 2.0+，但部分高级功能（如大多数采集函数）依赖 GPy，而 GPy 目前对 NumPy 2.0 支持滞后，若必须使用 GPy 建议安装旧版 Emukit。2. 该工具包与底层建模框架无关，可按需通过 pip extras 安装不同组件（如 [gpy], [bnn], [sklearn]）。3. 默认最小化安装不包含重型依赖。","未说明 (需兼容 NumPy 2.0+)",[97,98,99,100,101,102,103,104],"numpy","scipy","matplotlib","emcee","GPy (可选，用于高斯过程)","pybnn (可选，用于贝叶斯神经网络)","torch (可选，用于贝叶斯神经网络)","scikit-learn (可选)",[14],[107,108,109,110,111,112,113,114,115,116],"machine-learning","bayesian-optimization","uncertainty-quantification","multi-fidelity","experimental-design","bayesian-quadrature","sensitivity-analysis","decision-making","emulation","python","2026-03-27T02:49:30.150509","2026-04-14T03:16:30.904306",[120,125,130,135,140,145],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},32337,"在 Python 3.8 或 3.9 环境下通过 pip 安装 Emukit 时遇到依赖错误（特别是 scipy 版本问题）怎么办？","该问题是由于旧版本的依赖项未正确发布导致的。维护者已发布新版本 Emukit (0.4.9) 修复了此问题。请尝试升级 Emukit 到最新版本：\npip install --upgrade emukit\n更新后，`pip install emukit` 应该能在 Python 3.8 和 3.9 上顺利运行。如果仍然报错，请确保同时更新了底层的 GPy 库。","https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fissues\u002F307",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},32338,"贝叶斯优化在多次迭代后仍未收敛到最优解，可能的原因是什么？","这通常不是 Emukit 本身的问题，而是高斯过程（GP）模型设置的问题。核心建议是使用能更好反映你对目标函数先验知识的核函数（Kernel）。\n1. 检查并更换更适合数据特征的核函数，参考资源：[Kernel Cookbook](https:\u002F\u002Fwww.cs.toronto.edu\u002F~duvenaud\u002Fcookbook\u002F)。\n2. 查阅 GPy 文档以了解不同核函数的特性。\n3. 如果默认设置无效，可能需要调整超参数或尝试不同的采集函数。","https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fissues\u002F342",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},32339,"运行代码时出现 \"failed in converting 2nd argument `b' of _flapack.dpotrs to C\u002FFortran array\" 错误如何解决？","这是一个底层线性代数库（LAPACK）与输入数组格式不匹配的问题，通常发生在 GPy 库中。\n常见原因是输入数据 X 和 Y 的维度或形状不一致，或者数组顺序不符合 Fortran 要求。\n解决方法：\n1. 确保输入数据 X 和 Y 的行数（样本数）一致。\n2. 尝试显式指定数组顺序，例如：`Y_init = np.array(Y_init, ndmin=2, order='F')`。\n3. 如果问题依旧，这通常是 GPy 的已知问题，建议检查 GPy 的相关 Issue 或升级 GPy 版本。","https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fissues\u002F143",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},32340,"Emukit 是否适用于工程优化问题（如流体力学模拟），对于耗时较长的评估函数有什么建议？","是的，Emukit 可以应用于工程优化问题。\n针对评估函数耗时较长（如数小时）的情况：\n1. 使用标准的 Matern52 核函数配合期望改进（EI）采集函数通常是一个良好的起点。\n2. 对于昂贵的黑盒函数，建议使用更鲁棒的超参数学习方法，例如“完全贝叶斯”学习，而不是简单的最大似然估计。\n3. 可以考虑使用 Emukit 中的 `IntegratedExpectedImprovement` 实现，它在处理不确定性方面表现更好。","https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fissues\u002F189",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},32341,"Emukit 是否支持成本敏感型（Cost-sensitive）优化，即同时建模目标函数和评估成本？","是的，Emukit 支持此类场景。虽然早期版本主要关注单一目标模型，但社区和维护者已经实现了相关功能来处理具有两个模型（一个用于目标函数，一个用于评估成本）的情况。\n这包括类似 EIperSec、Fabolas 等方法。用户可以通过扩展 `BayesianOptimizationLoop` 或使用专门的 `CostSensitiveOuterLoop` 类（如果可用）来实现基于成本的优化循环。具体实现可参考相关的 Pull Request 或示例代码。","https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fissues\u002F18",{"id":146,"question_zh":147,"answer_zh":148,"source_url":129},32342,"如何在 Emukit 中使用外部定义的目标函数进行贝叶斯优化？","你可以将外部目标函数封装后传入优化循环。\n基本步骤如下：\n1. 定义你的参数空间 (`ParameterSpace`)。\n2. 创建一个包装器或直接调用你的外部函数作为目标函数接口。\n3. 使用 `BayesianOptimizationLoop` 或其他循环类，将目标函数接口传入。\n如果在教程中遇到困难，可以尝试自定义模型包装器（Model Wrapper）来适配你的外部函数返回格式，并确保输入输出维度正确（例如 Y 需要是二维数组）。",[150,155,160,165,170,175,180,185,190,195,200,205],{"id":151,"version":152,"summary_zh":153,"released_at":154},247144,"0.5.1","- 使用 SciPy 实现无模型设计 (#483)\n- 修复除以零警告 (#481)\n- 记录发布流程 (#479)\n\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fcompare\u002F0.5.0...0.5.1","2026-02-22T00:16:09",{"id":156,"version":157,"summary_zh":158,"released_at":159},247145,"0.5.0","- 升级代码库，以支持 `numpy` 版本高于 2.0，同时保持向后兼容性。由于上游依赖的限制，`GPy` 仍固定在 `numpy\u003C2.0`；不过，Emukit 的核心功能现已与其解耦。用户现在可以使用 `numpy>=2.0` 安装并运行 Emukit 的核心 API。\n- 打包：在 `pyproject.toml` 中采用 PEP 621 元数据格式，并从 `emukit.__version__` 动态获取版本号。\n- 打包：引入了 setuptools 的额外组件（`gpy`、`bnn`、`sklearn`、`docs`、`examples`、`tests`、`dev`）。\n- CI：工作流现通过 `pip install -e .[tests]`（以及 `[tests,gpy]`）安装额外组件，而非依赖于 requirements 文件。\n- 文档：更新了安装指南、README 和 CONTRIBUTING 文件，推荐使用额外组件替代旧的 `requirements\u002F` 文件。\n- 测试：记录了 pytest 标记及可选依赖的使用方法。\n- 文档构建：使用 `docs` 额外组件（包含 GPy）。\n- 维护：暂时保留了旧的 requirements 文件作为参考。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fcompare\u002F0.4.11...0.5.0","2026-02-22T00:17:09",{"id":161,"version":162,"summary_zh":163,"released_at":164},247146,"0.4.11","- 修复了多个 bug，包括在 Windows 上的安装问题\n- 更新了版权信息\n\n**完整更新日志**：https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fcompare\u002F0.4.10...0.4.11","2026-02-22T00:18:34",{"id":166,"version":167,"summary_zh":168,"released_at":169},247147,"0.4.10","- SKlearn 高斯过程的封装\n- 使用 Black 和 isort 进行代码格式化\n- 布朗运动求积核及乘积嵌入\n- 乘积 Matern52 求积核嵌入\n- 对求积积分度量的多项改进\n- QuadratureProductKernel 基类\n- 文档改进\n- 修复了多个 bug，包括与 SciPy 的兼容性问题\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fcompare\u002F0.4.9...0.4.10","2026-02-22T00:19:10",{"id":171,"version":172,"summary_zh":173,"released_at":174},247148,"0.4.9","- 更新至 GPy 最新版本，以修复安装问题\n- 均值插件式期望改进\n- BQ 和 WSABI 的平方根变形\n- 分类变量验证的改进\n- 局部惩罚采集函数的更新与修复\n- 错误修复\n- 文档修复\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fcompare\u002F0.4.8...0.4.9","2026-02-22T00:19:44",{"id":176,"version":177,"summary_zh":178,"released_at":179},247149,"0.4.8","- 新增 sobol 初始设计\n- 挥金者参数\n- 停止条件的布尔运算\n- 优先贝叶斯优化示例\n- MUMBO 获取函数\n- 修订依赖库版本要求\n- 错误修复\n- 文档修复\n\n**完整更新日志**: https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fcompare\u002F0.4.7...0.4.8","2026-02-22T00:20:31",{"id":181,"version":182,"summary_zh":183,"released_at":184},247150,"0.4.7","- 为示例添加了简单的高斯过程模型\n- 带有未知约束的贝叶斯优化\n- 移除了对 libomp 的依赖\n- 最大值熵搜索获取函数\n- 多点期望改进获取函数\n- 将无模型设计移至核心模块\n- Profet 实现\n- 添加了引用信息\n- 用于均匀和高斯测度的 QRBF\n- 针对 BQ 的不确定性采样获取函数\n- 贝叶斯蒙特卡洛\n- 错误修复\n- 文档修复\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fcompare\u002F0.4.6...0.4.7","2026-02-22T00:21:13",{"id":186,"version":187,"summary_zh":188,"released_at":189},247151,"0.4.6","- 增加了对不等式约束的支持\n- 添加了抛物线作为示例\n- 修复了若干错误\n\n**完整更新日志**: https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fcompare\u002F0.4.5...0.4.6","2026-02-22T00:21:44",{"id":191,"version":192,"summary_zh":193,"released_at":194},247152,"0.4.5","- 确认支持 Python 3.7\n- 移除对 GPyOpt 的依赖\n- 实现了通用的集成超参数采集函数\n- 添加了笔记本验证自动化\n- 增加了用于基准测试的随机基线\n- 实现了一系列离散优化器\n- 为 BQ 引入了均匀测度和互信息采集函数\n- 在参数空间及各个参数类型中添加了 sample_uniform 方法\n- 提升了单元测试覆盖率\n- 对代码、注释和笔记本进行了多项修复\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fcompare\u002F0.4.1...0.4.5","2026-02-22T00:22:16",{"id":196,"version":197,"summary_zh":198,"released_at":199},247153,"0.4.1","版本 0.4.1\n\n**完整更新日志**：https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fcompare\u002F0.4.0...0.4.1","2026-02-22T00:22:52",{"id":201,"version":202,"summary_zh":203,"released_at":204},247154,"0.4.0","Release 0.4.0\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fcompare\u002F0.1.0...0.4.0","2026-02-22T00:23:27",{"id":206,"version":207,"summary_zh":208,"released_at":209},247155,"0.1.0","Initial release\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002FEmuKit\u002Femukit\u002Fcommits\u002F0.1.0","2026-02-22T00:24:09"]