[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-GaoQ1--rasa_chatbot_cn":3,"tool-GaoQ1--rasa_chatbot_cn":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",145895,2,"2026-04-08T11:32:59",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":76,"owner_website":79,"owner_url":80,"languages":81,"stars":94,"forks":95,"last_commit_at":96,"license":76,"difficulty_score":32,"env_os":97,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":104,"github_topics":105,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":122,"updated_at":123,"faqs":124,"releases":160},5674,"GaoQ1\u002Frasa_chatbot_cn","rasa_chatbot_cn","building a chinese dialogue system based on the newest version of rasa(基于最新版本rasa搭建的对话系统)","rasa_chatbot_cn 是一个基于 Rasa 框架打造的中文对话系统开源项目，旨在帮助开发者快速构建能理解并流畅回应中文的用户交互机器人。它有效解决了原生 Rasa 在中文自然语言处理（NLU）上配置复杂、预训练模型支持不足等痛点，提供了一套开箱即用的中文处理流水线。\n\n该项目特别适合有一定 Python 基础的 AI 开发者、算法工程师以及希望深入探索对话系统的研究人员使用。通过集成 BERT 等先进组件，rasa_chatbot_cn 显著提升了对中文语义的理解精度和意图识别能力。项目不仅包含了完整的模型训练、命令行测试及 HTTP 服务部署脚本，还配套了详尽的系列实战文章，记录了从环境搭建到功能优化的全过程“踩坑”经验，极大地降低了学习门槛。无论是想开发智能客服、个人助理，还是进行学术实验，rasa_chatbot_cn 都能提供一个稳定且易于扩展的中文对话开发底座。","# Rasa Core and Rasa NLU\n## rasa对话系统系列文章\n- [rasa对话系统踩坑记（一）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F5d9aa2a444a3)\n- [rasa对话系统踩坑记（二）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F4ecd09be4419)\n- [rasa对话系统踩坑记（三）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fae028903d748)\n- [rasa对话系统踩坑记（四）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F9393d319e698)\n- [rasa对话系统踩坑记（五）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Feec63e56db07)\n- [rasa对话系统踩坑记（六）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F21808ac8d409)\n- [rasa对话系统踩坑记（七）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F405c087c2f7f)\n- [rasa对话系统踩坑记（八）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F6a93209c48a4)\n- [rasa对话系统踩坑记（九）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F1a4abe93635e)\n- [rasa对话系统踩坑记（十）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fdebcf0041fcb)\n- [rasa-nlu的究极形态](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F553e37ffbac0)\n- [闲聊模型的实践并应用到rasa](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fbccf2321bd50)\n\n## Introduction\nrasa版本已经更新到了2.0版本，改动比较大，等2.0版本稳定后再跟进了。现在这里的代码还是去年上半年的版本，后面rasa做了很多改动，component已经支持bert，对中文的支持也更好。所以这个之前基于1.1.x的版本就转到1.1.x分支，目前master分支的话就分享最新的基于1.10.18的一套支持中文的pipeline\n> 欢迎加入**rasa微信闲聊群**，微信请加：coffee199029\n\n## Running by command\n### install packages\n - python >= 3.6\n```\npip install -r requirements.txt\n```\n下载依赖package\n\n### train model\n```\nmake train\n```\n\n### run model\n```\nmake run\n```\n\n### test in cmdline\n```\nmake shell\n```\n可以在命令行中测试\n\n### test by http server\n`http:\u002F\u002Flocalhost:5005\u002Fwebhooks\u002Frest\u002Fwebhook` post请求，请求参数例如：\n```\n{\n    \"sender\": \"0001\",\n    \"message\": \"你好\"\n}\n```\n可以使用postman去请求调用\n\n### use rasa x\n```\nmake run-x\n```\n\n### external link\n[Body Visualizer](https:\u002F\u002Fwww.bodyvisualizer.org\u002F)\n[AudioX](https:\u002F\u002Faudiox.app\u002F)\n[Nano Banana Games](https:\u002F\u002Fnanobanana.games)\n[WebNovel AI](https:\u002F\u002Fwebnovelai.io\u002F)\n[Video Any](https:\u002F\u002Fvideoany.io\u002F)\n[grok-imagine-video](https:\u002F\u002Fvideoany.io\u002Fmodels\u002Fgrok-imagine-video)\n[Kling 3.0](https:\u002F\u002Fvideoany.io\u002Fmodels\u002Fkling-3-0)\n[Seedance 2.0](https:\u002F\u002Fvideoany.io\u002Fmodels\u002Fseedance-2-0)\n[Deepseek Video](https:\u002F\u002Fdeepseekvideo.app\u002F)\n[Seedance 2.0](http:\u002F\u002Fseeddance.app\u002F)\n[Seedance Image To Video](https:\u002F\u002Fseeddance.app\u002Fimage-to-video)\n[DeepFake AI](https:\u002F\u002Fdeepfakeai.pro\u002F)\n[VeoNano](https:\u002F\u002Fveonano.com\u002F)\n[Veo4](https:\u002F\u002Fveo4ai.im\u002F)\n[Happy Horse](https:\u002F\u002Fopenhappyhorse.io\u002F)\n","# Rasa Core 和 Rasa NLU\n## rasa 对话系统系列文章\n- [rasa 对话系统踩坑记（一）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F5d9aa2a444a3)\n- [rasa 对话系统踩坑记（二）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F4ecd09be4419)\n- [rasa 对话系统踩坑记（三）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fae028903d748)\n- [rasa 对话系统踩坑记（四）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F9393d319e698)\n- [rasa 对话系统踩坑记（五）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Feec63e56db07)\n- [rasa 对话系统踩坑记（六）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F21808ac8d409)\n- [rasa 对话系统踩坑记（七）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F405c087c2f7f)\n- [rasa 对话系统踩坑记（八）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F6a93209c48a4)\n- [rasa 对话系统踩坑记（九）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F1a4abe93635e)\n- [rasa 对话系统踩坑记（十）](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fdebcf0041fcb)\n- [rasa-nlu的究极形态](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002F553e37ffbac0)\n- [闲聊模型的实践并应用到rasa](https:\u002F\u002Fwww.jianshu.com\u002Fp\u002Fbccf2321bd50)\n\n## 简介\nrasa 版本已经更新到了 2.0 版本，改动比较大，等 2.0 版本稳定后再跟进了。现在这里的代码还是去年上半年的版本，后面 rasa 做了很多改动，component 已经支持 bert，对中文的支持也更好。所以这个之前基于 1.1.x 的版本就转到 1.1.x 分支，目前 master 分支的话就分享最新的基于 1.10.18 的一套支持中文的 pipeline。\n> 欢迎加入**rasa 微信闲聊群**，微信请加：coffee199029\n\n## 命令行运行\n### 安装依赖包\n - python >= 3.6\n```\npip install -r requirements.txt\n```\n下载依赖 package\n\n### 训练模型\n```\nmake train\n```\n\n### 运行模型\n```\nmake run\n```\n\n### 命令行测试\n```\nmake shell\n```\n可以在命令行中测试\n\n### 通过 http 服务器测试\n`http:\u002F\u002Flocalhost:5005\u002Fwebhooks\u002Frest\u002Fwebhook` post 请求，请求参数例如：\n```\n{\n    \"sender\": \"0001\",\n    \"message\": \"你好\"\n}\n```\n可以使用 postman 去请求调用\n\n### 使用 rasa x\n```\nmake run-x\n```\n\n### 外部链接\n[Body Visualizer](https:\u002F\u002Fwww.bodyvisualizer.org\u002F)\n[AudioX](https:\u002F\u002Faudiox.app\u002F)\n[Nano Banana Games](https:\u002F\u002Fnanobanana.games)\n[WebNovel AI](https:\u002F\u002Fwebnovelai.io\u002F)\n[Video Any](https:\u002F\u002Fvideoany.io\u002F)\n[grok-imagine-video](https:\u002F\u002Fvideoany.io\u002Fmodels\u002Fgrok-imagine-video)\n[Kling 3.0](https:\u002F\u002Fvideoany.io\u002Fmodels\u002Fkling-3-0)\n[Seedance 2.0](https:\u002F\u002Fvideoany.io\u002Fmodels\u002Fseedance-2-0)\n[Deepseek Video](https:\u002F\u002Fdeepseekvideo.app\u002F)\n[Seedance 2.0](http:\u002F\u002Fseeddance.app\u002F)\n[Seedance Image To Video](https:\u002F\u002Fseeddance.app\u002Fimage-to-video)\n[DeepFake AI](https:\u002F\u002Fdeepfakeai.pro\u002F)\n[VeoNano](https:\u002F\u002Fveonano.com\u002F)\n[Veo4](https:\u002F\u002Fveo4ai.im\u002F)\n[Happy Horse](https:\u002F\u002Fopenhappyhorse.io\u002F)","# Rasa Chatbot CN 快速上手指南\n\n本指南基于 Rasa 1.10.18 版本，专为中文对话系统开发设计，帮助您快速搭建并运行一个支持中文的聊天机器人。\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 (建议 WSL)\n- **Python 版本**：>= 3.6\n- **包管理工具**：pip\n\n> **提示**：为了加速依赖下载，建议使用国内镜像源（如清华源或阿里源）。\n\n## 安装步骤\n\n1. **克隆项目代码**\n   首先获取项目源码（假设您已下载或克隆了该仓库）。\n\n2. **安装依赖包**\n   进入项目目录，执行以下命令安装所需依赖。\n   \n   *推荐使用国内镜像源加速安装：*\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n   \n   *或使用官方源：*\n   ```bash\n   pip install -r requirements.txt\n   ```\n\n## 基本使用\n\n安装完成后，您可以通过以下命令完成模型的训练、运行和测试。\n\n### 1. 训练模型\n使用 `make` 命令启动训练流程，系统将处理配置文件并生成模型文件。\n```bash\nmake train\n```\n\n### 2. 运行服务\n训练完成后，启动 Rasa 服务器。\n```bash\nmake run\n```\n\n### 3. 命令行交互测试\n如果您想直接在终端中与机器人对话进行测试：\n```bash\nmake shell\n```\n输入消息即可看到机器人的回复。\n\n### 4. HTTP API 测试\n服务启动后（默认端口 5005），您可以使用 Postman 或 curl 通过 HTTP POST 请求调用机器人。\n\n- **接口地址**: `http:\u002F\u002Flocalhost:5005\u002Fwebhooks\u002Frest\u002Fwebhook`\n- **请求示例**:\n```json\n{\n    \"sender\": \"0001\",\n    \"message\": \"你好\"\n}\n```\n\n### 5. 使用 Rasa X (可选)\n若需使用图形化界面进行对话管理和数据标注，可运行：\n```bash\nmake run-x\n```","某电商初创团队急需为其中文官网搭建一个能理解复杂用户意图的售后客服机器人，以应对日益增长的咨询量。\n\n### 没有 rasa_chatbot_cn 时\n- **中文语义识别差**：直接套用原生 Rasa 模型，无法准确分词和理解中文特有的语境，导致用户说“没收到货”和“物流不动”被识别为完全不同的意图。\n- **开发踩坑成本高**：团队需从零研究如何适配 BERT 等预训练模型到中文 Pipeline，反复调试组件配置，耗费数周仍无法稳定运行。\n- **对话逻辑生硬**：缺乏针对中文闲聊和多轮对话的优化，机器人只能机械回复关键词，一旦用户偏离预设脚本就无法接话，体验极差。\n- **部署维护困难**：缺少成熟的中文示例代码和命令行测试工具，每次更新意图都需要手动重构大量底层代码，迭代效率极低。\n\n### 使用 rasa_chatbot_cn 后\n- **中文理解精准**：直接复用内置的优化 Pipeline 和 BERT 组件，天然支持中文分词与语义分析，准确识别各种口语化表达的同义意图。\n- **开箱即用提速**：基于成熟的 1.10.18 版本架构，通过简单的 `make train` 和 `make run` 命令即可快速启动模型，将开发周期从数周缩短至几天。\n- **交互自然流畅**：集成了经过验证的闲聊模块和多轮对话状态管理，机器人能像真人一样进行上下文关联回复，显著提升用户满意度。\n- **调试便捷高效**：提供完善的命令行 Shell 测试和 HTTP 接口演示，开发人员可实时验证效果并快速迭代训练数据，维护成本大幅降低。\n\nrasa_chatbot_cn 通过提供经过实战验证的中文本地化方案，让开发者无需重复造轮子，即可低成本构建高智能的中文对话系统。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FGaoQ1_rasa_chatbot_cn_5fadae57.png","GaoQ1","Colin","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FGaoQ1_2f434162.jpg","\r\n    An NLPer\r\n",null,"Suzhou, China","colin_gao1990@163.com","https:\u002F\u002Fwww.jianshu.cards\u002Fu\u002F4b912e917c2e","https:\u002F\u002Fgithub.com\u002FGaoQ1",[82,86,90],{"name":83,"color":84,"percentage":85},"Python","#3572A5",60.3,{"name":87,"color":88,"percentage":89},"Makefile","#427819",20.9,{"name":91,"color":92,"percentage":93},"Shell","#89e051",18.9,981,284,"2026-04-08T11:54:36","未说明",{"notes":99,"python":100,"dependencies":101},"该项目基于 Rasa 1.10.18 版本（非最新的 2.x 版本），专门优化了对中文的支持并集成了 BERT 组件。代码库分为两个分支：master 分支为支持中文的 1.10.18 版本，1.1.x 分支为旧版代码。运行前需执行 `pip install -r requirements.txt` 安装依赖，可通过 make 命令进行训练、运行或命令行测试，也支持通过 HTTP API 或 Rasa X 进行交互。",">=3.6",[102,103],"rasa==1.10.18","requirements.txt 中列出的其他依赖",[35,14],[106,107,108,109,110,111,112,113,114,115,116,117,118,119,120,121],"python","rasa-nlu","rasa-core","intent-classification","slot-filling","rasa-nlu-gao","bert","tensorflow","transformer","policy","rasa","chinese","rasa-chatbot","train-dialogue","demo","rasa-x","2026-03-27T02:49:30.150509","2026-04-09T05:25:12.687601",[125,130,135,140,145,150,155],{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},25739,"安装时遇到大量依赖包版本不兼容错误（如 matplotlib, packaging, redis 等）怎么办？","这通常是因为本地环境的库版本与 Rasa 特定版本的要求冲突。维护者建议更新到最新的 Rasa 发布版本，这些问题通常已解决。如果必须使用旧版本，请手动调整依赖包版本以匹配要求（例如降低 rasa-sdk 版本以匹配 rasa 版本），或者参考项目中的“踩坑记”文档获取具体的环境配置指南。","https:\u002F\u002Fgithub.com\u002FGaoQ1\u002Frasa_chatbot_cn\u002Fissues\u002F39",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},25740,"训练 Core 模型时出现 'Dimension must be 5 but is 4' 或 'transpose' 相关的 TensorFlow 错误如何解决？","这是一个常见的 Keras 与 TensorFlow 版本兼容性问题。解决方案是将 Keras 的版本降级为 2.2.4。可以通过命令 `pip install keras==2.2.4` 进行安装，之后重新运行训练即可解决该维度错误。","https:\u002F\u002Fgithub.com\u002FGaoQ1\u002Frasa_chatbot_cn\u002Fissues\u002F59",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},25741,"运行 train.py 时提示 'unrecognized arguments: --online --endpoints' 错误怎么办？","这是因为使用的命令参数与当前安装的 Rasa Core 版本不匹配。该问题属于 rasa-core 的变更，建议查阅对应版本的官方文档（如 interactive_learning 部分）以获取正确的命令行参数。对于较新版本，可能需要移除 `--online` 或使用新的交互学习命令。","https:\u002F\u002Fgithub.com\u002FGaoQ1\u002Frasa_chatbot_cn\u002Fissues\u002F13",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},25742,"遇到 'Unknown layer:name' 错误，尝试了多个 TensorFlow 版本均无效怎么办？","该错误通常由 Keras 和 TensorFlow 版本不匹配引起。建议严格按照 Rasa NLU 推荐的版本组合进行安装。经验证有效的版本组合包括：tensorflow==1.12.0, keras-applications==1.0.6, keras-preprocessing==1.0.5。安装指定版本后，建议删除旧模型并重新训练。","https:\u002F\u002Fgithub.com\u002FGaoQ1\u002Frasa_chatbot_cn\u002Fissues\u002F24",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},25743,"执行 pip install -r requirements.txt 时报告 numpy, setuptools, jsonschema 等版本冲突怎么办？","这是由于 requirements.txt 中锁定的版本与新创建的干净环境（如 Python 3.6.8+）中默认安装的最新包不兼容。维护者指出项目已更新到最新的 Rasa release 版本，建议使用更新后的 requirements 文件。若仍遇问题，可手动降级冲突包（如将 numpy 降至 1.14.5，setuptools 降至 39.1.0）或升级 Rasa 核心库以消除依赖限制。","https:\u002F\u002Fgithub.com\u002FGaoQ1\u002Frasa_chatbot_cn\u002Fissues\u002F31",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},25744,"如何在 Windows + Anaconda 环境下配置 'rasa-nlu 究极形态' 所需的组件？","在 Windows 上使用 Anaconda 时，直接通过 conda 安装 tensorflow-gpu 可能无法运行某些高级配置。建议改用 pip 安装特定版本的包（如 `pip install rasa-nlu-gao==1.0.1`）。如果遇到组件加载失败，请检查 pipeline 配置文件中的 components 列表，确保所有引用的组件类路径正确，并参考项目文档中的“踩坑记”部分修正配置。","https:\u002F\u002Fgithub.com\u002FGaoQ1\u002Frasa_chatbot_cn\u002Fissues\u002F73",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},25745,"在哪里可以找到《SeqGAN 训练生成小黄鸡语料》文章中提到的项目代码？","该项目代码托管在独立的 GitHub 仓库中，地址为：https:\u002F\u002Fgithub.com\u002FGaoQ1\u002Fseqgan。如果链接无法访问，可能是网络问题或仓库暂时不可用，也可尝试联系作者获取。","https:\u002F\u002Fgithub.com\u002FGaoQ1\u002Frasa_chatbot_cn\u002Fissues\u002F27",[]]