[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Hironsan--bertsearch":3,"tool-Hironsan--bertsearch":64},[4,17,27,35,43,56],{"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",138956,2,"2026-04-05T11:33:21",[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":23,"last_commit_at":41,"category_tags":42,"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":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"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":82,"owner_website":83,"owner_url":84,"languages":85,"stars":102,"forks":103,"last_commit_at":104,"license":105,"difficulty_score":10,"env_os":106,"env_gpu":106,"env_ram":107,"env_deps":108,"category_tags":113,"github_topics":114,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":120,"updated_at":121,"faqs":122,"releases":158},589,"Hironsan\u002Fbertsearch","bertsearch","Elasticsearch with BERT for advanced document search.","bertsearch 是一款将 Elasticsearch 搜索引擎与 BERT 深度学习模型相结合的开源项目，致力于提供基于语义理解的先进文档搜索方案。传统搜索方式通常局限于关键词匹配，难以捕捉用户查询的上下文和真实意图，而 bertsearch 通过引入 BERT 技术，能够生成高精度的文本向量，显著提升搜索结果的准确性与相关性。\n\n它主要面向需要构建智能搜索功能的开发者、数据工程师以及 NLP 研究人员。其独特之处在于支持多种预训练 BERT 模型，涵盖英文、中文及多语言版本，并能灵活适配不同的隐藏层维度。借助 Docker Compose，用户可以快速完成环境搭建与容器部署。核心工作流程是将文档转换为稠密向量并存入 Elasticsearch 的特定字段，从而实现语义级别的检索。对于希望摆脱传统关键词限制、提升搜索体验的技术团队而言，bertsearch 提供了一个高效且易于集成的落地方案。","# Elasticsearch meets BERT\n\nBelow is a job search example:\n\n![An example of bertsearch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHironsan_bertsearch_readme_12aa1da9cb39.png)\n\n## System architecture\n\n![System architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHironsan_bertsearch_readme_0019e7a92471.png)\n\n## Requirements\n\n- Docker\n- Docker Compose >= [1.22.0](https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002Frelease-notes\u002F#1220)\n\n## Getting Started\n\n### 1. Download a pretrained BERT model\n\n\u003Cdetails>\n \u003Csummary>List of released pretrained BERT models (click to expand...)\u003C\u002Fsummary>\n\n\n\u003Ctable>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Funcased_L-12_H-768_A-12.zip\">BERT-Base, Uncased\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>12-layer, 768-hidden, 12-heads, 110M parameters\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Funcased_L-24_H-1024_A-16.zip\">BERT-Large, Uncased\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>24-layer, 1024-hidden, 16-heads, 340M parameters\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Fcased_L-12_H-768_A-12.zip\">BERT-Base, Cased\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>12-layer, 768-hidden, 12-heads , 110M parameters\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Fcased_L-24_H-1024_A-16.zip\">BERT-Large, Cased\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>24-layer, 1024-hidden, 16-heads, 340M parameters\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_11_23\u002Fmulti_cased_L-12_H-768_A-12.zip\">BERT-Base, Multilingual Cased (New)\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>104 languages, 12-layer, 768-hidden, 12-heads, 110M parameters\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_11_03\u002Fmultilingual_L-12_H-768_A-12.zip\">BERT-Base, Multilingual Cased (Old)\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>102 languages, 12-layer, 768-hidden, 12-heads, 110M parameters\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_11_03\u002Fchinese_L-12_H-768_A-12.zip\">BERT-Base, Chinese\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>Chinese Simplified and Traditional, 12-layer, 768-hidden, 12-heads, 110M parameters\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\u003C\u002Fdetails>\n\n```bash\n$ wget https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Fcased_L-12_H-768_A-12.zip\n$ unzip cased_L-12_H-768_A-12.zip\n```\n\n### 2. Set environment variables\n\nYou need to set a pretrained BERT model and Elasticsearch's index name as environment variables:\n\n```bash\n$ export PATH_MODEL=.\u002Fcased_L-12_H-768_A-12\n$ export INDEX_NAME=jobsearch\n```\n\n### 3. Run Docker containers\n\n\n```bash\n$ docker-compose up\n```\n\n**CAUTION**: If possible, assign high memory(more than `8GB`) to Docker's memory configuration because BERT container needs high memory.\n\n### 4. Create index\n\nYou can use the create index API to add a new index to an Elasticsearch cluster. When creating an index, you can specify the following:\n\n* Settings for the index\n* Mappings for fields in the index\n* Index aliases\n\nFor example, if you want to create `jobsearch` index with `title`, `text` and `text_vector` fields, you can create the index by the following command:\n\n```bash\n$ python example\u002Fcreate_index.py --index_file=example\u002Findex.json --index_name=jobsearch\n# index.json\n{\n  \"settings\": {\n    \"number_of_shards\": 2,\n    \"number_of_replicas\": 1\n  },\n  \"mappings\": {\n    \"dynamic\": \"true\",\n    \"_source\": {\n      \"enabled\": \"true\"\n    },\n    \"properties\": {\n      \"title\": {\n        \"type\": \"text\"\n      },\n      \"text\": {\n        \"type\": \"text\"\n      },\n      \"text_vector\": {\n        \"type\": \"dense_vector\",\n        \"dims\": 768\n      }\n    }\n  }\n}\n```\n\n**CAUTION**: The `dims` value of `text_vector` must need to match the dims of a pretrained BERT model.\n\n### 5. Create documents\n\nOnce you created an index, you’re ready to index some document. The point here is to convert your document into a vector using BERT. The resulting vector is stored in the `text_vector` field. Let`s convert your data into a JSON document:\n\n```bash\n$ python example\u002Fcreate_documents.py --data=example\u002Fexample.csv --index_name=jobsearch\n# example\u002Fexample.csv\n\"Title\",\"Description\"\n\"Saleswoman\",\"lorem ipsum\"\n\"Software Developer\",\"lorem ipsum\"\n\"Chief Financial Officer\",\"lorem ipsum\"\n\"General Manager\",\"lorem ipsum\"\n\"Network Administrator\",\"lorem ipsum\"\n```\n\nAfter finishing the script, you can get a JSON document like follows:\n\n```python\n# documents.jsonl\n{\"_op_type\": \"index\", \"_index\": \"jobsearch\", \"text\": \"lorem ipsum\", \"title\": \"Saleswoman\", \"text_vector\": [...]}\n{\"_op_type\": \"index\", \"_index\": \"jobsearch\", \"text\": \"lorem ipsum\", \"title\": \"Software Developer\", \"text_vector\": [...]}\n{\"_op_type\": \"index\", \"_index\": \"jobsearch\", \"text\": \"lorem ipsum\", \"title\": \"Chief Financial Officer\", \"text_vector\": [...]}\n...\n```\n\n### 6. Index documents\n\nAfter converting your data into a JSON, you can adds a JSON document to the specified index and makes it searchable.\n\n```bash\n$ python example\u002Findex_documents.py\n```\n\n### 7. Open browser\n\nGo to \u003Chttp:\u002F\u002F127.0.0.1:5000>.\n","# Elasticsearch 遇上 BERT\n\n以下是一个求职搜索示例：\n\n![An example of bertsearch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHironsan_bertsearch_readme_12aa1da9cb39.png)\n\n## 系统架构\n\n![System architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHironsan_bertsearch_readme_0019e7a92471.png)\n\n## 要求\n\n- Docker（容器引擎）\n- Docker Compose >= [1.22.0](https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002Frelease-notes\u002F#1220)（容器编排工具）\n\n## 快速开始\n\n### 1. 下载预训练的 BERT 模型\n\n\u003Cdetails>\n \u003Csummary>已发布的预训练 BERT 模型列表（点击展开...）\u003C\u002Fsummary>\n\n\n\u003Ctable>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Funcased_L-12_H-768_A-12.zip\">BERT-Base，未区分大小写\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>12 层，768 个隐藏单元，12 个注意力头，1.1 亿参数\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Funcased_L-24_H-1024_A-16.zip\">BERT-Large，未区分大小写\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>24 层，1024 个隐藏单元，16 个注意力头，3.4 亿参数\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Fcased_L-12_H-768_A-12.zip\">BERT-Base，区分大小写\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>12 层，768 个隐藏单元，12 个注意力头，1.1 亿参数\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Fcased_L-24_H-1024_A-16.zip\">BERT-Large，区分大小写\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>24 层，1024 个隐藏单元，16 个注意力头，3.4 亿参数\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_11_23\u002Fmulti_cased_L-12_H-768_A-12.zip\">BERT-Base，多语言区分大小写（新版）\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>104 种语言，12 层，768 个隐藏单元，12 个注意力头，1.1 亿参数\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_11_03\u002Fmultilingual_L-12_H-768_A-12.zip\">BERT-Base，多语言区分大小写（旧版）\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>102 种语言，12 层，768 个隐藏单元，12 个注意力头，1.1 亿参数\u003C\u002Ftd>\u003C\u002Ftr>\n\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_11_03\u002Fchinese_L-12_H-768_A-12.zip\">BERT-Base，中文\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>简体中文和繁体中文，12 层，768 个隐藏单元，12 个注意力头，1.1 亿参数\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\u003C\u002Fdetails>\n\n```bash\n$ wget https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Fcased_L-12_H-768_A-12.zip\n$ unzip cased_L-12_H-768_A-12.zip\n```\n\n### 2. 设置环境变量\n\n您需要将预训练的 BERT 模型路径和 Elasticsearch（搜索引擎）的索引名称设置为环境变量：\n\n```bash\n$ export PATH_MODEL=.\u002Fcased_L-12_H-768_A-12\n$ export INDEX_NAME=jobsearch\n```\n\n### 3. 运行 Docker 容器\n\n```bash\n$ docker-compose up\n```\n\n**注意**：如果可能，请为 Docker 的内存配置分配较高的内存（超过 `8GB`），因为 BERT 容器需要大量内存。\n\n### 4. 创建索引\n\n您可以使用创建索引 API（应用程序编程接口）向 Elasticsearch 集群添加新索引。创建索引时，可以指定以下内容：\n\n* 索引设置\n* 索引字段的映射\n* 索引别名\n\n例如，如果您想创建一个包含 `title`、`text` 和 `text_vector` 字段的 `jobsearch` 索引，可以使用以下命令创建索引：\n\n```bash\n$ python example\u002Fcreate_index.py --index_file=example\u002Findex.json --index_name=jobsearch\n# index.json\n{\n  \"settings\": {\n    \"number_of_shards\": 2,\n    \"number_of_replicas\": 1\n  },\n  \"mappings\": {\n    \"dynamic\": \"true\",\n    \"_source\": {\n      \"enabled\": \"true\"\n    },\n    \"properties\": {\n      \"title\": {\n        \"type\": \"text\"\n      },\n      \"text\": {\n        \"type\": \"text\"\n      },\n      \"text_vector\": {\n        \"type\": \"dense_vector\",\n        \"dims\": 768\n      }\n    }\n  }\n}\n```\n\n**注意**：`text_vector` 的 `dims` 值必须与预训练 BERT 模型的维度匹配。\n\n### 5. 创建文档\n\n创建索引后，您就可以开始索引一些文档了。这里的要点是使用 BERT 将您的文档转换为向量。生成的向量存储在 `text_vector` 字段中。让我们将数据转换为 JSON 文档：\n\n```bash\n$ python example\u002Fcreate_documents.py --data=example\u002Fexample.csv --index_name=jobsearch\n# example\u002Fexample.csv\n\"Title\",\"Description\"\n\"Saleswoman\",\"lorem ipsum\"\n\"Software Developer\",\"lorem ipsum\"\n\"Chief Financial Officer\",\"lorem ipsum\"\n\"General Manager\",\"lorem ipsum\"\n\"Network Administrator\",\"lorem ipsum\"\n```\n\n脚本执行完毕后，您可以获得如下格式的 JSON 文档：\n\n```python\n# documents.jsonl\n{\"_op_type\": \"index\", \"_index\": \"jobsearch\", \"text\": \"lorem ipsum\", \"title\": \"Saleswoman\", \"text_vector\": [...]}\n{\"_op_type\": \"index\", \"_index\": \"jobsearch\", \"text\": \"lorem ipsum\", \"title\": \"Software Developer\", \"text_vector\": [...]}\n{\"_op_type\": \"index\", \"_index\": \"jobsearch\", \"text\": \"lorem ipsum\", \"title\": \"Chief Financial Officer\", \"text_vector\": [...]}\n...\n```\n\n### 6. 索引文档\n\n将数据转换为 JSON 后，您可以将 JSON 文档添加到指定的索引中并使其可搜索。\n\n```bash\n$ python example\u002Findex_documents.py\n```\n\n### 7. 打开浏览器\n\n访问 \u003Chttp:\u002F\u002F127.0.0.1:5000>。","# bertsearch 快速上手指南\n\n**bertsearch** 是一个结合 Elasticsearch 与 BERT 模型的语义搜索工具。以下是基于 Docker 的快速部署与使用指南。\n\n## 1. 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- **Docker**: 已安装并运行。\n- **Docker Compose**: 版本需大于等于 [1.22.0](https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002Frelease-notes\u002F#1220)。\n- **内存资源**: BERT 容器对内存消耗较大，建议为 Docker 分配至少 **8GB** 内存。\n\n## 2. 安装与配置\n\n### 下载预训练模型\n首先下载所需的 BERT 预训练模型文件（示例使用 Cased Base 模型）：\n\n```bash\n$ wget https:\u002F\u002Fstorage.googleapis.com\u002Fbert_models\u002F2018_10_18\u002Fcased_L-12_H-768_A-12.zip\n$ unzip cased_L-12_H-768_A-12.zip\n```\n\n> **提示**: 更多模型选项（如中文、多语言、Large 版）请参考原始 README 中的表格。\n\n### 设置环境变量\n指定本地模型路径及 Elasticsearch 的索引名称：\n\n```bash\n$ export PATH_MODEL=.\u002Fcased_L-12_H-768_A-12\n$ export INDEX_NAME=jobsearch\n```\n\n### 启动服务\n使用 Docker Compose 启动所有容器：\n\n```bash\n$ docker-compose up\n```\n\n## 3. 基本使用\n\n### 创建索引\n运行 Python 脚本创建 Elasticsearch 索引结构。需确保 `text_vector` 字段的维度 (`dims`) 与所选 BERT 模型一致（本例为 768）。\n\n```bash\n$ python example\u002Fcreate_index.py --index_file=example\u002Findex.json --index_name=jobsearch\n```\n\n### 导入数据\n将原始数据（如 CSV）转换为包含 BERT 向量的 JSON 文档：\n\n```bash\n$ python example\u002Fcreate_documents.py --data=example\u002Fexample.csv --index_name=jobsearch\n```\n\n### 建立索引\n将处理好的文档正式写入 Elasticsearch 以便搜索：\n\n```bash\n$ python example\u002Findex_documents.py\n```\n\n### 访问界面\n服务启动后，在浏览器中打开以下地址进行交互：\n\nhttp:\u002F\u002F127.0.0.1:5000","某中型互联网公司的 HR 团队正在搭建内部人才库，需要从历史简历数据中精准匹配特定技术栈的候选人。\n\n### 没有 bertsearch 时\n- 传统 Elasticsearch 仅支持关键词匹配，搜索“人工智能”无法召回提及“深度学习”或“神经网络”的简历。\n- 同义词和近义词需手动维护词典，面对新兴技术术语如“大模型”响应严重滞后。\n- 搜索结果排序依赖 TF-IDF 等统计指标，难以反映岗位描述与候选人技能的真实语义关联。\n- 大量不相关文档排在前列，HR 需花费大量时间人工剔除无效信息，招聘周期被拉长。\n\n### 使用 bertsearch 后\n- 引入 BERT 模型将文本转为稠密向量，实现语义级搜索，模糊匹配能力大幅提升。\n- 自动理解上下文含义，无需配置同义词表即可识别“全栈工程师”与“前后端开发”的关联。\n- 基于向量检索优化排序，高相关度候选人居前，筛选效率提高数倍且准确率更稳。\n- 直接调用 API 批量生成向量并入库，大幅降低数据预处理和人工标注的维护成本。\n\nbertsearch 通过融合深度语义理解，让简历检索从“字面匹配”进化为“意图匹配”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHironsan_bertsearch_b5076ec3.png","Hironsan","Hiroki Nakayama","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FHironsan_d751a0cb.png","OSS developer | Interested in Natural Language Processing",null,"Tokyo, Japan","hiroki.nakayama.py@gmail.com","Hironsan13","https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fhironsan","https:\u002F\u002Fgithub.com\u002FHironsan",[86,90,94,98],{"name":87,"color":88,"percentage":89},"Python","#3572A5",53.6,{"name":91,"color":92,"percentage":93},"HTML","#e34c26",40.7,{"name":95,"color":96,"percentage":97},"Dockerfile","#384d54",4.7,{"name":99,"color":100,"percentage":101},"Shell","#89e051",1,898,200,"2026-02-16T22:55:21","MIT","未说明","8GB+",{"notes":109,"python":106,"dependencies":110},"需手动下载预训练 BERT 模型文件；运行前需设置环境变量 PATH_MODEL 和 INDEX_NAME；Docker 容器内存建议分配超过 8GB；创建索引时 text_vector 的维度需与 BERT 模型隐藏层维度一致（如 768）。",[111,112],"Docker","Docker Compose >= 1.22.0",[13,26],[115,116,117,118,119],"bert","natural-language-processing","search-engine","elasticsearch","machine-learning","2026-03-27T02:49:30.150509","2026-04-06T05:32:15.648750",[123,128,133,138,143,148,153],{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},2394,"docker-compose up 构建或运行时出现错误怎么办？","尝试清理 Docker 系统（容器、镜像、卷），或在 bertserving 的 Dockerfile 中添加 RUN [\"chmod\", \"+x\", \"\u002Fapp\u002Fentrypoint.sh\"] 以确保脚本可执行。","https:\u002F\u002Fgithub.com\u002FHironsan\u002Fbertsearch\u002Fissues\u002F15",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},2395,"使用 sudo docker-compose 时环境变量报错如何解决？","建议不要使用 sudo 运行 docker-compose。若必须使用，需在 sudoers 文件中添加 Defaults env_keep += PATH_MODEL。推荐直接在终端 export 环境变量。","https:\u002F\u002Fgithub.com\u002FHironsan\u002Fbertsearch\u002Fissues\u002F9",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},2396,"create_documents.py 命令挂起无法创建文档怎么办？","此问题通常因 BERT 容器内存不足导致。请检查 Docker 配置，建议分配至少 8GB 以上的内存给容器。","https:\u002F\u002Fgithub.com\u002FHironsan\u002Fbertsearch\u002Fissues\u002F5",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},2397,"docker-compose up 提示版本不支持错误如何处理？","您的 docker-compose 版本可能过旧（如 1.17.1）。请更新 docker-compose 至支持 Compose file version 3.4 或更高版本的较新版本。","https:\u002F\u002Fgithub.com\u002FHironsan\u002Fbertsearch\u002Fissues\u002F29",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},2398,"Docker 启动报错 'no such file or directory' 是什么原因？","常见于 WSL2 环境，因文件换行符格式为 DOS 而非 Unix。请安装 dos2unix 并转换文件：apt-get install dos2unix 然后 dos2unix Dockerfile。","https:\u002F\u002Fgithub.com\u002FHironsan\u002Fbertsearch\u002Fissues\u002F31",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},2399,"Bert search 无法工作（版本不匹配）怎么办？","客户端和服务端版本不一致会导致问题。请在 web 文件夹下的 Dockerfile 中将 bertserving 的版本修改为 1.10.0。","https:\u002F\u002Fgithub.com\u002FHironsan\u002Fbertsearch\u002Fissues\u002F24",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},2400,"搜索功能不工作或结果不佳的原因有哪些？","1. 确保 bert client\u002Fserver 版本一致；2. 检查 Elastic 连接参数（server, index）；3. 确保索引中包含足够数量的文档以保证排序效果。","https:\u002F\u002Fgithub.com\u002FHironsan\u002Fbertsearch\u002Fissues\u002F16",[]]