[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-Infatoshi--fcc-intro-to-llms":3,"similar-Infatoshi--fcc-intro-to-llms":54},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":7,"owner_location":7,"owner_email":7,"owner_twitter":18,"owner_website":19,"owner_url":20,"languages":21,"stars":30,"forks":31,"last_commit_at":32,"license":7,"difficulty_score":33,"env_os":34,"env_gpu":35,"env_ram":36,"env_deps":37,"category_tags":45,"github_topics":7,"view_count":48,"oss_zip_url":7,"oss_zip_packed_at":7,"status":49,"created_at":50,"updated_at":51,"faqs":52,"releases":53},3270,"Infatoshi\u002Ffcc-intro-to-llms","fcc-intro-to-llms",null,"fcc-intro-to-llms 是一个由 FreeCodeCamp 推出的开源学习项目，旨在手把手教你从零开始构建大型语言模型（LLM）。它解决了初学者在面对复杂 AI 理论时“只懂概念、难以上手”的痛点，通过提供完整的代码实现、数据集下载指南以及关键论文索引，将抽象的算法转化为可运行的实践课程。\n\n该项目特别适合开发者、AI 研究人员以及希望深入理解大模型底层逻辑的技术爱好者。无论你是想系统掌握 Transformer 架构，还是希望尝试微调量化模型，都能在这里找到清晰的路径。其独特的技术亮点在于极高的包容性与实用性：不仅提供了无需本地显卡即可运行的 Google Colab 云端方案，还智能适配 CPU 环境，确保没有高端硬件的用户也能顺利入门。此外，项目涵盖了从数据压缩、Jupyter 环境配置到 SSH 远程连接等全流程细节，并整合了《Attention Is All You Need》等核心学术论文，帮助用户在动手编码的同时夯实理论基础。这是一个注重实战、社区活跃且对新手友好的优质学习资源。","# FreeCodeCamp - Building LLMs from Scratch\n\n## Google Colab for those who don't have a GPU: https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1_7TNpEEl8xjHlr9JzKbK5AuDKXwAkHqj?usp=sharing\n\nDependencies (assuming windows): `pip install pylzma numpy ipykernel jupyter torch --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118`\n\nIf you don't have an NVIDIA GPU, then the `device` parameter will default to `'cpu'` since `device = 'cuda' if torch.cuda.is_available() else 'cpu'`. If device is defaulting to `'cpu'` that is fine, you will just experience slower runtimes.\n\n## All the links you should need are in this repo. I will add detailed explanations as questions and issues are posted.\n\n## Visual Studio 2022 (for lzma compression algo) - https:\u002F\u002Fvisualstudio.microsoft.com\u002Fdownloads\u002F\n\n## OpenWebText Download\n- https:\u002F\u002Fskylion007.github.io\u002FOpenWebTextCorpus\u002F\n- if this doesn't work, default to the wizard of oz mini dataset for training \u002F validation\n\n## Socials\nTwitter \u002F X - https:\u002F\u002Ftwitter.com\u002Felliotarledge\n\nMy YouTube Channel - https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCjlt_l6MIdxi4KoxuMjhYxg\n\nHow to SSH from Mac to Windows - https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=7hBeAb6WyIg&t=\n\nHow to Setup Jupyter Notebooks in 5 minutes or less - https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=eLmweqU5VBA&t=\n\nLinkedin - https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Felliot-arledge-a392b7243\u002F\n\nJoin My Discord Server - https:\u002F\u002Fdiscord.gg\u002FpV7ByF9VNm\n\nSchedule a 1-on-1: https:\u002F\u002Fcalendly.com\u002Felliot-ayxc\u002F60min\n\n## Research Papers:\nAttention is All You Need - https:\u002F\u002Farxiv.org\u002Fpdf\u002F1706.03762.pdf\n\nA Survey of LLMs - https:\u002F\u002Farxiv.org\u002Fpdf\u002F2303.18223.pdf\n\nQLoRA: Efficient Finetuning of Quantized LLMs - https:\u002F\u002Farxiv.org\u002Fpdf\u002F2305.14314.pdf\n","# FreeCodeCamp - 从零开始构建大语言模型\n\n## 对于没有 GPU 的用户：Google Colab 链接：https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1_7TNpEEl8xjHlr9JzKbK5AuDKXwAkHqj?usp=sharing\n\n依赖项（假设使用 Windows）：`pip install pylzma numpy ipykernel jupyter torch --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118`\n\n如果你没有 NVIDIA GPU，那么 `device` 参数将默认为 `'cpu'`，因为代码中设置了 `device = 'cuda' if torch.cuda.is_available() else 'cpu'`。如果 `device` 默认为 `'cpu'` 也没关系，只是运行速度会慢一些。\n\n## 你需要的所有链接都包含在这个仓库中。我会根据大家提出的问题和反馈逐步添加详细说明。\n\n## Visual Studio 2022（用于 lzma 压缩算法）：https:\u002F\u002Fvisualstudio.microsoft.com\u002Fdownloads\u002F\n\n## OpenWebText 数据集下载\n- https:\u002F\u002Fskylion007.github.io\u002FOpenWebTextCorpus\u002F\n- 如果该链接无法访问，请使用《绿野仙踪》小型数据集作为训练和验证数据。\n\n## 社交媒体\nTwitter \u002F X：https:\u002F\u002Ftwitter.com\u002Felliotarledge\n\n我的 YouTube 频道：https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCjlt_l6MIdxi4KoxuMjhYxg\n\n如何从 Mac 连接到 Windows 进行 SSH 操作：https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=7hBeAb6WyIg&t=\n\n如何在 5 分钟内或更短时间内设置 Jupyter Notebook：https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=eLmweqU5VBA&t=\n\nLinkedIn：https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Felliot-arledge-a392b7243\u002F\n\n加入我的 Discord 服务器：https:\u002F\u002Fdiscord.gg\u002FpV7ByF9VNm\n\n预约一对一交流：https:\u002F\u002Fcalendly.com\u002Felliot-ayxc\u002F60min\n\n## 研究论文：\n《Attention is All You Need》：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1706.03762.pdf\n\n《大语言模型综述》：https:\u002F\u002Farxiv.org\u002Fpdf\u002F2303.18223.pdf\n\n《QLoRA：量化大语言模型的高效微调》：https:\u002F\u002Farxiv.org\u002Fpdf\u002F2305.14314.pdf","# fcc-intro-to-llms 快速上手指南\n\n本指南旨在帮助开发者从零开始构建大型语言模型（LLM），基于 FreeCodeCamp 开源项目整理。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：Windows（推荐）、macOS 或 Linux。\n- **硬件加速**：\n  - **NVIDIA GPU**：推荐拥有支持 CUDA 的显卡以获得最佳训练速度。\n  - **CPU**：若无 NVIDIA GPU，代码将自动回退至 CPU 模式，但运行速度会显著变慢。\n  - **无本地 GPU 用户**：可直接使用提供的 Google Colab 链接在线运行（需科学上网）。\n    - Colab 地址：https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1_7TNpEEl8xjHlr9JzKbK5AuDKXwAkHqj?usp=sharing\n\n### 前置依赖\n- **Python 环境**：建议 Python 3.8+。\n- **压缩算法支持**（Windows 用户必需）：\n  - 需安装 **Visual Studio 2022** 以支持 `lzma` 压缩算法。\n  - 下载地址：https:\u002F\u002Fvisualstudio.microsoft.com\u002Fdownloads\u002F\n- **数据集**：\n  - 首选：OpenWebText Corpus (https:\u002F\u002Fskylion007.github.io\u002FOpenWebTextCorpus\u002F)\n  - 备选（若下载失败）：Wizard of Oz mini dataset（用于训练\u002F验证）。\n\n## 安装步骤\n\n在终端或命令提示符中执行以下命令安装核心依赖。\n\n### 1. 安装 Python 依赖包\n针对 Windows 用户（包含 CUDA 11.8 支持的 PyTorch）：\n\n```bash\npip install pylzma numpy ipykernel jupyter torch --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n```\n\n> **注意**：\n> - 若非 Windows 系统或无需特定 CUDA 版本，可尝试标准安装：`pip install pylzma numpy ipykernel jupyter torch`。\n> - 国内用户若访问 PyTorch 官方源较慢，可尝试替换为清华或阿里镜像源（例如：`--index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`），但需确保 PyTorch 版本与 CUDA 匹配。\n\n### 2. 配置 Jupyter Notebook\n安装完成后，启动 Jupyter 以运行项目代码：\n\n```bash\njupyter notebook\n```\n\n## 基本使用\n\n本项目主要通过 Jupyter Notebook 进行交互式开发与模型训练。\n\n### 1. 获取代码与笔记\n克隆仓库或直接下载项目文件，找到主要的 `.ipynb` 笔记本文件。\n\n### 2. 运行设备检测\n在 Notebook 的第一个单元格中，代码会自动检测可用设备。无需手动修改，逻辑如下：\n\n```python\ndevice = 'cuda' if torch.cuda.is_available() else 'cpu'\n```\n- 若输出 `cuda`，表示 GPU 加速已启用。\n- 若输出 `cpu`，表示将在处理器上运行（速度较慢但功能正常）。\n\n### 3. 开始训练\n按照 Notebook 中的单元格顺序依次执行：\n1. **数据加载**：加载 OpenWebText 或备选数据集。\n2. **模型构建**：从头构建 Transformer 架构。\n3. **训练循环**：执行训练过程。\n4. **文本生成**：使用训练好的模型生成文本。\n\n> **提示**：详细的技术原理解释将通过项目的 Issues 和问答逐步更新，建议结合项目仓库中的链接阅读经典论文（如 *Attention is All You Need*）以加深理解。","一名刚入门深度学习的大学生试图从零开始构建自己的大语言模型，却因环境配置复杂和缺乏系统指导而举步维艰。\n\n### 没有 fcc-intro-to-llms 时\n- 面对 PyTorch、CUDA 版本不匹配及 lzma 压缩算法依赖问题，花费数天调试环境仍无法运行代码。\n- 缺乏合适的训练数据集，不知道如何获取 OpenWebText 或替代方案，导致模型训练无从下手。\n- 对 Transformer 架构原理一知半解，直接阅读《Attention is All You Need》等论文感到晦涩难懂，难以将理论转化为代码。\n- 没有 GPU 资源只能干着急，不知道如何利用 Google Colab 进行云端加速，本地 CPU 训练速度慢到令人放弃。\n- 遇到报错时孤立无援，找不到针对性的社区支持或详细解释，学习过程充满挫败感。\n\n### 使用 fcc-intro-to-llms 后\n- 依据清晰的依赖安装指南（含 Windows 特定配置），快速搭建好包含 pylzma、torch 在内的完整开发环境。\n- 直接通过提供的链接下载 OpenWebText 或使用内置的“绿野仙踪”迷你数据集，立即启动训练与验证流程。\n- 结合仓库中精选的论文链接与逐步实现的代码，直观理解从注意力机制到 QLoRA 微调的核心逻辑。\n- 一键接入官方提供的 Google Colab 笔记本，在无本地 NVIDIA GPU 的情况下也能流畅体验模型训练。\n- 加入活跃的 Discord 社区并参考作者的视频教程，遇到问题能迅速获得解答，学习路径清晰顺畅。\n\nfcc-intro-to-llms 将原本高不可攀的大模型从零构建过程，转化为一条环境就绪、数据完备且社区支持的平滑学习路径。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FInfatoshi_fcc-intro-to-llms_7f3aa8b0.png","Infatoshi","Elliot Arledge","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FInfatoshi_a71640ee.jpg","making comfy spawn areas for superintelligences","elliotarledge","elliotarledge.com","https:\u002F\u002Fgithub.com\u002FInfatoshi",[22,26],{"name":23,"color":24,"percentage":25},"Jupyter Notebook","#DA5B0B",94.8,{"name":27,"color":28,"percentage":29},"Python","#3572A5",5.2,829,334,"2026-03-29T10:33:20",3,"Windows, Linux, macOS","非必需。推荐 NVIDIA GPU 以加速运行；若无 NVIDIA GPU，将自动默认使用 CPU（运行速度较慢）。README 中指定了 CUDA 11.8 的安装源，暗示支持该版本。","未说明",{"notes":38,"python":36,"dependencies":39},"1. Windows 用户若需使用 lzma 压缩算法，需安装 Visual Studio 2022。2. 提供 Google Colab 链接供无本地 GPU 的用户使用。3. 训练数据默认为 OpenWebText，若下载失败可使用'绿野仙踪'迷你数据集替代。4. 通过环境变量或代码逻辑自动检测设备，CPU 模式下仍可运行但效率较低。",[40,41,42,43,44],"pylzma","numpy","ipykernel","jupyter","torch",[46,47],"语言模型","开发框架",2,"ready","2026-03-27T02:49:30.150509","2026-04-06T07:13:59.083473",[],[],[55,65,73,81,89,102],{"id":56,"name":57,"github_repo":58,"description_zh":59,"stars":60,"difficulty_score":33,"last_commit_at":61,"category_tags":62,"status":49},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",[47,63,64],"图像","Agent",{"id":66,"name":67,"github_repo":68,"description_zh":69,"stars":70,"difficulty_score":48,"last_commit_at":71,"category_tags":72,"status":49},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,"2026-04-05T11:33:21",[47,64,46],{"id":74,"name":75,"github_repo":76,"description_zh":77,"stars":78,"difficulty_score":48,"last_commit_at":79,"category_tags":80,"status":49},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",[47,63,64],{"id":82,"name":83,"github_repo":84,"description_zh":85,"stars":86,"difficulty_score":48,"last_commit_at":87,"category_tags":88,"status":49},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",[47,46],{"id":90,"name":91,"github_repo":92,"description_zh":93,"stars":94,"difficulty_score":48,"last_commit_at":95,"category_tags":96,"status":49},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",[63,97,98,99,64,100,46,47,101],"数据工具","视频","插件","其他","音频",{"id":103,"name":104,"github_repo":105,"description_zh":106,"stars":107,"difficulty_score":33,"last_commit_at":108,"category_tags":109,"status":49},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",[64,63,47,46,100]]