[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-LYiHub--platform-war-public":3,"similar-LYiHub--platform-war-public":50},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":9,"quickstart_zh":10,"use_case_zh":11,"hero_image_url":12,"owner_login":13,"owner_name":13,"owner_avatar_url":14,"owner_bio":15,"owner_company":15,"owner_location":15,"owner_email":15,"owner_twitter":15,"owner_website":15,"owner_url":16,"languages":17,"stars":22,"forks":23,"last_commit_at":24,"license":25,"difficulty_score":26,"env_os":27,"env_gpu":28,"env_ram":29,"env_deps":30,"category_tags":39,"github_topics":15,"view_count":44,"oss_zip_url":15,"oss_zip_packed_at":15,"status":45,"created_at":46,"updated_at":47,"faqs":48,"releases":49},4640,"LYiHub\u002Fplatform-war-public","platform-war-public","A chatbot\u002FGraphRAG framework that creates multi-llm-agents from social platform user comments and let them debate on specific topics.","platform-war-public 是一个创新的开源对话框架，它巧妙融合了知识图谱与检索增强生成（RAG）技术。该工具能够抓取并分析不同社交平台（如微博、知乎、B 站）的用户评论，自动构建包含各平台独特观点与表达风格的知识库，进而驱动多个大语言模型智能体，围绕特定话题展开模拟辩论。\n\n它主要解决了传统 AI 对话往往缺乏真实社区语境、难以复现多元舆论场碰撞的痛点。通过让智能体“扮演”不同平台的用户，开发者可以直观观察同一议题下截然不同的舆论生态和思维逻辑，为舆情分析、社会心理学研究及多智能体协同测试提供了生动的实验环境。\n\n该项目特别适合 AI 开发者、大模型研究人员以及对计算社会科学感兴趣的数据分析师使用。其核心技术亮点在于基于 GraphRAG 架构，不仅能从非结构化评论中提取实体关系构建图谱，还支持结合 FAISS 向量检索进行深度推理。虽然目前配置需要一定的编程基础（如设置 API Key 和环境依赖），但它为探索群体智能和社会化对话机制提供了一个极具价值的参考实现。","# 平台大战对话框架\n\n一个结合了知识图谱和RAG的多智能体对话框架，可以从不同社交平台的评论中提取并构建知识图谱数据库，让它们以各平台代表性的观点和表达方式，围绕一个话题展开辩论。\n\n## 文件结构\n\nAPI key配置文件是`config.py`。该程序基于moonshot-v1模型实现，需要在配置文件中填入从kimi开放平台申请的API key以正常运行。如果需要更换其他模型服务，需要同时修改`API_BASE_URL`和程序中相应调用大模型的部分（模型名称、特殊参数等）\n\n知识图谱类的主文件是`knowledgeGraph.py`，具体实现主文件接口的组件类分别为`graph_entity.py`，`graph_search.py`，`graph_storage.py`，`graph_visualization.py`。用于RAG的嵌入模型配置文件为`embedding_model.py`。\n\n使用到知识图谱的两个工具类是`knowledge_retriever.py`和`knowledgeGraphExtractor.py`，分别用于信息检索和知识图谱提取。\n\n平台大战对话的主程序是`platform_war.py`，相关UI和Agent类分别为`platform_war_UI.py`和`chat.py`。\n\n## 环境配置\n\n由于向量数据处理部分使用的`faiss-gpu`暂时只支持CUDA加速，所以本项目目前只支持Windows\u002FLinux系统运行。\n\n**创建conda环境**\n\n```\nconda create -n platform_war python=3.11.7\nconda activate platform_war\n```\n\n**启用gpu加速（可选）**\n\n安装电脑显卡版本匹配的CUDA和PyTorch, 例（具体版本请按电脑配置修改）：\n```\nconda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia\n```\n\n然后用以下命令安装FAISS的gpu版本\n```\nconda install -c conda-forge faiss-gpu\n```\n\n**项目目录下安装依赖（必选）**\n\n```\npip install -r requirements.txt\n```\n如果前一步没有安装CUDA，需要将`embedding_model.py`中的\n```\nmodel_kwargs={\"device\": \"cuda\"}\n```\n修改为\n```\nmodel_kwargs={\"device\": \"cpu\"}\n```\n\n**配置API（必选）**\n\n该程序基于moonshot-v1模型实现，需要在配置文件中填入从kimi开放平台申请的API key以正常运行。API key配置文件是`config.py`。\n\n## 图谱提取\n\n`knowledgeGraphExtractor.py`可用于从指定格式的json文件中自动提取知识图谱。\n\n在项目目录下新建data文件夹，放入需要提取的数据文件，命名为`result.json`（或者可以修改`knowledgeGraphExtractor.py`中的路径以使用其他文件名），然后运行`knowledgeGraphExtractor.py`。\n\n`result.json`需要遵循以下json格式：\n\n```\n{\n  \"item_id\": {                 \u002F\u002F 项目ID作为key\n    \"title\": string,           \u002F\u002F 标题\n    \"clusters\": [              \u002F\u002F 评论簇数组\n      {\n        \"comments\": [          \u002F\u002F 评论内容数组\n          string,\n          ...\n        ]\n      }\n    ]\n  },\n  \"item_id\": {\n    \"title\": string,\n    \"clusters\": [\n      {\n        \"comments\": [\n          string,\n          ...\n        ]\n      }\n    ]\n  },\n  ...\n}\n\n```\n\n## 平台辩论\n\n从原始数据提取完知识图谱后，会在项目目录下生成相应的知识图谱数据库。\n\n可以将`platform_war.py`、`platform_war_UI.py`和`chat.py`中的`PLATFORM_NAME`和`PLATFORM_KNOWLEDGE_BASE`修改为对应的数据库名称和路径。\n\n运行`platform_war.py`以开始平台辩论。\n\n## 预提取数据库\n\n如果想复现项目视频中的效果，需要单独下载三个平台的向量数据库。\n\n百度网盘下载链接：\n\nhttps:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Ki0Sym9dmM76e6ghR6P8jQ?pwd=j3ih 提取码: j3ih \n\n谷歌云盘下载链接：\n\nhttps:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1kaXPSTjVaI1LP9lPtu8XhCnqjgWVlajY?usp=sharing\n\n使用方法：\n\n解压缩，并将`bilibili_knowledge_base`，`weibo_knowledge_base`，`zhihu_knowledge_base`三个文件放在项目目录下。\n\n运行`platform_war.py`以开始平台辩论。\n\n## 已知问题\n\n* UI缺乏自适应，在不同尺寸的窗口中可能存在显示不全\u002F错位的问题。\n* 对话轮次超出屏幕范围后，新对话会与旧对话互相覆盖。\n\n## 参考\n\n微软GraphRAG项目 https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fgraphrag","# platform-war-public 快速上手指南\n\n## 环境准备\n\n**系统要求**\n- **操作系统**：仅支持 Windows 或 Linux（因 `faiss-gpu` 依赖 CUDA 加速，暂不支持 macOS）。\n- **Python 版本**：3.11.7\n- **硬件要求**：推荐配备 NVIDIA 显卡以启用 GPU 加速；若无独立显卡，需手动配置为 CPU 模式。\n\n**前置依赖**\n- Conda 包管理器\n- Kimi 开放平台 API Key（基于 moonshot-v1 模型）\n- （可选）与显卡匹配的 CUDA  Toolkit 和 PyTorch\n\n---\n\n## 安装步骤\n\n### 1. 创建并激活 Conda 环境\n```bash\nconda create -n platform_war python=3.11.7\nconda activate platform_war\n```\n\n### 2. 配置 GPU 加速（可选）\n若拥有 NVIDIA 显卡，请安装对应版本的 PyTorch 和 FAISS GPU 版。以下示例为 CUDA 12.1 环境，请根据实际显卡驱动调整版本：\n```bash\nconda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia\nconda install -c conda-forge faiss-gpu\n```\n> **注意**：若不安装 CUDA，请在后续步骤中将代码中的设备参数改为 `cpu`。\n\n### 3. 安装项目依赖\n在项目根目录下执行：\n```bash\npip install -r requirements.txt\n```\n*若无 GPU 环境*：打开 `embedding_model.py`，将 `model_kwargs={\"device\": \"cuda\"}` 修改为 `model_kwargs={\"device\": \"cpu\"}`。\n\n### 4. 配置 API Key\n编辑 `config.py` 文件，填入从 [Kimi 开放平台](https:\u002F\u002Fplatform.moonshot.cn\u002F) 申请的 API Key：\n```python\n# config.py 示例\nAPI_KEY = \"你的_sk_开头密钥\"\nAPI_BASE_URL = \"https:\u002F\u002Fapi.moonshot.cn\u002Fv1\" # 默认无需修改，换模型时需调整\n```\n\n---\n\n## 基本使用\n\n本项目核心功能为“平台辩论”，即让不同社交平台的 AI 智能体基于各自的知识库进行对话。\n\n### 方式一：直接使用预提取数据库（推荐新手）\n若想快速体验演示效果，无需自行处理数据，直接使用官方提供的向量数据库。\n\n1. **下载数据库**\n   从以下任一链接下载并解压，将 `bilibili_knowledge_base`、`weibo_knowledge_base`、`zhihu_knowledge_base` 三个文件夹放入项目根目录：\n   - 百度网盘：[下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Ki0Sym9dmM76e6ghR6P8jQ?pwd=j3ih) (提取码: j3ih)\n   - 谷歌云盘：[下载链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1kaXPSTjVaI1LP9lPtu8XhCnqjgWVlajY?usp=sharing)\n\n2. **检查配置**\n   确保 `platform_war.py`、`platform_war_UI.py` 和 `chat.py` 中的 `PLATFORM_KNOWLEDGE_BASE` 路径指向刚才放入的数据库文件夹名称。\n\n3. **启动辩论**\n   运行主程序：\n   ```bash\n   python platform_war.py\n   ```\n\n### 方式二：自定义数据构建知识库\n若需使用自己的评论数据构建知识图谱：\n\n1. **准备数据**\n   在项目根目录新建 `data` 文件夹，放入名为 `result.json` 的文件。数据格式如下：\n   ```json\n   {\n     \"item_id\": {\n       \"title\": \"话题标题\",\n       \"clusters\": [\n         {\n           \"comments\": [\"评论内容 1\", \"评论内容 2\"]\n         }\n       ]\n     }\n   }\n   ```\n\n2. **提取知识图谱**\n   运行提取脚本生成向量数据库：\n   ```bash\n   python knowledgeGraphExtractor.py\n   ```\n\n3. **更新路径并启动**\n   修改代码中的 `PLATFORM_NAME` 和 `PLATFORM_KNOWLEDGE_BASE` 指向新生成的数据库，然后运行：\n   ```bash\n   python platform_war.py\n   ```","某互联网公司的舆情分析团队需要针对“新款智能手机发布”这一热点，快速整合微博、知乎和 B 站三个平台的海量用户评论，以洞察不同圈层的真实观点差异。\n\n### 没有 platform-war-public 时\n- 分析师需手动从各平台爬取并清洗数万条评论，耗时数天且容易遗漏关键长尾观点。\n- 面对碎片化的评论数据，难以理清观点间的逻辑关联，只能依靠人工归纳，主观性强且效率低下。\n- 不同平台的语言风格（如微博的短平快、知乎的深度分析）在报告中被同质化处理，丢失了社区特有的语境价值。\n- 想要模拟多方观点碰撞以发现潜在争议点，只能组织线下会议讨论，无法实时动态推演。\n\n### 使用 platform-war-public 后\n- 只需将原始评论 JSON 导入，platform-war-public 即可自动提取实体关系并构建知识图谱数据库，将数据处理时间缩短至小时级。\n- 基于 GraphRAG 技术，系统能精准检索关联信息，让代表各平台的 AI 智能体自动围绕话题展开逻辑严密的辩论，客观呈现观点全貌。\n- 智能体能完美复刻源平台的表达风格（如 B 站的玩梗文化、知乎的专业术语），使分析结果更具场景感和说服力。\n- 通过多智能体自主辩论，系统能自动挖掘出人工难以察觉的深层矛盾和新兴趋势，为决策提供前瞻性依据。\n\nplatform-war-public 通过将分散的社交评论转化为可辩论的知识图谱，实现了从“被动整理数据”到“主动推演观点”的质变。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLYiHub_platform-war-public_fa7ecb91.png","LYiHub","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FLYiHub_40b0d976.png",null,"https:\u002F\u002Fgithub.com\u002FLYiHub",[18],{"name":19,"color":20,"percentage":21},"Python","#3572A5",100,784,96,"2026-04-06T07:28:26","Apache-2.0",3,"Windows, Linux","可选但推荐。若启用 GPU 加速，需安装与电脑显卡匹配的 CUDA 和 PyTorch（示例为 CUDA 12.1）。向量数据处理部分使用的 faiss-gpu 仅支持 CUDA 加速，若无 GPU 需手动修改配置使用 CPU。","未说明",{"notes":31,"python":32,"dependencies":33},"1. 本项目基于 moonshot-v1 模型，必须在 config.py 中配置 Kimi 开放平台的 API Key 才能运行。\n2. 若未安装 CUDA，必须将 embedding_model.py 中的 device 参数从 'cuda' 修改为 'cpu'。\n3. 如需复现演示效果，需单独下载三个平台（B 站、微博、知乎）的预提取向量数据库文件并放入项目目录。\n4. UI 存在已知问题：缺乏自适应，对话轮次过多时会出现覆盖现象。","3.11.7",[34,35,36,37,38],"faiss-gpu","pytorch","torchvision","torchaudio","pytorch-cuda",[40,41,42,43],"语言模型","开发框架","数据工具","Agent",2,"ready","2026-03-27T02:49:30.150509","2026-04-07T06:20:54.076905",[],[],[51,60,68,76,84,93],{"id":52,"name":53,"github_repo":54,"description_zh":55,"stars":56,"difficulty_score":26,"last_commit_at":57,"category_tags":58,"status":45},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,"2026-04-06T06:32:30",[43,41,59,42],"图像",{"id":61,"name":62,"github_repo":63,"description_zh":64,"stars":65,"difficulty_score":26,"last_commit_at":66,"category_tags":67,"status":45},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",[41,59,43],{"id":69,"name":70,"github_repo":71,"description_zh":72,"stars":73,"difficulty_score":44,"last_commit_at":74,"category_tags":75,"status":45},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",141543,"2026-04-06T11:32:54",[41,43,40],{"id":77,"name":78,"github_repo":79,"description_zh":80,"stars":81,"difficulty_score":44,"last_commit_at":82,"category_tags":83,"status":45},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。",107888,"2026-04-06T11:32:50",[41,59,43],{"id":85,"name":86,"github_repo":87,"description_zh":88,"stars":89,"difficulty_score":44,"last_commit_at":90,"category_tags":91,"status":45},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",[92,41],"插件",{"id":94,"name":95,"github_repo":96,"description_zh":97,"stars":98,"difficulty_score":26,"last_commit_at":99,"category_tags":100,"status":45},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",[40,59,43,41]]