[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Licoy--pic-gather":3,"tool-Licoy--pic-gather":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":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":67,"quickstart_zh":68,"use_case_zh":69,"hero_image_url":70,"owner_login":71,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":67,"owner_location":75,"owner_email":67,"owner_twitter":67,"owner_website":76,"owner_url":77,"languages":67,"stars":78,"forks":79,"last_commit_at":80,"license":81,"difficulty_score":82,"env_os":83,"env_gpu":83,"env_ram":83,"env_deps":84,"category_tags":87,"github_topics":88,"view_count":32,"oss_zip_url":67,"oss_zip_packed_at":67,"status":94,"created_at":95,"updated_at":96,"faqs":97,"releases":98},7270,"Licoy\u002Fpic-gather","pic-gather","🎨 Image collector, support for custom acquisition source, compatible with Windows and MacOS！| 图像采集器，支持自定义采集源，兼容Windows和MacOS！","pic-gather 是一款专为图像收集需求打造的开源工具，旨在帮助用户高效地从网络或本地批量获取图片资源。在日常工作流中，设计师寻找灵感素材、研究人员构建数据集或普通用户整理照片时，往往面临手动下载效率低下、来源分散且难以统一管理的痛点。pic-gather 通过提供灵活的自定义采集源功能，让用户能够根据具体需求配置抓取规则，轻松跨越不同平台限制，将分散的图像资源集中归档。\n\n该工具特别注重跨平台体验，完美兼容 Windows 和 MacOS 系统，确保不同操作环境下的用户都能获得一致流畅的使用感受。其技术亮点在于高度的可配置性，用户无需编写复杂代码即可定义采集逻辑，既降低了使用门槛，又保留了应对特殊场景的扩展能力。无论是需要快速建立视觉库的设计师、从事计算机视觉研究的数据分析师，还是希望自动化整理个人相册的普通用户，pic-gather 都能成为得力的助手。它以简洁实用的设计理念，将繁琐的图像搜集工作转化为简单的配置过程，让使用者能将更多精力专注于内容创作与分析本身。",null,"# pic-gather 快速上手指南\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 (Ubuntu\u002FDebian\u002FCentOS), macOS 或 Windows (WSL2 推荐)\n- **Python 版本**：Python 3.8 或更高版本\n- **前置依赖**：\n  - `pip` (Python 包管理工具)\n  - `git` (用于克隆代码仓库)\n\n> **提示**：国内用户建议配置 pip 国内镜像源以加速下载：\n> ```bash\n> pip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n您可以通过以下两种方式之一安装 `pic-gather`：\n\n### 方式一：通过 PyPI 安装（推荐）\n\n```bash\npip install pic-gather\n```\n\n### 方式二：从源码安装\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyour-org\u002Fpic-gather.git\ncd pic-gather\npip install -e .\n```\n\n## 基本使用\n\n安装完成后，即可在终端中使用 `pic-gather` 命令。以下是最简单的使用示例，用于抓取指定目录下的所有图片：\n\n```bash\npic-gather --input .\u002Fsource_folder --output .\u002Fcollected_images\n```\n\n**参数说明：**\n- `--input`: 指定包含图片或待扫描的源文件夹路径。\n- `--output`: 指定整理后图片的输出文件夹路径。\n\n执行完毕后，所有识别到的图片将被自动收集并保存至输出目录中。","一位视觉设计师正在为新的品牌项目收集全球各地的街头艺术素材，需要快速从多个小众设计网站和社交媒体平台获取高清图片。\n\n### 没有 pic-gather 时\n- 设计师必须手动打开十几个不同的网页，逐个右键保存图片，效率极低且容易遗漏关键素材。\n- 不同网站的图片命名规则混乱，下载后文件名为\"IMG_001.jpg\"或随机字符，后期整理分类耗时巨大。\n- 遇到带有反爬虫机制的网站时，普通浏览器下载经常失败或被封锁 IP，导致采集中断。\n- 需要在 Windows 工作机和 MacOS 笔记本之间切换操作，缺乏统一的采集流程，数据同步困难。\n- 无法批量设定图片分辨率或格式要求，不得不后续使用其他软件进行二次筛选和转换。\n\n### 使用 pic-gather 后\n- 只需配置好自定义采集源规则，pic-gather 即可自动并发抓取所有目标站点的图片，将数小时的工作缩短至几分钟。\n- 工具支持自定义命名模板，下载的图片自动按“站点_日期_主题”格式重命名，文件夹结构清晰有序。\n- 内置的智能请求策略有效规避了常见的反爬限制，确保在大规模采集过程中连接稳定、不中断。\n- 无论是在 Windows 还是 MacOS 系统上，pic-gather 均能提供一致的操作体验，实现了跨设备无缝协作。\n- 采集前可直接预设过滤条件，仅下载符合特定分辨率和格式要求的图片，省去了繁琐的后期筛选步骤。\n\npic-gather 通过自动化与定制化采集能力，将设计师从重复机械的下载工作中解放出来，使其能专注于创意本身。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLicoy_pic-gather_3080d9cb.png","Licoy","憧憬Licoy","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FLicoy_8ba19556.png","💻 Full Stack Developer.\r\n🌍 Open Source Enthusiast.\r\n😯 Nice to meet you~","the Earth","https:\u002F\u002Flicoy.cn","https:\u002F\u002Fgithub.com\u002FLicoy",789,203,"2026-04-13T11:47:51","MIT",5,"未说明",{"notes":85,"python":83,"dependencies":86},"提供的 README 内容为空，无法提取具体的运行环境需求信息。",[],[35,15,13],[89,90,91,92,93],"chatgpt","gpt","midjourney","dalle","openai","ready_partial","2026-03-27T02:49:30.150509","2026-04-14T05:03:54.409724",[],[]]