[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Lizhi-sjtu--MARL-code-pytorch":3,"tool-Lizhi-sjtu--MARL-code-pytorch":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":79,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":104,"github_topics":105,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":114,"updated_at":115,"faqs":116,"releases":132},2273,"Lizhi-sjtu\u002FMARL-code-pytorch","MARL-code-pytorch","Concise pytorch implements of MARL algorithms, including MAPPO, MADDPG, MATD3, QMIX and VDN.","MARL-code-pytorch 是一个基于 PyTorch 构建的多智能体强化学习（MARL）算法代码库，旨在为研究人员和开发者提供简洁、高效的算法实现参考。它涵盖了当前主流的多种核心算法，包括 MAPPO、MADDPG、MATD3、QMIX 以及 VDN，有效解决了复现前沿论文算法时代码复杂、环境配置繁琐的痛点。\n\n该工具特别适合从事人工智能研究的高校学者、算法工程师以及希望深入理解多智能体协作机制的开发者使用。其独特的技术亮点在于对 Multi-Agent Particle-World (MPE) 仿真环境进行了定制化改进，通过简单的参数调整即可在离散动作空间与连续动作空间之间灵活切换，极大地提升了实验的便捷性。此外，项目还完整提供了在 MPE 和星际争霸 II（SMAC）等经典基准环境下的训练结果与可视化图表，帮助用户快速验证算法性能并开展对比实验。无论是用于学术探索还是算法原型开发，MARL-code-pytorch 都是一个轻量且实用的入门与进阶工具。","# MARL-code-pytorch\nConcise pytorch implements of MARL algorithms, including MAPPO, MADDPG, MATD3, QMIX and VDN.\n\n# Requirements\npython==3.7.9\u003Cbr \u002F>\nnumpy==1.19.4\u003Cbr \u002F>\npytorch==1.5.0\u003Cbr \u002F>\ntensorboard==0.6.0\u003Cbr \u002F>\ngym==0.10.5\u003Cbr \u002F>\n[Multi-Agent Particle-World Environment(MPE)](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fmultiagent-particle-envs)\u003Cbr \u002F>\n[SMAC-StarCraft Multi-Agent Challenge](https:\u002F\u002Fgithub.com\u002Foxwhirl\u002Fsmac)\u003Cbr \u002F>\n\n# Trainning results\n## 1. MAPPO in MPE (discrete action space)\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLizhi-sjtu_MARL-code-pytorch_readme_ad90de38b852.png)\n\n## 2. MAPPO in  StarCraft II(SMAC)\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLizhi-sjtu_MARL-code-pytorch_readme_1301c820d8bd.png)\n\n## 3. QMIX and VDN in StarCraft II(SMAC)\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLizhi-sjtu_MARL-code-pytorch_readme_403a00229858.png)\n\n## 4. MADDPG and MATD3 in MPE (continuous action space)\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLizhi-sjtu_MARL-code-pytorch_readme_c51a623e2ae0.png)\n\n# Some Details\nIn order to facilitate switching between discrete action space and continuous action space in MPE environments, we make some small modifications in [MPE source code](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fmultiagent-particle-envs).\u003Cbr \u002F>\n ## 1. make_env.py\n We add an argument named 'discrete' in 'make_env.py',which is a bool variable.\n ![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLizhi-sjtu_MARL-code-pytorch_readme_ba71ba34ed59.png)\n ## 2. environment.py\n We also add an argument named 'discrete' in 'environment.py'.\n ![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLizhi-sjtu_MARL-code-pytorch_readme_e5053e0a6376.png)\n ## 3. How to create a MPE environment?\n If your want to use discrete action space mode, you can use 'env=make_env(scenario_name, discrete=True)' \u003Cbr \u002F>\n If your want to use continuous action space mode, you can use 'env=make_env(scenario_name, discrete=False)' \u003Cbr \u002F>\n\n","# MARL-code-pytorch\nMARL算法的简洁PyTorch实现，包括MAPPO、MADDPG、MATD3、QMIX和VDN。\n\n# 需求\npython==3.7.9\u003Cbr \u002F>\nnumpy==1.19.4\u003Cbr \u002F>\npytorch==1.5.0\u003Cbr \u002F>\ntensorboard==0.6.0\u003Cbr \u002F>\ngym==0.10.5\u003Cbr \u002F>\n[多智能体粒子世界环境(MPE)](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fmultiagent-particle-envs)\u003Cbr \u002F>\n[SMAC-StarCraft多智能体挑战](https:\u002F\u002Fgithub.com\u002Foxwhirl\u002Fsmac)\u003Cbr \u002F>\n\n# 训练结果\n## 1. MPE中的MAPPO（离散动作空间）\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLizhi-sjtu_MARL-code-pytorch_readme_ad90de38b852.png)\n\n## 2. StarCraft II(SMAC)中的MAPPO\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLizhi-sjtu_MARL-code-pytorch_readme_1301c820d8bd.png)\n\n## 3. StarCraft II(SMAC)中的QMIX和VDN\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLizhi-sjtu_MARL-code-pytorch_readme_403a00229858.png)\n\n## 4. MPE中的MADDPG和MATD3（连续动作空间）\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLizhi-sjtu_MARL-code-pytorch_readme_c51a623e2ae0.png)\n\n# 一些细节\n为了便于在MPE环境中切换离散动作空间和连续动作空间，我们在[MPE源代码](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fmultiagent-particle-envs)中做了一些小修改。\u003Cbr \u002F>\n ## 1. make_env.py\n 我们在‘make_env.py’中添加了一个名为‘discrete’的参数，它是一个布尔变量。\n ![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLizhi-sjtu_MARL-code-pytorch_readme_ba71ba34ed59.png)\n ## 2. environment.py\n 我们也在‘environment.py’中添加了‘discrete’参数。\n ![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLizhi-sjtu_MARL-code-pytorch_readme_e5053e0a6376.png)\n ## 3. 如何创建MPE环境？\n 如果您想使用离散动作空间模式，可以使用‘env=make_env(scenario_name, discrete=True)’\u003Cbr \u002F>\n 如果您想使用连续动作空间模式，可以使用‘env=make_env(scenario_name, discrete=False)’\u003Cbr \u002F>","# MARL-code-pytorch 快速上手指南\n\n本指南旨在帮助开发者快速部署并使用 **MARL-code-pytorch**，这是一个基于 PyTorch 实现的简洁多智能体强化学习（MARL）算法库，支持 MAPPO、MADDPG、MATD3、QMIX 和 VDN 等主流算法。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下基础要求：\n\n*   **操作系统**: Linux \u002F macOS \u002F Windows\n*   **Python 版本**: 3.7.9 (严格推荐，版本不匹配可能导致兼容性问题)\n*   **核心依赖**:\n    *   `numpy==1.19.4`\n    *   `pytorch==1.5.0`\n    *   `tensorboard==0.6.0`\n    *   `gym==0.10.5`\n*   **仿真环境**:\n    *   [Multi-Agent Particle-World Environment (MPE)](https:\u002F\u002Fgithub.com\u002Fopenai\u002Fmultiagent-particle-envs)\n    *   [SMAC - StarCraft Multi-Agent Challenge](https:\u002F\u002Fgithub.com\u002Foxwhirl\u002Fsmac) (如需运行星际争霸示例)\n\n> **提示**: 国内用户建议使用清华源或阿里源加速 Python 包下载。\n\n## 安装步骤\n\n### 1. 创建虚拟环境并安装基础依赖\n\n建议使用 `conda` 或 `venv` 隔离环境。以下以 `pip` 配合国内镜像源为例：\n\n```bash\n# 创建并激活虚拟环境 (假设使用 conda)\nconda create -n marl_pytorch python=3.7.9\nconda activate marl_pytorch\n\n# 安装 PyTorch 1.5.0 (根据是否使用 GPU 选择对应命令，此处为 CPU 版本示例)\npip install torch==1.5.0 torchvision==0.6.0 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装其他核心依赖\npip install numpy==1.19.4 tensorboard==0.6.0 gym==0.10.5 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 2. 安装仿真环境 (MPE)\n\n由于本项目对 MPE 源码进行了修改以支持离散\u002F连续动作空间切换，建议直接克隆本项目或其引用的修改版 MPE，而非直接安装原版。\n\n```bash\n# 克隆 MPE 仓库 (如果项目未自带，需手动克隆修改版)\ngit clone https:\u002F\u002Fgithub.com\u002Fopenai\u002Fmultiagent-particle-envs.git\ncd multiagent-particle-envs\n\n# 按照项目说明修改源码 (见下文“关键配置”部分)，或直接使用本项目提供的修改后文件覆盖\n# 安装 MPE\npip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*(注：若需运行 SMAC 环境，请参考 SMAC 官方仓库进行额外安装，涉及 StarCraft II 游戏本体及地图文件)*\n\n### 3. 获取本项目代码\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FLizhi-sjtu\u002FMARL-code-pytorch.git\ncd MARL-code-pytorch\n```\n\n## 基本使用\n\n### 关键配置：MPE 环境动作空间设置\n\n本项目修改了 MPE 的 `make_env.py` 和 `environment.py` 文件，增加了 `discrete` 参数以方便切换动作空间类型。在编写训练脚本或调用环境时，请按以下方式初始化：\n\n*   **离散动作空间 (Discrete Action Space)**:\n    ```python\n    env = make_env(scenario_name, discrete=True)\n    ```\n    *(适用于 MAPPO 等算法)*\n\n*   **连续动作空间 (Continuous Action Space)**:\n    ```python\n    env = make_env(scenario_name, discrete=False)\n    ```\n    *(适用于 MADDPG, MATD3 等算法)*\n\n### 运行训练示例\n\n虽然 README 未提供具体的单行启动命令，但通常此类项目的入口脚本位于根目录或对应的算法文件夹下。假设你要运行 **MAPPO 在 MPE 离散环境** 下的训练，典型的执行逻辑如下（具体脚本名请查看项目目录结构，通常为 `main.py` 或 `train.py`）：\n\n```bash\n# 示例：运行 MAPPO 算法 (请根据实际文件名调整)\npython main.py --algorithm MAPPO --env_name simple_spread --discrete True\n```\n\n对于 **StarCraft II (SMAC)** 环境，确保已正确安装 SMAC 并配置好 `SC2PATH` 环境变量后，运行类似命令：\n\n```bash\n# 示例：运行 QMIX 算法\npython main.py --algorithm QMIX --env_name 3m\n```\n\n训练过程中产生的日志可通过 TensorBoard 查看：\n\n```bash\ntensorboard --logdir=.\u002Flogs\n```\n\n随后在浏览器访问 `http:\u002F\u002Flocalhost:6006` 即可观察训练曲线（如奖励变化、胜率等）。","某自动驾驶实验室的研究团队正致力于开发多智能体协同交通控制系统，需要在复杂的动态环境中训练多个车辆智能体进行无碰撞通行与路径优化。\n\n### 没有 MARL-code-pytorch 时\n- **算法复现成本高昂**：研究人员需从零编写 MAPPO、QMIX 等复杂算法的底层逻辑，耗费数周时间调试网络架构与损失函数，极易引入隐蔽错误。\n- **环境适配困难**：在切换离散动作（如变道指令）与连续动作（如转向角度）场景时，需手动修改 Multi-Agent Particle-World (MPE) 源码，接口不统一导致频繁报错。\n- **基线对比繁琐**：缺乏统一的训练框架，每次验证新想法都需重新搭建实验环境，难以在同一标准下快速对比 MADDPG 与 MATD3 的性能差异。\n- **可视化缺失**：缺少集成的 TensorBoard 支持，训练过程中的奖励收敛曲线和智能体策略演化难以直观监控，调参如同“盲人摸象”。\n\n### 使用 MARL-code-pytorch 后\n- **即插即用高效开发**：直接调用内置的 MAPPO、VDN 等简洁 PyTorch 实现，将算法验证周期从数周缩短至几天，让团队专注于策略创新而非代码基建。\n- **灵活的环境切换**：利用其改良的 `make_env` 接口，仅需设置 `discrete=True\u002FFalse` 参数即可无缝切换动作空间类型，彻底消除了环境适配的痛点。\n- **标准化基准测试**：依托统一的训练流程，研究人员能在 StarCraft II (SMAC) 或 MPE 环境中快速并行跑通多种算法，迅速锁定最优协同方案。\n- **清晰的训练洞察**：原生集成 TensorBoard 可视化，实时呈现奖励增长与策略收敛趋势，帮助团队精准调整超参数，显著提升模型最终性能。\n\nMARL-code-pytorch 通过提供标准化、模块化且环境友好的多智能体强化学习实现，将研发团队从重复造轮子的困境中解放出来，大幅加速了协同智能系统的落地进程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLizhi-sjtu_MARL-code-pytorch_e870eee1.png","Lizhi-sjtu","Lizhi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FLizhi-sjtu_e5693990.jpg","I am a master student at Shanghai Jiao Tong University. My interests are  Reforcement Learning and Robot.",null,"https:\u002F\u002Fgithub.com\u002FLizhi-sjtu",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,726,81,"2026-04-02T01:45:48","MIT",4,"","未说明（基于 PyTorch 1.5.0，通常建议配备支持 CUDA 的 NVIDIA GPU 以加速训练，但非强制）","未说明",{"notes":95,"python":96,"dependencies":97},"该工具包含多种多智能体强化学习算法（如 MAPPO, MADDPG, QMIX 等）。运行前需单独安装两个外部环境：Multi-Agent Particle-World Environment (MPE) 和 SMAC。注意：作者对 MPE 源码进行了修改以支持离散动作空间，使用时需确保应用了相应的代码更改（在 make_env.py 和 environment.py 中添加 'discrete' 参数）。","3.7.9",[98,99,100,101,102,103],"numpy==1.19.4","pytorch==1.5.0","tensorboard==0.6.0","gym==0.10.5","multiagent-particle-envs (MPE)","smac (StarCraft Multi-Agent Challenge)",[13,15],[106,107,108,109,110,111,112,113],"mappo","mpe","qmix","reinforcement-learning","smac","vdn","maddpg","matd3","2026-03-27T02:49:30.150509","2026-04-06T07:14:20.983816",[117,122,127],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},10437,"MAPPO 中的梯度裁剪（Gradient Clip）参数 max_norm 为什么设置为 10，而 PPO 中通常设为 0.5？","MAPPO 中的 max_norm = 10 是严格按照 MAPPO 原论文的设置进行的；而 PPO 中的 0.5 只是一个经验值，实际使用中可以根据具体任务效果进行调整。","https:\u002F\u002Fgithub.com\u002FLizhi-sjtu\u002FMARL-code-pytorch\u002Fissues\u002F1",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},10438,"MAPPO 的 Actor 网络输入是所有智能体的观测值，输出是所有智能体的动作概率，这种情况下如何实现去中心化执行（Decentralized Execution）？","这是一个关于 MAPPO 核心机制的常见疑问。虽然训练时 Critic 利用全局信息（集中式训练），但在执行阶段，每个智能体的 Actor 网络实际上只依赖自身的观测值来输出动作。如果代码中看起来输入了所有观测值，通常需要修改执行逻辑，确保在测试或部署时，每个智能体仅使用自己的局部观测进行推理，从而实现去中心化执行。","https:\u002F\u002Fgithub.com\u002FLizhi-sjtu\u002FMARL-code-pytorch\u002Fissues\u002F18",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},10439,"运行代码时遇到报错：'Box' object has no attribute 'n'，这是什么原因导致的？","该错误通常发生在动作空间（action_space）为连续空间（gym.spaces.Box）时。代码中尝试访问 `.n` 属性（通常用于离散空间 gym.spaces.Discrete）会导致此错误。请检查环境配置，确认动作空间类型。如果是连续动作空间，需要获取 `.shape` 或 `.high\u002F.low` 属性来计算维度，而不是使用 `.n`。","https:\u002F\u002Fgithub.com\u002FLizhi-sjtu\u002FMARL-code-pytorch\u002Fissues\u002F4",[]]