[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Lucifier129--factor-network":3,"tool-Lucifier129--factor-network":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",143909,2,"2026-04-07T11:33:18",[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。",107888,"2026-04-06T11:32:50",[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},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",[52,14],"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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":107},5191,"Lucifier129\u002Ffactor-network","factor-network","A simple factor network implementation written by JavaScript","factor-network 是一个用 JavaScript 编写的轻量级因子网络实现库，旨在让开发者能在浏览器或 Node.js 环境中轻松构建和实验人工神经网络。它主要解决了传统深度学习框架往往过于庞大、配置复杂，难以快速验证算法原型或进行教学演示的问题。\n\n通过提供简洁的 API，factor-network 支持多种核心训练机制，包括经典的反向传播算法以及无需标注数据的神经进化（Neuroevolution）技术。其独特的亮点在于内置了丰富的互动示例，如让 AI 自主学会玩“飞扬的小鸟”和\"2048\"游戏，甚至展示了蒙特卡洛树搜索等高级策略的应用。这些案例直观地证明了该库在处理强化学习和无监督学习场景下的灵活性。\n\n这款工具非常适合前端开发者、人工智能初学者以及教育研究者使用。对于希望深入理解神经网络底层原理而不被复杂工程细节困扰的人群，factor-network 提供了极佳的实践平台；同时，它也适合需要快速在 Web 端部署轻量级 AI 模型的原型开发者。无论是用于学习反向传播的数学原理，还是探索神经进化的奥秘，factor-network 都能以低门槛的方式助你开启智能算","factor-network 是一个用 JavaScript 编写的轻量级因子网络实现库，旨在让开发者能在浏览器或 Node.js 环境中轻松构建和实验人工神经网络。它主要解决了传统深度学习框架往往过于庞大、配置复杂，难以快速验证算法原型或进行教学演示的问题。\n\n通过提供简洁的 API，factor-network 支持多种核心训练机制，包括经典的反向传播算法以及无需标注数据的神经进化（Neuroevolution）技术。其独特的亮点在于内置了丰富的互动示例，如让 AI 自主学会玩“飞扬的小鸟”和\"2048\"游戏，甚至展示了蒙特卡洛树搜索等高级策略的应用。这些案例直观地证明了该库在处理强化学习和无监督学习场景下的灵活性。\n\n这款工具非常适合前端开发者、人工智能初学者以及教育研究者使用。对于希望深入理解神经网络底层原理而不被复杂工程细节困扰的人群，factor-network 提供了极佳的实践平台；同时，它也适合需要快速在 Web 端部署轻量级 AI 模型的原型开发者。无论是用于学习反向传播的数学原理，还是探索神经进化的奥秘，factor-network 都能以低门槛的方式助你开启智能算法之旅。","# factor-network\nA simple factor-network implementation written by JavaScript\n\n## Demo\n\n### Flappy-Bird\n- [Flappy-Bird-Of-Neuroevolution-Without-Labeled-Data](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#Flappy-Bird-Of-Neuroevolution-Without-Labeled-Data)\n- [Flappy-Bird-Of-Neuroevolution-With-Labeled-Data](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#Flappy-Bird-Of-Neuroevolution-With-Labeled-Data)\n- [Flappy-Bird-Of-Back-Propagation](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#Flappy-Bird-Of-Back-Propagation)\n- [Flappy-Bird-Of-Ten-Masters](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#Flappy-Bird-Of-Ten-Masters)\n\nThese demo is inspired by [FlappyLearning](https:\u002F\u002Fgithub.com\u002Fxviniette\u002FFlappyLearning)\n\n### MNIST\n- [MNIST-Handwritten-Digit-Of-Back-Propagation](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#MNIST-Handwritten-Digit-Of-Back-Propagation)\n\n### 2048\n- [Game-2048: Monte-Carlo Method](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#Game-2048-Of-Monte-Carlo-Method)\n- [Game-2048: Monte-Carlo Tree Search](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#Game-2048-Of-Monte-Carlo-Tree-Search)\n\n## Knowledge\n- [Artificial neural network](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FArtificial_neural_network)\n- [Neuroevolution](http:\u002F\u002Fwww.scholarpedia.org\u002Farticle\u002FNeuroevolution)\n- [Backpropagation](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBackpropagation)\n- [Principles of training multi-layer neural network using backpropagation](http:\u002F\u002Fgalaxy.agh.edu.pl\u002F~vlsi\u002FAI\u002Fbackp_t_en\u002Fbackprop.html)\n- [Monte Carlo method](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMonte_Carlo_method)\n- [Monte Carlo tree search](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMonte_Carlo_tree_search)","# 因子网络\n用 JavaScript 编写的简单因子网络实现\n\n## 演示\n\n### Flappy Bird\n- [无标注数据的神经进化版 Flappy Bird](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#Flappy-Bird-Of-Neuroevolution-Without-Labeled-Data)\n- [有标注数据的神经进化版 Flappy Bird](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#Flappy-Bird-Of-Neuroevolution-With-Labeled-Data)\n- [反向传播算法版 Flappy Bird](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#Flappy-Bird-Of-Back-Propagation)\n- [十位高手协作版 Flappy Bird](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#Flappy-Bird-Of-Ten-Masters)\n\n这些演示受到 [FlappyLearning](https:\u002F\u002Fgithub.com\u002Fxviniette\u002FFlappyLearning) 的启发。\n\n### MNIST 手写数字识别\n- [反向传播算法版 MNIST 手写数字识别](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#MNIST-Handwritten-Digit-Of-Back-Propagation)\n\n### 2048 游戏\n- [2048 游戏：蒙特卡洛方法](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#Game-2048-Of-Monte-Carlo-Method)\n- [2048 游戏：蒙特卡洛树搜索](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#Game-2048-Of-Monte-Carlo-Tree-Search)\n\n## 相关知识\n- [人工神经网络](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FArtificial_neural_network)\n- [神经进化](http:\u002F\u002Fwww.scholarpedia.org\u002Farticle\u002FNeuroevolution)\n- [反向传播算法](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBackpropagation)\n- [使用反向传播训练多层神经网络的原理](http:\u002F\u002Fgalaxy.agh.edu.pl\u002F~vlsi\u002FAI\u002Fbackp_t_en\u002Fbackprop.html)\n- [蒙特卡洛方法](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMonte_Carlo_method)\n- [蒙特卡洛树搜索](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMonte_Carlo_tree_search)","# factor-network 快速上手指南\n\n`factor-network` 是一个用 JavaScript 编写的轻量级因子网络（神经网络）实现库，支持神经进化（Neuroevolution）、反向传播（Backpropagation）及蒙特卡洛搜索等算法，适用于浏览器端的游戏 AI 训练与演示。\n\n## 环境准备\n\n- **操作系统**：Windows \u002F macOS \u002F Linux（任意支持现代浏览器的系统）\n- **运行时环境**：\n  - Node.js（推荐 v14+，用于本地构建和开发）\n  - 现代浏览器（Chrome、Firefox、Edge 等，用于运行示例）\n- **前置依赖**：\n  - npm 或 yarn（包管理工具）\n  - Git（用于克隆仓库）\n\n> 提示：国内开发者可使用淘宝镜像加速 npm 安装：\n> ```bash\n> npm config set registry https:\u002F\u002Fregistry.npmmirror.com\n> ```\n\n## 安装步骤\n\n1. 克隆项目仓库：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Flucifier129\u002Ffactor-network.git\n   cd factor-network\n   ```\n\n2. 安装依赖：\n   ```bash\n   npm install\n   ```\n\n3. 构建示例项目（可选，用于本地运行 Demo）：\n   ```bash\n   npm run build\n   ```\n\n4. 启动本地服务器查看示例：\n   ```bash\n   npm start\n   ```\n   然后在浏览器中访问 `http:\u002F\u002Flocalhost:8080` 即可看到所有演示案例。\n\n## 基本使用\n\n`factor-network` 核心用法是通过定义网络结构并选择训练策略（如神经进化或反向传播）来训练 AI 模型。以下是一个最简化的使用示例（以训练 Flappy Bird 游戏 AI 为例）：\n\n```javascript\nimport { Network, Neuroevolution } from 'factor-network';\n\n\u002F\u002F 定义输入、隐藏层和输出节点数\nconst network = new Network({\n  inputs: 5,      \u002F\u002F 例如：鸟的位置、速度、管道距离等\n  hidden: [8],    \u002F\u002F 隐藏层节点\n  outputs: 1      \u002F\u002F 输出：是否跳跃\n});\n\n\u002F\u002F 初始化神经进化训练器\nconst evolution = new Neuroevolution({\n  population: 50,\n  mutationRate: 0.1,\n  network: network\n});\n\n\u002F\u002F 在游戏循环中评估每个个体\nfunction evaluateGeneration() {\n  evolution.nextGeneration();\n  \u002F\u002F 将 evolution.currentPopulation 中的网络用于游戏决策\n}\n\n\u002F\u002F 根据游戏得分更新适应度\nfunction updateFitness(score) {\n  evolution.fitness(score);\n}\n```\n\n> 更多完整示例请参考项目中的 `examples\u002F` 目录，或直接访问在线 Demo：\n> - [无标签数据的神经进化 Flappy Bird](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#Flappy-Bird-Of-Neuroevolution-Without-Labeled-Data)\n> - [MNIST 手写数字识别（反向传播）](https:\u002F\u002Flucifier129.github.io\u002Ffactor-network\u002Fexamples\u002Fbuild\u002F#MNIST-Handwritten-Digit-Of-Back-Propagation)\n\n该库无需复杂配置，适合快速原型开发和教学演示。","某独立游戏开发者希望在浏览器中为经典游戏《Flappy Bird》添加智能 AI 对手，让玩家能观察不同训练策略下的鸟类飞行行为。\n\n### 没有 factor-network 时\n- 开发者需从零编写神经网络底层代码，包括前向传播、反向传播及神经进化算法，耗时数周且极易出错。\n- 缺乏现成的无标签数据训练方案，难以让 AI 仅通过试错（如神经进化）自主学习飞行技巧。\n- 无法快速对比不同算法效果，若想同时测试蒙特卡洛搜索与反向传播，需重复搭建多套架构。\n- 前端集成困难，传统重型深度学习库难以在轻量级网页环境中流畅运行。\n\n### 使用 factor-network 后\n- 直接调用 factor-network 提供的简洁 JavaScript 接口，几小时内即可构建出完整的神经网络模型。\n- 利用内置的神经进化模块，无需人工标注数据，AI 便能通过自我博弈自动掌握避障策略。\n- 轻松切换并对比多种训练模式，同一套代码框架下即可演示反向传播、神经进化及蒙特卡洛树搜索的效果差异。\n- 凭借原生 JS 实现的轻量特性，模型无缝嵌入网页，玩家在浏览器中即可流畅观看 AI 实时决策过程。\n\nfactor-network 将复杂的算法实现简化为可调用的模块，让开发者能专注于策略验证而非底层造轮子，极大降低了浏览器端 AI 游戏的开发门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLucifier129_factor-network_66f95949.png","Lucifier129","工业聚","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FLucifier129_20bf3d70.jpg","Thinking, coding and writing for fun","Trip.com Group","shanghai, china",null,"https:\u002F\u002Ftwitter.com\u002Fguyingjie129","https:\u002F\u002Fgithub.com\u002FLucifier129",[83],{"name":84,"color":85,"percentage":86},"JavaScript","#f1e05a",100,534,46,"2026-03-25T12:03:14","MIT",1,"Linux, macOS, Windows","未说明",{"notes":95,"python":93,"dependencies":96},"该工具是使用 JavaScript 编写的轻量级因子网络实现，无需安装 Python 环境或 GPU 驱动。主要依赖浏览器环境运行演示（如 Flappy Bird、MNIST、2048 等），可直接通过提供的在线链接体验，或在本地搭建 Web 服务器运行源码。",[97],"JavaScript (原生实现)",[14],[100,101,102,103],"neural-network","neuroevolution","flappy-bird","backpropagation-learning-algorithm","2026-03-27T02:49:30.150509","2026-04-08T01:47:40.786269",[],[]]