[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-MorvanZhou--tutorials":3,"tool-MorvanZhou--tutorials":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",151314,2,"2026-04-11T23:32:58",[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":32,"last_commit_at":59,"category_tags":60,"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],{"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":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":76,"owner_url":77,"languages":78,"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":97,"github_topics":98,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":111},6744,"MorvanZhou\u002Ftutorials","tutorials","机器学习相关教程","tutorials 是由知名技术博主周沫凡（莫烦 Python）精心打造的机器学习与 Python 编程开源教程集合。它旨在为学习者提供一条清晰、高效的技术成长路径，帮助大家系统掌握从基础语法到前沿算法的核心知识，避免在碎片化信息中少走弯路。\n\n这套资源全面覆盖了 Python 基础、多线程与多进程处理、图形界面开发等入门内容，并深入讲解了机器学习领域的关键技能，包括强化学习、进化算法以及 TensorFlow、PyTorch、Keras 等主流深度学习框架的实战应用。此外，它还包含了 Numpy、Pandas 数据处理、Matplotlib 可视化、网络爬虫以及 Git 和 Linux 等开发者必备工具的教学。\n\ntutorials 特别适合编程初学者、人工智能研究人员以及希望转型进入数据科学领域的开发者使用。其独特的亮点在于将复杂的理论概念转化为通俗易懂的文字讲解与配套视频，注重代码实战与逻辑梳理，让抽象的算法变得触手可及。无论你是想夯实基础，还是探索最新的神经网络技术，tutorials 都能提供详实且友好的指导，是中文社区中不可多得的优质学习宝库。","\u003Cp align=\"center\">\n    \u003Ca href=\"https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002F\" target=\"_blank\">\n    \u003Cimg width=\"60%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_tutorials_readme_87375b53c621.png\" style=\"max-width:100%;\">\n    \u003C\u002Fa>\n\u003C\u002Fp>\n\n\n\u003Cbr>\n\n我是 周沫凡, [莫烦Python](https:\u002F\u002Fmofanpy.com\u002F) 只是谐音, 我喜欢制作,\n分享所学的东西, 所以你能在这里找到很多有用的东西, 少走弯路. 你能在[这里](https:\u002F\u002Fmofanpy.com\u002Fabout\u002F)找到关于我的所有东西.\n\n## 这个 Python tutorial 的一些内容:\n\n* [Python 基础](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fpython-basic\u002F)\n  * [基础](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fpython-basic\u002Fbasic\u002F)\n  * [多线程 threading](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fpython-basic\u002Fthreading\u002F)\n  * [多进程 multiprocessing](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fpython-basic\u002Fmultiprocessing\u002F)\n  * [简单窗口 tkinter](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fpython-basic\u002Ftkinter\u002F)\n* [机器学习](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fmachine-learning\u002F)\n  * [有趣的机器学习](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fmachine-learning\u002FML-intro\u002F)\n  * [强化学习 (Reinforcement Learning)](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fmachine-learning\u002Freinforcement-learning\u002F)\n  * [进化算法 (Evolutionary Algorithm) 如遗传算法等](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fmachine-learning\u002Fevolutionary-algorithm\u002F)\n  * [Tensorflow (神经网络)](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fmachine-learning\u002Ftensorflow\u002F)\n  * [PyTorch (神经网络)](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fmachine-learning\u002Ftorch\u002F)\n  * [Theano (神经网络)](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fmachine-learning\u002Ftheano\u002F)\n  * [Keras (快速神经网络)](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fmachine-learning\u002Fkeras\u002F)\n  * [Scikit-Learn (机器学习)](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fmachine-learning\u002Fsklearn\u002F)\n  * [机器学习实战](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fmachine-learning\u002FML-practice\u002F)\n* [数据处理](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fdata-manipulation\u002F)\n  * [Numpy & Pandas (处理数据)](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fdata-manipulation\u002Fnp-pd\u002F)\n  * [Matplotlib (绘图)](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fdata-manipulation\u002Fplt\u002F)\n  * [爬虫](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fdata-manipulation\u002Fscraping\u002F)\n* [其他](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fothers\u002F)\n  * [Git (版本管理)](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fothers\u002Fgit\u002F)\n  * [Linux 简易教学](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fothers\u002Flinux-basic\u002F)\n\n## 赞助和支持\n\n这些 tutorial 都是我用业余时间写出来, 录成视频, 如果你觉得它对你很有帮助, 请你也分享给需要学习的朋友们.\n如果你看好我的经验分享, 也请考虑适当的 [赞助打赏](https:\u002F\u002Fmofanpy.com\u002Fsupport\u002F), 让我能继续分享更好的内容给大家.","# 莫烦 Python 教程快速上手指南\n\n本指南基于周沫凡（莫烦 Python）开源的教程资源，旨在帮助开发者快速定位学习路径并搭建本地学习环境。该仓库主要包含教程的索引与链接，核心学习内容需访问官方网站或克隆代码示例进行实践。\n\n## 环境准备\n\n在开始学习之前，请确保您的开发环境满足以下基本要求：\n\n*   **操作系统**：Windows、macOS 或 Linux 均可。\n*   **Python 版本**：推荐安装 **Python 3.6** 及以上版本（部分新特性教程建议 Python 3.8+）。\n*   **前置依赖**：根据您选择的学习模块，可能需要安装以下常用数据科学库：\n    *   基础计算：`numpy`, `pandas`\n    *   可视化：`matplotlib`\n    *   机器学习\u002F深度学习：`scikit-learn`, `tensorflow`, `torch`, `keras`\n    *   其他工具：`tkinter` (通常随 Python 自带), `git`\n\n> **国内加速建议**：\n> 在安装依赖时，推荐使用国内镜像源以提升下载速度。例如使用清华源：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>\n> ```\n\n## 安装步骤\n\n由于本项目主要是教程目录和链接集合，获取本地代码示例主要有以下两种方式：\n\n### 方式一：直接访问在线教程（推荐）\n大部分内容已部署在官方网站，无需安装即可直接阅读和学习：\n*   访问地址：[https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002F](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002F)\n\n### 方式二：克隆仓库获取源码\n如果您希望在本地运行教程中的代码示例，请使用 Git 克隆项目：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002Ftutorials.git\ncd tutorials\n```\n\n若需运行特定模块的示例代码，请根据该模块要求安装对应的 Python 库。例如，运行机器学习示例前：\n\n```bash\n# 使用国内镜像源批量安装常用依赖\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy pandas matplotlib scikit-learn tensorflow torch\n```\n\n## 基本使用\n\n本教程采用模块化结构，您可以根据需求选择对应的学习路径。以下是几个典型的使用场景：\n\n### 1. 学习 Python 基础\n进入基础教程目录，查看多线程或多进程示例：\n```bash\ncd tutorials\u002Fpython-basic\u002Fthreading\n# 运行具体的示例脚本，例如\npython threading_basic.py\n```\n\n### 2. 实践机器学习 (以 PyTorch 为例)\n导航至 PyTorch 教程文件夹，运行神经网络构建示例：\n```bash\ncd tutorials\u002Fmachine-learning\u002Ftorch\n# 执行一个简单的回归或分类示例\npython regression.py\n```\n\n### 3. 数据处理与可视化\n利用 Numpy 和 Matplotlib 进行数据操作和绘图：\n```bash\ncd tutorials\u002Fdata-manipulation\u002Fnp-pd\npython basic_operation.py\n```\n\n> **提示**：每个子文件夹下通常包含多个 `.py` 脚本，按顺序运行即可跟随教程步骤逐步实践。遇到具体算法原理或代码详解，建议结合官网图文\u002F视频内容进行深入学习。","某高校数据科学专业的研究生李明，正试图从零开始构建一个基于强化学习的智能交易策略，但面对庞杂的算法理论和框架文档感到无从下手。\n\n### 没有 tutorials 时\n- **理论门槛高**：面对强化学习中“状态、动作、奖励”等抽象概念，只能啃读晦涩的英文论文，耗时数周仍难以建立直观理解。\n- **环境配置混乱**：在安装 TensorFlow 或 PyTorch 时，因缺乏清晰的版本对应指南，频繁遭遇依赖冲突，三天时间全浪费在修 Bug 上。\n- **代码实现断层**：即使懂了原理，也不知道如何将数学公式转化为可运行的 Python 代码，网上碎片化教程往往缺少完整的实战逻辑。\n- **调试无从下手**：模型训练不收敛时，不知道是超参数设置问题还是数据预处理错误，缺乏系统的排查思路和经验分享。\n\n### 使用 tutorials 后\n- **概念可视化**：通过莫烦 Python 中生动的动画和通俗讲解，迅速掌握了强化学习的核心机制，将理论学习时间从数周缩短至两天。\n- **一站式环境指引**：参照工具中详细的框架安装教程（如 Tensorflow\u002FPyTorch 专区），一次性成功配置好开发环境，避免了版本陷阱。\n- **完整代码复现**：直接参考“机器学习实战”章节提供的源码，理解了从数据加载到模型训练的完整链路，快速跑通了第一个 Demo。\n- **高效排错优化**：利用教程中关于常见陷阱的提示和调整技巧，迅速定位了模型不收敛的原因，并通过调整学习率解决了问题。\n\ntutorials 将零散的知识体系化为可执行的实战路径，让初学者能以最低成本跨越从理论到落地的鸿沟。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_tutorials_323fb5b8.png","MorvanZhou","Morvan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMorvanZhou_b02f189a.jpg","Deep Learning Research & Development at Tencent ",null,"https:\u002F\u002Fmofanpy.com","https:\u002F\u002Fgithub.com\u002FMorvanZhou",[79,83],{"name":80,"color":81,"percentage":82},"Python","#3572A5",87.1,{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",12.9,12876,5702,"2026-04-11T17:28:20","MIT",1,"","未说明",{"notes":95,"python":93,"dependencies":96},"该仓库为莫烦 Python 教程的索引目录，主要提供指向官方网站（mofanpy.com）各具体教程页面的链接。README 中未包含具体的代码运行环境、依赖库版本或硬件需求信息。用户需访问链接查看特定主题（如 TensorFlow, PyTorch, Scikit-Learn 等）的具体教程以获取相应的环境配置要求。",[],[14],[99,100,101,102,103,104,105,106,107],"machine-learning","neural-network","tensorflow","python","sklearn","theano","threading","multiprocessing","numpy","2026-03-27T02:49:30.150509","2026-04-12T07:50:39.782080",[],[]]