[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Nutlope--turboseek":3,"tool-Nutlope--turboseek":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",140436,2,"2026-04-05T23:32:43",[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":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":98,"forks":99,"last_commit_at":100,"license":79,"difficulty_score":23,"env_os":101,"env_gpu":102,"env_ram":101,"env_deps":103,"category_tags":112,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":113,"updated_at":114,"faqs":115,"releases":116},2927,"Nutlope\u002Fturboseek","turboseek","An AI search engine inspired by Perplexity","TurboSeek 是一款受 Perplexity 启发的开源 AI 搜索引擎，旨在为用户提供精准、实时的答案。它解决了传统搜索引擎仅提供信息列表、用户需自行筛选阅读的痛点，通过自动抓取网络顶部搜索结果并整合上下文，直接生成结构清晰的回答，同时推荐相关的后续问题以引导深入探索。\n\n这款工具特别适合开发者和技术爱好者使用。它不仅是一个实用的搜索产品，更是一份详尽的“构建指南”，展示了如何利用 Next.js、Tailwind CSS 搭建前端，结合 Together AI 调用 Llama 3.1 等开源大模型进行推理，并集成 Exa.ai 或 Bing API 实现实时联网检索。其技术亮点在于完整实现了从搜索、内容抓取（Scraping）、上下文增强生成（RAG）到流式输出的全流程，且代码完全开放，便于用户学习架构设计或基于此二次开发属于自己的 AI 搜索应用。对于希望快速落地 AI 搜索功能或深入研究大模型应用架构的开发者而言，TurboSeek 提供了极佳的参考范本。","\u003Ca href=\"https:\u002F\u002Fwww.turboseek.io\">\n  \u003Cimg alt=\"Turbo Seek\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNutlope_turboseek_readme_809996b345aa.png\">\n  \u003Ch1 align=\"center\">TurboSeek\u003C\u002Fh1>\n\u003C\u002Fa>\n\n\u003Cp align=\"center\">\n  An open source AI search engine. Powered by Together.ai.\n\u003C\u002Fp>\n\n> If you want to learn how to build this, check out [**the tutorial**](https:\u002F\u002Fdocs.together.ai\u002Fdocs\u002Fai-search-engine)!\n\n## Tech stack\n\n- Next.js app router with Tailwind\n- Together AI for LLM inference\n- OpenAI gpt-oss models and Llama 3.1 8B for the LLMs\n- Exa.ai for the search API\n- Helicone for observability\n- Plausible for website analytics\n\n## How it works\n\n1. Take in a user's question\n2. Make a request to the bing search API to look up the top 6 results and show them\n3. Scrape text from the 6 links bing sent back and store it as context\n4. Make a request to gpt-oss with the user's question + context & stream it back to the user\n5. Make another request to Llama 3.1 8B to come up with 3 related questions the user can follow up with\n\n## Cloning & running\n\n1. Fork or clone the repo\n2. Create an account at [Together AI](https:\u002F\u002Ftogetherai.link) for the LLM\n3. Create an account at [SERP API](https:\u002F\u002Fserper.dev\u002F) or with Azure ([Bing Search API](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fbing\u002Fapis\u002Fbing-web-search-api))\n4. Create an account at [Helicone](https:\u002F\u002Fwww.helicone.ai\u002F) for observability\n5. Create a `.env` (use the `.example.env` for reference) and replace the API keys\n6. Run `npm install` and `npm run dev` to install dependencies and run locally\n\n## Future tasks\n\n- [ ] Move back to the Together SDK + simpler streaming\n- [ ] Add a tokenizer to smartly count number of tokens for each source and ensure we're not going over\n- [ ] Add a regenerate option for a user to re-generate\n- [ ] Make sure the answer correctly cites all the sources in the text & number the citations in the UI\n- [ ] Add sharability to allow folks to share answers\n- [ ] Automatically scroll when an answer is happening, especially for mobile\n- [ ] Fix hard refresh in the header and footer by migrating answers to a new page\n- [ ] Add upstash redis for caching results & rate limiting users\n- [ ] Add in more advanced RAG techniques like keyword search & question rephrasing\n- [ ] Add authentication with Clerk if it gets popular along with postgres\u002Fprisma to save user sessions\n\n## Inspiration\n\n- Perplexity\n- You.com\n- Lepton search\n","\u003Ca href=\"https:\u002F\u002Fwww.turboseek.io\">\n  \u003Cimg alt=\"Turbo Seek\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNutlope_turboseek_readme_809996b345aa.png\">\n  \u003Ch1 align=\"center\">TurboSeek\u003C\u002Fh1>\n\u003C\u002Fa>\n\n\u003Cp align=\"center\">\n  一款开源的 AI 搜索引擎。由 Together.ai 提供支持。\n\u003C\u002Fp>\n\n> 如果你想学习如何构建这个项目，请查看[**教程**](https:\u002F\u002Fdocs.together.ai\u002Fdocs\u002Fai-search-engine)！\n\n## 技术栈\n\n- 使用 Tailwind 的 Next.js 应用路由\n- Together AI 用于 LLM 推理\n- OpenAI gpt-oss 模型和 Llama 3.1 8B 作为大模型\n- Exa.ai 用于搜索 API\n- Helicone 用于可观测性\n- Plausible 用于网站分析\n\n## 工作原理\n\n1. 接收用户的提问\n2. 向必应搜索 API 发起请求，获取前 6 条搜索结果并展示\n3. 从必应返回的 6 个链接中抓取文本，并将其存储为上下文\n4. 使用用户的问题和上下文向 gpt-oss 发起请求，并将结果流式返回给用户\n5. 再次向 Llama 3.1 8B 发起请求，生成 3 个相关的后续问题供用户参考\n\n## 克隆与运行\n\n1. 分支或克隆仓库\n2. 在 [Together AI](https:\u002F\u002Ftogetherai.link) 注册账号以使用 LLM\n3. 在 [SERP API](https:\u002F\u002Fserper.dev\u002F) 或 Azure（[必应搜索 API](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fbing\u002Fapis\u002Fbing-web-search-api)）注册账号\n4. 在 [Helicone](https:\u002F\u002Fwww.helicone.ai\u002F) 注册账号以实现可观测性\n5. 创建 `.env` 文件（可参考 `.example.env`），并替换其中的 API 密钥\n6. 运行 `npm install` 和 `npm run dev` 安装依赖并本地启动\n\n## 未来计划\n\n- [ ] 回归 Together SDK 并简化流式传输\n- [ ] 添加分词器，智能统计每个来源的 token 数量，确保不超过限制\n- [ ] 增加重新生成选项，方便用户重新生成答案\n- [ ] 确保答案能够正确引用文中所有来源，并在 UI 中为引用添加编号\n- [ ] 添加分享功能，允许用户分享搜索结果\n- [ ] 在答案生成时自动滚动页面，尤其是在移动端\n- [ ] 通过将答案迁移到新页面来修复页眉和页脚的硬刷新问题\n- [ ] 使用 Upstash Redis 缓存搜索结果并对用户进行限流\n- [ ] 引入更先进的 RAG 技术，如关键词搜索和问题重述\n- [ ] 如果项目受欢迎，可集成 Clerk 实现身份验证，并使用 Postgres\u002FPrisma 存储用户会话\n\n## 灵感来源\n\n- Perplexity\n- You.com\n- Lepton 搜索","# TurboSeek 快速上手指南\n\nTurboSeek 是一个开源的 AI 搜索引擎，基于 Next.js 构建，利用 Together.ai 进行大模型推理，并结合搜索 API 实现实时信息检索与回答生成。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n- **Node.js**: 建议版本 18.x 或更高（推荐使用 `nvm` 管理版本）。\n- **包管理器**: npm 或 pnpm。\n- **账号准备**:\n  - [Together AI](https:\u002F\u002Ftogetherai.link)：用于 LLM 推理（需获取 API Key）。\n  - **搜索 API**（二选一）：\n    - [SERP API (Serper)](https:\u002F\u002Fserper.dev\u002F)\n    - [Microsoft Bing Search API](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fbing\u002Fapis\u002Fbing-web-search-api)（国内开发者可通过 Azure 中国区申请）。\n  - [Helicone](https:\u002F\u002Fwww.helicone.ai\u002F)：用于可观测性监控（可选，但推荐）。\n\n## 安装步骤\n\n1. **克隆项目代码**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FNutlope\u002Fturboseek.git\n   cd turboseek\n   ```\n   > *注：如果访问 GitHub 较慢，可使用国内镜像源克隆，或先 Fork 到 Gitee 后再克隆。*\n\n2. **安装依赖**\n   ```bash\n   npm install\n   ```\n   > *提示：若下载缓慢，可配置淘宝镜像源：`npm config set registry https:\u002F\u002Fregistry.npmmirror.com`*\n\n3. **配置环境变量**\n   复制示例配置文件并填入你的 API Keys：\n   ```bash\n   cp .example.env .env\n   ```\n   编辑 `.env` 文件，填入以下内容：\n   ```env\n   TOGETHER_API_KEY=your_together_api_key\n   SEARCH_API_KEY=your_serper_or_bing_api_key\n   HELICONE_API_KEY=your_helicone_api_key # 可选\n   ```\n\n4. **启动开发服务器**\n   ```bash\n   npm run dev\n   ```\n   启动成功后，访问 `http:\u002F\u002Flocalhost:3000` 即可看到本地运行的 TurboSeek。\n\n## 基本使用\n\n1. **发起搜索**\n   在首页输入框中输入任意问题（例如：\"2024 年最新的 AI 发展趋势是什么？”），按下回车或点击搜索按钮。\n\n2. **查看结果**\n   系统将自动执行以下流程：\n   - 调用搜索 API 获取前 6 条相关结果。\n   - 抓取链接内容作为上下文。\n   - 调用 `gpt-oss` 模型生成带引用的回答并流式输出。\n   - 调用 `Llama 3.1 8B` 模型生成 3 个相关的追问建议。\n\n3. **交互体验**\n   - 回答生成过程中支持实时流式显示。\n   - 点击底部的“相关问题”可直接进行多轮对话。\n   - 所有回答均会标注来源引用，方便核实信息。","一名独立开发者正在调研\"2024 年最新的前端状态管理方案”，需要快速整合多方技术博客与官方文档以做出技术选型决策。\n\n### 没有 turboseek 时\n- 需要在谷歌手动逐条搜索，并在十几个标签页间反复切换，难以辨别哪些是过时的旧闻。\n- 阅读大量冗长的技术文章才能提取核心观点，耗时数小时仍无法形成系统性的对比结论。\n- 整理引用来源极其繁琐，容易在撰写报告时遗漏关键出处，导致信息可信度存疑。\n- 缺乏即时的延伸思考指引，往往读完即止，错过了深入探究相关架构模式的机会。\n\n### 使用 turboseek 后\n- 输入问题后，turboseek 自动调用 Bing 检索并抓取前 6 个高质量链接，瞬间呈现带出处的综述回答。\n- 基于 Llama 3.1 和 GPT-OSS 模型，turboseek 直接提炼出各方案的优缺点对比表格，将数小时的阅读工作压缩至几分钟。\n- 回答中自动标注数字引文并对应具体源链接，开发者可直接点击验证，确保技术选型的严谨性。\n- 系统自动生成 3 个相关的跟进问题（如“在大型项目中如何迁移？”），引导开发者构建更完整的知识体系。\n\nturboseek 将原本碎片化、低效的信息搜集过程，转变为即时、有据可依且具备深度洞察的智能决策辅助流程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNutlope_turboseek_809996b3.png","Nutlope","Hassan El Mghari","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNutlope_668db796.jpg","Building.",null,"New York City, NY","hassan4709@gmail.com","nutlope","http:\u002F\u002Fnutlope.com","https:\u002F\u002Fgithub.com\u002FNutlope",[86,90,94],{"name":87,"color":88,"percentage":89},"TypeScript","#3178c6",93.4,{"name":91,"color":92,"percentage":93},"CSS","#663399",5.6,{"name":95,"color":96,"percentage":97},"JavaScript","#f1e05a",1,1619,256,"2026-04-01T17:19:49","未说明","无需本地 GPU（使用 Together.ai 云端 API 进行推理）",{"notes":104,"python":101,"dependencies":105},"该项目为基于 Next.js 的 Web 应用，依赖外部 API 服务（Together.ai 用于 LLM 推理，SERP API\u002FBing 用于搜索），无需本地部署大模型或配置 CUDA 环境。运行前需安装 Node.js 并配置相关 API 密钥。",[106,107,108,109,110,111],"Next.js","Tailwind CSS","Together AI SDK","Exa.ai API","Helicone","Plausible",[26,13],"2026-03-27T02:49:30.150509","2026-04-06T08:45:36.352867",[],[]]