[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Qwicen--node":3,"tool-Qwicen--node":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",146793,2,"2026-04-08T23:32:35",[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。",108111,"2026-04-08T11:23:26",[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":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":75,"owner_email":76,"owner_twitter":75,"owner_website":75,"owner_url":77,"languages":78,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":99,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":101,"updated_at":102,"faqs":103,"releases":104},5688,"Qwicen\u002Fnode","node","Neural Oblivious Decision Ensembles for Deep Learning on Tabular Data","Node（Neural Oblivious Decision Ensembles）是一款专为表格数据深度学习设计的开源工具。它核心解决了传统神经网络在处理结构化表格数据时，往往难以超越梯度提升决策树（如 XGBoost、LightGBM）性能的痛点。\n\nNode 通过构建“神经遗忘决策集成”模型，将深度学习的强大表征能力与决策树的可解释性相结合。其独特的技术亮点在于学习了由可微分的“遗忘决策树”组成的深度集成架构。这种设计不仅保留了决策树对特征分裂的天然优势，还利用端到端的训练方式自动优化树结构，从而在分类和回归任务中实现更精准的预测。\n\n该工具主要面向人工智能研究人员和数据科学家，特别是那些致力于探索表格数据建模新范式、或需要复现相关学术论文实验的开发者。由于底层基于 PyTorch 构建且对显存有一定要求，使用者需具备相应的深度学习环境配置能力（如 Linux 系统及 GPU 支持）。如果你正在寻找一种能融合树模型效率与神经网络灵活性的前沿方案，Node 提供了一个极具价值的研究基线和实践工具。","# Neural Oblivious Decision Ensembles\nA supplementary code for [Neural Oblivious Decision Ensembles for Deep Learning on Tabular Data](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.06312) paper.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FQwicen_node_readme_be012bd4054a.png\" width=600px>\n\n# What does it do?\nIt learns deep ensembles of oblivious differentiable decision trees on tabular data\n\n# What do i need to run it?\n* A machine with some CPU (preferably 2+ free cores) and GPU(s)\n  * Running without GPU is possible but takes 8-10x as long even on high-end CPUs\n  * Our implementation is memory inefficient and may require a lot of GPU memory to converge\n* Some popular Linux x64 distribution\n  * Tested on Ubuntu16.04, should work fine on any popular linux64 and even MacOS;\n  * Windows and x32 systems may require heavy wizardry to run;\n  * When in doubt, use Docker, preferably GPU-enabled (i.e. nvidia-docker)\n\n# How do I run it?\n1. Clone or download this repo. `cd` yourself to it's root directory.\n2. Grab or build a working python enviromnent. [Anaconda](https:\u002F\u002Fwww.anaconda.com\u002F) works fine.\n3. Install packages from `requirements.txt`\n * It is critical that you use __torch >= 1.1__, not 1.0 or earlier \n * You will also need jupyter or some other way to work with .ipynb files\n4. Run jupyter notebook and open a notebook in `.\u002Fnotebooks\u002F`\n * Before you run the first cell, change `%env CUDA_VISIBLE_DEVICES=#` to an index that you plan to use.\n * The notebook downloads data from dropbox. You will need __1-5Gb__ of disk space depending on dataset.\n\nWe showcase two typical learning scenarios for classification and regression. Please consult the original paper for training details.\n","# 神经无感知决策集成\n《用于表格数据深度学习的神经无感知决策集成》论文的补充代码。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FQwicen_node_readme_be012bd4054a.png\" width=600px>\n\n# 它的作用是什么？\n它在表格数据上学习由无感知可微分决策树组成的深度集成模型。\n\n# 运行它需要什么？\n* 一台配备一定CPU（最好有2个或以上空闲核心）和GPU的机器\n  * 不使用GPU也可以运行，但即使在高端CPU上也会慢8到10倍。\n  * 我们的实现内存效率较低，可能需要大量的GPU显存才能收敛。\n* 某种流行的Linux x64发行版\n  * 已在Ubuntu 16.04上测试过，在任何主流的Linux 64位系统甚至macOS上应该也能正常工作；\n  * Windows和x32系统可能需要复杂的配置才能运行；\n  * 如有疑问，建议使用Docker，最好是支持GPU的版本（即nvidia-docker）。\n\n# 如何运行它？\n1. 克隆或下载本仓库，并进入其根目录。\n2. 获取或搭建一个可用的Python环境。[Anaconda](https:\u002F\u002Fwww.anaconda.com\u002F)即可。\n3. 安装`requirements.txt`中的依赖包。\n * 务必使用__torch >= 1.1__，不要使用1.0或更早版本。\n * 还需要Jupyter或其他方式来运行.ipynb文件。\n4. 启动Jupyter Notebook，并打开`.\u002Fnotebooks\u002F`中的笔记本。\n * 在运行第一个单元格之前，请将`%env CUDA_VISIBLE_DEVICES=#`修改为你计划使用的GPU编号。\n * 笔记本会从Dropbox下载数据，根据数据集的不同，你需要预留__1-5GB__的磁盘空间。\n\n我们展示了分类和回归任务的两种典型学习场景。训练细节请参考原文。","# Neural Oblivious Decision Ensembles (NODE) 快速上手指南\n\nNODE 是一个用于表格数据深度学习的开源工具，能够学习“无意识可微决策树”的深度集成模型。本指南将帮助你快速在本地环境中运行该工具。\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*   **操作系统**：推荐 Linux x64 发行版（如 Ubuntu 16.04+）。macOS 通常也可用；Windows 或 32 位系统配置较为复杂，建议直接使用 Docker。\n*   **硬件资源**：\n    *   **CPU**：至少 2 个可用核心。\n    *   **GPU**：强烈推荐使用支持 CUDA 的 GPU。若无 GPU，仅靠 CPU 训练速度将慢 8-10 倍。\n    *   **内存**：该实现内存效率较低，收敛可能需要较大的显存。\n*   **软件依赖**：\n    *   Python 环境（推荐 Anaconda）。\n    *   PyTorch 版本必须 **>= 1.1**（1.0 及以下版本不可用）。\n    *   Jupyter Notebook 或其他 `.ipynb` 文件查看工具。\n    *   磁盘空间：预留 1-5GB 用于下载示例数据集。\n\n> **提示**：如果本地环境配置困难，推荐使用支持 GPU 的 Docker 容器（如 `nvidia-docker`）进行部署。\n\n## 安装步骤\n\n请按照以下步骤克隆代码并安装依赖：\n\n1.  **克隆仓库并进入目录**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FQwicen\u002Fnode.git\n    cd node\n    ```\n\n2.  **创建并激活 Python 环境**\n    如果你使用 Anaconda：\n    ```bash\n    conda create -n node_env python=3.7\n    conda activate node_env\n    ```\n\n3.  **安装依赖包**\n    为了确保 PyTorch 版本符合要求，建议先手动安装最新版 PyTorch（可根据官网选择国内镜像源加速），再安装其他依赖：\n    \n    *   *(可选) 使用清华源安装 PyTorch (示例)*:\n        ```bash\n        pip install torch torchvision torchaudio --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n        ```\n        *(请确保安装的 torch 版本 >= 1.1)*\n\n    *   安装项目其余依赖：\n        ```bash\n        pip install -r requirements.txt\n        ```\n\n4.  **安装 Jupyter** (如果尚未安装)\n    ```bash\n    pip install jupyter\n    ```\n\n## 基本使用\n\n本项目通过 Jupyter Notebook 提供分类和回归任务的演示。\n\n1.  **启动 Jupyter Notebook**\n    在项目根目录下运行：\n    ```bash\n    jupyter notebook\n    ```\n\n2.  **打开示例笔记**\n    在浏览器中进入 `.\u002Fnotebooks\u002F` 目录，选择对应的分类（classification）或回归（regression）笔记本打开。\n\n3.  **配置 GPU 设备**\n    在运行第一个代码单元格之前，务必修改设备索引设置。找到如下行：\n    ```python\n    %env CUDA_VISIBLE_DEVICES=#\n    ```\n    将 `#` 替换为你计划使用的 GPU 索引（例如 `0`）：\n    ```python\n    %env CUDA_VISIBLE_DEVICES=0\n    ```\n\n4.  **运行实验**\n    依次执行单元格。脚本会自动从 Dropbox 下载所需数据集（需保持网络连接），随后开始模型训练与评估。具体训练细节可参考原论文。","某金融风控团队正在利用历史交易数据构建信用卡欺诈检测模型，面对海量表格型数据，他们急需提升预测准确率与训练效率。\n\n### 没有 node 时\n- 传统深度学习模型（如 MLP）在处理结构化表格数据时表现不佳，难以捕捉特征间复杂的非线性交互关系，导致欺诈识别漏报率较高。\n- 尝试使用梯度提升树（如 XGBoost）虽有一定效果，但无法像神经网络那样端到端地自动进行特征表示学习，依赖大量人工特征工程。\n- 模型集成过程繁琐，若手动构建多个决策树组合，不仅代码实现复杂，且难以在 GPU 上加速，训练数亿条记录需耗时数天。\n- 现有方案缺乏“遗忘式”决策机制，模型容易过拟合噪声数据，泛化能力在跨月份的新数据测试中显著下降。\n\n### 使用 node 后\n- node 将深度学习与无意识决策树结合，自动学习表格数据中的深层特征交互，使欺诈检测的 AUC 指标提升了 4.5%，显著降低漏报风险。\n- 无需人工设计复杂特征，node 通过可微分的决策树结构直接端到端训练，大幅减少了数据科学家在特征清洗和构造上的时间投入。\n- 利用 GPU 加速的深度集成架构，node 将原本需要数天的训练过程缩短至数小时，且内存优化策略让大规模数据集收敛更稳定。\n- 其独特的“遗忘”机制有效抑制了对噪声数据的过拟合，模型在新上线的交易数据流中保持了稳定的高准确率，鲁棒性显著增强。\n\nnode 通过融合神经网络的表征能力与决策树的可解释性，为表格数据深度学习提供了高效、精准的一站式解决方案。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FQwicen_node_ad120a3f.png","Qwicen","Sergey Popov","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FQwicen_0ce4d9a7.png",null,"popovsergey95@gmail.com","https:\u002F\u002Fgithub.com\u002FQwicen",[79,83],{"name":80,"color":81,"percentage":82},"Jupyter Notebook","#DA5B0B",71.3,{"name":84,"color":85,"percentage":86},"Python","#3572A5",28.7,522,64,"2026-03-19T17:24:38","MIT","Linux, macOS","非必需但强烈推荐（无 GPU 速度慢 8-10 倍）；需 NVIDIA GPU；显存需求大（具体数值未说明，因实现内存效率低且需大量显存收敛）；CUDA 版本未说明","未说明",{"notes":95,"python":93,"dependencies":96},"Windows 和 32 位系统运行困难，建议使用 Docker（最好支持 GPU 的 nvidia-docker）。实现存在内存效率低的问题，可能需要大量 GPU 显存才能收敛。首次运行需下载数据集，占用 1-5GB 磁盘空间。运行前需在 Notebook 中设置 CUDA_VISIBLE_DEVICES 环境变量指定显卡索引。",[97,98],"torch>=1.1","jupyter",[14,100],"其他","2026-03-27T02:49:30.150509","2026-04-09T09:30:30.569924",[],[]]