[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-RasaHQ--rasa-demo":3,"similar-RasaHQ--rasa-demo":94},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":18,"owner_email":19,"owner_twitter":18,"owner_website":20,"owner_url":21,"languages":22,"stars":35,"forks":36,"last_commit_at":37,"license":38,"difficulty_score":39,"env_os":40,"env_gpu":40,"env_ram":41,"env_deps":42,"category_tags":49,"github_topics":52,"view_count":34,"oss_zip_url":18,"oss_zip_packed_at":18,"status":54,"created_at":55,"updated_at":56,"faqs":57,"releases":93},7836,"RasaHQ\u002Frasa-demo","rasa-demo",":tiger: Sara - the Rasa Demo Bot: An example of a contextual AI assistant built with the open source Rasa Stack","rasa-demo 是一个基于开源 Rasa 框架构建的示例对话机器人项目，旨在展示如何打造具备上下文理解能力的 AI 助手。它通过模拟真实场景，帮助开发者快速掌握 Rasa 的核心功能，解决了从零开始构建对话系统时面临的学习曲线陡峭、配置复杂以及缺乏参考范例等痛点。\n\n该项目非常适合希望入门或深化 Rasa 技能的开发者使用。rasa-demo 不仅支持回答关于框架的常见问题、引导用户查阅技术文档，还能处理订阅通讯、销售咨询对接及日常闲聊等多种任务。其独特的技术亮点在于完整展示了 Rasa Stack 的标准工程结构，涵盖了自然语言理解（NLU）训练数据、多轮对话故事（Stories）、自定义动作代码（Custom Actions）以及与 MailChimp、Google Sheets 等外部服务集成的实战方案。此外，它还提供了详细的本地部署、调试及测试指南，让使用者能直观地观察机器人背后的运行逻辑。无论是用于学习对话系统设计原理，还是作为企业开发自有智能客服的起点模板，rasa-demo 都是一个极具价值的参考资源。","# Sara - the Rasa Demo Bot\n\n## :surfer: Introduction\nThe purpose of this repo is to showcase a contextual AI assistant built with the open source Rasa framework.\n\nSara is an alpha version and lives in our docs, \nhelping developers getting started with our open source tools. It supports the following user goals:\n\n- Understanding the Rasa framework\n- Getting started with Rasa\n- Answering some FAQs around Rasa\n- Directing technical questions to specific documentation\n- Subscribing to the Rasa newsletter\n- Requesting a call with Rasa's sales team\n- Handling basic chitchat\n\nYou can find planned enhancements for Sara in the\n[Project Board](https:\u002F\u002Fgithub.com\u002FRasaHQ\u002Frasa-demo\u002Fprojects\u002F1)\n\n## 👷‍ Installation\n\nTo install Sara, please clone the repo and run:\n\n```sh\ncd rasa-demo\nmake install\n```\n\nThis will install the bot and all of its requirements.\nNote that this bot should be used with python 3.6 or 3.7.\n\n\n## 🤖 To run Sara:\n\nUse `rasa train` to train a model (this will take a significant amount of memory to train,\nif you want to train it faster, try the training command with\n`--augmentation 0`).\n\nThen, to run, first set up your action server in one terminal window:\n```bash\nrasa run actions --actions actions.actions\n```\n\nThere are some custom actions that require connections to external services,\nspecifically `SubscribeNewsletterForm` and `SalesForm`. For these\nto run you would need to have your own MailChimp newsletter and a Google sheet\nto connect to. See the [development](#development) section for instructions on providing\ncredentials for external services.\n\nIn another window, run the bot:\n```bash\ndocker run -p 8000:8000 rasa\u002Fduckling\nrasa shell --debug\n```\n\nNote that `--debug` mode will produce a lot of output meant to help you understand how the bot is working \nunder the hood. To simply talk to the bot, you can remove this flag.\n\nIf you would like to run Sara on your website, follow the instructions\n[here](https:\u002F\u002Fgithub.com\u002Fbotfront\u002Frasa-webchat) to place the chat widget on\nyour website.\n\n## To test Sara:\n\nAfter doing a `rasa train`, run the command:\n\n```bash\nrasa test nlu -u test\u002Ftest_data.json --model models\nrasa test core --stories test\u002Ftest_stories.md\n```\n\n## 👩‍💻 Overview of the files\n\n`data\u002Fcore\u002F` - contains stories \n\n`data\u002Fnlu` - contains NLU training data\n\n`actions` - contains custom action code\n\n`domain.yml` - the domain file, including bot response templates\n\n`config.yml` - training configurations for the NLU pipeline and policy ensemble\n\n\n## Development\n\nTo install requirements for development, run:\n\n```sh\nmake install-dev\n```\n\nTo run custom actions locally, put a file called .env in the root of your local directory with values\nfor the following environment variables. Most actions will work without them, but if you are working on actions\nconnecting to external APIs you will need credentials.\n\n\n```\nGDRIVE_CREDENTIALS=#json access key for Google Drive API for action_submit_sales_form\nMAILCHIMP_LIST=#id of mailchimp list for action_submit_subscribe_newsletter_form\nMAILCHIMP_API_KEY=#api key for mailchimp\nALGOLIA_APP_ID=#algolia app ID for action_docs_search \nALGOLIA_SEARCH_KEY=#algolia search key\nALGOLIA_DOCS_INDEX=#algolia search index\nRASA_X_HOST=#Rasa X domain e.g. localhost:5002\nRASA_X_PASSWORD=#password for authenticating into Rasa X\nRASA_X_USERNAME=#username for authenticating into Rasa X\nRASA_X_HOST_SCHEMA=#Rasa X address schema (http\u002Fhttps)\n```\n\nTo run unit tests for custom actions:\n\n```\nmake test-actions\n```\n\nTo ensure proper database cleanup during testing, you will need to include a connection URL for your tracker store database in your .env file e.g.\n```\nTRACKER_DB_URL=postgresql:\u002F\u002F\u002Ftracker\n```\nThis is not necessary for running the actions.\n\n## ⚫️ Code Style\n\nTo ensure a standardized code style we use the formatter [black](https:\u002F\u002Fgithub.com\u002Fambv\u002Fblack).\n\nIf you want to automatically format your code on every commit, you can use [pre-commit](https:\u002F\u002Fpre-commit.com\u002F).\nJust install it via `pip install pre-commit` and execute `pre-commit install` in the root folder.\nThis will add a hook to the repository, which reformats files on every commit.\n\nTo reformat files manuallly execute\n```\nmake formatter\n```\n\n## :gift: License\nLicensed under the GNU General Public License v3. Copyright 2018 Rasa Technologies\nGmbH. [Copy of the license](https:\u002F\u002Fgithub.com\u002FRasaHQ\u002Frasa-demo\u002Fblob\u002Fmain\u002FLICENSE).\nLicensees may convey the work under this license. There is no warranty for the work.\n","# Sara - Rasa 演示机器人\n\n## :surfer: 简介\n此仓库旨在展示使用开源 Rasa 框架构建的上下文感知 AI 助手。\n\nSara 是一个 Alpha 版本，目前集成在我们的文档中，\n帮助开发者快速上手我们的开源工具。它支持以下用户目标：\n\n- 了解 Rasa 框架\n- 开始使用 Rasa\n- 回答有关 Rasa 的常见问题\n- 将技术问题引导至特定文档\n- 订阅 Rasa 新闻通讯\n- 请求与 Rasa 销售团队通话\n- 处理基础闲聊\n\nSara 的计划增强功能可在\n[项目看板](https:\u002F\u002Fgithub.com\u002FRasaHQ\u002Frasa-demo\u002Fprojects\u002F1) 中找到。\n\n## 👷‍ 安装\n要安装 Sara，请克隆仓库并运行：\n\n```sh\ncd rasa-demo\nmake install\n```\n\n这将安装机器人及其所有依赖项。请注意，此机器人应与 Python 3.6 或 3.7 一起使用。\n\n## 🤖 运行 Sara：\n使用 `rasa train` 训练模型（训练过程会占用大量内存，\n若希望加快训练速度，可尝试使用 `--augmentation 0` 参数）。\n\n然后，在一个终端窗口中启动动作服务器：\n```bash\nrasa run actions --actions actions.actions\n```\n\n其中一些自定义动作需要连接到外部服务，\n特别是 `SubscribeNewsletterForm` 和 `SalesForm`。要使这些动作正常运行，\n您需要拥有自己的 MailChimp 新闻通讯和 Google 表格连接。有关提供外部服务凭据的说明，\n请参阅 [开发](#development) 部分。\n\n在另一个窗口中运行机器人：\n```bash\ndocker run -p 8000:8000 rasa\u002Fduckling\nrasa shell --debug\n```\n\n请注意，`--debug` 模式会产生大量输出，用于帮助您理解机器人的内部工作原理。\n若只想简单地与机器人对话，可移除此标志。\n\n如果您希望在自己的网站上运行 Sara，请按照\n[此处](https:\u002F\u002Fgithub.com\u002Fbotfront\u002Frasa-webchat) 的说明将聊天小部件部署到您的网站上。\n\n## 测试 Sara：\n完成 `rasa train` 后，运行以下命令：\n\n```bash\nrasa test nlu -u test\u002Ftest_data.json --model models\nrasa test core --stories test\u002Ftest_stories.md\n```\n\n## 👩‍💻 文件概览\n`data\u002Fcore\u002F` - 包含故事文件\n\n`data\u002Fnlu` - 包含 NLU 训练数据\n\n`actions` - 包含自定义动作代码\n\n`domain.yml` - 域文件，包括机器人响应模板\n\n`config.yml` - NLU 管道和策略组合的训练配置\n\n## 开发\n要安装开发所需的依赖项，请运行：\n\n```bash\nmake install-dev\n```\n\n要在本地运行自定义动作，请在本地目录根目录下创建一个名为 `.env` 的文件，\n并填写以下环境变量的值。大多数动作无需这些变量即可运行，\n但如果您正在开发连接外部 API 的动作，则需要凭据。\n\n```\nGDRIVE_CREDENTIALS=#Google Drive API 的 JSON 访问密钥，用于 action_submit_sales_form\nMAILCHIMP_LIST=#Mailchimp 列表 ID，用于 action_submit_subscribe_newsletter_form\nMAILCHIMP_API_KEY=#Mailchimp 的 API 密钥\nALGOLIA_APP_ID=#Algolia 应用程序 ID，用于 action_docs_search\nALGOLIA_SEARCH_KEY=#Algolia 搜索密钥\nALGOLIA_DOCS_INDEX=#Algolia 搜索索引\nRASA_X_HOST=#Rasa X 的域名，例如 localhost:5002\nRASA_X_PASSWORD=#用于认证 Rasa X 的密码\nRASA_X_USERNAME=#用于认证 Rasa X 的用户名\nRASA_X_HOST_SCHEMA=#Rasa X 的地址模式（http\u002Fhttps）\n```\n\n要运行自定义动作的单元测试：\n\n```bash\nmake test-actions\n```\n\n为确保测试期间数据库清理得当，\n您需要在 `.env` 文件中包含跟踪器存储数据库的连接 URL，例如：\n```bash\nTRACKER_DB_URL=postgresql:\u002F\u002F\u002Ftracker\n```\n但这对于运行动作本身并非必需。\n\n## ⚫️ 代码风格\n为确保代码风格统一，我们使用格式化工具 [black](https:\u002F\u002Fgithub.com\u002Fambv\u002Fblack)。\n\n如果您希望在每次提交时自动格式化代码，\n可以使用 [pre-commit](https:\u002F\u002Fpre-commit.com\u002F)。\n只需通过 `pip install pre-commit` 安装，并在根目录下执行 `pre-commit install`。\n这将在仓库中添加一个钩子，每次提交时都会重新格式化文件。\n\n若需手动格式化文件，可执行：\n```bash\nmake formatter\n```\n\n## :gift: 许可证\n根据 GNU 通用公共许可证 v3 许可。版权所有 © 2018 Rasa Technologies GmbH。\n[许可证副本](https:\u002F\u002Fgithub.com\u002FRasaHQ\u002Frasa-demo\u002Fblob\u002Fmain\u002FLICENSE)。\n许可证持有者可根据本许可证传播该作品。本作品不提供任何担保。","# Rasa Demo Bot (Sara) 快速上手指南\n\n本指南帮助开发者快速部署并运行基于 Rasa 开源框架的示例聊天机器人 Sara。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 WSL2)\n*   **Python 版本**：3.6 或 3.7 (必须，更高版本可能不兼容)\n*   **Docker**：用于运行 Duckling 实体提取服务\n*   **构建工具**：`make` 命令可用\n*   **依赖管理**：`pip`\n\n> **提示**：国内用户建议在安装 Python 依赖时配置清华或阿里镜像源，以加速下载过程。\n> ```bash\n> pip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1.  **克隆仓库**\n    将项目代码克隆到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FRasaHQ\u002Frasa-demo.git\n    cd rasa-demo\n    ```\n\n2.  **安装依赖**\n    执行以下命令安装机器人及其所有依赖项：\n    ```sh\n    make install\n    ```\n\n## 基本使用\n\n完成安装后，按以下步骤启动并体验机器人：\n\n### 1. 训练模型\n首先训练 NLU 和 Core 模型。如果内存有限或希望加快训练速度，可添加 `--augmentation 0` 参数：\n```bash\nrasa train\n# 或快速训练模式\nrasa train --augmentation 0\n```\n\n### 2. 启动外部服务 (Duckling)\nSara 依赖 Duckling 进行实体提取，需通过 Docker 运行：\n```bash\ndocker run -p 8000:8000 rasa\u002Fduckling\n```\n\n### 3. 启动动作服务器 (Action Server)\n在一个终端窗口中运行自定义动作服务：\n```bash\nrasa run actions --actions actions.actions\n```\n> **注意**：部分功能（如订阅通讯、销售表单）需要配置 MailChimp 或 Google Sheets 凭证。若仅测试基础对话，可跳过 `.env` 配置文件设置。\n\n### 4. 运行机器人\n在另一个终端窗口中启动对话 Shell：\n```bash\n# 调试模式（输出详细日志，适合开发）\nrasa shell --debug\n\n# 普通模式（仅对话）\nrasa shell\n```\n\n现在您可以在终端中与 Sara 进行对话，尝试询问关于 Rasa 框架的问题、获取文档指引或进行闲聊。\n\n### 5. (可选) 集成到网站\n若需将 Sara 嵌入网页，请参考 [rasa-webchat](https:\u002F\u002Fgithub.com\u002Fbotfront\u002Frasa-webchat) 项目 instructions 部署聊天组件。","某开源技术团队正面临大量开发者咨询 Rasa 框架用法、安装报错及功能特性的压力，急需一种能自动处理重复问题并引导用户获取文档资源的方案。\n\n### 没有 rasa-demo 时\n- 开发人员被迫花费大量时间手动回复关于“如何安装”或\"NLU 配置”等基础重复问题，严重打断核心编码工作流。\n- 用户提问往往缺乏上下文，传统关键词匹配机器人无法理解多轮对话意图，导致回答生硬或直接失效。\n- 潜在的商业线索（如销售咨询）和订阅需求散落在聊天记录中，缺乏自动化收集机制，容易错失转化机会。\n- 面对海量的官方文档，用户难以快速定位特定技术细节，导致问题解决周期被大幅拉长。\n- 团队缺乏一个标准化的参考范例，新成员在构建自定义对话助手时无从下手，学习曲线陡峭。\n\n### 使用 rasa-demo 后\n- rasa-demo 能够精准识别并自动回答关于框架理解、入门指南及常见故障排查的问答，释放了开发人员 80% 的精力。\n- 基于上下文的对话管理能力让用户可以自然地进行多轮交互，机器人能像真人一样理解指代关系并流畅回应闲聊。\n- 内置的表单功能自动引导用户完成新闻订阅及销售通话请求，并将数据无缝对接至 MailChimp 和 Google Sheets，实现线索自动化沉淀。\n- 通过集成 Algolia 搜索，rasa-demo 能直接将技术疑问映射到具体的官方文档章节，让用户秒获解决方案。\n- 作为官方提供的完整示例项目，rasa-demo 为团队提供了清晰的代码结构和训练数据范本，极大加速了内部定制机器人的开发进程。\n\nrasa-demo 不仅是一个智能客服原型，更是连接用户需求与官方生态的高效桥梁，将繁琐的技术支持转化为自动化的价值交付。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRasaHQ_rasa-demo_deb16cde.png","RasaHQ","Rasa","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FRasaHQ_acdd1ecd.png","Rasa is a conversational AI framework for building reliable, scalable AI agents.",null,"hi@rasa.com","https:\u002F\u002Frasa.com","https:\u002F\u002Fgithub.com\u002FRasaHQ",[23,27,31],{"name":24,"color":25,"percentage":26},"Python","#3572A5",95.8,{"name":28,"color":29,"percentage":30},"Makefile","#427819",2.1,{"name":32,"color":33,"percentage":34},"Dockerfile","#384d54",2,991,802,"2026-04-10T07:38:48","GPL-3.0",4,"未说明","训练过程需要大量内存（具体数值未说明，建议使用 --augmentation 0 减少内存占用）",{"notes":43,"python":44,"dependencies":45},"1. 运行自定义动作（如订阅通讯、销售表单）需配置 MailChimp 和 Google Sheets 等外部服务凭证。2. 需使用 Docker 运行 Duckling 服务以支持实体提取。3. 开发环境下需配置 .env 文件包含数据库连接及各类 API 密钥。4. 代码格式化依赖 black 和 pre-commit。","3.6 或 3.7",[46,47,48],"rasa","rasa-sdk","duckling (通过 Docker 运行)",[50,51],"语言模型","开发框架",[53],"conversation-driven-development","ready","2026-03-27T02:49:30.150509","2026-04-16T02:03:21.475748",[58,63,68,73,78,83,88],{"id":59,"question_zh":60,"answer_zh":61,"source_url":62},35109,"当 Rasa 无法理解用户的 NLU 问题时，机器人应该如何回应？","目前有一个名为 `utter_search_bar` 的回复，用于告知用户如果无法解释其询问的 NLU 部分，应使用搜索栏。建议将其修改为：针对用户提出的具体问题，直接触发一个技术性问题推荐，引导用户查看相关的解决方案帖子，而不是仅仅提示使用搜索栏。","https:\u002F\u002Fgithub.com\u002FRasaHQ\u002Frasa-demo\u002Fissues\u002F355",{"id":64,"question_zh":65,"answer_zh":66,"source_url":67},35110,"如何在 Slack 上实现将对话移交给真人客服（Handoff）的代码示例？","虽然该功能不一定需要部署在实时机器人上，但仓库中应包含移交真人的代码示例。实现时需注意，代理\u002F主管控制台通常由自定义动作（custom actions）触发。如果需要让 Rasa 暂停时仍能感知消息以便在监控控制台显示对话，持续轮询 tracker 并不是高效的方法，需要寻找其他更优的实现方式来检测消息并触发移交逻辑。","https:\u002F\u002Fgithub.com\u002FRasaHQ\u002Frasa-demo\u002Fissues\u002F292",{"id":69,"question_zh":70,"answer_zh":71,"source_url":72},35111,"如何优化搜索查询以提高文档搜索结果的相关性？","可以通过去除停用词（stop words）来优化搜索。例如，用户输入\"how to install rasa on docker-compose\"时，如果先对文本进行分词处理（tokenization），额外的词汇会被正确识别。建议使用 SpaCy 库先对搜索文本进行分词，这样可以显著提高搜索结果的准确性，使结果更有用或至少不会降低现有好结果的质量。","https:\u002F\u002Fgithub.com\u002FRasaHQ\u002Frasa-demo\u002Fissues\u002F485",{"id":74,"question_zh":75,"answer_zh":76,"source_url":77},35112,"当用户询问从未指定工具迁移到 Rasa 时，为什么没有触发相应的动作？","当用户输入类似\"from which tools can i migrate to Rasa\"（我可以从哪些工具迁移到 Rasa）的问题时，由于没有具体的 `current_api` 实体，原有的 `migrate_from` 动作可能无法触发。解决方案是更新动作逻辑，使其能够处理关于从“未指定技术”迁移的通用问题，即使缺少具体的工具名称实体，也能正常响应并提供迁移指南。","https:\u002F\u002Fgithub.com\u002FRasaHQ\u002Frasa-demo\u002Fissues\u002F470",{"id":79,"question_zh":80,"answer_zh":81,"source_url":82},35113,"如何配置 DIETClassifier 以提升 NLU 性能？","在 Rasa 1.7.0 及更高版本中，可以通过调整 `EmbeddingIntentClassifier` 或 `DIETClassifier` 的配置来提升性能。建议尝试移除 `loss_type: margin` 参数，并增加训练轮数（epochs）。实验表明，将 epochs 设置为 200 通常已经足够，且能比默认配置获得更好的效果。可以通过对比不同配置下的直方图来验证性能提升情况。","https:\u002F\u002Fgithub.com\u002FRasaHQ\u002Frasa-demo\u002Fissues\u002F460",{"id":84,"question_zh":85,"answer_zh":86,"source_url":87},35114,"遇到\"Failed to connect to duckling http server\"错误该如何解决？","该错误通常表示 Duckling 服务器未运行或配置的主机\u002F端口不正确。首先确保已启动 Duckling 服务（本地运行时访问 http:\u002F\u002Flocalhost:8000 应返回\"quack\"）。检查配置文件中的 `DucklingHTTPExtractor` 设置，确保 `url` 指向正确的地址（如 `http:\u002F\u002Flocalhost:8000`），并根据需要设置 `locale`（如 `de_DE`）、`timezone`（如 `Europe\u002FBerlin`）和 `timeout`。如果仍然失败，请确认防火墙未阻止连接且服务处于健康状态。","https:\u002F\u002Fgithub.com\u002FRasaHQ\u002Frasa-demo\u002Fissues\u002F263",{"id":89,"question_zh":90,"answer_zh":91,"source_url":92},35115,"Rasa 支持哪些常见问题（FAQ）主题？","常见的 FAQ 主题包括：Rasa 背后的技术原理、支持的语言（如意大利语）、上下文助手与普通聊天机器人的区别、如何将 Rasa 模型保留在服务器上、Rasa NLU 教程、TensorFlow 的作用、Slot（槽位）及槽位填充的概念、机器人集成位置、本地安装 Rasa Core 的方法、简单项目示例以及 RNN 的相关知识等。这些主题可作为构建 FAQ 机器人的基础内容。","https:\u002F\u002Fgithub.com\u002FRasaHQ\u002Frasa-demo\u002Fissues\u002F197",[],[95,107,115,123,131,140],{"id":96,"name":97,"github_repo":98,"description_zh":99,"stars":100,"difficulty_score":101,"last_commit_at":102,"category_tags":103,"status":54},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",[104,51,105,106],"Agent","图像","数据工具",{"id":108,"name":109,"github_repo":110,"description_zh":111,"stars":112,"difficulty_score":101,"last_commit_at":113,"category_tags":114,"status":54},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",[51,105,104],{"id":116,"name":117,"github_repo":118,"description_zh":119,"stars":120,"difficulty_score":34,"last_commit_at":121,"category_tags":122,"status":54},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",156804,"2026-04-15T11:34:33",[51,104,50],{"id":124,"name":125,"github_repo":126,"description_zh":127,"stars":128,"difficulty_score":34,"last_commit_at":129,"category_tags":130,"status":54},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",[51,105,104],{"id":132,"name":133,"github_repo":134,"description_zh":135,"stars":136,"difficulty_score":34,"last_commit_at":137,"category_tags":138,"status":54},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",[139,104,105,51],"插件",{"id":141,"name":142,"github_repo":143,"description_zh":144,"stars":145,"difficulty_score":34,"last_commit_at":146,"category_tags":147,"status":54},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",[139,51]]