[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Samsung--veles":3,"tool-Samsung--veles":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",160015,2,"2026-04-18T11:30:52",[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。",109154,"2026-04-18T11:18:24",[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":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":75,"owner_url":76,"languages":77,"stars":117,"forks":118,"last_commit_at":119,"license":120,"difficulty_score":121,"env_os":122,"env_gpu":123,"env_ram":123,"env_deps":124,"category_tags":127,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":129,"updated_at":130,"faqs":131,"releases":162},9160,"Samsung\u002Fveles","veles","Distributed machine learning platform","Veles 是一个由三星电子开源的分布式机器学习平台，旨在加速深度学习应用的开发与部署。面对大规模数据处理和复杂模型训练对计算资源的巨大需求，Veles 通过分布式架构有效解决了单机性能瓶颈问题，让开发者能够更高效地利用集群资源进行快速迭代。\n\n该平台主要面向人工智能领域的开发者、算法工程师及科研人员，特别适合需要构建高性能深度学习系统或处理海量数据的团队使用。Veles 采用模块化设计，核心优势在于其灵活的扩展能力：它不仅包含基础的分布式平台，还集成了名为 Znicz 的高性能神经网络引擎，并提供了 Mastodon 组件以实现与 Java 生态（如 Hadoop）的无缝桥接。此外，针对多媒体应用场景，Veles 还内置了专门的音频特征提取库。这些组件共同协作，为用户提供了一个从数据处理、模型训练到跨语言集成的完整解决方案。作为一个基于 Apache 2.0 协议开源的项目，Veles 以其稳健的架构和实用的工具链，成为探索分布式深度学习技术的可靠选择。","Veles\n=====\nDistributed platform for rapid Deep learning application development\n--------------------------------------------------------------------\nConsists of: \n\n*  Platform - https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles\n\n*  Znicz Plugin - [Neural Network engine](https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles.znicz)\n\n*  Mastodon - [Veles \u003C-> Java bridge for Hadoop etc.](https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles.mastodon)\n\n*  SoundFeatureExtraction - [audio feature extraction library](https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles.sound_feature_extraction)\n\nHome page: https:\u002F\u002Fvelesnet.ml\n\nNamed after https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVeles_(god)\n\nReleased under Apache 2.0 license. Copyright © Samsung Electronics Co., Ltd., 2013-2015.\n","Veles\n=====\n用于快速深度学习应用开发的分布式平台\n--------------------------------------------------------------------\n由以下组件组成：\n\n* 平台 - https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles\n\n* Znicz 插件 - [神经网络引擎](https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles.znicz)\n\n* Mastodon - [Veles 与 Java 的桥接工具，用于 Hadoop 等](https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles.mastodon)\n\n* SoundFeatureExtraction - [音频特征提取库](https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles.sound_feature_extraction)\n\n主页：https:\u002F\u002Fvelesnet.ml\n\n以 https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVeles_(god) 中的韦莱斯命名\n\n采用 Apache 2.0 许可证发布。版权所有 © 三星电子株式会社，2013-2015 年。","# Veles 快速上手指南\n\nVeles 是一个用于快速开发深度学习应用的分布式平台，由三星电子开源。本指南将帮助您快速搭建基础环境并运行首个示例。\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**：推荐 Linux (Ubuntu 14.04\u002F16.04 或更高版本)，macOS 也可支持，Windows 需通过 WSL 或虚拟机运行。\n*   **编译器**：GCC 4.8+ 或 Clang 3.4+ (需支持 C++11 标准)。\n*   **构建工具**：CMake 3.0+。\n*   **依赖库**：\n    *   Boost C++ Libraries\n    *   Protocol Buffers (protobuf)\n    *   ZeroMQ\n    *   HDF5\n    *   OpenBLAS 或 Intel MKL (用于矩阵运算加速)\n*   **Python**：Python 2.7 或 Python 3.x (取决于具体插件需求，建议安装 `pip` 和 `virtualenv`)。\n\n> **提示**：国内用户可使用清华源或阿里源加速 `apt`\u002F`yum` 包管理及 `pip` 依赖的安装。\n\n## 安装步骤\n\n### 1. 克隆主平台代码\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles.git\ncd veles\n```\n\n### 2. 安装系统依赖 (以 Ubuntu 为例)\n\n```bash\nsudo apt-get update\nsudo apt-get install -y build-essential cmake libboost-all-dev libprotobuf-dev \\\nprotobuf-compiler libzmq3-dev libhdf5-dev libopenblas-dev python-dev python-pip\n```\n\n### 3. 编译与构建\n\n创建构建目录并执行编译：\n\n```bash\nmkdir build\ncd build\ncmake ..\nmake -j$(nproc)\n```\n\n### 4. 获取核心插件 (可选但推荐)\n\nVeles 的核心功能依赖于插件，最常用的是 **Znicz** (神经网络引擎)：\n\n```bash\ncd ..\ngit clone https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles.znicz.git\n# 按照 znicz 仓库内的说明进行编译并链接到主平台\n```\n\n## 基本使用\n\nVeles 采用客户端 - 服务器架构。以下是启动服务并运行简单任务的最简流程。\n\n### 1. 启动 Veles 服务器\n\n在终端中运行编译好的服务器程序（假设当前位于 `build` 目录）：\n\n```bash\n.\u002Fbin\u002Fveles_server\n```\n\n默认情况下，服务器将监听本地端口等待客户端连接。\n\n### 2. 连接并运行客户端\n\n打开新的终端窗口，使用 Python 客户端或 C++ 客户端连接服务器。以下是一个简单的 Python 交互示例（需确保已安装对应的 Python 绑定）：\n\n```python\nimport veles\n\n# 连接到本地服务器\nclient = veles.Client(\"tcp:\u002F\u002F127.0.0.1:3131\")\n\n# 加载插件 (例如 Znicz)\nclient.load_plugin(\"znicz\")\n\n# 定义简单的网络结构或加载模型\n# 此处仅为伪代码示意，具体 API 需参考各插件文档\nnetwork = client.create_network()\nnetwork.add_layer(\"input\", shape=[28, 28, 1])\nnetwork.add_layer(\"conv2d\", filters=32, kernel_size=3)\n\n# 执行训练或推理\nresult = network.run(data=input_data)\n\nprint(result)\n```\n\n### 3. 验证分布式特性\n\n您可以在多台机器上部署 `veles_server`，并在客户端配置中指定多个节点地址，即可利用集群资源进行分布式训练或数据处理。\n\n---\n*注：由于 Veles 项目较早期，部分高级功能（如 Hadoop 桥接 Mastodon 或音频特征提取）需要单独克隆对应子模块并编译。详细 API 请参考各子仓库的 README 文档。*","某大型电商公司的算法团队正致力于构建一个能实时识别用户语音评论情感倾向的深度学习系统，以优化客服响应策略。\n\n### 没有 veles 时\n- 团队在单机上训练大规模音频特征模型耗时极长，一次迭代往往需要数天，严重拖慢研发节奏。\n- 音频预处理、特征提取与神经网络训练由不同脚本拼凑，数据流转依赖人工干预，极易出错且难以复现。\n- 现有的 Java 大数据平台（如 Hadoop）与 Python 深度学习框架之间存在语言隔阂，数据搬运成本高昂。\n- 缺乏统一的分布式调度机制，多卡或多机资源利用率低，经常出现在等待资源或资源闲置的极端情况。\n\n### 使用 veles 后\n- 借助 veles 的分布式架构，团队将训练任务拆分至集群并行执行，模型迭代时间从数天缩短至数小时。\n- 通过集成的 SoundFeatureExtraction 库与 Znicz 引擎，实现了从原始音频到模型训练的端到端自动化流水线，大幅降低人为错误。\n- 利用 Mastodon 插件无缝打通了 veles 与现有 Java\u002FHadoop 生态，直接在大数据平台上调用深度学习能力，消除了数据迁移瓶颈。\n- 平台自动管理集群资源分配，显著提升了 GPU 和 CPU 的利用率，让开发人员能专注于算法优化而非运维调度。\n\nveles 通过提供一体化的分布式开发环境与生态桥接能力，将原本割裂、缓慢的语音 AI 研发流程转变为高效、自动化的工业生产模式。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSamsung_veles_b26f9faf.png","Samsung","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSamsung_8296b081.jpg","Samsung Electronics Co.,Ltd.",null,"https:\u002F\u002Fgithub.com\u002FSamsung",[78,82,86,90,94,98,102,106,110,113],{"name":79,"color":80,"percentage":81},"C++","#f34b7d",44.5,{"name":83,"color":84,"percentage":85},"Python","#3572A5",38.8,{"name":87,"color":88,"percentage":89},"C","#555555",9,{"name":91,"color":92,"percentage":93},"JavaScript","#f1e05a",2.8,{"name":95,"color":96,"percentage":97},"CSS","#663399",1.2,{"name":99,"color":100,"percentage":101},"HTML","#e34c26",0.9,{"name":103,"color":104,"percentage":105},"SCSS","#c6538c",0.6,{"name":107,"color":108,"percentage":109},"Shell","#89e051",0.5,{"name":111,"color":112,"percentage":109},"Makefile","#427819",{"name":114,"color":115,"percentage":116},"Jupyter Notebook","#DA5B0B",0.4,916,179,"2026-04-13T05:45:24","NOASSERTION",5,"","未说明",{"notes":125,"python":123,"dependencies":126},"README 仅提供了项目的高层概述和组件链接（包括平台、Znicz 插件、Mastodon 桥接器和音频特征提取库），未包含具体的安装指南、系统环境需求、依赖库列表或版本要求。该项目由三星电子于 2013-2015 年开发，相关信息需查阅各子组件仓库或官方文档。",[],[14,128],"音频","2026-03-27T02:49:30.150509","2026-04-19T03:06:53.923227",[132,137,142,147,152,157],{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},41131,"这个项目还在维护吗？2016 年之后发生了什么？","核心开发人员已转向新项目或新技术，目前该项目不再积极开发。维护者表示没有精力继续贡献代码，但欢迎社区用户提交代码进行贡献。","https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles\u002Fissues\u002F52",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},41132,"初始化脚本报错 'fatal: reference is not a tree' 且无法检出子模块怎么办？","这是一个已知问题，通常发生在全新安装时。该问题已被修复（Fixed），请确保拉取最新的代码版本后重试初始化脚本。","https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles\u002Fissues\u002F38",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},41133,"为什么 OpenCL 驱动更新后程序报错或缓存失效？","当 OpenCL 驱动版本变更时，之前编译的二进制文件会失效。解决方案是将 OpenCL 驱动版本信息纳入缓存机制中，以便在驱动变动时自动识别并重新编译，避免使用无效的缓存二进制文件。","https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles\u002Fissues\u002F17",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},41134,"在遗传模式（genetic mode）下运行时遇到内存溢出怎么办？","这是由于生成了过多的快照（snapshots）导致内存溢出。解决方案是在遗传模式下自动禁用快照功能，以防止内存被大量快照占满。","https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles\u002Fissues\u002F11",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},41135,"如何在遗传优化结束后保存最佳配置？","系统已增强功能，支持在遗传优化过程结束后，将找到的最佳配置自动保存到文件中，以便后续复用或分析。","https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles\u002Fissues\u002F46",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},41136,"如何改进测试中的垃圾回收机制？","针对测试过程中可能出现的资源未释放问题，项目已实施改进措施以优化垃圾回收（garbage collection），确保测试运行更稳定且不留残留资源。","https:\u002F\u002Fgithub.com\u002FSamsung\u002Fveles\u002Fissues\u002F19",[]]