[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-TimefoldAI--timefold-quickstarts":3,"tool-TimefoldAI--timefold-quickstarts":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",158594,2,"2026-04-16T23:34:05",[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":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":76,"owner_location":76,"owner_email":77,"owner_twitter":72,"owner_website":78,"owner_url":79,"languages":80,"stars":101,"forks":102,"last_commit_at":103,"license":104,"difficulty_score":105,"env_os":106,"env_gpu":107,"env_ram":108,"env_deps":109,"category_tags":118,"github_topics":120,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":139,"updated_at":140,"faqs":141,"releases":171},8146,"TimefoldAI\u002Ftimefold-quickstarts","timefold-quickstarts","Get started with Timefold quickstarts here. Optimize the vehicle routing problem, employee rostering, task assignment, maintenance scheduling and other planning problems.","timefold-quickstarts 是专为 Timefold Solver 打造的开源入门套件，旨在帮助开发者快速上手基于 Java 和 Kotlin 的 AI 约束求解技术。它通过提供十余种真实场景的代码示例，解决了物流车辆路径规划、员工排班、任务分配、设备维护调度以及学校课表安排等复杂的资源优化难题。\n\n这套工具特别适合软件工程师、技术研究人员以及需要构建智能调度系统的开发团队使用。无论是希望将 AI 规划能力集成到现有企业应用中，还是想要探索运筹优化算法的学习者，都能从中获得直接的代码参考和实践灵感。\n\n其独特的技术亮点在于不仅展示了基础的求解逻辑，还深入演示了“阴影变量（Shadow Variables）”、“链式规划”、“负载均衡”以及“软硬约束评分”等高级概念在不同业务场景中的具体应用。虽然 Timefold Solver 本身是一个后端库不包含界面，但 timefold-quickstarts 贴心地为每个案例配备了简易的用户界面，让用户能直观地看到算法如何动态优化方案。作为通往 PlanningAI 旅程的起点，它为构建高效、自动化的决策系统提供了坚实的技术基石。","\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fsolver.timefold.ai\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_aea30d2151a8.png\" width=\"400px\"  alt=\"Timefold Solver\" \u002F>\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n[![GitHub Discussions](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fdiscussions\u002FTimefoldAI\u002Ftimefold-solver?style=for-the-badge&logo=github)](https:\u002F\u002Fgithub.com\u002FTimefoldAI\u002Ftimefold-solver\u002Fdiscussions)\n\nThis repository contains quickstarts for [Timefold Solver](https:\u002F\u002Fgithub.com\u002FTimefoldAI\u002Ftimefold-solver), an AI constraint solver for Java and Kotlin. \nIt shows different use cases and basic implementations to get you started on your PlanningAI journey.\n\n## Overview\n\n| Use Case                                                                | Notable Solver Concepts                                  |\n|-------------------------------------------------------------------------|----------------------------------------------------------|\n| 🚚 \u003Ca href=\"#-vehicle-routing\">Vehicle Routing\u003C\u002Fa>                      | Chained Through Time, Shadow Variables                   |\n| 🧑‍💼 \u003Ca href=\"#-employee-scheduling\">Employee Scheduling\u003C\u002Fa>           | Load Balancing                                           |\n| 🛠️ \u003Ca href=\"#-maintenance-scheduling\">Maintenance Scheduling\u003C\u002Fa>       | TimeGrain, Shadow Variable, Variable Listener            |\n| 📦 \u003Ca href=\"#-food-packaging\">Food Packaging\u003C\u002Fa>                        | Mixed Model, Shadow Variables, Pinning                   |\n| 🛒 \u003Ca href=\"#-order-picking\">Order Picking\u003C\u002Fa>                          | Chained Planning Variable, Shadow Variables              |\n| 🏫 \u003Ca href=\"#-school-timetabling\">School Timetabling\u003C\u002Fa>                | Timeslot                                                 |\n| 🏭 \u003Ca href=\"#-facility-location-problem\">Facility Location Problem\u003C\u002Fa>  | Shadow Variable                                          |\n| 🎤 \u003Ca href=\"#-conference-scheduling\">Conference Scheduling\u003C\u002Fa>          | Timeslot, Justifications                                 |\n| 🛏️ \u003Ca href=\"#-bed-allocation-scheduling\">Bed Allocation Scheduling\u003C\u002Fa> | Allows Unassigned                                        |\n| 🛫 \u003Ca href=\"#-flight-crew-scheduling\">Flight Crew Scheduling\u003C\u002Fa>        |                                                          |\n| 👥 \u003Ca href=\"#-meeting-scheduling\">Meeting Scheduling\u003C\u002Fa>                | TimeGrain                                                |\n| ✅ \u003Ca href=\"#-task-assigning\">Task Assigning\u003C\u002Fa>                         | Bendable Score, Chained Through Time, Allows Unassigned  |\n| 📆 \u003Ca href=\"#-project-job-scheduling\">Project Job Scheduling\u003C\u002Fa>        | Shadow Variables, Variable Listener, Strenght Comparator |\n| 🏆 \u003Ca href=\"#-sports-league-scheduling\">Sports League Scheduling\u003C\u002Fa>    | Consecutive Sequences                                    |\n| 🏅 \u003Ca href=\"#-tournament-scheduling\">Tournament Scheduling\u003C\u002Fa>          | Pinning, Load Balancing                                  |\n\n> [!NOTE]\n> The implementations in this repository serve as a starting point and\u002For inspiration when creating your own application.\n> Timefold Solver is a library and does not include a UI. To illustrate these use cases a rudimentary UI is included in these quickstarts.\n\n## Use cases\n\n### 🚚 Vehicle Routing\n\nFind the most efficient routes for vehicles to reach visits, considering vehicle capacity and time windows when visits are available. Sometimes also called \"CVRPTW\".\n\n![Vehicle Routing Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_90f2aa650b4c.png)\n\n- [Run quarkus-vehicle-routing](java\u002Fvehicle-routing\u002FREADME.MD) (Java, Maven, Quarkus)\n\n> [!TIP]\n>  \u003Cimg src=\"https:\u002F\u002Fdocs.timefold.ai\u002F_\u002Fimg\u002Fmodels\u002Ffield-service-routing.svg\" align=\"right\" width=\"50px\" \u002F> [Check out our off-the-shelf model for Field Service Routing](https:\u002F\u002Fapp.timefold.ai\u002Fmodels\u002Ffield-service-routing). This model goes beyond basic Vehicle Routing and supports additional constraints such as priorities, skills, fairness and more.\n\n---\n\n### 🧑‍💼 Employee Scheduling\n\nSchedule shifts to employees, accounting for employee availability and shift skill requirements.\n\n![Employee Scheduling Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_edf49c4a3f09.png)\n\n- [Run quarkus-employee-scheduling](java\u002Femployee-scheduling\u002FREADME.MD) (Java, Maven, Quarkus)\n\n> [!TIP]\n>  \u003Cimg src=\"https:\u002F\u002Fdocs.timefold.ai\u002F_\u002Fimg\u002Fmodels\u002Femployee-shift-scheduling.svg\" align=\"right\" width=\"50px\" \u002F> [Check out our off-the-shelf model for Employee Shift Scheduling](https:\u002F\u002Fapp.timefold.ai\u002Fmodels\u002Femployee-scheduling). This model supports many additional constraints such as skills, pairing employees, fairness and more.\n\n---\n\n### 🛠️ Maintenance Scheduling\n\nSchedule maintenance jobs to crews over time to reduce both premature and overdue maintenance.\n\n![Maintenance Scheduling Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_083e47a9a991.png)\n\n- [Run quarkus-maintenance-scheduling](java\u002Fmaintenance-scheduling\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 📦 Food Packaging\n\nSchedule food packaging orders to manufacturing lines to minimize downtime and fulfill all orders on time.\n\n![Food Packaging Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_d09cc6d580c7.png)\n\n- [Run quarkus-food-packaging](java\u002Ffood-packaging\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 🛒 Order Picking\n\nGenerate an optimal picking plan for completing a set of orders.\n\n![Order Picking Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_5ee3ad9c07e1.png)\n\n- [Run quarkus-order-picking](java\u002Forder-picking\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 🏫 School Timetabling\n\nAssign lessons to timeslots and rooms to produce a better schedule for teachers and students.\n\n![School Timetabling Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_788221274782.png)\n\n- [Run quarkus-school-timetabling](java\u002Fschool-timetabling\u002FREADME.adoc) (Java, Maven or Gradle, Quarkus)\n- [Run spring-boot-school-timetabling](java\u002Fspring-boot-integration\u002FREADME.adoc) (Java, Maven or Gradle, Spring Boot)\n- [Run kotlin-quarkus-school-timetabling](kotlin\u002Fschool-timetabling\u002FREADME.adoc) (Kotlin, Maven, Quarkus)\n\nWithout a UI:\n\n- [Run hello-world-school-timetabling](java\u002Fhello-world\u002FREADME.adoc) (Java, Maven or Gradle)\n\n---\n\n### 🏭 Facility Location Problem\n\nPick the best geographical locations for new stores, distribution centers, COVID test centers, or telecom masts.\n\n![Facility Location Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_a45ff3a0fc56.png)\n\n- [Run quarkus-facility-location](java\u002Ffacility-location\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 🎤 Conference Scheduling\n\nAssign conference talks to timeslots and rooms to produce a better schedule for speakers.\n\n![Conference Scheduling Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_25d988ccaf1b.png)\n\n- [Run quarkus-conference-scheduling](java\u002Fconference-scheduling\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 🛏️ Bed Allocation Scheduling\n\nAssign beds to patient stays to produce a better schedule for hospitals.\n\n![Bed Scheduling Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_20d9be91f81e.png)\n\n- [Run quarkus-bed-allocation-scheduling](java\u002Fbed-allocation\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 🛫 Flight Crew Scheduling\n\nAssign crew to flights to produce a better schedule for flight assignments.\n\n![Flight Crew Scheduling Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_5dd962ad10e2.png)\n\n- [Run quarkus-flight-crew-scheduling](java\u002Fflight-crew-scheduling\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 👥 Meeting Scheduling\n\nAssign timeslots and rooms for meetings to produce a better schedule.\n\n![Meeting Scheduling Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_a42446453f51.png)\n\n- [Run quarkus-meeting-scheduling](java\u002Fmeeting-scheduling\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### ✅ Task Assigning\n\nAssign employees to tasks to produce a better plan for task assignments.\n\n![Task Assigning Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_b91509ece97e.png)\n\n- [Run quarkus-task-assigning](java\u002Ftask-assigning\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 📆 Project Job Scheduling\n\nAssign jobs for execution to produce a better schedule for project job allocations.\n\n![Project Job Scheduling Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_1a7c1ee9e7db.png)\n\n- [Run quarkus-project-job-scheduling](java\u002Fproject-job-scheduling\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 🏆 Sports League Scheduling\n\nAssign rounds to matches to produce a better schedule for league matches.\n\n![Sports League Scheduling Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_5fca05736274.png)\n\n- [Run quarkus-sports-league-scheduling](java\u002Fsports-league-scheduling\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 🏅 Tournament Scheduling\n\nTournament Scheduling service assigning teams to tournament matches.\n\n![Tournament Scheduling Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_3d64581c4897.png)\n\n- [Run quarkus-tournament-scheduling](java\u002Ftournament-scheduling\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n## Legal notice\n\nTimefold Quickstarts was [forked](https:\u002F\u002Ftimefold.ai\u002Fblog\u002F2023\u002Foptaplanner-fork\u002F) on 20 April 2023 from OptaPlanner Quickstarts, which was entirely Apache-2.0 licensed (a permissive license).\n\nTimefold Quickstarts is a derivative work of OptaPlanner Quickstarts, which includes copyrights of the original creator, Red Hat Inc., affiliates, and contributors, that were all entirely licensed under the Apache-2.0 license. \nEvery source file has been modified.\n","\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fsolver.timefold.ai\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_aea30d2151a8.png\" width=\"400px\"  alt=\"Timefold Solver\" \u002F>\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n[![GitHub Discussions](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fdiscussions\u002FTimefoldAI\u002Ftimefold-solver?style=for-the-badge&logo=github)](https:\u002F\u002Fgithub.com\u002FTimefoldAI\u002Ftimefold-solver\u002Fdiscussions)\n\n此仓库包含 [Timefold Solver](https:\u002F\u002Fgithub.com\u002FTimefoldAI\u002Ftimefold-solver) 的快速入门示例，它是一款适用于 Java 和 Kotlin 的 AI 约束求解器。这些示例展示了不同的用例和基础实现，帮助您开启规划 AI 之旅。\n\n## 概述\n\n| 用例                                                                | 显著的求解器概念                                  |\n|-------------------------------------------------------------------------|----------------------------------------------------------|\n| 🚚 \u003Ca href=\"#-vehicle-routing\">车辆路径规划\u003C\u002Fa>                      | 链式时间约束、影子变量                   |\n| 🧑‍💼 \u003Ca href=\"#-employee-scheduling\">员工排班\u003C\u002Fa>           | 负载均衡                                           |\n| 🛠️ \u003Ca href=\"#-maintenance-scheduling\">维护调度\u003C\u002Fa>       | 时间粒度、影子变量、变量监听器            |\n| 📦 \u003Ca href=\"#-food-packaging\">食品包装\u003C\u002Fa>                        | 混合模型、影子变量、固定                 |\n| 🛒 \u003Ca href=\"#-order-picking\">订单拣选\u003C\u002Fa>                          | 链式规划变量、影子变量              |\n| 🏫 \u003Ca href=\"#-school-timetabling\">学校课表编排\u003C\u002Fa>                | 时间槽                                                 |\n| 🏭 \u003Ca href=\"#-facility-location-problem\">设施选址问题\u003C\u002Fa>  | 影子变量                                          |\n| 🎤 \u003Ca href=\"#-conference-scheduling\">会议安排\u003C\u002Fa>          | 时间槽、理由说明                                 |\n| 🛏️ \u003Ca href=\"#-bed-allocation-scheduling\">床位分配调度\u003C\u002Fa> | 允许未分配                                        |\n| 🛫 \u003Ca href=\"#-flight-crew-scheduling\">飞行机组排班\u003C\u002Fa>        |                                                          |\n| 👥 \u003Ca href=\"#-meeting-scheduling\">会议安排\u003C\u002Fa>                | 时间粒度                                                |\n| ✅ \u003Ca href=\"#-task-assigning\">任务分配\u003C\u002Fa>                         | 可调整评分、链式时间约束、允许未分配  |\n| 📆 \u003Ca href=\"#-project-job-scheduling\">项目作业调度\u003C\u002Fa>        | 影子变量、变量监听器、强度比较器 |\n| 🏆 \u003Ca href=\"#-sports-league-scheduling\">体育联赛赛程安排\u003C\u002Fa>    | 连续序列                                    |\n| 🏅 \u003Ca href=\"#-tournament-scheduling\">锦标赛赛程安排\u003C\u002Fa>          | 固定、负载均衡                                  |\n\n> [!注意]\n> 此仓库中的实现仅作为起点和\u002F或灵感，用于构建您自己的应用程序。\n> Timefold Solver 是一个库，不包含用户界面。为了展示这些用例，这些快速入门示例中附带了一个基础 UI。\n\n## 用例\n\n### 🚚 车辆路径规划\n\n在考虑车辆容量和访问时间窗口的情况下，为车辆找到到达各访问点的最高效路线。有时也称为“CVRPTW”。\n\n![车辆路径规划截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_90f2aa650b4c.png)\n\n- [运行 quarkus-vehicle-routing](java\u002Fvehicle-routing\u002FREADME.MD) (Java, Maven, Quarkus)\n\n> [!提示]\n>  \u003Cimg src=\"https:\u002F\u002Fdocs.timefold.ai\u002F_\u002Fimg\u002Fmodels\u002Ffield-service-routing.svg\" align=\"right\" width=\"50px\" \u002F> [查看我们现成的现场服务路由模型](https:\u002F\u002Fapp.timefold.ai\u002Fmodels\u002Ffield-service-routing)。该模型超越了基本的车辆路径规划，支持优先级、技能、公平性等额外约束。\n\n---\n\n### 🧑‍💼 员工排班\n\n根据员工的可用性和班次技能要求，为员工安排班次。\n\n![员工排班截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_edf49c4a3f09.png)\n\n- [运行 quarkus-employee-scheduling](java\u002Femployee-scheduling\u002FREADME.MD) (Java, Maven, Quarkus)\n\n> [!提示]\n>  \u003Cimg src=\"https:\u002F\u002Fdocs.timefold.ai\u002F_\u002Fimg\u002Fmodels\u002Femployee-shift-scheduling.svg\" align=\"right\" width=\"50px\" \u002F> [查看我们现成的员工轮班排班模型](https:\u002F\u002Fapp.timefold.ai\u002Fmodels\u002Femployee-scheduling)。该模型支持许多额外的约束，如技能、员工配对、公平性等。\n\n---\n\n### 🛠️ 维护调度\n\n将维护任务按时间顺序分配给维护团队，以减少过早和逾期维护的情况。\n\n![维护调度截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_083e47a9a991.png)\n\n- [运行 quarkus-maintenance-scheduling](java\u002Fmaintenance-scheduling\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 📦 食品包装\n\n将食品包装订单安排到生产线，以最大限度地减少停机时间并按时完成所有订单。\n\n![食品包装截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_d09cc6d580c7.png)\n\n- [运行 quarkus-food-packaging](java\u002Ffood-packaging\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 🛒 订单拣选\n\n为完成一组订单生成最优的拣选计划。\n\n![订单拣选截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_5ee3ad9c07e1.png)\n\n- [运行 quarkus-order-picking](java\u002Forder-picking\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 🏫 学校课表编排\n\n将课程分配到时间槽和教室，以制定更合理的教师和学生课表。\n\n![学校课表编排截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_788221274782.png)\n\n- [运行 quarkus-school-timetabling](java\u002Fschool-timetabling\u002FREADME.adoc) (Java, Maven 或 Gradle, Quarkus)\n- [运行 spring-boot-school-timetabling](java\u002Fspring-boot-integration\u002FREADME.adoc) (Java, Maven 或 Gradle, Spring Boot)\n- [运行 kotlin-quarkus-school-timetabling](kotlin\u002Fschool-timetabling\u002FREADME.adoc) (Kotlin, Maven, Quarkus)\n\n无 UI 版本：\n\n- [运行 hello-world-school-timetabling](java\u002Fhello-world\u002FREADME.adoc) (Java, Maven 或 Gradle)\n\n---\n\n### 🏭 设施选址问题\n\n为新门店、配送中心、新冠检测中心或通信基站选择最佳地理位置。\n\n![设施选址截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_a45ff3a0fc56.png)\n\n- [运行 quarkus-facility-location](java\u002Ffacility-location\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 🎤 会议安排\n\n将会议演讲分配到时间槽和会议室，以制定更合理的演讲者日程。\n\n![会议安排截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_25d988ccaf1b.png)\n\n- [运行 quarkus-conference-scheduling](java\u002Fconference-scheduling\u002FREADME.adoc) (Java, Maven, Quarkus)\n\n---\n\n### 🛏️ 床位分配调度\n\n为患者的住院安排床位，以生成更优的医院排班计划。\n\n![床位调度截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_20d9be91f81e.png)\n\n- [运行 quarkus-bed-allocation-scheduling](java\u002Fbed-allocation\u002FREADME.adoc)（Java、Maven、Quarkus）\n\n---\n\n### 🛫 航空机组调度\n\n为航班分配机组人员，以生成更优的机组排班计划。\n\n![航空机组调度截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_5dd962ad10e2.png)\n\n- [运行 quarkus-flight-crew-scheduling](java\u002Fflight-crew-scheduling\u002FREADME.adoc)（Java、Maven、Quarkus）\n\n---\n\n### 👥 会议调度\n\n为会议分配时间段和会议室，以生成更优的会议日程安排。\n\n![会议调度截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_a42446453f51.png)\n\n- [运行 quarkus-meeting-scheduling](java\u002Fmeeting-scheduling\u002FREADME.adoc)（Java、Maven、Quarkus）\n\n---\n\n### ✅ 任务分配\n\n将员工分配到各项任务中，以生成更优的任务分配方案。\n\n![任务分配截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_b91509ece97e.png)\n\n- [运行 quarkus-task-assigning](java\u002Ftask-assigning\u002FREADME.adoc)（Java、Maven、Quarkus）\n\n---\n\n### 📆 项目作业调度\n\n为执行任务分配作业，以生成更优的项目作业排程。\n\n![项目作业调度截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_1a7c1ee9e7db.png)\n\n- [运行 quarkus-project-job-scheduling](java\u002Fproject-job-scheduling\u002FREADME.adoc)（Java、Maven、Quarkus）\n\n---\n\n### 🏆 体育联赛调度\n\n为比赛分配轮次，以生成更优的联赛赛程。\n\n![体育联赛调度截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_5fca05736274.png)\n\n- [运行 quarkus-sports-league-scheduling](java\u002Fsports-league-scheduling\u002FREADME.adoc)（Java、Maven、Quarkus）\n\n---\n\n### 🏅 锦标赛调度\n\n锦标赛调度服务，用于将球队分配到锦标赛比赛中。\n\n![锦标赛调度截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_readme_3d64581c4897.png)\n\n- [运行 quarkus-tournament-scheduling](java\u002Ftournament-scheduling\u002FREADME.adoc)（Java、Maven、Quarkus）\n\n---\n\n## 法律声明\n\nTimefold Quickstarts 于 2023 年 4 月 20 日从 OptaPlanner Quickstarts 分支而来。OptaPlanner Quickstarts 完全采用 Apache-2.0 许可证（一种宽松的开源许可证）。\n\nTimefold Quickstarts 是 OptaPlanner Quickstarts 的衍生作品，其中包含原始创建者 Red Hat Inc.、其关联公司及贡献者的版权，这些版权均完全受 Apache-2.0 许可证保护。所有源代码文件均已修改。","# Timefold Quickstarts 快速上手指南\n\nTimefold Quickstarts 是 [Timefold Solver](https:\u002F\u002Fsolver.timefold.ai) 的示例集合，这是一个用于 Java 和 Kotlin 的 AI 约束求解器。本指南将帮助你快速运行这些示例，了解如何解决车辆路径、员工排班、课程表等规划问题。\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**: Linux, macOS 或 Windows\n*   **JDK**: Java 17 或更高版本 (推荐 OpenJDK 17\u002F21)\n    *   *国内加速*: 建议从 [华为开源镜像站](https:\u002F\u002Frepo.huaweicloud.com\u002Fjava\u002F) 或 [阿里巴巴开源镜像站](https:\u002F\u002Fdeveloper.aliyun.com\u002Fmirror\u002Fjdk) 下载。\n*   **构建工具**: Maven 3.8+ 或 Gradle 8+\n    *   *国内加速*: 配置 `settings.xml` (Maven) 或 `init.gradle` (Gradle) 使用阿里云镜像源以加快依赖下载速度。\n    *   **Maven 阿里云配置示例** (`~\u002F.m2\u002Fsettings.xml`):\n      ```xml\n      \u003Cmirrors>\n        \u003Cmirror>\n          \u003Cid>aliyunmaven\u003C\u002Fid>\n          \u003CmirrorOf>*\u003C\u002FmirrorOf>\n          \u003Cname>Aliyun Public\u003C\u002Fname>\n          \u003Curl>https:\u002F\u002Fmaven.aliyun.com\u002Frepository\u002Fpublic\u003C\u002Furl>\n        \u003C\u002Fmirror>\n      \u003C\u002Fmirrors>\n      ```\n*   **IDE (可选)**: IntelliJ IDEA, Eclipse 或 VS Code (安装 Java 扩展包)。\n\n## 安装步骤\n\n由于这是一个包含多个独立示例的仓库，你不需要全局安装工具，只需克隆仓库并进入具体示例目录即可。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FTimefoldAI\u002Ftimefold-quickstarts.git\n    cd timefold-quickstarts\n    ```\n\n2.  **选择并进入示例目录**\n    根据你的需求选择一个场景。例如，运行最经典的“学校课程表”示例（Java + Quarkus）：\n    ```bash\n    cd java\u002Fschool-timetabling\n    ```\n    *其他常见示例路径:*\n    *   车辆路径: `cd java\u002Fvehicle-routing`\n    *   员工排班: `cd java\u002Femployee-scheduling`\n    *   Kotlin 版本: `cd kotlin\u002Fschool-timetabling`\n\n3.  **编译项目**\n    在项目根目录下执行以下命令（以 Maven 为例）：\n    ```bash\n    mvn clean compile\n    ```\n    *如果是 Gradle 项目，请使用 `.\u002Fgradlew build`。*\n\n## 基本使用\n\n大多数 Quickstart 示例都内置了一个简易的 Web UI，方便直观地查看求解过程和结果。以下以 **学校课程表 (School Timetabling)** 为例演示如何运行。\n\n### 1. 启动应用\n\n在示例目录（如 `java\u002Fschool-timetabling`）下运行：\n\n```bash\nmvn quarkus:dev\n```\n\n*注：如果是 Spring Boot 版本的示例，请使用 `mvn spring-boot:run`。*\n\n### 2. 访问界面\n\n当控制台显示 `Quarkus ... started in x.xxx s` 时，打开浏览器访问：\n\n```text\nhttp:\u002F\u002Flocalhost:8080\n```\n\n### 3. 操作求解器\n\n1.  **加载数据**: 页面加载后会自动生成示例数据（课程、教室、时间段、老师等）。\n2.  **开始求解**: 点击界面上的 **\"Solve\"** 按钮。\n3.  **观察过程**: 你将看到 AI 求解器实时调整课程安排，分数（Score）会随着约束条件的满足而逐渐优化（负分减少趋向于 0 或正分）。\n4.  **停止求解**: 点击 **\"Stop solving\"** 查看最终结果，或让其在后台持续优化。\n\n### 代码结构简析\n\n如果你想基于此开发自己的应用，重点关注以下文件：\n*   `src\u002Fmain\u002Fjava\u002F...\u002Fdomain\u002F*.java`: 定义规划实体（如 `Lesson`）和规划变量（`@PlanningVariable`）。\n*   `src\u002Fmain\u002Fjava\u002F...\u002Fconstraint\u002F...ConstraintProvider.java`: 定义业务约束规则（硬约束和软约束）。\n*   `src\u002Fmain\u002Fresources\u002Fapplication.properties`: 配置求解器超时时间、线程数等参数。\n\n现在，你可以尝试切换到其他目录（如 `vehicle-routing`），重复上述步骤来体验不同的 AI 规划场景。","某大型连锁超市的物流部门每天需为上百辆配送车规划路线，以在严格的时间窗口内将生鲜货物送达各门店。\n\n### 没有 timefold-quickstarts 时\n- 调度员依赖人工经验或简单的启发式规则排线，难以同时兼顾车辆载重限制、司机休息时间及门店收货时间窗，导致频繁出现迟到或空驶。\n- 面对突发订单增加或车辆故障，重新计算路线耗时极长，往往需要数小时手动调整，无法实时响应变化。\n- 缺乏量化评估标准，不同调度员生成的方案质量参差不齐，整体运输成本居高不下且难以优化。\n- 开发团队若想自建智能调度系统，需从零研究复杂的约束求解算法，技术门槛高且研发周期长达数月。\n\n### 使用 timefold-quickstarts 后\n- 基于 Vehicle Routing 快速启动模板，系统能秒级生成最优路线，自动平衡载重与时间窗约束，准点率提升至 98% 以上。\n- 利用内置的阴影变量（Shadow Variables）和链式规划机制，当订单变动时可即时重算局部路线，将应急响应时间缩短至分钟级。\n- 通过统一的评分规则量化方案优劣，确保每次输出都是当前条件下的全局最优解，显著降低燃油与人力成本。\n- 开发人员直接复用成熟的 Java\u002FKotlin 代码示例，无需深究底层算法数学原理，一周内即可上线定制化调度服务。\n\ntimefold-quickstarts 将复杂的运筹学难题转化为可落地的代码模板，帮助企业以最低成本实现物流调度的智能化跃迁。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTimefoldAI_timefold-quickstarts_90f2aa65.png","TimefoldAI","Timefold","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FTimefoldAI_31a7e4ac.jpg","Planning optimization made easy.",null,"info@timefold.ai","https:\u002F\u002Ftimefold.ai","https:\u002F\u002Fgithub.com\u002FTimefoldAI",[81,85,89,93,97],{"name":82,"color":83,"percentage":84},"Java","#b07219",64.9,{"name":86,"color":87,"percentage":88},"JavaScript","#f1e05a",21.3,{"name":90,"color":91,"percentage":92},"HTML","#e34c26",10.4,{"name":94,"color":95,"percentage":96},"Kotlin","#A97BFF",3.4,{"name":98,"color":99,"percentage":100},"CSS","#663399",0,524,158,"2026-04-16T05:09:23","Apache-2.0",4,"未说明 (基于 Java\u002FQuarkus\u002FSpring Boot，通常支持 Linux, macOS, Windows)","不需要 (基于 Java 的约束求解器，非深度学习模型)","未说明 (取决于具体用例的数据规模，建议标准开发环境内存)",{"notes":110,"python":111,"dependencies":112},"这是一个用于 Java 和 Kotlin 的 AI 约束求解器快速入门集合，而非深度学习框架。它不包含用户界面（UI），但示例中包含了简易 UI 用于演示。运行前需安装 Java 开发工具包 (JDK) 以及构建工具 (Maven 或 Gradle)。不同用例可能依赖 Quarkus 或 Spring Boot 框架。","不需要 (主要语言为 Java 和 Kotlin)",[113,114,115,116,117],"Java JDK (版本未明确，通常需 11+ 或 17+)","Maven 或 Gradle","Timefold Solver","Quarkus (大部分用例)","Spring Boot (部分用例)",[14,119,15],"其他",[121,122,123,124,125,126,127,128,129,130,131,132,133,134,135,136,137,138],"artificial-intelligence","employee-scheduling","gradle","java","job-shop-scheduling","kotlin","maintenance-scheduling","maven","planning-algorithms","quarkus","spring-boot","vehicle-routing-problem","constraint-programming","cvrp","operations-research","optimization-library","resource-allocation","vrptw","2026-03-27T02:49:30.150509","2026-04-17T08:24:11.046772",[142,147,152,157,162,166],{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},36432,"如何获取车辆路径规划（VRP）示例的求解结果 ID？","ID 始终固定为 'ID'。要获取输出结果，请在终端运行以下 curl 命令：\ncurl -X 'GET' \\\n  'http:\u002F\u002Flocalhost:8080\u002Froute-plans\u002FID' \\\n  -H 'accept: application\u002Fjson'\n该命令将从本地运行的 REST API 返回 JSON 格式的路径规划结果。","https:\u002F\u002Fgithub.com\u002FTimefoldAI\u002Ftimefold-quickstarts\u002Fissues\u002F629",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},36433,"在 macOS 14.0 上安装时遇到 Byte Buddy 相关错误导致构建失败，如何解决？","此问题通常与 Java 版本或缓存有关。请确保执行以下步骤：\n1. 升级 Timefold Solver 至 1.3.0 或更高版本，该版本已修复相关问题。\n2. 验证 Java 版本是否为 v17（运行 `java -version`），避免误用 Java 21。\n3. 如果问题依旧，尝试重新克隆仓库以清除潜在的环境缓存：`git clone \u003Crepo-url>`。\n如果使用的是旧版本，升级后通常无需额外配置即可解决。","https:\u002F\u002Fgithub.com\u002FTimefoldAI\u002Ftimefold-quickstarts\u002Fissues\u002F127",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},36434,"运行 quickstart 脚本时出现“重复类构建错误”（Duplicate class build error）怎么办？","这是一个已知的构建问题，通常由依赖冲突引起。解决方案包括：\n1. 等待官方合并修复该问题的 PR 并发布新版本（如 1.0.1）。\n2. 临时解决方法是在 `timefold-quickstarts` 根目录的 `pom.xml` 文件中添加 enforcer 跳过配置（仅适用于 stable 分支）。\n3. 确保使用的是最新发布的稳定版本，避免使用正在开发中的快照版本。","https:\u002F\u002Fgithub.com\u002FTimefoldAI\u002Ftimefold-quickstarts\u002Fissues\u002F78",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},36435,"项目中的 Webjars（如 Bootstrap, jQuery 等）版本过时，如何安全升级？","由于自动升级可能导致 UI 崩溃，建议按以下步骤手动升级：\n1. 选择一个 quickstart 项目（例如 vehicle routing）作为试点。\n2. 在 `pom.xml` 中更新相关 Webjar 的版本号。\n3. 手动启动项目并仔细检查用户界面的每一个功能，确保没有样式或交互错误。\n4. 确认无误后提交 PR，并将相同的升级原则应用到其他 quickstart 项目中。\n注意：更改应保持最小化，仅升级依赖，不要进行重构。","https:\u002F\u002Fgithub.com\u002FTimefoldAI\u002Ftimefold-quickstarts\u002Fissues\u002F866",{"id":163,"question_zh":164,"answer_zh":165,"source_url":146},36436,"Python 求解器是否还在维护？为什么文档中的 Python 示例无法运行？","Timefold 已于 2024 年 11 月左右停止了对 Python 求解器的进一步开发。官方建议用户转向使用 Java、Kotlin 或其他受支持的语言版本。如果您正在尝试运行 Python 演示代码遇到运行时错误或找不到 ID 等问题，这是因为该语言绑定已不再更新。详情请参考官方讨论区公告：https:\u002F\u002Fgithub.com\u002FTimefoldAI\u002Ftimefold-solver\u002Fdiscussions\u002F1698",{"id":167,"question_zh":168,"answer_zh":169,"source_url":170},36437,"车辆路径问题（VRPTW）中，后续订单的到达时间为何没有累积前序订单的延迟？","这是用户常见的误解。求解器计算的到达时间基于硬约束和软约束的优化结果。如果第二个订单延迟导致第三个订单的理论到达时间晚于其时间窗上限，求解器可能会判定该方案不可行或产生巨大的惩罚分数，从而尝试寻找其他路径。\n如果您观察到时间线显示延迟未累积，请检查：\n1. 数据集中的时间窗设置是否允许这种延迟（即是否有足够的缓冲）。\n2. 是否启用了正确的约束定义（如 `arrivalTime` 计算逻辑）。\n3. 确认可视化图表是否正确反映了 `departureTime` 和 `arrivalTime` 字段。\n通常情况下，如果前序任务延迟，后续任务的开始服务时间（startServiceTime）会自动顺延，除非违反了硬约束导致重排。","https:\u002F\u002Fgithub.com\u002FTimefoldAI\u002Ftimefold-quickstarts\u002Fissues\u002F146",[]]