[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Unity-Technologies--obstacle-tower-env":3,"tool-Unity-Technologies--obstacle-tower-env":62},[4,18,26,36,46,54],{"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":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"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":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"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",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":10,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":97,"github_topics":99,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":137},8153,"Unity-Technologies\u002Fobstacle-tower-env","obstacle-tower-env","Obstacle Tower Environment","obstacle-tower-env 是一个由 Unity 开发的程序化生成 3D 环境，专为测试和训练人工智能代理而设计。在这个虚拟塔楼中，AI 需要像玩家一样通过跳跃、移动等动作穿越层层关卡，解决视觉识别、路径规划及逻辑谜题，最终抵达通往下一层的楼梯。\n\n它主要解决了传统 AI 基准测试中场景单一、缺乏泛化能力验证的痛点。由于每一层的布局、视觉风格、谜题配置甚至敌人类型都是随机生成的，且难度随楼层递增，AI 无法单纯依靠“死记硬背”特定地图来通关，必须真正掌握在未知环境中举一反三的通用能力。\n\n这款工具非常适合强化学习研究人员、计算机视觉开发者以及高校师生使用。其独特的技术亮点在于将平台跳跃游戏的趣味性与严谨的科研评估相结合，支持高达 100 层的动态生成，并提供了丰富的重置参数以定制训练难度。作为 OpenAI Gym 的兼容环境，它能无缝接入主流深度学习框架，帮助开发者高效评估算法在复杂视觉控制任务中的真实水平，是探索具身智能与通用人工智能的理想试验场。","# Obstacle Tower Environment\n\n![alt text](banner.png \"Obstacle Tower\")\n\n## About\n\nThe Obstacle Tower is a procedurally generated environment consisting of multiple floors to be solved by a learning agent. It is designed to test learning agents abilities in computer vision, locomotion skills, high-level planning, and generalization. It combines platforming-style gameplay with puzzles and planning problems, and critically, increases in difficulty as the agent progresses.\n\nWithin each floor, the goal of the agent is to arrive at the set of stairs leading to the next level of the tower. These floors are composed of multiple rooms, each which can contain their own unique challenges. Furthermore, each floor contains a number of procedurally generated elements, such as visual appearance, puzzle configuration, and floor layout. This ensures that in order for an agent to be successful at the Obstacle Tower task, they must be able to generalize to new and unseen combinations of conditions.\n\n### Reference Paper\n\nTo learn more, please read our AAAI Workshop paper:\n\n[**Obstacle Tower: A Generalization Challenge in Vision, Control, and Planning**](https:\u002F\u002Farxiv.org\u002Fabs\u002F1902.01378).\n\n### Version History\n\n* v1.0 - Initial Release.\n* v1.1 - Obstacle Tower Challenge Round 1 Release.\n   * Improved determinism between resets.\n   * Fixed bug in room template leading to un-beatable floors.\n   * Improved rendering & communication speed.\n* v1.2 - Hotfix release.\n\t* Adds timeout_wait parameter to extend python wait time for Unity environment handshake.\n\t* Adds realtime_mode parameter to launch Unity environment from API at real-time speed and render to the window.\n\t* Updates Windows and Linux binaries to address launching issues.\n\t* Updated v1.2 binary includes fixes for agent collision detection issues.\n* v1.3 Hotfix release.\n   * Resolves memory leak when running in Docker.\n   * Fixes issue where environment could freeze on certain higher floors.\n* v2.0 Obstacle Tower Challenge Round 2 Release.\n   * Towers can now be generated with up to 100 floors.\n   * Additional visual themes, obstacles, enemy types, and floor difficulties added.\n   * Additional reset parameters added to customize generated towers. Go [here](.\u002Freset-parameters.md) for details on the parameters and their values.\n   * Various bugs fixed and performance improvements.\n* v2.1 Hotfix release.\n   * Resolves issue with new seeds not being applied on `env.reset`.\n   * Resolves issue with underspecified observation space.\n* v2.2 Hotfix release.\n   * Resolves issue with reset parameters sometimes not being updated during `env.reset`.\n   * Resolves issue where agents could possibly skip levels.\n* v3.0 Open Source release available [here](https:\u002F\u002Fgithub.com\u002FUnity-Technologies\u002Fobstacle-tower-source).\n   * Added evaluation script for benchmarking, along with official benchmarking guidelines.\n* v3.1 Minor release.\n   * Updates Unity project to 2019.2 and ML-Agents version to 0.10.\n* 4.0 Major project updates\n   * Unity project updated to 2019.4 LTS.\n   * ML-Agents package updated to 1.1.0 (Release 3).\n   * Gym wrapper now uses registry by default to auto-download binary.\n* 4.1 Minor release.\n   * Adds additional reset parameters for more fine-grained control of visual themes.\n   * Fixes issue in gym wrapper related to end of episode information.\n   * Fixes issue with environment not being responsive to some reset parameters.\n  \n\n## Installation\n\n### Requirements\n\nThe Obstacle Tower environment runs on Mac OS X, Windows, or Linux.\n\nPython dependencies (also in [setup.py](https:\u002F\u002Fgithub.com\u002FUnity-Technologies\u002Fobstacle-tower-env\u002Fblob\u002Fmaster\u002Fsetup.py)):\n\n* Python 3.6+\n* Unity ML-Agents 1.x\n* OpenAI Gym\n\n### Download the environment (optional)\n\nBy default, the binary will be automatically downloaded when the Obstacle Tower gym is first instantiated. The binaries for each platform can be separately downloaded at the following links.\n\n| *Platform*     | *Download Link*                                                                     |\n| --- | --- |\n| Linux (x86_64) | https:\u002F\u002Fstorage.googleapis.com\u002Fobstacle-tower-build\u002Fv4.1\u002Fobstacletower_v4.1_linux.zip   |\n| Mac OS X       | https:\u002F\u002Fstorage.googleapis.com\u002Fobstacle-tower-build\u002Fv4.1\u002Fobstacletower_v4.1_osx.zip     |\n| Windows        | https:\u002F\u002Fstorage.googleapis.com\u002Fobstacle-tower-build\u002Fv4.1\u002Fobstacletower_v4.1_windows.zip |\n\nFor checksums on these files, see [here](https:\u002F\u002Fstorage.googleapis.com\u002Fobstacle-tower-build\u002Fv4.1\u002Fote-v4.1-checksums.txt).\n\n### Install the Gym interface\n\n```bash\n$ git clone git@github.com:Unity-Technologies\u002Fobstacle-tower-env.git\n$ cd obstacle-tower-env\n$ pip install -e .\n```\n\n## Getting Started\n\n### Using the Gym Interface\n\nTo see an example of how to interact with the environment using the gym interface, see our [Basic Usage Jupyter Notebook](examples\u002Fbasic_usage.ipynb).\n\n### Customizing the environment\n\nObstacle Tower can be configured in a number of different ways to adjust the difficulty and content of the environment. This is done through the use of reset parameters, which can be set when calling `env.reset()`. See [here](.\u002Freset-parameters.md) for a list of the available parameters to adjust. \n\n### Player Control\n\nIt is also possible to launch the environment in \"Player Mode,\" and directly control the agent using a keyboard. This can be done by double-clicking on the binary file. The keyboard controls are as follows:\n\n| *Keyboard Key* | *Action* |\n| --- | --- |\n| W | Move character forward. |\n| S | Move character backwards. |\n| A | Move character left. |\n| D | Move character right. |\n| K | Rotate camera left. |\n| L | Rotate camera right. |\n| Space | Character jump. |\n\n### Performance evaluation\n\nWe provide an environment wrapper for evaluating performance of a player or agent across multiple pre-defined seeds.  We provide [an example implementation](examples\u002Fevaluation.py) of evaluation on a random policy.\n\n### Training a Dopamine Rainbow agent on GCP\n\nIf you are interested in training an agent using Google's Dopamine framework and\u002For Google Cloud Platform, see our guide [here](.\u002Fexamples\u002Fgcp_training.md).\n","# 障碍塔环境\n\n![alt text](banner.png \"障碍塔\")\n\n## 关于\n\n障碍塔是一个程序化生成的环境，由多个楼层组成，供学习智能体解决。它旨在测试智能体在计算机视觉、运动技能、高层级规划和泛化能力方面的能力。该环境结合了平台跳跃类游戏玩法与谜题和规划问题，并且随着智能体的推进，难度会不断增加。\n\n在每一层中，智能体的目标是到达通往塔下一层的楼梯。这些楼层由多个房间组成，每个房间都可能包含独特的挑战。此外，每层还包含许多程序化生成的元素，例如视觉外观、谜题配置和楼层布局。这确保了智能体要想成功完成障碍塔任务，就必须能够泛化到新的、未曾见过的条件组合中。\n\n### 参考论文\n\n欲了解更多信息，请阅读我们的 AAAI 工作组论文：\n\n[**障碍塔：视觉、控制与规划中的泛化挑战**](https:\u002F\u002Farxiv.org\u002Fabs\u002F1902.01378)。\n\n### 版本历史\n\n* v1.0 - 初始发布。\n* v1.1 - 障碍塔挑战第一轮发布。\n   * 改进了重置之间的确定性。\n   * 修复了导致某些楼层无法通关的房间模板错误。\n   * 提升了渲染和通信速度。\n* v1.2 - 热修复版本。\n\t* 添加了 `timeout_wait` 参数，以延长 Python 等待 Unity 环境握手的时间。\n\t* 添加了 `realtime_mode` 参数，以便以实时速度启动 Unity 环境并渲染到窗口。\n\t* 更新了 Windows 和 Linux 的二进制文件，以解决启动问题。\n\t* v1.2 更新后的二进制文件包含了对智能体碰撞检测问题的修复。\n* v1.3 热修复版本。\n   * 解决了在 Docker 中运行时的内存泄漏问题。\n   * 修复了环境在某些较高楼层可能会卡死的问题。\n* v2.0 障碍塔挑战第二轮发布。\n   * 塔现在可以生成最多 100 层。\n   * 新增了更多视觉主题、障碍物、敌人类型和楼层难度。\n   * 增加了额外的重置参数，用于自定义生成的塔。有关参数及其取值的详细信息，请参阅 [这里](.\u002Freset-parameters.md)。\n   * 修复了多种 bug 并提升了性能。\n* v2.1 热修复版本。\n   * 解决了新种子未在 `env.reset` 时生效的问题。\n   * 解决了观测空间定义不足的问题。\n* v2.2 热修复版本。\n   * 解决了重置参数有时在 `env.reset` 时未更新的问题。\n   * 解决了智能体可能跳过关卡的问题。\n* v3.0 开源版本现已发布 [此处](https:\u002F\u002Fgithub.com\u002FUnity-Technologies\u002Fobstacle-tower-source)。\n   * 添加了用于基准测试的评估脚本以及官方的基准测试指南。\n* v3.1 小版本。\n   * 将 Unity 项目更新至 2019.2，将 ML-Agents 版本更新至 0.10。\n* v4.0 重大项目更新\n   * Unity 项目更新至 2019.4 LTS。\n   * ML-Agents 包更新至 1.1.0（Release 3）。\n   * Gym 封装现在默认使用注册表自动下载二进制文件。\n* v4.1 小版本。\n   * 增加了额外的重置参数，以实现对视觉主题的更精细控制。\n   * 修复了 Gym 封装中与回合结束信息相关的问题。\n   * 修复了环境对部分重置参数无响应的问题。\n\n## 安装\n\n### 要求\n\n障碍塔环境可在 Mac OS X、Windows 或 Linux 上运行。\n\nPython 依赖项（也在 [setup.py](https:\u002F\u002Fgithub.com\u002FUnity-Technologies\u002Fobstacle-tower-env\u002Fblob\u002Fmaster\u002Fsetup.py) 中）：\n\n* Python 3.6+\n* Unity ML-Agents 1.x\n* OpenAI Gym\n\n### 下载环境（可选）\n\n默认情况下，当首次实例化障碍塔 Gym 时，二进制文件会自动下载。各平台的二进制文件也可以通过以下链接单独下载。\n\n| *平台*     | *下载链接*                                                                     |\n| --- | --- |\n| Linux (x86_64) | https:\u002F\u002Fstorage.googleapis.com\u002Fobstacle-tower-build\u002Fv4.1\u002Fobstacletower_v4.1_linux.zip   |\n| Mac OS X       | https:\u002F\u002Fstorage.googleapis.com\u002Fobstacle-tower-build\u002Fv4.1\u002Fobstacletower_v4.1_osx.zip     |\n| Windows        | https:\u002F\u002Fstorage.googleapis.com\u002Fobstacle-tower-build\u002Fv4.1\u002Fobstacletower_v4.1_windows.zip |\n\n这些文件的校验和请参见 [这里](https:\u002F\u002Fstorage.googleapis.com\u002Fobstacle-tower-build\u002Fv4.1\u002Fote-v4.1-checksums.txt)。\n\n### 安装 Gym 接口\n\n```bash\n$ git clone git@github.com:Unity-Technologies\u002Fobstacle-tower-env.git\n$ cd obstacle-tower-env\n$ pip install -e .\n```\n\n## 入门\n\n### 使用 Gym 接口\n\n要查看如何使用 Gym 接口与环境交互的示例，请参阅我们的 [基本使用 Jupyter 笔记本](examples\u002Fbasic_usage.ipynb)。\n\n### 自定义环境\n\n障碍塔可以通过多种方式进行配置，以调整环境的难度和内容。这是通过使用重置参数来实现的，这些参数可以在调用 `env.reset()` 时设置。有关可用参数的列表，请参阅 [这里](.\u002Freset-parameters.md)。\n\n### 玩家控制\n\n也可以以“玩家模式”启动环境，并直接使用键盘控制智能体。只需双击二进制文件即可。键盘控制如下：\n\n| *键盘按键* | *动作* |\n| --- | --- |\n| W | 让角色向前移动。 |\n| S | 让角色向后移动。 |\n| A | 让角色向左移动。 |\n| D | 让角色向右移动。 |\n| K | 向左旋转摄像头。 |\n| L | 向右旋转摄像头。 |\n| 空格键 | 角色跳跃。 |\n\n### 性能评估\n\n我们提供了一个环境封装，用于评估玩家或智能体在多个预定义种子下的表现。我们提供了一个基于随机策略的评估示例 [这里](examples\u002Fevaluation.py)。\n\n### 在 GCP 上训练 Dopamine Rainbow 智能体\n\n如果您有兴趣使用 Google 的 Dopamine 框架和\u002F或 Google Cloud Platform 来训练智能体，请参阅我们的指南 [这里](.\u002Fexamples\u002Fgcp_training.md)。","# Obstacle Tower Environment 快速上手指南\n\nObstacle Tower 是一个程序化生成的 3D 环境，旨在测试智能体在计算机视觉、运动控制、高层规划及泛化能力方面的表现。随着层数增加，难度会逐渐提升。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：macOS, Windows, 或 Linux (x86_64)\n*   **Python 版本**：3.6 及以上\n*   **核心依赖**：\n    *   Unity ML-Agents (1.x 版本)\n    *   OpenAI Gym\n\n> **提示**：国内用户建议在安装 Python 依赖时使用清华源或阿里源以加速下载。\n\n## 安装步骤\n\n### 1. 克隆项目\n首先从 GitHub 克隆仓库并进入目录：\n\n```bash\ngit clone git@github.com:Unity-Technologies\u002Fobstacle-tower-env.git\ncd obstacle-tower-env\n```\n\n### 2. 安装 Python 接口\n使用 `pip` 以可编辑模式安装 Gym 接口。此过程会自动处理依赖关系。\n\n```bash\npip install -e .\n```\n\n> **注**：首次实例化环境时，Gym 包装器会自动下载对应平台的二进制文件。如果需要手动下载（例如网络受限），可从以下地址获取 v4.1 版本：\n> *   Linux: [下载链接](https:\u002F\u002Fstorage.googleapis.com\u002Fobstacle-tower-build\u002Fv4.1\u002Fobstacletower_v4.1_linux.zip)\n> *   macOS: [下载链接](https:\u002F\u002Fstorage.googleapis.com\u002Fobstacle-tower-build\u002Fv4.1\u002Fobstacletower_v4.1_osx.zip)\n> *   Windows: [下载链接](https:\u002F\u002Fstorage.googleapis.com\u002Fobstacle-tower-build\u002Fv4.1\u002Fobstacletower_v4.1_windows.zip)\n\n## 基本使用\n\n### 代码示例\n以下是最简单的 Python 代码示例，展示如何初始化环境并运行一个随机策略智能体：\n\n```python\nimport obstacle_tower_env\nimport gym\n\n# 创建环境\nenv = gym.make('ObstacleTower-v0')\n\n# 重置环境，开始新回合\nobservation = env.reset()\n\n# 运行一个简单的随机代理示例\ndone = False\nwhile not done:\n    # 随机选择动作\n    action = env.action_space.sample()\n    \n    # 执行动作\n    observation, reward, done, info = env.step(action)\n    \n    # 可选：渲染画面（如需可视化）\n    # env.render()\n\nenv.close()\n```\n\n### 自定义配置\n您可以通过 `env.reset()` 传递参数来调整塔的难度、视觉主题或楼层布局。例如：\n\n```python\n# 自定义重置参数示例\nconfig = {\n    \"tower-seed\": 123,\n    \"floor-number\": 10,\n    \"visual-theme\": \"default\"\n}\nobservation = env.reset(config=config)\n```\n*详细参数列表请参考项目中的 `reset-parameters.md` 文件。*\n\n### 玩家模式（手动试玩）\n如果您想亲自体验环境或测试关卡，可以直接双击下载的二进制文件启动“玩家模式”。\n**键盘操作说明：**\n\n| 按键 | 功能 |\n| :--- | :--- |\n| **W** | 向前移动 |\n| **S** | 向后移动 |\n| **A** | 向左移动 |\n| **D** | 向右移动 |\n| **K** | 镜头左转 |\n| **L** | 镜头右转 |\n| **Space** | 跳跃 |","某机器人实验室团队正在训练一个具备通用视觉感知与高层规划能力的自主导航智能体，旨在让其适应复杂多变的未知环境。\n\n### 没有 obstacle-tower-env 时\n- **泛化能力验证困难**：团队只能使用静态或简单随机化的测试地图，智能体容易“死记硬背”特定路线，一旦面对未见过的布局便彻底失效。\n- **多维技能评估缺失**：缺乏能同时考验计算机视觉、运动控制和解谜规划的统一基准，导致难以判断模型在哪个具体环节存在短板。\n- **难度梯度无法动态调整**：现有环境难度固定，无法随着智能体能力提升而自动生成更复杂的楼层，限制了强化学习算法的上限探索。\n- **复现与对比成本高**：不同研究组使用的自定义环境差异巨大，导致算法性能无法在公平、确定的条件下进行横向比对。\n\n### 使用 obstacle-tower-env 后\n- **强制通用性训练**：利用其程序化生成的特性，每一层楼的视觉风格、谜题配置和空间布局都随机组合，迫使智能体真正学会举一反三而非过拟合。\n- **全栈能力综合测试**：在一个环境中即可同步评估智能体从底层视觉识别到高层路径规划的综合表现，快速定位是“看不清”还是“想不通”。\n- **自适应难度进阶**：环境支持高达 100 层的动态生成，难度随楼层递增，为持续优化算法提供了无限延伸的“练兵场”。\n- **标准化基准对齐**：依托官方提供的确定性重置参数和评测脚本，团队能与全球顶尖算法在同一标准下公平竞技，显著提升了研究成果的可信度。\n\nobstacle-tower-env 通过构建高复杂度且无限变化的虚拟塔楼，将人工智能的泛化能力测试从“开卷考试”变成了真正的“实战演练”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FUnity-Technologies_obstacle-tower-env_46d607aa.png","Unity-Technologies","Unity Technologies","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FUnity-Technologies_d8ebbff4.png","",null,"http:\u002F\u002Funity.com","https:\u002F\u002Fgithub.com\u002FUnity-Technologies",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,546,123,"2026-04-12T08:45:04","Apache-2.0","Linux, macOS, Windows","未说明",{"notes":92,"python":93,"dependencies":94},"环境二进制文件在首次实例化时会自动下载，也可手动下载对应平台的压缩包。支持通过键盘直接控制代理进行“玩家模式”测试。Docker 运行时需注意内存泄漏问题（v1.3 已修复）。","3.6+",[95,96],"Unity ML-Agents 1.x","OpenAI Gym",[98,14,13],"其他",[100,101,102,103,104],"reinforcement-learning","ml-agents","deep-learning","unity-3d","gym-environment","2026-03-27T02:49:30.150509","2026-04-17T08:25:19.884451",[108,113,118,123,128,133],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},36469,"运行环境时出现 'Couldn't launch the obstacletower environment' 错误怎么办？","请确保您的当前工作目录是包含 `ObstacleTower` 文件夹的父目录。执行代码前，请在终端中使用 `cd` 命令切换到正确的目录，或者在代码中提供相对于正确工作目录的完整路径。","https:\u002F\u002Fgithub.com\u002FUnity-Technologies\u002Fobstacle-tower-env\u002Fissues\u002F14",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},36470,"遇到 UnityTimeOutException 或角色掉出屏幕导致训练中断如何解决？","这是旧版本二进制文件中的已知问题。请升级到 v1.2 或更高版本的 obstacle-tower-env 包，并下载对应的最新 Windows 或 Linux 二进制文件。新版本修复了代理掉落或退出楼层的问题，并支持“实时模式”渲染。","https:\u002F\u002Fgithub.com\u002FUnity-Technologies\u002Fobstacle-tower-env\u002Fissues\u002F46",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},36471,"环境运行一段时间后 CPU 占用率飙升且停止响应如何处理？","该问题可能与特定平台或版本有关。维护者建议在 Google Cloud Engine (GCE) 实例上测试复现，以排除本地环境问题。如果问题仅在旧版本出现，请尝试升级到最新的二进制文件。若问题持续，需检查是否因进入高层级（如 10 层以上）触发特定机制导致的死锁。","https:\u002F\u002Fgithub.com\u002FUnity-Technologies\u002Fobstacle-tower-env\u002Fissues\u002F77",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},36472,"为什么 seed() 函数设置的种子在不同环境实例中不一致？","这是比赛期间的故意限制。为了防止参赛者发现并利用特定的审查种子，随机种子范围被限制在 100 以内。比赛结束后，官方将发布解除种子范围限制的版本。因此在当前版本中，超出范围的种子设置可能不会按预期工作。","https:\u002F\u002Fgithub.com\u002FUnity-Technologies\u002Fobstacle-tower-env\u002Fissues\u002F91",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},36473,"安装时提示 Python 版本或依赖包（tensorflow, numpy）过旧怎么办？","`mlagents_envs` 包要求 Python 版本在 3.7 或以下（推荐 3.6）。如果遇到依赖冲突，可以尝试从 `setup.py` 中移除 `unity-ml` 依赖，然后手动使用 `pip install unity-ml --no-deps` 安装，以避免强制安装过旧的 tensorflow 或 numpy 版本。","https:\u002F\u002Fgithub.com\u002FUnity-Technologies\u002Fobstacle-tower-env\u002Fissues\u002F21",{"id":134,"question_zh":135,"answer_zh":136,"source_url":117},36474,"在 Windows 上调用 env.render() 没有反应或不显示窗口怎么办？","这是一个已知的 Windows 平台特定问题。请确保您使用的是支持实时渲染的开发版本（v1.2+）。如果问题依旧，请检查是否安装了最新的 `obstacle-tower-env` 包，并确认二进制文件与包版本兼容。官方曾通过 PR #50 添加了相关修复，请更新至最新版本。",[138,143,148,153,158,163,168,173,178,183,188],{"id":139,"version":140,"summary_zh":141,"released_at":142},289309,"v4.1","# 4.1 小版本发布\n* 添加了额外的重置参数，以实现对视觉主题更精细的控制。\n* 修复了与回合结束信息相关的 Gym 封装器问题。\n* 修复了环境对部分重置参数无响应的问题。","2020-07-29T01:09:36",{"id":144,"version":145,"summary_zh":146,"released_at":147},289310,"v4.0","* Unity 项目已更新至 2019.4 LTS。\n* ML-Agents 包已更新至 1.1.0（发布版本 3）。\n* Gym 封装现默认使用注册表自动下载二进制文件。","2020-07-01T17:58:31",{"id":149,"version":150,"summary_zh":151,"released_at":152},289311,"v3.1","* 将 Unity 项目更新至 2019.2.8。\n* 将 ML-Agents 插件更新至 v0.10。\n","2019-10-08T18:28:50",{"id":154,"version":155,"summary_zh":156,"released_at":157},289312,"v3.0","* v3.0 开源版本已在[这里](https:\u002F\u002Fgithub.com\u002FUnity-Technologies\u002Fobstacle-tower-source)发布。\n   * 新增了用于基准测试的评估脚本，并附有官方基准测试指南，详情请见[这里](https:\u002F\u002Fgithub.com\u002FUnity-Technologies\u002Fobstacle-tower-env\u002Fblob\u002Fmaster\u002Fexamples\u002Fevaluation.py)。","2019-08-07T00:01:36",{"id":159,"version":160,"summary_zh":161,"released_at":162},289313,"v2.2","* v2.2 修复版本。  \n   * 解决了在 env.reset 时重置参数有时无法更新的问题。  \n   * 解决了智能体可能跳过关卡的问题。","2019-06-10T19:49:07",{"id":164,"version":165,"summary_zh":166,"released_at":167},289314,"v2.1","## v2.1 修复版本。\n* 解决了在 env.reset 时新种子未生效的问题。\n* 解决了观测空间定义不明确的问题。\n","2019-05-21T00:10:00",{"id":169,"version":170,"summary_zh":171,"released_at":172},289315,"v2.0","# v2.0 障碍塔挑战赛第二轮发布。\n* 塔楼现在可以生成多达100层。\n* 新增了更多视觉主题、障碍物、敌人类型和楼层难度。\n* 增加了更多重置参数，用于自定义生成的塔楼。有关参数及其取值的详细信息，请点击此处。\n* 修复了多个 bug，并进行了性能优化。\n","2019-05-14T18:11:44",{"id":174,"version":175,"summary_zh":176,"released_at":177},289316,"v1.3","## v1.3 修复版发布。\n* 解决在 Docker 中运行时的内存泄漏问题。\n* 修复在某些高层楼层可能导致环境卡死的问题。\n","2019-04-10T21:27:41",{"id":179,"version":180,"summary_zh":181,"released_at":182},289317,"v1.2","* 增加了 `timeout_wait` 参数，用于延长 Python 等待 Unity 环境握手的时间。\n* 增加了 `realtime_mode` 参数，用于以实时帧率从 API 启动 Unity 环境，并将渲染结果显示在窗口中。\n* 更新了 Windows 和 Linux 平台的二进制文件，以解决启动问题。\n* v1.2 版本的二进制文件包含了对智能体碰撞检测问题的修复。","2019-02-20T22:15:43",{"id":184,"version":185,"summary_zh":186,"released_at":187},289318,"v1.1","v1.1 - 障碍塔挑战赛第一轮发布。\n\n* 改进了重置之间的确定性。\n* 修复了导致某些楼层无法通关的房间模板错误。\n* 提升了渲染和通信速度。\n* 简化了 Python 包依赖。\n* 增加了使用 Dopamine 和 GCP 训练智能体的指南。","2019-02-11T01:50:58",{"id":189,"version":190,"summary_zh":191,"released_at":192},289319,"v1.0","Initial release of Obstacle Tower binaries and gym interface.","2019-01-27T23:15:07"]