[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-XiaoMi--MiNLP":3,"tool-XiaoMi--MiNLP":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":110,"forks":111,"last_commit_at":112,"license":113,"difficulty_score":114,"env_os":78,"env_gpu":115,"env_ram":115,"env_deps":116,"category_tags":120,"github_topics":121,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":125,"updated_at":126,"faqs":127,"releases":128},3045,"XiaoMi\u002FMiNLP","MiNLP","XiaoMi Natural Language Processing Toolkits ","MiNLP 是小米官方开源的自然语言处理平台，旨在为中文文本理解提供一套成熟、高效的解决方案。它核心解决了机器如何准确“读懂”人类语言的难题，涵盖了从基础的分词、词性标注、命名实体识别，到复杂的句法分析及语义结构化解析等数十个功能模块。\n\n在实际应用中，MiNLP 特别擅长处理中文分词与时间数字的结构化提取。其内置的 MiNLP-Tokenizer 分词工具经过小米内部业务长期打磨，精度与性能表现优异；而基于 Facebook Duckling 优化的 duckling-fork-chinese 组件，则能精准地将非结构化的时间、数字描述转换为程序可处理的标准对象，这一能力已在小爱同学等生产环境中得到大规模验证。\n\n这套工具非常适合 NLP 开发者、算法研究人员以及需要构建智能对话系统或文本分析应用的企业团队使用。通过开放这些经过实战检验的核心模块，MiNLP 不仅降低了中文自然语言处理的技术门槛，更邀请广大开发者共同参与，打造功能强大且效果领先的开源生态。无论是进行学术研究还是落地商业项目，MiNLP 都能提供坚实的技术支撑。","# MiNLP\n小米自然语言处理平台（MiNLP）具备词法、句法、语义分析等数十个功能模块，已经在公司业务中得到了广泛应用。\n\nMiNLP-Tokenizer中文分词工具经过不断优化和实战打磨，已于2020年11月正式对外开源。\n\n我们计划在2021年Q2完成所有词法工具（词性标注和命名实体识别）的开源，从2021年Q3开始，我们将逐步开源句法分析和部分语义分析工具，和开发者一起打造功能强大、效果领先的NLP平台。\n\nduckling-fork-chinese中文结构化解析工具，是在facebook\u002Fduckling的基础上做的一个JVM fork，满足从文本到结构化对象的转换。目前工具在小爱生产环境大量使用，最重要的应用是在数字和时间上的解析。\n\n## 模块\n中文分词：MiNLP-Tokenizer（[传送门](.\u002Fminlp-tokenizer)）\n\n词性标注：施工中，敬请期待\n\n命名实体识别：敬请期待\n\n依存句法分析：敬请期待\n\n结构化解析：[duckling-fork-chinese](.\u002Fduckling-fork-chinese)\n","# MiNLP\n小米自然语言处理平台（MiNLP）具备词法、句法、语义分析等数十个功能模块，已经在公司业务中得到了广泛应用。\n\nMiNLP-Tokenizer中文分词工具经过不断优化和实战打磨，已于2020年11月正式对外开源。\n\n我们计划在2021年Q2完成所有词法工具（词性标注和命名实体识别）的开源，从2021年Q3开始，我们将逐步开源句法分析和部分语义分析工具，和开发者一起打造功能强大、效果领先的NLP平台。\n\nduckling-fork-chinese中文结构化解析工具，是在facebook\u002Fduckling的基础上做的一个JVM fork，满足从文本到结构化对象的转换。目前工具在小爱生产环境大量使用，最重要的应用是在数字和时间上的解析。\n\n## 模块\n中文分词：MiNLP-Tokenizer（[传送门](.\u002Fminlp-tokenizer)）\n\n词性标注：施工中，敬请期待\n\n命名实体识别：敬请期待\n\n依存句法分析：敬请期待\n\n结构化解析：[duckling-fork-chinese](.\u002Fduckling-fork-chinese)","# MiNLP 快速上手指南\n\nMiNLP 是小米自然语言处理平台，提供词法、句法及语义分析等核心能力。目前主要开源模块包括**中文分词工具 (MiNLP-Tokenizer)** 和 **中文结构化解析工具 (duckling-fork-chinese)**。以下指南将帮助您快速部署并使用这两个核心组件。\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 \u002F macOS \u002F Windows\n*   **编程语言**：\n    *   MiNLP-Tokenizer：Python 3.6+\n    *   duckling-fork-chinese：Java (JDK 8+) 或 Scala\n*   **前置依赖**：\n    *   Python 包管理工具：`pip`\n    *   Java 构建工具：`Maven` 或 `Gradle` (用于 duckling)\n    *   网络环境：建议配置国内镜像源以加速依赖下载（如阿里云 PyPI 镜像、Maven 中央仓库镜像）。\n\n## 安装步骤\n\n### 1. 安装 MiNLP-Tokenizer (中文分词)\n\n推荐使用 pip 直接从 PyPI 安装，国内用户可指定阿里云镜像加速：\n\n```bash\npip install minlp-tokenizer -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F\n```\n\n若需从源码安装（适用于开发调试）：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FXiaoMi\u002FMiNLP.git\ncd MiNLP\u002Fminlp-tokenizer\npip install .\n```\n\n### 2. 安装 duckling-fork-chinese (结构化解析)\n\n该工具基于 JVM，通常作为依赖库集成到 Java\u002FScala 项目中。请在项目的 `pom.xml` (Maven) 中添加以下依赖：\n\n```xml\n\u003Cdependency>\n    \u003CgroupId>com.xiaomi.minlp\u003C\u002FgroupId>\n    \u003CartifactId>duckling-fork-chinese\u003C\u002FartifactId>\n    \u003Cversion>1.0.0\u003C\u002Fversion> \u003C!-- 请替换为最新可用版本 -->\n\u003C\u002Fdependency>\n```\n\n或者在 `build.gradle` (Gradle) 中添加：\n\n```groovy\nimplementation 'com.xiaomi.minlp:duckling-fork-chinese:1.0.0'\n```\n\n*注：具体版本号请参考 Maven Central 或项目 Release 页面。*\n\n## 基本使用\n\n### MiNLP-Tokenizer 使用示例\n\n导入模块后，即可对中文文本进行分词：\n\n```python\nfrom minlp_tokenizer import Tokenizer\n\n# 初始化分词器\ntokenizer = Tokenizer()\n\n# 待分词文本\ntext = \"小米自然语言处理平台已在业务中广泛应用\"\n\n# 执行分词\nwords = tokenizer.tokenize(text)\n\n# 输出结果\nprint(words)\n# 预期输出：['小米', '自然语言处理', '平台', '已', '在', '业务', '中', '广泛', '应用']\n```\n\n### duckling-fork-chinese 使用示例\n\n该工具主要用于提取文本中的时间、数字等结构化信息。以下为 Java 调用示例：\n\n```java\nimport com.xiaomi.minlp.duckling.Duckling;\nimport com.xiaomi.minlp.duckling.Dimension;\nimport java.util.List;\nimport java.util.Map;\n\npublic class DucklingDemo {\n    public static void main(String[] args) {\n        \u002F\u002F 初始化 Duckling 实例\n        Duckling duckling = new Duckling();\n        \n        String text = \"明天下午三点开会\";\n        \n        \u002F\u002F 解析时间实体\n        List\u003CMap\u003CString, Object>> results = duckling.parse(\n            text, \n            Dimension.TIME, \n            System.currentTimeMillis()\n        );\n        \n        \u002F\u002F 打印解析结果\n        results.forEach(System.out::println);\n        \u002F\u002F 预期包含解析后的时间戳或标准化时间字符串\n    }\n}\n```\n\n通过以上步骤，您已成功接入 MiNLP 的核心分词与结构化解析能力。其他模块（如词性标注、命名实体识别等）将在后续季度逐步开源，敬请期待。","某电商智能客服团队正在开发自动订单查询功能，需要精准识别用户口语化指令中的时间与数字信息。\n\n### 没有 MiNLP 时\n- 面对“帮我查下上个月十五号买的三台手机”这类复杂语句，通用分词器常将时间词错误切分，导致后续逻辑无法提取关键日期。\n- 开发团队需手动编写大量正则表达式来匹配中文数字和时间格式，代码维护成本极高且难以覆盖“下周”、“大后天”等模糊表达。\n- 非结构化的文本数据直接流入业务系统，导致订单检索接口频繁因参数格式错误而返回空结果，用户投诉率居高不下。\n- 每次新增一种时间表述方式（如“双十二当天”），都需要重新训练模型或更新规则库，迭代周期长达数周。\n\n### 使用 MiNLP 后\n- 借助 MiNLP-Tokenizer 的高精度中文分词能力，系统能准确将长句拆解为语义完整的词单元，确保时间状语不被割裂。\n- 集成 duckling-fork-chinese 模块后，无需编写繁琐正则，即可直接将“上个月十五号”、“三台”自动转换为标准的结构化时间戳和数量对象。\n- 输入文本被实时清洗为标准化的 JSON 数据，订单查询接口的参数准确率提升至 99%，显著降低了系统报错率。\n- 面对新的时间表达习惯，MiNLP 凭借预训练的泛化能力可直接识别，新功能上线时间从数周缩短至几天。\n\nMiNLP 通过高精度的分词与强大的结构化解析能力，将混乱的用户口语瞬间转化为机器可执行的标准指令，大幅提升了智能客服的响应效率与准确性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FXiaoMi_MiNLP_0945d45d.png","XiaoMi","Xiaomi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FXiaoMi_8fb93275.png","",null,"http:\u002F\u002Fmi.com\u002F","https:\u002F\u002Fgithub.com\u002FXiaoMi",[83,87,91,95,99,103,106],{"name":84,"color":85,"percentage":86},"Scala","#c22d40",61.6,{"name":88,"color":89,"percentage":90},"JavaScript","#f1e05a",33.4,{"name":92,"color":93,"percentage":94},"Python","#3572A5",2.2,{"name":96,"color":97,"percentage":98},"Java","#b07219",1.8,{"name":100,"color":101,"percentage":102},"CSS","#663399",0.5,{"name":104,"color":105,"percentage":102},"HTML","#e34c26",{"name":107,"color":108,"percentage":109},"Shell","#89e051",0.1,810,88,"2026-04-03T12:08:18","Apache-2.0",4,"未说明",{"notes":117,"python":115,"dependencies":118},"README 中未明确列出具体的运行环境需求。其中结构化解析工具 (duckling-fork-chinese) 是基于 Facebook Duckling 的 JVM fork 版本，因此运行该模块需要 Java 虚拟机环境。其他模块（如分词、词性标注等）的具体依赖和系统要求在当前文档中尚未披露。",[119],"JVM (针对 duckling-fork-chinese)",[13,26],[122,123,124],"nlp","tensorflow","python3","2026-03-27T02:49:30.150509","2026-04-06T06:45:53.283964",[],[129,134,139,143,148],{"id":130,"version":131,"summary_zh":132,"released_at":133},80780,"v3.3.1","1、将中文标点排除在全角、半角转换范围之外；\r\n2、根据新的标点转换规则，更新分词模型；","2021-03-16T03:10:46",{"id":135,"version":136,"summary_zh":137,"released_at":138},80781,"v3.3.0","1、新增多进程分词支持；\r\n2、词典干预策略采用新的模型内干预方式，取代原先的模型外干预。","2021-02-23T01:40:20",{"id":140,"version":141,"summary_zh":79,"released_at":142},80782,"v3.2.4","2021-01-18T07:53:40",{"id":144,"version":145,"summary_zh":146,"released_at":147},80783,"v3.2.3","Python 3.5~3.8，TensorFlow≥1.14","2020-11-27T11:35:51",{"id":149,"version":150,"summary_zh":79,"released_at":151},80784,"v3.2.2","2020-11-17T06:18:33"]