[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Yifan-Song793--RestGPT":3,"tool-Yifan-Song793--RestGPT":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":80,"owner_email":80,"owner_twitter":80,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":101,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":102,"updated_at":103,"faqs":104,"releases":120},227,"Yifan-Song793\u002FRestGPT","RestGPT","An LLM-based autonomous agent controlling real-world applications via RESTful APIs","RestGPT 是一个让大语言模型（LLM）能自主操作真实网络应用的智能代理工具。它通过连接 RESTful API，使语言模型不仅能“说”，还能“做”——比如帮你查电影导演、创建歌单等实际任务。传统 LLM 无法直接与外部系统交互，RestGPT 解决了规划任务、调用 API、解析响应这三个关键难题，让模型真正落地执行复杂指令。\n\n它特别适合 AI 研究人员和开发者使用，可用于构建自动化助手、测试 API 集成能力，或研究 LLM 的任务分解与执行机制。RestGPT 采用“由粗到细”的动态规划框架：先生成自然语言子任务，再映射为具体 API 调用，最后用代码解析返回数据，整个过程高度自动化。\n\n配套的 RestBench 基准包含 TMDB 和 Spotify 两大真实场景，提供人工标注的标准操作路径，便于评估模型表现。虽然目前主要面向技术用户，但其架构为未来普通人通过自然语言操控各类 App 打下了基础。项目开源，支持快速部署实验，是探索 LLM 与现实世界连接的重要实践。","# RestGPT\n\nThis is the code for the paper [RestGPT: Connecting Large Language Models with Real-World RESTful APIs](https:\u002F\u002Farxiv.org\u002Fabs\u002F2306.06624).\n\nThis work aims to construct a **large language model based autonomous agent, RestGPT, to control real-world applications**, such as movie database and music player. To achieve this, we connect LLMs with **RESTful APIs** and tackle the practical challenges of planning, API calling, and response parsing. To fully evaluate the performance of RestGPT, we propose **RestBench**, a high-quality benchmark which consists of two real-world scenarios and human-annotated instructions with gold solution paths.\n\n![intro](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FYifan-Song793_RestGPT_readme_4e163bb144b6.png)\n\n## What's New\n\n* **[Next]** The demo is under-construction.\n* **[2023\u002F8\u002F29]** Code for RestGPT is released.\n* **[2023\u002F8\u002F28]** The second version of our [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2306.06624) is released.\n* **[2023\u002F6\u002F13]** Our [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2306.06624) is released.\n\n## RestGPT\n\nRestGPT adopts an iterative coarse-to-fine online planning framework and uses an executor to call RESTful APIs. Here is an overview of RestGPT.\n\n![model](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FYifan-Song793_RestGPT_readme_d4baa9d708a1.png)\n\nModules:\n\n* Planner: generating natural language sub-task for current step.\n* API selector: mapping the coarse high-level sub-task to finer API calling plan.\n* Executor: executing the API calling plan.\n    * Caller: organizing API parameters based on the API plan and API documentation.\n    * Parser: generating Python code to parse the API response based on the response schema.\n\nHere is an example of using TMDB movie database to search for the number of movies directed by Sofia Coppola.\n\n![example](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FYifan-Song793_RestGPT_readme_d3856450d295.gif)\n\n## Data\n\nWe also introduce RestBench to evaluate the performance of RestGPT. RestBench is a high-quality test set consisting of TMDB movie database and Spotify music player scenarios. We collect realistic user instructions with human-annotated gold solution paths. Here are examples of RestBench:\n\nTMDB example:\n\n* Instruction: Who is the director of today's most trending movie?\n* Gold solution path\n    * GET \u002Ftrending\u002F\\{media_type\\}\u002F\\{time\\_window\\}\n    * GET \u002Fmovie\u002F\\{movie_id\\}\u002Fcredits\n\nSpotify example:\n\n* Instruction: Make me a playlist containing three songs of Mariah Carey and name it 'Love Mariah'.\n* Gold solution path\n    * GET \u002Fsearch\n    * GET \u002Fme\n    * POST \u002Fusers\u002F\\{user_id\\}\u002Fplaylists\n    * POST \u002Fplaylists\u002F\\{playlist_id\\}\u002Ftracks\n\nBelow is the statistics of the data. We report the number of instructions with different lengths of solution path:\n\n| Scenario | #APIs | Len-1 | Len-2 | Len-3 | Len-4 | Avg. Len. | Total |\n| -------- | ----- | ----- | ----- | ----- | ----- | --------- | ----- |\n| TMDB     | 54    | 5     | 66    | 27    | 2     | 2.3       | 100   |\n| Spotify  | 40    | 8     | 18    | 22    | 9     | 2.6       | 57    |\n\n## Setup\n\n```bash\npip install langchain colorama tiktoken spotipy openai\n```\n\ncreate `logs` folder\n\nGet OpenAI key from OpenAI, TMDB key from https:\u002F\u002Fdeveloper.themoviedb.org\u002Fdocs\u002Fgetting-started, and Spotify key from https:\u002F\u002Fdeveloper.spotify.com\u002Fdocumentation\u002Fweb-api\n\nFill in your own key in `config.yaml`\n\n## (Optional) Initialize the Spotify Environment\n\n**WARNING: this will remove all your data from spotify!**\n\n```python\npython init_spotify.py\n```\n\n## Run\n\nThe code can be run using the following command:\n\n```bash\npython run.py\n```\n\nThen Input the scenario (TMDB\u002FSpotify) and instruction.\n\nWe also provide two scripts to run RestGPT on RestBench:\n\n```bash\n# TMDB\npython run_tmdb.py\n\n# Spotify, please open Spotify on your device\npython run_spotify.py\n```\n\n`run_tmdb.py` will sequentially execute all instructions of RestBench-TMDB. Regarding RestBench-Spotify, you should manually modify the `query_idx` before executing the instructions.\n\n## Citation\n\nIf you find this repo useful, please cite us.\n\n```bibtex\n@misc{song2023restgpt,\n      title={RestGPT: Connecting Large Language Models with Real-World RESTful APIs}, \n      author={Yifan Song and Weimin Xiong and Dawei Zhu and Wenhao Wu and Han Qian and Mingbo Song and Hailiang Huang and Cheng Li and Ke Wang and Rong Yao and Ye Tian and Sujian Li},\n      year={2023},\n      eprint={2306.06624},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL}\n}\n```\n\n","# RestGPT\n\n这是论文 [RestGPT: Connecting Large Language Models with Real-World RESTful APIs](https:\u002F\u002Farxiv.org\u002Fabs\u002F2306.06624) 的代码仓库。\n\n本项目旨在构建一个**基于大语言模型（Large Language Model, LLM）的自主智能体 RestGPT，用于控制现实世界的应用程序**，例如电影数据库和音乐播放器。为此，我们将 LLM 与 **RESTful API** 相连接，并解决实际应用中涉及的规划、API 调用和响应解析等挑战。为全面评估 RestGPT 的性能，我们提出了 **RestBench** —— 一个高质量基准测试集，包含两个真实场景及人工标注的指令与黄金解决方案路径。\n\n![intro](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FYifan-Song793_RestGPT_readme_4e163bb144b6.png)\n\n## 更新日志\n\n* **[下一步]** 演示页面正在建设中。\n* **[2023\u002F8\u002F29]** RestGPT 代码已发布。\n* **[2023\u002F8\u002F28]** 论文 [第二版](https:\u002F\u002Farxiv.org\u002Fabs\u002F2306.06624) 已发布。\n* **[2023\u002F6\u002F13]** 论文 [初版](https:\u002F\u002Farxiv.org\u002Fabs\u002F2306.06624) 已发布。\n\n## RestGPT\n\nRestGPT 采用一种迭代式由粗到精的在线规划框架，并使用执行器调用 RESTful API。以下是 RestGPT 的整体架构图。\n\n![model](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FYifan-Song793_RestGPT_readme_d4baa9d708a1.png)\n\n模块说明：\n\n* 规划器（Planner）：为当前步骤生成自然语言形式的子任务。\n* API 选择器（API selector）：将高层粗粒度子任务映射为更精细的 API 调用计划。\n* 执行器（Executor）：执行 API 调用计划。\n    * 调用器（Caller）：根据 API 计划和 API 文档组织 API 参数。\n    * 解析器（Parser）：根据响应模式（response schema）生成 Python 代码以解析 API 响应。\n\n以下是一个使用 TMDB 电影数据库查询 Sofia Coppola 导演作品数量的示例：\n\n![example](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FYifan-Song793_RestGPT_readme_d3856450d295.gif)\n\n## 数据\n\n我们同时引入了 RestBench 用于评估 RestGPT 的性能。RestBench 是一个高质量测试集，涵盖 TMDB 电影数据库和 Spotify 音乐播放器两个真实场景。我们收集了贴近真实用户的指令，并提供了人工标注的黄金解决方案路径。以下是 RestBench 的示例：\n\nTMDB 示例：\n\n* 指令：今天最热门的电影是谁导演的？\n* 黄金解决方案路径：\n    * GET \u002Ftrending\u002F\\{media_type\\}\u002F\\{time\\_window\\}\n    * GET \u002Fmovie\u002F\\{movie_id\\}\u002Fcredits\n\nSpotify 示例：\n\n* 指令：帮我创建一个名为“Love Mariah”的播放列表，包含三首 Mariah Carey 的歌曲。\n* 黄金解决方案路径：\n    * GET \u002Fsearch\n    * GET \u002Fme\n    * POST \u002Fusers\u002F\\{user_id\\}\u002Fplaylists\n    * POST \u002Fplaylists\u002F\\{playlist_id\\}\u002Ftracks\n\n以下是数据集统计信息。我们按解决方案路径长度报告指令数量：\n\n| 场景     | #APIs | 长度1 | 长度2 | 长度3 | 长度4 | 平均长度 | 总计 |\n| -------- | ----- | ----- | ----- | ----- | ----- | --------- | ----- |\n| TMDB     | 54    | 5     | 66    | 27    | 2     | 2.3       | 100   |\n| Spotify  | 40    | 8     | 18    | 22    | 9     | 2.6       | 57    |\n\n## 环境配置\n\n```bash\npip install langchain colorama tiktoken spotipy openai\n```\n\n创建 `logs` 文件夹。\n\n从 OpenAI 获取 API Key，从 https:\u002F\u002Fdeveloper.themoviedb.org\u002Fdocs\u002Fgetting-started 获取 TMDB Key，从 https:\u002F\u002Fdeveloper.spotify.com\u002Fdocumentation\u002Fweb-api 获取 Spotify Key。\n\n将你的密钥填写至 `config.yaml` 文件中。\n\n## （可选）初始化 Spotify 环境\n\n**警告：此操作将清除你 Spotify 账户中的所有数据！**\n\n```python\npython init_spotify.py\n```\n\n## 运行\n\n可通过以下命令运行代码：\n\n```bash\npython run.py\n```\n\n随后输入场景（TMDB\u002FSpotify）和具体指令。\n\n我们也提供了两个脚本，用于在 RestBench 上运行 RestGPT：\n\n```bash\n# TMDB\npython run_tmdb.py\n\n# Spotify，请先在设备上打开 Spotify 应用\npython run_spotify.py\n```\n\n`run_tmdb.py` 将依次执行 RestBench-TMDB 中的所有指令。对于 RestBench-Spotify，你需要在执行前手动修改 `query_idx`。\n\n## 引用\n\n如您觉得本项目对您的研究有帮助，请引用我们的论文：\n\n```bibtex\n@misc{song2023restgpt,\n      title={RestGPT: Connecting Large Language Models with Real-World RESTful APIs}, \n      author={Yifan Song and Weimin Xiong and Dawei Zhu and Wenhao Wu and Han Qian and Mingbo Song and Hailiang Huang and Cheng Li and Ke Wang and Rong Yao and Ye Tian and Sujian Li},\n      year={2023},\n      eprint={2306.06624},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL}\n}\n```","# RestGPT 快速上手指南\n\n## 环境准备\n\n- **系统要求**：支持 Python 3.8+ 的操作系统（推荐 Linux 或 macOS，Windows 需自行处理路径兼容性）\n- **前置依赖**：\n  - 已安装 [Python](https:\u002F\u002Fwww.python.org\u002F) 和 `pip`\n  - 获取以下 API 密钥：\n    - OpenAI API Key（用于驱动大语言模型）\n    - TMDB API Key：访问 https:\u002F\u002Fdeveloper.themoviedb.org\u002Fdocs\u002Fgetting-started 注册获取\n    - Spotify API Key：访问 https:\u002F\u002Fdeveloper.spotify.com\u002Fdocumentation\u002Fweb-api 注册获取（如需使用 Spotify 场景）\n\n> 国内用户建议配置 pip 镜像源加速安装，例如清华源：\n```bash\npip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n1. 克隆项目仓库（如未克隆）：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FYifan-Song793\u002FRestGPT.git\ncd RestGPT\n```\n\n2. 安装所需 Python 包：\n```bash\npip install langchain colorama tiktoken spotipy openai\n```\n\n3. 创建日志目录：\n```bash\nmkdir logs\n```\n\n4. 将获取的 API 密钥填入 `config.yaml` 文件中对应字段。\n\n5. （可选）初始化 Spotify 环境（⚠️ 警告：将清空你的 Spotify 数据！）：\n```bash\npython init_spotify.py\n```\n\n## 基本使用\n\n### 交互式运行（推荐新手）\n\n启动交互模式，按提示输入场景和指令：\n\n```bash\npython run.py\n```\n\n示例交互流程：\n```\n请输入场景 (TMDB\u002FSpotify): TMDB\n请输入指令: 查询 Sofia Coppola 导演了多少部电影？\n```\n\n### 批量运行基准测试\n\n运行 TMDB 场景全部测试用例：\n\n```bash\npython run_tmdb.py\n```\n\n运行 Spotify 场景（需提前在设备打开 Spotify，并手动设置 `query_idx`）：\n\n```bash\npython run_spotify.py\n```\n\n> 提示：首次运行建议从交互模式开始，熟悉 API 调用流程后再尝试批量测试。","一位独立开发者正在为自己的电影推荐网站构建“今日热门导演”功能，需要从 TMDB 电影数据库动态获取数据并展示给用户。\n\n### 没有 RestGPT 时\n- 开发者需手动查阅 TMDB API 文档，理解 \u002Ftrending 和 \u002Fcredits 等接口的参数结构与调用顺序，耗时且易出错。\n- 需自行编写 Python 脚本拼接 URL、处理认证密钥、解析 JSON 响应，重复劳动多，调试成本高。\n- 若需求变更（如改为“本周热门导演”），需重新修改代码逻辑和参数，缺乏灵活性。\n- 错误处理和重试机制需从零搭建，API 返回异常时容易导致前端页面崩溃或空白。\n- 多步骤调用（先查趋势榜单再查导演信息）需手动串联，逻辑耦合度高，难以复用。\n\n### 使用 RestGPT 后\n- 只需输入自然语言指令“谁是今天最热门电影的导演？”，RestGPT 自动规划调用路径并执行 \u002Ftrending → \u002Fcredits 两步 API。\n- 内置 Caller 和 Parser 模块自动填充参数、解析响应，开发者无需手写请求构造和数据提取代码。\n- 修改时间窗口或媒体类型只需改一句指令，RestGPT 动态调整调用策略，开发效率提升数倍。\n- 自带错误恢复和响应校验机制，API 异常时自动重试或返回友好提示，保障前端稳定。\n- 多步骤 API 调用由 Planner 和 Executor 协同完成，逻辑清晰可追踪，便于后续扩展新功能。\n\nRestGPT 让开发者用自然语言指挥复杂 API 流程，把繁琐的集成工作转化为一句话指令，真正实现“说需求即得结果”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FYifan-Song793_RestGPT_22e9c0b7.png","Yifan-Song793","Yifan Song","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FYifan-Song793_9f3e6851.png","念念不忘 必有回响","Peking University",null,"https:\u002F\u002Fgithub.com\u002FYifan-Song793",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,1393,105,"2026-04-01T17:17:19","MIT","","未说明",{"notes":94,"python":92,"dependencies":95},"需自行申请 OpenAI、TMDB 和 Spotify 的 API 密钥并填写至 config.yaml；运行 init_spotify.py 将清空 Spotify 账户数据，慎用。",[96,97,98,99,100],"langchain","colorama","tiktoken","spotipy","openai",[26,15],"2026-03-27T02:49:30.150509","2026-04-06T05:37:28.691762",[105,110,115],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},660,"API选择器是如何工作的？","API选择器根据所有可用API端点的描述进行选择。由于大语言模型（LLM）上下文窗口有限，我们依赖OpenAPI规范（OAS）中提供的API描述（通常为单句）。详细提示内容请参考 [api_selector.py](https:\u002F\u002Fgithub.com\u002FYifan-Song793\u002FRestGPT\u002Fblob\u002Fmain\u002Fmodel\u002Fapi_selector.py)。","https:\u002F\u002Fgithub.com\u002FYifan-Song793\u002FRestGPT\u002Fissues\u002F1",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},661,"项目使用什么许可证？","项目已添加MIT许可证，允许自由使用、修改和分发代码，只需保留原始版权声明和许可声明。","https:\u002F\u002Fgithub.com\u002FYifan-Song793\u002FRestGPT\u002Fissues\u002F6",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},662,"如何使用Vicuna复现论文结果？","由于RestGPT基于LangChain构建，可轻松更换基础LLM。例如在`run_tmdb.py`中，将第17行替换为：\n```python\nmodel = \"lmsys\u002Fvicuna-13b-v1.5\"\ntokenizer = AutoTokenizer.from_pretrained(model)\npipe = transformers.pipeline(\n    \"text-generation\",\n    model=model,\n    tokenizer=tokenizer, \n    max_new_tokens=256,\n    device_map=\"auto\",\n    pad_token_id=tokenizer.eos_token_id,\n)\nllm = HuggingFacePipeline(pipeline=pipe)\n```\n但需注意：Vicuna和LLaMA对提示敏感，原GPT提示可能非最优，建议进一步调整提示工程。","https:\u002F\u002Fgithub.com\u002FYifan-Song793\u002FRestGPT\u002Fissues\u002F5",[]]