[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ZongqianLi--ReasonGraph":3,"tool-ZongqianLi--ReasonGraph":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",153609,2,"2026-04-13T11:34:59",[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":77,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":77,"difficulty_score":32,"env_os":91,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":103,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":107},7153,"ZongqianLi\u002FReasonGraph","ReasonGraph","[ACL 2025 Demo] Repository for the demo and paper: ReasonGraph: Visualisation of Reasoning Paths","ReasonGraph 是一款开源的可视化平台，专为解析大语言模型（LLM）的复杂推理过程而设计。面对当前推理模型输出篇幅长、逻辑链条隐蔽导致人类难以追踪和评估的痛点，ReasonGraph 能将原本枯燥的文本推理路径自动转化为直观的流程图。无论是线性的思维链，还是复杂的树状搜索策略，用户都能通过图形界面清晰看到模型是如何一步步得出结论的。\n\n该工具特别适合 AI 研究人员、开发者以及对模型可解释性有需求的技术人员使用。它不仅能展示标准的顺序推理，还独特地支持对“长程推理”输出的可视化，并内置了让模型自主选择最优推理策略的“元推理”能力。在兼容性方面，ReasonGraph 表现卓越，已集成包括 OpenAI、Anthropic、DeepSeek、Qwen 等主流厂商的 50 多种前沿模型，并采用模块化架构，方便用户轻松接入新的算法或扩展多语言支持。凭借友好的交互设计和强大的分析功能，ReasonGraph 帮助用户轻松洞察黑盒模型内部的思考逻辑，是调试和优化 AI 推理能力的得力助手。","# [ACL 2025 Demo] ReasonGraph: Visualisation of Reasoning Methods and Extended Inference Paths\n\n\u003Cp align=\"center\">\n  \u003Cb>Language\u003C\u002Fb>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"README.md\">English\u003C\u002Fa> •\n  \u003Ca href=\"README_CN.md\">中文\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cb>Content\u003C\u002Fb>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"#news\">🚀 News\u003C\u002Fa> •\n  \u003Ca href=\"#todo\">✏️ Todo\u003C\u002Fa> •\n  \u003Ca href=\"#introduction\">✨ Introduction\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"#examples\">👀 Examples\u003C\u002Fa> •\n  \u003Ca href=\"#quick use\">🎨 Quick Use\u003C\u002Fa> •\n  \u003Ca href=\"#environment\">🖥️ Environment\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"#citation\">📌 Citation\u003C\u002Fa> •\n  \u003Ca href=\"#license\">🔖 License\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cb>Links\u003C\u002Fb>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FZongqianLi\u002FReasonGraph\">Online Demo\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2503.03979\">Paper\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FtA9DV7Fjzz\">Discord\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fforms.office.com\u002Fr\u002FebBSAKqHwj\">Questionnaire\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cdiv id=\"news\"> \u003C\u002Fdiv>\n\n\n\n## 🚀 News\n\n- **[2025.05.23]** Accepted by ACL 2025 Demo!\n- **[2025.03.24]** ⭐ Support visualisation of **long outputs** from **reasoning models**!!!\n- **[2025.03.18]** Support more LLM providers and models. Support two languages, English and Chinese.\n- **[2025.03.18]** Rate and provide comments in the [questionnaire](https:\u002F\u002Fforms.office.com\u002Fr\u002FebBSAKqHwj) (takes about 30 seconds).\n- **[2025.03.17]** Try the [online demo](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FZongqianLi\u002FReasonGraph) through Huggingface Page!\n- **[2025.03.14]** Join our [Discord](https:\u002F\u002Fdiscord.gg\u002FtA9DV7Fjzz) group!\n- **[2025.03.07]** The [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2503.03979) is available in Arxiv.\n- **[2025.02.22]** Create the Github page.\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"todo\"> \u003C\u002Fdiv>\n\n\n\n## ✏️ Todo & Help Wanted\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"introduction\"> \u003C\u002Fdiv>\n\n\n\n## ✨ Introduction\n\n**ReasonGraph** is an open-source web platform for visualizing and analyzing reasoning processes of Large Language Models (LLMs).\n\n**Functions:**\n\n- **Visualisation of Reasoning Paths:** Transforms text-format reasoning outputs into flow charts.\n- **Long Reasoning:** Supports visualisation of extended outputs from reasoning models.\n- **Meta Reasoning:** Provides built-in capabilities for models to self-select optimal reasoning methods.\n\n**Characteristics:**\n\n- **Model Support:** Integrates with over 50 state-of-the-art models from major LLM providers including Anthropic, OpenAI, Google, Grok, Deepseek, Qwen, and Together.AI.\n- **Reasoning Methods:** Implements mainstream reasoning approaches including sequential methods and tree-based methods.\n- **Modular Framework:** Standardized APIs for easy integration of new reasoning methods and models.\n- **Beginner-Friendly:** Intuitive UI design with visualization updates and simple configuration.\n- **Multilingual:** Support multi-languages and easy to be extended for more languages.\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"examples\"> \u003C\u002Fdiv>\n\n\n\n## 👀 Examples\n\n\u003Cdetails open>\n\u003Csummary>\u003Cstrong>UI Screenshot:\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n\u003Cp align=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZongqianLi_ReasonGraph_readme_fd3b453c966d.png\" width=\"100%\">\n\u003C\u002Fp>\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>\u003Cstrong>Visualisation of outputs from reasoning models:\u003C\u002Fstrong>\u003C\u002Fsummary>\n\nInput: Give me two suggestions for transitioning from a journalist to a book editor? Use sequential and tree-based thinking and refinement loops.  \nModel: deepseek-reasoner from DeepSeek\n\n\u003Cp align=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZongqianLi_ReasonGraph_readme_113821de0b4a.png\" width=\"100%\">\n\u003C\u002Fp>\n\n\u003C\u002Fdetails>\n\n\u003Cdiv> \u003C\u002Fdiv>\n\n\u003Cdetails open>\n\u003Csummary>\u003Cstrong>Visualisation of sequential reasoning methods:\u003C\u002Fstrong>\u003C\u002Fsummary>\n\nChain of Thoughts (top-left), Self-refine (top-middle), Least-to-most (top-right), Self-consistency (bottom-left):\n\n\u003Cp align=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZongqianLi_ReasonGraph_readme_82220b03b88c.png\" width=\"80%\">\n\u003C\u002Fp>\n\n\u003C\u002Fdetails>\n\n\u003Cdiv> \u003C\u002Fdiv>\n\n\u003Cdetails open>\n\u003Csummary>\u003Cstrong>Visualisation of tree-based reasoning methods:\u003C\u002Fstrong>\u003C\u002Fsummary>\n\nPlain text (top), Beam Search (middle), Tree of Thoughts (bottom):\n\n\u003Cp align=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZongqianLi_ReasonGraph_readme_a28d7f00bc3d.png\" width=\"80%\">\n\u003C\u002Fp>\n\n\u003C\u002Fdetails>\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"quick use\"> \u003C\u002Fdiv>\n\n\n\n## 🎨 Quick Use\n\n\u003Cdetails open>\n\u003Csummary>\u003Cstrong>Try the online demo:\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n#### 1. Go to the website: https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FZongqianLi\u002FReasonGraph\n\n\u003C\u002Fdetails>\n\n\u003Cdiv> \u003C\u002Fdiv>\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>Visualize long outputs from reasoning models:\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n#### 1. Select a reasoning model and enter its API key.\n\n- API Provider: Deepseek; Model: deepseek-reasoner\n- API Provider: Qwen; Model: qwq-plus\n\n#### 2. Enter the API key for Claude.\n\n#### 3. Click \"Long Reasoning\".\n\n\u003C\u002Fdetails>\n\n\u003Cdiv> \u003C\u002Fdiv>\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>Install the package:\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n#### 1. Set up the environment according to Section 🖥️ Environment below.\n\n#### 2. Go to root directory:\n\n\u003Cabsolute_path>\u002FReasonGraph\u002F\n\n#### 3. Input the API key:\n\nIf you don't enter the API keys, the interface can still run normally, but you won't be able to use the corresponding models for inference.\n\n\u003Cabsolute_path>\u002FReasonGraph\u002Fapi_keys.json\n\n```\n{\n    \"anthropic\": \"\u003Cto be filled>\",\n    \"openai\": \"\u003Cto be filled>\",\n    \"google\": \"\u003Cto be filled>\",\n    \"together\": \"\u003Cto be filled>\"\n}\n```\n\n#### 4. Run the program with a single line of code in the terminal:\n\n```\npython app.py\n```\n\n#### 5. Open your browser and go to the local URL shown in the output.\n```\n * Running on all addresses (X.X.X.X)\n * Running on http:\u002F\u002FXXX.X.X.X:XXXX\n * Running on http:\u002F\u002FXX.XXX.XXX.XXX:XXXX\n```\n\n\u003C\u002Fdetails>\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"environment\"> \u003C\u002Fdiv>\n\n\n\n## 🖥️ Environment\n\n```\npython==3.11.8\nrequests==2.31.0\nopenai==1.63.2\ntogether==1.4.1\nflask==3.1.0\ngoogle==3.0.0\ngoogle-genai==1.2.0\ngoogle-generativeai==0.8.4\n```\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"citation\"> \u003C\u002Fdiv>\n\n\n\n## 📌 Citation\n\n```\n@inproceedings{li-etal-2025-reasongraph,\n    title = \"{R}eason{G}raph: Visualization of Reasoning Methods and Extended Inference Paths\",\n    author = \"Li, Zongqian  and\n      Shareghi, Ehsan  and\n      Collier, Nigel\",\n    editor = \"Mishra, Pushkar  and\n      Muresan, Smaranda  and\n      Yu, Tao\",\n    booktitle = \"Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 3: System Demonstrations)\",\n    month = jul,\n    year = \"2025\",\n    address = \"Vienna, Austria\",\n    publisher = \"Association for Computational Linguistics\",\n    url = \"https:\u002F\u002Faclanthology.org\u002F2025.acl-demo.14\u002F\",\n    doi = \"10.18653\u002Fv1\u002F2025.acl-demo.14\",\n    pages = \"140--147\",\n    ISBN = \"979-8-89176-253-4\",\n}\n```\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"license\"> \u003C\u002Fdiv>\n\n\n\n## 🔖 License\n\n```\n\n```\n\n\n\n\n\n\n\n\n\n\n\n","# [ACL 2025 演示] ReasonGraph：推理方法与扩展推理路径的可视化\n\n\u003Cp align=\"center\">\n  \u003Cb>语言\u003C\u002Fb>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"README.md\">英语\u003C\u002Fa> •\n  \u003Ca href=\"README_CN.md\">中文\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cb>内容\u003C\u002Fb>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"#news\">🚀 新闻\u003C\u002Fa> •\n  \u003Ca href=\"#todo\">✏️ 待办事项\u003C\u002Fa> •\n  \u003Ca href=\"#introduction\">✨ 简介\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"#examples\">👀 示例\u003C\u002Fa> •\n  \u003Ca href=\"#quick use\">🎨 快速使用\u003C\u002Fa> •\n  \u003Ca href=\"#environment\">🖥️ 环境\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"#citation\">📌 引用\u003C\u002Fa> •\n  \u003Ca href=\"#license\">🔖 许可证\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cb>链接\u003C\u002Fb>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FZongqianLi\u002FReasonGraph\">在线演示\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2503.03979\">论文\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FtA9DV7Fjzz\">Discord\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fforms.office.com\u002Fr\u002FebBSAKqHwj\">问卷调查\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cdiv id=\"news\"> \u003C\u002Fdiv>\n\n\n\n## 🚀 新闻\n\n- **[2025.05.23]** 被 ACL 2025 演示会议接受！\n- **[2025.03.24]** ⭐ 支持对**推理模型**的**长输出**进行可视化！！！\n- **[2025.03.18]** 支持更多 LLM 提供商和模型。支持两种语言，英语和中文。\n- **[2025.03.18]** 请在[问卷调查](https:\u002F\u002Fforms.office.com\u002Fr\u002FebBSAKqHwj)中评分并留下评论（大约需要30秒）。\n- **[2025.03.17]** 通过 Huggingface 页面尝试[在线演示](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FZongqianLi\u002FReasonGraph)！\n- **[2025.03.14]** 加入我们的[Discord](https:\u002F\u002Fdiscord.gg\u002FtA9DV7Fjzz)群组！\n- **[2025.03.07]** [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2503.03979)已在 Arxiv 上发布。\n- **[2025.02.22]** 创建了 Github 页面。\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"todo\"> \u003C\u002Fdiv>\n\n\n\n## ✏️ 待办事项与招募帮助\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"introduction\"> \u003C\u002Fdiv>\n\n\n\n## ✨ 简介\n\n**ReasonGraph** 是一个开源的网页平台，用于可视化和分析大型语言模型（LLMs）的推理过程。\n\n**功能：**\n\n- **推理路径可视化：** 将文本格式的推理输出转换为流程图。\n- **长推理：** 支持对推理模型的扩展输出进行可视化。\n- **元推理：** 提供内置能力，使模型能够自我选择最佳的推理方法。\n\n**特点：**\n\n- **模型支持：** 集成来自 Anthropic、OpenAI、Google、Grok、Deepseek、Qwen 和 Together.AI 等主要 LLM 提供商的 50 多种最先进模型。\n- **推理方法：** 实现主流的推理方法，包括顺序方法和基于树的方法。\n- **模块化框架：** 标准化的 API，便于集成新的推理方法和模型。\n- **新手友好：** 直观的 UI 设计，具有可视化更新和简单的配置。\n- **多语言支持：** 支持多种语言，并易于扩展到更多语言。\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"examples\"> \u003C\u002Fdiv>\n\n\n\n## 👀 示例\n\n\u003Cdetails open>\n\u003Csummary>\u003Cstrong>UI 截图：\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n\u003Cp align=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZongqianLi_ReasonGraph_readme_fd3b453c966d.png\" width=\"100%\">\n\u003C\u002Fp>\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>\u003Cstrong>推理模型输出的可视化：\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n输入：请给出两个从记者转型为图书编辑的建议？请使用顺序和基于树的思考方式以及细化循环。  \n模型：来自 DeepSeek 的 deepseek-reasoner\n\n\u003Cp align=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZongqianLi_ReasonGraph_readme_113821de0b4a.png\" width=\"100%\">\n\u003C\u002Fp>\n\n\u003C\u002Fdetails>\n\n\u003Cdiv> \u003C\u002Fdiv>\n\n\u003Cdetails open>\n\u003Csummary>\u003Cstrong>顺序推理方法的可视化：\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n思维链（左上）、自我精炼（中上）、由简入繁（右上）、自洽性（左下）：\n\n\u003Cp align=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZongqianLi_ReasonGraph_readme_82220b03b88c.png\" width=\"80%\">\n\u003C\u002Fp>\n\n\u003C\u002Fdetails>\n\n\u003Cdiv> \u003C\u002Fdiv>\n\n\u003Cdetails open>\n\u003Csummary>\u003Cstrong>基于树的推理方法的可视化：\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n纯文本（上）、束搜索（中）、思维之树（下）：\n\n\u003Cp align=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZongqianLi_ReasonGraph_readme_a28d7f00bc3d.png\" width=\"80%\">\n\u003C\u002Fp>\n\n\u003C\u002Fdetails>\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"quick use\"> \u003C\u002Fdiv>\n\n\n\n## 🎨 快速使用\n\n\u003Cdetails open>\n\u003Csummary>\u003Cstrong>尝试在线演示：\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n#### 1. 访问网站：https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FZongqianLi\u002FReasonGraph\n\n\u003C\u002Fdetails>\n\n\u003Cdiv> \u003C\u002Fdiv>\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>可视化推理模型的长输出：\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n#### 1. 选择一个推理模型并输入其 API 密钥。\n\n- API 提供商：Deepseek；模型：deepseek-reasoner\n- API 提供商：Qwen；模型：qwq-plus\n\n#### 2. 输入 Claude 的 API 密钥。\n\n#### 3. 点击“长推理”。\n\n\u003C\u002Fdetails>\n\n\u003Cdiv> \u003C\u002Fdiv>\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>安装软件包：\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n#### 1. 根据下方的 🖥️ 环境 部分设置环境。\n\n#### 2. 进入根目录：\n\n\u003Cabsolute_path>\u002FReasonGraph\u002F\n\n#### 3. 输入 API 密钥：\n\n如果不输入 API 密钥，界面仍然可以正常运行，但您将无法使用相应的模型进行推理。\n\n\u003Cabsolute_path>\u002FReasonGraph\u002Fapi_keys.json\n\n```\n{\n    \"anthropic\": \"\u003C待填写>\",\n    \"openai\": \"\u003C待填写>\",\n    \"google\": \"\u003C待填写>\",\n    \"together\": \"\u003C待填写>\"\n}\n```\n\n#### 4. 在终端中使用一行代码运行程序：\n\n```\npython app.py\n```\n\n#### 5. 打开浏览器，访问输出中显示的本地 URL。\n```\n * 在所有地址上运行 (X.X.X.X)\n * 在 http:\u002F\u002FXXX.X.X.X:XXXX 上运行\n * 在 http:\u002F\u002FXX.XXX.XXX.XXX:XXXX 上运行\n```\n\n\u003C\u002Fdetails>\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"environment\"> \u003C\u002Fdiv>\n\n\n\n## 🖥️ 环境\n\n```\npython==3.11.8\nrequests==2.31.0\nopenai==1.63.2\ntogether==1.4.1\nflask==3.1.0\ngoogle==3.0.0\ngoogle-genai==1.2.0\ngoogle-generativeai==0.8.4\n```\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"citation\"> \u003C\u002Fdiv.\n\n\n\n## 📌 引用\n\n```\n@inproceedings{li-etal-2025-reasongraph,\n    title = \"{R}eason{G}raph: Visualization of Reasoning Methods and Extended Inference Paths\",\n    author = \"Li, Zongqian  and\n      Shareghi, Ehsan  and\n      Collier, Nigel\",\n    editor = \"Mishra, Pushkar  and\n      Muresan, Smaranda  and\n      Yu, Tao\",\n    booktitle = \"Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 3: System Demonstrations)\",\n    month = jul,\n    year = \"2025\",\n    address = \"Vienna, Austria\",\n    publisher = \"Association for Computational Linguistics\",\n    url = \"https:\u002F\u002Faclanthology.org\u002F2025.acl-demo.14\u002F\",\n    doi = \"10.18653\u002Fv1\u002F2025.acl-demo.14\",\n    pages = \"140--147\",\n    ISBN = \"979-8-89176-253-4\",\n}\n```\n\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv> \u003C\u002Fdiv>\n\u003Cdiv id=\"license\"> \u003C\u002Fdiv.\n\n\n\n## 🔖 许可证\n\n```\n\n```","# ReasonGraph 快速上手指南\n\nReasonGraph 是一个开源 Web 平台，用于可视化和分析大语言模型（LLM）的推理过程。它支持将文本格式的推理输出转换为流程图，涵盖长程推理、元推理及多种主流推理方法（如思维链、树状搜索等）。\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**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：推荐 `3.11.8` (兼容 3.10+)\n*   **前置依赖**：需安装以下 Python 库\n\n```text\npython==3.11.8\nrequests==2.31.0\nopenai==1.63.2\ntogether==1.4.1\nflask==3.1.0\ngoogle==3.0.0\ngoogle-genai==1.2.0\ngoogle-generativeai==0.8.4\n```\n\n> **提示**：国内开发者建议使用国内镜像源加速安装，例如阿里云或清华大学源。\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    将仓库克隆到本地并进入根目录：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FZongqianLi\u002FReasonGraph.git\n    cd ReasonGraph\n    ```\n\n2.  **创建虚拟环境并安装依赖**\n    推荐使用 `venv` 或 `conda` 隔离环境。以下以 `pip` 为例（使用清华源加速）：\n    ```bash\n    python -m venv venv\n    # Linux\u002FmacOS:\n    source venv\u002Fbin\u002Factivate\n    # Windows:\n    # venv\\Scripts\\activate\n\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *(注：若项目中无 `requirements.txt`，请根据上方“环境准备”中的列表手动安装对应包)*\n\n3.  **配置 API Key**\n    在项目根目录下找到或创建 `api_keys.json` 文件，填入您使用的模型服务商密钥。若不填写，界面可正常启动但无法进行推理调用。\n\n    编辑 `api_keys.json`：\n    ```json\n    {\n        \"anthropic\": \"\u003C您的 Anthropic Key>\",\n        \"openai\": \"\u003C您的 OpenAI Key>\",\n        \"google\": \"\u003C您的 Google Key>\",\n        \"together\": \"\u003C您的 Together Key>\"\n    }\n    ```\n    > **支持的服务商**：包括 Deepseek, Qwen, Grok 等（具体需在界面选择，部分可能复用上述通用接口或需在代码中扩展）。\n\n## 基本使用\n\n### 方式一：本地部署运行\n\n1.  **启动服务**\n    在终端执行以下命令启动应用：\n    ```bash\n    python app.py\n    ```\n\n2.  **访问界面**\n    终端输出中将显示本地访问地址，例如：\n    ```text\n     * Running on all addresses (0.0.0.0)\n     * Running on http:\u002F\u002F127.0.0.1:5000\n    ```\n    在浏览器中打开该链接即可使用。\n\n3.  **功能演示**\n    *   **长程推理可视化**：选择模型（如 `deepseek-reasoner`），输入 Prompt，点击 \"Long Reasoning\" 即可生成推理路径图。\n    *   **多方法对比**：可选择 Chain of Thoughts, Tree of Thoughts, Beam Search 等不同推理策略进行对比可视化。\n\n### 方式二：在线体验（无需安装）\n\n如果您希望快速体验而不想配置环境，可以直接访问 Hugging Face 上的在线 Demo：\n\n*   **地址**：[https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FZongqianLi\u002FReasonGraph](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FZongqianLi\u002FReasonGraph)\n\n在该页面中，您只需输入 API Key 即可立即开始可视化的推理实验。","某金融风控团队正在利用大语言模型分析复杂的欺诈交易链路，需要深入理解模型如何从海量数据中推导出最终的风险评级结论。\n\n### 没有 ReasonGraph 时\n- **推理过程如“黑盒”**：面对模型输出的数千字长篇思维链（Chain of Thought），分析师只能阅读纯文本，难以快速定位关键判断节点和逻辑跳转处。\n- **错误根源难追溯**：当模型给出错误的风险预警时，团队无法直观看到是哪一步推导出现了偏差，或是哪个分支的假设被错误地采纳了。\n- **多策略对比效率低**：在尝试“自洽性采样”或“树状搜索”等不同推理策略时，缺乏统一的可视化界面来横向对比各路径的优劣，调优全靠猜测。\n- **协作沟通成本高**：向非技术背景的业务方解释模型为何判定某笔交易可疑时，直接展示冗长的日志文件往往让人一头雾水，沟通极其费力。\n\n### 使用 ReasonGraph 后\n- **逻辑路径可视化**：ReasonGraph 将冗长的文本推理自动转化为清晰的流程图，关键决策点、分支剪枝和反思循环一目了然，让“黑盒”变透明。\n- **精准定位故障点**：通过图形化回溯，团队能瞬间发现模型在某个特定分支上因数据噪声导致了逻辑分叉，从而针对性地优化提示词或数据源。\n- **策略效果直观呈现**：利用其内置的序列与树状推理可视化功能，开发人员可以直接对比不同推理方法生成的路径结构，快速选出最优解法。\n- **汇报演示更直观**：在向业务部门汇报时，直接展示 ReasonGraph 生成的动态推理图谱，用直观的连线代替枯燥的文字，极大提升了信任度和沟通效率。\n\nReasonGraph 通过将抽象的模型思维转化为可视化的逻辑地图，彻底解决了长链条推理不可解释、难调试的痛点，让复杂决策过程变得透明可控。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FZongqianLi_ReasonGraph_fd3b453c.png","ZongqianLi","Zongqian Li","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FZongqianLi_00bccec1.png","PhD student at Cambridge","University of Cambridge",null,"https:\u002F\u002Fgithub.com\u002FZongqianLi",[80,84],{"name":81,"color":82,"percentage":83},"HTML","#e34c26",59.7,{"name":85,"color":86,"percentage":87},"Python","#3572A5",40.3,510,48,"2026-04-08T04:44:02","未说明",{"notes":93,"python":94,"dependencies":95},"该工具主要通过 API 调用外部大模型（如 OpenAI, Anthropic, DeepSeek 等）进行推理，本地无需部署大型模型文件，因此对 GPU 和本地内存无特殊高要求。运行前需在根目录配置 api_keys.json 文件填入各厂商的 API 密钥，否则无法使用对应模型的推理功能。","3.11.8",[96,97,98,99,100,101,102],"requests==2.31.0","openai==1.63.2","together==1.4.1","flask==3.1.0","google==3.0.0","google-genai==1.2.0","google-generativeai==0.8.4",[35,14],"2026-03-27T02:49:30.150509","2026-04-13T23:52:54.589431",[],[]]