[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-abacaj--mpt-30B-inference":3,"tool-abacaj--mpt-30B-inference":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"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",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"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",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"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。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70612,"2026-04-05T11:12:22",[15,14,13,36],{"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":75,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":45,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":100,"github_topics":101,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":103,"updated_at":104,"faqs":105,"releases":135},1946,"abacaj\u002Fmpt-30B-inference","mpt-30B-inference","Run inference on MPT-30B using CPU","mpt-30B-inference 是一个能在普通电脑CPU上运行大型语言模型MPT-30B的开源项目。它通过将模型量化为ggml格式，并结合Python库ctransformers，让原本需要高端GPU的300亿参数模型，仅用32GB内存的CPU就能流畅推理，大幅降低了使用门槛。这一方案解决了大模型部署对显卡资源的依赖问题，特别适合没有专业显卡的开发者、研究人员或AI爱好者在本地测试和探索大模型能力。项目支持对话历史交互，界面简洁直观，用户可轻松调整提示词和生成参数。推荐使用Python 3.10和Docker环境快速部署，模型权重约19GB，下载后即可运行。无论是想在个人电脑上体验大模型对话，还是进行轻量级实验，mpt-30B-inference 都提供了一种经济、高效的解决方案。","# MPT 30B inference code using CPU\n\nRun inference on the latest MPT-30B model using your CPU. This inference code uses a [ggml](https:\u002F\u002Fgithub.com\u002Fggerganov\u002Fggml) quantized model. To run the model we'll use a library called [ctransformers](https:\u002F\u002Fgithub.com\u002Fmarella\u002Fctransformers) that has bindings to ggml in python.\n\nTurn style with history on latest commit:\n\n![Inference Chat](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fabacaj_mpt-30B-inference_readme_184f43d9dd7e.png)\n\nVideo of initial demo:\n\n[Inference Demo](https:\u002F\u002Fgithub.com\u002Fabacaj\u002Fmpt-30B-inference\u002Fassets\u002F7272343\u002F486fc9b1-8216-43cc-93c3-781677235502)\n\n## Requirements\n\nI recommend you use docker for this model, it will make everything easier for you. Minimum specs system with 32GB of ram. Recommend to use `python 3.10`.\n\n## Tested working on\n\nWill post some numbers for these two later.\n\n- AMD Epyc 7003 series CPU\n- AMD Ryzen 5950x CPU\n\n## Setup\n\nFirst create a venv.\n\n```sh\npython -m venv env && source env\u002Fbin\u002Factivate\n```\n\nNext install dependencies.\n\n```sh\npip install -r requirements.txt\n```\n\nNext download the quantized model weights (about 19GB).\n\n```sh\npython download_model.py\n```\n\nReady to rock, run inference.\n\n```sh\npython inference.py\n```\n\nNext modify inference script prompt and generation parameters.\n","# 使用CPU运行MPT 30B推理代码\n\n使用您的CPU对最新版的MPT-30B模型进行推理。此推理代码采用了一个经过量化处理的[ggml](https:\u002F\u002Fgithub.com\u002Fggerganov\u002Fggml)模型。为了运行该模型，我们将使用一个名为[ctransformers](https:\u002F\u002Fgithub.com\u002Fmarella\u002Fctransformers)的库，它提供了与ggml的Python绑定。\n\n在最新提交中开启带历史记录的风格模式：\n\n![推理聊天](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fabacaj_mpt-30B-inference_readme_184f43d9dd7e.png)\n\n初始演示视频：\n\n[推理演示](https:\u002F\u002Fgithub.com\u002Fabacaj\u002Fmpt-30B-inference\u002Fassets\u002F7272343\u002F486fc9b1-8216-43cc-93c3-781677235502)\n\n## 要求\n\n我建议您为这个模型使用Docker，这会让一切变得更加简单。最低配置要求：系统需配备32GB内存。推荐使用Python 3.10。\n\n## 已测试可正常运行的环境\n\n稍后我会公布这两个环境的具体数据。\n\n- AMD Epyc 7003系列CPU\n- AMD Ryzen 5950x CPU\n\n## 设置步骤\n\n首先创建一个虚拟环境。\n\n```sh\npython -m venv env && source env\u002Fbin\u002Factivate\n```\n\n接下来安装依赖项。\n\n```sh\npip install -r requirements.txt\n```\n\n然后下载量化后的模型权重文件（约19GB）。\n\n```sh\npython download_model.py\n```\n\n准备就绪，开始推理吧！\n\n```sh\npython inference.py\n```\n\n接下来，请修改推理脚本中的提示词和生成参数。","# MPT-30B-Inference 中文快速上手指南\n\n## 环境准备\n\n- **系统要求**：至少 32GB 内存，推荐使用 Python 3.10  \n- **推荐平台**：Linux \u002F macOS（Windows 未测试）  \n- **建议使用 Docker**（简化依赖管理）  \n- **模型格式**：基于 `ggml` 量化模型，可在 CPU 上运行  \n\n## 安装步骤\n\n1. 创建虚拟环境并激活：\n\n```sh\npython -m venv env && source env\u002Fbin\u002Factivate\n```\n\n2. 安装依赖：\n\n```sh\npip install -r requirements.txt\n```\n\n3. 下载量化模型（约 19GB）：\n\n```sh\npython download_model.py\n```\n\n> 若下载缓慢，可手动从 [Hugging Face](https:\u002F\u002Fhuggingface.co) 下载模型文件至 `models\u002F` 目录，跳过此步骤。\n\n## 基本使用\n\n运行推理对话：\n\n```sh\npython inference.py\n```\n\n默认启动交互式聊天界面，支持上下文记忆。  \n可根据需要修改 `inference.py` 中的提示词（prompt）和生成参数（如 `max_new_tokens`、`temperature` 等）以调整输出行为。","某中型科技公司的AI工程师团队，正在为内部客服系统开发一款支持多轮对话的智能问答机器人，但公司服务器资源有限，无法部署GPU集群。\n\n### 没有 mpt-30B-inference 时\n- 必须依赖云服务商的GPU实例，每月GPU租用成本超过8000元，预算压力巨大。\n- 尝试用小模型（如7B参数）替代，但回答质量差、逻辑断裂，客户投诉率上升30%。\n- 本地测试时需频繁切换不同设备，无法稳定复现线上对话效果，调试效率低下。\n- 模型加载依赖复杂环境配置，部署到生产环境常因依赖冲突失败，平均每次上线耗时2天以上。\n- 团队无权申请云GPU资源，开发进度被卡在“模型选型”阶段停滞近一个月。\n\n### 使用 mpt-30B-inference 后\n- 直接在现有8核32GB内存的AMD Ryzen 5950X服务器上运行，零云成本，月度支出降为0。\n- 19GB量化模型在CPU上流畅运行，对话连贯性接近原版MPT-30B，客户满意度提升45%。\n- 通过Docker一键部署，环境标准化，开发、测试、生产三端完全一致，上线时间缩短至2小时。\n- 支持对话历史上下文，能准确理解“上一条说的”这类指代，客服机器人首次实现真正多轮交互。\n- 团队无需等待IT审批GPU资源，可自主下载模型、修改prompt、迭代优化，开发周期压缩70%。\n\nmpt-30B-inference 让中小企业在零GPU条件下，也能用上接近顶级大模型的对话能力，真正实现“低成本、高智能”的AI落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fabacaj_mpt-30B-inference_184f43d9.png","abacaj","Anton Bacaj","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fabacaj_58416500.jpg","Software engineer. Hacking on large language models",null,"https:\u002F\u002Fwww.youtube.com\u002F@AntonBacaj","https:\u002F\u002Fgithub.com\u002Fabacaj",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,576,90,"2025-11-19T11:35:59","MIT","Linux, macOS","不需要GPU","32GB",{"notes":95,"python":96,"dependencies":97},"建议使用Docker部署以简化环境配置，需下载约19GB的量化模型权重，推荐使用Python 3.10版本","3.10",[98,99],"ctransformers","ggml",[15],[98,99,102],"mpt-30b","2026-03-27T02:49:30.150509","2026-04-06T07:14:13.894395",[106,111,116,121,126,131],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},8890,"运行 inference.py 时出现 TypeError: expected str, bytes or os.PathLike object, not NoneType，如何解决？","该错误通常是因为模型路径未正确设置导致 model_path 为 None。请确保模型文件路径存在且正确，例如将代码中的路径改为绝对路径：llm = AutoModelForCausalLM.from_pretrained(os.path.abspath(\"models\u002Fmodels--TheBloke--mpt-30B-chat-GGML\u002Fsnapshots\u002F60df632f84e8b99fa7aeadf314467152be55adf4\u002Fmpt-30b-chat.ggmlv0.q4_1.bin\"), model_type=\"mpt\")。同时检查 cache_dir 是否指向了正确的本地模型目录。","https:\u002F\u002Fgithub.com\u002Fabacaj\u002Fmpt-30B-inference\u002Fissues\u002F2",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},8891,"是否支持 GPU 推理？","目前不支持 GPU 推理，因为底层依赖的 ggml 库尚未实现 GPU 加速。相关进展可关注官方 Issue：https:\u002F\u002Fgithub.com\u002Fggerganov\u002Fggml\u002Fissues\u002F230。当前仅支持 CPU 推理。","https:\u002F\u002Fgithub.com\u002Fabacaj\u002Fmpt-30B-inference\u002Fissues\u002F9",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},8892,"在 Mac M1 上推理速度很慢，如何优化？","由于模型较大且仅支持 CPU 推理，速度较慢是正常现象。可尝试调整线程数以优化性能，例如在代码中设置 threads 参数（如 threads=8），根据你的 M1 芯核数调整以获得最佳表现。","https:\u002F\u002Fgithub.com\u002Fabacaj\u002Fmpt-30B-inference\u002Fissues\u002F4",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},8893,"如何实现类似 ChatGPT 的连续对话？","已在最新提交中实现连续对话功能。只需在对话循环中保留历史对话上下文，每次将用户输入和模型回复拼接为新的输入提示，即可实现多轮对话。具体实现可参考项目最新代码中的对话循环逻辑。","https:\u002F\u002Fgithub.com\u002Fabacaj\u002Fmpt-30B-inference\u002Fissues\u002F1",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},8894,"如何为项目添加 REST API 接口以支持 HTTP 请求？","虽然当前项目未内置 REST API，但可以基于现有 inference.py 使用 Flask 或 FastAPI 封装一个简单接口。例如，创建一个 \u002Fgenerate 端点，接收 POST 请求中的 prompt 字段，调用 llm() 生成回复并返回 JSON 格式结果。具体实现可参考 Python Web 框架文档。","https:\u002F\u002Fgithub.com\u002Fabacaj\u002Fmpt-30B-inference\u002Fissues\u002F8",{"id":132,"question_zh":133,"answer_zh":134,"source_url":110},8895,"模型文件下载后路径不正确，如何确保路径正确加载？","请使用 os.path.abspath() 获取模型文件的绝对路径，避免相对路径解析失败。例如：model_path = os.path.abspath(\"models\u002Fmodels--TheBloke--mpt-30B-chat-GGML\u002Fsnapshots\u002F60df632f84e8b99fa7aeadf314467152be55adf4\u002Fmpt-30b-chat.ggmlv0.q4_1.bin\")，并确保该文件确实存在于指定位置。",[]]