[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-aburkov--theMLbook":3,"tool-aburkov--theMLbook":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",160015,2,"2026-04-18T11:30:52",[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。",109154,"2026-04-18T11:18:24",[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":78,"owner_twitter":76,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":102,"updated_at":103,"faqs":104,"releases":105},9209,"aburkov\u002FtheMLbook","theMLbook","The Python code to reproduce the illustrations from The Hundred-Page Machine Learning Book.","theMLbook 是畅销书《百页机器学习》的官方配套代码库，旨在帮助读者复现书中所有的技术插图与数学推导过程。对于许多学习者而言，机器学习教材中复杂的公式和静态图表往往难以直观理解，而 theMLbook 通过提供完整的 Python 实现代码，将抽象的理论转化为可运行、可视化的动态结果，有效解决了“理论到实践”的落地难题。\n\n这套资源特别适合正在研读该书的开发者、数据科学初学者以及高校研究人员使用。无论你是希望深入理解算法背后的逻辑，还是需要在教学或演示中展示清晰的模型效果，theMLbook 都能提供极大的便利。其独特的技术亮点在于代码的高度精简与针对性：它不追求构建庞大的工业级系统，而是专注于用最少的代码行数精准还原核心概念，让使用者能够轻松修改参数、观察变化，从而真正掌握机器学习的本质。借助 theMLbook，枯燥的数学符号变成了生动的交互实验，让学习过程变得更加高效且充满乐趣。","# The Hundred-Page Machine Learning Book\nThe Python code to reproduce the illustrations from [The Hundred-Page Machine Learning Book](http:\u002F\u002Fthemlbook.com\u002F).\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faburkov_theMLbook_readme_cd264f28ac48.png)\n\n**WARNING!** To avoid buying counterfeit on Amazon, click on **[See All Buying Options](https:\u002F\u002Fwww.amazon.com\u002Fgp\u002Foffer-listing\u002F199957950X\u002F)** and choose \"Amazon.com\" and not a third-party seller.\n","# 百页机器学习书\n用于复现[百页机器学习书](http:\u002F\u002Fthemlbook.com\u002F)中插图的 Python 代码。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faburkov_theMLbook_readme_cd264f28ac48.png)\n\n**警告！** 为避免在亚马逊上购买到假冒伪劣产品，请点击 **[查看所有购买选项](https:\u002F\u002Fwww.amazon.com\u002Fgp\u002Foffer-listing\u002F199957950X\u002F)**，并选择“Amazon.com”自营店，而非第三方卖家。","# theMLbook 快速上手指南\n\n本指南旨在帮助开发者快速复现《百页机器学习书》（The Hundred-Page Machine Learning Book）中的插图与代码示例。\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、macOS 或 Windows（推荐使用 WSL2）。\n*   **Python 版本**：Python 3.6 或更高版本（推荐 Python 3.8+）。\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   `git` (版本控制工具)\n    *   核心库：`numpy`, `pandas`, `matplotlib`, `scikit-learn` 等（安装步骤中将自动处理）。\n\n> **提示**：国内用户建议在安装依赖时配置清华或阿里云镜像源，以提升下载速度。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    打开终端，执行以下命令将代码库下载到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fandriyburkov\u002FtheMLbook.git\n    cd theMLbook\n    ```\n\n2.  **创建虚拟环境（推荐）**\n    为避免依赖冲突，建议创建独立的虚拟环境：\n    ```bash\n    python -m venv venv\n    source venv\u002Fbin\u002Factivate  # Linux\u002FmacOS\n    # venv\\Scripts\\activate   # Windows\n    ```\n\n3.  **安装依赖库**\n    使用国内镜像源安装项目所需的 Python 包：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *注：如果项目中没有 `requirements.txt` 文件，请直接安装核心库：*\n    ```bash\n    pip install numpy pandas matplotlib scikit-learn seaborn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n## 基本使用\n\n该项目主要包含用于生成书中插图的 Python 脚本。以下是运行示例的基本流程：\n\n1.  **浏览脚本目录**\n    进入 `code` 目录查看可用的示例脚本：\n    ```bash\n    ls code\n    ```\n\n2.  **运行示例脚本**\n    选择一个脚本进行运行，例如运行关于线性回归的示例（具体文件名请以实际仓库为准，以下为通用示例）：\n    ```bash\n    python code\u002Flin_reg.py\n    ```\n\n3.  **查看结果**\n    脚本执行后，通常会直接在屏幕上弹出图表窗口，或在当前目录下生成图片文件（如 `.png` 或 `.pdf`），用于复现书中的视觉效果。\n\n    若需在无图形界面的服务器环境下运行并保存图片，可修改脚本末尾的保存逻辑，或使用以下模式：\n    ```python\n    # 在脚本中添加或取消注释以下行以保存图像\n    plt.savefig('output_figure.png')\n    ```","一位数据科学讲师正在准备机器学习课程的教学课件，急需复现经典教材《百页机器学习书》中的算法原理图示以辅助讲解。\n\n### 没有 theMLbook 时\n- 讲师必须手动编写大量绘图代码来重现书中的决策边界或聚类效果，耗时数天且容易因参数微调不当导致图形失真。\n- 在尝试复现复杂模型（如支持向量机核函数变换）的可视化时，常因缺乏标准的参考实现而陷入调试困境，难以确认是代码错误还是理解偏差。\n- 制作的图表风格不统一，有的使用 Matplotlib 默认样式，有的手绘截图，导致课件专业度参差不齐，影响学生对核心概念的直观理解。\n- 每次教材版本更新或需要调整示例数据时，都得重新推导公式并修改底层绘图逻辑，维护成本极高。\n\n### 使用 theMLbook 后\n- 直接调用 theMLbook 中现成的 Python 脚本，几分钟内即可生成与原著完全一致的高清算法原理图，将备课时间从数天缩短至几小时。\n- 借助其经过验证的标准实现，讲师能迅速定位并理解复杂模型的可视化逻辑，确保教学内容的准确性和权威性，不再受困于底层代码调试。\n- 所有生成的图表自动保持统一的学术风格和配色方案，显著提升了课件的专业质感，帮助学生更清晰地建立对抽象算法的几何直觉。\n- 当需要更换数据集或调整超参数演示不同效果时，只需修改脚本中的少量配置变量，即可快速批量产出新的对比图示，灵活应对教学需求。\n\ntheMLbook 通过将经典理论转化为可执行的标准化代码，彻底消除了机器学习教学中“理论到可视化”的最后一步障碍。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faburkov_theMLbook_cd264f28.png","aburkov","Andriy Burkov","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Faburkov_9ae78c09.jpg","The author of The Hundred-Page Machine Learning Book.",null,"Quebec City, Canada","a.burkov@gmail.com","http:\u002F\u002Fthemlbook.com","https:\u002F\u002Fgithub.com\u002Faburkov",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,2021,587,"2026-04-16T14:35:39","MIT",1,"","未说明",{"notes":94,"python":92,"dependencies":95},"README 内容仅提供了书籍购买警告和项目简介，未包含具体的运行环境需求、依赖库列表或安装说明。需参考项目实际代码仓库或其他文档获取详细信息。",[],[14],[98,99,100,101],"python","machine-learning","machine-learning-algorithms","book","2026-03-27T02:49:30.150509","2026-04-19T03:05:56.943529",[],[]]