[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-alibaba--euler":3,"tool-alibaba--euler":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",151314,2,"2026-04-11T23:32:58",[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":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":107,"forks":108,"last_commit_at":109,"license":110,"difficulty_score":111,"env_os":112,"env_gpu":112,"env_ram":112,"env_deps":113,"category_tags":116,"github_topics":117,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":130,"updated_at":131,"faqs":132,"releases":173},6740,"alibaba\u002Feuler","euler","A distributed graph deep learning framework.","Euler 是由阿里巴巴开源的一款分布式图深度学习框架，专为处理海量图数据而设计。在社交网络、推荐系统及知识图谱等场景中，传统方法往往难以应对十亿级节点和边的存储与计算挑战，Euler 通过分布式架构有效解决了大规模图数据训练效率低、内存占用高的问题。\n\n这款工具非常适合从事人工智能算法研究的科研人员、需要构建大规模图模型的开发者，以及希望将图神经网络应用于工业级场景的工程师。Euler 不仅支持在无属性图、异质图及知识图谱等多种图结构上进行高效建模，还提供了丰富的应用场景示例，涵盖图分类、节点表示学习等任务。\n\n其技术亮点在于引入了自研的 GQL 图查询语言，让数据采样更灵活；支持点和边的属性索引，显著提升了查询速度；同时提供标准的 Message Passing 接口，方便用户自定义复杂的图神经网络模型。无论是从数据准备、编译安装到模型训练，Euler 都提供了完善的教程与 C++\u002FOP 接口支持，帮助用户轻松上手并深入定制，是探索大规模图智能应用的得力助手。","# [概述](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E6%A6%82%E8%BF%B0)\n\n# Euler-2.0 新增功能\n\n#### [GQL图查询语言](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-GQL%E6%9F%A5%E8%AF%A2%E6%8E%A5%E5%8F%A3)\n#### [点和边的属性索引](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E7%82%B9%E5%92%8C%E8%BE%B9%E7%9A%84%E5%B1%9E%E6%80%A7%E7%B4%A2%E5%BC%95)\n#### [Message passing接口](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-Message-Passing%E6%8E%A5%E5%8F%A3)\n#### [Model Examples](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-Model-Examples)\n\n# 基础教程\n\n#### [编译安装](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E7%BC%96%E8%AF%91%E5%AE%89%E8%A3%85)\n#### [数据准备](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E6%95%B0%E6%8D%AE%E5%87%86%E5%A4%87)\n#### [快速开始](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%BF%AB%E9%80%9F%E5%BC%80%E5%A7%8B)\n\n# 进阶教程\n\n#### [总览](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E8%BF%9B%E9%98%B6%E6%95%99%E7%A8%8B%E6%80%BB%E8%A7%88)\n#### [在无属性图上的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%9C%A8%E6%97%A0%E5%B1%9E%E6%80%A7%E5%9B%BE%E4%B8%8A%E7%9A%84%E5%BA%94%E7%94%A8)\n#### [在有属性图上的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%9C%A8%E6%9C%89%E5%B1%9E%E6%80%A7%E5%9B%BE%E4%B8%8A%E7%9A%84%E5%BA%94%E7%94%A8)\n#### [在异质图上的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%9C%A8%E5%BC%82%E8%B4%A8%E5%9B%BE%E4%B8%8A%E7%9A%84%E5%BA%94%E7%94%A8)\n#### [在知识图谱上的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%9C%A8%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E4%B8%8A%E7%9A%84%E5%BA%94%E7%94%A8)\n#### [在图分类上的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%9C%A8%E5%9B%BE%E5%88%86%E7%B1%BB%E4%B8%8A%E7%9A%84%E5%BA%94%E7%94%A8)\n#### [在大规模图上的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%9C%A8%E5%A4%A7%E8%A7%84%E6%A8%A1%E5%9B%BE%E4%B8%8A%E7%9A%84%E5%BA%94%E7%94%A8)\n#### [点和边的属性索引的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E7%82%B9%E5%92%8C%E8%BE%B9%E7%9A%84%E5%B1%9E%E6%80%A7%E7%B4%A2%E5%BC%95%E7%9A%84%E5%BA%94%E7%94%A8)\n\n# 详细接口\n\n#### [Euler-2.0 OP](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-Euler-OP%E6%8E%A5%E5%8F%A3)\n#### [Euler-2.0 C++ API](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-cpp%E6%8E%A5%E5%8F%A3)\n\n# 联系我们\n如果有任何问题，请直接提交[issues](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fissues)，也欢迎通过Euler开源技术支持邮件组（[euler-opensource@list.alibaba-inc.com](mailto:euler-opensource@list.alibaba-inc.com)）联系我们。\n\n# License\n\nEuler使用[Apache-2.0](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fblob\u002Fmaster\u002FLICENSE)许可\n\n# 致谢\n\nEuler由阿里妈妈工程平台团队与搜索广告算法团队共同探讨与开发，也获得了阿里妈妈多个团队的大力支持。同时也特别感谢蚂蚁金服的机器学习团队，项目早期的一些技术交流给予我们的帮助。\n","# [概述](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E6%A6%82%E8%BF%B0)\n\n# Euler-2.0 新增功能\n\n#### [GQL图查询语言](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-GQL%E6%9F%A5%E8%AF%A2%E6%8E%A5%E5%8F%A3)\n#### [点和边的属性索引](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E7%82%B9%E5%92%8C%E8%BE%B9%E7%9A%84%E5%B1%9E%E6%80%A7%E7%B4%A2%E5%BC%95)\n#### [Message passing接口](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-Message-Passing%E6%8E%A5%E5%8F%A3)\n#### [Model Examples](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-Model-Examples)\n\n# 基础教程\n\n#### [编译安装](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E7%BC%96%E8%AF%91%E5%AE%89%E8%A3%85)\n#### [数据准备](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E6%95%B0%E6%8D%AE%E5%87%86%E5%A4%87)\n#### [快速开始](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%BF%AB%E9%80%9F%E5%BC%80%E5%A7%8B)\n\n# 进阶教程\n\n#### [总览](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E8%BF%9B%E9%98%B6%E6%95%99%E7%A8%8B%E6%80%BB%E8%A7%88)\n#### [在无属性图上的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%9C%A8%E6%97%A0%E5%B1%9E%E6%80%A7%E5%9B%BE%E4%B8%8A%E7%9A%84%E5%BA%94%E7%94%A8)\n#### [在有属性图上的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%9C%A8%E6%9C%89%E5%B1%9E%E6%80%A7%E5%9B%BE%E4%B8%8A%E7%9A%84%E5%BA%94%E7%94%A8)\n#### [在异质图上的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%9C%A8%E5%BC%82%E8%B4%A8%E5%9B%BE%E4%B8%8A%E7%9A%84%E5%BA%94%E7%94%A8)\n#### [在知识图谱上的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%9C%A8%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E4%B8%8A%E7%9A%84%E5%BA%94%E7%94%A8)\n#### [在图分类上的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%9C%A8%E5%9B%BE%E5%88%86%E7%B1%BB%E4%B8%8A%E7%9A%84%E5%BA%94%E7%94%A8)\n#### [在大规模图上的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E5%9C%A8%E5%A4%A7%E8%A7%84%E6%A8%A1%E5%9B%BE%E4%B8%8A%E7%9A%84%E5%BA%94%E7%94%A8)\n#### [点和边的属性索引的应用](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-%E7%82%B9%E5%92%8C%E8%BE%B9%E7%9A%84%E5%B1%9E%E6%80%A7%E7%B4%A2%E5%BC%95%E7%9A%84%E5%BA%94%E7%94%A8)\n\n# 详细接口\n\n#### [Euler-2.0 OP](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-Euler-OP%E6%8E%A5%E5%8F%A3)\n#### [Euler-2.0 C++ API](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fwiki\u002FEuler-2.0-cpp%E6%8E%A5%E5%8F%A3)\n\n# 联系我们\n如果有任何问题，请直接提交[issues](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fissues)，也欢迎通过Euler开源技术支持邮件组（[euler-opensource@list.alibaba-inc.com](mailto:euler-opensource@list.alibaba-inc.com)）联系我们。\n\n# License\n\nEuler使用[Apache-2.0](https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fblob\u002Fmaster\u002FLICENSE)许可\n\n# 致谢\n\nEuler由阿里妈妈工程平台团队与搜索广告算法团队共同探讨与开发，也获得了阿里妈妈多个团队的大力支持。同时也特别感谢蚂蚁金服的机器学习团队，项目早期的一些技术交流给予我们的帮助。","# Euler 2.0 快速上手指南\n\nEuler 是阿里巴巴开源的高性能分布式图深度学习框架，支持大规模图数据的处理与建模。本指南将帮助您快速完成环境搭建并运行第一个示例。\n\n## 1. 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 (推荐 Ubuntu 16.04\u002F18.04 或 CentOS 7)\n*   **编译器**: GCC 5.4.0 或更高版本 (需支持 C++14)\n*   **构建工具**: CMake 3.10.0 或更高版本\n*   **依赖库**:\n    *   Python 3.6+\n    *   TensorFlow 1.12+ (用于模型训练部分)\n    *   Protobuf 3.0.0+\n    *   gflags, glog, gtest\n*   **网络**: 建议配置国内镜像源以加速依赖下载（如阿里云、清华源等）。\n\n## 2. 安装步骤\n\n### 2.1 克隆代码\n从 GitHub 获取源代码：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler.git\ncd euler\n```\n\n### 2.2 编译与安装\nEuler 采用 CMake 进行构建。在项目根目录下执行以下命令进行编译和安装：\n\n```bash\n# 创建构建目录\nmkdir build && cd build\n\n# 配置构建选项 (默认安装路径为 \u002Fusr\u002Flocal)\ncmake .. -DCMAKE_BUILD_TYPE=Release\n\n# 编译 (建议使用 -j 参数并行加速)\nmake -j$(nproc)\n\n# 安装 (可能需要 sudo 权限)\nsudo make install\n```\n\n> **提示**：如果仅需使用 Python 接口，确保编译过程中检测到正确的 Python 和 TensorFlow 路径。如有需要，可通过 `-DPYTHON_EXECUTABLE` 或 `-DTENSORFLOW_PATH` 指定具体路径。\n\n## 3. 基本使用\n\n以下是一个最简单的示例，演示如何加载图数据并执行基础的邻居采样操作。\n\n### 3.1 准备数据\nEuler 支持多种数据格式，最基础的是边列表文件（edge list）。创建一个名为 `test_data` 的目录并生成简单的测试数据：\n\n```bash\nmkdir -p test_data\necho \"0 1\" > test_data\u002Fedges.txt\necho \"0 2\" >> test_data\u002Fedges.txt\necho \"1 2\" >> test_data\u002Fedges.txt\necho \"2 3\" >> test_data\u002Fedges.txt\n```\n\n### 3.2 运行 Python 示例\n创建一个 Python 脚本 `quick_start.py`，执行图初始化与采样：\n\n```python\nimport euler as eu\n\n# 1. 初始化图服务\neu.init()\n\n# 2. 加载图数据 (假设节点 ID 从 0 开始连续)\n# 实际生产中通常使用更复杂的 DataSource 配置\nds = eu.DataSet(\"test_data\")\ngraph = eu.Graph(ds)\n\n# 3. 执行邻居采样 (从节点 0 采样 2 个一阶邻居)\nsrc_nodes = [0]\nnum_neighbors = 2\nneighbors = graph.sample_neighbors(src_nodes, num_neighbors)\n\nprint(\"Source nodes:\", src_nodes)\nprint(\"Sampled neighbors:\", neighbors)\n\n# 4. 关闭服务\neu.shutdown()\n```\n\n### 3.3 执行脚本\n确保 `LD_LIBRARY_PATH` 包含 Euler 的安装库路径，然后运行脚本：\n\n```bash\nexport LD_LIBRARY_PATH=\u002Fusr\u002Flocal\u002Flib:$LD_LIBRARY_PATH\npython quick_start.py\n```\n\n如果输出显示了采样的邻居节点 ID，则表示 Euler 已成功运行。接下来您可以参考进阶教程探索 GQL 查询、属性索引及复杂的图神经网络模型构建。","某大型电商平台的算法团队需要基于十亿级用户 - 商品交互数据构建实时推荐系统，以精准预测用户的购买意向。\n\n### 没有 euler 时\n- **数据处理瓶颈**：面对海量异构图数据，传统单机框架内存溢出，必须手动分片处理，导致开发周期长达数周。\n- **查询效率低下**：缺乏原生图查询语言，提取复杂多跳邻居关系需编写大量繁琐的 SQL 或代码，响应时间以小时计。\n- **特征工程困难**：无法直接利用点和边的丰富属性（如用户年龄、商品类别）进行索引加速，模型训练前需耗时进行离线预处理。\n- **分布式适配难**：自行搭建分布式训练环境复杂度极高，消息传递机制不稳定，难以支撑大规模图神经网络的收敛。\n\n### 使用 euler 后\n- **弹性扩展能力**：euler 的分布式架构轻松承载十亿级节点，无需手动分片，团队可在几天内完成从数据接入到模型原型的构建。\n- **高效图查询**：利用内置 GQL 图查询语言，开发者用简洁语句即可秒级获取多跳邻居信息，大幅简化了数据采样逻辑。\n- **属性索引加速**：通过点和边的属性索引功能，直接在线读取并过滤特征，省去了冗长的离线预处理环节，实现了端到端的快速迭代。\n- **原生消息传递**：借助优化的 Message passing 接口，稳定高效地执行大规模图神经网络训练，模型收敛速度提升显著且资源利用率更高。\n\neuler 将原本需要数周攻坚的大规模图深度学习任务，转化为可快速迭代的标准流程，让算法团队能专注于业务策略而非底层基建。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_euler_2520b011.png","alibaba","Alibaba","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Falibaba_f65f7221.png","Alibaba Open Source",null,"https:\u002F\u002Fopensource.alibaba.com\u002F","https:\u002F\u002Fgithub.com\u002Falibaba",[80,84,88,92,96,100,104],{"name":81,"color":82,"percentage":83},"C++","#f34b7d",74.9,{"name":85,"color":86,"percentage":87},"Python","#3572A5",22.2,{"name":89,"color":90,"percentage":91},"CMake","#DA3434",1.7,{"name":93,"color":94,"percentage":95},"Yacc","#4B6C4B",0.7,{"name":97,"color":98,"percentage":99},"Shell","#89e051",0.2,{"name":101,"color":102,"percentage":103},"Lex","#DBCA00",0.1,{"name":105,"color":106,"percentage":103},"C","#555555",2902,558,"2026-04-08T04:34:31","Apache-2.0",4,"未说明",{"notes":114,"python":112,"dependencies":115},"提供的 README 内容仅为目录索引，未包含具体的运行环境需求、依赖库版本或硬件配置信息。详细要求需参考文中链接的‘编译安装’和‘数据准备’页面。该项目由阿里巴巴开发，主要用于大规模图神经网络训练。",[112],[14,16],[118,119,120,121,122,123,124,125,126,127,128,129],"graph","graph-learning","network-embedding","deep-learning","graph-convolutional-networks","graph-neural-networks","graphsage","random-walk","node2vec","graph-embedding","gcn","ggnn","2026-03-27T02:49:30.150509","2026-04-12T07:51:56.247915",[133,138,143,148,153,158,163,168],{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},30397,"在分布式训练中，如何正确切分数据以避免模型性能（如 F1 score）下降？","数据分片必须严格按照顶点 ID 对分片数量取模的结果进行分配。例如，如果有 6 个 partition，所有 ID 模 6 等于 0 的点必须在 xx_0.dat 中，模 6 等于 1 的点必须在 xx_1.dat 中，以此类推。简单的按行切割（如使用 split -l）会导致数据分布错误，从而引起分布式训练效果显著下降。","https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fissues\u002F53",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},30398,"为什么分布式图聚类训练中，聚类数目会随着 Worker 数量增加而倍增？","这通常是由于 Worker 和 Parameter Server (PS) 之间的同步问题导致的。如果不同 Worker 的参数没有通过 RPC 正确共享或更新，每个 Worker 可能会独立更新参数，导致全局聚类效果分裂。建议检查分布式训练配置，确保 Worker 能正确获取其他节点的 embedding 并参与全局参数更新。参考官方文档中的分布式训练部分进行排查。","https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fissues\u002F229",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},30399,"在 CentOS 7 环境下编译时遇到 C++11 标准支持错误怎么办？","该错误通常与 CMake 版本或配置有关。虽然 CMakeLists.txt 中指定了 C++11，但构建过程中可能未正确生效。建议尝试重装 CMake（推荐使用 build_wheel.sh 脚本中提供的安装方式），并确保编译器支持 C++11。此外，检查是否错误链接了 pthreads（应为 pthread），有时重新配置环境可解决此问题。","https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fissues\u002F35",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},30400,"如何正确理解和使用二分类任务中的正负样本标签及评估指标（TP\u002FFP 等）？","TensorFlow 的评估指标（如 tf.metrics.true_positives）是 element-wise 计算的。如果标签形状为 [#node, 2] 且为 one-hot 编码，TP 的最大值等于节点数。若发现 TP 数量异常多于实际正样本，建议将标签和预测值的形状改为 [#node]，其中正样本标记为 1，负样本标记为 0。这样可以更直观地对应二分类场景，避免维度误解导致的统计偏差。","https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fissues\u002F13",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},30401,"SparseEmbedding 层中的 inputs 稀疏张量在什么场景下使用，重复 ID 如何处理？","SparseEmbedding 主要用于处理输入中包含重复 ID 的稀疏场景（例如一个样本包含多个相同特征 ID）。inputs 是一个稀疏张量，当同一个 ID 出现多次时，其对应的 embedding 向量会根据 combiner 参数（如 sum）进行累加。例如，若 ID_1 出现两次，返回结果即为 ID_1 embedding 的两倍。这种设计适用于多热编码（Multi-hot）或集合特征的场景，TensorFlow 为此设计了通用的索引处理方式。","https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fissues\u002F183",{"id":159,"question_zh":160,"answer_zh":161,"source_url":162},30402,"通过 pip 安装和源码编译安装 Euler 有什么区别？","pip 安装直接下载预编译好的二进制包，依赖项已处理完毕，安装过程简单快捷。而源码编译安装（如运行 build_wheel.sh）需要在本地环境中编译代码，期间会自动下载并编译所需的 Jar 包（如 Zookeeper 相关依赖）。如果在编译安装时报错，通常是因为缺少编译工具链（如 ant, gcc-c++）或网络问题导致依赖下载失败，此时建议优先尝试 pip 安装或检查编译环境配置。","https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fissues\u002F32",{"id":164,"question_zh":165,"answer_zh":166,"source_url":167},30403,"分布式训练启动时无日志输出且无法连接，可能是什么原因？","这种情况常见于文件权限问题。即使配置了 --euler_zk_path 参数，如果当前用户对指定路径或相关日志文件没有读写权限，进程可能无法正常启动或输出日志。请检查启动脚本涉及的文件目录权限，确保执行用户拥有足够的操作权限。","https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fissues\u002F8",{"id":169,"question_zh":170,"answer_zh":171,"source_url":172},30404,"SparseEmbedding 创建时 feature_dim 是否需要加 1？","是的，代码中存在对 feature_dim 加 1 的逻辑。在 SparseSageEncoder 中创建 SparseEmbedding 时使用了 `feature_dim + 1`，而在 Embedding 层的 build 方法中，变量形状也定义为 `[self.max_id + 1, self.dim]`。这是为了预留索引位置（通常用于处理未知 ID 或作为 Padding 位），属于正常设计，无需修改。","https:\u002F\u002Fgithub.com\u002Falibaba\u002Feuler\u002Fissues\u002F164",[174,179],{"id":175,"version":176,"summary_zh":177,"released_at":178},214719,"2.0.0","新增功能，包括：\n1. GQL 执行层；\n2. 属性索引；\n3. 消息传递接口；\n4. 更多算法。","2020-07-07T02:24:18",{"id":180,"version":181,"summary_zh":182,"released_at":183},214720,"v0.1.2","1. 使 HDFS 成为可选配置。2. 增加（可扩展）图神经网络的实现。3. 支持使用 jemalloc 内存分配器。4. 优化大型数据集的加载速度。5. 优化加载时的日志记录。6. 在所有模型中启用该功能。7. 版本升级至 0.1.2。8. 其他修复与优化。","2019-04-10T02:13:36"]