[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-alirezadir--Machine-Learning-Interviews":3,"similar-alirezadir--Machine-Learning-Interviews":61},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":20,"owner_website":21,"owner_url":22,"languages":23,"stars":28,"forks":29,"last_commit_at":30,"license":31,"difficulty_score":32,"env_os":33,"env_gpu":33,"env_ram":33,"env_deps":34,"category_tags":37,"github_topics":41,"view_count":55,"oss_zip_url":20,"oss_zip_packed_at":20,"status":56,"created_at":57,"updated_at":58,"faqs":59,"releases":60},5427,"alirezadir\u002FMachine-Learning-Interviews","Machine-Learning-Interviews","This repo is meant to serve as a guide for Machine Learning\u002FAI technical interviews. ","Machine-Learning-Interviews 是一份专为机器学习与人工智能工程师打造的面试备战指南。它旨在解决求职者在面对大厂技术面试时，因缺乏统一标准而感到迷茫、不知从何下手的痛点。\n\n这份资源基于作者成功斩获 Meta、Google、Amazon、Apple 等顶尖科技公司 Offer 的亲身经历整理而成。它将复杂的面试流程拆解为六大核心模块：通用算法与数据结构、机器学习代码实战、ML 基础理论广度考察、机器学习系统设计、行为面试技巧，并紧跟 2025 年技术趋势，新增了关于\"Agentic AI 系统”的前沿内容。\n\n该工具特别适合准备应聘机器学习工程师、应用科学家等相关岗位的开发者，同时也对数据科学家和 ML 研究人员具有极高的参考价值。其独特亮点在于不仅涵盖了传统的编码与理论基础，还深入剖析了在大厂中日益重要的系统设计与代理式 AI（Agentic AI）架构，帮助求职者构建从代码实现到宏观系统设计的全方位知识体系。无论你是初入职场的新人，还是寻求职业突破的资深从业者，都能从中找到针对性的准备策略和实战建议，从而更从容地应对技术挑战。","[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-blue.svg)](LICENSE) [![Code style: black](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcode%20style-black-000.svg)](https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack) [![GitHub stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Falirezadir\u002FMachine-Learning-Interviews?style=social)](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FMachine-Learning-Interviews\u002Fstargazers) [![GitHub forks](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Falirezadir\u002FMachine-Learning-Interviews?style=social)](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FMachine-Learning-Interviews\u002Fnetwork) [![Last Commit](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002Falirezadir\u002FMachine-Learning-Interviews)](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FMachine-Learning-Interviews\u002Fcommits\u002Fmain) [![GitHub issues](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Falirezadir\u002FMachine-Learning-Interviews)](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FMachine-Learning-Interviews\u002Fissues) [![Contributors](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcontributors\u002Falirezadir\u002FMachine-Learning-Interviews)](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FMachine-Learning-Interviews\u002Fgraphs\u002Fcontributors) [![Tweet](https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Furl?label=Share%20on%20X&url=https%3A%2F%2Fgithub.com%2Falirezadir%2FMachine-Learning-Interviews&style=social)](https:\u002F\u002Ftwitter.com\u002Fintent\u002Ftweet?text=Check%20out%20Machine%20Learning%20Interviews%20by%20%40alirezadira%20%E2%80%94%20A%20guide%20to%20prepare%20for%20ML%20interviews!&url=https%3A%2F%2Fgithub.com%2Falirezadir%2FMachine-Learning-Interviews&hashtags=MachineLearning,MLinterviews,AI)\n# Machine Learning Technical Interviews :robot: \n\n:newspaper: **News: Updated in 2025**: I have added a new repo for [Agentic AI Systems](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FAgentic-AI-Systems.git), including the latest trends in AI engineering and agentic systems design and development, for those who are interested. You can find a variety of resources, system design summaries, and hands-on coding examples, projects, and more. \n\n\u003Cp align=\"center\">\n\u003Cimg width=\"720\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falirezadir_Machine-Learning-Interviews_readme_30b0b3e64841.png\">\n\u003C\u002Fp>\n\n\n\nThis repo aims to serve as a guide to prepare for **Machine Learning (AI) Engineering** interviews for relevant roles at big tech companies (in particular FAANG). It has compiled based on the author's personal experience and notes from his own interview preparation, when he received offers from Meta (ML Specialist), Google (ML Engineer), Amazon (Applied Scientist), Apple (Applied Scientist), and Roku (ML Engineer).\n\nThe following components are the most commonly used interview modules for technical ML roles at different companies. We will go through them one by one and share how one can prepare:\n\n\u003Ccenter>\n\n |Chapter | Content|\n |---| --- |\n | Chapter 1 \t|  [General Coding (Algos and Data Structures)](src\u002Flc-coding.md)\t   | \n| Chapter 2 \t| [ML Coding](src\u002FMLC\u002Fml-coding.md) \t|  \t\n| Chapter 3\t| [ML Fundamentals\u002FBreadth](src\u002Fml-fundamental.md)| \n| Chapter 4 \t| [ML System Design (Updated in 2023)](src\u002FMLSD\u002Fml-system-design.md)|\n| Chapter 5 \t| [*Agentic AI Systems (2025)*](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FAgentic-AI-Systems.git)|\n| Chapter 6 \t| [Behavioral](src\u002Fbehavior.md)| \n|  \t|  \t|  \n\n\u003C\u002Fcenter>\n\n**Notes:**\n* At the time I'm putting these notes together, machine learning interviews at different companies do not follow a unique structure unlike software engineering interviews. However, I found some of the components very similar to each other, although under different naming.\n\n* The guide here is mostly focused on *Machine Learning Engineer* (and Applied Scientist) roles at big companies. Although relevant roles such as \"Data Science\" or \"ML research scientist\" have different structures in interviews, some of the modules reviewed here can be still useful. \n\u003C!-- For more understanding about different technical roles within ML umbrella you can refer to [Link](https:\u002F\u002Fwww.linkedin.com\u002Fpulse\u002Fmachine-learning-engineer-vs-applied-scientist-whats-difference-suresh\u002F) -->\n\n* As a supplementary resource, you can also refer to my [Production Level Deep Learning](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FProduction-Level-Deep-Learning) repo for further insights on how to design deep learning systems for production. \n\n\n\n# Contribution\n* Feedback and contribution are very welcome :blush: \n**If you'd like to contribute**, please make a pull request with your suggested changes). \n","[![许可证：MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-blue.svg)](LICENSE) [![代码风格：black](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcode%20style-black-000.svg)](https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack) [![GitHub 星标数](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Falirezadir\u002FMachine-Learning-Interviews?style=social)](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FMachine-Learning-Interviews\u002Fstargazers) [![GitHub 分支数](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Falirezadir\u002FMachine-Learning-Interviews?style=social)](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FMachine-Learning-Interviews\u002Fnetwork) [![最近一次提交](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002Falirezadir\u002FMachine-Learning-Interviews)](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FMachine-Learning-Interviews\u002Fcommits\u002Fmain) [![GitHub 问题数](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Falirezadir\u002FMachine-Learning-Interviews)](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FMachine-Learning-Interviews\u002Fissues) [![贡献者](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcontributors\u002Falirezadir\u002FMachine-Learning-Interviews)](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FMachine-Learning-Interviews\u002Fgraphs\u002Fcontributors) [![推特分享](https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Furl?label=Share%20on%20X&url=https%3A%2F%2Fgithub.com%2Falirezadir%2FMachine-Learning-Interviews&style=social)](https:\u002F\u002Ftwitter.com\u002Fintent\u002Ftweet?text=Check%20out%20Machine%20Learning%20Interviews%20by%20%40alirezadira%20%E2%80%94%20A%20guide%20to%20prepare%20for%20ML%20interviews!&url=https%3A%2F%2Fgithub.com%2Falirezadir%2FMachine-Learning-Interviews&hashtags=MachineLearning,MLinterviews,AI)\n# 机器学习技术面试 :robot: \n\n:newspaper: **新闻：2025年更新**：我新增了一个名为[Agentic AI Systems](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FAgentic-AI-Systems.git)的仓库，其中包含了最新的AI工程以及代理式系统设计与开发方面的趋势，供感兴趣的朋友参考。你可以在这里找到丰富的资源、系统设计概要、动手编码示例、项目等内容。\n\n\u003Cp align=\"center\">\n\u003Cimg width=\"720\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falirezadir_Machine-Learning-Interviews_readme_30b0b3e64841.png\">\n\u003C\u002Fp>\n\n\n\n本仓库旨在为准备大型科技公司（尤其是FAANG）相关职位的**机器学习（AI）工程**面试提供指导。内容基于作者个人经验及面试准备笔记整理而成，他曾先后收到Meta（ML Specialist）、Google（ML Engineer）、Amazon（Applied Scientist）、Apple（Applied Scientist）和Roku（ML Engineer）的录用通知。\n\n以下是不同公司在技术类机器学习岗位面试中最为常见的模块。我们将逐一介绍，并分享相应的备考方法：\n\n\u003Ccenter>\n\n |章节 | 内容|\n |---| --- |\n | 第1章 \t|  [通用编程（算法与数据结构）](src\u002Flc-coding.md)\t   | \n| 第2章 \t| [机器学习编程](src\u002FMLC\u002Fml-coding.md) \t|  \t\n| 第3章\t| [机器学习基础\u002F广度](src\u002Fml-fundamental.md)| \n| 第4章 \t| [机器学习系统设计（2023年更新）](src\u002FMLSD\u002Fml-system-design.md)|\n| 第5章 \t| [*代理式AI系统（2025）*](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FAgentic-AI-Systems.git)|\n| 第6章 \t| [行为面试](src\u002Fbehavior.md)| \n|  \t|  \t|  \n\n\u003C\u002Fcenter>\n\n**注意事项：**\n* 在撰写这些笔记时，各公司的机器学习面试尚未形成像软件工程面试那样统一的结构。不过，我发现其中一些模块虽然名称不同，但内容却非常相似。\n\n* 本指南主要针对大型企业中的*机器学习工程师*（以及应用科学家）岗位。尽管“数据科学”或“机器学习研究员”等其他相关岗位的面试结构有所不同，但此处所涵盖的部分模块仍然具有参考价值。\n\u003C!-- 如需进一步了解机器学习领域内不同技术岗位的区别，可参阅[链接](https:\u002F\u002Fwww.linkedin.com\u002Fpulse\u002Fmachine-learning-engineer-vs-applied-scientist-whats-difference-suresh\u002F) -->\n\n* 作为补充资源，你还可以参考我的[生产级深度学习](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FProduction-Level-Deep-Learning)仓库，以深入了解如何设计用于生产的深度学习系统。\n\n\n\n# 贡献\n* 欢迎大家提出反馈和贡献 :blush: \n**如果你想参与贡献**，请提交包含你建议修改的拉取请求）。","# Machine-Learning-Interviews 快速上手指南\n\n本项目并非传统的可安装软件包，而是一个结构化的**面试准备知识库与学习指南**。它汇集了作者在大厂（Meta, Google, Amazon 等）机器学习岗位面试中的经验，涵盖算法、ML 编码、基础理论、系统设计及行为面试等核心模块。\n\n以下是获取并开始使用本资源的步骤：\n\n## 环境准备\n\n本项目主要由 Markdown 文档、Python 代码片段和 Jupyter Notebook 组成，无需复杂的系统依赖。\n\n*   **操作系统**：Windows \u002F macOS \u002F Linux 均可\n*   **必备工具**：\n    *   **Git**：用于克隆仓库\n    *   **浏览器**：推荐 Chrome 或 Edge，用于在 GitHub 网页端直接阅读，或在本地使用 VS Code 预览 Markdown\n    *   **Python 3.8+**（可选）：仅当你需要运行 `ML Coding` 或 `System Design` 章节中的具体代码示例时需要\n*   **推荐编辑器**：VS Code（安装 Markdown Preview Enhanced 插件可获得最佳阅读体验）\n\n## 安装步骤\n\n通过 Git 将仓库克隆到本地，以便离线阅读和运行代码示例。\n\n```bash\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Falirezadir\u002FMachine-Learning-Interviews.git\n\n# 进入项目目录\ncd Machine-Learning-Interviews\n\n# (可选) 如果需运行代码示例，安装基础依赖\n# 建议先查看具体章节下的 requirements.txt (如果有)\npip install -r requirements.txt \n# 注意：若根目录无 requirements.txt，请根据 src\u002FMLC 或 src\u002FMLSD 子目录中的具体需求安装\n```\n\n> **国内加速提示**：如果克隆速度较慢，可使用国内镜像源加速：\n> ```bash\n> git clone https:\u002F\u002Fgitee.com\u002Fmirrors\u002FMachine-Learning-Interviews.git\n> ```\n> *(注：若镜像源同步滞后，请以官方 GitHub 源为准)*\n\n## 基本使用\n\n本项目按章节组织，你可以根据目标岗位的面试流程选择对应的模块进行学习。\n\n### 1. 浏览目录结构\n核心内容位于 `src` 目录下：\n\n```text\nMachine-Learning-Interviews\n├── src\n│   ├── lc-coding.md          # Chapter 1: 通用算法与数据结构\n│   ├── MLC\n│   │   └── ml-coding.md      # Chapter 2: ML 专项编码 (手写模型\u002F算法)\n│   ├── ml-fundamental.md     # Chapter 3: ML 基础理论与广度知识\n│   ├── MLSD\n│   │   └── ml-system-design.md # Chapter 4: ML 系统设计 (重点)\n│   └── behavior.md           # Chapter 6: 行为面试题\n└── README.md\n```\n\n### 2. 开始学习（示例）\n\n#### 方式 A：在线直接阅读\n直接在 GitHub 仓库中点击对应的 `.md` 文件链接即可阅读。例如，准备系统设计面试时，直接访问：\n`src\u002FMLSD\u002Fml-system-design.md`\n\n#### 方式 B：本地运行代码示例\n以 **Chapter 2 (ML Coding)** 为例，假设你需要练习手写 K-Means 算法：\n\n1.  打开 `src\u002FMLC\u002Fml-coding.md` 找到相关代码块。\n2.  在本地创建测试文件 `test_kmeans.py`。\n3.  复制代码并运行：\n\n```python\n# test_kmeans.py (示例伪代码，具体内容请参考原文档)\nimport numpy as np\n\ndef k_means(X, k):\n    # ... 复制 src\u002FMLC\u002Fml-coding.md 中的实现逻辑 ...\n    pass\n\nif __name__ == \"__main__\":\n    # 构造简单数据进行测试\n    X = np.random.rand(100, 2)\n    labels = k_means(X, k=3)\n    print(\"Clustering completed.\")\n```\n\n### 3. 核心学习路径建议\n\n| 面试阶段 | 推荐章节 | 文件路径 |\n| :--- | :--- | :--- |\n| **初试 (筛选)** | 通用编程 | `src\u002Flc-coding.md` |\n| **技术面 (核心)** | ML 编码 & 基础 | `src\u002FMLC\u002Fml-coding.md` \u003Cbr> `src\u002Fml-fundamental.md` |\n| **终试 (架构)** | 系统设计 | `src\u002FMLSD\u002Fml-system-design.md` |\n| **HR 面** | 行为面试 | `src\u002Fbehavior.md` |\n\n> **提示**：对于关注最新 **Agentic AI (智能体系统)** 趋势的开发者，作者已单独开源了新仓库，请访问 [Agentic-AI-Systems](https:\u002F\u002Fgithub.com\u002Falirezadir\u002FAgentic-AI-Systems) 获取 2025 年最新内容。","资深算法工程师李明正在备战某头部大厂的机器学习专家岗位面试，面对复杂多变的考核体系感到无从下手。\n\n### 没有 Machine-Learning-Interviews 时\n- **复习范围模糊**：不同公司对“机器学习工程”的考察重点差异巨大，只能盲目刷题，难以区分通用编码、ML 代码实现与系统设计的边界。\n- **系统设计缺乏实战视角**：网上资料多为理论堆砌，缺少像推荐系统或广告排序这样源自 FAANG 真实场景的端到端设计案例，导致面试时无法落地。\n- **忽视前沿趋势**：对 2025 年兴起的 Agentic AI（智能体系统）等新考点一无所知，容易在考察新技术视野的环节失分。\n- **行为面试准备不足**：过度关注技术细节，忽略了如何结合具体项目经历回答行为面试题，难以展现软实力。\n\n### 使用 Machine-Learning-Interviews 后\n- **备考路径清晰化**：直接依据其六大核心章节（从通用算法到行为面试）制定复习计划，精准覆盖 Meta、Google 等大厂的高频考点。\n- **掌握系统化设计方法论**：通过研读更新的 ML 系统设计章节，学会了如何处理数据倾斜、模型更新延迟等实际工程难题，面试中对答如流。\n- **紧跟技术前沿**：利用新增的 Agentic AI Systems 资源，提前掌握了智能体架构设计思路，在加分项环节给面试官留下深刻印象。\n- **全方位能力提升**：参照行为面试指南梳理个人项目故事，将技术深度与沟通表达完美结合，显著提升了综合通过率。\n\nMachine-Learning-Interviews 将零散的面试经验转化为结构化的作战地图，帮助求职者从“盲目海投”转变为“精准打击”，极大缩短了通往大厂 Offer 的路径。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falirezadir_Machine-Learning-Interviews_30b0b3e6.png","alirezadir","Alireza Dirafzoon","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Falirezadir_817fe708.jpg","Ex-Meta (MultiModal AI for AR\u002FVR), Ex-Samsung (AR\u002FAI)  | 🎶 Founder Sol8","Ex. Meta ","San Francisco, CA",null,"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Falirezadir\u002F","https:\u002F\u002Fgithub.com\u002Falirezadir",[24],{"name":25,"color":26,"percentage":27},"Jupyter Notebook","#DA5B0B",100,8006,1432,"2026-04-07T21:31:37","MIT",1,"",{"notes":35,"python":33,"dependencies":36},"该项目是一个面试准备指南仓库，主要包含文档、笔记和代码示例（如算法、机器学习基础、系统设计等），并非一个需要特定运行环境部署的 AI 模型或训练框架。README 中未提及具体的操作系统、GPU、内存、Python 版本或依赖库要求。用户只需具备基础的代码阅读能力或通用的编程环境即可查看内容。",[],[38,39,40],"开发框架","Agent","图像",[42,43,44,45,46,47,48,49,50,51,52,53,54],"machine-learning","machine-learning-algorithms","ai","deep-learning","system-design","scalable-applications","interview","interview-preparation","interview-practice","interviews","agentic","ai-agents","ai-engineering",2,"ready","2026-03-27T02:49:30.150509","2026-04-08T14:25:11.426287",[],[],[62,72,80,89,97,106],{"id":63,"name":64,"github_repo":65,"description_zh":66,"stars":67,"difficulty_score":68,"last_commit_at":69,"category_tags":70,"status":56},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",[39,38,40,71],"数据工具",{"id":73,"name":74,"github_repo":75,"description_zh":76,"stars":77,"difficulty_score":68,"last_commit_at":78,"category_tags":79,"status":56},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",[38,40,39],{"id":81,"name":82,"github_repo":83,"description_zh":84,"stars":85,"difficulty_score":55,"last_commit_at":86,"category_tags":87,"status":56},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",144730,"2026-04-07T23:26:32",[38,39,88],"语言模型",{"id":90,"name":91,"github_repo":92,"description_zh":93,"stars":94,"difficulty_score":55,"last_commit_at":95,"category_tags":96,"status":56},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。",107888,"2026-04-06T11:32:50",[38,40,39],{"id":98,"name":99,"github_repo":100,"description_zh":101,"stars":102,"difficulty_score":55,"last_commit_at":103,"category_tags":104,"status":56},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",[105,38],"插件",{"id":107,"name":108,"github_repo":109,"description_zh":110,"stars":111,"difficulty_score":68,"last_commit_at":112,"category_tags":113,"status":56},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[88,40,39,38]]