[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-altdeep--causalAI":3,"tool-altdeep--causalAI":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",160411,2,"2026-04-18T23:33:24",[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":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":74,"owner_location":74,"owner_email":74,"owner_twitter":74,"owner_website":74,"owner_url":75,"languages":76,"stars":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":32,"env_os":112,"env_gpu":113,"env_ram":113,"env_deps":114,"category_tags":117,"github_topics":118,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":121,"updated_at":122,"faqs":123,"releases":124},9467,"altdeep\u002FcausalAI","causalAI","The open source repository for the Causal Modeling in Machine Learning Workshop at Altdeep.ai @ www.altdeep.ai\u002Fcourses\u002FcausalAI","causalAI 是一个专注于机器学习中因果建模的开源资源库，源自 Altdeep.ai 举办的同名研讨会及配套教材。它旨在解决传统机器学习仅擅长发现数据相关性、却难以理解因果关系和进行干预推理的痛点，帮助开发者构建能回答“如果……会怎样”这类反事实问题的智能系统。\n\n这套资源非常适合人工智能研究人员、数据科学家以及高校师生使用。对于希望深入探索因果推断算法、do-演算或将其融入现代 ML 系统的从业者，causalAI 提供了从理论到实践的完整路径。其核心亮点在于将抽象的因果理论与可执行的代码紧密结合：不仅包含配套书籍《Causal AI》的全部 Jupyter Notebook 代码实例，还整理了东北大学研究生课程的详细大纲、研讨会教程以及过往学生的实战项目。\n\n无论你是想复现书中的算法实验，还是计划为企业内部培训或学术会议定制因果建模课程，亦或是需要在自己的研究中扩展反事实建模材料，causalAI 都提供了丰富且可重用的开放素材。它让复杂的因果推理技术变得触手可及，助力用户跨越从统计关联到因果认知的关键一步。","# Causal AI Book and Workshop\n\nThis body contains materials related to the book [Causal AI](https:\u002F\u002Fwww.robertosazuwaness.com\u002Fcausal-ai-book\u002F) as well as the workshop and graduate school course based on the book. The book, workshop, and course focus on intervention-based reasoning, causal inference algorithms, counterfactuals, and the integration of causal structure into modern ML systems.\n\n## Contents\n\n- [book directory](.\u002Fbook) – Jupyter notebooks containing code from the book.\n- [`workshop.md`](.\u002Fworkshop.md) – Description of the **Causal Modeling in Machine Learning** workshop, including schedule, learning objectives, and software tools.\n- [`syllabus_NEU.md`](.\u002Fsyllabus_NEU.md) – A **graduate course syllabus** from Northeastern University covering causal modeling, do-calculus, counterfactual reasoning, and causal ML applications.\n- [tutorials directory](.\u002Ftutorials) – A directory of code tutorials used in the workshop and graduate course.\n- [projects directory](.\u002Fprojects) – A directory of past student projects from the graduate course.\n\n\n## Usage\n\nUse this repository to:\n\n- Load and run code from the book.\n- Prepare or adapt the workshop for conferences, symposia, or internal trainings.\n- Reference the graduate syllabus for a semester-long academic course on causal modeling.\n- Build or extend materials on causal inference, causal ML, and counterfactual modeling in your own teaching or research practice.\n\nAll materials in this repository are open and reusable for educational and research purposes.\n","# 因果人工智能书籍与研讨会\n\n本仓库包含与书籍《因果人工智能》（[Causal AI](https:\u002F\u002Fwww.robertosazuwaness.com\u002Fcausal-ai-book\u002F)）相关的资料，以及基于该书举办的研讨会和研究生课程的相关内容。本书、研讨会和课程主要聚焦于基于干预的推理、因果推断算法、反事实分析，以及如何将因果结构融入现代机器学习系统中。\n\n## 目录\n\n- [book directory](.\u002Fbook) – 包含书中代码的 Jupyter 笔记本。\n- [`workshop.md`](.\u002Fworkshop.md) – **机器学习中的因果建模**研讨会的介绍，包括日程安排、学习目标和软件工具。\n- [`syllabus_NEU.md`](.\u002Fsyllabus_NEU.md) – 东北大学的一份 **研究生课程大纲**，涵盖因果建模、do-演算、反事实推理以及因果机器学习的应用。\n- [tutorials directory](.\u002Ftutorials) – 研讨会和研究生课程中使用的代码教程目录。\n- [projects directory](.\u002Fprojects) – 研究生课程中历届学生的项目目录。\n\n\n## 使用说明\n\n您可以使用本仓库来：\n\n- 加载并运行书中提供的代码。\n- 准备或调整研讨会内容，以用于会议、专题研讨会或内部培训。\n- 参考研究生课程大纲，开展为期一学期的因果建模学术课程。\n- 在您自己的教学或研究实践中构建或扩展关于因果推断、因果机器学习和反事实建模的相关材料。\n\n本仓库中的所有资料均开放且可重复使用，适用于教育和科研目的。","# causalAI 快速上手指南\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**：Windows、macOS 或 Linux\n- **Python 版本**：推荐 Python 3.8 及以上版本\n- **前置依赖**：\n  - `git`：用于克隆代码仓库\n  - `pip` 或 `conda`：用于管理 Python 包\n  - `Jupyter Notebook` 或 `JupyterLab`：用于运行书中的交互式代码示例\n\n建议安装常用的数据科学库（如 `pandas`, `numpy`, `scikit-learn`, `matplotlib`），书中示例通常依赖这些基础库。\n\n## 安装步骤\n\n1. **克隆仓库**\n   打开终端或命令行工具，执行以下命令获取源代码：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Frobertosazuwaness\u002FcausalAI.git\n   cd causalAI\n   ```\n   *注：如果国内访问 GitHub 较慢，可使用镜像源或配置代理加速。*\n\n2. **安装依赖**\n   进入项目目录后，安装所需的 Python 包。如果根目录下有 `requirements.txt` 文件：\n   ```bash\n   pip install -r requirements.txt\n   ```\n   如果没有统一的依赖文件，请根据 `book` 或 `tutorials` 目录中具体 Notebook 文件的导入语句，按需安装缺失的库（例如 `causalinference`, `dowhy`, `pgmpy` 等因果推断专用库）。\n\n3. **启动 Jupyter**\n   安装完成后，启动 Jupyter 服务以查看和运行代码：\n   ```bash\n   jupyter notebook\n   ```\n\n## 基本使用\n\n本仓库的核心内容是书籍配套的交互式代码笔记本。以下是快速体验因果推断算法的步骤：\n\n1. **浏览书籍代码**\n   在 Jupyter 界面中，进入 `book` 目录。这里包含了书中所有章节的可运行代码。\n   \n2. **运行示例**\n   选择一个基础的 Notebook 文件（例如涉及干预推理或反事实分析的章节），点击打开。\n   \n3. **执行单元格**\n   按顺序执行代码单元格（Cell），观察因果模型构建、do-calculus 计算以及因果效应估计的输出结果。\n\n   典型代码逻辑如下（具体变量名依文件而定）：\n   ```python\n   # 示例：加载数据并定义因果图\n   import pandas as pd\n   from some_causal_lib import CausalGraph\n\n   data = pd.read_csv('example_data.csv')\n   graph = CausalGraph()\n   graph.add_edge('Treatment', 'Outcome')\n   \n   # 进行因果推断\n   effect = graph.estimate_effect(data, method='backdoor')\n   print(f\"Causal Effect: {effect}\")\n   ```\n\n4. **拓展学习**\n   - 参考 `tutorials` 目录中的专项教程，深入理解特定算法。\n   - 查看 `projects` 目录，借鉴过往学生的实战项目思路。\n   - 阅读 `syllabus_NEU.md` 了解完整的研究生课程大纲，系统规划学习路径。\n\n所有材料均开源，可用于教育研究及内部培训适配。","某电商数据科学团队正试图评估“发放优惠券”这一运营动作对用户长期留存率的真实影响，以优化营销预算分配。\n\n### 没有 causalAI 时\n- 团队仅依赖传统机器学习模型分析历史数据，误将“高消费用户更常收到优惠券”的相关性当作因果，导致错误归因。\n- 缺乏系统的反事实推理框架，无法回答“如果当时没给该用户发券，他是否还会留存”这类关键业务问题。\n- 手动构建因果图和实施 do-演算（do-calculus）难度极大，算法实现零散且容易出错，实验周期被大幅拉长。\n- 难以区分混杂因子（如用户活跃度）的真实干扰，导致营销策略建议缺乏可信度，管理层不敢贸然决策。\n\n### 使用 causalAI 后\n- 利用 causalAI 内置的因果推断算法，团队成功剥离了混杂因子干扰，精准量化了优惠券对留存的净效应。\n- 基于库中提供的反事实建模教程，快速构建了个体层面的模拟实验，回答了“假设未干预”下的用户行为预测。\n- 直接复用书中成熟的 Jupyter Notebook 代码和结构化工具链，将原本数周的模型验证工作缩短至几天完成。\n- 借助清晰的因果结构整合方案，输出了可视化的因果路径图，让非技术背景的管理层也能直观理解策略有效性。\n\ncausalAI 将团队从单纯的数据相关性挖掘升级为具备干预推理能力的决策支持系统，显著提升了营销投入的回报率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faltdeep_causalAI_05013f2b.png","altdeep","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Faltdeep_dbe6e8cd.png",null,"https:\u002F\u002Fgithub.com\u002Faltdeep",[77,81,85,89,93,96,99,102,105],{"name":78,"color":79,"percentage":80},"Jupyter Notebook","#DA5B0B",91.2,{"name":82,"color":83,"percentage":84},"HTML","#e34c26",8.6,{"name":86,"color":87,"percentage":88},"Python","#3572A5",0.2,{"name":90,"color":91,"percentage":92},"R","#198CE7",0,{"name":94,"color":95,"percentage":92},"Julia","#a270ba",{"name":97,"color":98,"percentage":92},"Dockerfile","#384d54",{"name":100,"color":101,"percentage":92},"TeX","#3D6117",{"name":103,"color":104,"percentage":92},"Makefile","#427819",{"name":106,"color":107,"percentage":92},"Shell","#89e051",797,214,"2026-04-16T08:53:02","MIT","","未说明",{"notes":115,"python":113,"dependencies":116},"README 内容主要介绍书籍、研讨会和课程的大纲及用途，未包含具体的代码运行环境需求、依赖库列表或安装说明。用户需查看仓库内的 'book' 或 'tutorials' 目录下的具体 Jupyter Notebook 文件以获取实际运行所需的配置信息。",[],[14],[119,120],"causality","machine-learning","2026-03-27T02:49:30.150509","2026-04-19T15:46:31.458076",[],[]]