[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-alxschwrz--codex_py2cpp":3,"tool-alxschwrz--codex_py2cpp":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",144730,2,"2026-04-07T23:26:32",[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。",107888,"2026-04-06T11:32:50",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},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",[35,15,13,14],{"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":78,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":32,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":133},5347,"alxschwrz\u002Fcodex_py2cpp","codex_py2cpp","Converts python code into c++ by using OpenAI CODEX.","codex_py2cpp 是一款利用 OpenAI Codex 模型，自动将 Python 代码转换为 C++ 代码的开源工具。它主要解决了开发者希望提升脚本运行速度，却因不熟悉 C++ 语法而难以手动重构的痛点。通过读取 Python 源文件，该工具能智能生成对应的 C++ 代码，并自动调用 g++ 编译器进行验证；若编译成功，便会保存可执行文件，让用户能直观对比两种语言的性能差异。\n\n这款工具特别适合希望优化算法效率的 Python 开发者、进行代码迁移实验的研究人员，以及想要探索大模型在代码生成领域潜力的技术爱好者。其核心亮点在于集成了“生成即编译”的闭环流程，不仅提供代码转换，还能直接产出可运行的二进制文件，大大降低了从解释型语言向编译型语言迁移的门槛。不过需要注意的是，生成的代码主要用于实验和参考，正式使用前建议人工审查与测试，以确保逻辑的健壮性。","\u003Ch1 align=\"center\">🦾 codex_py2cpp 🤖 \u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n    OpenAI Codex Python to C++ Code Generator\n\u003C\u002Fp>\n\nYour Python Code is too slow? 🐌 \nYou want to speed it up but forgot how to code in C++? ⌨\nConvert your Python script to C++ Code using OpenAI Codex.\n\n## How it works\nReads a Python file and creates an input prompt which is then fed to OpenAI Codex to generate corresponding C++ code. The generated \ncode is getting compiled using g++ and if compilation is successful the executable is saved.\n\nTo generate your own files you need to get access to the Codex API (https:\u002F\u002Fopenai.com\u002Fblog\u002Fopenai-codex\u002F).\n## Installation\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Falxschwrz\u002Fcodex_py2cpp.git\ncd codex_py2cpp\npip3 install -r requirements.txt\n```\n## Run example\nReads the file \"simpleScript.py\", and feeds the corresponding input prompt to OpenAI Codex. Compilable solutions \nare stored in the form of .cpp and .exe files.\n```\npython3 python2cppconverter.py\n```\n\nIf the generated C++ code got compiled, test it with\n```\n.\u002FsimpleScript.exe\n```\nYou hopefully get the same output as when running\n```\npython3 simpleScript.py\n```\nCheck how much faster you are now ...\n```\ntime .\u002FsimpleScript.exe\ntime python3 simpleScript.py\n```\n\n### Example Code Generation:\n\n\u003Ctable>\n\u003Ctr>\n\u003Cth>[In]: Python Snippet\u003C\u002Fth>\n\u003Cth>[Out]: How the CODEX conversion might look like\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\n\n```python\ndef add_something(x, y):\n    print(\"casually adding some stuff together\")\n    z = x + y\n    return z\n\n\nif __name__ == \"__main__\":\n    print('Okay, lets go')\n    print(add_something(5, 2))\n```\n\n\u003C\u002Ftd>\n\u003Ctd>\n\n```cpp\n\u002F\u002F C++ Code generated from Python Code: \n#include \u003Ciostream>\nusing namespace std;\n\nint add_something(int x, int y) {\n    cout \u003C\u003C \"casually adding some stuff together\" \u003C\u003C endl;\n    int z = x + y;\n    return z;\n}\n\nint main() {\n    cout \u003C\u003C \"Okay, lets go\" \u003C\u003C endl;\n    cout \u003C\u003C add_something(5, 2) \u003C\u003C endl;\n    return 0;\n}\n```\n\u003C\u002Ftd>\n\u003C\u002Ftable>\n\n\n\nPlease test your generated code before usage. This does not produce robust code conversions, but is intended to experiment with codex. [WIP]\n## Credits\n\nThis project is based on the OpenAI Codex project.\nInspired by https:\u002F\u002Fgithub.com\u002Ftom-doerr\n\n\n","\u003Ch1 align=\"center\">🦾 codex_py2cpp 🤖 \u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n    OpenAI Codex Python 到 C++ 代码生成器\n\u003C\u002Fp>\n\n你的 Python 代码太慢了吗？🐌 \n你想让它跑得更快，却又忘了怎么写 C++ 代码？⌨\n使用 OpenAI Codex 将你的 Python 脚本转换为 C++ 代码吧。\n\n## 工作原理\n该工具会读取一个 Python 文件，并生成一个输入提示，然后将其传递给 OpenAI Codex，以生成对应的 C++ 代码。生成的代码会使用 g++ 进行编译，如果编译成功，则会保存可执行文件。\n\n要生成自己的文件，你需要获取 OpenAI Codex API 的访问权限（https:\u002F\u002Fopenai.com\u002Fblog\u002Fopenai-codex\u002F）。\n## 安装\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Falxschwrz\u002Fcodex_py2cpp.git\ncd codex_py2cpp\npip3 install -r requirements.txt\n```\n## 运行示例\n该工具会读取文件 \"simpleScript.py\"，并将相应的输入提示传递给 OpenAI Codex。可编译的解决方案会以 .cpp 和 .exe 文件的形式保存。\n```\npython3 python2cppconverter.py\n```\n\n如果生成的 C++ 代码成功编译，请通过以下命令进行测试：\n```\n.\u002FsimpleScript.exe\n```\n希望你能得到与运行以下命令时相同的输出：\n```\npython3 simpleScript.py\n```\n\n现在可以检查一下速度提升了多少……\n```\ntime .\u002FsimpleScript.exe\ntime python3 simpleScript.py\n```\n\n### 示例代码生成：\n\n\u003Ctable>\n\u003Ctr>\n\u003Cth>[输入]：Python 代码片段\u003C\u002Fth>\n\u003Cth>[输出]：Codex 转换后的可能结果\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\n\n```python\ndef add_something(x, y):\n    print(\"随意地把一些东西加在一起\")\n    z = x + y\n    return z\n\n\nif __name__ == \"__main__\":\n    print('好的，我们开始吧')\n    print(add_something(5, 2))\n```\n\n\u003C\u002Ftd>\n\u003Ctd>\n\n```cpp\n\u002F\u002F 由 Python 代码生成的 C++ 代码：\n#include \u003Ciostream>\nusing namespace std;\n\nint add_something(int x, int y) {\n    cout \u003C\u003C \"随意地把一些东西加在一起\" \u003C\u003C endl;\n    int z = x + y;\n    return z;\n}\n\nint main() {\n    cout \u003C\u003C \"好的，我们开始吧\" \u003C\u003C endl;\n    cout \u003C\u003C add_something(5, 2) \u003C\u003C endl;\n    return 0;\n}\n```\n\u003C\u002Ftd>\n\u003C\u002Ftable>\n\n\n\n请在使用前测试你生成的代码。此工具并不能产生健壮的代码转换，而是用于尝试和探索 Codex 的功能。[开发中]\n## 致谢\n\n本项目基于 OpenAI Codex 项目。\n灵感来源于 https:\u002F\u002Fgithub.com\u002Ftom-doerr","# codex_py2cpp 快速上手指南\n\n`codex_py2cpp` 是一个利用 OpenAI Codex 将 Python 代码自动转换为 C++ 代码的工具。当你的 Python 脚本运行缓慢且不想手动重写 C++ 时，该工具可帮助你生成可编译的 C++ 版本以提升执行速度。\n\n## 环境准备\n\n在开始之前，请确保你的系统满足以下要求：\n\n*   **操作系统**：Linux 或 macOS（Windows 用户建议使用 WSL）\n*   **Python 环境**：已安装 Python 3 及 `pip3`\n*   **编译器**：已安装 `g++` (通常包含在 `build-essential` 或 Xcode Command Line Tools 中)\n*   **API 密钥**：你需要拥有 **OpenAI Codex API** 的访问权限及 API Key。\n    *   *注意：请在运行前将 API Key 配置到环境变量中，具体方式参考 OpenAI 官方文档（例如：`export OPENAI_API_KEY=\"your-key\"`）。*\n\n## 安装步骤\n\n1.  **克隆项目仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Falxschwrz\u002Fcodex_py2cpp.git\n    cd codex_py2cpp\n    ```\n\n2.  **安装依赖**\n    ```bash\n    pip3 install -r requirements.txt\n    ```\n    > **国内加速提示**：如果下载速度慢，推荐使用国内镜像源安装：\n    > ```bash\n    > pip3 install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    > ```\n\n## 基本使用\n\n本工具默认读取项目中的 `simpleScript.py` 文件，调用 Codex 生成对应的 C++ 代码，并尝试编译成可执行文件。\n\n1.  **运行转换脚本**\n    执行以下命令开始转换和编译过程：\n    ```bash\n    python3 python2cppconverter.py\n    ```\n    *如果成功，目录下将生成 `.cpp` 源代码文件和编译后的 `.exe` (或无后缀) 可执行文件。*\n\n2.  **测试生成的程序**\n    运行生成的可执行文件（以 Linux\u002FmacOS 为例）：\n    ```bash\n    .\u002FsimpleScript.exe\n    ```\n    对比原 Python 脚本的输出，确认逻辑一致：\n    ```bash\n    python3 simpleScript.py\n    ```\n\n3.  **性能对比（可选）**\n    使用 `time` 命令查看 C++ 版本相比 Python 版本的速度提升：\n    ```bash\n    time .\u002FsimpleScript.exe\n    time python3 simpleScript.py\n    ```\n\n> **重要提示**：生成的代码主要用于实验和原型验证，可能不具备生产环境的健壮性。在使用前请务必仔细检查并测试生成的 C++ 代码。","某数据科学团队在开发高频交易策略原型时，习惯先用 Python 快速验证算法逻辑，但在实盘部署阶段发现解释型语言的执行效率无法满足低延迟要求。\n\n### 没有 codex_py2cpp 时\n- **重写成本高昂**：工程师需手动将数万行经过验证的 Python 策略代码逐行翻译为 C++，耗时数天且极易引入人为逻辑错误。\n- **技能门槛限制**：团队中擅长量化建模的成员精通 Python 但生疏于 C++ 内存管理与指针操作，跨语言重构成为技术瓶颈。\n- **迭代周期漫长**：每次调整策略参数或逻辑后，都需要重复繁琐的手动转译和编译调试过程，严重拖慢产品上线节奏。\n- **性能验证滞后**：由于转换困难，团队往往等到项目后期才进行性能测试，一旦发现瓶颈，返工代价巨大。\n\n### 使用 codex_py2cpp 后\n- **自动化即时转换**：只需运行脚本，codex_py2cpp 即可读取 Python 源文件并自动调用 OpenAI Codex 生成对应的 C++ 代码，将数天的工作量压缩至分钟级。\n- **降低跨语言难度**：量化研究员无需深入钻研 C++ 语法细节，codex_py2cpp 自动处理类型声明、头文件引用及标准库映射，让专家专注核心算法。\n- **闭环编译验证**：工具自动生成代码后立即调用 g++ 尝试编译，若成功则直接输出可执行文件，实现了从“想法”到“高性能二进制”的快速闭环。\n- **敏捷性能调优**：团队可随时修改 Python 原型并立即通过 codex_py2cpp 获得新版 C++ 程序进行 `time` 测速，快速确认加速效果并迭代策略。\n\ncodex_py2cpp 通过 AI 驱动的语言自动转译，消除了原型开发与高性能部署之间的鸿沟，让算法团队能以 Python 的开发效率享受 C++ 的运行速度。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falxschwrz_codex_py2cpp_84401582.png","alxschwrz","Alexander","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Falxschwrz_64fa3a50.png","Robotics and AI","NVIDIA","Zurich",null,"https:\u002F\u002Fgithub.com\u002Falxschwrz",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,505,47,"2026-02-08T04:47:57","MIT","Linux, macOS, Windows","未说明",{"notes":92,"python":93,"dependencies":94},"该工具本身不运行本地 AI 模型，而是调用 OpenAI Codex API，因此需要有效的 API 密钥和网络连接。编译生成的 C++ 代码需要系统安装 g++ 编译器。Windows 用户需注意生成的可执行文件后缀及运行方式可能与示例中的 Linux\u002FmacOS 环境不同。","3.x (通过 pip3 和 python3 命令推断)",[95],"openai (Codex API 访问依赖，隐含在 requirements.txt 中)",[35,13,15,14],[98,99,100,101,102,103],"codex","cpp","openai","python","code-generation","ai","2026-03-27T02:49:30.150509","2026-04-08T12:12:01.120030",[107,112,117,121,125,129],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},24251,"遇到 'That model does not exist' 或 'No such model: code-davinci-002' 错误怎么办？","这通常是因为您没有访问 OpenAI Codex API 的权限，或者使用的模型名称已失效。请确认您拥有有效的 Codex API 访问密钥（access key）。此外，有用户反馈将引擎从 'code-davinci-002' 更改为 'text-davinci-002' 可以解决该问题，您可以尝试在代码中替换模型名称进行测试。","https:\u002F\u002Fgithub.com\u002Falxschwrz\u002Fcodex_py2cpp\u002Fissues\u002F1",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},24252,"这个工具能完美转换复杂的 Python 脚本吗？","不能。该项目旨在展示如何使用 OpenAI CODEX 模型，并不打算生成健壮或完美的代码转换结果。对于较复杂的脚本，生成的 C++ 代码经常会出现编译错误，这是预期行为。即使代码无法编译，生成的 .cpp 文件也会被保存，您可以直接查看输出结果作为参考。","https:\u002F\u002Fgithub.com\u002Falxschwrz\u002Fcodex_py2cpp\u002Fissues\u002F4",{"id":118,"question_zh":119,"answer_zh":120,"source_url":116},24253,"生成的 C++ 代码编译报错或缺少头文件（如 \u003Cstring>）如何解决？","由于模型生成的代码往往不完整（例如忘记包含 '#include \u003Cstring>'），直接编译失败是常见现象。建议不要依赖自动编译出的 .exe 文件，而是直接检查生成的 .cpp 源代码文件，手动修复缺失的头文件或语法错误。此外，您可以尝试调整代码中的 'frequency_penalty' 或 'presence_penalty' 参数，以改变模型输出从而获得更好的代码结果。",{"id":122,"question_zh":123,"answer_zh":124,"source_url":116},24254,"如何在 Ubuntu 系统上运行此工具？是否需要生成 .exe 文件？","该工具可以在 Ubuntu 22.04 等 Linux 系统上正常运行。如果您不需要 Windows 可执行文件（.exe），可以直接忽略编译步骤，专注于查看和使用生成的 .cpp 源文件。工具会在即使编译失败的情况下也保存 .cpp 文件，供您在 Linux 环境下手动编译或修改。",{"id":126,"question_zh":127,"answer_zh":128,"source_url":116},24255,"为什么简单的 Python 代码转换后也会出现 'std::string' 未定义等基础错误？","这是因为底层 AI 模型（CODEX）生成的代码并不总是符合严格的 C++ 编译标准，经常会遗漏必要的头文件声明。这不是工具本身的 Bug，而是模型生成的局限性。解决方案是人工介入，根据编译器报错提示（如 'did you forget to #include \u003Cstring>?'）手动补充缺失的代码部分。",{"id":130,"question_zh":131,"answer_zh":132,"source_url":116},24256,"如何优化生成的代码质量以减少错误？","您可以尝试修改脚本中的参数来优化结果。具体来说，调整 'frequency_penalty'（频率惩罚）或 'presence_penalty'（存在惩罚）的值，可以影响模型生成内容的多样性和重复性，有时能显著减少语法错误或逻辑漏洞，从而得到更高质量的 C++ 代码。",[]]