[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-amazon-science--auto-cot":3,"tool-amazon-science--auto-cot":65},[4,17,27,35,48,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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",147882,2,"2026-04-09T11:32:47",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",90106,3,"2026-04-06T11:19:32",[15,26,14,13],"图像",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":10,"last_commit_at":33,"category_tags":34,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85052,"2026-04-08T11:03:08",[26,43,44,45,14,46,15,13,47],"数据工具","视频","插件","其他","音频",{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":54,"last_commit_at":55,"category_tags":56,"status":16},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[15,43,46],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":23,"last_commit_at":63,"category_tags":64,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[14,26,13,15,46],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":71,"readme_en":72,"readme_zh":73,"quickstart_zh":74,"use_case_zh":75,"hero_image_url":76,"owner_login":77,"owner_name":78,"owner_avatar_url":79,"owner_bio":80,"owner_company":81,"owner_location":81,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":23,"env_os":98,"env_gpu":99,"env_ram":98,"env_deps":100,"category_tags":106,"github_topics":107,"view_count":10,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":115,"updated_at":116,"faqs":117,"releases":118},5864,"amazon-science\u002Fauto-cot","auto-cot","Official implementation for \"Automatic Chain of Thought Prompting in Large Language Models\" (stay tuned & more will be updated)","Auto-CoT 是论文《Automatic Chain of Thought Prompting in Large Language Models》的官方开源实现，旨在让大语言模型更智能地“一步步思考”。传统思维链（Chain of Thought）提示往往依赖人工精心设计示例，耗时费力且难以覆盖多样场景。Auto-CoT 通过自动聚类问题并生成多样化的推理示范，大幅减少了人工构建提示的工作量。实验表明，其在 GPT-3 等模型上的表现可媲美甚至超越人工设计的提示方案。\n\n该工具特别适合 AI 研究人员和开发者使用，尤其是那些希望快速验证思维链效果、减少提示工程成本的技术团队。普通用户若具备基础 Python 环境，也可通过提供的 Colab 笔记本轻松体验。其核心亮点在于“自动化”与“多样性”：无需手动编写复杂推理步骤，系统能根据任务自动生成高质量示范，显著提升推理准确率。项目基于 PyTorch 构建，支持多种经典推理数据集，并提供清晰的脚本指引，方便用户复现论文结果或集成到自有流程中。作为 ICLR 2023 收录成果，Auto-CoT 为高效利用大模型推理能力提供了实用且可靠","Auto-CoT 是论文《Automatic Chain of Thought Prompting in Large Language Models》的官方开源实现，旨在让大语言模型更智能地“一步步思考”。传统思维链（Chain of Thought）提示往往依赖人工精心设计示例，耗时费力且难以覆盖多样场景。Auto-CoT 通过自动聚类问题并生成多样化的推理示范，大幅减少了人工构建提示的工作量。实验表明，其在 GPT-3 等模型上的表现可媲美甚至超越人工设计的提示方案。\n\n该工具特别适合 AI 研究人员和开发者使用，尤其是那些希望快速验证思维链效果、减少提示工程成本的技术团队。普通用户若具备基础 Python 环境，也可通过提供的 Colab 笔记本轻松体验。其核心亮点在于“自动化”与“多样性”：无需手动编写复杂推理步骤，系统能根据任务自动生成高质量示范，显著提升推理准确率。项目基于 PyTorch 构建，支持多种经典推理数据集，并提供清晰的脚本指引，方便用户复现论文结果或集成到自有流程中。作为 ICLR 2023 收录成果，Auto-CoT 为高效利用大模型推理能力提供了实用且可靠的开源方案。","# Auto-CoT: Automatic Chain of Thought Prompting in Large Language Models (ICLR 2023)\n\n[![Open Auto-CoT in Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Famazon-science\u002Fauto-cot\u002Fblob\u002Fmain\u002Ftry_cot_colab.ipynb)\n\nCheer AI up with the \"let's think step by step\" prompt? More plz. *Let’s think not just step by step, but also one by one.*\n\nAuto-CoT uses more cheers & diversity to SAVE huge manual efforts in chain of thought prompt design, matching or even exceeding performance of manual design on GPT-3.\n\nCheck out our [25-page paper](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2210.03493.pdf) for more information.\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famazon-science_auto-cot_readme_697f3251c2e4.png)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famazon-science_auto-cot_readme_e1bb2b5cfe32.png)\n\n\n## Requirements\n\nPython>=3.8\n```\npip install torch==1.8.2+cu111 torchtext==0.9.2 -f https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Flts\u002F1.8\u002Ftorch_lts.html\npip install -r requirements.txt\n```\n\n## Datasets\n\nDownload the datasets from the following:\n\n```\nhttps:\u002F\u002Fgithub.com\u002Fkojima-takeshi188\u002Fzero_shot_cot\u002Ftree\u002Fmain\u002Fdataset\nhttps:\u002F\u002Fgithub.com\u002Fkojima-takeshi188\u002Fzero_shot_cot\u002Ftree\u002Fmain\u002Flog\n```\n\n## Quick Start\n\nSee ```try_cot.ipynb```\n\n## Instructions\n\nConstruct Demos:\n\n```\npython run_demo.py \\\n--task multiarith \\\n--pred_file log\u002Fmultiarith_zero_shot_cot.log \\\n--demo_save_dir demos\u002Fmultiarith\n```\n\nRun inference:\n\n```\npython run_inference.py \\\n--dataset multiarith \\\n--demo_path demos\u002Fmultiarith \\\n--output_dir experiment\u002Fmultiarith\n```\n\n## Citing Auto-CoT\n```\n@inproceedings{zhang2023automatic,\n  title={Automatic Chain of Thought Prompting in Large Language Models},\n  author={Zhang, Zhuosheng and Zhang, Aston and Li, Mu and Smola, Alex},\n  booktitle={The Eleventh International Conference on Learning Representations (ICLR 2023)},\n  year={2023}\n}\n```\n\n## Security\n\nSee [CONTRIBUTING](CONTRIBUTING.md#security-issue-notifications) for more information.\n\n## License\n\nThis project is licensed under the Apache-2.0 License.\n","# Auto-CoT：大型语言模型中的自动思维链提示（ICLR 2023）\n\n[![在 Colab 中打开 Auto-CoT](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Famazon-science\u002Fauto-cot\u002Fblob\u002Fmain\u002Ftry_cot_colab.ipynb)\n\n用“让我们一步一步思考”的提示来鼓励 AI 吗？多来点吧。*让我们不仅一步一步地思考，还要一个一个地思考。*\n\nAuto-CoT 通过更多的鼓励和多样性，大幅节省了思维链提示设计中的大量手动工作，在 GPT-3 上的表现甚至可以媲美或超越人工设计的提示。\n\n更多详情请参阅我们的 [25 页论文](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2210.03493.pdf)。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famazon-science_auto-cot_readme_697f3251c2e4.png)\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famazon-science_auto-cot_readme_e1bb2b5cfe32.png)\n\n\n## 环境要求\n\nPython>=3.8\n```\npip install torch==1.8.2+cu111 torchtext==0.9.2 -f https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Flts\u002F1.8\u002Ftorch_lts.html\npip install -r requirements.txt\n```\n\n## 数据集\n\n请从以下链接下载数据集：\n\n```\nhttps:\u002F\u002Fgithub.com\u002Fkojima-takeshi188\u002Fzero_shot_cot\u002Ftree\u002Fmain\u002Fdataset\nhttps:\u002F\u002Fgithub.com\u002Fkojima-takeshi188\u002Fzero_shot_cot\u002Ftree\u002Fmain\u002Flog\n```\n\n## 快速入门\n\n请参阅 ```try_cot.ipynb```。\n\n## 使用说明\n\n构建演示数据：\n\n```\npython run_demo.py \\\n--task multiarith \\\n--pred_file log\u002Fmultiarith_zero_shot_cot.log \\\n--demo_save_dir demos\u002Fmultiarith\n```\n\n运行推理：\n\n```\npython run_inference.py \\\n--dataset multiarith \\\n--demo_path demos\u002Fmultiarith \\\n--output_dir experiment\u002Fmultiarith\n```\n\n## 引用 Auto-CoT\n```\n@inproceedings{zhang2023automatic,\n  title={Automatic Chain of Thought Prompting in Large Language Models},\n  author={Zhang, Zhuosheng and Zhang, Aston and Li, Mu and Smola, Alex},\n  booktitle={The Eleventh International Conference on Learning Representations (ICLR 2023)},\n  year={2023}\n}\n```\n\n## 安全性\n\n更多信息请参阅 [CONTRIBUTING](CONTRIBUTING.md#security-issue-notifications)。\n\n## 许可证\n\n本项目采用 Apache-2.0 许可证。","# Auto-CoT 快速上手指南\n\nAuto-CoT 是一个用于在大语言模型中自动生成思维链（Chain of Thought）提示的工具，旨在减少人工设计提示的工作量，同时在性能上匹配甚至超越手动设计的方案。\n\n## 环境准备\n\n- **操作系统**：支持 Linux、macOS 或 Windows（需配置相应环境）\n- **Python 版本**：>= 3.8\n- **依赖库**：PyTorch、torchtext 及其他 Python 包\n\n## 安装步骤\n\n1. 安装 PyTorch 和 torchtext（以 CUDA 11.1 为例）：\n   ```bash\n   pip install torch==1.8.2+cu111 torchtext==0.9.2 -f https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Flts\u002F1.8\u002Ftorch_lts.html\n   ```\n\n2. 安装其他依赖：\n   ```bash\n   pip install -r requirements.txt\n   ```\n\n> 💡 国内用户可使用清华或阿里云镜像加速安装：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple -r requirements.txt\n> ```\n\n## 基本使用\n\n### 1. 准备数据集\n\n从以下地址下载所需数据集和日志文件：\n- 数据集：https:\u002F\u002Fgithub.com\u002Fkojima-takeshi188\u002Fzero_shot_cot\u002Ftree\u002Fmain\u002Fdataset\n- 日志文件：https:\u002F\u002Fgithub.com\u002Fkojima-takeshi188\u002Fzero_shot_cot\u002Ftree\u002Fmain\u002Flog\n\n将文件放置于项目对应目录中。\n\n### 2. 构建示例（Demos）\n\n以 `multiarith` 任务为例，运行以下命令生成演示数据：\n```bash\npython run_demo.py \\\n--task multiarith \\\n--pred_file log\u002Fmultiarith_zero_shot_cot.log \\\n--demo_save_dir demos\u002Fmultiarith\n```\n\n### 3. 执行推理\n\n使用生成的演示数据进行推理：\n```bash\npython run_inference.py \\\n--dataset multiarith \\\n--demo_path demos\u002Fmultiarith \\\n--output_dir experiment\u002Fmultiarith\n```\n\n### 4. 快速体验（可选）\n\n可直接在 Google Colab 中尝试：\n[![Open Auto-CoT in Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Famazon-science\u002Fauto-cot\u002Fblob\u002Fmain\u002Ftry_cot_colab.ipynb)\n\n更多详细用法请参考 `try_cot.ipynb` 笔记本。","某教育科技公司的算法团队正在开发一款面向中学生的智能数学辅导系统，需要让大模型不仅能给出答案，还能生成逻辑严密的解题步骤。\n\n### 没有 auto-cot 时\n- 工程师需人工为每类数学题（如代数、几何）编写详细的“思维链”示例，耗时数周且难以覆盖所有题型。\n- 手动设计的提示词风格单一，模型遇到稍加变形的题目时容易陷入逻辑死胡同，泛化能力差。\n- 依赖专家经验调整提示语，不同人员设计的模板质量参差不齐，导致系统输出稳定性低。\n- 随着题库扩充，维护成千上万条人工编写的思维链示范成本极高，迭代速度严重滞后。\n\n### 使用 auto-cot 后\n- auto-cot 自动从海量数据中聚类典型问题并生成多样化的推理示范，将原本数周的准备工作缩短至几小时。\n- 通过引入更多样化的推理路径，模型在面对新颖或复杂的变形题时，能自主拆解步骤，准确率显著提升。\n- 消除了对个人经验的依赖，auto-cot 生成的标准化思维链确保了不同题目间推理逻辑的一致性和高质量。\n- 新增题型时只需运行脚本即可自动生成配套示范，极大降低了维护成本，使题库更新能实时同步到模型能力中。\n\nauto-cot 的核心价值在于将繁琐的人工提示工程设计转化为自动化流程，用多样性换取了更高的推理性能与扩展效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famazon-science_auto-cot_ea55f6c3.png","amazon-science","Amazon Science","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Famazon-science_b9b0901f.png","",null,"AmazonScience","https:\u002F\u002Famazon.science","https:\u002F\u002Fgithub.com\u002Famazon-science",[86,90],{"name":87,"color":88,"percentage":89},"Jupyter Notebook","#DA5B0B",59.5,{"name":91,"color":92,"percentage":93},"Python","#3572A5",40.5,2020,185,"2026-04-09T03:36:20","Apache-2.0","未说明","需要 NVIDIA GPU (由安装命令中的 cu111 推断)，具体显存大小未说明，需 CUDA 11.1",{"notes":101,"python":102,"dependencies":103},"需手动从外部 GitHub 仓库下载数据集和日志文件；项目依赖 requirements.txt 中定义的其他库（文中未列出具体清单）；安装 PyTorch 时需指定 LTS 版本源地址。",">=3.8",[104,105],"torch==1.8.2+cu111","torchtext==0.9.2",[15],[108,109,110,111,112,113,114],"large-language-models","prompt-engineering","gpt-3","gpt3-prompts","gpt3-resources","reasoning","chain-of-thought","2026-03-27T02:49:30.150509","2026-04-09T20:51:38.399715",[],[]]