claude-code-base-action

GitHub
783 598 简单 2 次阅读 今天MIT语言模型Agent插件
AI 解读 由 AI 自动生成,仅供参考

claude-code-base-action 是一个 GitHub Action,让你能在 GitHub Actions 工作流中直接调用 Claude Code 的 AI 能力。简单来说,它把 Claude 的智能编程能力集成到了你的自动化流程里。

这个工具主要解决了在 CI/CD 流水线中嵌入 AI 助手的难题。你可以用它自动执行代码审查、生成测试用例、更新文档、分析代码质量等任务,无需手动操作。比如,每次提交代码时自动让 Claude 检查潜在 bug,或定期让 AI 帮你更新依赖项。

它特别适合使用 GitHub 的开发者、DevOps 工程师和开发团队。只要你熟悉 GitHub Actions 的 YAML 配置,就能快速上手。

技术亮点方面,claude-code-base-action 提供了非常灵活的配置选项:支持直接输入提示词或从文件读取,可限制对话轮次控制成本,允许自定义系统提示词来调整 AI 行为,还能配置环境变量和备用模型应对 API 故障。既支持传统的 API 密钥认证,也支持更安全的 OAuth 令牌方式。

使用场景

一家5人规模的金融科技初创团队正在开发支付网关服务,每次Pull Request都需要资深工程师手动审查代码质量、安全漏洞和合规性。

没有 claude-code-base-action 时

  • 资深工程师每天要花2-3小时审查PR,频繁打断深度工作,导致核心功能开发进度滞后
  • 人工审查容易遗漏SQL注入、越权访问等安全漏洞,曾有一次差点让敏感数据接口未授权访问问题流入生产环境
  • 代码风格争议消耗大量时间,新人工程师的PR经常在命名规范、错误处理等基础问题上反复修改3-4轮
  • 凌晨线上告警需要紧急修复时,代码审查流于形式,曾因此引入过二次故障
  • 缺乏对第三方库漏洞的实时检测,依赖更新后才发现存在已知CVE漏洞

使用 claude-code-base-action 后

  • 每次PR自动触发Claude Code审查,5分钟内完成安全扫描、性能分析和逻辑检查,工程师只需花10分钟复审关键业务逻辑
  • 自动拦截所有OWASP Top 10漏洞,曾精准识别出一个JWT令牌验证不完整的严重问题,在合并前及时修复
  • 统一执行ESLint/Prettier规范审查,Code Review聚焦架构设计和业务逻辑,新人PR合并周期从平均2天缩短到4小时
  • 紧急修复PR同样经过完整的自动化审查,凌晨发布的补丁版本稳定性提升60%
  • 自动扫描依赖树中的已知漏洞,在dependabot创建PR时同步给出修复建议,技术债务减少40%

claude-code-base-action将AI代码审查深度集成到GitHub工作流,让这个小团队用相当于聘请半个资深工程师的成本,获得了7×24小时不间断的代码质量守门员。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

未说明

内存

未说明

依赖
notes此工具为 GitHub Action,必须在 GitHub Actions 工作流环境中运行。身份验证需要 Anthropic API 密钥或 Claude Code OAuth 令牌(二选一)。支持通过 NODE_VERSION 环境变量自定义 Node.js 版本。提供多种配置选项:工具权限控制(allowed_tools/disallowed_tools)、自定义环境变量(claude_env)、系统提示词、MCP 配置等。可选使用 AWS Bedrock 或 Google Vertex AI 替代 Anthropic API。重要安全警告:show_full_output 选项可能泄露 secrets,建议保持默认关闭状态。
python未说明
Node.js (默认 18.x)
claude-code-base-action hero image

快速开始

⚠️ 这是一个镜像仓库

本仓库是 anthropics/claude-code-actionbase-action 目录的自动镜像。

请勿在此仓库提交 PR 或 issue。 请向主仓库贡献:


Claude Code Base Action

这个 GitHub Action(GitHub 操作)允许你在 GitHub Actions 工作流中运行 Claude Code。你可以使用它来构建任何基于 Claude Code 的自定义工作流。

对于开箱即用地在 issue 和 PR 中 @claude,请查看 Claude Code action 和 GitHub 应用

使用方法

将以下内容添加到你的工作流文件中:

# Using a direct prompt
- name: Run Claude Code with direct prompt
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Your prompt here"
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

# Or using a prompt from a file
- name: Run Claude Code with prompt file
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt_file: "/path/to/prompt.txt"
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

# Or limiting the conversation turns
- name: Run Claude Code with limited turns
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Your prompt here"
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"
    max_turns: "5" # Limit conversation to 5 turns
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

# Using custom system prompts
- name: Run Claude Code with custom system prompt
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Build a REST API"
    system_prompt: "You are a senior backend engineer. Focus on security, performance, and maintainability."
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

# Or appending to the default system prompt
- name: Run Claude Code with appended system prompt
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Create a database schema"
    append_system_prompt: "After writing code, be sure to code review yourself."
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

# Using custom environment variables
- name: Run Claude Code with custom environment variables
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Deploy to staging environment"
    claude_env: |
      ENVIRONMENT: staging
      API_URL: https://api-staging.example.com
      DEBUG: true
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

# Using fallback model for handling API errors
- name: Run Claude Code with fallback model
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Review and fix TypeScript errors"
    model: "claude-opus-4-1-20250805"
    fallback_model: "claude-sonnet-4-20250514"
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

# Using OAuth token instead of API key
- name: Run Claude Code with OAuth token
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Update dependencies"
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"
    claude_code_oauth_token: ${{ secrets.CLAUDE_CODE_OAUTH_TOKEN }}

输入参数

输入参数 描述 必填 默认值
prompt 发送给Claude Code的提示词 否* ''
prompt_file 包含提示词的文件路径 否* ''
allowed_tools 允许Claude Code使用的工具列表(逗号分隔) ''
disallowed_tools Claude Code不能使用的禁用工具列表(逗号分隔) ''
max_turns 最大对话轮数(默认:无限制) ''
mcp_config MCP配置文件路径,或MCP配置JSON字符串 ''
settings Claude Code设置JSON文件路径,或设置JSON字符串 ''
system_prompt 覆盖系统提示词 ''
append_system_prompt 追加到系统提示词 ''
claude_env 传递给Claude Code执行的自定义环境变量(YAML多行格式) ''
model 要使用的模型(Bedrock/Vertex需要特定提供商格式) 'claude-4-0-sonnet-20250219'
anthropic_model 已弃用:请使用'model'代替 'claude-4-0-sonnet-20250219'
fallback_model 当默认模型过载时自动回退到指定模型 ''
anthropic_api_key Anthropic API密钥(直连Anthropic API时需要) ''
claude_code_oauth_token Claude Code OAuth令牌(anthropic_api_key的替代方案) ''
use_bedrock 使用Amazon Bedrock配合OIDC认证,而非直连Anthropic API 'false'
use_vertex 使用Google Vertex AI配合OIDC认证,而非直连Anthropic API 'false'
use_node_cache 是否使用Node.js依赖缓存(仅当Node.js项目包含锁定文件时设为true) 'false'
show_full_output 显示完整JSON输出(⚠️可能泄露机密信息 - 参见安全文档 'false'**

*必须提供promptprompt_file之一,但不能同时提供。

**当GitHub Actions调试模式激活时,show_full_output会自动启用。重要的安全注意事项请参见安全文档

输出参数

输出参数 描述
conclusion Claude Code的执行状态('success'或'failure')
execution_file 包含Claude Code执行日志的JSON文件路径

环境变量

以下环境变量可用于配置此Action:

变量名 描述 默认值
NODE_VERSION 要使用的Node.js版本(例如'18.x'、'20.x'、'22.x') '18.x'

使用示例:

- name: Run Claude Code with Node.js 20
  uses: anthropics/claude-code-base-action@beta
  env:
    NODE_VERSION: "20.x"
  with:
    prompt: "Your prompt here"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

自定义环境变量

您可以使用claude_env输入参数将自定义环境变量传递给Claude Code执行。这使得Claude在执行期间能够访问特定环境的配置。

claude_env输入参数接受YAML多行格式的键值对:

- name: Deploy with custom environment
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Deploy the application to the staging environment"
    claude_env: |
      ENVIRONMENT: staging
      API_BASE_URL: https://api-staging.example.com
      DATABASE_URL: ${{ secrets.STAGING_DB_URL }}
      DEBUG: true
      LOG_LEVEL: debug
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

特性:

  • YAML格式:使用标准YAML键值语法(KEY: value
  • 多行支持:在单个输入中定义多个环境变量
  • 注释:以#开头的行将被忽略
  • GitHub Secrets:可以使用${{ secrets.SECRET_NAME }}引用GitHub机密
  • 运行时访问:环境变量在执行期间对Claude可用

使用示例:

# Development configuration
claude_env: |
  NODE_ENV: development
  API_URL: http://localhost:3000
  DEBUG: true

# Production deployment
claude_env: |
  NODE_ENV: production
  API_URL: https://api.example.com
  DATABASE_URL: ${{ secrets.PROD_DB_URL }}
  REDIS_URL: ${{ secrets.REDIS_URL }}

# Feature flags and configuration
claude_env: |
  FEATURE_NEW_UI: enabled
  MAX_RETRIES: 3
  TIMEOUT_MS: 5000

使用设置配置

您可以通过两种方式提供 Claude Code 设置配置:

选项 1:设置配置文件

提供包含 Claude Code 设置的 JSON 文件路径:

- name: Run Claude Code with settings file
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Your prompt here"
    settings: "path/to/settings.json"
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

选项 2:内联设置配置

直接以 JSON 字符串形式提供设置配置:

- name: Run Claude Code with inline settings
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Your prompt here"
    settings: |
      {
        "model": "claude-opus-4-1-20250805",
        "env": {
          "DEBUG": "true",
          "API_URL": "https://api.example.com"
        },
        "permissions": {
          "allow": ["Bash", "Read"],
          "deny": ["WebFetch"]
        },
        "hooks": {
          "PreToolUse": [{
            "matcher": "Bash",
            "hooks": [{
              "type": "command",
              "command": "echo Running bash command..."
            }]
          }]
        }
      }
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

设置文件支持所有 Claude Code 设置选项,包括:

  • model(模型):覆盖默认模型
  • env(环境变量):会话的环境变量
  • permissions(权限):工具使用权限
  • hooks(钩子):工具执行前/后的钩子
  • includeCoAuthoredBy(包含共同作者):在 git 提交中包含共同作者信息
  • 以及更多...

注意:此操作始终将 enableAllProjectMcpServers 设置设为 true,以确保 MCP(Model Context Protocol,模型上下文协议)服务器正常工作。

使用 MCP 配置

您可以通过两种方式提供 MCP 配置:

选项 1:MCP 配置文件

提供包含 MCP 配置的 JSON 文件路径:

- name: Run Claude Code with MCP config file
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Your prompt here"
    mcp_config: "path/to/mcp-config.json"
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

选项 2:内联 MCP 配置

直接以 JSON 字符串形式提供 MCP 配置:

- name: Run Claude Code with inline MCP config
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Your prompt here"
    mcp_config: |
      {
        "mcpServers": {
          "server-name": {
            "command": "node",
            "args": ["./server.js"],
            "env": {
              "API_KEY": "your-api-key"
            }
          }
        }
      }
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

MCP 配置文件应遵循以下格式:

{
  "mcpServers": {
    "server-name": {
      "command": "node",
      "args": ["./server.js"],
      "env": {
        "API_KEY": "your-api-key"
      }
    }
  }
}

您可以将 MCP 配置与其他输入(如允许的工具)结合使用:

# Using multiple inputs together
- name: Run Claude Code with MCP and custom tools
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Access the custom MCP server and use its tools"
    mcp_config: "mcp-config.json"
    allowed_tools: "Bash(git:*),View,mcp__server-name__custom_tool"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

示例:PR 代码审查

name: Claude Code Review

on:
  pull_request:
    types: [opened, synchronize]

jobs:
  code-review:
    runs-on: ubuntu-latest
    steps:
      - name: Checkout code
        uses: actions/checkout@v6
        with:
          fetch-depth: 0

      - name: Run Code Review with Claude
        id: code-review
        uses: anthropics/claude-code-base-action@beta
        with:
          prompt: "Review the PR changes. Focus on code quality, potential bugs, and performance issues. Suggest improvements where appropriate. Write your review as markdown text."
          allowed_tools: "Bash(git diff --name-only HEAD~1),Bash(git diff HEAD~1),View,GlobTool,GrepTool,Write"
          anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

      - name: Extract and Comment PR Review
        if: steps.code-review.outputs.conclusion == 'success'
        uses: actions/github-script@v7
        with:
          github-token: ${{ secrets.GITHUB_TOKEN }}
          script: |
            const fs = require('fs');
            const executionFile = '${{ steps.code-review.outputs.execution_file }}';
            const executionLog = JSON.parse(fs.readFileSync(executionFile, 'utf8'));

            // Extract the review content from the execution log
            // The execution log contains the full conversation including Claude's responses
            let review = '';

            // Find the last assistant message which should contain the review
            for (let i = executionLog.length - 1; i >= 0; i--) {
              if (executionLog[i].role === 'assistant') {
                review = executionLog[i].content;
                break;
              }
            }

            if (review) {
              github.rest.issues.createComment({
                issue_number: context.issue.number,
                owner: context.repo.owner,
                repo: context.repo.repo,
                body: "## Claude Code Review\n\n" + review + "\n\n*Generated by Claude Code*"
              });
            }

查看 ./examples 中的更多示例。

使用云提供商

您可以通过以下任一方式对 Claude 进行身份验证:

  1. 直接 Anthropic API(默认)- 需要 API 密钥或 OAuth 令牌
  2. Amazon Bedrock - 需要 OIDC(OpenID Connect,开放身份认证)身份认证,并自动使用跨区域推理配置文件
  3. Google Vertex AI - 需要 OIDC 身份认证

注意

  • Bedrock 和 Vertex 仅使用 OIDC 身份认证
  • AWS Bedrock 自动为某些模型使用跨区域推理配置文件
  • 对于跨区域推理配置文件模型,您需要申请并获得推理配置文件所使用的所有区域中的 Claude 模型访问权限
  • Bedrock API 端点 URL 使用 AWS_REGION 环境变量自动构建(例如 https://bedrock-runtime.us-west-2.amazonaws.com
  • 您可以通过设置 ANTHROPIC_BEDROCK_BASE_URL 环境变量来覆盖 Bedrock API 端点 URL

模型配置

根据您选择的提供商使用特定的模型名称:

# For direct Anthropic API (default)
- name: Run Claude Code with Anthropic API
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Your prompt here"
    model: "claude-3-7-sonnet-20250219"
    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

对于 Amazon Bedrock(需要 OIDC 认证)

  • name: Configure AWS Credentials (OIDC) uses: aws-actions/configure-aws-credentials@v4 with: role-to-assume: ${{ secrets.AWS_ROLE_TO_ASSUME }} aws-region: us-west-2

  • name: Run Claude Code with Bedrock uses: anthropics/claude-code-base-action@beta with: prompt: "Your prompt here" model: "anthropic.claude-3-7-sonnet-20250219-v1:0" use_bedrock: "true"

对于 Google Vertex AI(需要 OIDC 认证)

  • name: Authenticate to Google Cloud uses: google-github-actions/auth@v2 with: workload_identity_provider: ${{ secrets.GCP_WORKLOAD_IDENTITY_PROVIDER }} service_account: ${{ secrets.GCP_SERVICE_ACCOUNT }}

  • name: Run Claude Code with Vertex AI uses: anthropics/claude-code-base-action@beta with: prompt: "Your prompt here" model: "claude-3-7-sonnet@20250219" use_vertex: "true"


## 示例:将 OIDC 认证用于 AWS Bedrock

此示例展示了如何将 OIDC 认证与 AWS Bedrock 结合使用:

```yaml
- name: Configure AWS Credentials (OIDC)
  uses: aws-actions/configure-aws-credentials@v4
  with:
    role-to-assume: ${{ secrets.AWS_ROLE_TO_ASSUME }}
    aws-region: us-west-2

- name: Run Claude Code with AWS OIDC
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Your prompt here"
    use_bedrock: "true"
    model: "anthropic.claude-3-7-sonnet-20250219-v1:0"
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"

示例:将 OIDC 认证用于 GCP Vertex AI

此示例展示了如何将 OIDC 认证与 GCP Vertex AI 结合使用:

- name: Authenticate to Google Cloud
  uses: google-github-actions/auth@v2
  with:
    workload_identity_provider: ${{ secrets.GCP_WORKLOAD_IDENTITY_PROVIDER }}
    service_account: ${{ secrets.GCP_SERVICE_ACCOUNT }}

- name: Run Claude Code with GCP OIDC
  uses: anthropics/claude-code-base-action@beta
  with:
    prompt: "Your prompt here"
    use_vertex: "true"
    model: "claude-3-7-sonnet@20250219"
    allowed_tools: "Bash(git:*),View,GlobTool,GrepTool,BatchTool"

安全最佳实践

⚠️ 重要提示:切勿将 API 密钥直接提交到您的仓库中!请始终使用 GitHub Actions secrets。

要安全地使用您的 Anthropic API 密钥:

  1. 将您的 API 密钥添加为仓库 secret:

    • 进入您的仓库设置
    • 导航至 "Secrets and variables" → "Actions"
    • 点击 "New repository secret"
    • 将其命名为 ANTHROPIC_API_KEY
    • 将您的 API 密钥粘贴为值
  2. 在您的工作流中引用该 secret:

    anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}
    

切勿这样做:

# ❌ 错误 - 会暴露您的 API 密钥
anthropic_api_key: "sk-ant-..."

请始终这样做:

# ✅ 正确 - 使用 GitHub secrets
anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

这适用于所有敏感值,包括 API 密钥、访问令牌和凭据。 我们还建议您在可能的情况下始终使用短期令牌。

许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件。

版本历史

v0.0.632025/08/22
beta2025/05/19
v0.0.622025/08/21
v0.0.612025/08/20
v0.0.602025/08/19
v0.0.592025/08/18
v0.0.582025/08/15
v0.0.572025/08/14
v0.0.562025/08/12
v0.0.552025/08/08
v0.0.542025/08/06
v0.0.532025/08/06
v0.0.522025/08/04
v0.0.512025/08/01
v0.0.502025/07/31
v0.0.492025/07/30
v0.0.482025/07/29
v0.0.472025/07/29
v0.0.452025/07/27
v0.0.442025/07/24

常见问题

相似工具推荐

stable-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。 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。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-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。 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。 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

140.4k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

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。 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。 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。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

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。 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。 NextChat 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。

87.6k|★★☆☆☆|昨天
开发框架语言模型

ML-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。 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。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

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。 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。 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。

77.1k|★★★☆☆|2天前
Agent图像开发框架