[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-araffin--rl-tutorial-jnrr19":3,"tool-araffin--rl-tutorial-jnrr19":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","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},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"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",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":23,"env_os":93,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":99,"github_topics":100,"view_count":10,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":141},720,"araffin\u002Frl-tutorial-jnrr19","rl-tutorial-jnrr19","Stable-Baselines tutorial for Journées Nationales de la Recherche en Robotique 2019 ","rl-tutorial-jnrr19 是一套基于 Stable-Baselines3 的强化学习开源教程，最初为 2019 年法国国家机器人研究日（JNRR）定制。它致力于解决强化学习领域入门门槛高、环境配置复杂的问题，帮助学习者快速理解并应用相关算法。\n\n教程通过一系列可直接在 Google Colab 中运行的 Notebook，系统讲解了从基础入门到高级技巧的全流程。内容包含 Gym 环境封装、模型持久化、多进程训练加速、超参数调优策略以及自定义环境开发等关键模块。此外，还整合了 RL Baselines Zoo 的实战案例，方便用户对比不同算法的性能表现。\n\n这套资源非常适合希望快速上手的开发者、进行算法验证的研究人员以及对机器人控制感兴趣的学员。其独特之处在于依托 Stable-Baselines3 库的高稳定性，将复杂的数学原理转化为可执行的代码实践，大幅减少了环境搭建的精力消耗。借助这些交互式文档，用户能够更高效地构建实验环境，专注于算法逻辑本身，是进入强化学习领域的优质起点。","# Stable Baselines3 RL tutorial\n\nStable-Baselines reinforcement learning tutorial for Journées Nationales de la Recherche en Robotique 2019.\n\nWebsite: https:\u002F\u002Fjnrr2019.loria.fr\u002F\n\nSlides: https:\u002F\u002Faraffin.github.io\u002Fslides\u002Frl-tuto-jnrr19\u002F#\u002F\n\nStable-Baselines3 repo: https:\u002F\u002Fgithub.com\u002FDLR-RM\u002Fstable-baselines3\n\nDocumentation: https:\u002F\u002Fstable-baselines3.readthedocs.io\u002Fen\u002Fmaster\u002F\n\nRL Baselines3 zoo: https:\u002F\u002Fgithub.com\u002FDLR-RM\u002Frl-baselines3-zoo\n\nThis tutorial was created by [Edward Beeching](https:\u002F\u002Fgithub.com\u002Fedbeeching), [Ashley Hill](https:\u002F\u002Fgithub.com\u002Fhill-a) and [Antonin Raffin](https:\u002F\u002Faraffin.github.io\u002F)\n\n## Content\n\n1. Getting Started [Colab Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fblob\u002Fsb3\u002F1_getting_started.ipynb)\n2. Gym Wrappers, saving and loading models [Colab Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fblob\u002Fsb3\u002F2_gym_wrappers_saving_loading.ipynb)\n3. Multiprocessing [Colab Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fblob\u002Fsb3\u002F3_multiprocessing.ipynb)\n4. Callbacks and hyperparameter tuning [Colab Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fblob\u002Fsb3\u002F4_callbacks_hyperparameter_tuning.ipynb)\n5. Creating a custom gym environment [Colab Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fblob\u002Fsb3\u002F5_custom_gym_env.ipynb)\n\n## Bonus\n\nRL baselines zoo: [Colab Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FStable-Baselines-Team\u002Frl-colab-notebooks\u002Fblob\u002Fsb3\u002Frl-baselines-zoo.ipynb)\n\n## Contributors\n\nWe would like to thanks our contributors: [@rbahumi](https:\u002F\u002Fgithub.com\u002Frbahumi) [@stefanbschneider](https:\u002F\u002Fgithub.com\u002Fstefanbschneider)\n","# Stable Baselines3 强化学习 (RL) 教程\n\n这是为 2019 年法国国家机器人研究日（Journées Nationales de la Recherche en Robotique 2019）提供的 Stable-Baselines 强化学习教程。\n\n网站：https:\u002F\u002Fjnrr2019.loria.fr\u002F\n\n幻灯片：https:\u002F\u002Faraffin.github.io\u002Fslides\u002Frl-tuto-jnrr19\u002F#\u002F\n\nStable-Baselines3 仓库：https:\u002F\u002Fgithub.com\u002FDLR-RM\u002Fstable-baselines3\n\n文档：https:\u002F\u002Fstable-baselines3.readthedocs.io\u002Fen\u002Fmaster\u002F\n\nRL Baselines3 Zoo：https:\u002F\u002Fgithub.com\u002FDLR-RM\u002Frl-baselines3-zoo\n\n本教程由 [Edward Beeching](https:\u002F\u002Fgithub.com\u002Fedbeeching)、[Ashley Hill](https:\u002F\u002Fgithub.com\u002Fhill-a) 和 [Antonin Raffin](https:\u002F\u002Faraffin.github.io\u002F) 创建\n\n## 内容\n\n1. 入门 [Colab 笔记本](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fblob\u002Fsb3\u002F1_getting_started.ipynb)\n2. Gym 包装器，模型保存与加载 [Colab 笔记本](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fblob\u002Fsb3\u002F2_gym_wrappers_saving_loading.ipynb)\n3. 多进程处理 [Colab 笔记本](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fblob\u002Fsb3\u002F3_multiprocessing.ipynb)\n4. 回调函数 (Callbacks) 与超参数调优 [Colab 笔记本](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fblob\u002Fsb3\u002F4_callbacks_hyperparameter_tuning.ipynb)\n5. 创建自定义 Gym 环境 [Colab 笔记本](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fblob\u002Fsb3\u002F5_custom_gym_env.ipynb)\n\n## 附加内容\n\nRL Baselines3 Zoo：[Colab 笔记本](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FStable-Baselines-Team\u002Frl-colab-notebooks\u002Fblob\u002Fsb3\u002Frl-baselines-zoo.ipynb)\n\n## 贡献者\n\n我们要感谢我们的贡献者：[@rbahumi](https:\u002F\u002Fgithub.com\u002Frbahumi) [@stefanbschneider](https:\u002F\u002Fgithub.com\u002Fstefanbschneider)","# rl-tutorial-jnrr19 快速上手指南\n\n本工具是基于 **Stable-Baselines3** 的强化学习教程集合，专为机器人研究及算法实践设计。通过一系列 Jupyter Notebook 引导用户快速掌握 RL 核心概念与实现。\n\n## 环境准备\n\n- **操作系统**: Linux \u002F macOS \u002F Windows\n- **Python 版本**: 建议 3.7 及以上\n- **硬件要求**: \n  - CPU 可运行基础示例\n  - 推荐使用 NVIDIA GPU 以加速训练（需安装 CUDA 支持）\n- **依赖库**: PyTorch, Gymnasium (Gym), NumPy 等（安装 Stable-Baselines3 时会自动处理）\n\n## 安装步骤\n\n### 1. 配置国内镜像源（推荐）\n为了提升下载速度，建议使用清华源进行包安装：\n```bash\npip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 2. 安装核心库 Stable-Baselines3\n```bash\npip install stable-baselines3[extra]\n```\n\n### 3. 克隆教程仓库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Faraffin\u002Frl-tutorial-jnrr19.git\ncd rl-tutorial-jnrr19\n```\n\n> **提示**: 若不想本地配置环境，可直接使用官方提供的 Google Colab 链接运行教程。\n\n## 基本使用\n\n### 方式一：使用 Google Colab（最快上手）\n无需本地安装，直接点击链接在云端运行第一个入门教程：\n- [1_getting_started.ipynb](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fblob\u002Fsb3\u002F1_getting_started.ipynb)\n\n### 方式二：本地运行示例\n安装完成后，可在本地启动 Jupyter Notebook 查看完整教程目录：\n```bash\njupyter notebook\n```\n打开 `1_getting_started.ipynb` 即可开始学习。\n\n### 最小化代码示例\n若需直接在 Python 脚本中测试，以下为基于 Stable-Baselines3 的简单 PPO 训练示例：\n\n```python\nimport gymnasium as gym\nfrom stable_baselines3 import PPO\nfrom stable_baselines3.common.env_util import make_vec_env\n\n# 创建环境\nenv = make_vec_env('CartPole-v1', n_envs=1)\n\n# 初始化模型\nmodel = PPO(\"MlpPolicy\", env, verbose=1)\n\n# 训练\nmodel.learn(total_timesteps=10000)\n\n# 保存模型\nmodel.save(\"ppo_cartpole\")\n\n# 加载并测试\nmodel = PPO.load(\"ppo_cartpole\")\nobs = env.reset()\nfor i in range(1000):\n    action, _states = model.predict(obs, deterministic=True)\n    obs, rewards, dones, info = env.step(action)\n    env.render()\n    if dones:\n        obs = env.reset()\n```\n\n---\n**更多资源**:\n- [Stable-Baselines3 文档](https:\u002F\u002Fstable-baselines3.readthedocs.io\u002Fen\u002Fmaster\u002F)\n- [RL Baselines3 Zoo](https:\u002F\u002Fgithub.com\u002FDLR-RM\u002Frl-baselines3-zoo)","某自动驾驶实验室的研究员正在尝试为移动机器人部署基于深度强化学习的导航策略，但面临工程化落地的重重困难。\n\n### 没有 rl-tutorial-jnrr19 时\n- 缺乏标准接口规范，自定义 Gym 环境代码冗余且容易出错，难以适配真实传感器数据\n- 训练过程中模型状态管理混乱，经常丢失最优权重文件，导致重复劳动\n- 不懂如何有效利用多进程加速数据收集，单线程运行使得仿真训练耗时过长\n- 面对复杂的超参数组合无从下手，调试效率极低，无法保证算法收敛性\n\n### 使用 rl-tutorial-jnrr19 后\n- 参考第 5 章笔记轻松封装自定义环境，代码结构清晰规范，完美对接物理引擎\n- 利用官方提供的保存加载机制，实现断点续训与版本管理，保障实验可复现\n- 应用第 3 章的多进程技巧，显著缩短了大规模仿真训练时间，资源利用率更高\n- 跟随第 4 章的回调函数设计，自动化监控并优化超参数表现，提升最终性能上限\n\n借助 rl-tutorial-jnrr19 的系统化指引，团队成功将原型验证周期从数月压缩至数周。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faraffin_rl-tutorial-jnrr19_eefe7694.png","araffin","Antonin RAFFIN","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Faraffin_41e736ec.jpg","Research Engineer in Robotics and Machine Learning, with a focus on Reinforcement Learning.","@DLR-RM","Munich",null,"https:\u002F\u002Faraffin.github.io\u002F","https:\u002F\u002Fgithub.com\u002Faraffin",[85],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",100,736,140,"2026-04-05T12:32:36","MIT","未说明",{"notes":95,"python":93,"dependencies":96},"教程主要通过 Google Colab 笔记本形式提供，便于快速上手。具体的依赖版本和环境配置建议参考链接中的 Stable-Baselines3 官方仓库及文档。",[97,98],"stable-baselines3","gym",[13,15],[101,102,103,104,105,106,107],"reinforcement-learning","tutorial","stable-baselines","rl","python","colab-notebook","notebook","2026-03-27T02:49:30.150509","2026-04-06T08:18:26.813742",[111,116,121,126,131,136],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},3035,"在 Windows 上运行自定义 Gym 环境时遇到 `ValueError: high is out of bounds for int32` 错误怎么办？","这是一个已知问题，通常与 Windows 系统下的随机种子设置冲突有关。临时解决方案是切换到 Google Colab 环境运行教程。详细问题追踪请参考：https:\u002F\u002Fgithub.com\u002FDLR-RM\u002Fstable-baselines3\u002Fissues\u002F1579。建议同时检查并确保使用最新版本的 Stable Baselines3 库。","https:\u002F\u002Fgithub.com\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fissues\u002F20",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},3036,"如何正确绘制训练过程中的时间步与动作图表？","常见错误是在循环内部重新初始化列表 `y`。正确做法是在 `obs = env.reset()` 之后、循环之前初始化 `y = []`，并在循环中使用 `y.append(action)` 收集数据。此外，建议使用 `from stable_baselines.common.evaluation import evaluate_policy` 在多个实例上评估模型并取平均值，以获得更稳定的结果。","https:\u002F\u002Fgithub.com\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fissues\u002F10",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},3037,"为什么训练前后的平均奖励差异很大？","这是因为评估函数可能缺少确定性参数设置。`mean_reward` 使用了确定性动作，而 `mean_reward_before_train` 没有。为了保持评估一致性，建议在调用评估函数时显式添加 `deterministic=True` 参数，确保两者行为一致。","https:\u002F\u002Fgithub.com\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fissues\u002F18",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},3038,"运行回调保存最佳模型时报错 `AttributeError: 'A2CRunner' object has no attribute 'save'` 如何解决？","这通常是因为使用了旧版本的教程代码。维护者指出应使用最新版本的 Notebook。请更新本地文件以匹配仓库最新版本，或者升级 Stable Baselines 库以兼容新的 API。","https:\u002F\u002Fgithub.com\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fissues\u002F11",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},3039,"导入 `DummyVecEnv` 时报错 `NameError: name 'DummyVecEnv' is not defined` 怎么办？","这是早期版本的导入路径问题。维护者确认相关问题已在后续版本中修复。建议不要手动添加额外的导入行，而是直接从官方仓库获取最新的 Notebook 文件，避免手动修改导致的依赖错误。","https:\u002F\u002Fgithub.com\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fissues\u002F8",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},3040,"`TimeFeatureWrapper` 在不使用 `TimeLimit` 包装器时会出错吗？","是的，如果不使用 `TimeLimit` 包装器，默认不会强制最大长度限制，可能导致负的时间戳。虽然可以通过修改 `step` 方法逻辑来处理（如检测到步骤超过最大值时强制结束），但这可能会改变用户未意识到的 episode 长度。建议根据实际需求谨慎使用该包装器。","https:\u002F\u002Fgithub.com\u002Faraffin\u002Frl-tutorial-jnrr19\u002Fissues\u002F5",[142],{"id":143,"version":144,"summary_zh":145,"released_at":146},112255,"v1.8.0","Release before upgrading to SB3 v2.0 (Gymnasium support)\r\n\r\nSee https:\u002F\u002Fgithub.com\u002FDLR-RM\u002Fstable-baselines3\u002Freleases\u002Ftag\u002Fv1.8.0","2023-04-14T10:44:11"]