[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ardamavi--Game-Bot":3,"tool-ardamavi--Game-Bot":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",138956,2,"2026-04-05T11:33:21",[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":82,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":23,"env_os":94,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":101,"github_topics":102,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":107,"updated_at":108,"faqs":109,"releases":145},3799,"ardamavi\u002FGame-Bot","Game-Bot","Artificial intelligence learn playing any game with watching you.","Game-Bot 是一款能够通过“观察”人类操作来自动学习并游玩任意游戏的开源人工智能项目。它主要解决了传统游戏脚本编写复杂、缺乏通用性的痛点，让用户无需针对特定游戏编写代码，只需通过实际演示即可教会 AI 如何操作。\n\n该项目非常适合对深度学习感兴趣的开发者、研究人员以及希望探索人机交互新方式的极客用户。其核心工作流程简单直观：用户先运行数据采集程序并亲自游玩一段时间，记录下键盘和鼠标的操作轨迹；随后利用这些数据进行模型训练，最终让 Game-Bot 模仿人类的习惯自主通关。\n\n技术层面，Game-Bot 基于深度学习和人工神经网络构建，模拟了人脑的学习机制。它不依赖硬编码的规则，而是通过分析输入信号与操作行为之间的关联，从数据中自行归纳出游戏策略。这种“示教学习”的模式不仅降低了游戏自动化的门槛，也为研究强化学习和行为克隆提供了轻量级的实践案例。目前项目仍在持续迭代中，支持在 Python 环境下部署，是入门游戏 AI 开发的有趣工具。","# Game Bot\n### By Arda Mavi\n\nArtificial intelligence that learns to play any game by watching you.\n\n## How does this work?\n- First: Run program and play any game for a little bit.\n- Second: Run program and watch the artificial intelligence play the game.\n\n## How does it work behind the scenes?\nWhen you run the training program, the program listens for your keyboard and mouse moving, then it saves those movements.\u003Cbr>\nArtificial intelligence learn: When I push any button?\u003Cbr\u002F>\nAnd when you run the program, it plays the game just like you!\n\n## But how does it learn?\n##### Magic! (just joking)\nWith deep learning.\u003Cbr\u002F>\nDeep Learning is a subfield of machine learning with neural networks inspired by the structure of the brains artificial neural networks.\n\n### Playing with Artificial Intelligence:\n1. Open your desired game (If you have already trained the artificial intelligence).\n2. Run `python3 ai.py` command in terminal.\n\n### Creating Training Dataset:\n1. Run `python3 create_dataset.py` command in terminal.\n2. Play your desired game.\n3. Stop `create_dataset` program with `Cntrl-C` in terminal.\n\n### Model Training:\n`python3 train.py`\n\n### Using TensorBoard:\n`tensorboard --logdir=Data\u002FCheckpoints\u002Flogs`\n\n### Important Notes:\n- Tested in Python version 3.6.0\n\n- Install necessary modules with `sudo pip3 install -r requirements.txt` command.\n\n## WINDOWS Installation:\n- Install Python 3.6.0 : https:\u002F\u002Fwww.python.org\u002Fdownloads\u002Frelease\u002Fpython-360\u002F\n- Run CMD and Input Command `pip3 install -r requirements.txt`\n\n### This project is still being worked on ...\n","# 游戏机器人\n### 作者：Arda Mavi\n\n一种通过观察你的游戏行为来学习玩任何游戏的人工智能。\n\n## 这个工作原理是什么？\n- 第一步：运行程序，玩一会儿你选择的游戏。\n- 第二步：再次运行程序，观看人工智能自动玩游戏。\n\n## 背后的工作原理是怎样的？\n当你运行训练程序时，它会监听你的键盘和鼠标操作，并将这些动作记录下来。\u003Cbr>\n人工智能会学习：“我在什么时候按下了哪个键？”\u003Cbr\u002F>\n而当你运行游戏时，它就会像你一样操控游戏！\n\n## 那么它是如何学习的呢？\n##### 魔法！（开玩笑啦）\n其实是通过深度学习实现的。\u003Cbr\u002F>\n深度学习是机器学习的一个子领域，它使用受大脑结构启发的人工神经网络。\n\n### 与人工智能一起玩游戏：\n1. 打开你想要玩的游戏（如果你已经训练过人工智能）。\n2. 在终端中运行 `python3 ai.py` 命令。\n\n### 创建训练数据集：\n1. 在终端中运行 `python3 create_dataset.py` 命令。\n2. 玩你想要的游戏。\n3. 在终端中按下 `Cntrl-C` 来停止 `create_dataset` 程序。\n\n### 模型训练：\n`python3 train.py`\n\n### 使用 TensorBoard：\n`tensorboard --logdir=Data\u002FCheckpoints\u002Flogs`\n\n### 重要提示：\n- 已在 Python 3.6.0 版本上测试通过。\n\n- 使用 `sudo pip3 install -r requirements.txt` 命令安装所需的模块。\n\n## Windows 安装步骤：\n- 安装 Python 3.6.0：https:\u002F\u002Fwww.python.org\u002Fdownloads\u002Frelease\u002Fpython-360\u002F\n- 打开 CMD 终端，输入命令 `pip3 install -r requirements.txt`。\n\n### 该项目仍在开发中……","# Game-Bot 快速上手指南\n\nGame-Bot 是一个基于深度学习的人工智能项目，能够通过观察用户的操作来学习并自动游玩任意游戏。\n\n## 环境准备\n\n- **操作系统**：Linux 或 Windows\n- **Python 版本**：推荐 Python 3.6.0（已测试版本）\n- **前置依赖**：\n  - pip3 (Python 包管理工具)\n  - 必要的 Python 模块（见安装步骤）\n\n> **国内加速建议**：在安装依赖时，推荐使用清华或阿里镜像源以提升下载速度。\n> 命令示例：`pip3 install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n1. **克隆项目代码**（假设已获取源码目录）。\n2. **安装依赖库**：\n   - **Linux \u002F macOS**:\n     ```bash\n     sudo pip3 install -r requirements.txt\n     ```\n     *(如需使用国内镜像)*:\n     ```bash\n     sudo pip3 install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n     ```\n   - **Windows**:\n     确保已安装 Python 3.6.0，打开 CMD 运行：\n     ```cmd\n     pip3 install -r requirements.txt\n     ```\n     *(如需使用国内镜像)*:\n     ```cmd\n     pip3 install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n     ```\n\n## 基本使用\n\n使用流程分为三个阶段：录制数据、训练模型、AI 试玩。\n\n### 1. 创建训练数据集\n首先让 AI 观察你的操作以收集数据。\n```bash\npython3 create_dataset.py\n```\n- 运行命令后，打开你想玩的游戏并进行正常操作（键盘和鼠标移动会被记录）。\n- 录制完成后，在终端按 `Ctrl-C` 停止程序。\n\n### 2. 训练模型\n使用收集到的数据训练深度学习模型。\n```bash\npython3 train.py\n```\n- *可选*：如需查看训练过程的可视化日志，可运行：\n  ```bash\n  tensorboard --logdir=Data\u002FCheckpoints\u002Flogs\n  ```\n\n### 3. AI 自动游玩\n模型训练完成后，让 AI 接管游戏。\n1. 打开目标游戏窗口。\n2. 在终端运行：\n   ```bash\n   python3 ai.py\n   ```\n此时，AI 将模仿之前的操作逻辑自动进行游戏。","一位独立游戏开发者正在为新发布的平台跳跃关卡设计自动测试流程，以验证不同玩家操作习惯下的关卡稳定性。\n\n### 没有 Game-Bot 时\n- 测试人员必须手动重复数百次相同的跳跃和移动操作，极易因疲劳导致操作变形，无法复现精确的“人类手感”。\n- 若想模拟不同水平的玩家（如新手误触或高手速通），需要招募多名志愿者录制视频或现场操作，协调成本极高。\n- 传统的脚本宏只能记录固定的坐标和时序，一旦游戏画面分辨率微调或帧率波动，脚本就会立即失效。\n- 发现 Bug 后，难以回溯是哪一次具体的按键组合触发了问题，缺乏对操作序列的智能分析与重现能力。\n\n### 使用 Game-Bot 后\n- 开发者只需亲自试玩几遍，Game-Bot 即可通过深度学习捕捉键盘与鼠标的细微动态，无限次完美复现真实的游玩轨迹。\n- 通过采集不同风格的操作数据训练模型，Game-Bot 能自主切换“莽撞新手”或“极速通关”模式，无需额外人力介入。\n- 基于神经网络的行为模仿让 Game-Bot 具备适应性，即使游戏窗口位置变动，它也能像人眼一样识别场景并做出反应，不再依赖死板的坐标。\n- 系统自动保存并关联了每一次触发异常的操作序列，开发者可一键回放故障瞬间，快速定位逻辑漏洞。\n\nGame-Bot 将繁琐的重复性测试转化为智能的行为学习过程，让游戏测试真正拥有了“拟人化”的执行力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fardamavi_Game-Bot_b7b78e41.png","ardamavi","Arda Mavi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fardamavi_4a53114e.jpg","Life Time Student - Research Assistant at Molecular Quantum Solutions - AI and Quantum Computing","University of Arizona",null,"ardamavi2@gmail.com","ardamavicom","https:\u002F\u002Flinktr.ee\u002Fardamavi","https:\u002F\u002Fgithub.com\u002Fardamavi",[86],{"name":87,"color":88,"percentage":89},"Python","#3572A5",100,544,147,"2026-03-29T23:26:42","Apache-2.0","Windows, Linux, macOS","未说明",{"notes":97,"python":98,"dependencies":99},"项目仍在开发中。训练阶段需运行 create_dataset.py 录制键盘鼠标操作，随后运行 train.py 进行深度学习训练。Windows 用户需手动安装 Python 3.6.0 并通过 CMD 安装依赖。","3.6.0",[100],"requirements.txt 中列出的模块",[13],[103,104,105,106],"artificial-intelligence","deep-learning","keras","tensorflow","2026-03-27T02:49:30.150509","2026-04-06T05:17:36.672124",[110,115,120,125,130,135,140],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},17395,"运行 create_dataset.py 时出现 'Key not in list' 或 'ValueError: \u003CKey.space> is not in list' 错误怎么办？","这是因为按键列表不匹配导致的。请打开 game_control.py 文件，找到 get_id 函数，并根据项目 Issue #10 中的评论替换相关代码以修复按键映射问题。确保您的游戏控制脚本与 GitHub 上的最新版本一致，且未进行未经授权的修改。","https:\u002F\u002Fgithub.com\u002Fardamavi\u002FGame-Bot\u002Fissues\u002F11",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},17396,"遇到 'ImportError: cannot import name imresize from scipy.misc' 错误如何解决？","这是由于 scipy 版本更新移除了 imresize 函数。您需要修改 create_dataset.py 代码：使用 PIL (Pillow) 库替代 scipy.misc.imresize。具体做法是导入 PIL.Image 并使用其 resize 方法，或者安装旧版本的 scipy (如 1.2.0)。参考 QuickMash 提供的修复代码，将图像调整大小部分改为使用 PIL 处理。","https:\u002F\u002Fgithub.com\u002Fardamavi\u002FGame-Bot\u002Fissues\u002F45",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},17397,"运行 ai.py 时报错 'FileNotFoundError: No such file or directory: Data\u002FModel\u002Fmodel.json' 是什么原因？","这是因为尚未生成模型文件。在运行 ai.py 之前，必须先执行数据收集和训练步骤。请先运行 'python create_dataset.py' 来录制游戏操作并生成数据集，然后运行训练脚本生成 model.json 和权重文件，之后才能正常运行 ai.py。","https:\u002F\u002Fgithub.com\u002Fardamavi\u002FGame-Bot\u002Fissues\u002F42",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},17398,"运行 create_dataset.py 后只生成了一张 img.jpg，没有生成大量截图是正常的吗？","不正常。截图应该是在您每次进行操作（例如按下按键）时自动保存的。如果只有一张图片，说明监听器没有正确捕获按键事件。请检查代码中 save_img 和 screenshot 函数的调用逻辑：screenshot 负责截取屏幕，save_img 负责保存。确保在 on_press 回调中正确调用了这两个函数，并且按键被正确识别。","https:\u002F\u002Fgithub.com\u002Fardamavi\u002FGame-Bot\u002Fissues\u002F19",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},17399,"程序提示 'AVX AVX2 Error' 或直接崩溃无法录制动作怎么办？","这通常是因为环境配置问题或 Python 版本不兼容。维护者指出需要更详细的错误信息来诊断。建议尝试更新 Python 到 3.6.1 或更高兼容版本（如 3.7），并确保所有依赖库（如 pynput, numpy, keras）已正确安装。如果 CreateDataset 运行时突然关闭，请检查是否有后台进程冲突或权限问题。","https:\u002F\u002Fgithub.com\u002Fardamavi\u002FGame-Bot\u002Fissues\u002F6",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},17400,"create_dataset.py 报错关于 'img_len' 参数缺失或 ImageGrab 不可用怎么办？","main 函数中可能包含了未定义的 img_len 参数，请将其移除。另外，ImageGrab 仅支持 Windows 和 macOS，不支持 Linux。如果您在 Linux 上运行，需要寻找替代方案（如使用 mss 库）。此外，确保在运行录制脚本前已完成模型的初步训练或配置，否则可能导致无数据记录。","https:\u002F\u002Fgithub.com\u002Fardamavi\u002FGame-Bot\u002Fissues\u002F5",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},17401,"该项目支持自我强化学习（Self-Training）或根据胜负奖励自动学习吗？","不支持。本项目基于行为克隆（Behavior Cloning），即模仿人类玩家的操作，而不是强化学习（Reinforcement Learning）。实现带有胜负反馈的自我训练需要完全改变项目架构，涉及复杂的逻辑判断。如果您需要此类功能，建议参考 SerpentAI 等其他专门框架，它们更适合处理基于奖励机制的学习任务。","https:\u002F\u002Fgithub.com\u002Fardamavi\u002FGame-Bot\u002Fissues\u002F53",[]]