TensorFlow-World
TensorFlow-World 是一个专为 TensorFlow 打造的开源教程仓库，致力于提供简单易懂、即拿即用的学习资源。面对深度学习框架功能强大但入门门槛较高的问题，尤其是 TensorFlow 高度模块化设计让初学者容易感到困惑，该项目通过结构化的实战案例填补了这一空白。
每个教程都包含了完整的源代码和配套的详细文档，并托管在项目的 Wiki 中，帮助用户从零开始理解模型构建的每一个细节。它不仅涵盖了基础算法实现，还展示了如何利用高级 API 简化开发流程，让用户能快速上手并复现经典架构。
无论是刚接触深度学习的学生、希望快速验证想法的研究人员，还是寻求工程落地的开发者，都能从中受益。如果你正在寻找一条清晰的学习路径，或者需要参考高质量的代码范例来加速项目进展，TensorFlow-World 都是一个值得信赖的起点。其社区驱动的模式也确保了内容能紧跟技术前沿，持续更新以适配最新的框架特性。
使用场景
某高校人工智能实验室的研究生李明，正试图在两周内复现一篇关于图像分类的顶会论文，以完成他的学期项目。
没有 TensorFlow-World 时
- 文档碎片化严重：需要在官方文档、StackOverflow 和各类博客间反复跳转搜索基础代码片段，耗费大量时间甄别信息真伪。
- 环境配置与架构搭建困难：面对 TensorFlow 高度模块化的特性，不知如何组合各个组件构建模型，常因缺少标准模板而陷入“从零造轮子”的困境。
- 缺乏系统性指引：网上的教程质量参差不齐，往往只展示代码却缺失原理解析，导致知其然而不知其所以然，调试报错时无从下手。
- 学习曲线陡峭：作为初学者，被复杂的 API 细节劝退，难以快速验证想法，项目进度严重滞后。
使用 TensorFlow-World 后
- 一站式获取就绪代码：直接查阅 TensorFlow-World 中分类清晰的教程库，瞬间找到包含完整源码和对应文档的图像分类示例，无需四处拼凑。
- 模块化模型快速构建：参考仓库中现成的最佳实践模板，迅速理解如何将数据输入、网络层和损失函数模块化组装，大幅降低架构设计门槛。
- 源码与文档深度对照：每个教程都提供代码与详细解释的完美结合，李明能边跑通代码边理解背后的数学原理，遇到报错也能依据文档快速定位。
- 高效验证与创新：基于成熟的基础教程进行微调，几天内就完成了基线模型复现，将节省下的时间投入到核心算法改进中。
TensorFlow-World 通过将碎片化的知识整合为简单可用的实战教程，极大地缩短了开发者从理论认知到工程落地的路径。
运行环境要求
未说明
未说明
快速开始
TensorFlow世界_
.. image:: https://img.shields.io/badge/contributions-welcome-brightgreen.svg?style=flat :target: https://github.com/astorfi/TensorFlow-World/issues .. image:: https://badges.frapsoft.com/os/v2/open-source.svg?v=102 :target: https://github.com/ellerbrock/open-source-badge/ .. image:: https://coveralls.io/repos/github/astorfi/TensorFlow-World/badge.svg?branch=master :target: https://coveralls.io/github/astorfi/TensorFlow-World?branch=master .. image:: https://zenodo.org/badge/86115145.svg :target: https://zenodo.org/badge/latestdoi/86115145 .. image:: https://img.shields.io/twitter/follow/amirsinatorfi.svg?label=Follow&style=social :target: https://twitter.com/amirsinatorfi
.. _TensorFlow世界: http://tensorflow-world.readthedocs.io/en/latest/
为了支持本项目的维护与升级，请您考虑赞助项目开发者 <https://github.com/sponsors/astorfi/dashboard>_。
无论何种程度的支持，都是对本项目的巨大贡献 :heart:
.. raw:: html
.. raw:: html
.. raw:: html
本仓库旨在为 TensorFlow 提供简单易用的教程。相关说明均在本仓库附带的维基中。
每个教程都包含源代码和相应的文档。
.. 链接。 .. _wiki: https://github.com/astorfi/TensorFlow-World/wiki .. _TensorFlow: https://www.tensorflow.org/install/
.. raw:: html
.. raw:: html
.. raw:: html
################################################### Slack 群组 ###################################################
.. raw:: html
.. raw:: html
.. raw:: html
</div}
################# 目录 ################# .. contents:: :local: :depth: 3
============ 动机
这个开源项目有多种动机。TensorFlow（截至本文撰写时）是目前最好的深度学习框架之一。那么问题来了：既然网络上已有大量关于 TensorFlow 的教程，为什么还要创建这个仓库呢？
为什么要使用 TensorFlow？
如今，深度学习备受关注——人们迫切需要快速且优化的算法与架构实现。而 TensorFlow 正是为了满足这一需求而设计的。
TensorFlow 的一大优势在于其灵活性，能够构建高度模块化的模型；但这也可能成为初学者的劣势，因为搭建模型时需要综合考虑许多细节。
不过，通过开发诸如 Keras <https://keras.io/>_ 和 Slim <https://github.com/tensorflow/models/blob/master/inception/inception/slim/README.md//>_ 等高层 API，已经大大简化了这一过程，这些 API 抽象掉了机器学习算法设计中的许多复杂部分。
有趣的是，TensorFlow 如今几乎无处不在。众多研究人员和开发者都在使用它，而且它的社区正以惊人的速度增长！由于参与 TensorFlow 社区的人数众多，许多常见问题都能轻松得到解决。
这个仓库的意义何在？
仅仅为了开发而开发开源项目，并不是我们开展这项工作的初衷。 尽管有大量的教程不断涌入这个庞大的社区，但我们创建这个仓库的目的，正是为了打破大多数开源项目常见的“启动后很快停滞”的现象，那么为什么以及如何做到这一点呢？
首先，如果大多数人不会驻足浏览，那投入精力又有何意义呢？如果所创建的内容无法帮助开发者和研究人员群体，又有什么价值呢？为何要花费时间去做一件很容易被遗忘的事情呢？然而，我们究竟该如何实现呢？ 即便到目前为止，关于 TensorFlow 的教程依然数不胜数，涵盖模型设计和 TensorFlow 工作流等多个方面。
但其中大部分要么过于复杂，要么缺乏足够的文档说明。真正简洁明了、结构清晰，并能深入讲解特定实现模型的教程却寥寥无几。
本项目的目标就是通过结构化、简洁且优化的代码实现，为社区提供更好的指导，帮助大家快速有效地掌握 TensorFlow 的使用方法。
值得注意的是，本项目的核心目标是提供文档完善、代码简化的教程！
================================================= TensorFlow 安装与环境配置
.. image:: _img/mainpage/installation-logo.gif :height: 100px :width: 200 px :scale: 50 % :alt: 替代文本 :align: 右侧 :target: https://github.com/astorfi/TensorFlow-World/tree/master/docs/tutorials/installation
.. _TensorFlow安装: https://github.com/astorfi/TensorFlow-World/tree/master/docs/tutorials/installation
要安装 TensorFlow，请参考以下链接：
TensorFlow安装_
.. image:: _img/mainpage/installation.gif :target: https://www.youtube.com/watch?v=_3JFEPk4qQY&t=2s
建议使用虚拟环境进行安装，以避免软件包冲突，并便于自定义工作环境。
==================== TensorFlow教程
本仓库中的教程按相关主题分类。
==========================
热身
.. image:: _img/mainpage/welcome.gif :height: 100px :width: 200 px :scale: 50 % :alt: 替代文本 :align: 右侧
+----+---------------------+----------------------------------------------------------------------------------------+----------------------------------------------+
| # | topic | Source Code | |
+====+=====================+========================================================================================+==============================================+
| 1 | 启动 | 欢迎 <welcomesourcecode_>_ / IPython <ipythonwelcome_>_ | 文档 <Documentationcnnwelcome_>_ |
+----+---------------------+----------------------------------------------------------------------------------------+----------------------------------------------+
==========================
基础
.. image:: _img/mainpage/basics.gif :height: 100px :width: 200 px :scale: 50 % :alt: 替代文本 :align: right
+----+---------------------+----------------------------------------------------------------------------------------+----------------------------------------------+
| # | topic | Source Code | |
+====+=====================+========================================================================================+==============================================+
| 2 | TensorFlow 基础 | 基本数学运算 <basicmathsourcecode_>_ / IPython <ipythonbasicmath_>_ | 文档 <Documentationbasicmath_>_ |
+----+---------------------+----------------------------------------------------------------------------------------+----------------------------------------------+
| 3 | TensorFlow 基础 | TensorFlow 变量 <variablssourcecode_>_ / IPython <ipythonvariabls_>_ | 文档 <Documentationvariabls_>_ |
+----+---------------------+----------------------------------------------------------------------------------------+----------------------------------------------+
==========================
基础机器学习
.. image:: _img/mainpage/basicmodels.gif :height: 100px :width: 200 px :scale: 50 % :alt: 替代文本 :align: right
+----+----------------------------+----------------------------------------------------------------------------------------+----------------------------------------------+
| # | topic | Source Code | |
+====+============================+========================================================================================+==============================================+
| 4 | 线性模型 |线性回归_ / IPython <LinearRegressionipython_>_ | 文档 <Documentationlr_>_ |
+----+----------------------------+----------------------------------------------------------------------------------------+----------------------------------------------+
| 5 | 预测模型 | 逻辑回归_ / IPython <LogisticRegressionipython_>_ | 文档 <LogisticRegDOC_>_ |
+----+----------------------------+----------------------------------------------------------------------------------------+----------------------------------------------+
| 6 | 支持向量机 | 线性 SVM_ / IPython <LinearSVMipython_>_ | |
+----+----------------------------+----------------------------------------------------------------------------------------+----------------------------------------------+
| 7 | 支持向量机 |多分类核 SVM_ / IPython <MultiClassKernelSVMipython_>_ | |
+----+----------------------------+----------------------------------------------------------------------------------------+----------------------------------------------+
==========================
神经网络
.. image:: _img/mainpage/CNNs.png :height: 100px :width: 200 px :scale: 50 % :alt: 替代文本 :align: right
+----+-----------------------------------+-----------------------------------------------------------------------------------------------+----------------------------------------------+
| # | topic | Source Code | |
+====+===================================+===============================================================================================+==============================================+
| 8 | 多层感知器 |简单多层感知器_ / IPython <MultiLayerPerceptronipython_>_ | |
+----+-----------------------------------+-----------------------------------------------------------------------------------------------+----------------------------------------------+
| 9 | 卷积神经网络 | 简单卷积神经网络_ | 文档 <Documentationcnn_>_ |
+----+-----------------------------------+-----------------------------------------------------------------------------------------------+----------------------------------------------+
| 10 | 自编码器 | 欠完备自编码器 <udercompleteautoencodercode_>_ | 文档 <Documentationauto_>_ |
+----+-----------------------------------+-----------------------------------------------------------------------------------------------+----------------------------------------------+
| 11 | 循环神经网络 | RNN_ / IPython <RNNIpython_>_ | |
+----+-----------------------------------+-----------------------------------------------------------------------------------------------+----------------------------------------------+
.. ~~~~~~~~~~~~ .. 欢迎 .. ~~~~~~~~~~~~
.. 本节教程只是进入 TensorFlow 世界的一个简单入口。
.. _welcomesourcecode: https://github.com/astorfi/TensorFlow-World/tree/master/codes/0-welcome .. _Documentationcnnwelcome: https://github.com/astorfi/TensorFlow-World/blob/master/docs/tutorials/0-welcome .. _ipythonwelcome: https://github.com/astorfi/TensorFlow-World/blob/master/codes/0-welcome/code/0-welcome.ipynb
.. +---+---------------------------------------------+-------------------------------------------------+
.. | # | 源代码 | |
.. +===+=============================================+=================================================+
.. | 1 | 欢迎 <welcomesourcecode_>_ | 文档 <Documentationcnnwelcome_>_ |
.. +---+---------------------------------------------+-------------------------------------------------+
.. ~~~~~~~~~~ .. 基础 .. ~~~~~~~~~~ .. 这些教程与 TensorFlow 的基础知识相关。
.. _basicmathsourcecode: https://github.com/astorfi/TensorFlow-World/tree/master/codes/1-basics/basic_math_operations .. _Documentationbasicmath: https://github.com/astorfi/TensorFlow-World/blob/master/docs/tutorials/1-basics/basic_math_operations .. _ipythonbasicmath: https://github.com/astorfi/TensorFlow-World/blob/master/codes/1-basics/basic_math_operations/code/basic_math_operation.ipynb
.. _ipythonvariabls: https://github.com/astorfi/TensorFlow-World/blob/master/codes/1-basics/variables/code/variables.ipynb .. _variablssourcecode: https://github.com/astorfi/TensorFlow-World/blob/master/codes/1-basics/variables/README.rst .. _Documentationvariabls: https://github.com/astorfi/TensorFlow-World/blob/master/docs/tutorials/1-basics/variables
.. +---+-----------------------------------------------------+-------------------------------------------------+
.. | # | 源代码 | |
.. +===+=====================================================+=================================================+
.. | 1 | 基础数学运算 <basicmathsourcecode_>_ | 文档 <Documentationbasicmath_>_ |
.. +---+-----------------------------------------------------+-------------------------------------------------+
.. | 2 | TensorFlow 变量 <variablssourcecode_>_ | 文档 <Documentationvariabls_>_ |
.. +---+-----------------------------------------------------+-------------------------------------------------+
.. ~~~~~~~~~~~~~~~~~~~~~~~~~~~~ .. 机器学习基础 .. ~~~~~~~~~~~~~~~~~~~~~~~~~~~~ .. 我们将介绍基本的机器学习模型和方法，并展示如何在 TensorFlow 中实现它们。
.. _线性回归: https://github.com/astorfi/TensorFlow-World/tree/master/codes/2-basics_in_machine_learning/linear_regression .. _线性回归IPython: https://github.com/astorfi/TensorFlow-World/tree/master/codes/2-basics_in_machine_learning/linear_regression/code/linear_regression.ipynb .. _线性回归文档: https://www.machinelearningmindset.com/linear-regression-with-tensorflow/
.. _逻辑回归: https://github.com/astorfi/TensorFlow-World/tree/master/codes/2-basics_in_machine_learning/logistic_regression .. _逻辑回归IPython: https://github.com/astorfi/TensorFlow-World/tree/master/codes/2-basics_in_machine_learning/logistic_regression/code/logistic_regression.ipynb .. _逻辑回归文档: https://github.com/astorfi/TensorFlow-World/tree/master/docs/tutorials/2-basics_in_machine_learning/logistic_regression
.. _线性支持向量机: https://github.com/astorfi/TensorFlow-World/tree/master/codes/2-basics_in_machine_learning/linear_svm .. _线性支持向量机IPython: https://github.com/astorfi/TensorFlow-World/tree/master/codes/2-basics_in_machine_learning/linear_svm/code/linear_svm.ipynb
.. _多分类核支持向量机: https://github.com/astorfi/TensorFlow-World/blob/master/codes/2-basics_in_machine_learning/multiclass_svm .. _多分类核支持向量机IPython: https://github.com/astorfi/TensorFlow-World/blob/master/codes/2-basics_in_machine_learning/multiclass_svm/code/multiclass_svm.ipynb
.. +---+---------------------------------------------+----------------------------------------+
.. | # | 源代码 | |
.. +===+=============================================+========================================+
.. | 1 | 线性回归_ | 文档 <Documentationlr_>_ |
.. +---+---------------------------------------------+----------------------------------------+
.. | 2 | 逻辑回归_ | 文档 <LogisticRegDOC_>_ |
.. +---+---------------------------------------------+----------------------------------------+
.. | 3 | 线性支持向量机_ | |
.. +---+---------------------------------------------+----------------------------------------+
.. | 4 | 多分类核支持向量机_ | |
.. ~~~~~~~~~~~~~~~~~~~ .. 神经网络 .. ~~~~~~~~~~~~~~~~~~~ .. 本节的教程与神经网络架构相关。
.. _简单卷积神经网络: https://github.com/astorfi/TensorFlow-World/tree/master/codes/3-neural_networks/convolutional-neural-network .. _卷积神经网络文档: https://github.com/astorfi/TensorFlow-World/blob/master/docs/tutorials/3-neural_network/convolutiona_neural_network
.. _简单多层感知器: https://github.com/astorfi/TensorFlow-World/blob/master/codes/3-neural_networks/multi-layer-perceptron .. _多层感知器IPython: https://github.com/astorfi/TensorFlow-World/blob/master/codes/3-neural_networks/multi-layer-perceptron/code/train_mlp.ipynb
.. _欠完备自编码器代码: https://github.com/astorfi/TensorFlow-World/tree/master/codes/3-neural_networks/undercomplete-autoencoder .. _自编码器文档: https://github.com/astorfi/TensorFlow-World/tree/master/docs/tutorials/3-neural_network/autoencoder
.. _循环神经网络: codes/3-neural_networks/recurrent-neural-networks/code/rnn.py .. _循环神经网络IPython: codes/3-neural_networks/recurrent-neural-networks/code/rnn.py
.. +---+---------------------------------------------+----------------------------------------+
.. | # | 源代码 | |
.. +===+=============================================+========================================+
.. | 1 | 多层感知器_ | |
.. +---+---------------------------------------------+----------------------------------------+
.. | 2 | 卷积神经网络_ | 文档 <Documentationcnn_>_ |
.. +---+---------------------------------------------+----------------------------------------+
===================== 一些有用的教程
TensorFlow 示例 <https://github.com/aymericdamien/TensorFlow-Examples>_ - 面向初学者的 TensorFlow 教程和代码示例Sungjoon 的 TensorFlow-101 <https://github.com/sjchoi86/Tensorflow-101>_ - 使用 Jupyter Notebook 编写的 Python 版 TensorFlow 教程Terry Um 的 TensorFlow 练习 <https://github.com/terryum/TensorFlow_Exercises>_ - 重新实现其他 TensorFlow 示例中的代码时间序列分类 <https://github.com/guillaume-chevalier/LSTM-Human-Activity-Recognition>_ - 在手机传感器数据上使用 LSTM 的循环神经网络分类
============= 贡献说明
在向本仓库提交贡献时，请先通过 Issue、邮件或其他方式与仓库维护者沟通您计划进行的更改，再实施具体修改。对于拼写错误等小问题，请勿直接创建 Pull Request，而应在 Issue 中提出或直接联系仓库维护者。
请注意，我们有一份行为准则，请在与本项目的所有互动中严格遵守。
Pull Request 流程
为便于我们更好地处理您的请求，请遵循以下原则：
- Pull Request 主要应用于代码脚本的建议或改进。
- 若涉及非代码部分的修改，则应显著提升文档质量；否则，建议优先在 Issue 中讨论。
- 在构建并提交 Pull Request 之前，请确保已移除所有安装或构建依赖项。
- 请添加详细注释，说明接口变更内容，包括新增环境变量、开放端口、重要文件路径及容器参数等。
- 当至少有一位其他开发者确认并通过审核后，您可以自行合并 Pull Request；若您无权限执行此操作，也可请求仓库维护者代为合并，前提是您认为所有检查均已通过。
结语
我们期待您的宝贵反馈！请帮助我们不断完善这个开源项目，共同提升工作质量。如需贡献代码，请创建 Pull Request，我们将尽快评估。再次感谢您的支持与细致的代码审查！
================ 致谢
我为本项目付出了大量努力，希望能为 TensorFlow 社区贡献一份微薄之力。然而，这一切离不开我的朋友兼同事 Domenick Poster <https://github.com/vonclites/>_ 的鼎力支持与宝贵建议。他帮助我更深入地理解了 TensorFlow，对此我深表感激。
版本历史
v1.02017/06/17常见问题
相似工具推荐
openclaw
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。 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。 OpenClaw 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
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。
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
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。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。
markitdown
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。 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。 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