[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-aws-samples--machine-learning-samples":3,"tool-aws-samples--machine-learning-samples":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","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。\n\n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。\n\nOpenClaw 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",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",158594,2,"2026-04-16T23:34:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-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。\n\n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。\n\n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。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","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。\n\n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。\n\n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",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":101,"forks":102,"last_commit_at":103,"license":104,"difficulty_score":105,"env_os":76,"env_gpu":106,"env_ram":106,"env_deps":107,"category_tags":111,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":115},8378,"aws-samples\u002Fmachine-learning-samples","machine-learning-samples","Sample applications built using AWS' Amazon Machine Learning. ","machine-learning-samples 是亚马逊云科技（AWS）提供的一套开源示例代码库，旨在帮助开发者快速上手 Amazon Machine Learning 服务。它通过提供真实场景下的完整应用案例，解决了用户在构建机器学习模型时面临的“从零开始难、环境配置复杂、缺乏参考架构”等痛点。\n\n这套资源特别适合正在使用或计划使用 AWS 生态的软件开发者和数据工程师。无论是需要实现精准营销的金融从业者，还是希望构建自动化社交媒体监控系统的团队，都能在这里找到对应的解决方案。代码库涵盖了多种主流编程语言，包括 Java、Python、Scala 以及移动端所需的 iOS 和 Android 开发语言，极大地降低了技术门槛。\n\n其技术亮点在于展示了完整的端到端工作流：从利用 Amazon Mechanical Turk 标注原始推文数据，到训练预测模型，再到结合 AWS Lambda 和 Kinesis 实现实时流数据处理与自动通知。此外，它还提供了针对移动设备的实时预测示例以及专业的 K 折交叉验证评估脚本，帮助用户不仅学会如何“构建”模型，更能掌握如何“评估”和“部署”模型。对","machine-learning-samples 是亚马逊云科技（AWS）提供的一套开源示例代码库，旨在帮助开发者快速上手 Amazon Machine Learning 服务。它通过提供真实场景下的完整应用案例，解决了用户在构建机器学习模型时面临的“从零开始难、环境配置复杂、缺乏参考架构”等痛点。\n\n这套资源特别适合正在使用或计划使用 AWS 生态的软件开发者和数据工程师。无论是需要实现精准营销的金融从业者，还是希望构建自动化社交媒体监控系统的团队，都能在这里找到对应的解决方案。代码库涵盖了多种主流编程语言，包括 Java、Python、Scala 以及移动端所需的 iOS 和 Android 开发语言，极大地降低了技术门槛。\n\n其技术亮点在于展示了完整的端到端工作流：从利用 Amazon Mechanical Turk 标注原始推文数据，到训练预测模型，再到结合 AWS Lambda 和 Kinesis 实现实时流数据处理与自动通知。此外，它还提供了针对移动设备的实时预测示例以及专业的 K 折交叉验证评估脚本，帮助用户不仅学会如何“构建”模型，更能掌握如何“评估”和“部署”模型。对于希望在云端高效落地机器学习项目的技术人员而言，这是一份极具价值的实战指南。","# Amazon Machine Learning Samples\n\nEach subdirectory contains sample code for using Amazon Machine Learning.\nRefer to the `README.md` file in each sub-directory for details on using\neach sample.\n\n## Targeted Marketing Samples\n\nThese samples show how to use the Amazon Machine Learning API for a\ntargeted marketing application.  This follows the \"banking\" dataset example\ndescribed in the Developer Guide.  There are three versions available:\n\n* [Targeted Marketing with Machine Learning in Java](targeted-marketing-java\u002F)\n* [Targeted Marketing with Machine Learning in Python](targeted-marketing-python\u002F)\n* [Targeted Marketing with Machine Learning in Scala](targeted-marketing-scala\u002F)\n\n\n## Social Media and Amazon Mechanical Turk\n\nThis sample application shows how to use Amazon Mechanical Turk to create a\nlabeled dataset from raw tweets, and then build a machine learning model\nusing the Amazon Machine Learning API that predicts whether or not new\ntweets should be acted upon by customer service.  The sample shows how to\nset up an automated filter using AWS Lambda that monitors tweets on an\nAmazon Kinesis stream and sends notifications whenever the ML Model\npredicts that a new tweet is actionable.  Notifications go to Amazon SNS,\nallowing delivery to email, SMS text messages, or other software services.\n\n* [Machine-Learning based Social Media Filtering (Python & JavaScript)](social-media\u002F)\n\n\n## Mobile Prediction Samples\n\nThese samples show how to use the Amazon Machine Learning API to make\nreal-time predictions from a mobile device.  There are two versions available:\n\n* [Real-time Machine Learning Predictions from iOS](mobile-ios\u002F)\n* [Real-time Machine Learning Predictions from Android](mobile-android\u002F)\n\n\n## K-fold Cross-validation Sample\n\nThis sample shows how to use the Amazon Machine Learning API to evaluate ML models using k-fold cross-validation.\n\n* [K-fold Cross-validation Sample (Python)](k-fold-cross-validation\u002F)\n\n\n## Other tools\n\nA collection of simple scripts to help with common tasks.\n\n* [Machine Learning Tools (python)](ml-tools-python\u002F)\n\n\n## Support\n\nFor assistance with using the Amazon Machine Learning Service, or these samples, please see the [AWS Forums](https:\u002F\u002Fforums.aws.amazon.com\u002Fforum.jspa?forumID=194&start=0).\n","# Amazon 机器学习示例\n\n每个子目录都包含用于使用 Amazon 机器学习的示例代码。有关每个示例的使用详情，请参阅相应子目录中的 `README.md` 文件。\n\n## 目标营销示例\n\n这些示例展示了如何在目标营销应用中使用 Amazon 机器学习 API。它们基于开发人员指南中描述的“银行”数据集示例。共有三个版本可供选择：\n\n* [使用 Java 的机器学习目标营销](targeted-marketing-java\u002F)\n* [使用 Python 的机器学习目标营销](targeted-marketing-python\u002F)\n* [使用 Scala 的机器学习目标营销](targeted-marketing-scala\u002F)\n\n\n## 社交媒体与 Amazon Mechanical Turk\n\n此示例应用程序展示了如何使用 Amazon Mechanical Turk 从原始推文创建标注数据集，然后利用 Amazon 机器学习 API 构建一个机器学习模型，以预测新的推文是否需要客户服务部门采取行动。该示例还演示了如何使用 AWS Lambda 设置自动化过滤器，监控 Amazon Kinesis 流上的推文，并在机器学习模型预测新推文可操作时发送通知。通知将发送至 Amazon SNS，从而支持通过电子邮件、短信或其他软件服务进行分发。\n\n* [基于机器学习的社交媒体过滤（Python 和 JavaScript）](social-media\u002F)\n\n\n## 移动预测示例\n\n这些示例展示了如何使用 Amazon 机器学习 API 从移动设备进行实时预测。共有两个版本可供选择：\n\n* [来自 iOS 的实时机器学习预测](mobile-ios\u002F)\n* [来自 Android 的实时机器学习预测](mobile-android\u002F)\n\n\n## K 折交叉验证示例\n\n此示例展示了如何使用 Amazon 机器学习 API，通过 K 折交叉验证来评估机器学习模型。\n\n* [K 折交叉验证示例（Python）](k-fold-cross-validation\u002F)\n\n\n## 其他工具\n\n一组用于帮助完成常见任务的简单脚本。\n\n* [机器学习工具（Python）](ml-tools-python\u002F)\n\n\n## 支持\n\n如需有关使用 Amazon 机器学习服务或这些示例的帮助，请访问 [AWS 论坛](https:\u002F\u002Fforums.aws.amazon.com\u002Fforum.jspa?forumID=194&start=0)。","# Amazon Machine Learning Samples 快速上手指南\n\n本仓库提供了使用 Amazon Machine Learning (Amazon ML) API 的示例代码集合，涵盖定向营销、社交媒体过滤、移动端预测及模型评估等场景。以下指南将帮助您快速搭建环境并运行示例。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows。\n*   **AWS 账户**：拥有有效的 AWS 账户，并已开通 **Amazon Machine Learning**、**Amazon S3** 及相关服务（如 Lambda, Kinesis, SNS，视具体示例而定）。\n*   **凭证配置**：已配置 AWS 访问密钥（Access Key）和秘密密钥（Secret Key）。\n*   **编程语言运行时**（根据您选择的示例安装）：\n    *   **Java**: JDK 8 或更高版本，Maven。\n    *   **Python**: Python 2.7 或 3.x，`pip`。\n    *   **Scala**: Scala 2.10+，SBT 或 Maven。\n    *   **Node.js**: 用于部分社交媒体示例的 JavaScript 组件。\n*   **依赖库**：主要依赖 AWS SDK（各语言对应版本）。\n\n> **注意**：由于 Amazon ML 是较早期的 AWS 服务，部分新区域可能不支持，请在支持该服务的区域（如 us-east-1）进行操作。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    将项目代码克隆到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fmachine-learning-samples.git\n    cd machine-learning-samples\n    ```\n\n2.  **配置 AWS 凭证**\n    确保在终端中导出环境变量，或在 `~\u002F.aws\u002Fcredentials` 文件中配置：\n    ```bash\n    export AWS_ACCESS_KEY_ID=your_access_key\n    export AWS_SECRET_ACCESS_KEY=your_secret_key\n    export AWS_DEFAULT_REGION=us-east-1\n    ```\n\n3.  **安装特定示例依赖**\n    进入您想要运行的示例目录，并安装相应依赖。\n\n    *   **Python 示例 (以定向营销为例)**:\n        ```bash\n        cd targeted-marketing-python\n        pip install -r requirements.txt\n        # 如果国内下载缓慢，可使用清华源加速：\n        # pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n        ```\n\n    *   **Java 示例**:\n        ```bash\n        cd targeted-marketing-java\n        mvn clean install\n        ```\n\n    *   **移动端示例 (iOS\u002FAndroid)**:\n        请使用对应的 IDE (Xcode 或 Android Studio) 打开 `mobile-ios` 或 `mobile-android` 目录，并通过 CocoaPods 或 Gradle 同步依赖。\n\n## 基本使用\n\n每个子目录都包含独立的 `README.md`，详细说明了该场景的具体逻辑。以下是运行 **Python 定向营销示例** 的最简流程：\n\n1.  **准备数据**\n    确保您已在 Amazon S3 上上传了训练数据（参考 AWS Developer Guide 中的 \"banking\" 数据集格式），并记录下 S3 路径。\n\n2.  **修改配置**\n    在示例代码目录中，找到配置文件（通常为 `config.py` 或在主脚本头部），填入您的 S3 数据路径和角色 ARN。\n\n3.  **运行脚本**\n    执行主程序以创建数据源、生成模型并进行预测：\n    ```bash\n    python targeted_marketing.py\n    ```\n\n    程序将依次执行以下步骤：\n    *   创建 Amazon ML 数据源。\n    *   训练二元分类模型。\n    *   设置评估阈值。\n    *   对测试数据进行实时预测并输出结果。\n\n**其他场景简述：**\n*   **社交媒体过滤**：需先通过 Amazon Mechanical Turk 标注推文数据，然后运行 `social-media` 目录下的脚本部署 Lambda 函数以监听 Kinesis 流。\n*   **K 折交叉验证**：运行 `k-fold-cross-validation` 目录下的 Python 脚本，输入数据集即可评估模型稳定性。\n*   **移动端预测**：编译并部署 iOS\u002FAndroid 应用，应用将通过 API 调用云端训练好的模型获取实时预测结果。\n\n> 提示：运行完毕后，建议前往 AWS 控制台清理创建的模型、数据源及端点，以避免产生额外费用。","某电商初创公司的数据团队急需构建一套实时系统，用于从海量社交媒体投诉中自动识别需人工介入的紧急事件。\n\n### 没有 machine-learning-samples 时\n- 团队需从零摸索如何结合 Amazon Mechanical Turk 标注原始推文数据，缺乏标准流程导致数据质量参差不齐。\n- 开发基于 Kinesis 流的自动化过滤逻辑时，因缺少 Lambda 与机器学习 API 集成的参考代码，调试周期长达数周。\n- 模型预测结果无法自动触发通知，工程师需手动编写复杂的 SNS 集成代码才能将警报发送至客服邮箱或短信。\n- 缺乏现成的多语言（Python\u002FJavaScript）示例，不同技术栈的成员协作困难，重复造轮子现象严重。\n- 面对模型效果评估需求，团队不清楚如何实现 K 折交叉验证，只能凭经验盲目调整参数。\n\n### 使用 machine-learning-samples 后\n- 直接复用\"Social Media and Amazon Mechanical Turk\"示例，快速搭建起从数据标注到模型训练的标准流水线。\n- 基于示例中成熟的 Lambda 架构，迅速部署了监听 Kinesis 流并调用预测 API 的自动化过滤器，上线时间缩短至几天。\n- 利用内置的 SNS 通知模块，轻松实现了“预测即报警”，确保高风险推文能即时通过短信或邮件触达客服人员。\n- 团队成员分别参考 Python 和 JavaScript 版本的代码库，统一了接口规范，大幅降低了沟通与集成成本。\n- 借助 K 折交叉验证示例脚本，科学地评估了模型泛化能力，显著提升了预测准确率并减少了误报。\n\nmachine-learning-samples 通过将复杂的 AWS 机器学习服务封装为可运行的实战模板，帮助团队将原本需要数月的研发周期压缩至数天，实现了从概念验证到生产落地的极速跨越。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faws-samples_machine-learning-samples_b0725f09.png","aws-samples","AWS Samples","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Faws-samples_84ebd8ed.png","",null,"https:\u002F\u002Famazon.com\u002Faws","https:\u002F\u002Fgithub.com\u002Faws-samples",[81,85,89,93,97],{"name":82,"color":83,"percentage":84},"Python","#3572A5",69,{"name":86,"color":87,"percentage":88},"Java","#b07219",17.1,{"name":90,"color":91,"percentage":92},"Scala","#c22d40",7.1,{"name":94,"color":95,"percentage":96},"Objective-C","#438eff",5.9,{"name":98,"color":99,"percentage":100},"Shell","#89e051",0.9,882,387,"2026-04-02T16:27:57","NOASSERTION",4,"未说明",{"notes":108,"python":109,"dependencies":110},"该仓库是 Amazon Machine Learning (已停止服务) 的示例代码集合，包含 Java、Python、Scala、JavaScript、iOS 和 Android 等多种语言的实现。由于依赖的是 AWS 云端 API 而非本地深度学习框架，README 中未列出具体的本地操作系统、GPU、内存或 Python 库版本要求。用户需配置 AWS 凭证并参考各子目录下的具体说明文档。","未说明 (部分示例提供 Python 版本，但未指定具体版本号)",[],[14,16],"2026-03-27T02:49:30.150509","2026-04-17T10:19:24.531804",[],[]]