[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-bayesgroup--deepbayes-2018":3,"tool-bayesgroup--deepbayes-2018":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",145895,2,"2026-04-08T11:32:59",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":92,"forks":93,"last_commit_at":94,"license":76,"difficulty_score":32,"env_os":75,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":117},5514,"bayesgroup\u002Fdeepbayes-2018","deepbayes-2018","Seminars DeepBayes Summer School 2018","deepbayes-2018 是 2018 年 DeepBayes 暑期学校配套推出的开源教学资源库，旨在系统化地分享深度学习与贝叶斯方法交叉领域的前沿知识。该项目主要解决了相关领域学习门槛高、优质教程分散的问题，通过整合高质量的研讨会讲义、代码示例和实验笔记，为学习者提供了一条从理论推导到实践应用的清晰路径。\n\n这套资源特别适合人工智能领域的研究人员、高校学生以及对概率编程感兴趣的开发者使用。无论是希望深入理解贝叶斯神经网络原理的学者，还是想要复现经典算法模型的工程师，都能从中获得实质性的帮助。其独特的技术亮点在于不仅涵盖了深度的数学理论讲解，还利用 Binder 技术实现了云端交互式运行，用户无需配置复杂的本地环境，即可直接在浏览器中加载并运行其中的 Jupyter Notebook 教程，极大地降低了动手实践的门槛。作为一次高水平学术活动的数字遗产，deepbayes-2018 至今仍是探索不确定性量化与深度模型结合的重要入门资料。","# Seminars DeepBayes Summer School 2018\n\nSee more info at http:\u002F\u002Fdeepbayes.ru.\n\n[![Binder](https:\u002F\u002Fmybinder.org\u002Fbadge.svg)](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fbayesgroup\u002Fdeepbayes-2018\u002Fmaster)\n\n\u003Cp align=\"center\">\n\u003Cimg height=\"480\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbayesgroup_deepbayes-2018_readme_9824e9f61368.png\"\u002F>\n\u003C\u002Fp>\n\n","# DeepBayes 2018 年夏季学校研讨会\n\n更多信息请访问 http:\u002F\u002Fdeepbayes.ru。\n\n[![Binder](https:\u002F\u002Fmybinder.org\u002Fbadge.svg)](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fbayesgroup\u002Fdeepbayes-2018\u002Fmaster)\n\n\u003Cp align=\"center\">\n\u003Cimg height=\"480\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbayesgroup_deepbayes-2018_readme_9824e9f61368.png\"\u002F>\n\u003C\u002Fp>","# DeepBayes 2018 快速上手指南\n\n本指南旨在帮助开发者快速体验 DeepBayes 2018 暑期学校的教学材料，涵盖贝叶斯深度学习相关的前沿内容。\n\n## 环境准备\n\n本项目主要基于 Python 和 Jupyter Notebook 运行。您有两种方式开始：\n\n### 方案一：在线免安装（推荐）\n无需配置本地环境，直接通过浏览器运行所有示例。\n- **访问地址**：点击 [Binder 链接](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fbayesgroup\u002Fdeepbayes-2018\u002Fmaster) 即可自动加载环境并打开笔记本。\n\n### 方案二：本地部署\n若需在本地运行，请确保满足以下要求：\n- **操作系统**：Linux, macOS 或 Windows (WSL)\n- **Python 版本**：建议 Python 3.6+\n- **前置依赖**：\n  - Git\n  - pip 或 conda 包管理器\n  - 基础科学计算库（安装步骤中会自动处理）\n\n> **国内加速提示**：在使用 `pip` 安装包时，建议临时切换至清华或阿里云镜像源以提升下载速度。\n\n## 安装步骤\n\n如果您选择本地部署，请按以下步骤操作：\n\n1. **克隆项目仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fbayesgroup\u002Fdeepbayes-2018.git\n   cd deepbayes-2018\n   ```\n\n2. **创建虚拟环境（可选但推荐）**\n   ```bash\n   python -m venv venv\n   source venv\u002Fbin\u002Factivate  # Windows 用户使用: venv\\Scripts\\activate\n   ```\n\n3. **安装依赖库**\n   *注：国内用户建议使用如下命令加速安装*\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n   *(如果项目中没有 `requirements.txt`，通常需手动安装核心库：`pip install numpy scipy matplotlib jupyter torch tensorflow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`)*\n\n4. **启动 Jupyter Notebook**\n   ```bash\n   jupyter notebook\n   ```\n   浏览器将自动打开，导航至项目目录即可看到各个讲座的 `.ipynb` 文件。\n\n## 基本使用\n\n本项目由一系列独立的 Jupyter Notebook 组成，每个文件对应一次研讨会或教程。\n\n1. **选择教程**\n   在 Jupyter 界面中，根据文件名选择感兴趣的课题（例如 `lecture_01_intro.ipynb` 或包含 `vae`, `gp` 等关键词的文件）。\n\n2. **运行代码单元**\n   - 打开笔记本后，按顺序点击单元格左侧的 **Run** 按钮（或按下 `Shift + Enter`）。\n   - 代码将逐步执行，展示贝叶斯神经网络、变分推断等算法的实现细节与可视化结果。\n\n3. **简单示例逻辑**\n   大多数笔记本遵循以下结构：\n   ```python\n   # 1. 导入必要的库\n   import numpy as np\n   import matplotlib.pyplot as plt\n   # import torch \u002F tensorflow ...\n\n   # 2. 生成或加载演示数据\n   X, y = generate_toy_data()\n\n   # 3. 定义并训练贝叶斯模型\n   model = BayesianNeuralNetwork()\n   model.fit(X, y)\n\n   # 4. 可视化预测结果与不确定性\n   model.plot_predictions()\n   ```\n   只需从上到下依次执行单元格，即可复现论文或讲座中的实验效果。","某高校数据科学团队正在筹备夏季贝叶斯深度学习训练营，急需为学员提供一套可交互、免配置的理论验证环境。\n\n### 没有 deepbayes-2018 时\n- 讲师需花费数天手动整理分散的论文代码与数学推导笔记，难以形成统一的教学体系。\n- 学员在本地配置复杂的概率编程依赖库时频频报错，课程尚未开始便因环境问题挫败感倍增。\n- 抽象的变分推断算法仅停留在黑板公式上，缺乏可视化的动态演示，导致学生难以理解收敛过程。\n- 课后复现实验门槛极高，不同操作系统的学员因环境差异无法运行相同的示例代码。\n\n### 使用 deepbayes-2018 后\n- 团队直接复用该仓库中结构清晰的研讨会讲义与代码，迅速构建起从理论基础到前沿应用的完整课程大纲。\n- 借助集成的 Binder 服务，学员点击链接即可在浏览器中启动预配置好的 Jupyter 环境，实现“零安装”即刻上手。\n- 通过内置的高质量可视化 Notebook，学生能直观调整超参数并观察贝叶斯神经网络的训练轨迹，将抽象概念具象化。\n- 统一的云端运行环境消除了系统兼容性障碍，确保所有学员能在完全一致的条件下复现实验结果并深入探索。\n\ndeepbayes-2018 通过将深奥的贝叶斯理论转化为可交互的代码实践，极大地降低了高阶人工智能教育的准入成本与教学阻力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbayesgroup_deepbayes-2018_9824e9f6.png","bayesgroup","Bayesian Methods Research Group","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fbayesgroup_efd931a4.png","",null,"https:\u002F\u002Fbayesgroup.org\u002F","https:\u002F\u002Fgithub.com\u002Fbayesgroup",[80,84,88],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",99.9,{"name":85,"color":86,"percentage":87},"Python","#3572A5",0.1,{"name":89,"color":90,"percentage":91},"Dockerfile","#384d54",0,1046,271,"2026-03-06T21:35:00","未说明",{"notes":97,"python":95,"dependencies":98},"README 内容主要提供研讨会信息和 Binder 在线运行链接，未包含具体的本地环境安装需求、依赖列表或硬件配置要求。建议通过提供的 Binder 链接在云端环境中直接运行，或访问 http:\u002F\u002Fdeepbayes.ru 获取详细资料。",[],[14],[101,102,103],"deep-learning","bayesian","variational-inference","2026-03-27T02:49:30.150509","2026-04-08T20:12:04.845129",[107,112],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},25009,"如何获取 EM 任务的解决方案？","该解决方案不会公开访问。您可以通过电子邮件 info@deepbayes.ru 进行申请获取。","https:\u002F\u002Fgithub.com\u002Fbayesgroup\u002Fdeepbayes-2018\u002Fissues\u002F8",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},25010,"是否有 Dmitry Vetrov 关于贝叶斯方法入门的讲座视频？","很遗憾，第一场讲座的视频录制出现问题，已永久丢失。不过，其他所有讲座的视频均可正常观看。","https:\u002F\u002Fgithub.com\u002Fbayesgroup\u002Fdeepbayes-2018\u002Fissues\u002F7",[]]