[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-buppt--ChineseNRE":3,"tool-buppt--ChineseNRE":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":82,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":82,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":102,"github_topics":103,"view_count":23,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":111,"updated_at":112,"faqs":113,"releases":114},3510,"buppt\u002FChineseNRE","ChineseNRE","中文实体关系抽取，pytorch，bilstm+attention","ChineseNRE 是一个专注于中文实体关系抽取的开源项目，旨在从非结构化文本中自动识别实体对及其之间的语义关系（如“父母”、“同事”等）。它有效解决了中文领域高质量关系抽取数据集稀缺、标注成本高的问题，帮助开发者快速构建信息提取系统。\n\n该工具特别适合自然语言处理领域的研究人员、算法工程师以及希望入门关系抽取任务的学生使用。其核心基于 PyTorch 框架，采用了双向长短期记忆网络（BiLSTM）结合注意力机制（Attention）的深度学习架构。通过融合词向量与位置向量特征，ChineseNRE 能够更精准地捕捉句子中的上下文依赖关系，从而提升分类效果。\n\n除了提供基础的中文人物关系数据集外，项目还兼容英文 SemEval2010_task8 标准数据集，并支持加载预训练词向量以优化模型表现。尽管受限于早期硬件环境，其在小规模数据上的 F1 值仍达到了 64.33%。代码结构清晰，包含完整的数据预处理、模型训练及评估脚本，是学习序列标注与关系分类技术的优质参考范例。","# ChineseNRE\n\n本项目使用\n+ python 2.7\n+ pytorch 0.4.0\n\n中文实体关系抽取，对实体关系抽取不了解的可以先看\u003Ca href=\"https:\u002F\u002Fblog.csdn.net\u002Fbuppt\u002Farticle\u002Fdetails\u002F82961979\">这篇文章\u003C\u002Fa>。顺便求star～\n\n## 数据\n中文实体关系抽取数据实在太难找了，data中是忘记在哪里找的人物关系数据集，一共11+1种关系，数据质量不太好，但也找不到其他的了。 （更新）\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbuppt\u002FChineseNRE\u002Fissues\u002F7\">issues7\u003C\u002Fa>中 ybNero 同学分享了一份数据集，大家可以去issues中查看~\n```\n梅葆玥\t梅兰芳\t父母 坎坷经历梅葆玥之家庭合影1961年，梅兰芳先生病逝，葆玥、葆玖姐弟俩继承父亲的遗志，挑起了梅剧团的重担\n```\n\n数据格式为: 实体1 实体2 关系 句子。\n\n虽然叫中文实体关系抽取，还是增加了一个英文数据集SemEval2010_task8，简单做了下数据处理，这是免费的公开数据集，其他的好像都要dollar了。。\n\n## 训练\n模型使用的是lstm+attention模型。特征使用词向量+位置向量。\n\n训练前先运行data文件夹中的 `data_util.py` 文件，将数据处理成pkl文件供模型使用。\n\n运行`python train.py`即可开始训练，可以在`train.py`文件中设置epoch、batch等参数，运行结束模型会储存到model文件夹中，可以在训练好的模型基础上继续训练。\n\n可以运行`python train.py pretrained`使用预训练的词向量进行训练。vec.txt是一个训练好的词向量的例子，可以修改使用更加优秀的预训练词向量。\n\n## 准确率\n奈何实验室没有服务器，只能用自己电脑的cpu跑了一小部分数据，结果如下。\n\n| 准确率 | 召回率 | F1值 |\n| ------ | ------ | ------ |\n| 64.08% | 64.59% | 64.33% |\n\n\n\n## 参考\nAttention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification\n\n## 更新日志\n2018-10-7 第一版，不定期进行修改与优化。\n\n2018-10-9 添加准确率、召回率、f值的计算，将model从`train.py`中分离。\n\n2018-10-10 添加SemEval2010_task8数据，以及一些小修改。\n\n2018-10-18 增加预训练的词向量，修改bug。\n\n","# ChineseNRE\n\n本项目使用\n+ python 2.7\n+ pytorch 0.4.0\n\n中文实体关系抽取，对实体关系抽取不了解的可以先看\u003Ca href=\"https:\u002F\u002Fblog.csdn.net\u002Fbuppt\u002Farticle\u002Fdetails\u002F82961979\">这篇文章\u003C\u002Fa>。顺便求star～\n\n## 数据\n中文实体关系抽取数据实在太难找了，data中是忘记在哪里找的人物关系数据集，一共11+1种关系，数据质量不太好，但也找不到其他的了。 （更新）\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbuppt\u002FChineseNRE\u002Fissues\u002F7\">issues7\u003C\u002Fa>中 ybNero 同学分享了一份数据集，大家可以去issues中查看~\n```\n梅葆玥\t梅兰芳\t父母 坎坷经历梅葆玥之家庭合影1961年，梅兰芳先生病逝，葆玥、葆玖姐弟俩继承父亲的遗志，挑起了梅剧团的重担\n```\n\n数据格式为: 实体1 实体2 关系 句子。\n\n虽然叫中文实体关系抽取，还是增加了一个英文数据集SemEval2010_task8，简单做了下数据处理，这是免费的公开数据集，其他的好像都要dollar了。。\n\n## 训练\n模型使用的是lstm+attention模型。特征使用词向量+位置向量。\n\n训练前先运行data文件夹中的 `data_util.py` 文件，将数据处理成pkl文件供模型使用。\n\n运行`python train.py`即可开始训练，可以在`train.py`文件中设置epoch、batch等参数，运行结束模型会储存到model文件夹中，可以在训练好的模型基础上继续训练。\n\n可以运行`python train.py pretrained`使用预训练的词向量进行训练。vec.txt是一个训练好的词向量的例子，可以修改使用更加优秀的预训练词向量。\n\n## 准确率\n奈何实验室没有服务器，只能用自己电脑的cpu跑了一小部分数据，结果如下。\n\n| 准确率 | 召回率 | F1值 |\n| ------ | ------ | ------ |\n| 64.08% | 64.59% | 64.33% |\n\n\n\n## 参考\nAttention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification\n\n## 更新日志\n2018-10-7 第一版，不定期进行修改与优化。\n\n2018-10-9 添加准确率、召回率、f值的计算，将model从`train.py`中分离。\n\n2018-10-10 添加SemEval2010_task8数据，以及一些小修改。\n\n2018-10-18 增加预训练的词向量，修改bug。","# ChineseNRE 快速上手指南\n\nChineseNRE 是一个基于 LSTM+Attention 架构的中文实体关系抽取工具，支持使用预训练词向量进行模型训练。\n\n## 环境准备\n\n本项目对运行环境有特定版本要求，请确保满足以下条件：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows (需配置相应 Python 环境)\n*   **Python 版本**：Python 2.7 (**注意**：项目暂不支持 Python 3)\n*   **深度学习框架**：PyTorch 0.4.0\n*   **其他依赖**：建议安装 `numpy`, `pickle` 等基础科学计算库\n\n> **提示**：由于项目较老，建议使用虚拟环境（如 `virtualenv` 或 `conda`）隔离环境，避免影响系统其他项目。\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fbuppt\u002FChineseNRE.git\n    cd ChineseNRE\n    ```\n\n2.  **安装依赖**\n    由于项目年代较早，`requirements.txt` 可能缺失，建议手动安装指定版本的 PyTorch。\n    \n    *国内用户推荐使用清华源加速安装：*\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple torch==0.4.0\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy\n    ```\n\n3.  **数据预处理**\n    在训练前，必须先运行数据处理脚本，将原始文本数据转换为模型可读取的 `.pkl` 格式。\n    ```bash\n    python data\u002Fdata_util.py\n    ```\n\n## 基本使用\n\n### 1. 开始训练\n运行以下命令启动模型训练。训练完成后，模型文件将自动保存至 `model` 文件夹。\n```bash\npython train.py\n```\n*注：你可以在 `train.py` 文件中修改 `epoch`、`batch_size` 等超参数。*\n\n### 2. 使用预训练词向量训练（推荐）\n若希望获得更好的效果，可以使用预训练的词向量进行训练。项目自带了一个示例文件 `vec.txt`，你也可以替换为更优质的中文预训练向量（如 Tencent AI Lab 或 Word2Vec 中文向量）。\n\n```bash\npython train.py pretrained\n```\n\n### 3. 数据格式说明\n如需添加自定义数据，请按照以下格式整理文本（实体 1、实体 2、关系类型、句子内容），并放入 `data` 目录后重新运行 `data_util.py`：\n```text\n梅葆玥\t梅兰芳\t父母 坎坷经历梅葆玥之家庭合影 1961 年，梅兰芳先生病逝，葆玥、葆玖姐弟俩继承父亲的遗志，挑起了梅剧团的重担\n```","某文化研究机构正致力于从海量中文传记和新闻档案中自动化构建“梅兰芳家族”等名人亲属关系知识图谱。\n\n### 没有 ChineseNRE 时\n- 研究人员只能依靠人工阅读大量文本并手动标注实体关系，面对数万条数据，耗时数月且极易疲劳出错。\n- 通用英文关系抽取模型无法理解中文语境，对“父子”、“姐弟”等具有中国文化特色的关系类型识别率为零。\n- 缺乏针对中文优化的深度学习基线，团队需从零搭建 LSTM 架构并自行设计注意力机制，开发周期长达数周。\n- 非结构化文本中的关键信息（如“梅葆玥继承父亲遗志”）散落在长句中，难以被传统正则表达式有效提取。\n\n### 使用 ChineseNRE 后\n- 利用预置的 BiLSTM+Attention 模型，团队仅需准备“实体 1 实体 2 关系 句子”格式的数据，即可快速启动训练，将构建周期缩短至几天。\n- 模型专为中文语义优化，能精准识别数据集中定义的 11+1 种人物关系，直接从非结构化文本中抽取出高置信度的亲属纽带。\n- 支持加载预训练词向量（vec.txt），即使在实验室仅有 CPU 的资源受限环境下，也能获得约 64% 的 F1 值作为可靠基线。\n- 自动化流水线替代了人工标注，系统可批量处理类似“梅兰芳先生病逝，葆玥、葆玖姐弟俩挑起重担”的复杂句式，大幅降低人力成本。\n\nChineseNRE 通过提供开箱即用的中文关系抽取基线，让低资源团队也能高效地将非结构化文本转化为结构化的知识资产。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbuppt_ChineseNRE_93faf3c5.png","buppt","【意涵团】buppt","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fbuppt_4a1f99c1.png","热爱学习  勇于探索  乐于分享","bupt","北京海淀","574690129@qq.com",null,"https:\u002F\u002Fgithub.com\u002Fbuppt\u002FVideo-article-blog","https:\u002F\u002Fgithub.com\u002Fbuppt",[86],{"name":87,"color":88,"percentage":89},"Python","#3572A5",100,769,178,"2026-03-08T14:20:59",4,"","未说明（作者提及仅使用 CPU 运行）","未说明",{"notes":98,"python":99,"dependencies":100},"项目版本较老，依赖 Python 2.7 和 PyTorch 0.4.0。训练前需先运行 data\u002Fdata_util.py 将数据转换为 pkl 格式。支持使用预训练词向量（vec.txt），作者因无服务器资源，仅在个人电脑 CPU 上进行了部分数据测试。","2.7",[101],"pytorch==0.4.0",[13],[104,105,106,107,108,109,110],"relation-extraction","nre","pytorch","chinese","bilstm-attention","bilstm","attention","2026-03-27T02:49:30.150509","2026-04-06T08:42:04.625788",[],[]]