[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-curiousily--Get-Things-Done-with-Prompt-Engineering-and-LangChain":3,"similar-curiousily--Get-Things-Done-with-Prompt-Engineering-and-LangChain":68},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":17,"owner_location":18,"owner_email":19,"owner_twitter":20,"owner_website":21,"owner_url":22,"languages":23,"stars":28,"forks":29,"last_commit_at":30,"license":31,"difficulty_score":32,"env_os":33,"env_gpu":34,"env_ram":35,"env_deps":36,"category_tags":48,"github_topics":51,"view_count":32,"oss_zip_url":17,"oss_zip_packed_at":17,"status":63,"created_at":64,"updated_at":65,"faqs":66,"releases":67},1173,"curiousily\u002FGet-Things-Done-with-Prompt-Engineering-and-LangChain","Get-Things-Done-with-Prompt-Engineering-and-LangChain","LangChain & Prompt Engineering tutorials on Large Language Models (LLMs) such as ChatGPT with custom data. Jupyter notebooks on loading and indexing data, creating prompt templates, CSV agents, and using retrieval QA chains to query the custom data. Projects for using a private LLM (Llama 2) for chat with PDF files, tweets sentiment analysis.","Get-Things-Done-with-Prompt-Engineering-and-LangChain 是一个面向开发者的实践性项目，帮助用户通过 LangChain 框架和提示工程，构建基于大型语言模型（如 Llama 2、ChatGPT）的 AI 应用。它提供了从数据加载、提示模板设计到智能问答链的完整流程，支持私有化部署和自定义数据处理。这个工具解决了如何将大模型与实际业务场景结合的问题，尤其适合希望快速上手 AI 开发的开发者和研究人员。项目包含多个实战案例，如 PDF 对话、情感分析和本地模型部署，技术亮点包括对 Llama 2 的定制训练和高效推理优化。无论是想探索 AI 实用化的初学者，还是希望提升模型应用能力的开发者，都能从中获得有价值的经验。","# Get SH\\*T Done with Prompt Engineering and LangChain\n\nBuild real-world AI apps with ChatGPT\u002FGPT-4 and LangChain in Python\n\n[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fcuriousily\u002FGet-Things-Done-with-Prompt-Engineering-and-LangChain\u002F)\n[![](https:\u002F\u002Fdcbadge.vercel.app\u002Fapi\u002Fserver\u002FUaNPxVD6tv?style=flat)](https:\u002F\u002Fdiscord.gg\u002FUaNPxVD6tv)\n[![](https:\u002F\u002Fimg.shields.io\u002Fyoutube\u002Fchannel\u002Fsubscribers\u002FUCoW_WzQNJVAjxo4osNAxd_g?label=Watch%20on%20YouTube)](https:\u002F\u002Fbit.ly\u002Fvenelin-subscribe)\n[![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fcuriousily\u002FGet-Things-Done-with-Prompt-Engineering-and-LangChain)](https:\u002F\u002Fgithub.com\u002Fcuriousily\u002FGet-Things-Done-with-Prompt-Engineering-and-LangChain\u002Fblob\u002Fmaster\u002FLICENSE)\n\n## 🍿 Watch on YouTube\n\n- [Getting Started with LangChain and Llama 2 in 15 Minutes](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=7VAGe32YptI)\n- [Fine-tuning Llama 2 on Your Own Dataset](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=MDA3LUKNl1E)\n- [Deploy LLM to Production on Single GPU](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=HI3cYN0c9ZU)\n- [Chat with Multiple PDFs using Llama 2 and LangChain](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=QshWJ77Sktc)\n- [AutoGen - Build Powerful AI Agents with ChatGPT\u002FGPT-4](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=mJfHMlKL7Qc)\n\n## 📖 Read the Tutorials\n\n### LangChain\n\n- [LangChain QuickStart with Llama 2](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Flangchain-quickstart-with-llama-2)\n- [Load Custom Data with Loaders](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Floaders)\n- [Add AI with Models](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fmodels)\n- [Make LLMs Useful with Chains](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fchains)\n- [Build Chatbots with Memory](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fmemory)\n- [Complex Tasks with Agents](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fagents)\n\n### Models\n\n- [StableVicuna - Open Source RLHF LLM Chatbot](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fstable-vicuna)\n- [OpenLLaMa - An Open Reproduction of LLaMA](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fopen-llama)\n- [XGen-7B: Long Sequence Modeling with (up to) 8K Tokens](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=6YMOCaXGUDA)\n- [Falcon 180B](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Ffalcon-180b)\n\n### Projects\n\n- [Fine-tuning Llama 2 on a Custom Dataset](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Ffine-tuning-llama-2-on-custom-dataset)\n- [Chat with Multiple PDFs using Llama 2 and LangChain](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fchat-with-multiple-pdfs-using-llama-2-and-langchain)\n- [Chatbot with Local LLM (Falcon 7B) and LangChain](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fchatbot-with-local-llm-using-langchain)\n- [Private GPT4All: Chat with PDF Files Using Free LLM](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fprivate-gpt4all)\n- [CryptoGPT: Crypto Twitter Sentiment Analysis](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fcryptogpt)\n- [Fine-tuning LLM (Falcon 7b) on a Custom Dataset with QLoRA](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Ffine-tuning-llm-on-custom-dataset-with-qlora)\n- [Deploy LLM to Production with HuggingFace Inference Endpoints](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fdeploy-llm-to-production)\n- [Support Chatbot using Custom Knowledge Base with LangChain and Open LLM](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fsupport-chatbot-using-custom-knowledge-base-with-langchain)\n- [Deploy Your Private Llama 2 Model to Production with RunPod](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fdeploy-llama-2-on-runpod)\n- [AutoGen - Build Powerful AI Agents with ChatGPT\u002FGPT-4](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fautogen-build-ai-agents)\n","# 用提示工程和LangChain搞定SH\\*T\n\n使用ChatGPT\u002FGPT-4和LangChain在Python中构建真实世界的AI应用\n\n[![在Colab中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fcuriousily\u002FGet-Things-Done-with-Prompt-Engineering-and-LangChain\u002F)\n[![](https:\u002F\u002Fdcbadge.vercel.app\u002Fapi\u002Fserver\u002FUaNPxVD6tv?style=flat)](https:\u002F\u002Fdiscord.gg\u002FUaNPxVD6tv)\n[![](https:\u002F\u002Fimg.shields.io\u002Fyoutube\u002Fchannel\u002Fsubscribers\u002FUCoW_WzQNJVAjxo4osNAxd_g?label=在YouTube观看)](https:\u002F\u002Fbit.ly\u002Fvenelin-subscribe)\n[![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fcuriousily\u002FGet-Things-Done-with-Prompt-Engineering-and-LangChain)](https:\u002F\u002Fgithub.com\u002Fcuriousily\u002FGet-Things-Done-with-Prompt-Engineering-and-LangChain\u002Fblob\u002Fmaster\u002FLICENSE)\n\n## 🍿 在YouTube上观看\n\n- [15分钟入门LangChain和Llama 2](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=7VAGe32YptI)\n- [在您自己的数据集上微调Llama 2](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=MDA3LUKNl1E)\n- [在单个GPU上将LLM部署到生产环境](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=HI3cYN0c9ZU)\n- [使用Llama 2和LangChain与多个PDF文件聊天](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=QshWJ77Sktc)\n- [AutoGen - 使用ChatGPT\u002FGPT-4构建强大的AI代理](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=mJfHMlKL7Qc)\n\n## 📖 阅读教程\n\n### LangChain\n\n- [LangChain快速入门：结合Llama 2](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Flangchain-quickstart-with-llama-2)\n- [使用加载器导入自定义数据](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Floaders)\n- [通过模型添加AI功能](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fmodels)\n- [用链使LLM更有用](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fchains)\n- [利用记忆构建聊天机器人](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fmemory)\n- [用代理完成复杂任务](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fagents)\n\n### 模型\n\n- [StableVicuna - 开源RLHF LLM聊天机器人](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fstable-vicuna)\n- [OpenLLaMa - LLaMA的开源复现](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fopen-llama)\n- [XGen-7B：支持最多8K tokens的长序列建模](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=6YMOCaXGUDA)\n- [Falcon 180B](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Ffalcon-180b)\n\n### 项目\n\n- [在自定义数据集上微调Llama 2](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Ffine-tuning-llama-2-on-custom-dataset)\n- [使用Llama 2和LangChain与多个PDF文件聊天](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fchat-with-multiple-pdfs-using-llama-2-and-langchain)\n- [结合本地LLM（Falcon 7B）和LangChain的聊天机器人](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fchatbot-with-local-llm-using-langchain)\n- [Private GPT4All：使用免费LLM与PDF文件对话](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fprivate-gpt4all)\n- [CryptoGPT：加密货币Twitter情感分析](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fcryptogpt)\n- [使用QLoRA在自定义数据集上微调LLM（Falcon 7b）](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Ffine-tuning-llm-on-custom-dataset-with-qlora)\n- [通过HuggingFace推理端点将LLM部署到生产环境](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fdeploy-llm-to-production)\n- [使用LangChain和开放LLM，结合自定义知识库构建支持聊天机器人](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fsupport-chatbot-using-custom-knowledge-base-with-langchain)\n- [使用RunPod将您的私有Llama 2模型部署到生产环境](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fdeploy-llama-2-on-runpod)\n- [AutoGen - 使用ChatGPT\u002FGPT-4构建强大的AI代理](https:\u002F\u002Fwww.mlexpert.io\u002Fprompt-engineering\u002Fautogen-build-ai-agents)","# Get-Things-Done-with-Prompt-Engineering-and-LangChain 快速上手指南\n\n## 🛠 环境准备\n\n### 系统要求\n- Python 3.8 或更高版本\n- 支持 GPU 的环境（推荐，用于加速模型推理）\n- 64 位操作系统\n\n### 前置依赖\n- `pip`（Python 包管理工具）\n- `git`（用于克隆项目）\n\n> 推荐使用国内镜像源加速安装，例如：\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 📦 安装步骤\n\n1. 克隆项目仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fcuriousily\u002FGet-Things-Done-with-Prompt-Engineering-and-LangChain.git\ncd Get-Things-Done-with-Prompt-Engineering-and-LangChain\n```\n\n2. 创建虚拟环境并激活（可选但推荐）：\n```bash\npython -m venv venv\nsource venv\u002Fbin\u002Factivate   # Linux\u002FmacOS\nvenv\\Scripts\\activate      # Windows\n```\n\n3. 安装依赖包：\n```bash\npip install -r requirements.txt\n```\n\n## 💡 基本使用\n\n以下是一个最简单的示例，展示如何使用 LangChain 和 Llama 2 模型进行基本的提示工程：\n\n```python\nfrom langchain import PromptTemplate, LLMChain\nfrom langchain.llms import LlamaCpp\n\n# 加载本地 Llama 2 模型（需提前下载模型文件）\nllm = LlamaCpp(model_path=\".\u002Fmodels\u002Fllama-7b.ggmlv3.q4_0.bin\")\n\n# 定义提示模板\nprompt = PromptTemplate(\n    input_variables=[\"topic\"],\n    template=\"请解释一下 {topic}。\"\n)\n\n# 创建链式结构\nchain = LLMChain(llm=llm, prompt=prompt)\n\n# 运行链\nresponse = chain.run(\"人工智能\")\nprint(response)\n```\n\n> 注意：你需要先下载 Llama 2 的本地模型文件，并将其放置在指定路径中。相关资源可通过官方渠道获取。","某科技公司开发团队正在构建一个基于PDF文档的智能客服系统，用于快速回答客户关于产品手册和使用指南的问题。他们需要将大量PDF文件中的信息整合到AI模型中，并实现自然语言交互。\n\n### 没有 Get-Things-Done-with-Prompt-Engineering-and-LangChain 时  \n- 数据加载和索引过程复杂，缺乏统一的流程和工具支持  \n- 提示工程设计随意，难以保证模型输出的一致性和准确性  \n- 面对多份PDF文档时，无法高效地进行信息检索和问答  \n- 模型微调和部署流程繁琐，缺乏可复用的代码模板  \n\n### 使用 Get-Things-Done-with-Prompt-Engineering-and-LangChain 后  \n- 通过 Jupyter 笔记本快速完成数据加载、索引和提示模板构建  \n- 利用预设的 prompt templates 和 chains 提升模型响应质量  \n- 支持多文档检索和问答，提升客服系统的智能化水平  \n- 提供完整的微调和部署方案，降低技术门槛和开发时间  \n\n该工具显著提升了从数据准备到模型应用的全流程效率，使团队能够更专注于业务逻辑的优化。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcuriousily_Get-Things-Done-with-Prompt-Engineering-and-LangChain_65e3b2e2.png","curiousily","Venelin Valkov","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcuriousily_6bb1e41a.jpg",null,"Bulgaria","venelin@curiousily.com","venelin_valkov","mlexpert.io","https:\u002F\u002Fgithub.com\u002Fcuriousily",[24],{"name":25,"color":26,"percentage":27},"Jupyter Notebook","#DA5B0B",100,1238,375,"2026-04-03T14:31:51","Apache-2.0",3,"Linux, macOS, Windows","需要 NVIDIA GPU，显存 8GB+，CUDA 11.7+","16GB+",{"notes":37,"python":38,"dependencies":39},"建议使用 conda 管理环境，首次运行需下载约 5GB 模型文件","3.8+",[40,41,42,43,44,45,46,47],"torch>=2.0","transformers>=4.30","langchain","accelerate","peft","datasets","sentencepiece","protobuf",[49,50],"开发框架","语言模型",[52,53,54,55,56,57,58,59,60,42,61,62],"chatgpt","gpt-4","gpt4","prompt-engineering","artificial-intelligence","deep-learning","language-models","openai","python","large-language-models","llama2","ready","2026-03-27T02:49:30.150509","2026-04-06T07:14:59.183178",[],[],[69,79,88,96,104,117],{"id":70,"name":71,"github_repo":72,"description_zh":73,"stars":74,"difficulty_score":32,"last_commit_at":75,"category_tags":76,"status":63},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",[49,77,78],"图像","Agent",{"id":80,"name":81,"github_repo":82,"description_zh":83,"stars":84,"difficulty_score":85,"last_commit_at":86,"category_tags":87,"status":63},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",[49,78,50],{"id":89,"name":90,"github_repo":91,"description_zh":92,"stars":93,"difficulty_score":85,"last_commit_at":94,"category_tags":95,"status":63},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",[49,77,78],{"id":97,"name":98,"github_repo":99,"description_zh":100,"stars":101,"difficulty_score":85,"last_commit_at":102,"category_tags":103,"status":63},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",[49,50],{"id":105,"name":106,"github_repo":107,"description_zh":108,"stars":109,"difficulty_score":85,"last_commit_at":110,"category_tags":111,"status":63},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",[77,112,113,114,78,115,50,49,116],"数据工具","视频","插件","其他","音频",{"id":118,"name":119,"github_repo":120,"description_zh":121,"stars":122,"difficulty_score":32,"last_commit_at":123,"category_tags":124,"status":63},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",[78,77,49,50,115]]