[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-danijar--dreamer":3,"tool-danijar--dreamer":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":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":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":102,"github_topics":104,"view_count":32,"oss_zip_url":110,"oss_zip_packed_at":110,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":144},8282,"danijar\u002Fdreamer","dreamer","Dream to Control: Learning Behaviors by Latent Imagination","Dreamer 是一款基于深度强化学习的开源智能体框架，旨在通过“潜在想象”来高效掌握复杂行为。它核心解决了传统强化学习在样本效率低和长程规划难方面的痛点：无需在真实环境中进行大量试错，Dreamer 能先学习一个紧凑的世界模型，在内部特征空间中预测未来，并基于这些“想象”出的轨迹来训练策略和价值函数。这种机制允许梯度直接回传通过多步预测，从而让智能体能更快速地学会需要长远考虑的任务。\n\n该项目提供了基于 TensorFlow 2 的快速简洁实现，支持 Atari 和 DMControl 等多种经典测试环境。其独特的技术亮点在于将模型预测与策略学习解耦，利用潜变量序列进行推理，显著提升了学习速度和稳定性。Dreamer 非常适合人工智能研究人员、算法工程师以及对世界模型和强化学习感兴趣的开发者使用。无论是用于复现前沿论文结果，还是作为基础架构探索新的控制算法，Dreamer 都提供了一个可靠且高效的起点。用户只需简单的命令行指令即可启动训练，并通过 TensorBoard 直观监控学习进程。","# Dream to Control\n\n**NOTE:** Check out the code for [DreamerV2](https:\u002F\u002Fgithub.com\u002Fdanijar\u002Fdreamerv2), which supports both Atari and DMControl environments.\n\nFast and simple implementation of the Dreamer agent in TensorFlow 2.\n\n\u003Cimg width=\"100%\" src=\"https:\u002F\u002Fimgur.com\u002Fx4NUHXl.gif\">\n\nIf you find this code useful, please reference in your paper:\n\n```\n@article{hafner2019dreamer,\n  title={Dream to Control: Learning Behaviors by Latent Imagination},\n  author={Hafner, Danijar and Lillicrap, Timothy and Ba, Jimmy and Norouzi, Mohammad},\n  journal={arXiv preprint arXiv:1912.01603},\n  year={2019}\n}\n```\n\n## Method\n\n![Dreamer](https:\u002F\u002Fimgur.com\u002FJrXC4rh.png)\n\nDreamer learns a world model that predicts ahead in a compact feature space.\nFrom imagined feature sequences, it learns a policy and state-value function.\nThe value gradients are backpropagated through the multi-step predictions to\nefficiently learn a long-horizon policy.\n\n- [Project website][website]\n- [Research paper][paper]\n- [Official implementation][code] (TensorFlow 1)\n\n[website]: https:\u002F\u002Fdanijar.com\u002Fdreamer\n[paper]: https:\u002F\u002Farxiv.org\u002Fpdf\u002F1912.01603.pdf\n[code]: https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fdreamer\n\n## Instructions\n\nGet dependencies:\n\n```\npip3 install --user tensorflow-gpu==2.2.0\npip3 install --user tensorflow_probability\npip3 install --user git+git:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fdm_control.git\npip3 install --user pandas\npip3 install --user matplotlib\n```\n\nTrain the agent:\n\n```\npython3 dreamer.py --logdir .\u002Flogdir\u002Fdmc_walker_walk\u002Fdreamer\u002F1 --task dmc_walker_walk\n```\n\nGenerate plots:\n\n```\npython3 plotting.py --indir .\u002Flogdir --outdir .\u002Fplots --xaxis step --yaxis test\u002Freturn --bins 3e4\n```\n\nGraphs and GIFs:\n\n```\ntensorboard --logdir .\u002Flogdir\n```\n","# 梦想到控制\n\n**注意：** 请查看 [DreamerV2](https:\u002F\u002Fgithub.com\u002Fdanijar\u002Fdreamerv2) 的代码，它同时支持 Atari 和 DMControl 环境。\n\n在 TensorFlow 2 中快速且简单的 Dreamer 智能体实现。\n\n\u003Cimg width=\"100%\" src=\"https:\u002F\u002Fimgur.com\u002Fx4NUHXl.gif\">\n\n如果您觉得这段代码有用，请在您的论文中引用：\n\n```\n@article{hafner2019dreamer,\n  title={Dream to Control: Learning Behaviors by Latent Imagination},\n  author={Hafner, Danijar and Lillicrap, Timothy and Ba, Jimmy and Norouzi, Mohammad},\n  journal={arXiv preprint arXiv:1912.01603},\n  year={2019}\n}\n```\n\n## 方法\n\n![Dreamer](https:\u002F\u002Fimgur.com\u002FJrXC4rh.png)\n\nDreamer 学习一个世界模型，在紧凑的特征空间中进行未来预测。基于想象的特征序列，它学习策略和状态价值函数。价值梯度会通过多步预测反向传播，从而高效地学习长期视野下的策略。\n\n- [项目网站][website]\n- [研究论文][paper]\n- [官方实现][code]（TensorFlow 1）\n\n[website]: https:\u002F\u002Fdanijar.com\u002Fdreamer\n[paper]: https:\u002F\u002Farxiv.org\u002Fpdf\u002F1912.01603.pdf\n[code]: https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fdreamer\n\n## 使用说明\n\n安装依赖：\n\n```\npip3 install --user tensorflow-gpu==2.2.0\npip3 install --user tensorflow_probability\npip3 install --user git+git:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fdm_control.git\npip3 install --user pandas\npip3 install --user matplotlib\n```\n\n训练智能体：\n\n```\npython3 dreamer.py --logdir .\u002Flogdir\u002Fdmc_walker_walk\u002Fdreamer\u002F1 --task dmc_walker_walk\n```\n\n生成图表：\n\n```\npython3 plotting.py --indir .\u002Flogdir --outdir .\u002Fplots --xaxis step --yaxis test\u002Freturn --bins 3e4\n```\n\n查看图表和 GIF 动画：\n\n```\ntensorboard --logdir .\u002Flogdir\n```","# Dreamer 快速上手指南\n\nDreamer 是一个基于 TensorFlow 2 的高效强化学习智能体实现，它通过学习世界模型在潜在特征空间中进行预测，并利用“想象”出的特征序列来训练策略和价值函数。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n- **操作系统**：Linux 或 macOS（Windows 需通过 WSL 运行）\n- **Python 版本**：推荐 Python 3.6 - 3.8\n- **GPU 支持**：建议使用 NVIDIA GPU 并安装对应的 CUDA 驱动以加速训练\n- **依赖库**：需要安装 TensorFlow 2.2.0、TensorFlow Probability、DeepMind Control Suite 等\n\n> **提示**：国内用户安装 `dm_control` 或其他大型依赖时若遇到网络问题，可尝试配置 pip 国内镜像源（如清华源、阿里源）加速下载。\n\n## 安装步骤\n\n请使用以下命令依次安装所需依赖。为提升下载速度，建议先配置 pip 镜像源：\n\n```bash\npip3 config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n然后执行安装命令：\n\n```bash\npip3 install --user tensorflow-gpu==2.2.0\npip3 install --user tensorflow_probability\npip3 install --user git+git:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fdm_control.git\npip3 install --user pandas\npip3 install --user matplotlib\n```\n\n克隆或下载 Dreamer 代码仓库后，进入项目目录即可开始使用。\n\n## 基本使用\n\n### 1. 训练智能体\n\n以下命令将在 `dmc_walker_walk` 任务上启动 Dreamer 智能体的训练，日志将保存在指定目录：\n\n```bash\npython3 dreamer.py --logdir .\u002Flogdir\u002Fdmc_walker_walk\u002Fdreamer\u002F1 --task dmc_walker_walk\n```\n\n### 2. 生成训练曲线图\n\n训练完成后，可使用以下脚本生成回报（return）随步数变化的图表：\n\n```bash\npython3 plotting.py --indir .\u002Flogdir --outdir .\u002Fplots --xaxis step --yaxis test\u002Freturn --bins 3e4\n```\n\n### 3. 可视化监控\n\n使用 TensorBoard 实时查看训练过程中的损失、奖励及生成的 GIF 演示：\n\n```bash\ntensorboard --logdir .\u002Flogdir\n```\n\n随后在浏览器中访问 `http:\u002F\u002Flocalhost:6006` 即可查看可视化面板。","某机器人研发团队正在训练双足机器人在复杂地形中实现稳定行走，传统强化学习方法需要海量实机试错，导致硬件损耗大且研发周期漫长。\n\n### 没有 dreamer 时\n- **实机试错成本极高**：算法必须在真实物理环境中不断尝试失败动作才能学习，导致电机过热、机械结构频繁受损。\n- **样本效率低下**：为了学会一个简单的行走策略，机器人需要在现实中重复数万次甚至数百万次的跌倒与重启。\n- **长程规划能力弱**：传统方法难以通过短期奖励预测长期后果，导致机器人在面对多步决策任务时容易陷入局部最优。\n- **训练周期漫长**：受限于物理世界的运行速度，收集足够的数据往往需要数周时间，严重拖慢迭代节奏。\n\n### 使用 dreamer 后\n- **潜空间“想象”训练**：dreamer 构建世界模型，让机器人在压缩的特征空间中通过“想象”未来序列进行练习，大幅减少真实环境交互。\n- **样本效率显著提升**：仅需少量真实数据即可训练出高质量策略，将原本需要百万级的试错次数降低几个数量级。\n- **高效长程策略学习**：通过将价值梯度反向传播至多步预测中，dreamer 能更精准地评估长远收益，使机器人学会复杂的平衡与步态协调。\n- **研发速度大幅加快**：大部分学习过程在模拟的潜空间中完成，训练时间从数周缩短至数天，团队可快速验证新算法。\n\ndreamer 通过“先想象后行动”的机制，将机器人控制任务的样本效率与安全性提升到了全新水平。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdanijar_dreamer_a205befd.png","danijar","Danijar Hafner","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdanijar_d28ece3b.jpg","Building AI that makes autonomous decisions using world models, artificial curiosity, and temporal abstraction","DeepMind","San Francisco","mail@danijar.com","danijarh","https:\u002F\u002Fdanijar.com","https:\u002F\u002Fgithub.com\u002Fdanijar",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,590,119,"2026-04-15T08:24:18","MIT","未说明","需要 NVIDIA GPU (通过 tensorflow-gpu==2.2.0)，具体显存和 CUDA 版本未说明 (TF 2.2.0 通常对应 CUDA 10.1)",{"notes":94,"python":95,"dependencies":96},"该工具是 Dreamer 算法的 TensorFlow 2 实现。安装 dm_control 需要从 GitHub 源安装。训练命令示例针对 DeepMind Control (DMC) 环境。建议使用 TensorBoard 查看训练图表和 GIF。注意官方另有基于 TF1 的实现和更新的 DreamerV2 版本。","3.x (通过 pip3 和 python3 推断，具体小版本未说明)",[97,98,99,100,101],"tensorflow-gpu==2.2.0","tensorflow_probability","dm_control","pandas","matplotlib",[103,14],"其他",[105,106,107,108,109],"reinforcement-learning","artificial-intelligence","deep-learning","robotics","world-models",null,"2026-03-27T02:49:30.150509","2026-04-17T09:54:08.200968",[114,119,124,129,134,139],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},37085,"Dreamer 是否支持分布式训练？","要确保环境配置正确，特别是必须使用 TensorFlow 2.1.0 和 CUDA 10.1。如果无法在 GPU 上运行，请检查这些版本依赖是否正确安装。","https:\u002F\u002Fgithub.com\u002Fdanijar\u002Fdreamer\u002Fissues\u002F7",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},37086,"代码中的 pcont 变量是什么意思？","pcont 代表继续概率（probability of continuation）。作者选择训练一个分类器，使用 0 和 0.99 作为软标签（soft labels），这样预测值已经包含了智能体的折扣因子（discount factor）。因此在计算回报时，不需要再额外乘以折扣因子。这与训练一个硬标签分类器后再手动乘以 0.99 的方法不同。","https:\u002F\u002Fgithub.com\u002Fdanijar\u002Fdreamer\u002Fissues\u002F2",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},37087,"当 value_grad_norm 返回 Inf 导致性能突然下降怎么办？","这通常与使用低精度（float16）训练有关。虽然 LossScaleOptimizer 会忽略非有限梯度，但如果过多梯度被忽略，可能导致更新比例失衡。建议的解决方案是改用 float32 进行训练，这已被证实可以解决该问题。如果必须使用 float16，建议运行对比实验以观察该现象发生的频率。","https:\u002F\u002Fgithub.com\u002Fdanijar\u002Fdreamer\u002Fissues\u002F32",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},37088,"为什么 Dreamer 不需要在回放缓冲区中存储隐藏状态（hidden states）？","对于像 Dreamer 这样的离策略（off-policy）算法，存储的循环状态很容易过时（stale），这使得处理变得复杂。相比之下，RSSM 世界模型具有随机性（stochasticity），这使得模型在训练过程中学会了如何处理更多样化的状态，因此比计划型 LSTM 更鲁棒，无需存储历史隐藏状态或使用复杂的 burn-in 过程也能表现良好。","https:\u002F\u002Fgithub.com\u002Fdanijar\u002Fdreamer\u002Fissues\u002F24",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},37089,"针对 Atari 游戏，应该如何调整 kl_scale 和 deter_size 等超参数？","对于 Atari 游戏，建议将 deter_size 调大，因为模型需要跟踪更多的信息；同时将 kl_scale 调小，以允许模型从每张图像中纳入更多信息。这与 DeepMind Control 任务的设置不同，较大的 kl_scale 会导致后验分布丢失过多信息，从而阻碍智能体做出正确的动作。","https:\u002F\u002Fgithub.com\u002Fdanijar\u002Fdreamer\u002Fissues\u002F12",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},37090,"代码运行后没有输出结果或卡住不动怎么办？","这可能是因为没有正确使用 GPU 或者环境运行非常缓慢。首先检查 GPU 利用率（如使用 nvidia-smi 查看 Volatile GPU-Util）。如果是调试问题，可以切换到 DreamerV2 并使用 `--configs defaults atari debug` 配置，该配置会减小 batch size 并增加日志记录频率，以便更快验证代码是否正常运行。","https:\u002F\u002Fgithub.com\u002Fdanijar\u002Fdreamer\u002Fissues\u002F51",[]]