awesome-question-answering
awesome-question-answering 是一个精心整理的问答(Question Answering)领域资源合集,旨在为相关研究与开发提供一站式导航。它汇集了该方向核心的学术论文、关键数据集以及实用工具链接,涵盖了从早期的记忆网络(Memory Networks)、动态记忆网络,到结合知识图谱的语义解析、神经图灵机以及端到端对话系统等前沿技术路径。
在人工智能领域,让机器像人类一样理解问题并从海量信息中精准提取答案是一项极具挑战的任务。awesome-question-answering 解决了研究人员和开发者在面对庞大文献库时难以快速定位高质量资料、复现经典模型或寻找合适基准数据集的痛点。通过系统化的分类整理,它帮助用户高效梳理技术演进脉络,避免重复造轮子。
这份资源特别适合从事自然语言处理(NLP)的算法工程师、高校科研人员以及希望深入探索智能问答系统的学生使用。无论是想要复现论文实验、对比不同模型架构的优劣,还是寻找特定任务的训练数据,都能在这里找到有价值的线索。其独特的亮点在于不仅收录了基础的深度学习模型,还重点关注了知识与推理结合的混合计算模式,为构建更智能、可解释的问答系统提供了丰富的理论支撑与实践参考。
使用场景
某初创团队正致力于开发一款面向医疗领域的智能问答机器人,旨在帮助医生快速从海量文献中检索精准答案。
没有 awesome-question-answering 时
- 资源搜集如大海捞针:团队成员需分散在 Google Scholar、arXiv 和各大学术库中手动搜索,耗时数周仍难以覆盖关键论文,极易遗漏如 Memory Networks 等奠基性研究。
- 数据集匹配困难:缺乏统一的数据集清单,导致团队在训练模型时使用了不合适的基准数据,无法准确评估模型在特定医疗场景下的泛化能力。
- 技术选型盲目试错:面对知识图谱嵌入、神经注意力机制等众多技术路线,团队因缺乏系统的对比资料,只能凭感觉选择算法,造成大量算力浪费在无效实验上。
- 复现前沿成果受阻:由于找不到原始论文的官方实现链接或相关衍生资源,复现 SOTA(最先进)模型的过程频频卡壳,严重拖慢研发进度。
使用 awesome-question-answering 后
- 一站式获取核心资产:团队直接利用该清单,几分钟内便锁定了从早期的端到端记忆网络到最新的子图嵌入等所有关键论文与代码资源,调研效率提升十倍。
- 精准匹配基准数据:通过清单中分类清晰的数据集列表,团队迅速找到了适合医疗问答任务的专用数据集,确保了模型评估的权威性与准确性。
- 科学决策技术路线:借助清单对各类方法(如基于知识库的解析 vs 向量空间遍历)的系统梳理,团队快速确定了最适合当前业务的技术组合,避免了方向性错误。
- 加速模型迭代落地:依托清单提供的丰富复现资源和预训练模型指引,团队成功在两周内跑通了基线系统,将原本需要一个月的原型开发周期大幅压缩。
awesome-question-answering 通过将分散的学术资源结构化,让研发团队从繁琐的信息搜集者转变为高效的技术创新者。
运行环境要求
未说明
未说明

快速开始
一份精心整理的、与问答相关的优质资源列表,包括论文、数据集等。
论文
- 记忆网络
- 端到端记忆网络
- 迈向AI完备的问答:一组必要的玩具任务
- 基于记忆网络的大规模简单问答
- 问我任何问题:用于自然语言处理的动态记忆网络
- 用于直接理解文档的键值记忆网络
- 通过分阶段查询图生成进行语义解析:知识库问答
- KBQA中语义解析标注的价值
- 基于子图嵌入的问答
- 使用弱监督嵌入模型的开放型问答
- 学习端到端的目标导向对话
- 具有知识传递功能的端到端记忆网络,用于多轮口语理解
- 结合全局知识信息的神经注意力知识库问答
- 知识库和文本中关系路径的嵌入组合式学习
- 通过联合学习对齐与翻译实现神经机器翻译
- 循环神经网络语法
- 神经图灵机
- 教会机器阅读和理解
- 将深度学习应用于答案选择:一项研究与开放性任务
- 利用神经张量网络进行推理
- 面向网络的可扩展特征学习:Node2Vec
- 从大型图中学习有根子图的分布式表示:Subgraph2Vec
- 使用具有动态外部内存的神经网络进行混合计算
- 在向量空间中遍历知识图谱
- 学习组合神经网络以进行问答
- 层次化记忆网络
- 高斯注意力模型及其在知识库嵌入和问答中的应用
- 门控图序列神经网络
- 使用神经网络进行序列到序列学习
- 神经对话模型
- 用于问答的查询简化网络
- 基于大规模知识库的条件聚焦神经问答
- 高效解答技术问题——基于知识图谱的方法
- 一种结合跨注意力机制的端到端知识库问答模型,融合全局知识
- 作为语义抽象上的全局推理的问答
分类
问题生成
- 通过过度生成变换与排序进行问题生成(技术报告)
- 从句子自动生问题
- 好问题!用于问题生成的统计排名
- 宾夕法尼亚大学的段落问题生成:Qgstec系统描述
- 为社区问答自动生成问题
- 如何从定义中生成完形填空题:句法方法
- 生成支持在线学习的自然语言问题
- 无需深入理解的深刻问题
- 利用文本的多种视角自动生问题
- Revup:从教育文本自动填充空白生成问题
- 迈向主题到问题的生成
- 使用常见的人类查询对自动生成的问题进行排名
- 从知识图谱生成测验题目
- 利用循环神经网络生成事实型问题:3000万条事实型问答语料
- 来自知识图谱的知识性问题
- 通过文本到文本的神经问题生成实现机器理解
- 结合网络探索从知识库生成问题
- 关于为QA评估生成特征丰富的题集
- 从文本中神经生成问题:一项初步研究
- 半监督QA与生成式领域自适应网络
数据集
- bAbI 数据集
- CNN 问答任务(教机器阅读与理解)
- WebQuestions
- Simple Questions
- Movie QA
- WebQuestionsSP
- WikiQA
- Kaggle AllenAI 挑战赛
- MC 测试,微软 2013 年机器理解测试
- MSR 句子补全挑战赛
- 对话状态追踪挑战赛
- 《教机器阅读与理解》中介绍的问答数据集
- WebNav
- 斯坦福问答数据集
- FB15K 知识库
- Yahoo! Answers 全面问答版本 1.0(多部分)
- 康奈尔电影对话数据集
- WikiQA
- Quora 重复问题数据集
- 查询改写器数据集,包括 Jeopardy 等
- 知识竞赛问题
- WebQA-中文
- 聊天语料库
- MultiRC
- NewsQA
知识库
演示文稿
语言模型数据集
- PennTree Bank
- Text8
代码及相关项目
相似工具推荐
openclaw
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。 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。 OpenClaw 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
n8n
n8n 是一款面向技术团队的公平代码(fair-code)工作流自动化平台,旨在让用户在享受低代码快速构建便利的同时,保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点,帮助用户轻松连接 400 多种应用与服务,实现复杂业务流程的自动化。 n8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”:既可以通过直观的可视化界面拖拽节点搭建流程,也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外,n8n 原生集成了基于 LangChain 的 AI 能力,支持用户利用自有数据和模型构建智能体工作流。在部署方面,n8n 提供极高的自由度,支持完全自托管以保障数据隐私和控制权,也提供云端服务选项。凭借活跃的社区生态和数百个现成模板,n8n 让构建强大且可控的自动化系统变得简单高效。
AutoGPT
AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台,核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点,让用户只需设定目标,AI 即可自主规划步骤、调用工具并持续运行直至完成任务。 无论是开发者、研究人员,还是希望提升工作效率的普通用户,都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体;研究人员能基于开源架构探索多智能体协作机制;而非技术背景用户也可直接选用预置的智能体模板,立即投入实际工作场景。 AutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑,每个块负责单一动作,灵活且易于调试。同时,平台支持本地自托管与云端部署两种模式,兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本,即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛,让人人都能成为 AI 的创造者与受益者。
stable-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。 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。
everything-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。 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。 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
ComfyUI
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。 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。 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。