[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dennybritz--chatbot-retrieval":3,"tool-dennybritz--chatbot-retrieval":65},[4,17,27,35,48,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"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",154349,2,"2026-04-13T23:32:16",[13,14,15],"开发框架","Agent","语言模型","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},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",90106,3,"2026-04-06T11:19:32",[15,26,14,13],"图像",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":10,"last_commit_at":33,"category_tags":34,"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",[13,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"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。",85092,"2026-04-10T11:13:16",[26,43,44,45,14,46,15,13,47],"数据工具","视频","插件","其他","音频",{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":54,"last_commit_at":55,"category_tags":56,"status":16},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[15,43,46],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":54,"last_commit_at":63,"category_tags":64,"status":16},6590,"gpt4all","nomic-ai\u002Fgpt4all","GPT4All 是一款让普通电脑也能轻松运行大型语言模型（LLM）的开源工具。它的核心目标是打破算力壁垒，让用户无需依赖昂贵的显卡（GPU）或云端 API，即可在普通的笔记本电脑和台式机上私密、离线地部署和使用大模型。\n\n对于担心数据隐私、希望完全掌控本地数据的企业用户、研究人员以及技术爱好者来说，GPT4All 提供了理想的解决方案。它解决了传统大模型必须联网调用或需要高端硬件才能运行的痛点，让日常设备也能成为强大的 AI 助手。无论是希望构建本地知识库的开发者，还是单纯想体验私有化 AI 聊天的普通用户，都能从中受益。\n\n技术上，GPT4All 基于高效的 `llama.cpp` 后端，支持多种主流模型架构（包括最新的 DeepSeek R1 蒸馏模型），并采用 GGUF 格式优化推理速度。它不仅提供界面友好的桌面客户端，支持 Windows、macOS 和 Linux 等多平台一键安装，还为开发者提供了便捷的 Python 库，可轻松集成到 LangChain 等生态中。通过简单的下载和配置，用户即可立即开始探索本地大模型的无限可能。",77307,"2026-04-11T06:52:37",[15,13],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":71,"readme_en":72,"readme_zh":73,"quickstart_zh":74,"use_case_zh":75,"hero_image_url":76,"owner_login":77,"owner_name":78,"owner_avatar_url":79,"owner_bio":80,"owner_company":80,"owner_location":81,"owner_email":80,"owner_twitter":80,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":23,"env_os":97,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":108,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":139},7396,"dennybritz\u002Fchatbot-retrieval","chatbot-retrieval","Dual LSTM Encoder for Dialog Response Generation","chatbot-retrieval 是一个基于 TensorFlow 实现的检索式对话模型，专为生成多轮对话回复而设计。它核心采用了“双 LSTM 编码器”架构，灵感来源于著名的 Ubuntu 对话语料库研究。该工具主要解决了传统聊天机器人在面对非结构化、多轮次对话时难以精准匹配上下文的问题。不同于生成式模型凭空创造回答，chatbot-retrieval 通过计算用户输入与候选回复之间的语义相似度，从海量历史数据中检索出最合适的回应，从而显著提升了回复的相关性和自然度。\n\n这款工具特别适合人工智能研究人员、NLP 开发者以及对深度学习对话系统感兴趣的学生使用。如果你希望深入理解检索式对话系统的底层原理，或者需要在一个成熟的框架基础上进行二次开发和实验，chatbot-retrieval 提供了完整的训练、评估和预测代码流程。其独特的技术亮点在于利用双向长短期记忆网络（LSTM）分别编码上下文和候选回复，将两者映射到同一向量空间进行匹配，这种设计在处理长依赖关系的对话场景中表现优异。虽然项目依赖较早期的 TensorFlow 版本，但其清晰的代码结构和经典的算法实现，依然是学习对话系统","chatbot-retrieval 是一个基于 TensorFlow 实现的检索式对话模型，专为生成多轮对话回复而设计。它核心采用了“双 LSTM 编码器”架构，灵感来源于著名的 Ubuntu 对话语料库研究。该工具主要解决了传统聊天机器人在面对非结构化、多轮次对话时难以精准匹配上下文的问题。不同于生成式模型凭空创造回答，chatbot-retrieval 通过计算用户输入与候选回复之间的语义相似度，从海量历史数据中检索出最合适的回应，从而显著提升了回复的相关性和自然度。\n\n这款工具特别适合人工智能研究人员、NLP 开发者以及对深度学习对话系统感兴趣的学生使用。如果你希望深入理解检索式对话系统的底层原理，或者需要在一个成熟的框架基础上进行二次开发和实验，chatbot-retrieval 提供了完整的训练、评估和预测代码流程。其独特的技术亮点在于利用双向长短期记忆网络（LSTM）分别编码上下文和候选回复，将两者映射到同一向量空间进行匹配，这种设计在处理长依赖关系的对话场景中表现优异。虽然项目依赖较早期的 TensorFlow 版本，但其清晰的代码结构和经典的算法实现，依然是学习对话系统搭建的优质参考资源。","## Retrieval-Based Conversational Model in Tensorflow (Ubuntu Dialog Corpus)\n\n#### [Please read the blog post for this code](http:\u002F\u002Fwww.wildml.com\u002F2016\u002F07\u002Fdeep-learning-for-chatbots-2-retrieval-based-model-tensorflow)\n\n#### Overview\n\nThe code here implements the Dual LSTM Encoder model from [The Ubuntu Dialogue Corpus: A Large Dataset for Research in Unstructured Multi-Turn Dialogue Systems](http:\u002F\u002Farxiv.org\u002Fabs\u002F1506.08909).\n\n#### Setup\n\nThis code uses Python 3 and Tensorflow >= 0.9. Clone the repository and install all required packages:\n\n```\npip install -U pip\npip install numpy scikit-learn pandas jupyter\n```\n\n#### Get the Data\n\n\nDownload the train\u002Fdev\u002Ftest data [here](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0B_bZck-ksdkpVEtVc1R6Y01HMWM) and extract the acrhive into `.\u002Fdata`.\n\n\n#### Training\n\n```\npython udc_train.py\n```\n\n\n#### Evaluation\n\n```\npython udc_test.py --model_dir=...\n```\n\n\n#### Evaluation\n\n```\npython udc_predict.py --model_dir=...\n```\n","## 基于检索的对话模型（TensorFlow，Ubuntu 对话语料库）\n\n#### [请阅读本文对应的博客文章](http:\u002F\u002Fwww.wildml.com\u002F2016\u002F07\u002Fdeep-learning-for-chatbots-2-retrieval-based-model-tensorflow)\n\n#### 概述\n\n此处的代码实现了来自论文《Ubuntu 对话语料库：用于非结构化多轮对话系统研究的大规模数据集》（[arXiv:1506.08909](http:\u002F\u002Farxiv.org\u002Fabs\u002F1506.08909)）中的双 LSTM 编码器模型。\n\n#### 环境准备\n\n本代码使用 Python 3 和 TensorFlow >= 0.9。克隆仓库并安装所有所需依赖：\n\n```\npip install -U pip\npip install numpy scikit-learn pandas jupyter\n```\n\n#### 获取数据\n\n\n请从 [这里](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0B_bZck-ksdkpVEtVc1R6Y01HMWM) 下载训练\u002F验证\u002F测试数据，并将压缩包解压到 `.\u002Fdata` 目录下。\n\n\n#### 训练\n\n```\npython udc_train.py\n```\n\n\n#### 评估\n\n```\npython udc_test.py --model_dir=...\n```\n\n\n#### 预测\n\n```\npython udc_predict.py --model_dir=...\n```","# chatbot-retrieval 快速上手指南\n\n本指南帮助开发者快速部署基于 TensorFlow 的检索式对话模型（Ubuntu Dialog Corpus）。\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\n- **操作系统**：Linux \u002F macOS \u002F Windows (需配置好 Python 环境)\n- **Python 版本**：Python 3.x\n- **核心框架**：TensorFlow >= 0.9\n- **前置依赖库**：numpy, scikit-learn, pandas, jupyter\n\n> **提示**：国内用户建议使用清华或阿里镜像源加速 pip 包安装。\n\n## 安装步骤\n\n1. **克隆项目代码**\n   首先将仓库克隆到本地：\n   ```bash\n   git clone \u003Crepository_url>\n   cd chatbot-retrieval\n   ```\n\n2. **升级 pip 并安装依赖**\n   执行以下命令安装所需 Python 包（推荐使用国内镜像源）：\n   ```bash\n   pip install -U pip -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   pip install numpy scikit-learn pandas jupyter -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n3. **获取数据集**\n   下载训练、验证和测试数据：\n   - 下载地址：[Google Drive Link](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0B_bZck-ksdkpVEtVc1R6Y01HMWM)\n   - 操作：下载后将压缩包解压至项目根目录下的 `.\u002Fdata` 文件夹中。\n\n## 基本使用\n\n完成环境配置和数据准备后，即可进行模型的训练、评估和预测。\n\n### 1. 训练模型\n运行以下命令开始训练 Dual LSTM Encoder 模型：\n```bash\npython udc_train.py\n```\n\n### 2. 评估模型\n训练完成后，指定模型目录进行评估：\n```bash\npython udc_test.py --model_dir=...\n```\n*(请将 `...` 替换为实际保存模型的文件夹路径)*\n\n### 3. 进行预测\n使用训练好的模型进行对话预测：\n```bash\npython udc_predict.py --model_dir=...\n```\n*(请将 `...` 替换为实际保存模型的文件夹路径)*","某电商技术团队正致力于升级其在线客服系统，希望利用历史工单数据自动回答用户关于物流和售后的常见咨询。\n\n### 没有 chatbot-retrieval 时\n- 客服回复完全依赖人工编写规则或简单的关键词匹配，面对用户多样化的提问方式（如倒装句、口语化表达）时经常无法识别意图。\n- 系统无法理解多轮对话的上下文逻辑，一旦用户补充说明或转换话题，机器人就会“失忆”并重复询问基础信息，导致体验割裂。\n- 新场景上线周期长，每次增加新的业务问答都需要工程师手动梳理大量正则表达式，维护成本极高且容易出错。\n- 缺乏基于真实语料的检索能力，给出的回答往往生硬刻板，无法从 Ubuntu 对话语料这类大规模数据中学习自然的回复模式。\n\n### 使用 chatbot-retrieval 后\n- 基于双 LSTM 编码器架构，chatbot-retrieval 能深度理解语义而非仅仅匹配关键词，准确捕捉用户即使表述模糊的真实需求。\n- 模型天然支持多轮对话上下文建模，能够记住前几轮的交互信息，在用户追加问题时给出连贯、符合逻辑的精准回复。\n- 团队只需导入历史客服对话数据进行训练，chatbot-retrieval 即可自动学习回复策略，大幅缩短了新业务场景的部署时间。\n- 通过在大规模非结构化对话语料上的预训练，chatbot-retrieval 生成的回复更加自然流畅，显著提升了用户对自动化服务的接受度。\n\nchatbot-retrieval 通过深度学习技术将僵硬的规则匹配转化为智能的语义检索，从根本上解决了传统客服机器人不懂上下文和泛化能力差的难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdennybritz_chatbot-retrieval_28999e7c.png","dennybritz","Denny Britz","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdennybritz_a0c7fe5c.jpg",null,"Tokyo, Japan","https:\u002F\u002Fdennybritz.com","https:\u002F\u002Fgithub.com\u002Fdennybritz",[85,89],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",80.7,{"name":90,"color":91,"percentage":92},"Python","#3572A5",19.3,1576,667,"2026-03-30T05:37:53","MIT","Linux (Ubuntu)","未说明",{"notes":100,"python":101,"dependencies":102},"该项目基于 Ubuntu Dialogue Corpus 数据集，需手动下载训练\u002F验证\u002F测试数据并解压至 .\u002Fdata 目录。代码实现的是双 LSTM 编码器模型，README 中明确提及在 Ubuntu 环境下运行，未提供 Windows 或 macOS 的官方支持说明。","Python 3",[103,104,105,106,107],"tensorflow>=0.9","numpy","scikit-learn","pandas","jupyter",[15],"2026-03-27T02:49:30.150509","2026-04-14T15:37:39.969559",[112,117,122,126,131,135],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},33186,"遇到 'Incompatible shapes: [80,1] vs. [160,1]' 错误怎么办？","这是一个在 TensorFlow 0.12+ 版本中常见的形状不匹配问题。解决方案是修改 `udc_model.py` 文件：\n1. 找到获取 batch_size 的代码行：`batch_size = targets.get_shape().as_list()[0]`\n2. 将其修改为仅在评估模式（EVAL）下动态获取：\n   ```python\n   if mode == tf.contrib.learn.ModeKeys.EVAL:\n       batch_size = targets.get_shape().as_list()[0]\n   ```\n3. 同时，在调用预测函数时（如 `udc_predict.py`），需要移除 `as_iterable` 标志。\n此修复可解决训练与预测\u002F评估阶段批次大小不一致导致的形状冲突。","https:\u002F\u002Fgithub.com\u002Fdennybritz\u002Fchatbot-retrieval\u002Fissues\u002F32",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},33187,"如何一次性预测所有候选回复以提高速度？","原始代码逐个发送候选回复进行预测，导致速度极慢（例如 500 个回复需 4 分钟）。虽然可以尝试一次性将所有潜在回复（potential_responses）发送给估算器（Estimator），但存在一个已知缺陷：模型往往会忽略列表中的其他元素，始终将第一个候选回复作为最佳答案返回（预测概率均为 100%）。\n目前社区观察到的情况是：\n- 若使用循环逐个预测（原始 Denny 代码），结果准确但速度极慢。\n- 若一次性批量预测（Sangheli 版本），速度快但结果不正确（总是选第一个）。\n建议暂时沿用循环方式以保证准确性，或自行调试批量输入时的特征提取逻辑以修复“只选第一个”的 Bug。","https:\u002F\u002Fgithub.com\u002Fdennybritz\u002Fchatbot-retrieval\u002Fissues\u002F31",{"id":123,"question_zh":124,"answer_zh":125,"source_url":121},33188,"为什么批量预测时模型总是选择第一个候选回复？","这是因为在批量预测模式下，估算器（Estimator）似乎忽略了 `potential_responses` 列表中的后续元素。即使用户提取了所有候选回复的特征并一次性输入，模型输出的结果往往显示所有候选者的得分相同或倾向于第一个，导致最终答案固定为列表中的第一项。这解释了为何批量预测速度快但准确率看似异常高（实际上并未真正排序）。要获得正确的排序结果，目前仍需通过循环逐个输入候选回复进行预测。",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},33189,"在不同 TensorFlow 版本（如 1.12.0）上运行时遇到形状错误如何处理？","在较新的 TensorFlow 版本（如 1.12.0）上，可能会遇到类似 `ValueError: Shapes (10, ?, 160) and () are incompatible` 的错误。这通常是由于 `udc_model.py` 中硬编码的批次大小与输入数据形状不兼容导致的。请参考针对 'Incompatible shapes' 问题的通用修复方案：在 `udc_model.py` 中将 `batch_size` 的获取逻辑改为仅在 `ModeKeys.EVAL` 模式下动态从 `targets` 张量中读取，避免在预测或训练的不同阶段使用固定的静态形状。","https:\u002F\u002Fgithub.com\u002Fdennybritz\u002Fchatbot-retrieval\u002Fissues\u002F15",{"id":132,"question_zh":133,"answer_zh":134,"source_url":130},33190,"训练时正常但评估测试数据时报错 'Incompatible shapes' 是怎么回事？","这种情况通常发生在训练集和测试集的批次大小（batch size）设置不一致，或者模型代码中假设了固定的批次大小（如 80），而评估时实际批次大小不同（如 160 或 1）。\n解决方法：\n1. 检查 `udc_model.py`，确保 `batch_size` 不是硬编码的常数。\n2. 应用动态批次大小修复：将 `batch_size = targets.get_shape().as_list()[0]` 包裹在 `if mode == tf.contrib.learn.ModeKeys.EVAL:` 判断中。\n3. 确保预测脚本中没有使用过时的 `as_iterable` 参数。\n这样可以让模型在评估阶段自适应输入数据的实际批次大小。",{"id":136,"question_zh":137,"answer_zh":138,"source_url":116},33191,"有没有人修复了形状不兼容的问题并提交了吗？","社区成员 Sangheli 已经提出了具体的代码修复方案（修改 `udc_model.py` 中的 batch_size 获取逻辑），并在评论中获得了较多赞同（6 个反应）。维护者曾询问是否有人愿意提交 Pull Request 来正式修复此问题。如果您遇到此问题，可以直接参考 Sangheli 提供的代码片段手动修改本地文件，或者查看是否有基于该建议合并的后续分支\u002FPR。",[]]