[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-different-ai--embedbase":3,"tool-different-ai--embedbase":62},[4,18,26,36,46,54],{"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",160411,2,"2026-04-18T23:33:24",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"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。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"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",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":78,"owner_website":77,"owner_url":79,"languages":80,"stars":118,"forks":119,"last_commit_at":120,"license":121,"difficulty_score":42,"env_os":122,"env_gpu":123,"env_ram":123,"env_deps":124,"category_tags":128,"github_topics":129,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":142,"updated_at":143,"faqs":144,"releases":183},9397,"different-ai\u002Fembedbase","embedbase","A dead-simple API to build LLM-powered apps","Embedbase 是一款专为开发者设计的极简 API 服务，旨在帮助用户轻松构建基于大语言模型（LLM）的应用程序。它的核心目标是降低技术门槛，让开发者无需自行部署和维护复杂的向量数据库或大型模型基础设施，即可快速实现高级 AI 功能。\n\n通过 Embedbase，用户可以轻松解决两大核心难题：一是语义搜索，即让机器理解自然语言的含义而非仅仅匹配关键词；二是内容生成，能够灵活调用多种主流大模型来回答问题或创作内容。其独特的技术亮点在于将“嵌入即服务”（Embeddings-as-a-Service）理念落地，提供了一站式的托管方案。开发者只需几行代码，就能完成数据的向量化存储、语义检索以及与 GPT-3.5 等模型的无缝对接，极大地缩短了从想法到原型的开发周期。\n\n这款工具非常适合希望快速集成 AI 能力的软件工程师、初创团队技术负责人以及全栈开发者。无论是想打造智能客服、个性化推荐引擎，还是构建“与文档对话”的知识库系统，Embedbase 都能提供稳定且高效的底层支持。它让开发者能将精力集中在业务逻辑创新上，而非繁琐的基础设施运维中，是探索 AI 应用落地的得力助手。","\u003Cbr \u002F>\n\n\n\u003Cp align=\"center\">\n\u003Cimg width=\"150\" alt=\"embedbasevector\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdifferent-ai_embedbase_readme_ffd7c396e565.png\">\n  \u003Ch1 align=\"center\">Embedbase\u003C\u002Fh1>\n\n\n\u003Ch3 align=\"center\">Hosted embeddings-as-a-service\u003C\u002Fh3>\n\n  \u003Cp align=\"center\">\n    \u003Cbr \u002F>\n    \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FpMNeuGrDky\">\u003Cimg alt=\"Discord\" src=\"https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F1066022656845025310?color=black&style=for-the-badge\">\u003C\u002Fa>\n    \u003Cbr \u002F>\n    \u003Cdiv align=\"center\">\n      \u003Ca href=\"https:\u002F\u002Fapp.embedbase.xyz\u002Fsignup\">Try the Hosted Version\u003C\u002Fa>\n      ·\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdifferent-ai\u002Fembedbase\u002Fissues\u002Fnew?assignees=&labels=enhancement\">Request Feature\u003C\u002Fa>\n      ·\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdifferent-ai\u002Fembedbase\u002Fissues\u002Fnew?assignees=&labels=bug\">Report Bug\u003C\u002Fa>\n    \u003C\u002Fdiv>\n    \u003Cbr \u002F>\n  \u003C\u002Fp>\n\u003C\u002Fp>\n\nCheck out the [docs](https:\u002F\u002Fdocs.embedbase.xyz) for more info.\n\n## What is it\n\nEmbedbase is a dead-simple API to help you use [VectorDBs](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fsemantic-kernel\u002Fconcepts-ai\u002Fvectordb) and LLMs without needing to host them!\n\n## Key features\n\n- Generate: use `.generateText()` to use 9+ LLMs\n- Semantic Search: use `.add()` to create a list of semantically searchable information and `.search()` to run semantic queries\n\n## Installation\n`npm i embedbase-js`\n\n```js\nimport { createClient } from 'embedbase-js'\n\u002F\u002F initialize client\nconst embedbase = createClient(\n  'https:\u002F\u002Fapi.embedbase.xyz',\n  '\u003Cgrab me here https:\u002F\u002Fapp.embedbase.xyz\u002F>'\n)\n \nconst question =\n  'im looking for a nice pant that is comfortable and i can both use for work and for climbing'\n \n\u002F\u002F search for information in a pre-defined dataset and returns the most relevant data\nconst searchResults = await embedbase.dataset('product-ads').search(question)\n \n\u002F\u002F transform the results into a string so they can be easily used inside a prompt\nconst stringifiedSearchResults = searchResults\n  .map(result => result.data)\n  .join('')\n \nconst answer = await embedbase\n  .useModel('openai\u002Fgpt-3.5-turbo')\n  .generateText(`${stringifiedSearchResults} ${question}`)\n \nconsole.log(answer) \u002F\u002F 'I suggest considering harem pants for your needs. Harem pants are known for their ...'\n```\n\n## Table of Contents\n\n- [Getting started](#getting-started)\n- [Javascript SDK](#sdk)\n- [Docs and support](#docs-and-support)\n- [Integrations](#our-integrations)\n- [Contributing](#contributing)\n\n\n## What are people building\n\n- [Recommendation Engines: AVA uses Embedbase to help their users find related notes](https:\u002F\u002Fgithub.com\u002Flouis030195\u002Fobsidian-ava)\n- [Chat with your data: Solpilot uses Embedbase to put smart contract integration on autopilot](https:\u002F\u002Fapp.solpilot.xyz\u002Fchat)\n- [Talk to your docs: ChatGPT-powered search for markdown documentation](https:\u002F\u002Fgithub.com\u002Fdifferent-ai\u002Fchat-gpt-powered-nextra)\n\n\n\nThe fastest way to get started with Embedbase is signing up for free to [Embedbase Cloud](https:\u002F\u002Fapp.embedbase.xyz\u002F).\n\n![Dashboard Screenshot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdifferent-ai_embedbase_readme_70502ffd2b41.png)\n\n\n\n## Docs and support\n\nCheck out our [tutorials](https:\u002F\u002Fdocs.embedbase.xyz) for step-by-step guides, how-to's, and best practices, our documentation is powered by GPT-4, so you can ask question directly. \n\nAsk a question in our [Discord community](https:\u002F\u002Fdiscord.gg\u002FpMNeuGrDky) to get support.\n\n## Contributing\n\nPlease read [CONTRIBUTING.md](.\u002FCONTRIBUTING.md) for details on our code of conduct, and the process for submitting pull requests to us.\n\n","\u003Cbr \u002F>\n\n\n\u003Cp align=\"center\">\n\u003Cimg width=\"150\" alt=\"embedbasevector\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdifferent-ai_embedbase_readme_ffd7c396e565.png\">\n  \u003Ch1 align=\"center\">Embedbase\u003C\u002Fh1>\n\n\n\u003Ch3 align=\"center\">托管的嵌入即服务\u003C\u002Fh3>\n\n  \u003Cp align=\"center\">\n    \u003Cbr \u002F>\n    \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FpMNeuGrDky\">\u003Cimg alt=\"Discord\" src=\"https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F1066022656845025310?color=black&style=for-the-badge\">\u003C\u002Fa>\n    \u003Cbr \u002F>\n    \u003Cdiv align=\"center\">\n      \u003Ca href=\"https:\u002F\u002Fapp.embedbase.xyz\u002Fsignup\">试用托管版本\u003C\u002Fa>\n      ·\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdifferent-ai\u002Fembedbase\u002Fissues\u002Fnew?assignees=&labels=enhancement\">请求功能\u003C\u002Fa>\n      ·\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdifferent-ai\u002Fembedbase\u002Fissues\u002Fnew?assignees=&labels=bug\">报告 bug\u003C\u002Fa>\n    \u003C\u002Fdiv>\n    \u003Cbr \u002F>\n  \u003C\u002Fp>\n\u003C\u002Fp>\n\n更多详情请查看 [文档](https:\u002F\u002Fdocs.embedbase.xyz)。\n\n## 是什么\n\nEmbedbase 是一个极其简单的 API，帮助您使用 [向量数据库](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fsemantic-kernel\u002Fconcepts-ai\u002Fvectordb) 和大语言模型，而无需自行部署和维护！\n\n## 核心功能\n\n- 生成：使用 `.generateText()` 调用 9 种以上的 LLM。\n- 语义搜索：使用 `.add()` 创建可进行语义搜索的信息列表，并通过 `.search()` 执行语义查询。\n\n## 安装\n`npm i embedbase-js`\n\n```js\nimport { createClient } from 'embedbase-js'\n\u002F\u002F 初始化客户端\nconst embedbase = createClient(\n  'https:\u002F\u002Fapi.embedbase.xyz',\n  '\u003C在 https:\u002F\u002Fapp.embedbase.xyz\u002F 获取密钥>'\n)\n \nconst question =\n  '我在找一条既舒适又适合上班和攀岩的裤子'\n \n\u002F\u002F 在预定义的数据集中搜索相关信息，并返回最相关的结果\nconst searchResults = await embedbase.dataset('product-ads').search(question)\n \n\u002F\u002F 将结果转换为字符串，以便在提示词中轻松使用\nconst stringifiedSearchResults = searchResults\n  .map(result => result.data)\n  .join('')\n \nconst answer = await embedbase\n  .useModel('openai\u002Fgpt-3.5-turbo')\n  .generateText(`${stringifiedSearchResults} ${question}`)\n \nconsole.log(answer) \u002F\u002F '我建议您可以考虑哈伦裤。哈伦裤以其 ...'\n```\n\n## 目录\n\n- [快速入门](#getting-started)\n- [JavaScript SDK](#sdk)\n- [文档与支持](#docs-and-support)\n- [集成](#our-integrations)\n- [贡献](#contributing)\n\n\n## 人们正在构建什么\n\n- [推荐引擎：AVA 使用 Embedbase 帮助用户找到相关笔记](https:\u002F\u002Fgithub.com\u002Flouis030195\u002Fobsidian-ava)\n- [与您的数据聊天：Solpilot 利用 Embedbase 实现智能合约集成的自动化](https:\u002F\u002Fapp.solpilot.xyz\u002Fchat)\n- [与您的文档对话：基于 ChatGPT 的 Markdown 文档搜索](https:\u002F\u002Fgithub.com\u002Fdifferent-ai\u002Fchat-gpt-powered-nextra)\n\n\n\n开始使用 Embedbase 的最快方式是免费注册 [Embedbase Cloud](https:\u002F\u002Fapp.embedbase.xyz\u002F)。\n\n![仪表盘截图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdifferent-ai_embedbase_readme_70502ffd2b41.png)\n\n\n\n## 文档与支持\n\n请查看我们的 [教程](https:\u002F\u002Fdocs.embedbase.xyz)，其中包含分步指南、操作说明和最佳实践。我们的文档由 GPT-4 提供支持，因此您可以直接提问。\n\n如需支持，请在我们的 [Discord 社区](https:\u002F\u002Fdiscord.gg\u002FpMNeuGrDky) 中提问。\n\n## 贡献\n\n请阅读 [CONTRIBUTING.md](.\u002FCONTRIBUTING.md)，了解我们的行为准则以及提交拉取请求的流程。","# Embedbase 快速上手指南\n\nEmbedbase 是一个极简的 API 服务，旨在帮助开发者无需自行托管即可轻松使用向量数据库（VectorDB）和大语言模型（LLM）。它支持语义搜索和文本生成功能。\n\n## 环境准备\n\n- **运行环境**：Node.js (推荐 v14 或更高版本)\n- **前置依赖**：无特殊系统依赖，只需具备 npm 或 yarn 包管理器\n- **账号准备**：访问 [Embedbase Cloud](https:\u002F\u002Fapp.embedbase.xyz\u002Fsignup) 免费注册并获取 API Key\n\n## 安装步骤\n\n在项目目录中运行以下命令安装官方 JavaScript SDK：\n\n```bash\nnpm i embedbase-js\n```\n\n## 基本使用\n\n以下示例展示了如何初始化客户端、进行语义搜索，并结合 LLM 生成回答。\n\n1. **初始化与搜索生成**\n\n创建一个新的 JavaScript 文件（例如 `index.js`），填入以下代码。请将 `\u003Cgrab me here https:\u002F\u002Fapp.embedbase.xyz\u002F>` 替换为你在控制台获取的真实 API Key。\n\n```js\nimport { createClient } from 'embedbase-js'\n\n\u002F\u002F 初始化客户端\nconst embedbase = createClient(\n  'https:\u002F\u002Fapi.embedbase.xyz',\n  '\u003Cgrab me here https:\u002F\u002Fapp.embedbase.xyz\u002F>'\n)\n \nconst question =\n  'im looking for a nice pant that is comfortable and i can both use for work and for climbing'\n \n\u002F\u002F 在预定义的数据集 \"product-ads\" 中搜索最相关的信息\nconst searchResults = await embedbase.dataset('product-ads').search(question)\n \n\u002F\u002F 将搜索结果转换为字符串，以便放入提示词中\nconst stringifiedSearchResults = searchResults\n  .map(result => result.data)\n  .join('')\n \n\u002F\u002F 调用 LLM (如 GPT-3.5-turbo) 基于搜索结果生成回答\nconst answer = await embedbase\n  .useModel('openai\u002Fgpt-3.5-turbo')\n  .generateText(`${stringifiedSearchResults} ${question}`)\n \nconsole.log(answer) \n\u002F\u002F 输出示例：'I suggest considering harem pants for your needs. Harem pants are known for their ...'\n```\n\n2. **核心功能说明**\n   - **语义搜索**：使用 `.dataset('名称').search(query)` 即可在向量数据库中查找语义相关的内容。\n   - **文本生成**：使用 `.useModel('模型名称').generateText(prompt)` 调用支持的 9+ 种大模型进行内容生成。\n\n更多详细教程和最佳实践，请访问 [官方文档](https:\u002F\u002Fdocs.embedbase.xyz)。","一家初创电商团队希望为其户外装备网站快速构建一个能理解用户自然语言描述的“智能导购助手”，以替代传统的关键词搜索。\n\n### 没有 embedbase 时\n- **基础设施搭建繁琐**：团队需自行部署和维护向量数据库及嵌入模型，耗费大量服务器资源和运维精力。\n- **开发门槛高**：开发人员必须深入理解语义检索原理，编写复杂的代码来处理文本向量化、存储和相似度匹配。\n- **多模型切换困难**：若想尝试不同的大语言模型（LLM）来优化回答质量，需要分别对接多家厂商的 API，集成成本极高。\n- **迭代周期漫长**：从数据清洗到上线测试，整个流程耗时数周，难以快速验证“智能搜索”功能的市场价值。\n\n### 使用 embedbase 后\n- **零运维启动**：直接调用 embedbase 的托管 API，无需关心底层向量数据库和模型的部署，几分钟内即可接入服务。\n- **极简代码实现**：仅需几行代码调用 `.add()` 存入商品数据，再用 `.search()` 即可实现基于语义的精准查询，大幅降低开发难度。\n- **灵活模型调度**：通过 `useModel()` 方法可一键切换 9+ 种主流大模型，轻松对比并选择最适合电商场景的回答风格。\n- **快速原型落地**：原本数周的开发工作缩短至数小时，团队能迅速上线智能导购功能并根据用户反馈实时优化数据集。\n\nembedbase 让开发者无需成为 AI 基础设施专家，也能像调用普通函数一样轻松构建具备深度语义理解能力的智能应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdifferent-ai_embedbase_70502ffd.png","different-ai","Different AI","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdifferent-ai_82fdfca7.png","Fun with LLMs",null,"benjaminshafii","https:\u002F\u002Fgithub.com\u002Fdifferent-ai",[81,85,89,93,97,100,104,108,111,115],{"name":82,"color":83,"percentage":84},"TypeScript","#3178c6",59.3,{"name":86,"color":87,"percentage":88},"Python","#3572A5",31.6,{"name":90,"color":91,"percentage":92},"Jupyter Notebook","#DA5B0B",5.4,{"name":94,"color":95,"percentage":96},"Solidity","#AA6746",1.1,{"name":98,"color":99,"percentage":96},"Makefile","#427819",{"name":101,"color":102,"percentage":103},"JavaScript","#f1e05a",0.8,{"name":105,"color":106,"percentage":107},"PLpgSQL","#336790",0.3,{"name":109,"color":110,"percentage":107},"CSS","#663399",{"name":112,"color":113,"percentage":114},"HTML","#e34c26",0.1,{"name":116,"color":117,"percentage":114},"Dockerfile","#384d54",522,56,"2026-02-13T18:45:33","MIT","","未说明",{"notes":125,"python":123,"dependencies":126},"该工具主要作为托管服务（Embedbase Cloud）提供，无需本地部署模型或向量数据库。客户端通过 npm 安装 JavaScript SDK ('embedbase-js') 即可使用，支持在任意能运行 Node.js 的环境中调用 API。若需自托管或贡献代码，具体环境需求未在 README 中详述，需参考 CONTRIBUTING.md 或官方文档。",[127],"embedbase-js",[35,16,15,45,13,14],[130,131,132,133,134,135,136,137,138,139,140,141],"ai","artificial-intelligence","embeddings","machine-learning","natural-language-processing","openai","pgvector","supabase","chatgpt","chatgpt-plugin","gpt-4","vector-database","2026-03-27T02:49:30.150509","2026-04-19T09:14:21.161349",[145,150,154,159,163,168,173,178],{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},42171,"为什么在 FastAPI 或 Uvicorn 中调用异步函数时不起作用？","在 FastAPI 中使用 EmbedbaseClient 进行搜索时，必须确保正确等待（await）异步操作。虽然示例代码中直接调用了 search 方法，但在某些异步环境下可能需要显式处理事件循环或确保客户端初始化正确。如果遇到问题，请检查是否遗漏了 await 关键字，或者尝试在同步上下文中包装异步调用。此外，确保使用的是最新版本的 SDK，因为旧版本可能存在异步兼容性问题。","https:\u002F\u002Fgithub.com\u002Fdifferent-ai\u002Fembedbase\u002Fissues\u002F71",{"id":151,"question_zh":152,"answer_zh":153,"source_url":149},42172,"为什么建议使用多个数据集而不是将所有数据放在一个数据集中？","使用多个数据集主要有两个原因：1. 每个数据集有不同的用途（例如，一个关于人，一个关于公司，一个关于文化等），这样更容易管理多样化的数据；2. 保证包含特定的数据集内容，而不仅仅是按相似度排序。通过分别查询不同数据集（如 recipe_id 和 farm_id），可以更精确地控制返回结果的组成和优先级。",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},42173,"Playground 偶尔崩溃并报错 'Cannot read properties of undefined' 怎么办？","该问题通常由后端超时或大数据量上下文引起（例如查询整个 Ethereum 文档）。维护者已修复此问题，主要解决方案是优化重复项处理时的 select 查询，确保区分唯一性。如果遇到类似崩溃，请尝试减小查询上下文的大小，或更新到最新版本的 Dashboard 和后端服务以获取修复补丁。","https:\u002F\u002Fgithub.com\u002Fdifferent-ai\u002Fembedbase\u002Fissues\u002F46",{"id":160,"question_zh":161,"answer_zh":162,"source_url":158},42174,"如何更新 PostgreSQL 中的向量索引列表数量（lists）？","要更新索引以使用新的 lists 值（例如 220），需要先删除现有索引，然后创建新索引。具体 SQL 命令如下：\n1. 删除现有索引：DROP INDEX documents_embedding_vector_cosine_ops_idx;\n2. 创建新索引：CREATE INDEX documents_embedding_vector_cosine_ops_idx ON documents USING ivfflat (embedding vector_cosine_ops) WITH (lists = 220);\n注意：请将 'documents_embedding_vector_cosine_ops_idx' 替换为你实际的索引名称。执行期间可能会影响查询性能（需全表扫描）并可能产生表锁，建议在低峰期操作。",{"id":164,"question_zh":165,"answer_zh":166,"source_url":167},42175,"Embedbase 是否支持本地数据库（如 SQLite 或本地 PostgreSQL）而不依赖 Supabase？","目前 Embedbase 主要依赖 Supabase 作为后端存储。虽然社区有提议支持本地数据库（如 FAISS、SQLite 或本地 PostgreSQL）以减少对第三方的依赖，但官方计划是允许 Embedbase 与其他向量数据库配合工作，而不仅仅绑定于 Supabase。未来可能会增加对本地 FAISS 的支持，但目前建议继续使用托管服务或自行部署兼容的后端。","https:\u002F\u002Fgithub.com\u002Fdifferent-ai\u002Fembedbase\u002Fissues\u002F18",{"id":169,"question_zh":170,"answer_zh":171,"source_url":172},42176,"如何创建或共享公开数据集（Public Datasets）？","公开数据集功能正在开发中，尚未正式发布。实现思路包括：1. 在数据表中添加 'public: boolean' 列；2. 采用类似 Firestore 的高级 IAM 风格读写配置；3. 将 user_id 列留空表示该数据集为公开。一旦启用，\u002Fdatasets 接口将返回公开数据集，允许用户在 Playground 中直接提问。请关注官方更新以获取上线通知。","https:\u002F\u002Fgithub.com\u002Fdifferent-ai\u002Fembedbase\u002Fissues\u002F24",{"id":174,"question_zh":175,"answer_zh":176,"source_url":177},42177,"遇到 'ValueError: Out of range float values are not JSON compliant' 错误如何解决？","该错误通常是由于数据中包含超出 JSON 标准的浮点数值（如 NaN 或 Infinity）导致的。解决方案是在数据写入前进行清洗，例如使用 pandas 的 df.fillna() 方法填充缺失值或替换异常浮点数。此外，确保输入数据不包含非合规的数值类型。该问题已在后端修复，建议升级到最新版本以避免此错误。","https:\u002F\u002Fgithub.com\u002Fdifferent-ai\u002Fembedbase\u002Fissues\u002F107",{"id":179,"question_zh":180,"answer_zh":181,"source_url":182},42178,"Python SDK 更新后，为什么无法同时合并查询两个数据集（async gather）？","在使用 EmbedbaseAsyncClient 时，若同时查询多个数据集（如 recipe_id 和 farm_id），需确保每个搜索操作都正确调用了 .get() 方法并放入 asyncio.gather 中。示例代码显示，当只有一个数据集时工作正常，但两个数据集时失败，可能是由于 SDK 版本变更导致的异步处理逻辑变化。请检查是否使用了最新的 SDK 版本（如 0.1.2+），并确保所有异步任务都被正确包裹和等待。如果问题依旧，可尝试逐个查询后再合并结果作为临时方案。","https:\u002F\u002Fgithub.com\u002Fdifferent-ai\u002Fembedbase\u002Fissues\u002F106",[184,188,192,196,200,204,208,212,216,220,224,228,232,236,240,245,249,253,257,261],{"id":185,"version":186,"summary_zh":77,"released_at":187},334255,"sdk-py-0.2.3","2023-07-04T19:47:46",{"id":189,"version":190,"summary_zh":77,"released_at":191},334256,"sdk-py-0.2.2","2023-07-04T17:25:21",{"id":193,"version":194,"summary_zh":77,"released_at":195},334257,"js-1.28.0","2023-07-04T00:17:04",{"id":197,"version":198,"summary_zh":77,"released_at":199},334258,"js-1.27.0","2023-06-27T22:57:09",{"id":201,"version":202,"summary_zh":77,"released_at":203},334259,"js-1.26.0","2023-06-24T00:46:45",{"id":205,"version":206,"summary_zh":77,"released_at":207},334260,"js-1.25.0","2023-06-24T00:30:09",{"id":209,"version":210,"summary_zh":77,"released_at":211},334261,"js-1.24.0","2023-06-18T23:19:13",{"id":213,"version":214,"summary_zh":77,"released_at":215},334262,"sdk-py-0.2.0","2023-06-14T20:12:29",{"id":217,"version":218,"summary_zh":77,"released_at":219},334263,"js-1.23.0","2023-06-13T00:38:29",{"id":221,"version":222,"summary_zh":77,"released_at":223},334264,"js-1.22.2","2023-06-12T22:30:12",{"id":225,"version":226,"summary_zh":77,"released_at":227},334265,"js-1.22.1","2023-06-12T21:49:48",{"id":229,"version":230,"summary_zh":77,"released_at":231},334266,"js-1.22.0","2023-06-12T20:56:00",{"id":233,"version":234,"summary_zh":77,"released_at":235},334267,"js-1.21.0","2023-06-10T18:28:49",{"id":237,"version":238,"summary_zh":77,"released_at":239},334268,"hosted-0.5.10","2023-06-09T23:48:50",{"id":241,"version":242,"summary_zh":243,"released_at":244},334269,"core-1.2.7","发布核心 1.2.7 修复（核心）：同一请求中的重复","2023-06-09T23:43:34",{"id":246,"version":247,"summary_zh":77,"released_at":248},334270,"hosted-0.5.9","2023-06-07T18:26:31",{"id":250,"version":251,"summary_zh":77,"released_at":252},334271,"js-1.20.0","2023-06-07T17:51:01",{"id":254,"version":255,"summary_zh":77,"released_at":256},334272,"sdk-py-0.1.9","2023-06-03T22:36:16",{"id":258,"version":259,"summary_zh":77,"released_at":260},334273,"js-1.19.1","2023-06-02T19:17:13",{"id":262,"version":263,"summary_zh":77,"released_at":264},334274,"hosted-0.5.8","2023-05-31T13:16:10"]