[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-drivendataorg--cookiecutter-data-science":3,"tool-drivendataorg--cookiecutter-data-science":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",149489,2,"2026-04-10T11:32:46",[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":76,"owner_email":77,"owner_twitter":72,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":97,"env_os":98,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":105,"github_topics":107,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":144},6373,"drivendataorg\u002Fcookiecutter-data-science","cookiecutter-data-science","A logical, reasonably standardized, but flexible project structure for doing and sharing data science work.","Cookiecutter Data Science 是一款专为数据科学项目设计的开源模板工具，旨在帮助团队建立逻辑清晰、标准统一且灵活的项目结构。在数据科学工作中，文件混乱、路径不规范往往导致协作困难和复现受阻，而该工具通过预置的最佳实践目录结构，有效解决了这一痛点。\n\n它自动生成包含原始数据、中间数据、处理后数据、模型、笔记本报告等分类明确的文件夹体系，并配套初始化配置文件与便捷命令，让项目从起步阶段就井然有序。无论是独立研究人员还是企业数据团队，都能借助它快速搭建可维护、易共享的分析环境，显著提升工作效率。\n\n作为 Cookiecutter 模板生态的扩展，Cookiecutter Data Science v2 版本推出了独立的 `ccds` 命令行工具，支持 Python 3.9+，安装简便，兼容性强。其核心理念是“约定优于配置”，在不牺牲灵活性的前提下，推动数据科学工程化落地。如果你希望自己的项目更规范、更易协作，不妨试试这个被广泛采用的社区标准方案。","# Cookiecutter Data Science\n\n_A logical, reasonably standardized but flexible project structure for doing and sharing data science work._\n\n[![PyPI - Version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fcookiecutter-data-science)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fcookiecutter-data-science\u002F)\n[![PyPI - Python Version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fcookiecutter-data-science)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fcookiecutter-data-science\u002F)\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Fcookiecutter-data-science.drivendata.org\u002F\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCCDS-Project%20template-328F97?logo=cookiecutter\" \u002F>\n\u003C\u002Fa>\n[![tests](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Factions\u002Fworkflows\u002Ftests.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Factions\u002Fworkflows\u002Ftests.yml)\n\n**Cookiecutter Data Science (CCDS)** is a tool for setting up a data science project template that incorporates best practices. To learn more about CCDS's philosophy, visit the [project homepage](https:\u002F\u002Fcookiecutter-data-science.drivendata.org\u002F).\n\n> ℹ️ Cookiecutter Data Science v2 has changed from v1. It now requires installing the new cookiecutter-data-science Python package, which extends the functionality of the [cookiecutter](https:\u002F\u002Fcookiecutter.readthedocs.io\u002Fen\u002Fstable\u002FREADME.html) templating utility. Use the provided `ccds` command-line program instead of `cookiecutter`.\n\n## Installation\n\nCookiecutter Data Science v2 requires Python 3.9+. Since this is a cross-project utility application, we recommend installing it with [pipx](https:\u002F\u002Fpypa.github.io\u002Fpipx\u002F). Installation command options:\n\n```bash\n# With pipx from PyPI (recommended)\npipx install cookiecutter-data-science\n\n# With pip from PyPI\npip install cookiecutter-data-science\n\n# With conda from conda-forge (coming soon)\n# conda install cookiecutter-data-science -c conda-forge\n```\n\n## Starting a new project\n\nTo start a new project, run:\n\n```bash\nccds\n```\n\n### The resulting directory structure\n\nThe directory structure of your new project will look something like this (depending on the settings that you choose):\n\n```\n├── LICENSE            \u003C- Open-source license if one is chosen\n├── Makefile           \u003C- Makefile with convenience commands like `make data` or `make train`\n├── README.md          \u003C- The top-level README for developers using this project.\n├── data\n│   ├── external       \u003C- Data from third party sources.\n│   ├── interim        \u003C- Intermediate data that has been transformed.\n│   ├── processed      \u003C- The final, canonical data sets for modeling.\n│   └── raw            \u003C- The original, immutable data dump.\n│\n├── docs               \u003C- A default mkdocs project; see www.mkdocs.org for details\n│\n├── models             \u003C- Trained and serialized models, model predictions, or model summaries\n│\n├── notebooks          \u003C- Jupyter notebooks. Naming convention is a number (for ordering),\n│                         the creator's initials, and a short `-` delimited description, e.g.\n│                         `1.0-jqp-initial-data-exploration`.\n│\n├── pyproject.toml     \u003C- Project configuration file with package metadata for \n│                         {{ cookiecutter.module_name }} and configuration for tools like black\n│\n├── references         \u003C- Data dictionaries, manuals, and all other explanatory materials.\n│\n├── reports            \u003C- Generated analysis as HTML, PDF, LaTeX, etc.\n│   └── figures        \u003C- Generated graphics and figures to be used in reporting\n│\n├── requirements.txt   \u003C- The requirements file for reproducing the analysis environment, e.g.\n│                         generated with `pip freeze > requirements.txt`\n│\n├── setup.cfg          \u003C- Configuration file for flake8\n│\n└── {{ cookiecutter.module_name }}   \u003C- Source code for use in this project.\n    │\n    ├── __init__.py             \u003C- Makes {{ cookiecutter.module_name }} a Python module\n    │\n    ├── config.py               \u003C- Store useful variables and configuration\n    │\n    ├── dataset.py              \u003C- Scripts to download or generate data\n    │\n    ├── features.py             \u003C- Code to create features for modeling\n    │\n    ├── modeling                \n    │   ├── __init__.py \n    │   ├── predict.py          \u003C- Code to run model inference with trained models          \n    │   └── train.py            \u003C- Code to train models\n    │\n    └── plots.py                \u003C- Code to create visualizations   \n```\n\n## Using unreleased changes\n\nBy default, `ccds` will use the _project template_ version that corresponds to the _installed `ccds` package_ version (e.g., if you have installed `ccds` v2.0.1, you'll use the v2.0.1 version of the project template by default). To use a specific version of the project template, use the `-c\u002F--checkout` flag to provide the branch (or tag or commit hash) of the version you'd like to use. For example to use the project template from the `master` branch:\n\n```bash\nccds -c master\n```\n\n## Using v1\n\nIf you want to use the old v1 project template, you need to have either the cookiecutter-data-science package or cookiecutter package installed. Then, use either command-line program with the `-c v1` option:\n\n```bash\nccds https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science -c v1\n# or equivalently\ncookiecutter https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science -c v1\n```\n\n## Contributing\n\nWe welcome contributions! [See the docs for guidelines](https:\u002F\u002Fcookiecutter-data-science.drivendata.org\u002Fcontributing\u002F).\n\n### Installing development requirements\n\n```bash\npip install -r dev-requirements.txt\n```\n\n### Running the tests\n\n```bash\npytest tests\n```\n","# Cookiecutter 数据科学\n\n_一个逻辑清晰、合理标准化但又灵活的数据科学项目结构，用于开展和分享数据科学工作。_\n\n[![PyPI - 版本](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fcookiecutter-data-science)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fcookiecutter-data-science\u002F)\n[![PyPI - Python 版本](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fcookiecutter-data-science)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fcookiecutter-data-science\u002F)\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Fcookiecutter-data-science.drivendata.org\u002F\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCCDS-Project%20template-328F97?logo=cookiecutter\" \u002F>\n\u003C\u002Fa>\n[![tests](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Factions\u002Fworkflows\u002Ftests.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Factions\u002Fworkflows\u002Ftests.yml)\n\n**Cookiecutter 数据科学 (CCDS)** 是一个用于搭建包含最佳实践的数据科学项目模板的工具。如需了解更多关于 CCDS 的理念，请访问 [项目主页](https:\u002F\u002Fcookiecutter-data-science.drivendata.org\u002F)。\n\n> ℹ️ Cookiecutter 数据科学 v2 相较于 v1 有所变化。现在需要安装新的 cookiecutter-data-science Python 包，该包扩展了 [cookiecutter](https:\u002F\u002Fcookiecutter.readthedocs.io\u002Fen\u002Fstable\u002FREADME.html) 模板工具的功能。请使用提供的 `ccds` 命令行程序，而非 `cookiecutter`。\n\n## 安装\n\nCookiecutter 数据科学 v2 需要 Python 3.9+。由于这是一个跨项目的实用工具应用，我们建议使用 [pipx](https:\u002F\u002Fpypa.github.io\u002Fpipx\u002F) 进行安装。安装命令选项如下：\n\n```bash\n# 使用 pipx 从 PyPI 安装（推荐）\npipx install cookiecutter-data-science\n\n# 使用 pip 从 PyPI 安装\npip install cookiecutter-data-science\n\n# 使用 conda 从 conda-forge 安装（即将推出）\n# conda install cookiecutter-data-science -c conda-forge\n```\n\n## 开始一个新项目\n\n要开始一个新项目，运行以下命令：\n\n```bash\nccds\n```\n\n### 生成的目录结构\n\n您新项目的目录结构大致如下（具体取决于您选择的设置）：\n\n```\n├── LICENSE            \u003C- 如果选择了开源许可证，则包含许可证文件\n├── Makefile           \u003C- 包含便捷命令的 Makefile，例如 `make data` 或 `make train`\n├── README.md          \u003C- 面向开发者的顶级 README 文件。\n├── data\n│   ├── external       \u003C- 来自第三方的数据。\n│   ├── interim        \u003C- 经过转换的中间数据。\n│   ├── processed      \u003C- 用于建模的最终规范数据集。\n│   └── raw            \u003C- 原始的不可变数据备份。\n│\n├── docs               \u003C- 默认的 mkdocs 项目；详情请参阅 www.mkdocs.org\n│\n├── models             \u003C- 训练好的序列化模型、模型预测或模型摘要\n│\n├── notebooks          \u003C- Jupyter 笔记本。命名规则为序号（用于排序）、创建者首字母缩写以及简短的连字符分隔描述，例如 `1.0-jqp-initial-data-exploration`。\n│\n├── pyproject.toml     \u003C- 项目配置文件，包含 {{ cookiecutter.module_name }} 的包元数据以及 black 等工具的配置\n│\n├── references         \u003C- 数据字典、手册及其他所有说明性资料。\n│\n├── reports            \u003C- 生成的分析报告，格式为 HTML、PDF、LaTeX 等。\n│   └── figures        \u003C- 用于报告中的图表和图形\n│\n├── requirements.txt   \u003C- 用于重现分析环境的需求文件，例如通过 `pip freeze > requirements.txt` 生成\n│\n├── setup.cfg          \u003C- flake8 的配置文件\n│\n└── {{ cookiecutter.module_name }}   \u003C- 用于本项目的源代码。\n    │\n    ├── __init__.py             \u003C- 使 {{ cookiecutter.module_name }} 成为一个 Python 模块\n    │\n    ├── config.py               \u003C- 存储有用的变量和配置\n    │\n    ├── dataset.py              \u003C- 用于下载或生成数据的脚本\n    │\n    ├── features.py             \u003C- 用于创建建模特征的代码\n    │\n    ├── modeling                \n    │   ├── __init__.py \n    │   ├── predict.py          \u003C- 使用训练好的模型进行推理的代码          \n    │   └── train.py            \u003C- 用于训练模型的代码\n    │\n    └── plots.py                \u003C- 用于创建可视化图表的代码   \n```\n\n## 使用未发布的更改\n\n默认情况下，`ccds` 将使用与已安装的 `ccds` 包版本相对应的 _项目模板_ 版本（例如，如果您安装了 `ccds` v2.0.1，则默认会使用 v2.0.1 版本的项目模板）。若要使用特定版本的项目模板，可以使用 `-c\u002F--checkout` 标志来指定您希望使用的分支、标签或提交哈希。例如，要使用 `master` 分支上的项目模板：\n\n```bash\nccds -c master\n```\n\n## 使用 v1 版本\n\n如果您想使用旧版 v1 项目模板，需要先安装 cookiecutter-data-science 包或 cookiecutter 包。然后，使用任一命令行程序并添加 `-c v1` 选项：\n\n```bash\nccds https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science -c v1\n# 或等效地\ncookiecutter https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science -c v1\n```\n\n## 贡献\n\n我们欢迎贡献！[请参阅文档以获取指南](https:\u002F\u002Fcookiecutter-data-science.drivendata.org\u002Fcontributing\u002F)。\n\n### 安装开发依赖\n\n```bash\npip install -r dev-requirements.txt\n```\n\n### 运行测试\n\n```bash\npytest tests\n```","# Cookiecutter Data Science 快速上手指南\n\nCookiecutter Data Science (CCDS) 是一个用于创建数据科学项目模板的工具，它提供了一套逻辑清晰、标准化且灵活的项目结构，帮助开发者遵循最佳实践。\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS \u002F Windows (需配置相应环境)\n- **Python 版本**：Python 3.9 或更高版本\n- **前置依赖**：\n  - 推荐安装 [`pipx`](https:\u002F\u002Fpypa.github.io\u002Fpipx\u002F) 以隔离工具环境（可选，但强烈推荐）\n  - 若未使用 `pipx`，需确保 `pip` 可用\n\n> 💡 **国内加速建议**：如果下载速度慢，可配置国内镜像源。\n> - pip 临时使用清华源：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage>`\n> - pipx 设置镜像：`pipx install --pip-args '--index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple' \u003Cpackage>`\n\n## 安装步骤\n\n推荐使用 `pipx` 进行全局安装，避免污染项目依赖：\n\n```bash\n# 方式一：使用 pipx 安装（推荐）\npipx install cookiecutter-data-science\n\n# 方式二：使用 pip 安装\npip install cookiecutter-data-science\n```\n\n> ⚠️ **注意**：CCDS v2 版本已不再直接使用 `cookiecutter` 命令启动模板，请使用新提供的 `ccds` 命令行工具。\n\n## 基本使用\n\n安装完成后，在终端运行以下命令即可开始创建新项目：\n\n```bash\nccds\n```\n\n运行后，程序将交互式引导你输入项目名称、模块名称、作者信息等。配置完成后，会自动生成如下标准目录结构：\n\n```text\n├── LICENSE            \u003C- 开源许可证文件\n├── Makefile           \u003C- 包含便捷命令（如 make data, make train）\n├── README.md          \u003C- 项目说明文档\n├── data\n│   ├── external       \u003C- 第三方数据\n│   ├── interim        \u003C- 中间处理数据\n│   ├── processed      \u003C- 最终用于建模的标准数据\n│   └── raw            \u003C- 原始不可变数据\n├── docs               \u003C- 文档项目 (默认 mkdocs)\n├── models             \u003C- 训练好的模型及预测结果\n├── notebooks          \u003C- Jupyter  notebooks (命名规范：序号 - 作者缩写 - 描述)\n├── pyproject.toml     \u003C- 项目配置与元数据\n├── references         \u003C- 数据字典与参考资料\n├── reports            \u003C- 生成的分析报告\n│   └── figures        \u003C- 报告所需的图表\n├── requirements.txt   \u003C- 环境依赖列表\n├── setup.cfg          \u003C- 代码检查工具配置\n└── \u003Cmodule_name>      \u003C- 项目源代码目录\n    ├── __init__.py\n    ├── config.py      \u003C- 配置变量\n    ├── dataset.py     \u003C- 数据下载与生成脚本\n    ├── features.py    \u003C- 特征工程代码\n    ├── modeling       \n    │   ├── train.py   \u003C- 模型训练\n    │   └── predict.py \u003C- 模型推理\n    └── plots.py       \u003C- 可视化代码\n```\n\n创建完成后，进入项目目录即可开始开发工作。","某金融科技公司数据团队正在启动一个新的信贷风险预测项目，需在两周内完成从数据清洗到模型部署的全流程，并确保代码可被风控部门复现。\n\n### 没有 cookiecutter-data-science 时\n- 团队成员各自为政，有人把原始数据直接放在代码同级目录，有人将中间处理结果随意存储，导致数据版本混乱，难以追溯源头。\n- 缺乏统一的笔记规范，Jupyter Notebook 命名五花八门（如 `test.ipynb`、`final_v2.ipynb`），新成员接手时需花费大量时间梳理分析逻辑。\n- 项目缺少标准化的文档和配置模板，每次新建项目都要手动创建 `requirements.txt`、`Makefile` 等文件，极易遗漏关键依赖或命令。\n- 模型文件与报告图表散落各处，交付时经常发生“在我电脑上能跑”的尴尬，跨部门协作效率极低。\n\n### 使用 cookiecutter-data-science 后\n- 自动生成标准的 `data\u002Fraw`、`data\u002Fprocessed` 等分层目录，强制区分原始数据与中间数据，确保数据流向清晰且不可篡改。\n- 强制执行 Notebook 命名规范（如 `1.0- initials-eda`），按分析顺序排列，让任何成员都能快速理解业务探索路径。\n- 一键生成包含 `Makefile`、`pyproject.toml` 及文档站点的完整骨架，内置数据加载、训练等快捷命令，大幅降低环境搭建成本。\n- 明确划分 `models` 与 `reports\u002Ffigures` 目录，训练好的模型和可视化图表自动归位，使得项目交付物整齐划一，复现零障碍。\n\ncookiecutter-data-science 通过预设的最佳实践目录结构，将数据科学项目从“手工作坊”升级为“标准化流水线”，显著提升了团队协作效率与代码复现性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdrivendataorg_cookiecutter-data-science_17205f12.png","drivendataorg","DrivenData","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdrivendataorg_86f8b403.png","Data & AI solutions for problems that matter.",null,"info@drivendata.org","https:\u002F\u002Fwww.drivendata.org","https:\u002F\u002Fgithub.com\u002Fdrivendataorg",[81,85,89],{"name":82,"color":83,"percentage":84},"Python","#3572A5",68.8,{"name":86,"color":87,"percentage":88},"Makefile","#427819",16.9,{"name":90,"color":91,"percentage":92},"Shell","#89e051",14.2,9775,2628,"2026-04-10T08:43:36","MIT",1,"未说明",{"notes":100,"python":101,"dependencies":102},"这是一个项目模板工具，而非直接运行的数据科学模型。v2 版本要求安装新的 'cookiecutter-data-science' Python 包，并使用 'ccds' 命令行程序代替旧的 'cookiecutter' 命令。推荐使用 pipx 进行全局安装以避免环境污染。生成的项目结构包含用于数据、模型、笔记和报告的标准化目录。","3.9+",[103,104],"cookiecutter","pipx (推荐)",[14,106,16,15,13],"其他",[64,103,108,109,110,111],"cookiecutter-template","data-science","machine-learning","ai","2026-03-27T02:49:30.150509","2026-04-11T03:25:17.291937",[115,120,125,130,135,140],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},28836,"是否有新手教程或入门指南来帮助开始使用此框架？","有的，可以通过以下资源快速上手：\n1. 官方文档已包含详细的使用指南：https:\u002F\u002Fcookiecutter-data-science.drivendata.org\u002Fusing-the-template\u002F\n2. 社区贡献了一个针对新手的“速成课程”，涵盖了从初始化、设置 .env 登录信息、冻结 requirements.txt 到使用 S3 存储桶等步骤，特别适合非软件工程背景的数据科学家：https:\u002F\u002Fericbassett.tech\u002Fcookiecutter-data-science-crash-course\u002F","https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fissues\u002F59",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},28834,"如何在项目中添加 Docker 支持？","官方模板本身不直接包含 Docker 配置，因为它是通用的。但社区提供了优秀的解决方案：\n1. 参考 Manifold AI 的分支项目，它在实例化新项目时会自动生成 Dockerfile 和 docker-compose 配置：https:\u002F\u002Fgithub.com\u002Fmanifoldai\u002Fdocker-cookiecutter-data-science\n2. 你也可以参考 Cookiecutter Django 项目的文档作为实现示例。\n官方建议如果需要特定技术栈的包装器（如 Docker），可以 fork 该项目进行定制。","https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fissues\u002F62",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},28835,"在 notebooks 文件夹中运行脚本时，为什么无法导入 src 目录中的模块（ModuleNotFoundError）？","这是常见的环境路径问题。解决方法如下：\n1. 确保在项目根目录下运行了 `pip install -e .` 命令。这会利用 setuptools 和 `find_packages()` 将 src 目录安装为可编辑模式，从而允许从任何位置导入。\n2. 如果仍然报错，检查是否使用了正确的 Python 环境（例如在 Anaconda Prompt 中测试导入是否正常）。\n3. 避免手动修改 sys.path，优先使用可编辑安装方式解决。","https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fissues\u002F168",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},28837,"为什么源代码目录命名为 `src` 而不是项目名称？如何组织自定义包？","关于目录命名和结构：\n1. 在 V2 版本中，官方已经实施了将 `src` 重命名为项目名称的改进。\n2. 对于自定义包的组织：可复用代码应放在 `src` (或新的项目名称) 包内的模块中，而一次性运行的脚本应放在项目根目录下的 `scripts` 文件夹中。这样笔记本和脚本都可以方便地调用 `src` 中的模块。\n3. 如果担心 `project_name\u002Fproject_name` 的嵌套结构令人困惑，可以参考 PyScaffold 的结构建议，即在 `src` 下再建立以项目命名的子目录来存放具体代码模块。","https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fissues\u002F140",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},28838,"项目是否支持 Conda 环境管理？文档中为何主要提及 virtualenv？","是的，项目完全支持 Conda。虽然早期文档可能主要侧重 virtualenv + pip，但 Conda 可以很好地处理依赖和环境隔离。维护者已确认这是一个值得明确说明的点，并鼓励用户提交 PR 来更新文档，明确指出 Conda 的用法。在实际操作中，你可以直接使用 Conda 创建环境并安装包，这与模板的设计是兼容的。","https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fissues\u002F14",{"id":141,"question_zh":142,"answer_zh":143,"source_url":119},28839,"如何配置 make_dataset.py 文件以执行数据生成脚本？","`make_dataset.py` 通常是一个入口脚本，用于协调数据处理流程。配置步骤如下：\n1. 查阅官方文档的使用部分（https:\u002F\u002Fcookiecutter-data-science.drivendata.org\u002Fusing-the-template\u002F），其中包含了具体的实现示例。\n2. 参考社区教程，了解如何设置日志、环境变量以及连接数据存储（如 S3）。\n3. 该文件旨在让你编写调用 `src` 目录中模块化函数的逻辑，而不是将所有代码写在其中。确保你的 `src\u002Fdata\u002F` 目录下有相应的处理模块，并在 `make_dataset.py` 中导入并调用它们。",[145,150,155,160,165,170],{"id":146,"version":147,"summary_zh":148,"released_at":149},197682,"v2.3.0","- 新增 `pixi` 作为环境管理器选项（支持 `pyproject.toml` 和 `pixi.toml`）。(PR [#459](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F459)，Issue [#406](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fissues\u002F406))\n- 新增 `poetry` 作为环境管理器选项（支持 `pyproject.toml`）。(PR [#460](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F460)，Issue [#374](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fissues\u002F374))","2025-07-24T03:58:48",{"id":151,"version":152,"summary_zh":153,"released_at":154},197683,"v2.2.0","- 新增了 `pyproject.toml` 作为依赖文件格式选项。（PR [#436](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F436)）\n- 增加了包含测试脚手架的选项，可选择 pytest 或 unittest。（PR [#447](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F447)）\n- 修复了 `pyproject.toml` 中的 `requires-python`，使其正确反映所选的 Python 版本。（PR [#446](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F446)）","2025-03-24T02:07:03",{"id":156,"version":157,"summary_zh":158,"released_at":159},197684,"v2.1.0","## 变更内容\n\n- 将代码 lint 和格式化调整为新的配置选项（讨论 [#374](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fdiscussions\u002F374)）\n   - 新增对 Ruff 的支持。\n   - 将默认选项更改为 Ruff。\n   - 将之前的默认行为更名为“flake8+black+isort”。\n- 修复了 `pyproject.toml` 文件，使其正确设置 isort 配置。此前，尽管 isort 已安装且被 `make lint` 使用，但配置却错误地写在了 `ruff.lint.isort` 下，而非 isort 的配置项中。\n- 修复了过时的 `[tool.ruff.lint.isort]` 配置键名，这些键名使用了下划线而非连字符。（问题 [#388](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fissues\u002F388)）\n- 调整了生成代码脚手架中的导入排序，使其与生成的 isort 配置保持一致。\n- 新增对 `uv pip` 作为环境管理器选项的支持（讨论 [#403](https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fdiscussions\u002F403)）\n\n## 新贡献者\n* @GatlenCulp 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F409 中完成了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fcompare\u002Fv2.0.1...v2.1.0","2025-03-10T17:36:31",{"id":161,"version":162,"summary_zh":163,"released_at":164},197685,"v2.0.1","## 变更内容\n* 由 @chrisjkuch 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F366 中更新了 README 中的目录结构。\n* 由 @pjbull 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F372 中移除了 init 文件中的 config 导入，以修复脚手架的使用问题。\n* 由 @pjbull 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F371 中添加了必要的依赖项，并更新了 PyPI 部署的相关内容。\n* 由 @jonathanagustin 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F391 中修复了一个拼写错误。\n* 由 @philipp91roberto 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F392 中修复了帮助命令中 Python 解释器使用的 Makefile 全局变量问题。\n* 由 @pjbull 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F395 中进行了 394 次 Makefile 修复。\n* 由 @maoding 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F397 中更新了 README 模板中的目录树。\n* 由 @gfrmin 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F401 中更新了 opinions.md 文件。\n* 由 @yaoxiao1999 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F410 中更新了 using-the-template.md 文件。\n* 由 @klwetstone 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F336 中添加了发布用的 GitHub Actions 工作流。\n* 由 @chrisjkuch 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F421 中移除了对 gh-pages 部署的引用。\n* 由 @chrisjkuch 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F427 中通过移除预提示来修复版本号问题。\n* 由 @chrisjkuch 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F424 中弃用了对 Python 3.8 的支持，增加了对 Python 3.13 的支持及测试。\n* 由 @chrisjkuch 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F426 中修复了预提示中的 ccds 版本错误。\n* 由 @chrisjkuch 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F422 中为 2.0.1 版本的发布做准备。\n\n## 新贡献者\n* @jonathanagustin 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F391 中完成了首次贡献。\n* @philipp91roberto 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F392 中完成了首次贡献。\n* @maoding 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F397 中完成了首次贡献。\n* @gfrmin 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F401 中完成了首次贡献。\n* @yaoxiao1999 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F410 中完成了首次贡献。\n* @klwetstone 在 https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fpull\u002F336 中完成了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fdrivendataorg\u002Fcookiecutter-data-science\u002Fcompare\u002Fv2.0.0...v2.0.1","2025-02-26T16:46:11",{"id":166,"version":167,"summary_zh":168,"released_at":169},197686,"v2.0.0","Cookiecutter Data Science v2 进行了多项重大更新，其中包括需要使用新的命令行界面才能运行。有关具体变更的详细信息，请参阅我们的发布公告博客文章：https:\u002F\u002Fdrivendata.co\u002Fblog\u002Fccds-v2","2024-05-22T19:10:02",{"id":171,"version":172,"summary_zh":173,"released_at":174},197687,"v1","Cookiecutter Data Science 老版本的快照，将永久可用，使用以下命令即可：\n\n```\ncookiecutter -c v1 https:\u002F\u002Fgithub.com\u002Fdrivendata\u002Fcookiecutter-data-science\n```\n\n该老版本的文档可在以下网址查看：https:\u002F\u002Fcookiecutter-data-science.drivendata.org\u002Fv1\u002F","2021-03-20T05:48:12"]