[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-edwardhdlu--q-trader":3,"tool-edwardhdlu--q-trader":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",152630,2,"2026-04-12T23:33:54",[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":10,"last_commit_at":59,"category_tags":60,"status":17},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,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"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":77,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":77,"difficulty_score":32,"env_os":88,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":94,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":95,"updated_at":96,"faqs":97,"releases":103},7088,"edwardhdlu\u002Fq-trader","q-trader","Deep Q-learning driven stock trader bot","q-trader 是一个基于深度 Q 学习（Deep Q-learning）算法构建的开源股票交易机器人项目。它旨在利用人工智能技术，通过分析过去 n 天的股票收盘价窗口，自动判断在特定时刻的最佳操作是买入、卖出还是持有。\n\n该项目主要解决了短期股票交易中的时机选择问题。得益于其独特的短期状态表示机制，q-trader 不擅长预测长期的市场趋势，但在捕捉短期的价格峰值和谷值方面表现优异，能够帮助用户识别波段交易的进出场点。官方测试数据显示，它在标普 500 指数和苹果公司等特定年份的短期交易中曾实现盈利，但也存在亏损案例，体现了量化交易的风险与波动特性。\n\nq-trader 非常适合对量化金融、强化学习感兴趣的开发者、数据科学家及研究人员使用。用户可以通过它学习如何将深度学习框架（如 Keras）应用于金融时间序列分析，或在此基础上进行策略改进实验。对于普通投资者而言，由于需要自行准备数据并运行代码，且模型效果高度依赖参数调整与市场环境，它更多适合作为学习工具而非直接的自动赚钱软件。项目的技术亮点在于将经典的 Q-learning 算法与股市实战场景结合，提供了从数据训练到模型评估的完","q-trader 是一个基于深度 Q 学习（Deep Q-learning）算法构建的开源股票交易机器人项目。它旨在利用人工智能技术，通过分析过去 n 天的股票收盘价窗口，自动判断在特定时刻的最佳操作是买入、卖出还是持有。\n\n该项目主要解决了短期股票交易中的时机选择问题。得益于其独特的短期状态表示机制，q-trader 不擅长预测长期的市场趋势，但在捕捉短期的价格峰值和谷值方面表现优异，能够帮助用户识别波段交易的进出场点。官方测试数据显示，它在标普 500 指数和苹果公司等特定年份的短期交易中曾实现盈利，但也存在亏损案例，体现了量化交易的风险与波动特性。\n\nq-trader 非常适合对量化金融、强化学习感兴趣的开发者、数据科学家及研究人员使用。用户可以通过它学习如何将深度学习框架（如 Keras）应用于金融时间序列分析，或在此基础上进行策略改进实验。对于普通投资者而言，由于需要自行准备数据并运行代码，且模型效果高度依赖参数调整与市场环境，它更多适合作为学习工具而非直接的自动赚钱软件。项目的技术亮点在于将经典的 Q-learning 算法与股市实战场景结合，提供了从数据训练到模型评估的完整代码流程，是入门算法交易的优质参考范例。","# Q-Trader\n\nAn implementation of Q-learning applied to (short-term) stock trading. The model uses n-day windows of closing prices to determine if the best action to take at a given time is to buy, sell or sit.\n\nAs a result of the short-term state representation, the model is not very good at making decisions over long-term trends, but is quite good at predicting peaks and troughs.\n\n## Results\n\nSome examples of results on test sets:\n\n![^GSPC 2015](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fedwardhdlu_q-trader_readme_de16153cd11f.png)\nS&P 500, 2015. Profit of $431.04.\n\n![BABA_2015](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fedwardhdlu_q-trader_readme_ee689dee8d56.png)\nAlibaba Group Holding Ltd, 2015. Loss of $351.59.\n\n![AAPL 2016](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fedwardhdlu_q-trader_readme_e72013e9e171.png)\nApple, Inc, 2016. Profit of $162.73.\n\n![GOOG_8_2017](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fedwardhdlu_q-trader_readme_ab32ac056ec6.png)\nGoogle, Inc, August 2017. Profit of $19.37.\n\n## Running the Code\n\nTo train the model, download a training and test csv files from [Yahoo! Finance](https:\u002F\u002Fca.finance.yahoo.com\u002Fquote\u002F%5EGSPC\u002Fhistory?p=%5EGSPC) into `data\u002F`\n```\nmkdir model\npython train ^GSPC 10 1000\n```\n\nThen when training finishes (minimum 200 episodes for results):\n```\npython evaluate.py ^GSPC_2011 model_ep1000\n```\n\n## References\n\n[Deep Q-Learning with Keras and Gym](https:\u002F\u002Fkeon.io\u002Fdeep-q-learning\u002F) - Q-learning overview and Agent skeleton code","# Q-Trader\n\n一种将Q学习应用于（短期）股票交易的实现。该模型使用n天的收盘价窗口来决定在给定时刻的最佳行动是买入、卖出还是持币观望。\n\n由于采用短期状态表示，该模型在捕捉长期趋势方面表现不佳，但在预测市场高点和低点方面却相当出色。\n\n## 结果\n\n以下是一些在测试集上的示例结果：\n\n![^GSPC 2015](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fedwardhdlu_q-trader_readme_de16153cd11f.png)  \n标普500指数，2015年。盈利431.04美元。\n\n![BABA_2015](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fedwardhdlu_q-trader_readme_ee689dee8d56.png)  \n阿里巴巴集团控股有限公司，2015年。亏损351.59美元。\n\n![AAPL 2016](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fedwardhdlu_q-trader_readme_e72013e9e171.png)  \n苹果公司，2016年。盈利162.73美元。\n\n![GOOG_8_2017](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fedwardhdlu_q-trader_readme_ab32ac056ec6.png)  \n谷歌公司，2017年8月。盈利19.37美元。\n\n## 运行代码\n\n要训练模型，请从[Yahoo! Finance](https:\u002F\u002Fca.finance.yahoo.com\u002Fquote\u002F%5EGSPC\u002Fhistory?p=%5EGSPC)下载训练和测试CSV文件，并将其放入`data\u002F`目录中：\n```\nmkdir model\npython train ^GSPC 10 1000\n```\n\n训练完成后（至少需要200个回合才能得到结果）：\n```\npython evaluate.py ^GSPC_2011 model_ep1000\n```\n\n## 参考文献\n\n[使用Keras和Gym进行深度Q学习](https:\u002F\u002Fkeon.io\u002Fdeep-q-learning\u002F) - Q学习概述及智能体骨架代码","# Q-Trader 快速上手指南\n\nQ-Trader 是一个基于 Q-learning 算法实现的短期股票交易模型。它利用 n 天的收盘价窗口来判断当前最佳操作是买入、卖出还是持有。该模型擅长预测短期波峰和波谷，但不适用于长期趋势决策。\n\n## 环境准备\n\n*   **系统要求**：支持 Python 的操作系统（Linux \u002F macOS \u002F Windows）。\n*   **前置依赖**：\n    *   Python 3.x\n    *   必要的 Python 库（通常包括 `numpy`, `pandas`, `keras`, `gym` 等，建议参考项目 `requirements.txt` 若有）。\n    *   网络连接（用于从 Yahoo! Finance 下载数据）。\n\n> **提示**：国内开发者在安装 Python 依赖时，推荐使用清华或阿里镜像源以加速下载：\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n> *(注：若项目根目录无 requirements.txt，请根据报错手动安装缺失库)*\n\n## 安装步骤\n\n1.  克隆项目代码到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fedwardhdlu\u002Fq-trader.git\n    cd q-trader\n    ```\n\n2.  创建模型存储目录：\n    ```bash\n    mkdir model\n    ```\n\n3.  **准备数据**：\n    前往 [Yahoo! Finance](https:\u002F\u002Fca.finance.yahoo.com\u002Fquote\u002F%5EGSPC\u002Fhistory?p=%5EGSPC) 下载目标股票的历史数据（CSV 格式），并将训练集和测试集文件放入 `data\u002F` 目录下。\n    *   例如：下载 S&P 500 (^GSPC) 的数据。\n\n## 基本使用\n\n### 1. 训练模型\n\n使用以下命令开始训练。以下示例针对 `^GSPC` 数据，设置窗口大小为 10，训练 1000 个回合（episodes）：\n\n```bash\npython train ^GSPC 10 1000\n```\n\n> **注意**：为了获得有效的结果，建议至少训练 200 个回合（episodes）。\n\n### 2. 评估模型\n\n训练完成后（例如生成了 `model_ep1000` 模型文件），使用以下命令在测试集上评估模型表现：\n\n```bash\npython evaluate.py ^GSPC_2011 model_ep1000\n```\n\n执行后，程序将输出该时间段内的交易损益情况（如示例中的盈利 $431.04 或亏损 $351.59 等）。","一位个人量化交易者试图利用历史数据构建自动化策略，以捕捉美股短期波动中的买卖点。\n\n### 没有 q-trader 时\n- 依赖人工盯盘或简单的均线指标，难以精准识别股价的局部峰值和谷值，常出现“追高杀跌”。\n- 缺乏系统的强化学习框架，每次调整策略需手动回测，耗时数天且无法让模型从试错中自我进化。\n- 面对海量历史行情数据（如 Yahoo Finance 导出的 CSV），无法有效提取 n 日窗口特征来辅助决策，导致操作凭感觉为主。\n- 策略泛化能力差，在震荡市中频繁止损，无法像专业机构那样通过大量模拟训练（Episodes）优化动作空间。\n\n### 使用 q-trader 后\n- 基于深度 Q 学习（Deep Q-learning）自动分析收盘价窗口，精准输出“买入、卖出或持有”指令，显著提升了抓顶抄底的成功率。\n- 内置完整的训练与评估流程，只需运行 `python train` 即可让模型在数千次模拟交易中自我迭代，快速收敛至最优策略。\n- 直接对接标准行情数据格式，自动将 n 日价格序列转化为状态输入，无需手动编写复杂的特征工程代码。\n- 在短期趋势预测上表现优异，如在标普 500 测试集中成功实现盈利，帮助交易者在波动市场中建立纪律性的执行系统。\n\nq-trader 的核心价值在于将复杂的强化学习算法封装为可执行的交易机器人，让个人开发者也能低成本拥有具备自我进化能力的短线交易策略。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fedwardhdlu_q-trader_9904ab7a.png","edwardhdlu","Edward Lu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fedwardhdlu_7f87d68f.jpg","UWaterloo CS 2020",null,"edwardhdlu.github.io","https:\u002F\u002Fgithub.com\u002Fedwardhdlu",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,907,342,"2026-04-07T17:42:41","未说明",{"notes":90,"python":88,"dependencies":91},"该工具基于 Q-learning 算法，主要用于短期股票交易模拟。运行前需从 Yahoo! Finance 下载 CSV 格式的历史股价数据并放入 data\u002F 目录。代码包含训练（train）和评估（evaluate.py）两个主要步骤，建议至少训练 200 个回合以获得有效结果。README 中未明确列出具体的 Python 版本、操作系统限制或硬件加速需求，推测其依赖较轻，可在标准 CPU 环境下运行。",[92,93],"Keras","Gym",[13],"2026-03-27T02:49:30.150509","2026-04-13T17:43:05.580385",[98],{"id":99,"question_zh":100,"answer_zh":101,"source_url":102},31865,"在 TensorFlow.js 中实现时，agent.py 中的 target_f 变量是什么意思？为什么要先预测再赋值？","target_f 被视为 model.fit() 的标签（label）。它是一个包含三列的数组，代码首先通过 self.model.predict(state) 获取模型对当前状态的预测值，然后将特定动作（action）对应的目标值（target，通常是奖励）赋值给该数组的对应位置（target_f[0][action] = target）。这样做是为了只更新执行动作对应的 Q 值，而保持其他动作的预测值不变。在 TensorFlow.js 中，若要获取 predict 输出的数组数据，需要调用 .dataSync() 方法。","https:\u002F\u002Fgithub.com\u002Fedwardhdlu\u002Fq-trader\u002Fissues\u002F8",[]]