[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-eightBEC--fastapi-ml-skeleton":3,"tool-eightBEC--fastapi-ml-skeleton":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",157379,2,"2026-04-15T23:32:42",[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":73,"owner_company":73,"owner_location":73,"owner_email":73,"owner_twitter":73,"owner_website":75,"owner_url":76,"languages":77,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":32,"env_os":90,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":114},8042,"eightBEC\u002Ffastapi-ml-skeleton","fastapi-ml-skeleton","FastAPI Skeleton App to serve machine learning models production-ready.","fastapi-ml-skeleton 是一个专为机器学习模型部署设计的 FastAPI 项目模板，旨在帮助开发者快速构建生产级、安全且高效的模型服务接口。它解决了从零搭建模型服务时重复配置环境、缺乏安全机制及测试覆盖不足等痛点，让团队能专注于核心算法而非基础设施。\n\n该工具特别适合需要将实验性模型转化为稳定 API 服务的 AI 工程师、数据科学家及后端开发者。通过预置的示例代码（如房价预测回归模型），用户可立即上手体验完整的部署流程。其技术亮点包括：原生支持 Python 3.11 与 Poetry 包管理，集成 Pydantic 2.x 进行数据验证；内置基于 UUID 的 API 密钥认证机制保障服务安全；同时配备了完善的代码质量管控体系，涵盖 isort、Black、mypy 及 Bandit 等工具，并提供一键执行的脚本以完成静态分析与全量测试。无论是初创项目快速原型验证，还是企业级应用的标准落地，fastapi-ml-skeleton 都能提供坚实可靠的起点。","# FastAPI Model Server Skeleton\n\nServing machine learning models production-ready, fast, easy and secure powered by the great FastAPI by [Sebastián Ramírez]([)](https:\u002F\u002Fgithub.com\u002Ftiangolo).\n\nThis repository contains a skeleton app which can be used to speed-up your next machine learning project. The code is fully tested and provides a preconfigured `tox` to quickly expand this sample code.\n\nTo experiment and get a feeling on how to use this skeleton, a sample regression model for house price prediction is included in this project. Follow the installation and setup instructions to run the sample model and serve it aso RESTful API.\n\n## Requirements\n\n- Python 3.11+\n- Poetry\n\n## Installation\nInstall the required packages in your local environment (ideally virtualenv, conda, etc.).\n\n```bash\npoetry install\n``` \n\n\n## Setup\n1. Duplicate the `.env.example` file and rename it to `.env` \n\n\n2. In the `.env` file configure the `API_KEY` entry. The key is used for authenticating our API. \u003Cbr>\n   A sample API key can be generated using Python REPL:\n\n```python\nimport uuid\nprint(str(uuid.uuid4()))\n```\n\n## Run It\n\n1. Start your  app with:\n\n```bash\nset -a\nsource .env\nset +a\nuvicorn fastapi_skeleton.main:app\n```\n\n2. Go to [http:\u002F\u002Flocalhost:8000\u002Fdocs](http:\u002F\u002Flocalhost:8000\u002Fdocs).\n3. Click `Authorize` and enter the API key as created in the Setup step.\n![Authroization](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FeightBEC_fastapi-ml-skeleton_readme_151711a0f9da.png) \n4. You can use the sample payload from the `docs\u002Fsample_payload.json` file when trying out the house price prediction model using the API.\n   ![Prediction with example payload](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FeightBEC_fastapi-ml-skeleton_readme_671f4d61e2cd.png)\n\n## Linting\n\nThis skeleton code uses isort, mypy, flake, black, bandit for linting, formatting and static analysis.\n\nRun linting with:\n\n```bash\n.\u002Fscripts\u002Flinting.sh\n```\n\n## Run Tests\n\nRun your tests with:\n\n```bash\n.\u002Fscripts\u002Ftest.sh\n```\n\nThis runs tests and coverage for Python 3.11 and Flake8, Autopep8, Bandit.\n\n\n## Changelog\n\nv.1.0.0 - Initial release\n\n- Base functionality for using FastAPI to serve ML models.\n- Full test coverage \n\nv.1.1.0 - Update to Python 3.11, FastAPI 0.108.0\n\n- Updated to Python 3.11\n- Added linting script\n- Updated to pydantic 2.x\n- Added poetry as package manager\n\n","# FastAPI 模型服务器骨架\n\n使用 Sebastián Ramírez 开发的强大 FastAPI 框架，以生产就绪、快速、简单且安全的方式部署机器学习模型。此仓库包含一个骨架应用，可用于加速您的下一个机器学习项目。代码经过全面测试，并提供预配置的 `tox` 工具，方便您快速扩展示例代码。\n\n为了帮助您体验和了解如何使用此骨架，项目中包含了一个用于房价预测的回归模型示例。请按照安装和设置说明运行该示例模型，并将其作为 RESTful API 提供服务。\n\n## 要求\n\n- Python 3.11+\n- Poetry\n\n## 安装\n在本地环境中安装所需依赖包（建议使用 virtualenv、conda 等虚拟环境工具）。\n\n```bash\npoetry install\n```\n\n## 设置\n1. 复制 `.env.example` 文件并重命名为 `.env`。\n\n2. 在 `.env` 文件中配置 `API_KEY` 条目。该密钥用于 API 的身份验证。\u003Cbr>\n   可以使用 Python REPL 生成一个示例 API 密钥：\n\n```python\nimport uuid\nprint(str(uuid.uuid4()))\n```\n\n## 运行\n1. 启动应用：\n\n```bash\nset -a\nsource .env\nset +a\nuvicorn fastapi_skeleton.main:app\n```\n\n2. 打开 [http:\u002F\u002Flocalhost:8000\u002Fdocs](http:\u002F\u002Flocalhost:8000\u002Fdocs)。\n3. 点击“Authorize”，输入在设置步骤中创建的 API 密钥。\n![授权](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FeightBEC_fastapi-ml-skeleton_readme_151711a0f9da.png)\n4. 您可以使用 `docs\u002Fsample_payload.json` 文件中的示例负载，在 API 中尝试房价预测模型。\n   ![使用示例负载进行预测](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FeightBEC_fastapi-ml-skeleton_readme_671f4d61e2cd.png)\n\n## 代码检查\n此骨架代码使用 isort、mypy、flake8、black 和 bandit 进行代码检查、格式化和静态分析。\n\n运行代码检查：\n\n```bash\n.\u002Fscripts\u002Flinting.sh\n```\n\n## 运行测试\n运行测试：\n\n```bash\n.\u002Fscripts\u002Ftest.sh\n```\n\n此命令将针对 Python 3.11 和 Flake8、Autopep8、Bandit 运行测试及覆盖率检查。\n\n## 更改日志\n\nv.1.0.0 - 初始版本\n\n- 使用 FastAPI 部署机器学习模型的基础功能。\n- 全面的测试覆盖。\n\nv.1.1.0 - 更新至 Python 3.11 和 FastAPI 0.108.0\n\n- 升级到 Python 3.11。\n- 添加代码检查脚本。\n- 更新至 pydantic 2.x。\n- 引入 Poetry 作为包管理工具。","# fastapi-ml-skeleton 快速上手指南\n\n`fastapi-ml-skeleton` 是一个基于 FastAPI 的生产级机器学习模型服务骨架项目。它提供了预配置的测试、代码规范和安全认证机制，帮助开发者快速构建用于部署 ML 模型的 RESTful API。本项目内置了一个房价预测回归模型示例。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (WSL 推荐)\n*   **Python 版本**：3.11 或更高版本\n*   **包管理工具**：[Poetry](https:\u002F\u002Fpython-poetry.org\u002F)\n\n> **国内加速建议**：\n> 如果安装 Poetry 或下载依赖较慢，建议配置国内镜像源。\n> *   **Poetry 源配置**：\n>     ```bash\n>     poetry config repositories.tsinghua https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\u002F\n>     poetry config pypi-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\u002F\n>     ```\n\n## 安装步骤\n\n1.  **克隆项目**（如果尚未获取代码）：\n    ```bash\n    git clone \u003Crepository_url>\n    cd fastapi-ml-skeleton\n    ```\n\n2.  **安装依赖**：\n    使用 Poetry 安装项目所需的所有依赖包：\n    ```bash\n    poetry install\n    ```\n\n3.  **配置环境变量**：\n    复制示例配置文件并重命名为 `.env`：\n    ```bash\n    cp .env.example .env\n    ```\n\n4.  **生成并设置 API 密钥**：\n    打开 `.env` 文件，您需要配置 `API_KEY` 用于接口认证。可以使用 Python 生成一个随机 UUID：\n    ```python\n    import uuid\n    print(str(uuid.uuid4()))\n    ```\n    将生成的 UUID 填入 `.env` 文件中的 `API_KEY` 字段。\n\n## 基本使用\n\n完成安装和配置后，即可启动服务并测试内置的房价预测模型。\n\n1.  **启动服务**：\n    加载环境变量并运行 Uvicorn 服务器：\n    ```bash\n    set -a\n    source .env\n    set +a\n    uvicorn fastapi_skeleton.main:app\n    ```\n\n2.  **访问文档界面**：\n    在浏览器中打开 Swagger UI 文档地址：\n    [http:\u002F\u002Flocalhost:8000\u002Fdocs](http:\u002F\u002Flocalhost:8000\u002Fdocs)\n\n3.  **身份认证**：\n    *   点击页面右上角的 **Authorize** 按钮。\n    *   在弹出的对话框中输入您在 `.env` 文件中配置的 `API_KEY`。\n    *   点击 **Authorize** 确认。\n\n4.  **调用预测接口**：\n    *   找到房价预测相关的接口（通常标记为 `POST`）。\n    *   点击 **Try it out**。\n    *   您可以参考项目目录下的 `docs\u002Fsample_payload.json` 文件构造请求体，或直接使用默认示例数据。\n    *   点击 **Execute** 发送请求，即可查看模型返回的预测结果。","某初创金融科技公司急需将新研发的“小微企业信贷风险预测模型”部署上线，供前端业务系统实时调用。\n\n### 没有 fastapi-ml-skeleton 时\n- **重复造轮子耗时久**：数据科学家需从零搭建 API 框架，手动配置路由、请求验证和错误处理，耗费数天时间而非专注模型优化。\n- **安全机制缺失**：初期代码往往忽略身份认证，导致模型接口直接暴露在公网，极易遭受恶意攻击或数据泄露。\n- **代码质量参差不齐**：缺乏统一的代码格式化（如 Black）、类型检查（如 MyPy）和安全扫描（如 Bandit）流程，埋下维护隐患。\n- **测试环境搭建繁琐**：每次更新模型都需要手动编写测试脚本，难以保证回归测试的覆盖率和一致性。\n- **依赖管理混乱**：不同开发者的本地环境包版本不一致，导致“在我机器上能跑”的生产部署事故频发。\n\n### 使用 fastapi-ml-skeleton 后\n- **开箱即用加速落地**：直接复用预置的生产级模板，内置了房屋价格预测示例，团队仅需替换模型文件即可在几小时内完成服务发布。\n- **原生集成安全防护**：通过简单的 `.env` 配置即可启用 API Key 认证机制，配合 Swagger UI 的授权功能，确保只有合法请求能访问模型。\n- **标准化代码规范**：内置完整的 Linting 脚本，自动执行代码格式化、静态分析和安全审计，强制团队输出高质量、可维护的代码。\n- **自动化测试闭环**：利用预配置的 `tox` 和测试脚本，一键运行全量单元测试并生成覆盖率报告，确保模型迭代不影响服务稳定性。\n- **依赖管理现代化**：基于 Poetry 统一管理 Python 3.11+ 环境及所有依赖包，彻底消除环境差异带来的部署风险。\n\nfastapi-ml-skeleton 将原本需要数周磨合的工程化难题转化为标准化的流水线，让算法团队能真正专注于核心模型价值的交付。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FeightBEC_fastapi-ml-skeleton_151711a0.png","eightBEC",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FeightBEC_6a9529f3.jpg","https:\u002F\u002Feightbec.github.io\u002F","https:\u002F\u002Fgithub.com\u002FeightBEC",[78,82],{"name":79,"color":80,"percentage":81},"Python","#3572A5",96.5,{"name":83,"color":84,"percentage":85},"Shell","#89e051",3.5,604,93,"2026-04-15T07:57:04","Apache-2.0","","未说明",{"notes":93,"python":94,"dependencies":95},"需使用 Poetry 作为包管理器；运行前需复制 .env.example 为 .env 并配置 API_KEY；代码包含 isort、mypy、flake8、black、bandit 等静态分析工具。","3.11+",[96,97,98,99],"fastapi","uvicorn","pydantic>=2.x","tox",[14,52],[102,103,96,104,105],"python","python3","machine-learning","model-serving","2026-03-27T02:49:30.150509","2026-04-16T15:50:26.679744",[109],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},36018,"如何在多个 worker 进程之间共享机器学习模型以避免重复加载？","可以使用 Gunicorn 的 `preload` 选项。该选项会在 worker 进程 fork 之前加载应用和模型，从而实现模型在内存中的共享，避免每个 worker 单独加载。配置命令示例：`gunicorn --preload fastapi_skeleton.main:app`。虽然这是针对 Flask 的常见方案，但也适用于 FastAPI（需配合 Gunicorn 使用）。","https:\u002F\u002Fgithub.com\u002FeightBEC\u002Ffastapi-ml-skeleton\u002Fissues\u002F2",[115],{"id":116,"version":117,"summary_zh":118,"released_at":119},288160,"v1.1.0","# 发布 v.1.1.0\n\n- 升级到 Python 3.11\n- 添加了代码风格检查脚本\n- 升级到 Pydantic 2.x\n- 引入 Poetry 作为包管理工具","2023-12-28T20:44:54"]