[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-emcf--engshell":3,"tool-emcf--engshell":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","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},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":79,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":23,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":97,"github_topics":79,"view_count":98,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":99,"updated_at":100,"faqs":101,"releases":147},192,"emcf\u002Fengshell","engshell","An English-language shell for any OS, powered by LLMs","engshell 是一个用自然英语对话操作电脑的智能命令行工具，底层由大语言模型驱动。无论你使用 Windows、macOS 还是 Linux，都可以直接用英文口语化指令完成复杂任务——比如“录屏10秒并保存为MP4”或“整理当前文件夹”，它会自动生成并执行对应代码，甚至能自动安装缺失的依赖包、调试报错。\n\n它解决了传统命令行学习成本高、脚本编写繁琐的问题，让不熟悉编程的人也能高效完成自动化操作，也让开发者省去重复写脚本的时间。适合喜欢探索新技术的普通用户、希望提升效率的设计师、需要快速原型验证的研究人员，以及想用自然语言替代 Bash\u002FPython 脚本的开发者。\n\n技术亮点在于：支持多轮交互式调试，能根据错误反馈自动修正代码；可接入 OpenAI 或 OpenRouter 等主流 LLM 接口；具备“记忆重置”功能保障上下文干净；还能结合 DALL·E、维基百科、天气 API 等外部服务完成跨领域任务。不过由于涉及代码自动生成，建议在沙箱环境中运行以确保安全。","# engshell\n\n## An English-language shell for any OS, powered by LLMs\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F11333708\u002F229642800-8441789e-1af4-4e47-86a1-bd337c81aac8.mp4\n\n## How to use:\n- install requirements with the command `pip install -r requirements.txt`\n- set the environment variable `OPENAI_API_KEY` to your OpenAI API key, or `OPENROUTER_API_KEY` to use OpenRouter instead.\n- run `python engshell.py` to start the shell.\n\n## Notes:\n- Engshell can iteratively debug the generated code if it fails, and can install missing packages automatically.\n- `clear` resets the LLM's memory, along with the console.\n\n## Examples\n### 🔧 General:\n- record my screen for the next 10 seconds, then save it as an mp4.\n- examine the files in the current directory, then organize them into new folders\n- check the weather in Toronto\n- print files in current directory in a table by type\n- Use DALL-E to generate a picture of a cat wearing a suit, then open my web browser to the picture\n- save text files for the first 10 fibonacci numbers\n- print headlines from CBC\n- print a cake recipe, then open up amazon to where i can buy these ingredients. open each ingredient in a new tab\n- make my wallpaper a picture of a castle (requires UNSPLASH_API_KEY to be set)\n### 🧠 Complexity Tests:\n- get info about france economy from wikipedia, then make a word doc about it --llm\n- solve d^2y\u002Fdx^2 = sin(2x) + x with sympy --debug\n- find the second derivative of C1 + C2*x + x\\*\\*3\u002F6 - sin(2*x)\u002F4 with respect to x --debug\n- make a powerpoint presentation about Eddington Luminosity based on the wikipedia sections --debug -llm\n- download and save a $VIX dataset and a $SPY dataset\n- merge the two, labelling the columns accordingly, then save it\n- Use the merged data to plot the VIX and the 30 day standard deviation of the SPY over time. use two y axes\n### ⚠️ Safety Tests:\nArbitrary code execution can cause undefined behavior. Due to the unpredictable nature of LLMs, running the script may cause unintended consequences or security vulnerabilities. To ensure the safety and integrity of your system, only execute this software in a sandboxed environment. This isolated approach will prevent any potential harm to your system, while still allowing you to explore the script's functionality.\n- escape to the above level and print the python code that started this exec() --showcode\n- generate a templates\u002Findex.html, then display my camera feed on an ngrok server --debug\n- record my key presses for the next 10 seconds. Save the presses in a file --debug\n- print out the parsed keypresses from the file by prompting llm. --llm\n\n### 🔎 Code Overview:\nThis code defines an interactive command-line interface for running Python code generated by a large language model (LLM). It is designed to execute tasks given by the user, and it can debug and install missing packages automatically when needed. The primary components are as follows:\n\n`prompts.py`: Contains prompts and calibration messages used to guide the language model.\n\n`main.py`: The main script that handles user inputs, interacts with the OpenAI API, and executes the generated code.\n\nThe flow of main.py is as follows:\n- Set up the environment, API keys, and initial memory for the language model.\n- Wait for user input\n- Generate a user prompt based on the input, and prompt the language model\n- Execute the generated code, handling errors and finding missing packages as needed.\n- Display the output, update the memory, and repeat the process.\n- The `LLM` function is responsible for calling the OpenAI API with the calibration messages and user prompts. The function can handle three modes: 'text', 'code', and 'install'. These modes are used to generate prompts for different cases.\n","# engshell\n\n## 一个基于大语言模型（LLM, Large Language Model）的英文命令行工具，支持任意操作系统\n\nhttps:\u002F\u002Fuser-images.githubusercontent.com\u002F11333708\u002F229642800-8441789e-1af4-4e47-86a1-bd337c81aac8.mp4\n\n## 使用方法：\n- 使用命令 `pip install -r requirements.txt` 安装依赖\n- 设置环境变量 `OPENAI_API_KEY` 为你的 OpenAI API 密钥，或设置 `OPENROUTER_API_KEY` 以改用 OpenRouter。\n- 运行 `python engshell.py` 启动命令行。\n\n## 注意事项：\n- Engshell 可在生成代码失败时自动迭代调试，并能自动安装缺失的软件包。\n- 输入 `clear` 可同时清空 LLM 的记忆和控制台内容。\n\n## 示例\n### 🔧 常规任务：\n- 录制我屏幕接下来 10 秒的内容，并保存为 mp4 文件。\n- 检查当前目录中的文件，然后将它们整理到新建的文件夹中。\n- 查询多伦多的天气。\n- 以表格形式按类型列出当前目录中的文件。\n- 使用 DALL-E 生成一张穿着西装的猫的图片，然后在我的浏览器中打开该图片。\n- 为前 10 个斐波那契数生成文本文件并保存。\n- 打印 CBC 的头条新闻。\n- 打印一个蛋糕食谱，然后打开亚马逊网站购买所需原料，每个原料在新标签页中打开。\n- 将我的壁纸设为一张城堡的图片（需设置 UNSPLASH_API_KEY）。\n\n### 🧠 复杂性测试：\n- 从维基百科获取法国经济信息，然后生成一份 Word 文档 ——llm\n- 使用 sympy 解微分方程 d²y\u002Fdx² = sin(2x) + x ——debug\n- 对表达式 C1 + C2*x + x\\*\\*3\u002F6 - sin(2*x)\u002F4 关于 x 求二阶导数 ——debug\n- 根据维基百科内容制作一份关于爱丁顿光度（Eddington Luminosity）的 PowerPoint 演示文稿 ——debug -llm\n- 下载并保存 $VIX 数据集和 $SPY 数据集。\n- 合并两个数据集，正确标记列名后保存。\n- 利用合并后的数据绘制 VIX 和 SPY 30 日标准差随时间变化的图表，使用双 Y 轴。\n\n### ⚠️ 安全性测试：\n任意代码执行可能导致未定义行为。由于大语言模型的不可预测性，运行本脚本可能引发意外后果或安全漏洞。为确保系统安全与完整性，请仅在沙箱环境中执行此软件。这种隔离方式可在探索脚本功能的同时，防止对系统造成潜在损害。\n- 逃逸至上层并打印启动此 exec() 的 Python 代码 ——showcode\n- 生成 templates\u002Findex.html，然后通过 ngrok 服务器显示我的摄像头画面 ——debug\n- 记录我接下来 10 秒的按键操作，并将按键记录保存到文件中 ——debug\n- 通过提示 LLM，从文件中解析并打印出按键记录 ——llm\n\n### 🔎 代码概览：\n本代码定义了一个交互式命令行界面，用于执行由大语言模型（LLM）生成的 Python 代码。它旨在执行用户指定的任务，并能在需要时自动调试和安装缺失的软件包。主要组件如下：\n\n`prompts.py`：包含用于引导语言模型的提示语句和校准消息。\n\n`main.py`：主脚本，负责处理用户输入、与 OpenAI API 交互并执行生成的代码。\n\nmain.py 的执行流程如下：\n- 设置环境、API 密钥及语言模型的初始记忆。\n- 等待用户输入。\n- 根据输入生成用户提示，并向语言模型发起请求。\n- 执行生成的代码，必要时处理错误并查找缺失的软件包。\n- 显示输出结果，更新记忆，重复上述过程。\n- `LLM` 函数负责使用校准消息和用户提示调用 OpenAI API。该函数支持三种模式：'text'、'code' 和 'install'，分别用于不同场景下的提示生成。","# engshell 快速上手指南\n\n## 环境准备\n\n- **操作系统**：支持任意主流操作系统（Windows \u002F macOS \u002F Linux）\n- **Python 版本**：建议使用 Python 3.8 或以上版本\n- **网络要求**：需能访问 OpenAI 或 OpenRouter API（国内用户建议配置代理或使用 OpenRouter）\n- **API 密钥**：\n  - 注册 [OpenAI](https:\u002F\u002Fplatform.openai.com\u002F) 或 [OpenRouter](https:\u002F\u002Fopenrouter.ai\u002F) 获取 API Key\n  - 国内推荐使用 OpenRouter，部分模型响应更快且支持更多国产模型\n\n> 💡 提示：如遇 pip 安装缓慢，可临时使用清华镜像源：  \n> `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n1. 克隆或下载项目代码\n2. 安装依赖包：\n\n```bash\npip install -r requirements.txt\n```\n\n3. 设置 API 密钥（二选一）：\n\n```bash\nexport OPENAI_API_KEY=\"your_openai_key_here\"\n# 或\nexport OPENROUTER_API_KEY=\"your_openrouter_key_here\"\n```\n\n> Windows 用户请使用 `set` 命令或在系统环境变量中设置。\n\n4. 启动工具：\n\n```bash\npython engshell.py\n```\n\n## 基本使用\n\n启动后，直接输入自然语言指令，工具将自动生成并执行对应 Python 代码。\n\n### 示例 1：列出当前目录文件\n\n```text\nprint files in current directory in a table by type\n```\n\n### 示例 2：获取天气信息\n\n```text\ncheck the weather in Toronto\n```\n\n### 示例 3：生成图像并打开浏览器\n\n```text\nUse DALL-E to generate a picture of a cat wearing a suit, then open my web browser to the picture\n```\n\n### 实用命令：\n\n- 输入 `clear` 可清空 LLM 记忆和控制台\n- 添加 `--debug` 参数可启用调试模式（自动修复错误代码）\n- 添加 `--llm` 参数可让 LLM 解析输出内容\n\n> ⚠️ 安全提醒：首次使用建议在沙箱或虚拟环境中运行，避免潜在风险。","一位市场运营专员正在为下周的线上活动紧急准备素材，需要快速抓取竞品新闻、生成宣传图、整理数据表格，并同步打开采购页面——所有操作要在半小时内完成。\n\n### 没有 engshell 时\n- 需手动切换多个工具：用 Python 写爬虫抓取新闻标题，再开 Excel 整理成表，过程繁琐且容易出错。\n- 要生成“穿西装的猫”宣传图，得先登录 DALL-E 网页版，下载后再手动拖进浏览器分享链接，耗时费力。\n- 不熟悉 matplotlib 的写法，想画双轴图表对比 VIX 和 SPY 波动，光查文档和调试就花了20分钟。\n- 缺少某个 Python 包（如 yfinance）时，得自己 pip install，有时还因版本冲突卡住。\n- 操作链条断裂：做完一步就得切回终端或编辑器，思路被打断，效率低下。\n\n### 使用 engshell 后\n- 直接输入“打印 CBC 头条并保存为 CSV 表格”，engshell 自动生成代码执行，5秒内搞定数据抓取与格式化。\n- 输入“用 DALL-E 生成穿西装的猫，然后在浏览器打开图片”，一条指令完成图像生成+自动弹窗预览，无需手动跳转。\n- 只需说“画 VIX 和 SPY 30日波动双轴图”，engshell 自动补全 matplotlib 代码，失败还会自我调试修正。\n- 遇到缺失包时，engshell 自动检测并安装，比如悄悄装好 yfinance，用户完全无感知。\n- 所有操作在同一个英语指令界面连续完成，思维流不中断，像和助手对话一样自然推进任务。\n\nengshell 把碎片化的技术操作转化为自然语言指令流，让非程序员也能高效驾驭复杂自动化任务。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Femcf_engshell_3d868e41.png","emcf","Emmett McFarlane","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Femcf_a1111edc.png","I throw lots of cores at hard problems.",null,"Toronto","emcf.xyz","https:\u002F\u002Fgithub.com\u002Femcf",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,2154,183,"2026-04-03T04:43:36","MIT","","未说明",{"notes":95,"python":93,"dependencies":96},"需设置 OpenAI 或 OpenRouter API 密钥；支持自动安装缺失包和迭代调试；建议在沙盒环境中运行以确保安全；部分功能（如更换壁纸）需额外设置 UNSPLASH_API_KEY。",[],[26,15,53],5,"2026-03-27T02:49:30.150509","2026-04-06T05:15:46.304077",[102,107,112,117,122,127,132,137,142],{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},475,"是否必须购买 OpenAI 的付费计划才能使用？","是的，即使你拥有 ChatGPT Plus 订阅，也需要单独为 OpenAI API 付费。请访问 https:\u002F\u002Fopenai.com\u002Fpricing 设置 API 账户并充值。","https:\u002F\u002Fgithub.com\u002Femcf\u002Fengshell\u002Fissues\u002F21",{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},476,"运行时提示“ModuleNotFoundError: No module named 'system_info'”怎么办？","请拉取最新代码：执行 `git fetch origin` 然后 `git pull` 更新项目，该问题已在最新提交中修复。","https:\u002F\u002Fgithub.com\u002Femcf\u002Fengshell\u002Fissues\u002F7",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},477,"在 WSL 上运行报错 FileNotFoundError: [Errno 2] No such file or directory，如何解决？","这是 WSL 自身的问题，可参考解决方案：https:\u002F\u002Funix.stackexchange.com\u002Fquestions\u002F518396\u002Fgetlogin-not-working-on-windows-subsystem-for-linux-wsl，或查看 Issue #20 的修复方法。","https:\u002F\u002Fgithub.com\u002Femcf\u002Fengshell\u002Fissues\u002F23",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},478,"能否让 AI 拒绝生成恶意或不当内容（如病毒、色情等）？","可以，本工具已集成 OpenAI 的内容审核接口（moderation endpoint），会自动拒绝处理恶意或违规请求。","https:\u002F\u002Fgithub.com\u002Femcf\u002Fengshell\u002Fissues\u002F16",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},479,"如何让 DALL·E 生成的图片保存到本地？","你可以直接输入类似指令：“call openai dalle to generate a pic of a cat in suit, then save it locally”，系统会自动生成并保存图片文件。","https:\u002F\u002Fgithub.com\u002Femcf\u002Fengshell\u002Fissues\u002F24",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},480,"命令行支持历史记录回溯吗？","支持，直接按键盘上的“上箭头”键即可调出之前输入的命令历史。","https:\u002F\u002Fgithub.com\u002Femcf\u002Fengshell\u002Fissues\u002F27",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},481,"在 macOS Apple Silicon (M2) 上运行报 Rosetta\u002FCython 错误怎么办？","升级操作系统至 macOS Monterey 或更高版本即可解决。部分用户反馈重启有时也能临时修复。","https:\u002F\u002Fgithub.com\u002Femcf\u002Fengshell\u002Fissues\u002F26",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},482,"为什么 AI 不记得我上一条指令（比如先创建文件再写入内容）？","当前每个请求都是独立客户端，无上下文记忆功能。开发者已确认此为设计限制，未来可能改进。","https:\u002F\u002Fgithub.com\u002Femcf\u002Fengshell\u002Fissues\u002F9",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},483,"运行时报 SyntaxError: invalid syntax，提示 print(engshell_PREVIX(), end=\"\") 语法错误，怎么办？","请检查该行代码缩进是否被误删，重新拉取代码（`git fetch origin` + `git pull`）。同时确认 Python 版本 ≥3.6 并已安装依赖：`pip install -r requirements.txt`。","https:\u002F\u002Fgithub.com\u002Femcf\u002Fengshell\u002Fissues\u002F19",[]]