[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-entbappy--Setup-NVIDIA-GPU-for-Deep-Learning":3,"tool-entbappy--Setup-NVIDIA-GPU-for-Deep-Learning":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",155373,2,"2026-04-14T11:34:08",[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":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":78,"owner_email":65,"owner_twitter":79,"owner_website":65,"owner_url":80,"languages":65,"stars":81,"forks":82,"last_commit_at":83,"license":65,"difficulty_score":84,"env_os":85,"env_gpu":86,"env_ram":87,"env_deps":88,"category_tags":98,"github_topics":65,"view_count":32,"oss_zip_url":65,"oss_zip_packed_at":65,"status":17,"created_at":99,"updated_at":100,"faqs":101,"releases":102},7559,"entbappy\u002FSetup-NVIDIA-GPU-for-Deep-Learning","Setup-NVIDIA-GPU-for-Deep-Learning",null,"Setup-NVIDIA-GPU-for-Deep-Learning 是一份专为深度学习初学者打造的实用配置指南，旨在帮助用户在 Windows 环境下顺利完成 NVIDIA GPU 的开发环境搭建。对于许多刚接触人工智能的开发者而言，手动安装显卡驱动、Visual Studio C++ 组件、Anaconda 环境、CUDA 工具包以及 cuDNN 库往往步骤繁琐且容易因版本不兼容而报错。这份指南通过清晰的六步流程，将复杂的依赖关系梳理得井井有条，有效解决了环境配置“劝退”新手的难题。\n\n该资源特别适合人工智能领域的研究人员、学生开发者以及希望本地运行大模型的技术爱好者使用。它并不提供自动化的安装脚本，而是作为一份详尽的操作手册，引导用户从官方渠道获取最稳定的软件版本，并特别强调了 Visual Studio 中 C++ 组件的选择细节，这是许多教程容易忽略的关键点。完成配置后，指南还提供了一个基于 PyTorch 的测试脚本，让用户能立即验证显卡是否被正确识别并投入使用。通过遵循 Setup-NVIDIA-GPU-for-Deep-Learning 的步骤，用户可以高效地构建起坚实","Setup-NVIDIA-GPU-for-Deep-Learning 是一份专为深度学习初学者打造的实用配置指南，旨在帮助用户在 Windows 环境下顺利完成 NVIDIA GPU 的开发环境搭建。对于许多刚接触人工智能的开发者而言，手动安装显卡驱动、Visual Studio C++ 组件、Anaconda 环境、CUDA 工具包以及 cuDNN 库往往步骤繁琐且容易因版本不兼容而报错。这份指南通过清晰的六步流程，将复杂的依赖关系梳理得井井有条，有效解决了环境配置“劝退”新手的难题。\n\n该资源特别适合人工智能领域的研究人员、学生开发者以及希望本地运行大模型的技术爱好者使用。它并不提供自动化的安装脚本，而是作为一份详尽的操作手册，引导用户从官方渠道获取最稳定的软件版本，并特别强调了 Visual Studio 中 C++ 组件的选择细节，这是许多教程容易忽略的关键点。完成配置后，指南还提供了一个基于 PyTorch 的测试脚本，让用户能立即验证显卡是否被正确识别并投入使用。通过遵循 Setup-NVIDIA-GPU-for-Deep-Learning 的步骤，用户可以高效地构建起坚实的深度学习基础设施，将更多精力投入到算法研究与模型训练中。","# Setup-NVIDIA-GPU-for-Deep-Learning\n\n## Step 1: NVIDIA Video Driver\n\nYou should install the latest version of your GPUs driver. You can download drivers here:\n - [NVIDIA GPU Drive Download](https:\u002F\u002Fwww.nvidia.com\u002FDownload\u002Findex.aspx)\n\n## Step 2: Visual Studio C++\n\nYou will need Visual Studio, with C++ installed. By default, C++ is not installed with Visual Studio, so make sure you select all of the C++ options.\n - [Visual Studio Community Edition](https:\u002F\u002Fvisualstudio.microsoft.com\u002Fvs\u002Fcommunity\u002F)\n\n## Step 3: Anaconda\u002FMiniconda\n\nYou will need anaconda to install all deep learning packages\n - [Download Anaconda](https:\u002F\u002Fwww.anaconda.com\u002Fdownload\u002Fsuccess)\n\n## Step 4: CUDA Toolkit\n\n - [Download CUDA Toolkit](https:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-toolkit-archive)\n\n## Step 5: cuDNN\n\n - [Download cuDNN](https:\u002F\u002Fdeveloper.nvidia.com\u002Frdp\u002Fcudnn-archive)\n\n\n## Step 6: Install PyTorch \n\n - [Install PyTorch](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F)\n\n\n\n\n## Finally run the following script to test your GPU\n\n```python\nimport torch\n\nprint(\"Number of GPU: \", torch.cuda.device_count())\nprint(\"GPU Name: \", torch.cuda.get_device_name())\n\n\ndevice = torch.device('cuda' if torch.cuda.is_available() else 'cpu')\nprint('Using device:', device)\n```\n","# 为深度学习设置 NVIDIA GPU\n\n## 第 1 步：NVIDIA 显卡驱动程序\n\n您应该安装最新版本的显卡驱动程序。您可以从以下链接下载驱动程序：\n - [NVIDIA GPU 驱动程序下载](https:\u002F\u002Fwww.nvidia.com\u002FDownload\u002Findex.aspx)\n\n## 第 2 步：Visual Studio C++\n\n您需要安装包含 C++ 支持的 Visual Studio。默认情况下，Visual Studio 并不包含 C++ 组件，因此请确保选中所有 C++ 相关选项。\n - [Visual Studio Community Edition](https:\u002F\u002Fvisualstudio.microsoft.com\u002Fvs\u002Fcommunity\u002F)\n\n## 第 3 步：Anaconda\u002FMiniconda\n\n您需要使用 Anaconda 来安装所有的深度学习相关包。\n - [下载 Anaconda](https:\u002F\u002Fwww.anaconda.com\u002Fdownload\u002Fsuccess)\n\n## 第 4 步：CUDA 工具包\n\n - [下载 CUDA 工具包](https:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-toolkit-archive)\n\n## 第 5 步：cuDNN\n\n - [下载 cuDNN](https:\u002F\u002Fdeveloper.nvidia.com\u002Frdp\u002Fcudnn-archive)\n\n\n## 第 6 步：安装 PyTorch \n\n - [安装 PyTorch](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F)\n\n\n\n\n## 最后，运行以下脚本来测试您的 GPU\n\n```python\nimport torch\n\nprint(\"GPU 数量: \", torch.cuda.device_count())\nprint(\"GPU 名称: \", torch.cuda.get_device_name())\n\n\ndevice = torch.device('cuda' if torch.cuda.is_available() else 'cpu')\nprint('使用的设备:', device)\n```","# Setup-NVIDIA-GPU-for-Deep-Learning 快速上手指南\n\n本指南旨在帮助中国开发者在 Windows 环境下快速配置 NVIDIA GPU 深度学习环境。\n\n## 环境准备\n\n在开始之前，请确保满足以下系统要求：\n- **操作系统**：Windows 10\u002F11 (64 位)\n- **硬件**：NVIDIA GPU (支持 CUDA 架构)\n- **网络**：建议配置国内镜像源以加速下载（如清华源、中科大源）\n\n## 安装步骤\n\n请按顺序完成以下六个步骤的安装：\n\n### 1. 安装 NVIDIA 显卡驱动\n下载并安装最新版本的显卡驱动。\n- **下载地址**：[NVIDIA 驱动下载](https:\u002F\u002Fwww.nvidia.com\u002FDownload\u002Findex.aspx)\n- **操作**：选择对应的显卡型号和操作系统，下载后运行安装程序。\n\n### 2. 安装 Visual Studio C++\n深度学习编译需要 C++ 构建工具。\n- **下载地址**：[Visual Studio Community Edition](https:\u002F\u002Fvisualstudio.microsoft.com\u002Fvs\u002Fcommunity\u002F)\n- **操作**：安装时务必勾选 **\"使用 C++ 的桌面开发\"** (Desktop development with C++) 工作负载，默认不包含此项。\n\n### 3. 安装 Anaconda\u002FMiniconda\n用于管理 Python 环境和深度学习包。\n- **下载地址**：[Anaconda 下载](https:\u002F\u002Fwww.anaconda.com\u002Fdownload\u002Fsuccess)\n- **国内加速**：推荐使用 [清华大学开源软件镜像站](https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Farchive\u002F) 下载。\n- **操作**：运行安装程序，建议勾选 \"Add Anaconda to PATH\" (或安装后手动配置环境变量)。\n\n### 4. 安装 CUDA Toolkit\n安装与显卡驱动匹配的 CUDA 版本。\n- **下载地址**：[CUDA Toolkit Archive](https:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-toolkit-archive)\n- **注意**：请根据 PyTorch 要求的版本选择对应的 CUDA 版本（通常推荐 11.8 或 12.1）。\n\n### 5. 安装 cuDNN\n下载并配置 cuDNN 加速库。\n- **下载地址**：[cuDNN Archive](https:\u002F\u002Fdeveloper.nvidia.com\u002Frdp\u002Fcudnn-archive)\n- **操作**：\n  1. 登录 NVIDIA 账号下载对应 CUDA 版本的 cuDNN。\n  2. 解压文件，将 `bin`、`include`、`lib` 文件夹内的内容复制到 CUDA 安装目录（默认为 `C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\vXX.X`）的对应文件夹中。\n\n### 6. 安装 PyTorch\n使用 Conda 安装带有 GPU 支持的 PyTorch。\n- **官方安装页**：[Install PyTorch](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F)\n- **国内镜像安装命令示例** (以 CUDA 11.8 为例)：\n  ```bash\n  conda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain\u002F\n  conda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Ffree\u002F\n  conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia\n  ```\n  *(注：具体 `pytorch-cuda` 版本号请参考 PyTorch 官网最新推荐)*\n\n## 基本使用\n\n创建一个新的 Python 文件（例如 `test_gpu.py`），运行以下代码验证 GPU 是否可用：\n\n```python\nimport torch\n\nprint(\"Number of GPU: \", torch.cuda.device_count())\nprint(\"GPU Name: \", torch.cuda.get_device_name())\n\n\ndevice = torch.device('cuda' if torch.cuda.is_available() else 'cpu')\nprint('Using device:', device)\n```\n\n如果输出显示 `Using device: cuda` 并列出了您的显卡名称，则说明环境配置成功。","某高校计算机视觉实验室的研究生李明，正急需在本地工作站上部署环境以训练一个复杂的医学图像分割模型。\n\n### 没有 Setup-NVIDIA-GPU-for-Deep-Learning 时\n- **依赖版本地狱**：手动安装 NVIDIA 驱动、CUDA Toolkit 和 cuDNN 时，因版本不匹配导致频繁报错，花费整整两天排查兼容性问题。\n- **编译环境缺失**：忽略了 Visual Studio C++ 组件的安装，导致 PyTorch 在调用底层算子时编译失败，程序无法启动。\n- **验证流程繁琐**：缺乏标准化的测试脚本，不确定 GPU 是否真正被深度学习框架调用，只能凭感觉猜测硬件加速是否生效。\n- **文档分散混乱**：需要在 NVIDIA 官网、Anaconda 文档和 PyTorch 社区之间反复跳转查找教程，极易遗漏关键配置步骤。\n\n### 使用 Setup-NVIDIA-GPU-for-Deep-Learning 后\n- **步骤清晰有序**：严格按照工具提供的六步指南操作，从驱动更新到 cuDNN 配置一气呵成，将环境搭建时间压缩至两小时内。\n- **前置检查完备**：明确提示安装 Visual Studio C++ 选项，彻底避免了因缺少编译器导致的运行时错误。\n- **一键验证成功**：直接运行文末提供的 Python 测试脚本，瞬间确认 GPU 数量、型号及 CUDA 可用性，让李明安心开始训练。\n- **资源集中高效**：所有下载链接和安装逻辑整合在一处，消除了信息碎片化带来的困扰，让新手也能一次配置成功。\n\nSetup-NVIDIA-GPU-for-Deep-Learning 通过将碎片化的配置流程标准化，帮助开发者从繁琐的环境调试中解脱，专注于核心算法的创新与迭代。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fentbappy_Setup-NVIDIA-GPU-for-Deep-Learning_8e10619b.png","entbappy","BAPPY AHMED","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fentbappy_a5d34f85.jpg","Doing gradient ascent on the loss landscape of life. ⚡ Neural Network whisperer. 💻🧠🤖","https:\u002F\u002Fwww.udemy.com\u002Fuser\u002Fboktiar-ahmed-bappy\u002F","Earth","bappy913873","https:\u002F\u002Fgithub.com\u002Fentbappy",603,265,"2026-04-12T15:20:43",4,"Windows","必需 NVIDIA GPU（需安装最新驱动），具体型号和显存大小未说明，需安装 CUDA Toolkit 和 cuDNN（具体版本需参考 PyTorch 兼容性列表）","未说明",{"notes":89,"python":90,"dependencies":91},"该指南主要针对 Windows 用户。安装 Visual Studio 时必须手动勾选 C++ 开发组件，默认不包含。所有深度学习包建议通过 Anaconda 环境安装。最后需运行提供的 Python 脚本验证 GPU 是否被 PyTorch 正确识别。","未说明（通过 Anaconda\u002FMiniconda 管理）",[92,93,94,95,96,97],"Visual Studio (含 C++ 组件)","Anaconda 或 Miniconda","NVIDIA GPU Driver","CUDA Toolkit","cuDNN","PyTorch",[14],"2026-03-27T02:49:30.150509","2026-04-15T07:18:34.058616",[],[]]