[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-facebookresearch--HyperAgents":3,"tool-facebookresearch--HyperAgents":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":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":10,"env_os":98,"env_gpu":99,"env_ram":99,"env_deps":100,"category_tags":106,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":107,"updated_at":108,"faqs":109,"releases":110},3631,"facebookresearch\u002FHyperAgents","HyperAgents","Self-referential self-improving agents that can optimize for any computable task","HyperAgents 是一款由 Meta 研究团队推出的开源项目，旨在构建能够“自我指涉”并持续进化的智能体系统。它的核心目标是解决传统 AI 智能体在面对复杂或未知任务时能力受限的问题，通过让智能体自动编写、评估并优化自身的代码逻辑，从而在任何可计算的任务上实现性能的不断攀升。\n\n该项目独特的技术亮点在于其“元智能体”架构：它不依赖人工预设规则，而是利用大模型生成改进策略，形成一个自动化的“生成 - 测试 - 迭代”闭环。这意味着 HyperAgents 能在没有人类干预的情况下，自主发现更高效的算法或解决方案。\n\n由于项目涉及执行模型生成的代码，且需要配置多种大模型 API 及复杂的开发环境，HyperAgents 主要面向 AI 研究人员和高级开发者。它非常适合用于探索自动化机器学习、算法自我进化以及通用人工智能（AGI）的前沿研究。需要注意的是，官方明确提示了运行未信任代码的安全风险，使用者需具备相应的风险评估与隔离能力。对于希望深入理解智能体如何突破自身能力边界的技术人员来说，这是一个极具参考价值的实验性工具。","\u003Cdiv align=\"center\">\n\n\u003C!-- Logo\u002FBanner placeholder - uncomment and add your image -->\n\u003C!-- \u003Cimg src=\"assets\u002Fbanner.png\" alt=\"HyperAgents Banner\" width=\"800\"> -->\n\n\u003Ch1>HyperAgents\u003C\u002Fh1>\n\n\u003Cp>Self-referential self-improving agents that can optimize for any computable task\u003C\u002Fp>\n\n\u003Cp>\n\u003Ca href=\"LICENSE.md\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-CC%20BY--NC--SA%204.0-lightgrey.svg?style=for-the-badge\" alt=\"License: CC BY-NC-SA 4.0\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2603.19461\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2603.19461-b31b1b.svg?style=for-the-badge&logo=arxiv\" alt=\"arXiv\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fresearch\u002Fpublications\u002Fhyperagents\u002F\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-Blog-%238D6748?style=for-the-badge&logo=Website&logoColor=white\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fx.com\u002Fjennyzhangzt\u002Fstatus\u002F2036099935083618487\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Ftwitter-%230077B5.svg?&style=for-the-badge&logo=twitter&logoColor=white&color=00acee\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n---\n\n\u003C\u002Fdiv>\n\n## Setup\n```bash\n# API keys, put these into .env file\nOPENAI_API_KEY=...\nANTHROPIC_API_KEY=...\nGEMINI_API_KEY=...\n```\n\n```bash\n# Install things\nsudo dnf install -y python3.12-devel\nsudo dnf install -y graphviz graphviz-devel cmake ninja-build bzip2-devel zlib-devel ncurses-devel libffi-devel\n```\n\n```bash\n# Create virtual environment\npython3.12 -m venv venv_nat\nsource venv_nat\u002Fbin\u002Factivate\npip install -r requirements.txt\npip install -r requirements_dev.txt\n# To build the docker container\ndocker build --network=host -t hyperagents .\n```\n\n```bash\n# Setup initial agents\nbash .\u002Fsetup_initial.sh\n```\n\n## Running HyperAgents\n\n```bash\n# See the script for args, and baseline selections\npython generate_loop.py --domains \u003Cdomain>\n```\n\nBy default, outputs will be saved in `outputs\u002F` directory.\n\n## File Structure\n- `agent\u002F` code for using foundation models\n- `analysis\u002F` scripts used for plotting and analysis\n- `domains\u002F` code for each domain\n- `utils\u002F` common code used in the repo\n- `run_meta_agent.py` script to help run the meta agent and get the diffs\n- `meta_agent.py` main implementation of the meta agent\n- `task_agent.py` main implementation of the task agent\n- `generate_loop.py` entry point for running the algorithm\n\n## Logs from Experiments\n\nThe experiment logs are stored as a multi-part ZIP archive. To extract them, ensure all .z01, .z02, etc., files are in the same directory as the .zip file, then run:\n```bash\nzip -s 0 outputs_os_parts.zip --out unsplit_logs.zip\nunzip unsplit_outputs.zip\n```\n\n## Safety Consideration\n> [!WARNING]  \n> This repository involves executing untrusted, model-generated code. We strongly advise users to be aware of the associated safety risks. While it is highly unlikely that such code will perform overtly malicious actions under our current settings and with the models we use, it may still behave destructively due to limitations in model capability or alignment. By using this repository, you acknowledge and accept these risks.\n\n## Citing\nIf you find this project useful, please consider citing:\n```bibtex\n@misc{zhang2026hyperagents,\n      title={Hyperagents}, \n      author={Jenny Zhang and Bingchen Zhao and Wannan Yang and Jakob Foerster and Jeff Clune and Minqi Jiang and Sam Devlin and Tatiana Shavrina},\n      year={2026},\n      eprint={2603.19461},\n      archivePrefix={arXiv},\n      primaryClass={cs.AI},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2603.19461}, \n}\n```\n\n","\u003Cdiv align=\"center\">\n\n\u003C!-- Logo\u002FBanner 占位符 - 解注释并添加您的图片 -->\n\u003C!-- \u003Cimg src=\"assets\u002Fbanner.png\" alt=\"HyperAgents Banner\" width=\"800\"> -->\n\n\u003Ch1>HyperAgents\u003C\u002Fh1>\n\n\u003Cp>具有自指和自我改进能力的智能体，能够针对任何可计算的任务进行优化\u003C\u002Fp>\n\n\u003Cp>\n\u003Ca href=\"LICENSE.md\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-CC%20BY--NC--SA%204.0-lightgrey.svg?style=for-the-badge\" alt=\"许可证：CC BY-NC-SA 4.0\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2603.19461\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2603.19461-b31b1b.svg?style=for-the-badge&logo=arxiv\" alt=\"arXiv\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fresearch\u002Fpublications\u002Fhyperagents\u002F\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-博客-%238D6748?style=for-the-badge&logo=Website&logoColor=white\">\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fx.com\u002Fjennyzhangzt\u002Fstatus\u002F2036099935083618487\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Ftwitter-%230077B5.svg?&style=for-the-badge&logo=twitter&logoColor=white&color=00acee\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n---\n\n\u003C\u002Fdiv>\n\n## 设置\n```bash\n# API 密钥，请将它们放入 .env 文件中\nOPENAI_API_KEY=...\nANTHROPIC_API_KEY=...\nGEMINI_API_KEY=...\n```\n\n```bash\n# 安装依赖\nsudo dnf install -y python3.12-devel\nsudo dnf install -y graphviz graphviz-devel cmake ninja-build bzip2-devel zlib-devel ncurses-devel libffi-devel\n```\n\n```bash\n# 创建虚拟环境\npython3.12 -m venv venv_nat\nsource venv_nat\u002Fbin\u002Factivate\npip install -r requirements.txt\npip install -r requirements_dev.txt\n# 构建 Docker 容器\ndocker build --network=host -t hyperagents .\n```\n\n```bash\n# 设置初始智能体\nbash .\u002Fsetup_initial.sh\n```\n\n## 运行 HyperAgents\n\n```bash\n# 请参阅脚本以了解参数和基线选择\npython generate_loop.py --domains \u003Cdomain>\n```\n\n默认情况下，输出将保存在 `outputs\u002F` 目录中。\n\n## 文件结构\n- `agent\u002F` 使用基础模型的相关代码\n- `analysis\u002F` 用于绘图和分析的脚本\n- `domains\u002F` 每个领域的代码\n- `utils\u002F` 仓库中通用的代码\n- `run_meta_agent.py` 脚本用于运行元智能体并获取差异\n- `meta_agent.py` 元智能体的主要实现\n- `task_agent.py` 任务智能体的主要实现\n- `generate_loop.py` 算法的入口点\n\n## 实验日志\n\n实验日志以多部分 ZIP 归档文件的形式存储。要解压它们，请确保所有 .z01、.z02 等文件与 .zip 文件位于同一目录下，然后运行：\n```bash\nzip -s 0 outputs_os_parts.zip --out unsplit_logs.zip\nunzip unsplit_outputs.zip\n```\n\n## 安全注意事项\n> [!警告]  \n> 本仓库涉及执行由模型生成的不可信代码。我们强烈建议用户注意相关的安全风险。尽管在当前设置和所使用的模型下，此类代码极不可能执行明显的恶意行为，但由于模型能力或对齐方面的局限性，它仍可能表现出破坏性行为。使用本仓库即表示您已知悉并接受这些风险。\n\n## 引用\n如果您觉得本项目有用，请考虑引用以下内容：\n```bibtex\n@misc{zhang2026hyperagents,\n      title={Hyperagents}, \n      author={Jenny Zhang and Bingchen Zhao and Wannan Yang and Jakob Foerster and Jeff Clune and Minqi Jiang and Sam Devlin and Tatiana Shavrina},\n      year={2026},\n      eprint={2603.19461},\n      archivePrefix={arXiv},\n      primaryClass={cs.AI},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2603.19461}, \n}\n```","# HyperAgents 快速上手指南\n\nHyperAgents 是一个能够针对任何可计算任务进行自我优化和自我改进的自引用智能体框架。本指南将帮助中国开发者快速完成环境配置并运行基础示例。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: 推荐 Linux 环境（原文基于 Fedora\u002FCentOS 系，使用 `dnf` 包管理器）。\n*   **Python 版本**: 必须安装 **Python 3.12** 及其开发头文件。\n*   **系统依赖**: 需要安装图形处理和编译工具链。\n*   **API 密钥**: 需准备至少一个主流大模型 API 密钥（OpenAI, Anthropic, 或 Google Gemini）。\n\n> **注意**：如果您使用的是 Ubuntu\u002FDebian 系统，请将下方的 `sudo dnf install` 命令替换为 `sudo apt-get install`，并确保软件源中包含 python3.12-dev 及相关库。\n\n## 安装步骤\n\n### 1. 配置 API 密钥\n在项目根目录下创建 `.env` 文件，并填入您的 API 密钥：\n\n```bash\ncat > .env \u003C\u003CEOF\nOPENAI_API_KEY=your_openai_key_here\nANTHROPIC_API_KEY=your_anthropic_key_here\nGEMINI_API_KEY=your_gemini_key_here\nEOF\n```\n\n### 2. 安装系统级依赖\n执行以下命令安装必要的编译工具和库（以 Fedora\u002FRHEL 为例）：\n\n```bash\nsudo dnf install -y python3.12-devel\nsudo dnf install -y graphviz graphviz-devel cmake ninja-build bzip2-devel zlib-devel ncurses-devel libffi-devel\n```\n\n### 3. 创建虚拟环境并安装 Python 依赖\n建议使用国内镜像源（如清华源或阿里源）加速 pip 安装过程：\n\n```bash\n# 创建虚拟环境\npython3.12 -m venv venv_nat\nsource venv_nat\u002Fbin\u002Factivate\n\n# 升级 pip 并使用国内镜像安装依赖\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple -r requirements.txt\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple -r requirements_dev.txt\n```\n\n*(可选) 构建 Docker 容器：*\n```bash\ndocker build --network=host -t hyperagents .\n```\n\n### 4. 初始化智能体\n运行初始化脚本来设置初始智能体状态：\n\n```bash\nbash .\u002Fsetup_initial.sh\n```\n\n## 基本使用\n\n完成安装后，您可以通过 `generate_loop.py` 脚本启动 HyperAgents 循环。以下是最简单的运行示例，指定一个领域（domain）开始任务：\n\n```bash\n# 将 \u003Cdomain> 替换为您想要测试的具体领域名称\npython generate_loop.py --domains \u003Cdomain>\n```\n\n*   **输出位置**：默认情况下，所有运行结果和日志将保存在项目根目录下的 `outputs\u002F` 文件夹中。\n*   **参数说明**：具体支持的领域名称和基线选择选项，请直接查看 `generate_loop.py` 脚本源码或运行 `python generate_loop.py --help` 获取详细信息。\n\n---\n> **安全警告**：本项目涉及执行由模型生成的不可信代码。尽管在现有设置下发生恶意行为的可能性极低，但模型能力的局限性仍可能导致破坏性行为。请在隔离环境（如虚拟机或容器）中运行，并自行承担相关风险。","某量化交易团队正致力于开发一套高频套利策略，需要在极短时间内通过海量历史数据回测并迭代出最优算法代码。\n\n### 没有 HyperAgents 时\n- 研究人员需手动编写回测脚本并反复调整参数，单次完整迭代耗时数小时，严重拖慢实验节奏。\n- 面对复杂的数学优化目标，人工设计的启发式规则往往陷入局部最优，难以发现非直观的高效策略。\n- 每次代码修改后需人工审查逻辑漏洞，随着策略复杂度增加，人为引入的 Bug 和边界条件错误频发。\n- 多模型协作困难，无法自动利用不同大模型的优势来交叉验证代码逻辑或生成多样性解决方案。\n\n### 使用 HyperAgents 后\n- HyperAgents 构建自引用闭环，自动执行“生成代码 - 运行回测 - 分析结果 - 自我修正”流程，将迭代周期从小时级压缩至分钟级。\n- 其自我改进机制能针对可计算的任务目标（如夏普比率）持续演化，自动挖掘出人类专家难以构思的非线性交易逻辑。\n- 元代理（Meta Agent）自动审查并重构任务代理生成的代码，在运行前即可识别并修复潜在的执行错误与逻辑缺陷。\n- 系统动态调度多个基础模型协同工作，自动对比不同模型生成的策略变体，确保最终输出的是全局更优解。\n\nHyperAgents 通过将“编写者”转变为“进化引导者”，实现了复杂计算任务中算法策略的自动化持续演进与性能突破。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffacebookresearch_HyperAgents_82813266.png","facebookresearch","Meta Research","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffacebookresearch_449342bd.png","",null,"https:\u002F\u002Fopensource.fb.com","https:\u002F\u002Fgithub.com\u002Ffacebookresearch",[83,87,91],{"name":84,"color":85,"percentage":86},"Python","#3572A5",99,{"name":88,"color":89,"percentage":90},"Dockerfile","#384d54",0.5,{"name":92,"color":93,"percentage":90},"Shell","#89e051",2118,267,"2026-04-05T02:30:57","NOASSERTION","Linux","未说明",{"notes":101,"python":102,"dependencies":103},"1. 安装命令示例使用了 dnf 包管理器，表明主要支持基于 RPM 的 Linux 发行版（如 Fedora）。2. 需要安装 graphviz、cmake、ninja-build 等系统级开发库。3. 必须配置 OpenAI、Anthropic 和 Gemini 的 API 密钥。4. 项目涉及执行模型生成的不可信代码，存在安全风险，需谨慎使用。5. 实验日志以分卷 ZIP 格式存储，需合并后解压。","3.12",[104,105],"requirements.txt 中定义的依赖","requirements_dev.txt 中定义的依赖",[26,15],"2026-03-27T02:49:30.150509","2026-04-06T06:45:57.815541",[],[]]