[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-fill3d--fill":3,"tool-fill3d--fill":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},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。",85013,2,"2026-04-06T11:09:19",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},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。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74991,"2026-04-06T23:16:49",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-learn","scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。\n\n对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。\n\n其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最",65644,"2026-04-06T10:25:08",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。\n\n无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。\n\nKeras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。",63927,"2026-04-04T15:24:37",[20,14,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":81,"owner_twitter":80,"owner_website":82,"owner_url":83,"languages":84,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":10,"env_os":101,"env_gpu":101,"env_ram":101,"env_deps":102,"category_tags":107,"github_topics":108,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":113,"updated_at":114,"faqs":115,"releases":146},4801,"fill3d\u002Ffill","fill","Generative fill in 3D.","Fill 是一款专注于三维空间的生成式填充工具，旨在通过人工智能技术实现虚拟场景的自动化布置与内容生成。传统的设计工作流中，为空旷的 3D 房间或场景添加家具、装饰等元素往往需要繁琐的手动建模与渲染，Fill 则利用先进的生成式 AI 算法，让用户能够轻松地在三维环境中“无中生有”，快速完成高质量的虚拟布景。\n\n这款工具特别解决了室内设计师、房地产营销人员以及游戏开发者在场景搭建过程中效率低下、成本高昂的痛点。它无需用户具备深厚的 3D 建模功底，即可根据现有空间结构智能匹配并生成逼真的陈设方案，极大地缩短了从概念到可视化的周期。\n\nFill 主要面向开发者、设计师及相关领域的研究人员。对于开发者而言，Fill 提供了完善的 API 接口和开源示例项目，支持快速集成到现有的 Web 应用或设计工作流中；对于设计师，它则是一个强大的辅助创作引擎，能激发更多灵感并提升产出效率。其核心技术亮点在于将原本局限于二维图像的“生成式填充”能力成功拓展至三维领域，实现了空间理解与物体生成的深度融合，为虚拟 staging（虚拟布景）带来了全新的智能化解决方案。","# Fill 3D\n\n![logo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffill3d_fill_readme_4ea0599c133a.png)\n\n[![Discord](https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F1148999162784907334?label=Discord&logo=discord&logoColor=white&color=7389D8&labelColor=6A7EC2&style=flat)](https:\u002F\u002Ffill3d.ai\u002Fcommunity)\n\nGenerative Fill in 3D. This is a starter project showcasing the Fill 3D API for AI-powered virtual staging.\n\n## Setup Instructions\n1. Clone this repository.\n2. Rename `.env.example` to `.env.local`.\n3. Head over to [fill3d.ai](https:\u002F\u002Ffill3d.ai\u002Ffill) and create an API key:\n![key](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffill3d_fill_readme_e596f00d22a7.gif)\n4. Paste your API key in `.env.local`:\n    ```sh\n    # Fill 3D\n    FILL3D_API_KEY=\"\u003Cyour API key here>\"\n    ```\n5. Install dependencies by running `npm install`.\n6. Run the development server with `npm run dev`.\n7. Open up the webpage at [http:\u002F\u002Flocalhost:3000](http:\u002F\u002Flocalhost:3000).","# Fill 3D\n\n![logo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffill3d_fill_readme_4ea0599c133a.png)\n\n[![Discord](https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F1148999162784907334?label=Discord&logo=discord&logoColor=white&color=7389D8&labelColor=6A7EC2&style=flat)](https:\u002F\u002Ffill3d.ai\u002Fcommunity)\n\n3D 生成式填充。这是一个入门项目，展示了用于 AI 驱动虚拟布景的 Fill 3D API。\n\n## 设置说明\n1. 克隆此仓库。\n2. 将 `.env.example` 重命名为 `.env.local`。\n3. 访问 [fill3d.ai](https:\u002F\u002Ffill3d.ai\u002Ffill)，创建一个 API 密钥：\n![key](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffill3d_fill_readme_e596f00d22a7.gif)\n4. 将您的 API 密钥粘贴到 `.env.local` 中：\n    ```sh\n    # Fill 3D\n    FILL3D_API_KEY=\"\u003C您的 API 密钥在此>\"\n    ```\n5. 运行 `npm install` 安装依赖。\n6. 使用 `npm run dev` 启动开发服务器。\n7. 打开网页 [http:\u002F\u002Flocalhost:3000](http:\u002F\u002Flocalhost:3000)。","# Fill 3D 快速上手指南\n\nFill 3D 是一个基于生成式 AI 的 3D 虚拟布景（Virtual Staging）开源项目，旨在展示 Fill 3D API 的强大能力。本指南将帮助中国开发者快速在本地运行该示例项目。\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**：Windows, macOS 或 Linux\n*   **Node.js**：建议安装 LTS 版本（v18 或更高）\n*   **包管理器**：npm (随 Node.js 安装) 或 yarn\u002Fpnpm\n*   **API 密钥**：需要拥有 Fill 3D 的 API Key\n\n> **提示**：国内开发者若遇到 npm 安装依赖缓慢的问题，可临时切换至淘宝镜像源：\n> `npm config set registry https:\u002F\u002Fregistry.npmmirror.com`\n\n## 安装步骤\n\n请按照以下步骤克隆项目并配置环境：\n\n1.  **克隆仓库**\n    将项目代码下载到本地：\n    ```bash\n    git clone \u003Crepository-url>\n    cd \u003Crepository-folder>\n    ```\n    *(注：请将 `\u003Crepository-url>` 替换为实际的仓库地址)*\n\n2.  **配置环境变量**\n    将示例环境变量文件重命名为本地配置文件：\n    ```bash\n    mv .env.example .env.local\n    ```\n\n3.  **获取 API Key**\n    访问 [fill3d.ai](https:\u002F\u002Ffill3d.ai\u002Ffill) 注册账号并创建一个新的 API Key。\n\n4.  **填入密钥**\n    使用文本编辑器打开 `.env.local` 文件，将第 3 步获取的密钥填入 `FILL3D_API_KEY` 字段：\n    ```sh\n    # Fill 3D\n    FILL3D_API_KEY=\"\u003Cyour API key here>\"\n    ```\n    *请将 `\u003Cyour API key here>` 替换为您真实的 API 密钥，保留引号。*\n\n5.  **安装依赖**\n    安装项目所需的 Node.js 依赖包：\n    ```bash\n    npm install\n    ```\n\n## 基本使用\n\n完成安装后，即可启动开发服务器体验功能：\n\n1.  **启动服务**\n    在终端运行以下命令：\n    ```bash\n    npm run dev\n    ```\n\n2.  **访问应用**\n    服务启动成功后，打开浏览器访问：\n    [http:\u002F\u002Flocalhost:3000](http:\u002F\u002Flocalhost:3000)\n\n现在您可以在网页界面中上传 3D 场景或房间图片，利用 Fill 3D API 进行 AI 驱动的虚拟布景测试。","一家房地产科技公司正在为其在线房源平台开发\"AI 虚拟软装”功能，旨在帮助房东将空置房间的 3D 扫描模型快速转化为温馨宜居的展示效果。\n\n### 没有 fill 时\n- 设计师必须手动在 Blender 或 3ds Max 中逐个摆放沙发、地毯和装饰品，单个房间耗时数小时。\n- 难以保证家具与房间光照、透视角度完美融合，渲染结果常显生硬，缺乏真实感。\n- 面对成百上千套待售房源，人工建模成本高昂且无法实现批量自动化处理。\n- 修改风格（如从现代简约切换到北欧风）需要重新调整整个场景，迭代效率极低。\n\n### 使用 fill 后\n- 开发者只需调用 fill 接口并输入“现代客厅”等提示词，系统即可自动在 3D 空间内生成并填充匹配家具。\n- fill 基于生成式 AI 深度理解几何结构与光影，确保新增物体与原有环境无缝衔接，照片级逼真。\n- 支持高并发 API 请求，能在几分钟内完成整栋公寓楼的虚拟 staging，大幅降低运营成本。\n- 通过简单修改提示词即可瞬间切换多种装修风格，让房东能快速测试不同方案的市场反馈。\n\nfill 将原本需要专业团队数天完成的 3D 软装工作，转化为开发者几行代码即可调用的实时生成能力，彻底重构了房产可视化的生产流程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffill3d_fill_e596f00d.gif","fill3d","Fill 3D","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffill3d_360de115.png","High-fidelity virtual staging with only a prompt.",null,"hi@fill3d.ai","https:\u002F\u002Ffill3d.ai","https:\u002F\u002Fgithub.com\u002Ffill3d",[85,89,93],{"name":86,"color":87,"percentage":88},"TypeScript","#3178c6",96.5,{"name":90,"color":91,"percentage":92},"JavaScript","#f1e05a",2.3,{"name":94,"color":95,"percentage":96},"CSS","#663399",1.2,744,42,"2026-02-13T05:58:26","MIT","未说明",{"notes":103,"python":101,"dependencies":104},"该项目是一个基于 Fill 3D API 的前端演示项目，无需本地部署 AI 模型或 GPU。运行前需安装 Node.js 和 npm，并在 fill3d.ai 官网注册获取 API 密钥配置到环境变量中。",[105,106],"npm","Node.js",[18],[109,110,111,112],"3d-rendering","fxnai","generative-ai","generative-fill","2026-03-27T02:49:30.150509","2026-04-07T10:50:28.394742",[116,121,126,131,136,141],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},21794,"搜索家具功能报错怎么办？","该问题已在 Fill 3D 的新版本中修复，请升级至最新版本即可解决。","https:\u002F\u002Fgithub.com\u002Ffill3d\u002Ffill\u002Fissues\u002F12",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},21795,"参与项目贡献（PR）需要购买积分（Credits）吗？","不需要直接购买。如果您计划提交 PR，可以直接发送邮件至 yusuf@fill3d.ai 说明您的计划，维护者会为您提供免费积分，直到建立更完善的系统为止。","https:\u002F\u002Fgithub.com\u002Ffill3d\u002Ffill\u002Fissues\u002F5",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},21796,"@fill3d\u002Fsearch 预测器不可用或返回数据不完整如何解决？","该预测器现已设为受保护状态。在使用时，每个提示对象（Prompt）应包含坐标及可选的文本提示或对象 ID。搜索预测器输出 SearchResult 数组，包含 id 和 preview 字段。具体 TypeScript 接口定义如下：\n\ninterface Prompt {\n  x: number;\n  y: number;\n  width: number;\n  height: number;\n  anchor?: { x: number, y: number };\n  prompt?: string; \u002F\u002F 指定文本提示将搜索并使用第一个返回对象的 ID\n  id?: string; \u002F\u002F 从搜索结果中获取的对象 ID\n}\n\ninterface SearchResult {\n  id: string; \u002F\u002F 对象 ID\n  preview: string; \u002F\u002F 预览 URL\n}","https:\u002F\u002Fgithub.com\u002Ffill3d\u002Ffill\u002Fissues\u002F4",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},21797,"哪里可以查看 Fill 3D 的成功案例和失败案例画廊？","项目已添加重定向，您可以直接访问 Fill 3D 的 Instagram 主页 (https:\u002F\u002Finstagram.com\u002Ffill3d.ai) 查看相关展示案例。","https:\u002F\u002Fgithub.com\u002Ffill3d\u002Ffill\u002Fissues\u002F1",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},21798,"部分图片的天花板高度识别错误导致物体放置不准怎么办？","该特定案例已被标记为无效（Invalidated），可能是由于图片本身特性导致的个别现象。如果遇到类似问题，建议检查输入图片的透视关系是否符合常规室内场景标准。","https:\u002F\u002Fgithub.com\u002Ffill3d\u002Ffill\u002Fissues\u002F6",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},21799,"如何调整已绘制区域的大小而不必重新绘制？","原有的手动调整区域大小功能已被废弃。目前项目已转向“聊天优先”（chat-first）的交互界面，用户可通过对话方式直接调整需求，无需手动删除和重绘区域。","https:\u002F\u002Fgithub.com\u002Ffill3d\u002Ffill\u002Fissues\u002F3",[]]