[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-frost-beta--sisi":3,"tool-frost-beta--sisi":61},[4,18,26,36,45,53],{"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},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,35],"插件",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"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。",109154,2,"2026-04-18T11:18:24",[14,15,13],{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":42,"last_commit_at":51,"category_tags":52,"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",[35,13,15,14],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":42,"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",[35,14],{"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":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":100,"github_topics":101,"view_count":42,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":118},9025,"frost-beta\u002Fsisi","sisi","Semantic Image Search CLI tool.","sisi 是一款基于命令行的语义图片搜索工具，能让你在本地通过自然语言描述快速找到想要的图片，全程无需依赖任何第三方 API。它主要解决了传统文件管理只能按文件名或标签查找的局限，让你可以直接搜索“跳跃的猫”或“夕阳下的海滩”等具体画面内容，甚至支持用一张图片作为线索来寻找相似图。\n\n这款工具特别适合注重隐私的开发者、设计师以及需要在海量本地素材库中高效检索的研究人员。其核心亮点在于完全本地化运行，利用 node-mlx 框架调用 CLIP 模型计算图片特征向量，并将索引存储为轻量级的二进制文件。这意味着你的照片数据永远留在自己的设备上，安全且可控。\n\n目前 sisi 对搭载 Apple Silicon 芯片的 Mac 提供 GPU 加速支持，同时也兼容 x64 Mac 和 Linux 系统。虽然在无 GPU 环境下初次建立索引可能需要较长时间，但一旦完成，后续针对新增图片的更新和数十万量级的图片搜索都能瞬间完成。如果你习惯使用终端操作，并希望在不联网的情况下智能管理本地图片库，sisi 是一个值得尝试的开源选择。","# Semantic Image Search CLI (sisi)\n\nCLI tool for semantic image search, locally without using third party APIs.\n\nPowered by [node-mlx](https:\u002F\u002Fgithub.com\u002Ffrost-beta\u002Fnode-mlx), a machine\nlearning framework for Node.js.\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F66e6e437-c27b-48cf-80cc-a5a0c8c0bdfb\n\n## Supported platforms\n\nGPU support:\n\n* Macs with Apple Silicon\n\nCPU support:\n\n* x64 Macs\n* x64\u002Farm64 Linux\n\n(No support for Windows yet, but I might try to make MLX work on it in future)\n\nFor platforms without GPU support, the index command will be much slower, and\nwill take many hours indexing tens of thousands of images. The index is only\nbuilt for new and modified files, so once your have done the initial building,\nupdating index for new images will be much easier.\n\n## Usage\n\nInstall:\n\n```console\nnpm install -g @frost-beta\u002Fsisi\n```\n\nCLI:\n\n```console\n━━━ Semantic Image Search CLI - 0.0.1-dev ━━━━━━━━━━━━━━━━\n\n  $ sisi \u003Ccommand>\n\n━━━ General commands ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━\n\n  sisi index \u003Ctarget>\n    Build or update index for images under target directory.\n\n  sisi list-index\n    List the directories in the index.\n\n  sisi remove-index \u003Ctarget>\n    Remove index for all items under target directory.\n\n  sisi search [--in #0] [--max #0] [--print] \u003Cquery>\n    Search the query string from indexed images.\n```\n\n## Examples\n\nBuild index for `~\u002FPictures\u002F`:\n\n```console\nsisi index ~\u002FPictures\u002F\n```\n\nSearch pictures from all indexed images:\n\n```console\nsisi search 'cat jumping'\n```\n\nSearch from the `~\u002FPictures\u002F` directory:\n\n```console\nsisi search cat --in ~\u002FPictures\u002F\n```\n\nSearch images with image:\n\n```console\nsisi search https:\u002F\u002Fimages.pexels.com\u002Fphotos\u002F45201\u002Fkitty-cat-kitten-pet-45201.jpeg\n```\n\nIt works with local files too:\n\n```console\nsisi search file:\u002F\u002F\u002FUsers\u002FYour\u002FPictures\u002Fcat.jpg\n```\n\n## Under the hood\n\nThe index is built by computing the embeddings of images using the [CLIP\nmodel](https:\u002F\u002Fgithub.com\u002Fopenai\u002FCLIP), and then stored in a binary JSON file.\n\nSearching the images is computing cosine similarities between the query string\nand the indexed embeddings. There is no database involved here, everytime you do\na search the computation is done for all the embeddings stored, which is very\nfast even when you have tens of thousands of pictures.\n\nThe JavaScript implementation of the CLIP model is in a separate module:\n[frost-beta\u002Fclip](https:\u002F\u002Fgithub.com\u002Ffrost-beta\u002Fclip).\n\n## License\n\nMIT\n","# 语义图像搜索命令行工具 (sisi)\n\n用于本地进行语义图像搜索的命令行工具，无需使用第三方 API。\n\n由 [node-mlx](https:\u002F\u002Fgithub.com\u002Ffrost-beta\u002Fnode-mlx) 提供支持，这是一个适用于 Node.js 的机器学习框架。\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F66e6e437-c27b-48cf-80cc-a5a0c8c0bdfb\n\n## 支持的平台\n\nGPU 支持：\n\n* 搭载 Apple Silicon 芯片的 Mac 电脑\n\nCPU 支持：\n\n* x64 架构的 Mac 电脑\n* x64 或 arm64 架构的 Linux 系统\n\n（目前暂不支持 Windows，但我可能会在未来尝试让 MLX 在 Windows 上运行）\n\n对于不支持 GPU 的平台，`index` 命令的速度会非常慢，索引数万张图片可能需要耗费数小时。不过，索引只会为新增或修改过的文件构建，因此在完成初始构建后，后续更新新图片的索引将会容易得多。\n\n## 使用方法\n\n安装：\n\n```console\nnpm install -g @frost-beta\u002Fsisi\n```\n\nCLI：\n\n```console\n━━━ 语义图像搜索命令行工具 - 0.0.1-dev ━━━━━━━━━━━━━━━━\n\n  $ sisi \u003Ccommand>\n\n━━━ 通用命令 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━\n\n  sisi index \u003Ctarget>\n    为目标目录下的图片构建或更新索引。\n\n  sisi list-index\n    列出索引中的目录。\n\n  sisi remove-index \u003Ctarget>\n    移除目标目录下所有项目的索引。\n\n  sisi search [--in #0] [--max #0] [--print] \u003Cquery>\n    从已索引的图片中搜索查询字符串。\n```\n\n## 示例\n\n为 `~\u002FPictures\u002F` 目录构建索引：\n\n```console\nsisi index ~\u002FPictures\u002F\n```\n\n从所有已索引的图片中搜索：\n\n```console\nsisi search 'cat jumping'\n```\n\n仅从 `~\u002FPictures\u002F` 目录中搜索：\n\n```console\nsisi search cat --in ~\u002FPictures\u002F\n```\n\n使用图片进行搜索：\n\n```console\nsisi search https:\u002F\u002Fimages.pexels.com\u002Fphotos\u002F45201\u002Fkitty-cat-kitten-pet-45201.jpeg\n```\n\n也可以使用本地文件：\n\n```console\nsisi search file:\u002F\u002F\u002FUsers\u002FYour\u002FPictures\u002Fcat.jpg\n```\n\n## 内部原理\n\n索引是通过使用 [CLIP 模型](https:\u002F\u002Fgithub.com\u002Fopenai\u002FCLIP) 计算图片的嵌入向量来构建的，然后将这些向量存储在一个二进制 JSON 文件中。\n\n搜索过程则是计算查询字符串与已索引嵌入向量之间的余弦相似度。这里并不涉及数据库，每次搜索都会对所有存储的嵌入向量进行计算，即使有数万张图片，速度也非常快。\n\nCLIP 模型的 JavaScript 实现位于一个独立的模块中：[frost-beta\u002Fclip](https:\u002F\u002Fgithub.com\u002Ffrost-beta\u002Fclip)。\n\n## 许可证\n\nMIT","# sisi 快速上手指南\n\nsisi 是一个基于命令行的语义图像搜索工具，支持在本地运行，无需调用第三方 API。它利用 Node.js 机器学习框架 `node-mlx` 和 CLIP 模型，通过计算图像嵌入向量实现高效的图片检索。\n\n## 环境准备\n\n### 系统要求\nsisi 对不同硬件架构的支持情况如下：\n\n*   **GPU 加速（推荐）**：仅限搭载 Apple Silicon 芯片的 Mac。\n*   **CPU 运行**：\n    *   x64 架构 Mac\n    *   x64 或 arm64 架构 Linux\n*   **不支持**：Windows（目前暂不支持）。\n\n> **注意**：在非 GPU 支持的平台上，初次构建索引（indexing）速度会较慢，处理数万张图片可能需要数小时。但索引仅针对新增或修改的文件进行增量更新，初次构建完成后，后续更新将非常迅速。\n\n### 前置依赖\n*   **Node.js**：请确保已安装较新版本的 Node.js（建议 v18+），以兼容 `node-mlx` 框架。\n\n## 安装步骤\n\n使用 npm 全局安装 sisi：\n\n```console\nnpm install -g @frost-beta\u002Fsisi\n```\n\n> **国内加速提示**：如果下载速度较慢，可配置淘宝镜像源后安装：\n> ```console\n> npm config set registry https:\u002F\u002Fregistry.npmmirror.com\n> npm install -g @frost-beta\u002Fsisi\n> ```\n\n安装完成后，可通过以下命令验证版本：\n\n```console\nsisi --help\n```\n\n## 基本使用\n\n### 1. 构建图像索引\n首先需要对包含图片的目录建立索引。以下命令将为 `~\u002FPictures\u002F` 目录下的所有图片生成嵌入向量并建立索引：\n\n```console\nsisi index ~\u002FPictures\u002F\n```\n\n### 2. 执行语义搜索\n索引构建完成后，即可使用自然语言描述进行搜索。\n\n**示例 A：在所有已索引的图片中搜索**\n查找包含“跳跃的猫”的图片：\n\n```console\nsisi search 'cat jumping'\n```\n\n**示例 B：指定目录搜索**\n仅在 `~\u002FPictures\u002F` 目录下搜索包含\"cat\"的图片：\n\n```console\nsisi search cat --in ~\u002FPictures\u002F\n```\n\n**示例 C：以图搜图**\n支持通过图片 URL 或本地文件路径作为查询条件：\n\n```console\n# 使用网络图片链接\nsisi search https:\u002F\u002Fimages.pexels.com\u002Fphotos\u002F45201\u002Fkitty-cat-kitten-pet-45201.jpeg\n\n# 使用本地图片文件\nsisi search file:\u002F\u002F\u002FUsers\u002FYour\u002FPictures\u002Fcat.jpg\n```\n\n### 其他常用命令\n*   查看已索引的目录列表：\n    ```console\n    sisi list-index\n    ```\n*   移除指定目录的索引：\n    ```console\n    sisi remove-index \u003Ctarget>\n    ```","一位独立摄影师需要在本地数万张未标记的素材库中，快速找出符合特定动作或氛围的照片用于新项目。\n\n### 没有 sisi 时\n- **检索效率极低**：只能依靠文件名或手动翻阅文件夹，面对“跳跃的猫”这种语义需求时完全无从下手。\n- **依赖人工打标**：若要实现精准查找，必须预先花费数小时为每张图片编写描述性元数据，维护成本高昂。\n- **隐私与网络限制**：无法使用在线 AI 搜图服务，担心客户原稿上传至第三方服务器造成泄露，且离线环境下毫无解决办法。\n- **跨设备同步困难**：不同项目文件夹分散在硬盘各处，无法一次性全局搜索，容易遗漏最佳素材。\n\n### 使用 sisi 后\n- **自然语言秒级定位**：直接运行 `sisi search 'cat jumping'`，工具利用 CLIP 模型理解语义，瞬间从海量图片中锁定目标。\n- **零手动标注成本**：只需执行一次 `sisi index` 自动计算图像特征向量，无需人工干预即可建立智能索引。\n- **纯本地安全运行**：基于 node-mlx 在本地 Apple Silicon 或 Linux 设备上完成所有计算，数据不出内网，彻底杜绝隐私风险。\n- **灵活的多源搜索**：支持用文字、甚至直接用一张参考图（如 `sisi search cat.jpg`）作为查询条件，轻松跨越文件夹边界全局查找。\n\nsisi 将原本需要数天人工整理的找图工作压缩为几秒钟的命令行操作，让本地图片库拥有了媲美云端大厂的智能检索能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffrost-beta_sisi_0e78fb3a.png","frost-beta","Frost Beta","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffrost-beta_8bd8f8a2.png","For a breath I tarry.",null,"https:\u002F\u002Fgithub.com\u002Ffrost-beta",[79,83],{"name":80,"color":81,"percentage":82},"TypeScript","#3178c6",86.4,{"name":84,"color":85,"percentage":86},"JavaScript","#f1e05a",13.6,578,20,"2026-04-01T01:59:53","MIT","macOS, Linux","非必需。仅在 Apple Silicon (M1\u002FM2\u002FM3) Mac 上支持 GPU 加速；x64 Mac 和 Linux (x64\u002Farm64) 仅支持 CPU 运行，速度较慢。不支持 Windows。","未说明",{"notes":95,"python":96,"dependencies":97},"该工具基于 Node.js (使用 node-mlx 框架)，无需 Python 环境。目前不支持 Windows。在无 GPU 支持的平台上，首次建立索引（尤其是数万张图片）可能需要数小时，但后续增量更新较快。搜索过程通过计算余弦相似度完成，无需数据库。","不需要 (基于 Node.js)",[98,99],"node-mlx","@frost-beta\u002Fclip",[15,35],[102,103,104],"mlx","maching-learning","nodejs","2026-03-27T02:49:30.150509","2026-04-18T22:35:29.876834",[108,113],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},40473,"运行 Sisi 时需要什么版本的 Node.js？","该工具需要 Node.js >= 22 版本才能运行。如果遇到类似 'SyntaxError: Unexpected token '??='' 的错误，通常是因为使用的 Node.js 版本过低（如 v14），请升级至最新 LTS 版本。","https:\u002F\u002Fgithub.com\u002Ffrost-beta\u002Fsisi\u002Fissues\u002F5",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},40474,"Sisi 支持搜索视频文件吗？","不支持。Sisi 目前仅支持图片搜索，官方明确表示目前没有支持视频的计划。","https:\u002F\u002Fgithub.com\u002Ffrost-beta\u002Fsisi\u002Fissues\u002F3",[]]