[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-geektutu--interview-questions":3,"tool-geektutu--interview-questions":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",140436,2,"2026-04-05T23:32:43",[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":70,"quickstart_zh":71,"use_case_zh":72,"hero_image_url":73,"owner_login":74,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":79,"owner_email":80,"owner_twitter":77,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":77,"difficulty_score":95,"env_os":96,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":101,"github_topics":102,"view_count":23,"oss_zip_url":77,"oss_zip_packed_at":77,"status":16,"created_at":107,"updated_at":108,"faqs":109,"releases":110},2204,"geektutu\u002Finterview-questions","interview-questions","机器学习\u002F深度学习\u002FPython\u002FGo语言面试题笔试题(Machine learning Deep Learning Python and Golang Interview Questions)","interview-questions 是一个专注于技术面试准备的开源题库，汇集了机器学习、深度学习、Python 及 Go 语言领域的经典笔试与面试题。它旨在解决求职者在备战大厂技术岗时，面临知识点分散、缺乏高质量实战演练题目以及难以把握考察重点的痛点。\n\n这套资源特别适合正在寻找算法工程师、后端开发或人工智能相关岗位的开发者，同时也适用于希望系统梳理专业知识的研究人员和学生。内容不仅涵盖基础语法，更深入到并发编程、模型原理等核心领域。其独特亮点在于采用了“题目 + 深度解析”的模式：除了提供选择题和问答题外，还附带了详尽的答案推导与原理解释（如过拟合成因、交叉验证流程等），帮助使用者知其然更知其所以然。此外，题库持续更新并整理了来自卡内基梅隆大学（CMU）及吴恩达课程等权威来源的题目，确保了内容的专业度与前瞻性，是提升技术面试竞争力的实用助手。","# 机器学习&编程面试笔试题\n\n## 序言\n\n持续整理、更新Python、机器学习(Machine Learning)、深度学习(Deep Learning)领域的面试笔试题(interview questions)。\n\n声明：所有习题系博主花费大量精力整理，请尊重劳动成果，未经许可，禁止原文转载。\n\n## 目录\n\n### 机器学习\n\n- [机器学习面试题 01-10](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fqa-ml-1.html)，[md](qa-ml\u002Fqa-ml-1.md)\n- [机器学习面试题 11-20](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fqa-ml-2.html)，[md](qa-ml\u002Fqa-ml-2.md)\n\n### Go 语言\n\n- [Go 语言笔试面试题(基础语法)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fqa-golang-1.html)\n- [Go 语言笔试面试题(实现原理)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fqa-golang-2.html)\n- [Go 语言笔试面试题(并发编程)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fqa-golang-3.html)\n- [Go 语言笔试面试题(代码输出)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fqa-golang-c1.html)\n\n## 相关链接\n\n- [知乎专栏](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fgeektutu)\n- [Go 语言笔试面试题](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fqa-golang.html)\n- [机器学习笔试面试题](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fqa-ml.html)，[Github](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Finterview-questions)\n- [TensorFlow 2.0 中文文档](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftf2doc.html)，[Github](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow2-docs-zh)\n- [TensorFlow 2.0 图像识别&强化学习实战](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow2-mnist-cnn.html)，[Github](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples)\n\n## 选择题示例\n\n使用决策树分类时，如果输入的某个特征的值是连续的，通常使用二分法对连续属性离散化，即根据是否大于\u002F小于某个阈值进行划分。如果采用多路划分，每个出现的值都划分为一个分支，这种方式的最大问题是：\n\n- A 计算量太大\n- B 训练集和测试集表现都很差\n- C 训练集表现良好，测试集表现差\n- D 训练集表现差，测试集表现良好\n\n\u003Cdetails>\n\u003Csummary>答案\u003C\u002Fsummary>\n\u003Cdiv>\n\n**C** 连续值通常采用二分法，离散特征通常采用多路划分的方法，但分支数不宜过多。\n连续特征每个值都划分为一个分支，容易过拟合，泛化能力差，导致训练集表现好，测试集表现差。\n\u003C\u002Fdiv>\n\u003C\u002Fdetails>\n\n\n对神经网络(neural network)而言，哪一项对过拟合(overfitting)和欠拟合(underfitting)影响最大。\n\n- A 隐藏层节点(hidden nodes)数量\n- B 学习速率(learning rate)\n- C 初始权重\n- D 每一次训练的输入个数固定\n\n\u003Cdetails>\n\u003Csummary>答案\u003C\u002Fsummary>\n\u003Cdiv>\n\n**A** 过拟合和欠拟合与神经网络的复杂程度有关，模型越大越容易过拟合。隐藏层节点数量直接决定了模型的大小与复杂程度。\n\u003C\u002Fdiv>\n\u003C\u002Fdetails>\n\n## 问答题示例\n\n经验误差(empirical error)与泛化误差(generalization error)分别指？\n\n\u003Cdetails>\n\u003Csummary>答案\u003C\u002Fsummary>\n\u003Cdiv>\n经验误差: 也叫训练误差(training error)，模型在训练集上的误差。\n泛化误差: 模型在新样本集(测试集)上的误差。\n\u003C\u002Fdiv>\n\u003C\u002Fdetails>\n\n简述 K折交叉验证(k-fold crossValidation)。\n\n\u003Cdetails>\n\u003Csummary>答案\u003C\u002Fsummary>\n\u003Cdiv>\n- 数据集大小为N，分成K份，则每份含有样本N\u002FK个。每次选择其中1份作为测试集，另外K-1份作为训练集，共K种情况。\n- 在每种情况中，训练集训练模型，用测试集测试模型，计算模型的泛化误差。\n- 将K种情况下，模型的泛化误差取均值，得到模型最终的泛化误差。\n\u003C\u002Fdiv>\n\u003C\u002Fdetails>\n\n## 附：题目主要来源\n\n- [Machine Learning exam - CMU](http:\u002F\u002Fwww.cs.cmu.edu\u002F~tom\u002F10701_sp11\u002Fprev.shtml)\n- [Andrew Ng - coursera](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning)","# interview-questions 快速上手指南\n\n本仓库整理了 Python、机器学习、深度学习及 Go 语言领域的面试笔试题，包含选择题与问答题，适合求职者复习与技术面试准备。由于本项目主要为文档与题库集合，无需复杂的环境配置或编译安装。\n\n## 环境准备\n\n本项目无特殊系统要求或前置依赖，仅需满足以下条件即可阅读和使用：\n\n- **操作系统**：Windows \u002F macOS \u002F Linux 均可\n- **必要工具**：\n  - Web 浏览器（用于访问在线文档）\n  - Markdown 阅读器（可选，用于本地查看 `.md` 文件）\n  - Git（用于克隆仓库到本地）\n\n## 安装步骤\n\n你可以通过以下两种方式获取题库内容：\n\n### 方式一：在线浏览（推荐）\n直接访问作者整理的在线文档，阅读体验更佳：\n- [机器学习面试题汇总](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fqa-ml.html)\n- [Go 语言笔试面试题汇总](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fqa-golang.html)\n\n### 方式二：本地克隆\n若需离线阅读或贡献内容，可使用 Git 克隆仓库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Finterview-questions.git\ncd interview-questions\n```\n\n> **提示**：国内用户若遇到克隆速度慢的问题，可使用 Gitee 镜像（如有）或配置 Git 代理加速。\n\n## 基本使用\n\n### 1. 在线查阅\n点击上述“在线浏览”链接，按目录选择对应主题（如“机器学习面试题 01-10\"），直接在浏览器中阅读题目与解析。\n\n### 2. 本地查看\n克隆仓库后，进入对应目录查看 Markdown 源文件。例如，查看机器学习第一部分题目：\n\n```bash\ncat qa-ml\u002Fqa-ml-1.md\n```\n\n或使用任意 Markdown 编辑器（如 VS Code、Typora）打开 `.md` 文件进行阅读。\n\n### 3. 示例题目交互\n在支持 HTML 渲染的编辑器或浏览器中打开文件，可点击 `\u003Cdetails>` 标签展开查看答案。例如：\n\n**题目**：经验误差 (empirical error) 与泛化误差 (generalization error) 分别指？\n\n\u003Cdetails>\n\u003Csummary>点击查看答案\u003C\u002Fsummary>\n\u003Cdiv>\n经验误差：也叫训练误差 (training error)，模型在训练集上的误差。\u003Cbr>\n泛化误差：模型在新样本集 (测试集) 上的误差。\n\u003C\u002Fdiv>\n\u003C\u002Fdetails>","某高校计算机专业应届生小李正在备战一线大厂的算法工程师岗位，面对海量且分散的复习范围感到无从下手。\n\n### 没有 interview-questions 时\n- **资料搜集低效**：需要在知乎、博客、GitHub 等多个平台碎片化搜索面试题，耗费大量时间筛选高质量内容。\n- **知识盲区难除**：对“过拟合与欠拟合”、“交叉验证”等核心概念的理解仅停留在表面，缺乏系统性的问答梳理来查漏补缺。\n- **实战模拟缺失**：缺少涵盖机器学习原理与 Go\u002FPython 代码实现的综合题库，难以模拟真实的笔试环境进行自测。\n- **答案深度不足**：网上找到的答案往往只有结论没有解析，无法理解如“连续特征离散化为何会导致过拟合”背后的逻辑。\n\n### 使用 interview-questions 后\n- **一站式备考**：直接利用整理好的机器学习、深度学习及 Go\u002FPython 专项题库，快速覆盖从基础语法到并发编程的核心考点。\n- **概念深度掌握**：通过详细的问答题解析（如 K 折交叉验证的具体步骤），彻底厘清经验误差与泛化误差等易混概念。\n- **全真模拟训练**：结合选择题与代码输出题进行限时自测，精准识别自己在模型复杂度控制或语言特性上的薄弱环节。\n- **知其更知所以然**：每道题均附带原理解析，不仅知道选\"C\"，更明白连续值多路划分导致泛化能力差的根本原因。\n\ninterview-questions 将零散的面试知识点体系化，帮助求职者从盲目刷题转向针对性突破，显著提升备战效率与通过率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgeektutu_interview-questions_09934b9e.png","geektutu","Dai Jie","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgeektutu_1bf1189f.jpg",null,"Fudan University","Shanghai,China","gzdaijie@gmail.com","https:\u002F\u002Fgeektutu.com","https:\u002F\u002Fgithub.com\u002Fgeektutu",[84,88],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",98.5,{"name":89,"color":90,"percentage":91},"Python","#3572A5",1.5,1149,210,"2026-04-03T07:19:25",1,"","未说明",{"notes":99,"python":97,"dependencies":100},"该项目为机器学习与编程面试题库的文档集合（Markdown 格式及在线文章），并非可执行的软件工具或模型代码，因此无需特定的操作系统、GPU、内存或 Python 依赖环境。用户可直接通过浏览器访问链接或阅读 Markdown 文件进行学习。",[],[13],[103,67,104,105,106],"machine-learning","deep-learning","python","golang","2026-03-27T02:49:30.150509","2026-04-06T08:42:04.378607",[],[]]