[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-genieincodebottle--generative-ai":3,"tool-genieincodebottle--generative-ai":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",148568,2,"2026-04-09T23:34:24",[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。",108111,"2026-04-08T11:23:26",[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":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":77,"owner_email":76,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":112,"env_os":113,"env_gpu":114,"env_ram":113,"env_deps":115,"category_tags":119,"github_topics":121,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":141,"updated_at":142,"faqs":143,"releases":144},6082,"genieincodebottle\u002Fgenerative-ai","generative-ai","Comprehensive resources on Generative AI, including a detailed roadmap, projects, use cases, interview preparation, and coding preparation.","generative-ai 是一个专为生成式人工智能（GenAI）学习者打造的一站式开源资源库。它致力于解决初学者和从业者在面对海量且碎片化的 AI 知识时，难以构建系统学习路径、缺乏实战项目参考以及面试准备不足等痛点。\n\n无论是希望入门 AI 的学生、寻求技术突破的开发者，还是准备求职面试的专业人士，都能在这里找到适合自己的内容。资源库不仅提供了从基础概念到高级架构的详细学习路线图，还涵盖了向量嵌入、提示词工程、RAG 架构决策流等核心技术指南。此外，针对 AWS、Azure 和 Google Cloud 等主流云平台的落地实施方案，帮助用户轻松跨越理论与实践的鸿沟。\n\n其独特亮点在于将枯燥的技术文档与生动的可视化教学相结合，并配套了丰富的真实世界项目案例和专门的面试问答集锦。通过结构化的知识体系，generative-ai 让用户能够循序渐进地掌握从大语言模型原理到 MLOps 部署的全流程技能，是探索生成式 AI 领域不可或缺的实用助手。","\u003Cdiv align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fwww.instagram.com\u002Fgenieincodebottle\u002F\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgenieincodebottle_generative-ai_readme_cd4ca79e9a00.png\">\u003C\u002Fa>\n\u003C\u002Fdiv>\n\u003Cbr\u002F>\n\u003Cdiv align=\"center\">\n   \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fwww.youtube.com\u002F@genieincodebottle\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-11.5K-blue\">\u003C\u002Fa> \n   \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fgithub.com\u002Fgenieincodebottle\u002Fgenerative-ai\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fgenieincodebottle\u002Fgenerative-ai\">\u003C\u002Fa> \n   \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Frajesh-srivastava\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fstyle--5eba00.svg?label=LinkedIn&logo=linkedin&style=social\">\u003C\u002Fa> \n   \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fwww.instagram.com\u002Fgenieincodebottle\u002F\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F55.5K-C13584?style=round-square&labelColor=C13584&logo=instagram&logoColor=white&link=https:\u002F\u002Fwww.instagram.com\u002Feduardopiresbr\u002F\">\u003C\u002Fa> \n   \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fmedium.com\u002F@raj-srivastava\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FMedium-12100E?style=round-square&style=for-the-badge&logo=medium\">\u003C\u002Fa> \n    \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fx.com\u002Fzero2nn\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Furl\u002Fhttps\u002Ftwitter.com\u002Fcloudposse.svg?style=social&label=%20%40zero2nn\">\u003C\u002Fa>\n\u003C\u002Fdiv>\n\u003Cbr>\n\n## 🎯 Learn AI\u002FML Interactively\n\nI built **[AI-ML Companion](https:\u002F\u002Faimlcompanion.ai)** - every AI, ML, GenAI and Agentic AI concept covered here, taught visually with animated diagrams, quizzes, and hands-on Python.\n\n**260+ modules • 20 tracks • 9 real-world projects • 11 tracks free to start**\n\n[![Try AI-ML Companion](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FTry%20AI--ML%20Companion-Live%20App-blue?style=for-the-badge)](https:\u002F\u002Faimlcompanion.ai)\n\n\u003Cbr>\nYour go-to hub for end-to-end GenAI learning. ⭐ Star this repo to stay updated with the latest GenAI resources :)\n\n## 📚 Table of Contents\n- [Documentation & Learning Resources](#-documentation--learning-resources)\n- [Practical Use Cases & Projects](#-practical-use-cases--projects)\n\n---\n\n## 📖 Documentation & Learning Resources\n\n### 🎯 Getting Started\n- **[GenAI Roadmap](.\u002FGenAI_Roadmap.md)** - Your complete learning path for GenAI\n- **[AI\u002FML Roadmap](.\u002Fdocs\u002Fai_ml_roadmap.pdf)** - Comprehensive AI\u002FML learning guide\n- **[AI-ML Companion](https:\u002F\u002Faimlcompanion.ai\u002F)** - Interactive AI\u002FML learning platform with 17 tracks, 250+ modules, visualizations, quizzes, and hands-on coding (ML fundamentals → LLMs → MLOps)\n- **[Essential GenAI Terms](.\u002Fdocs\u002Fessential-terms-genai.pdf)** - Key terminology and concepts\n- **[LLM Fundamentals](.\u002Fdocs\u002Fllm_fundamentals.pdf)** - Core concepts of Large Language Models\n\n### 🧠 Core Concepts & Guides\n- **[Vector Embeddings Guide](.\u002Fdocs\u002Fvector-embeddings-guide.pdf)** - Understanding vector representations\n- **[Prompt Engineering](.\u002Fdocs\u002Fprompt_engineering.ipynb)** - Crafting effective prompts\n- **[AI Patterns](.\u002Fdocs\u002Fai-patterns.pdf)** - Top 25 AI design patterns\n- **[ML Reference Guide](.\u002Fdocs\u002Fml-reference-guide.pdf)** - Machine learning reference\n\n### 🏗️ Architecture & Technical Stack\n- **[GenAI Tech Stacks](.\u002Fdocs\u002Fgenai-tech-stacks.pdf)** - Technology stack overview\n- **[LLM Providers](.\u002Fdocs\u002Fllm_providers.pdf)** - Comparison of LLM providers\n- **[Advanced RAG Decision Flow](.\u002Fdocs\u002Fadvance-rag-decision-flow-chart.pdf)** - RAG architecture guide\n- **[GenAI Project Lifecycle](.\u002Fdocs\u002Fgenai-project-lifecycle.pdf)** - End-to-end project guide\n\n### ☁️ Cloud Platform Guides\n- **[GenAI on AWS](.\u002Fdocs\u002Fgenai-with-aws-cloud.pdf)** - AWS implementation | [GitHub](https:\u002F\u002Fgithub.com\u002Fgenieincodebottle\u002Frag-app-on-aws) | [YouTube](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=x2P4Ee6PYNg)\n- **[GenAI on Azure](.\u002Fdocs\u002Fgenai-with-azure-cloud.pdf)** - Azure implementation guide\n- **[GenAI on VertexAI](.\u002Fdocs\u002Fgenai-with-vertexai.pdf)** - Google Cloud Vertex AI guide\n\n### 💼 Career & Interview Preparation\n- **[GenAI Interview Q&A](.\u002Fdocs\u002Fgenai-interview-questions.pdf)** - Common interview questions\n- **[Agentic AI Interview Q&A](.\u002Fdocs\u002Fagentic-ai-interview-questions.pdf)** - Agent-specific interview prep\n- **[90+ Multi-Agentic AI Interview Q&A](.\u002Fdocs\u002Fmulti-agentic-interview-qna-latest.pdf)** - Multi-Agentic specific interview prep\n- **[AI Roles & Important Topics](.\u002Fdocs\u002Fai-roles-important-topics.pdf)** - Career paths and topics\n\n### 🚀 Production & Enterprise\n- **[GenAI Enterprise Production Checklist](.\u002Fdocs\u002Fgenai_enterprise_prod_check_list.pdf)** - Production readiness guide\n\n---\n\n## 🛠️ Practical Use Cases & Projects\n\n### 🔍 Retrieval-Augmented Generation (RAG)\n- **[Advanced RAG](.\u002Fgenai-usecases\u002Fadvance-rag\u002F)** - Comprehensive RAG techniques including agentic, graph, multimodal, and 9 advanced patterns (corrective RAG, hybrid search, query expansion, etc.)\n- **[Cache-Augmented Generation](.\u002Fgenai-usecases\u002Fcache_augmented_generation\u002F)** - Alternative to RAG using context caching for faster responses\n\n### 🤖 Agentic AI & Orchestration\n- **[Agentic AI](.\u002Fgenai-usecases\u002Fagentic-ai\u002F)** - Multi-agent systems with CrewAI & LangGraph frameworks\n- **[AI Patterns](.\u002Fgenai-usecases\u002Fai-patterns\u002F)** - 25 advanced reasoning patterns (Chain-of-Thought, ReAct, Tree-of-Thought, Meta-Prompting, etc.)\n- **[MCP - Model Context Protocol](.\u002Fgenai-usecases\u002Fmcp\u002F)** - Standard protocol for LLM tool interoperability with web search\n- **[Multi-Agentic Prod Grade Content Moderation System](.\u002Fgenai-usecases\u002Fcontent-moderation-system\u002F)** - AI-Powered Multi-Agentic Content Moderation System with React Frontend\n- **[Handling Latency in Multi-Agentic System](.\u002Fdocs\u002Fhandling-latency-in-multi-agentic-systems.pdf)** - How to handle Latency in Multi-Agentic System \n\n### 💬 Conversational AI\n- **[Chatbot with Memory](.\u002Fgenai-usecases\u002Fchatbot-with-memory\u002F)** - PDF chatbot using local models with persistent conversation memory\n- **[Conversational Analytics](.\u002Fgenai-usecases\u002Fconversational-analytics\u002F)** - Full-stack app analyzing customer feedback (React + FastAPI + PostgreSQL)\n\n### 🔧 LLM Providers & Tools\n- **[LLM Providers](.\u002Fgenai-usecases\u002Fllm-providers\u002F)** - Compare OpenAI, Gemini, Claude, Groq + local models (Ollama, HuggingFace)\n- **[Embedding Models](.\u002Fgenai-usecases\u002Fembedding-models\u002F)** - Guide to vector embeddings with Google, OpenAI, and HuggingFace\n\n### 📊 Data & Analytics Applications\n- **[Text-to-SQL](.\u002Fgenai-usecases\u002Ftext-to-sql\u002F)** - Convert natural language to SQL queries with visualization\n- **[Graph Q&A](.\u002Fgenai-usecases\u002Fgraph-qa\u002F)** - Query Neo4j graph databases using natural language\n- **[Sentiment Analysis](.\u002Fgenai-usecases\u002Fsentiment-analysis\u002F)** - Analyze customer call transcripts for sentiment and aggressiveness\n- **[Your AI Chat Analytics](.\u002Fgenai-usecases\u002Fyour_ai_chat_analytics\u002F)** - Chat analytics dashboard\n\n### 🎨 Prompt Engineering & Security\n- **[Prompt Engineering](.\u002Fgenai-usecases\u002Fprompt-engineering\u002F)** - 16+ techniques from basics to APE (Automatic Prompt Engineer)\n- **[Prompt Guard](.\u002Fgenai-usecases\u002Fprompt-guard\u002F)** - Detect prompt injections and jailbreak attempts using Meta's Llama Guard\n\n### 🖼️ Multimodal & Specialized\n- **[Gemini Nano Banana](.\u002Fgenai-usecases\u002Fgemini-nano-banana\u002F)** - Text-to-image generation with Gemini 2.5 Flash\n- **[Llama 4 Multi-Function App](.\u002Fgenai-usecases\u002Fllama-4-multi-function-app\u002F)** - All-in-one app: chat, OCR, RAG, and agentic AI\n\n### ⚡ Automation\n- **[n8n Automation](.\u002Fgenai-usecases\u002Fn8n-automation\u002F)** - Setup and usage guide for n8n workflow automation platform\n\n---\n\n### 🔗 Quick Access Links\n| Category | Resources |\n|----------|-----------|\n| **Learning Platform** | [AI-ML Companion](https:\u002F\u002Faimlcompanion.ai\u002F) — Interactive AI\u002FML learning with 17 tracks, 250+ modules, quizzes & coding |\n| **Learning Path** | [GenAI Roadmap](.\u002FGenAI_Roadmap.md) • [AI\u002FML Roadmap](.\u002Fdocs\u002Fai_ml_roadmap.pdf) |\n| **Fundamentals** | [Essential Terms](.\u002Fdocs\u002Fessential-terms-genai.pdf) • [LLM Fundamentals](.\u002Fdocs\u002Fllm_fundamentals.pdf) • [Embeddings Guide](.\u002Fdocs\u002Fvector-embeddings-guide.pdf) |\n| **Cloud Platforms** | [AWS](.\u002Fdocs\u002Fgenai-with-aws-cloud.pdf) • [Azure](.\u002Fdocs\u002Fgenai-with-azure-cloud.pdf) • [VertexAI](.\u002Fdocs\u002Fgenai-with-vertexai.pdf) |\n| **Interview Prep** | [GenAI Q&A](.\u002Fdocs\u002Fgenai-interview-questions.pdf) • [Agentic AI Q&A](.\u002Fdocs\u002Fagentic-ai-interview-questions.pdf) |\n| **Popular Projects** | [Advanced RAG](.\u002Fgenai-usecases\u002Fadvance-rag\u002F) • [Agentic AI](.\u002Fgenai-usecases\u002Fagentic-ai\u002F) • [Text-to-SQL](.\u002Fgenai-usecases\u002Ftext-to-sql\u002F) |\n\n\u003Chr>\n\n## 🤝 Contributing\n\nContributions are welcome. To add useful resources or code:\n\n1. Fork this repo\n\n2. Clone it\n   ```\n   git clone https:\u002F\u002Fgithub.com\u002Fgenieincodebottle\u002Fgenerative-ai.git\n   ```\n3. Create a branch\n   ```\n   git checkout -b feature-name\n   ```\n4. Make changes and commit\n   ```\n   git commit -m \"Your message\"\n   ```\n5. Push your branch\n   ```\n   git push origin feature-name\n   ```\n6. Open a Pull Request with a brief description of your changes.\n","\u003Cdiv align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fwww.instagram.com\u002Fgenieincodebottle\u002F\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgenieincodebottle_generative-ai_readme_cd4ca79e9a00.png\">\u003C\u002Fa>\n\u003C\u002Fdiv>\n\u003Cbr\u002F>\n\u003Cdiv align=\"center\">\n   \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fwww.youtube.com\u002F@genieincodebottle\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FYouTube-11.5K-blue\">\u003C\u002Fa> \n   \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fgithub.com\u002Fgenieincodebottle\u002Fgenerative-ai\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fgenieincodebottle\u002Fgenerative-ai\">\u003C\u002Fa> \n   \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Frajesh-srivastava\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fstyle--5eba00.svg?label=LinkedIn&logo=linkedin&style=social\">\u003C\u002Fa> \n   \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fwww.instagram.com\u002Fgenieincodebottle\u002F\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F55.5K-C13584?style=round-square&labelColor=C13584&logo=instagram&logoColor=white&link=https:\u002F\u002Fwww.instagram.com\u002Feduardopiresbr\u002F\">\u003C\u002Fa> \n   \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fmedium.com\u002F@raj-srivastava\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FMedium-12100E?style=round-square&style=for-the-badge&logo=medium\">\u003C\u002Fa> \n    \u003Ca target=\"_blank\" href=\"https:\u002F\u002Fx.com\u002Fzero2nn\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Furl\u002Fhttps\u002Ftwitter.com\u002Fcloudposse.svg?style=social&label=%20%40zero2nn\">\u003C\u002Fa>\n\u003C\u002Fdiv>\n\u003Cbr>\n\n## 🎯 以互动方式学习 AI\u002FML\n\n我构建了 **[AI-ML Companion](https:\u002F\u002Faimlcompanion.ai)**——这里涵盖了所有 AI、ML、GenAI 和 Agentic AI 的概念，通过动画图表、测验和动手实践的 Python 代码进行直观教学。\n\n**260+ 模块 • 20 条学习路径 • 9 个真实世界项目 • 11 条路径可免费开始**\n\n[![试用 AI-ML Companion](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FTry%20AI--ML%20Companion-Live%20App-blue?style=for-the-badge)](https:\u002F\u002Faimlcompanion.ai)\n\n\u003Cbr>\n这里是您端到端 GenAI 学习的一站式平台。⭐ 请给本仓库加星标，以便及时获取最新的 GenAI 资源 :)\n\n## 📚 目录\n- [文档与学习资源](#-documentation--learning-resources)\n- [实际用例与项目](#-practical-use-cases--projects)\n\n---\n\n## 📖 文档与学习资源\n\n### 🎯 入门\n- **[GenAI 路线图](.\u002FGenAI_Roadmap.md)**——您的 GenAI 完整学习路径\n- **[AI\u002FML 路线图](.\u002Fdocs\u002Fai_ml_roadmap.pdf)**——全面的 AI\u002FML 学习指南\n- **[AI-ML Companion](https:\u002F\u002Faimlcompanion.ai\u002F)**——交互式 AI\u002FML 学习平台，包含 17 条学习路径、250 多个模块、可视化内容、测验以及动手编码（从 ML 基础到 LLM 再到 MLOps）\n- **[GenAI 核心术语](.\u002Fdocs\u002Fessential-terms-genai.pdf)**——关键术语和概念\n- **[LLM 基础](.\u002Fdocs\u002Fllm_fundamentals.pdf)**——大型语言模型的核心概念\n\n### 🧠 核心概念与指南\n- **[向量嵌入指南](.\u002Fdocs\u002Fvector-embeddings-guide.pdf)**——理解向量表示\n- **[提示工程](.\u002Fdocs\u002Fprompt_engineering.ipynb)**——编写有效提示\n- **[AI 设计模式](.\u002Fdocs\u002Fai-patterns.pdf)**——顶级 25 种 AI 设计模式\n- **[ML 参考指南](.\u002Fdocs\u002Fml-reference-guide.pdf)**——机器学习参考手册\n\n### 🏗️ 架构与技术栈\n- **[GenAI 技术栈](.\u002Fdocs\u002Fgenai-tech-stacks.pdf)**——技术栈概览\n- **[LLM 提供商](.\u002Fdocs\u002Fllm_providers.pdf)**——LLM 提供商对比\n- **[高级 RAG 决策流程](.\u002Fdocs\u002Fadvance-rag-decision-flow-chart.pdf)**——RAG 架构指南\n- **[GenAI 项目生命周期](.\u002Fdocs\u002Fgenai-project-lifecycle.pdf)**——端到端项目指南\n\n### ☁️ 云平台指南\n- **[AWS 上的 GenAI](.\u002Fdocs\u002Fgenai-with-aws-cloud.pdf)**——AWS 实现 | [GitHub](https:\u002F\u002Fgithub.com\u002Fgenieincodebottle\u002Frag-app-on-aws) | [YouTube](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=x2P4Ee6PYNg)\n- **[Azure 上的 GenAI](.\u002Fdocs\u002Fgenai-with-azure-cloud.pdf)**——Azure 实施指南\n- **[VertexAI 上的 GenAI](.\u002Fdocs\u002Fgenai-with-vertexai.pdf)**——Google Cloud VertexAI 指南\n\n### 💼 职业与面试准备\n- **[GenAI 面试问答](.\u002Fdocs\u002Fgenai-interview-questions.pdf)**——常见面试问题\n- **[Agentic AI 面试问答](.\u002Fdocs\u002Fagentic-ai-interview-questions.pdf)**——代理相关面试准备\n- **[90+ 多智能体 AI 面试问答](.\u002Fdocs\u002Fmulti-agentic-interview-qna-latest.pdf)**——多智能体特定面试准备\n- **[AI 职位与重要主题](.\u002Fdocs\u002Fai-roles-important-topics.pdf)**——职业发展路径及重点主题\n\n### 🚀 生产与企业应用\n- **[GenAI 企业生产检查清单](.\u002Fdocs\u002Fgenai_enterprise_prod_check_list.pdf)**——生产就绪指南\n\n---\n\n## 🛠️ 实际用例与项目\n\n### 🔍 检索增强生成 (RAG)\n- **[高级 RAG](.\u002Fgenai-usecases\u002Fadvance-rag\u002F)**——全面的 RAG 技术，包括代理式、图结构式、多模态等，以及 9 种高级模式（纠正式 RAG、混合搜索、查询扩展等）\n- **[缓存增强生成](.\u002Fgenai-usecases\u002Fcache_augmented_generation\u002F)**——使用上下文缓存实现更快响应的 RAG 替代方案\n\n### 🤖 代理式 AI 与编排\n- **[Agentic AI](.\u002Fgenai-usecases\u002Fagentic-ai\u002F)**——基于 CrewAI 和 LangGraph 框架的多智能体系统\n- **[AI 模式](.\u002Fgenai-usecases\u002Fai-patterns\u002F)**——25 种高级推理模式（思维链、ReAct、思维树、元提示等）\n- **[MCP - 模型上下文协议](.\u002Fgenai-usecases\u002Fmcp\u002F)**——用于 LLM 工具与网络搜索互操作性的标准协议\n- **[多智能体生产级内容审核系统](.\u002Fgenai-usecases\u002Fcontent-moderation-system\u002F)**——基于 React 前端的 AI 驱动多智能体内容审核系统\n- **[多智能体系统中的延迟处理](.\u002Fdocs\u002Fhandling-latency-in-multi-agentic-systems.pdf)**——如何处理多智能体系统中的延迟\n\n### 💬 对话式 AI\n- **[带记忆的聊天机器人](.\u002Fgenai-usecases\u002Fchatbot-with-memory\u002F)**——使用本地模型并具备持久对话记忆的 PDF 聊天机器人\n- **[对话式分析](.\u002Fgenai-usecases\u002Fconversational-analytics\u002F)**——全栈应用，用于分析客户反馈（React + FastAPI + PostgreSQL）\n\n### 🔧 LLM 提供商与工具\n- **[LLM 提供商](.\u002Fgenai-usecases\u002Fllm-providers\u002F)**——比较 OpenAI、Gemini、Claude、Groq 以及本地模型（Ollama、HuggingFace）\n- **[嵌入模型](.\u002Fgenai-usecases\u002Fembedding-models\u002F)**——关于 Google、OpenAI 和 HuggingFace 向量嵌入的指南\n\n### 📊 数据与分析应用\n- **[文本转 SQL](.\u002Fgenai-usecases\u002Ftext-to-sql\u002F)**——将自然语言转换为 SQL 查询，并附带可视化\n- **[图数据库问答](.\u002Fgenai-usecases\u002Fgraph-qa\u002F)**——使用自然语言查询 Neo4j 图数据库\n- **[情感分析](.\u002Fgenai-usecases\u002Fsentiment-analysis\u002F)**——分析客户通话记录的情感倾向和攻击性\n- **[您的 AI 聊天分析](.\u002Fgenai-usecases\u002Fyour_ai_chat_analytics\u002F)**——聊天数据分析仪表盘\n\n### 🎨 提示工程与安全\n- **[提示工程](.\u002Fgenai-usecases\u002Fprompt-engineering\u002F)**——从基础到 APE（自动提示工程师）的 16 种以上技巧\n- **[提示卫士](.\u002Fgenai-usecases\u002Fprompt-guard\u002F)**——利用 Meta 的 Llama Guard 检测提示注入和越狱尝试\n\n### 🖼️ 多模态与专业化\n- **[Gemini Nano Banana](.\u002Fgenai-usecases\u002Fgemini-nano-banana\u002F)** - 使用 Gemini 2.5 Flash 进行文本到图像生成\n- **[Llama 4 多功能应用](.\u002Fgenai-usecases\u002Fllama-4-multi-function-app\u002F)** - 一体化应用：聊天、OCR、RAG 和代理式 AI\n\n### ⚡ 自动化\n- **[n8n 自动化](.\u002Fgenai-usecases\u002Fn8n-automation\u002F)** - n8n 工作流自动化平台的设置与使用指南\n\n---\n\n### 🔗 快速访问链接\n| 类别 | 资源 |\n|----------|-----------|\n| **学习平台** | [AI-ML Companion](https:\u002F\u002Faimlcompanion.ai\u002F) — 带有 17 条学习路径、250 多个模块、测验和编程练习的互动式 AI\u002FML 学习平台 |\n| **学习路径** | [GenAI 路线图](.\u002FGenAI_Roadmap.md) • [AI\u002FML 路线图](.\u002Fdocs\u002Fai_ml_roadmap.pdf) |\n| **基础知识** | [核心术语](.\u002Fdocs\u002Fessential-terms-genai.pdf) • [LLM 基础](.\u002Fdocs\u002Fllm_fundamentals.pdf) • [嵌入指南](.\u002Fdocs\u002Fvector-embeddings-guide.pdf) |\n| **云平台** | [AWS](.\u002Fdocs\u002Fgenai-with-aws-cloud.pdf) • [Azure](.\u002Fdocs\u002Fgenai-with-azure-cloud.pdf) • [VertexAI](.\u002Fdocs\u002Fgenai-with-vertexai.pdf) |\n| **面试准备** | [GenAI 问答](.\u002Fdocs\u002Fgenai-interview-questions.pdf) • [代理式 AI 问答](.\u002Fdocs\u002Fagentic-ai-interview-questions.pdf) |\n| **热门项目** | [高级 RAG](.\u002Fgenai-usecases\u002Fadvance-rag\u002F) • [代理式 AI](.\u002Fgenai-usecases\u002Fagentic-ai\u002F) • [文本转 SQL](.\u002Fgenai-usecases\u002Ftext-to-sql\u002F) |\n\n\u003Chr>\n\n## 🤝 贡献说明\n\n我们欢迎各类贡献。如需添加有用的资源或代码，请按以下步骤操作：\n\n1. 克隆本仓库\n\n2. 克隆仓库\n   ```\n   git clone https:\u002F\u002Fgithub.com\u002Fgenieincodebottle\u002Fgenerative-ai.git\n   ```\n3. 创建新分支\n   ```\n   git checkout -b feature-name\n   ```\n4. 进行修改并提交\n   ```\n   git commit -m \"您的提交信息\"\n   ```\n5. 推送您的分支\n   ```\n   git push origin feature-name\n   ```\n6. 打开一个 Pull Request，并简要描述您的更改内容。","# generative-ai 快速上手指南\n\n本仓库是一个端到端的生成式 AI（GenAI）学习中心，提供从基础概念、架构设计到企业级实战项目的完整资源。适合希望系统学习 GenAI、大语言模型（LLM）、RAG 及智能体（Agentic AI）的开发者。\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*   **Python 版本**：推荐 Python 3.9 或更高版本\n*   **包管理工具**：pip 或 conda\n*   **代码编辑器**：VS Code 或 PyCharm（推荐安装 Jupyter 插件以运行 `.ipynb` 文件）\n*   **前置依赖**：\n    *   基础机器学习库（如 `torch`, `transformers`，具体视项目而定）\n    *   API Key：部分示例需要 OpenAI, Google Gemini, AWS 或 Azure 的 API 密钥\n\n> 💡 **国内开发者提示**：\n> *   建议使用国内镜像源加速 Python 包安装（如清华源、阿里源）。\n> *   访问 HuggingFace 模型时，建议配置镜像地址或使用 `hf-mirror`。\n\n## 安装步骤\n\n由于本仓库包含多个独立的项目和文档，建议先克隆整个仓库，然后根据具体需求进入对应目录安装依赖。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fgenieincodebottle\u002Fgenerative-ai.git\n    cd generative-ai\n    ```\n\n2.  **创建虚拟环境（推荐）**\n    ```bash\n    python -m venv venv\n    # Windows\n    venv\\Scripts\\activate\n    # macOS\u002FLinux\n    source venv\u002Fbin\u002Factivate\n    ```\n\n3.  **安装通用依赖**\n    不同子项目可能有不同的 `requirements.txt`。以核心的 RAG 或 Agentic AI 项目为例，进入对应目录安装：\n    \n    *示例：安装高级 RAG 项目依赖*\n    ```bash\n    cd genai-usecases\u002Fadvance-rag\n    pip install -r requirements.txt\n    ```\n    \n    *若使用国内镜像加速安装：*\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n4.  **配置环境变量**\n    大多数项目需要在根目录或项目目录下创建 `.env` 文件来存储 API 密钥。\n    ```bash\n    cp .env.example .env\n    ```\n    编辑 `.env` 文件，填入您的 `OPENAI_API_KEY`, `GOOGLE_API_KEY` 等凭证。\n\n## 基本使用\n\n本仓库的核心价值在于其结构化的学习路径和可运行的代码示例。以下是两种最常用的使用方式：\n\n### 1. 运行实战项目（以聊天机器人为例）\n\n尝试运行一个带有记忆功能的本地 PDF 聊天机器人：\n\n```bash\n# 进入项目目录\ncd genai-usecases\u002Fchatbot-with-memory\n\n# 确保已安装依赖并配置好 .env 文件\n\n# 运行主程序 (具体启动命令请参考该项目下的 README 或脚本)\npython app.py\n# 或者如果是 Streamlit 应用\nstreamlit run app.py\n```\n启动后，浏览器将自动打开本地界面，您可以上传 PDF 并与文档进行对话。\n\n### 2. 学习核心概念与提示词工程\n\n对于理论学习和提示词调试，可以直接运行 Jupyter Notebook：\n\n```bash\n# 进入提示词工程目录\ncd genai-usecases\u002Fprompt-engineering\n\n# 启动 Jupyter Lab\njupyter lab\n```\n在浏览器中打开 `prompt_engineering.ipynb`，按照单元格顺序执行代码，体验从基础提示词到自动提示词工程（APE）的 16+ 种技巧。\n\n### 3. 查阅学习路线图\n\n如果您尚未开始编码，建议先阅读文档目录中的路线图以规划学习路径：\n*   **GenAI 学习路线**: 查看 `GenAI_Roadmap.md`\n*   **核心术语**: 阅读 `docs\u002Fessential-terms-genai.pdf`\n*   **架构决策**: 参考 `docs\u002Fadvance-rag-decision-flow-chart.pdf` 了解 RAG 架构选择逻辑。","某初创公司的后端工程师李明需要在两周内从零构建一个基于 RAG（检索增强生成）的企业知识库问答系统，但他对生成式 AI 的整体架构和云部署流程尚不熟悉。\n\n### 没有 generative-ai 时\n- **学习路径迷茫**：面对海量的碎片化教程，无法确定从向量嵌入到 LLM 调优的正确学习顺序，浪费大量时间试错。\n- **架构设计困难**：缺乏标准的 RAG 决策流程图和架构参考，难以判断何时需要高级检索策略，导致系统设计反复推翻重来。\n- **云落地受阻**：在 AWS 或 Azure 上部署模型时，找不到针对特定云平台的具体实施指南，环境配置频频报错。\n- **面试准备不足**：团队扩充需招聘 AI 工程师，但缺乏系统的面试题库和专业术语对照表，难以评估候选人真实水平。\n\n### 使用 generative-ai 后\n- **路径清晰高效**：直接参照 GenAI Roadmap 和 AI-ML Companion 的交互式模块，按部就班掌握从基础到进阶的核心概念。\n- **架构有据可依**：利用\"Advanced RAG Decision Flow\"图表快速选定技术方案，并借鉴\"AI Patterns\"中的设计模式优化系统稳定性。\n- **部署一键直达**：依据\"GenAI on AWS\u002FAzure\"专属指南，快速完成云环境搭建，将原本数周的调试工作缩短至几天。\n- **招聘专业精准**：使用内置的 GenAI 面试问答库和术语表，高效筛选出具备实战能力的候选人，确保团队技术密度。\n\ngenerative-ai 通过提供端到端的路线图、实战架构指南及云厂商特异性文档，将原本混乱的探索过程转化为标准化的交付流程，极大降低了生成式 AI 项目的入门门槛与落地风险。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgenieincodebottle_generative-ai_05a81881.png","genieincodebottle","Rajesh Srivastava","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgenieincodebottle_dd32b476.png","Lead Data Scientist and Coder",null,"Bengaluru","zero2nn","https:\u002F\u002Faimlcompanion.ai","https:\u002F\u002Fgithub.com\u002Fgenieincodebottle",[82,86,90,94,98,102,105],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",71.1,{"name":87,"color":88,"percentage":89},"Python","#3572A5",24.9,{"name":91,"color":92,"percentage":93},"JavaScript","#f1e05a",3.5,{"name":95,"color":96,"percentage":97},"TypeScript","#3178c6",0.5,{"name":99,"color":100,"percentage":101},"HTML","#e34c26",0,{"name":103,"color":104,"percentage":101},"CSS","#663399",{"name":106,"color":107,"percentage":101},"Dockerfile","#384d54",2196,539,"2026-04-09T16:59:48","MIT",1,"未说明","未说明 (项目涵盖本地模型 Ollama\u002FHuggingFace 及云端 API，具体需求取决于所选模型)",{"notes":116,"python":113,"dependencies":117},"该仓库主要是一个生成式 AI 学习资源、文档和示例项目的集合，而非单一的独立软件工具。它包含了多个独立的用例项目（如 RAG、Agent、Chatbot 等），每个项目可能有不同的环境配置要求。部分项目支持本地运行（需自行配置 Ollama 或 HuggingFace 模型），部分项目依赖云服务（AWS, Azure, VertexAI）或外部 API（OpenAI, Gemini 等）。用户需进入具体的子目录查看各自的安装说明。",[118],"未说明 (文中提及 CrewAI, LangGraph, React, FastAPI, PostgreSQL, Ollama, HuggingFace, n8n 等技术栈，但未列出具体 Python 库版本)",[14,13,52,120,35],"其他",[64,122,123,124,125,126,127,128,129,130,131,132,133,134,135,136,137,138,139,140],"agentic-ai","claude","gemini","genai","genai-usecase","interview-questions","langchain","langgraph","large-language-model","llm-agent","llm-evaluation","mcp","model-context-protocol","multimodal","n8n","n8n-workflow","openai-api","retrieval-augmented-generation","agentic-framework","2026-03-27T02:49:30.150509","2026-04-10T11:23:15.916782",[],[]]