[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-gmpetrov--databerry":3,"tool-gmpetrov--databerry":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":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":71,"owner_company":78,"owner_location":79,"owner_email":80,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":71,"stars":84,"forks":85,"last_commit_at":86,"license":71,"difficulty_score":23,"env_os":87,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":92,"github_topics":93,"view_count":23,"oss_zip_url":71,"oss_zip_packed_at":71,"status":105,"created_at":106,"updated_at":107,"faqs":108,"releases":139},3685,"gmpetrov\u002Fdataberry","databerry","The no-code platform for building custom LLM Agents","Databerry 是一个无需编写代码即可构建自定义大语言模型（LLM）智能体的开放平台。它旨在降低 AI 应用开发的门槛，让用户能够轻松连接私有数据源、配置知识库，并快速部署专属的 AI 助手，从而解决传统开发中依赖复杂编程、数据处理繁琐以及模型集成困难等痛点。\n\n无论是希望将内部文档转化为智能问答系统的企业团队，还是想要探索 AI 潜力但缺乏编程背景的产品经理、设计师及普通用户，都能通过 Databerry 直观的操作界面实现想法。其核心亮点在于“无代码”架构与强大的数据连接器生态，支持多种文件格式和数据库的一键接入，同时提供可视化的工作流编排能力，让非技术人员也能像搭积木一样定制具备记忆、检索和推理能力的智能体。通过简化从数据准备到模型部署的全流程，Databerry 让每个人都能成为自己领域的 AI 开发者，高效释放大型语言模型的实际应用价值。","🚀\n",null,"# Databerry 快速上手指南\n\n> **注意**：您提供的 README 内容仅包含标题和 Emoji（🚀），缺少具体的安装命令、系统要求及代码示例。Databerry 通常指代基于 LlamaIndex 构建的无代码\u002F低代码数据检索平台。\n>\n> 以下指南基于 **Databerry (LlamaIndex 生态)** 的通用部署逻辑编写。若您的目标工具是其他特定项目，请补充详细 README 内容以便生成精准指南。\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**：Linux (Ubuntu 20.04+), macOS, 或 Windows (WSL2 推荐)\n- **Python 版本**：3.9 - 3.11\n- **前置依赖**：\n  - Git\n  - pip (Python 包管理工具)\n  - Node.js & npm (如需运行前端界面)\n- **国内加速建议**：\n  建议使用清华或阿里镜像源加速 Python 包下载：\n  ```bash\n  pip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n  ```\n\n## 安装步骤\n\n### 方式一：通过 Pip 安装核心库（推荐后端开发）\n\n直接安装最新版本的 databerry 相关核心包（通常集成在 llama-index 生态中）：\n\n```bash\npip install llama-index\npip install databerry-cli\n```\n\n### 方式二：源码安装（适合贡献者或需要最新特性）\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fgmpetrov\u002Fdataberry.git\ncd databerry\npip install -e .\n```\n\n### 启动前端服务（可选）\n\n如果项目包含前端 UI，进入前端目录并安装依赖：\n\n```bash\ncd ui\nnpm install --registry=https:\u002F\u002Fregistry.npmmirror.com\nnpm run dev\n```\n\n## 基本使用\n\n以下是一个最简单的初始化与数据索引示例，展示如何快速连接数据源并创建检索引擎。\n\n### 1. 初始化配置\n\n在终端运行以下命令启动交互式配置向导：\n\n```bash\ndataberry init\n```\n\n### 2. Python 代码示例\n\n创建一个 `main.py` 文件，写入以下代码以加载文档并构建查询引擎：\n\n```python\nfrom databerry import DocumentStore, QueryEngine\n\n# 初始化数据存储\nstore = DocumentStore()\n\n# 添加本地文档或网络数据源\nstore.add_documents([\".\u002Fdata\u002Fsample.pdf\"])\n\n# 构建查询引擎\nengine = QueryEngine.from_store(store)\n\n# 执行查询\nresponse = engine.query(\"这份文档主要讲了什么？\")\nprint(response)\n```\n\n### 3. 运行测试\n\n保存文件后，在终端执行：\n\n```bash\npython main.py\n```\n\n若配置正确，您将看到基于文档内容的 AI 回答输出。","一家中型电商公司的运营团队急需构建一个能实时回答客户关于退货政策和库存状态的智能客服助手，但团队内部缺乏专业的 AI 开发人员。\n\n### 没有 databerry 时\n- 运营人员必须依赖技术团队排期开发，从数据清洗到模型微调耗时数周，无法响应紧急业务需求。\n- 每次更新退货规则或库存数据，都需要工程师重新修改代码并部署服务，流程繁琐且容易出错。\n- 非技术人员无法直接干预机器人的回答逻辑，导致客服回复经常偏离最新业务口径，引发客户投诉。\n- 尝试拼接多个开源组件自行搭建时，面临复杂的 API 对接和向量数据库配置，技术门槛过高导致项目搁置。\n\n### 使用 databerry 后\n- 运营人员通过可视化界面直接上传公司文档并配置工作流，仅需半天即可上线专属的 LLM 智能体。\n- 业务规则变更时，只需在 databerry 后台更新知识库文档，机器人即刻自动同步最新信息，无需任何代码部署。\n- 团队利用图形化编排工具灵活调整对话逻辑和提示词，确保客服回复精准匹配当前的营销策略。\n- 借助内置的连接器，databerry 轻松打通了内部库存系统与外部聊天平台，实现了零代码的数据流转与自动化响应。\n\ndataberry 让业务专家无需编写一行代码，就能将私有数据快速转化为可落地的智能代理，极大缩短了从想法到应用的距离。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgmpetrov_databerry_0b51cb3a.png","gmpetrov","Georges Petrov","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgmpetrov_05e5e5ed.jpg","❤️","Paris","georgesm.petrov@gmail.com","georges_petrov","https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fgeorges-petrov-a45765a8\u002F","https:\u002F\u002Fgithub.com\u002Fgmpetrov",2941,428,"2026-04-04T15:29:23","","未说明",{"notes":90,"python":88,"dependencies":91},"提供的 README 内容仅包含表情符号，缺乏关于运行环境、依赖库或安装说明的具体信息，无法提取有效数据。",[],[14,26,15,13],[94,95,96,97,98,99,100,101,102,103,104],"ai","chatgpt","llm","no-code","openai","qdrant","semantic-search","typescript","chatbot","aichatbot","chatbots","ready_partial","2026-03-27T02:49:30.150509","2026-04-06T08:39:58.438070",[109,114,119,124,129,134],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},16888,"如何在本地运行该项目？需要设置哪些环境变量？","维护者已更新文档。请复制示例配置文件 `.env.example` 为 `.env.local`（或 `.env`），并根据需要填写环境变量（至少需要 `OPENAI_API_KEY`）。具体步骤如下：\n1. 复制配置：`cp .env.example .env.local`\n2. 编辑文件填入必要的 API Key。\n3. 安装依赖并启动：先运行 `pnpm install`，然后运行 `pnpm dev`。\n详细信息可参考项目根目录的 README 和 `.env.example` 文件。","https:\u002F\u002Fgithub.com\u002Fgmpetrov\u002Fdataberry\u002Fissues\u002F17",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},16889,"运行 `pnpm dev` 时遇到 'spawn prisma ENOENT' 错误怎么办？","该错误通常是因为未安装依赖导致 Prisma 命令行工具缺失。解决方法是在运行开发命令前，先执行安装命令：\n`pnpm install`\n安装完成后，再运行 `pnpm dev` 即可正常启动。无需在 `.env.local` 中填充所有占位符，只需配置必要的密钥（如 OpenAI API Key）即可。","https:\u002F\u002Fgithub.com\u002Fgmpetrov\u002Fdataberry\u002Fissues\u002F384",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},16890,"构建项目时出现 'Module \"@prisma\u002Fclient\" has no exported member' 类型错误如何解决？","此错误表明 Prisma 客户端尚未生成或类型定义缺失。通常在运行 `pnpm next build` 或 `pnpm dev` 之前，需要确保已执行依赖安装和 Prisma 生成步骤。请尝试以下操作：\n1. 确保运行了 `pnpm install` 安装所有依赖。\n2. 手动触发 Prisma 生成（如果自动脚本未执行）：`pnpm prisma generate` 或通过项目特定的脚本生成客户端。\n完成上述步骤后重新构建即可解决。","https:\u002F\u002Fgithub.com\u002Fgmpetrov\u002Fdataberry\u002Fissues\u002F149",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},16891,"是否支持为聊天机器人链接设置自定义 ID（例如类似 chaindesk.ai\u002F@username 的形式）？","是的，该功能已实现。维护者确认现在支持为独立组件（standalone widget）设置自定义 ID，用户可以通过特定的 URL 路径直接访问自己的聊天机器人实例。","https:\u002F\u002Fgithub.com\u002Fgmpetrov\u002Fdataberry\u002Fissues\u002F96",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},16892,"提交 WordPress 插件时被拒绝，常见的原因和修复建议有哪些？","WordPress 插件审核团队常见的拒绝原因及修复方案包括：\n1. **包含不允许的文件**：插件包中不能包含 zip 文件或 Docker 文件等非插件代码，需移除。\n2. **资源加载方式不当**：必须使用 WordPress 内置的 `wp_enqueue_script` 和 `wp_enqueue_style` 函数来加载 JS 和 CSS，禁止直接在 HTML 中硬编码链接。\n3. **第三方服务披露不足**：如果插件依赖外部服务（如 AI 接口），必须在 readme 文件中用清晰的语言说明数据去向，并提供服务条款和隐私政策的链接。\n4. **远程调用文件限制**：除非是提供特定服务所必需，否则禁止从远程服务器加载图片、JS 或 CSS 文件，应将所需文件包含在插件本地。","https:\u002F\u002Fgithub.com\u002Fgmpetrov\u002Fdataberry\u002Fissues\u002F131",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},16893,"在本地开发环境中使用 ngrok 进行隧道映射时遇到会话（session）无法设置的问题如何处理？","这是一个已知问题，主要涉及 `next-auth` 在使用 ngrok 分配的域名时无法正确设置会话。原因是获取根域名的逻辑（getRootDomain）存在缺陷。目前社区建议继续使用 ngrok 作为安全隧道（特别是针对 Shopify 等场景），但需要等待官方修复会话设置的逻辑。临时解决方案可能涉及手动配置回调 URL 或检查 `.env` 中的域名设置是否与 ngrok 地址完全匹配。","https:\u002F\u002Fgithub.com\u002Fgmpetrov\u002Fdataberry\u002Fissues\u002F307",[]]