[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-google-deepmind--pycolab":3,"tool-google-deepmind--pycolab":61},[4,18,28,37,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"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":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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",161147,"2026-04-19T23:31:47",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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,"2026-04-18T11:18:24",[14,15,13],{"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":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":24,"env_os":88,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":96,"github_topics":76,"view_count":24,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":101},10069,"google-deepmind\u002Fpycolab","pycolab","A highly-customisable gridworld game engine with some batteries included. Make your own gridworld games to test reinforcement learning agents!","pycolab 是一款高度可定制的网格世界游戏引擎，专为强化学习研究设计。它旨在解决研究人员在验证算法时缺乏灵活、轻量级仿真环境的痛点，让用户能够快速构建自定义的二维网格游戏来测试智能体表现。\n\n这款工具非常适合强化学习领域的研究人员、开发者以及希望深入理解 RL 环境构建原理的学生使用。与普通游戏引擎不同，pycolab 的核心优势在于其“开箱即用”的特性与极高的可编程性。它不仅内置了丰富的基础组件（如可移动角色、墙壁、障碍物等），还提供了清晰的文档和大量示例代码，帮助用户轻松定义游戏规则、奖励机制及终止条件。\n\n技术亮点方面，pycolab 支持通过巧妙的视口裁剪技术模拟局部观测效果，从而构建更具挑战性的部分可观测环境；同时，它允许用户直接编写 Python 代码来扩展精灵行为（如自动寻路、碰撞检测），无需复杂的图形界面配置。虽然它主要面向命令行运行，但其简洁的架构使得调试和集成变得异常高效。作为谷歌工程师开源的非官方项目，pycolab 凭借轻量、灵活的特点，已成为强化学习原型开发中备受青睐的工具之一。","# The `pycolab` game engine.\n\nA highly-customisable gridworld game engine with some batteries included.\nMake your own gridworld games to test reinforcement learning agents!\n\n## Play some games!\n\nIf you're new, why not try playing some games first? For the full colour\nexperience on most UNIX-compatible systems:\n\n  1. crack open a nice, new, modern terminal (iterm2 on Mac, gnome-terminal or\n     xterm on linux). (Avoid screen\u002Ftmux for now---just the terminal, please.)\n  2. set the terminal type to `xterm-256color` (usually, you do this by typing\n     `export TERM=xterm-256color` at the command prompt).\n  3. run the example games! One easy way is to cd to just above the `pycolab\u002F`\n     library directory (that is, cd to the root directory of the git repository\n     or the distribution tarball, if you're using either of those) and run\n     python with the appropriate `PYTHONPATH` environment variable. Example\n     command line for `bash`-like shells:\n     `PYTHONPATH=. python -B pycolab\u002Fexamples\u002Fscrolly_maze.py`.\n\n## Okay, install some dependencies first.\n\nIf that didn't work, you may need to obtain the following software packages that\npycolab depends on:\n\n  1. Python 2.7, or Python 3.4 and up. We've had success with 2.7.6, 3.4.3, and\n     3.6.3; other versions may work.\n  2. Numpy. Our version is 1.13.3, but 1.9 seems to have the necessary features.\n  3. Scipy, but only for running one of the examples. We have 0.13.3.\n\n## Overview\n\npycolab is extensively documented and commented, so the best ways to understand\nhow to use it are:\n\n  - check out examples in the `examples\u002F` subdirectory,\n  - read docstrings in the `.py` files.\n\nFor docstring reading, the best order is probably this one---stopping whenever\nyou like (the docs aren't going anywhere...):\n\n  1. the docstring for the `Engine` class in `engine.py`\n  2. the docstrings for the classes in `things.py`\n\nThose two are probably the only bits of \"required\" reading in order to get an\nidea of what's going on in `examples\u002F`. From there, the following reading may be\nof interest:\n\n  3. `plot.py`: how do game components talk to one another---and how do I\n     give the agent rewards and terminate episodes?\n  4. `human_ui.py`: how can I try my game out myself?\n  5. `prefab_parts\u002Fsprites.py`: useful `Sprite` subclasses, including\n     `MazeWalker`, a pixel that can walk around but not through walls and\n     obstacles.\n  6. `cropping.py`: how can I generate the illusion of top-down scrolling by\n     cleverly cropping an observation around a particular moving game element?\n     (This is a common way to build partial observability into a game.)\n\nDon't forget that you can *always read the tests*, too. These can help\ndemonstrate by example what all the various components do.\n\n## Disclaimer\n\nThis is not an official Google product.\n\nWe just thought you should know that.\n","# `pycolab` 游戏引擎。\n\n一个高度可定制的网格世界游戏引擎，自带一些实用工具。你可以创建自己的网格世界游戏来测试强化学习智能体！\n\n## 玩玩几个游戏吧！\n\n如果你是新手，不妨先试试玩几个游戏？为了在大多数类 UNIX 系统上获得完整的彩色体验：\n\n1. 打开一个不错的现代终端（Mac 上可以使用 iTerm2，Linux 上可以使用 GNOME 终端或 xterm）。暂时避免使用 screen 或 tmux——请直接使用终端。\n2. 将终端类型设置为 `xterm-256color`（通常可以通过在命令行中输入 `export TERM=xterm-256color` 来完成）。\n3. 运行示例游戏！一种简单的方法是：进入 `pycolab\u002F` 库目录的上一级目录（即 Git 仓库的根目录或分发 tarball 的根目录，如果你使用的是这些方式之一），然后在设置了适当的 `PYTHONPATH` 环境变量的情况下运行 Python。以下是一个适用于 `bash` 类 shell 的示例命令：\n   `PYTHONPATH=. python -B pycolab\u002Fexamples\u002Fscrolly_maze.py`。\n\n## 好吧，先安装一些依赖项。\n\n如果上述步骤没有成功，你可能需要获取 `pycolab` 所依赖的以下软件包：\n\n1. Python 2.7，或者 Python 3.4 及以上版本。我们曾在 2.7.6、3.4.3 和 3.6.3 版本上取得成功；其他版本也可能适用。\n2. Numpy。我们使用的版本是 1.13.3，但 1.9 版本似乎也具备所需的功能。\n3. Scipy，不过仅用于运行其中一个示例。我们使用的是 0.13.3 版本。\n\n## 概述\n\n`pycolab` 具有详尽的文档和注释，因此理解如何使用它的最佳方式是：\n\n- 查看 `examples\u002F` 子目录中的示例；\n- 阅读 `.py` 文件中的文档字符串。\n\n对于阅读文档字符串，推荐的顺序如下（可以根据需要随时停止，文档不会消失）：\n\n1. `engine.py` 中 `Engine` 类的文档字符串；\n2. `things.py` 中各类的文档字符串。\n\n这两部分可能是了解 `examples\u002F` 目录中内容所需的“必读”部分。在此之后，以下内容也可能对你有所帮助：\n\n3. `plot.py`：游戏组件之间如何交互？我该如何给智能体奖励并结束回合？\n4. `human_ui.py`：我如何亲自试玩我的游戏？\n5. `prefab_parts\u002Fsprites.py`：一些有用的 `Sprite` 子类，包括 `MazeWalker`——一个可以在迷宫中行走但无法穿过墙壁和障碍物的像素。\n6. `cropping.py`：如何通过巧妙地裁剪观察结果，围绕某个移动的游戏元素来营造俯视滚动的视觉效果？（这是在游戏中引入部分可观测性的一种常见方法。）\n\n别忘了，你也可以随时阅读测试代码。这些测试代码可以通过实例演示各个组件的具体功能。\n\n## 免责声明\n\n这不是 Google 的官方产品。\n\n我们只是觉得你应该知道这一点。","# pycolab 快速上手指南\n\n`pycolab` 是一个高度可定制的网格世界（gridworld）游戏引擎，专为测试强化学习智能体而设计。它内置了丰富的基础组件，帮助开发者快速构建自定义游戏环境。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：推荐 UNIX 兼容系统（Linux 或 macOS），以获得完整的彩色终端体验。\n*   **Python 版本**：Python 2.7 或 Python 3.4+（已在 2.7.6, 3.4.3, 3.6.3 上验证通过）。\n*   **核心依赖**：\n    *   `numpy` (推荐 1.9+)\n    *   `scipy` (仅运行部分示例时需要，推荐 0.13.3+)\n\n> **提示**：国内用户建议使用清华源或阿里源加速安装依赖：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy scipy`\n\n## 安装步骤\n\n`pycolab` 无需复杂的编译安装过程，只需克隆代码库并配置环境变量即可使用。\n\n1.  **获取源码**\n    克隆仓库或下载分发包到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fpycolab.git\n    cd pycolab\n    ```\n\n2.  **安装依赖**\n    在项目根目录下安装必要的 Python 包：\n    ```bash\n    pip install numpy scipy\n    ```\n\n## 基本使用\n\n### 1. 运行示例游戏\n最直接的上手方式是运行官方提供的示例游戏。请确保在包含 `pycolab\u002F` 目录的**根目录**下执行以下命令。\n\n**步骤：**\n1.  打开现代终端（如 Mac 的 iTerm2 或 Linux 的 gnome-terminal）。\n2.  设置终端类型以支持 256 色：\n    ```bash\n    export TERM=xterm-256color\n    ```\n3.  运行示例脚本（以 `scrolly_maze.py` 为例）：\n    ```bash\n    PYTHONPATH=. python -B pycolab\u002Fexamples\u002Fscrolly_maze.py\n    ```\n    *注意：暂时避免在 `screen` 或 `tmux` 会话中运行，直接使用终端以获得最佳视觉效果。*\n\n### 2. 开发自定义游戏\n要开始编写自己的游戏逻辑，建议按以下顺序阅读源码文档（Docstrings）：\n\n1.  **核心引擎**：阅读 `engine.py` 中的 `Engine` 类文档，理解游戏循环机制。\n2.  **游戏对象**：阅读 `things.py` 中的各类定义，了解如何创建玩家、墙壁等实体。\n3.  **进阶功能**（可选）：\n    *   `plot.py`：学习如何处理奖励信号和回合终止。\n    *   `human_ui.py`：了解如何集成人工交互界面。\n    *   `prefab_parts\u002Fsprites.py`：使用预制的精灵子类（如 `MazeWalker` 实现可移动但不能穿墙的角色）。\n    *   `cropping.py`：学习如何通过裁剪观测视野来模拟局部可观察性（Partial Observability）。\n\n此外，直接阅读 `tests\u002F` 目录下的测试代码也是理解各组件用法的绝佳途径。","某高校强化学习实验室的研究员正致力于开发一种能在复杂迷宫中自主导航的智能体算法，急需一个可快速构建测试环境的工具。\n\n### 没有 pycolab 时\n- 研究员需从零编写网格世界引擎，耗费数周处理碰撞检测、状态渲染等基础代码，严重拖慢算法验证进度。\n- 想要模拟“部分可观测”场景（如仅显示角色周围视野）时，必须手动实现复杂的图像裁剪逻辑，极易出错且难以复用。\n- 每次调整地图布局或障碍物规则都需要修改底层代码，缺乏灵活配置机制，导致实验迭代周期长达数天。\n- 缺少内置的可视化交互界面，调试时只能依靠打印日志推测智能体行为，难以直观发现策略缺陷。\n\n### 使用 pycolab 后\n- 直接调用 `MazeWalker` 等预制组件，几分钟内即可搭建出包含墙壁、陷阱和奖励机制的标准迷宫环境。\n- 利用 `cropping.py` 模块轻松生成以智能体为中心的局部观测视图，一行代码即可实现滚动视差效果，完美模拟真实传感器限制。\n- 通过修改配置文件或继承少量类即可自定义游戏规则与地图结构，新实验场景的构建时间从数天缩短至半小时。\n- 内置 `human_ui.py` 支持终端彩色实时演示，研究员能亲自操控或观察智能体运行，迅速定位逻辑漏洞并优化奖励函数。\n\npycolab 将繁琐的环境构建工作转化为简单的模块化组装，让研究者能专注于核心算法创新而非重复造轮子。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-deepmind_pycolab_b730e03c.png","google-deepmind","Google DeepMind","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgoogle-deepmind_06b1dd17.png","",null,"https:\u002F\u002Fwww.deepmind.com\u002F","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,663,123,"2026-04-13T14:40:49","Apache-2.0","Linux, macOS","未说明",{"notes":91,"python":92,"dependencies":93},"建议在支持 256 色的现代终端（如 iterm2, gnome-terminal）中运行，需设置环境变量 TERM=xterm-256color 以获得完整色彩体验。Scipy 仅在运行部分示例时需要。避免在 screen 或 tmux 中直接运行。","2.7, 3.4+",[94,95],"numpy>=1.9","scipy",[14,97],"其他","2026-03-27T02:49:30.150509","2026-04-20T19:22:24.881288",[],[]]