[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-google-deepmind--tree":3,"tool-google-deepmind--tree":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":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":75,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":101,"github_topics":76,"view_count":24,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":102,"updated_at":103,"faqs":104,"releases":140},10023,"google-deepmind\u002Ftree","tree","tree is a library for working with nested data structures","tree 是一个专为处理嵌套数据结构而设计的 Python 库。在日常编程中，原生的 `map` 函数通常只能处理扁平列表，一旦面对多层嵌套的复杂结构（如列表中包含列表或字典），开发者往往需要编写繁琐的递归代码来遍历每个元素。tree 完美解决了这一痛点，它允许用户直接对嵌套结构中的每一个“叶子节点”应用指定函数，同时完整保留原有的层级架构，让数据变换变得像处理普通列表一样简单直观。\n\n这款工具特别适合机器学习工程师、数据科学家以及需要频繁操作张量或复杂配置文件的后端开发者。尤其在构建深度学习模型时，经常需要对多层嵌套的参数或数据进行批量运算，tree 能显著简化代码逻辑，提升开发效率。其独特的技术亮点在于底层采用了经过高度优化的 C++ 实现，不仅接口简洁易用，更具备卓越的性能表现，能够轻松胜任大规模数据处理等对计算效率要求极高的场景。作为由 DeepMind 开源的项目，tree 已成为许多高性能 AI 框架背后的得力助手，帮助开发者更专注于算法本身而非数据结构的遍历细节。","# Tree\n\n`tree` is a library for working with nested data structures. In a way, `tree`\ngeneralizes the builtin `map` function which only supports flat sequences,\nand allows to apply a function to each \"leaf\" preserving the overall\nstructure.\n\n```python\n>>> import tree\n>>> structure = [[1], [[[2, 3]]], [4]]\n>>> tree.flatten(structure)\n[1, 2, 3, 4]\n>>> tree.map_structure(lambda v: v**2, structure)\n[[1], [[[4, 9]]], [16]]\n```\n\n`tree` is backed by an optimized C++ implementation suitable for use in\ndemanding applications, such as machine learning models.\n\n## Installation\n\nFrom PyPI:\n\n```shell\n$ pip install dm-tree\n```\n\nDirectly from github using pip:\n\n```shell\n$ pip install git+git:\u002F\u002Fgithub.com\u002Fdeepmind\u002Ftree.git\n```\n\nBuild from source:\n\n```shell\n$ python setup.py install\n```\n\n## Support\n\nIf you are having issues, please let us know by filing an issue on our\n[issue tracker](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Ftree\u002Fissues).\n\n## License\n\nThe project is licensed under the Apache 2.0 license.\n","# 树\n\n`tree` 是一个用于处理嵌套数据结构的库。从某种意义上说，`tree` 对 Python 内置的 `map` 函数进行了泛化——后者仅支持扁平化的序列——而 `tree` 则允许将一个函数应用于每个“叶节点”，同时保持整体的数据结构不变。\n\n```python\n>>> import tree\n>>> structure = [[1], [[[2, 3]]], [4]]\n>>> tree.flatten(structure)\n[1, 2, 3, 4]\n>>> tree.map_structure(lambda v: v**2, structure)\n[[1], [[[4, 9]]], [16]]\n```\n\n`tree` 的底层实现基于高效的 C++ 代码，非常适合在高要求的应用场景中使用，例如机器学习模型。\n\n## 安装\n\n通过 PyPI 安装：\n\n```shell\n$ pip install dm-tree\n```\n\n直接从 GitHub 使用 pip 安装：\n\n```shell\n$ pip install git+git:\u002F\u002Fgithub.com\u002Fdeepmind\u002Ftree.git\n```\n\n从源码构建：\n\n```shell\n$ python setup.py install\n```\n\n## 支持\n\n如果您遇到任何问题，请通过在我们的 [issue tracker](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Ftree\u002Fissues) 上提交 issue 来告知我们。\n\n## 许可证\n\n该项目采用 Apache 2.0 许可证授权。","# Tree 快速上手指南\n\n`tree` 是一个用于处理嵌套数据结构的 Python 库。它扩展了内置的 `map` 函数（仅支持扁平序列），允许用户对嵌套结构中的每个“叶子节点”应用函数，同时保持整体结构不变。该库底层由优化的 C++ 实现支撑，非常适合机器学习等高性能场景。\n\n## 环境准备\n\n- **操作系统**：Linux、macOS 或 Windows\n- **Python 版本**：Python 3.6 及以上\n- **前置依赖**：\n  - `pip` 包管理工具\n  - 编译环境（若从源码构建，需安装 C++ 编译器，如 `gcc` 或 `Visual Studio Build Tools`）\n\n## 安装步骤\n\n推荐通过 PyPI 安装，国内用户可使用清华镜像源加速下载：\n\n```shell\n$ pip install dm-tree -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n或者直接从 GitHub 安装：\n\n```shell\n$ pip install git+git:\u002F\u002Fgithub.com\u002Fdeepmind\u002Ftree.git\n```\n\n如需从源码构建：\n\n```shell\n$ git clone https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Ftree.git\n$ cd tree\n$ python setup.py install\n```\n\n## 基本使用\n\n以下示例展示如何展平嵌套结构以及对叶子节点进行映射操作：\n\n```python\n>>> import tree\n>>> structure = [[1], [[[2, 3]]], [4]]\n>>> tree.flatten(structure)\n[1, 2, 3, 4]\n>>> tree.map_structure(lambda v: v**2, structure)\n[[1], [[[4, 9]]], [16]]\n```\n\n- `tree.flatten()`：将嵌套结构展平为列表。\n- `tree.map_structure(func, structure)`：对结构中每个叶子节点应用 `func`，返回同结构的新数据。","在深度学习模型训练中，工程师经常需要处理由张量、列表和字典混合组成的复杂嵌套数据结构，例如批量化的多模态输入样本。\n\n### 没有 tree 时\n- 开发者必须编写繁琐的递归函数来遍历嵌套结构，代码冗长且容易出错。\n- 对数据进行预处理（如归一化或类型转换）时，难以统一应用到所有底层张量，往往需要针对每种结构单独写逻辑。\n- 调试过程中，若想查看结构中所有数值的具体分布，手动展平数据极其耗时且不便。\n- 当模型输入结构发生变更（如增加一层嵌套），原有的处理脚本通常需要大规模重构，维护成本极高。\n- 纯 Python 实现的遍历逻辑在处理大规模批次数据时性能较差，成为数据加载流水线的瓶颈。\n\n### 使用 tree 后\n- 直接调用 `tree.map_structure` 即可将任意函数一键应用到所有叶子节点，无需关心上层嵌套逻辑。\n- 无论是字典套列表还是元组套张量，都能用同一套代码完成数据清洗，显著提升了代码的通用性。\n- 利用 `tree.flatten` 能瞬间将复杂结构展平为单一列表，方便快速进行数据统计或断点调试。\n- 即使底层数据结构层级发生变化，业务代码也无需修改，极大地增强了系统对结构变更的鲁棒性。\n- 得益于底层的 C++ 优化实现，数据映射与展平操作速度大幅提升，轻松满足高性能训练需求。\n\ntree 通过屏蔽复杂的递归细节并提供高性能底层支持，让开发者能像操作扁平列表一样优雅地处理任意深度的嵌套数据。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-deepmind_tree_e5962ed5.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",[80,84,88],{"name":81,"color":82,"percentage":83},"Python","#3572A5",73.4,{"name":85,"color":86,"percentage":87},"C++","#f34b7d",23.3,{"name":89,"color":90,"percentage":91},"CMake","#DA3434",3.2,1021,70,"2026-04-07T01:37:43","Apache-2.0",1,"未说明",{"notes":99,"python":97,"dependencies":100},"该工具底层由优化的 C++ 实现支持，适用于机器学习等高性能场景。可通过 PyPI (dm-tree)、GitHub 直接安装或从源码构建。",[],[14,16],"2026-03-27T02:49:30.150509","2026-04-20T17:01:50.708045",[105,110,115,120,125,130,135],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},45024,"如何在 Apple M1 Mac 上安装 dm-tree？","可以通过直接从 GitHub 源码安装来解决。首先确保已安装 `cmake`，然后运行以下命令：\n```\npip install cmake\npip install git+git:\u002F\u002Fgithub.com\u002Fdeepmind\u002Ftree.git\n```","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Ftree\u002Fissues\u002F69",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},45025,"在 Ubuntu 18.04 上安装时提示 'wheel is not a supported wheel on this platform' 错误怎么办？","这通常是因为 `pip` 版本过旧导致的。请升级 `pip` 到最新版本（例如 21.1.2 或更高），命令如下：\n```\npip install --upgrade pip\n```\n升级后重新安装即可解决问题。","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Ftree\u002Fissues\u002F46",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},45026,"安装时报错 'unable to execute bazel' 或需要 Bazel 构建怎么办？","项目已迁移至 CMake 构建系统，不再强制依赖 Bazel。如果您遇到此错误，可能是因为使用了旧版本或环境配置问题。建议升级 `pip` 以确保下载最新的预编译 wheel 包。如果必须从源码构建，请确保安装了 `cmake` 而不是依赖 Bazel。维护者已确认构建系统已更改为 CMake。","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Ftree\u002Fissues\u002F16",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},45027,"Python 3.8 用户是否还需要从源码构建 dm-tree？","不需要。自 2020 年 6 月起，PyPI 上已经提供了 Python 3.8 的预编译 wheel 包。如果您仍然被要求从源码构建，可能是因为使用了非标准的 Python 实现（如 PyPy）或 `pip` 版本过旧。尝试运行 `pip install --only-binary=all dm-tree` 来获取更具体的错误信息，或直接升级 `pip`。","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Ftree\u002Fissues\u002F1",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},45028,"dm-tree 在 Python 3.13 上构建失败如何解决？","这是一个已知问题，主要原因是 `abseil-cpp` 依赖缺少必要的头文件。解决方案是更新 `abseil-cpp` 到包含修复的最小版本。您可以参考 Pull Request #123 中的具体提交（commit 3b00b446fc1ef3e501ab6fc273889ab13dc9a43d）来获取修复代码，或者等待维护者发布包含该修复的新版本。","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Ftree\u002Fissues\u002F119",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},45029,"为什么无法在 Python 3.12 上安装 dm-tree？","这是因为早期版本尚未提供 Python 3.12 的预编译 wheel 包，导致尝试从源码构建时因缺少构建工具或兼容性问题而失败。解决方法是等待官方发布支持 Python 3.12 的 wheel 包，或者在本地配置好完整的 C++ 构建环境（包括 cmake 和编译器）后从源码安装。","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Ftree\u002Fissues\u002F109",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},45030,"安装 dm-tree 0.1.6 版本失败但 0.1.5 正常，是什么原因？","这通常是由于 0.1.6 版本最初发布的 wheel 包使用了较新的 `manylinux_2_24` 标签，在某些 Linux 发行版（如旧版 Ubuntu）上不兼容。维护者随后上传了兼容性更好的 `manylinux2014` 轮子。请尝试升级 `pip` 到最新版本后重新安装，以确保能下载到兼容性正确的 wheel 包。","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Ftree\u002Fissues\u002F43",[141,145,149,153,157,161,165,169,173,177,181],{"id":142,"version":143,"summary_zh":76,"released_at":144},359909,"0.1.10","2026-03-31T14:56:37",{"id":146,"version":147,"summary_zh":76,"released_at":148},359910,"0.1.9","2025-01-30T17:23:32",{"id":150,"version":151,"summary_zh":76,"released_at":152},359911,"0.1.8","2022-12-18T09:35:28",{"id":154,"version":155,"summary_zh":76,"released_at":156},359912,"0.1.7","2022-04-11T08:44:01",{"id":158,"version":159,"summary_zh":76,"released_at":160},359913,"0.1.6","2021-04-12T11:32:09",{"id":162,"version":163,"summary_zh":76,"released_at":164},359914,"0.1.5","2021-03-24T20:29:05",{"id":166,"version":167,"summary_zh":76,"released_at":168},359915,"0.1.4","2021-04-07T14:49:14",{"id":170,"version":171,"summary_zh":76,"released_at":172},359916,"0.1.3","2021-04-07T14:49:47",{"id":174,"version":175,"summary_zh":76,"released_at":176},359917,"0.1.2","2021-04-07T14:49:52",{"id":178,"version":179,"summary_zh":76,"released_at":180},359918,"0.1.1","2019-11-07T16:10:25",{"id":182,"version":183,"summary_zh":76,"released_at":184},359919,"0.1.0","2019-11-05T16:44:57"]