[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-google-research--recsim":3,"tool-google-research--recsim":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",156804,2,"2026-04-15T11:34:33",[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。",108322,"2026-04-10T11:39:34",[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":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":103,"github_topics":105,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":113,"updated_at":114,"faqs":115,"releases":144},7773,"google-research\u002Frecsim","recsim"," A Configurable Recommender Systems Simulation Platform","RecSim 是一个可灵活配置的推荐系统仿真平台，专为模拟用户与推荐算法之间的**序列交互**而设计。在现实世界中，用户的兴趣会随时间动态变化，且对物品的熟悉程度也会影响点击行为，传统静态数据集难以捕捉这种复杂的动态反馈。RecSim 通过构建高度抽象的仿真环境，允许研究者自定义用户偏好演化、潜在状态动态以及选择模型等关键变量，从而有效解决了强化学习在推荐场景中缺乏可控、可重复实验环境的难题。\n\n这款工具特别适合从事推荐系统算法研究的研究人员、希望验证新策略的工程师，以及探索学术与工业界合作场景的开发团队。其核心亮点在于将复杂的用户行为建模模块化，用户无需从零搭建仿真器，即可快速创建反映特定业务逻辑的实验环境，轻松测试不同强化学习算法在长周期交互中的表现。此外，RecSim 提供了丰富的教程和基于 Google Dopamine 框架的集成示例，支持从环境构建到智能体训练的全流程开发。无论是想深入理解序列推荐机制，还是需要在部署前低成本验证算法鲁棒性，RecSim 都能提供一个高效、开放的实验沙箱。","# RecSim: A Configurable Recommender Systems Simulation Platform\n\nRecSim is a configurable platform for authoring simulation environments for\nrecommender systems (RSs) that naturally supports **sequential interaction**\nwith users. RecSim allows the creation of new environments that reflect\nparticular aspects of user behavior and item structure at a level of abstraction\nwell-suited to pushing the limits of current reinforcement learning (RL) and RS\ntechniques in sequential interactive recommendation problems. Environments can\nbe easily configured that vary assumptions about: user preferences and item\nfamiliarity; user latent state and its dynamics; and choice models and other\nuser response behavior. We outline how RecSim offers value to RL and RS\nresearchers and practitioners, and how it can serve as a vehicle for\nacademic-industrial collaboration. For a detailed description of the RecSim\narchitecture please read [Ie et al](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.04847). Please\ncite the paper if you use the code from this repository in your work.\n\n### Bibtex\n\n```\n@article{ie2019recsim,\n    title={RecSim: A Configurable Simulation Platform for Recommender Systems},\n    author={Eugene Ie and Chih-wei Hsu and Martin Mladenov and Vihan Jain and Sanmit Narvekar and Jing Wang and Rui Wu and Craig Boutilier},\n    year={2019},\n    eprint={1909.04847},\n    archivePrefix={arXiv},\n    primaryClass={cs.LG}\n}\n```\n\n\u003Ca id='Disclaimer'>\u003C\u002Fa>\n\n## Disclaimer\n\nThis is not an officially supported Google product.\n\n## What's new\n\n*   **12\u002F13\u002F2019:** Added (abstract) classes for both multi-user environments\n    and agents. Added bandit algorithms for generalized linear models.\n\n## Installation and Sample Usage\n\nIt is recommended to install RecSim using (https:\u002F\u002Fpypi.org\u002Fproject\u002Frecsim\u002F):\n\n```shell\npip install recsim\n```\n\nHowever, the latest version of Dopamine is not in PyPI as of December, 2019. We\nwant to install the latest version from Dopamine's repository like the following\nbefore we install RecSim. Note that Dopamine requires Tensorflow 1.15.0 which is\nthe final 1.x release including GPU support for Ubuntu and Windows.\n\n```\npip install git+https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fdopamine.git\n```\n\nHere are some sample commands you could use for testing the installation:\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Frecsim\ncd recsim\u002Frecsim\npython main.py --logtostderr \\\n  --base_dir=\"\u002Ftmp\u002Frecsim\u002Finterest_exploration_full_slate_q\" \\\n  --agent_name=full_slate_q \\\n  --environment_name=interest_exploration \\\n  --episode_log_file='episode_logs.tfrecord' \\\n  --gin_bindings=simulator.runner_lib.Runner.max_steps_per_episode=100 \\\n  --gin_bindings=simulator.runner_lib.TrainRunner.num_iterations=10 \\\n  --gin_bindings=simulator.runner_lib.TrainRunner.max_training_steps=100 \\\n  --gin_bindings=simulator.runner_lib.EvalRunner.max_eval_episodes=5\n```\n\nYou could then start a tensorboard and view the output\n\n```\ntensorboard --logdir=\u002Ftmp\u002Frecsim\u002Finterest_exploration_full_slate_q\u002F --port=2222\n```\n\nYou could also find the simulated logs in \u002Ftmp\u002Frecsim\u002Fepisode_logs.tfrecord\n\n## Tutorials\n\nTo get started, please check out our Colab tutorials. In\n[**RecSim: Overview**](recsim\u002Fcolab\u002FRecSim_Overview.ipynb),\nwe give a brief overview about RecSim. We then talk about each configurable\ncomponent:\n[**environment**](recsim\u002Fcolab\u002FRecSim_Developing_an_Environment.ipynb)\nand\n[**recommender agent**](recsim\u002Fcolab\u002FRecSim_Developing_an_Agent.ipynb).\n\n## Documentation\n\n\nPlease refer to the [white paper](http:\u002F\u002Farxiv.org\u002Fabs\u002F1909.04847) for the\nhigh-level design.\n","# RecSim：可配置的推荐系统仿真平台\n\nRecSim 是一个用于构建推荐系统（RS）仿真环境的可配置平台，天然支持与用户的**序列化交互**。RecSim 允许创建能够反映用户行为和物品结构特定方面的全新环境，其抽象层次非常适合推动当前强化学习（RL）和推荐系统技术在序列化交互推荐问题中的极限。这些环境可以轻松配置，以改变对以下方面的假设：用户偏好与物品熟悉度；用户的潜在状态及其动态变化；以及选择模型和其他用户响应行为。我们概述了 RecSim 如何为强化学习和推荐系统的研究人员及从业者提供价值，以及它如何作为学术界与工业界合作的桥梁。有关 RecSim 架构的详细描述，请参阅 [Ie 等人](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.04847)。如果您在工作中使用了本仓库中的代码，请引用该论文。\n\n### Bibtex\n\n```\n@article{ie2019recsim,\n    title={RecSim: A Configurable Simulation Platform for Recommender Systems},\n    author={Eugene Ie and Chih-wei Hsu and Martin Mladenov and Vihan Jain and Sanmit Narvekar and Jing Wang and Rui Wu and Craig Boutilier},\n    year={2019},\n    eprint={1909.04847},\n    archivePrefix={arXiv},\n    primaryClass={cs.LG}\n}\n```\n\n\u003Ca id='Disclaimer'>\u003C\u002Fa>\n\n## 免责声明\n\n本项目并非 Google 官方支持的产品。\n\n## 最新动态\n\n*   **2019年12月13日：** 添加了多用户环境和智能体的（抽象）类。新增了适用于广义线性模型的 bandit 算法。\n\n## 安装与示例用法\n\n建议通过 (https:\u002F\u002Fpypi.org\u002Fproject\u002Frecsim\u002F) 安装 RecSim：\n\n```shell\npip install recsim\n```\n\n然而，截至 2019 年 12 月，Dopamine 的最新版本尚未发布到 PyPI。因此，在安装 RecSim 之前，我们需要先从 Dopamine 的仓库中安装最新版本，如下所示。请注意，Dopamine 需要 Tensorflow 1.15.0，这是包含 GPU 支持的最后一个 1.x 版本，适用于 Ubuntu 和 Windows。\n\n```\npip install git+https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fdopamine.git\n```\n\n以下是一些可用于测试安装的示例命令：\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Frecsim\ncd recsim\u002Frecsim\npython main.py --logtostderr \\\n  --base_dir=\"\u002Ftmp\u002Frecsim\u002Finterest_exploration_full_slate_q\" \\\n  --agent_name=full_slate_q \\\n  --environment_name=interest_exploration \\\n  --episode_log_file='episode_logs.tfrecord' \\\n  --gin_bindings=simulator.runner_lib.Runner.max_steps_per_episode=100 \\\n  --gin_bindings=simulator.runner_lib.TrainRunner.num_iterations=10 \\\n  --gin_bindings=simulator.runner_lib.TrainRunner.max_training_steps=100 \\\n  --gin_bindings=simulator.runner_lib.EvalRunner.max_eval_episodes=5\n```\n\n随后，您可以启动 TensorBoard 查看输出：\n\n```\ntensorboard --logdir=\u002Ftmp\u002Frecsim\u002Finterest_exploration_full_slate_q\u002F --port=2222\n```\n\n您还可以在 \u002Ftmp\u002Frecsim\u002Fepisode_logs.tfrecord 中找到模拟的日志文件。\n\n## 教程\n\n要开始使用，请查看我们的 Colab 教程。在 [**RecSim：概览**](recsim\u002Fcolab\u002FRecSim_Overview.ipynb) 中，我们简要介绍了 RecSim，并随后讨论了每个可配置组件：[**环境**](recsim\u002Fcolab\u002FRecSim_Developing_an_Environment.ipynb) 和 [**推荐智能体**](recsim\u002Fcolab\u002FRecSim_Developing_an_Agent.ipynb)。\n\n## 文档\n\n\n有关高层次设计，请参阅 [白皮书](http:\u002F\u002Farxiv.org\u002Fabs\u002F1909.04847)。","# RecSim 快速上手指南\n\nRecSim 是一个可配置的推荐系统仿真平台，专为支持**序列交互**而设计。它允许研究人员和开发者构建反映特定用户行为及物品结构的仿真环境，非常适合用于探索强化学习（RL）在序列交互式推荐问题中的应用。\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**：推荐 Ubuntu 或 Windows（官方测试环境）。\n*   **Python 版本**：兼容 Python 3.x。\n*   **核心依赖**：\n    *   **TensorFlow**：RecSim 依赖的 Dopamine 框架需要 **TensorFlow 1.15.0**（这是 1.x 系列的最终版本，包含 Ubuntu 和 Windows 的 GPU 支持）。请务必先安装此特定版本。\n    *   **Dopamine**：Google 开源的强化学习研究框架。\n\n> **注意**：由于依赖关系特殊，建议严格按照下方的安装顺序操作，以避免版本冲突。\n\n## 安装步骤\n\n### 1. 安装 Dopamine（前置依赖）\n由于 PyPI 上的 Dopamine 版本可能滞后，官方建议直接从 GitHub 仓库安装最新版：\n\n```shell\npip install git+https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fdopamine.git\n```\n\n### 2. 安装 RecSim\n完成上述步骤后，通过 pip 安装 RecSim：\n\n```shell\npip install recsim\n```\n\n### 3. 获取示例代码（可选）\n如果您希望运行官方提供的完整示例脚本，建议克隆源代码仓库：\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Frecsim\ncd recsim\u002Frecsim\n```\n\n## 基本使用\n\n安装完成后，您可以通过运行示例脚本来验证环境并启动一个简单的推荐仿真任务。以下命令将启动一个基于 `interest_exploration` 环境的 `full_slate_q` 代理进行训练和评估。\n\n### 运行仿真示例\n\n在项目根目录（`recsim\u002Frecsim`）下执行以下命令：\n\n```shell\npython main.py --logtostderr \\\n  --base_dir=\"\u002Ftmp\u002Frecsim\u002Finterest_exploration_full_slate_q\" \\\n  --agent_name=full_slate_q \\\n  --environment_name=interest_exploration \\\n  --episode_log_file='episode_logs.tfrecord' \\\n  --gin_bindings=simulator.runner_lib.Runner.max_steps_per_episode=100 \\\n  --gin_bindings=simulator.runner_lib.TrainRunner.num_iterations=10 \\\n  --gin_bindings=simulator.runner_lib.TrainRunner.max_training_steps=100 \\\n  --gin_bindings=simulator.runner_lib.EvalRunner.max_eval_episodes=5\n```\n\n### 查看结果\n\n1.  **可视化监控**：使用 TensorBoard 查看训练过程中的指标输出。\n    ```shell\n    tensorboard --logdir=\u002Ftmp\u002Frecsim\u002Finterest_exploration_full_slate_q\u002F --port=2222\n    ```\n    然后在浏览器中访问 `http:\u002F\u002Flocalhost:2222`。\n\n2.  **查看日志文件**：仿真的详细交互日志已保存为 TFRecord 格式。\n    *   路径：`\u002Ftmp\u002Frecsim\u002Fepisode_logs.tfrecord`\n\n### 进阶学习\n对于想要自定义环境或开发新代理的开发者，官方提供了详细的 Colab 教程：\n*   **平台概览**：[RecSim_Overview.ipynb](recsim\u002Fcolab\u002FRecSim_Overview.ipynb)\n*   **开发环境**：[RecSim_Developing_an_Environment.ipynb](recsim\u002Fcolab\u002FRecSim_Developing_an_Environment.ipynb)\n*   **开发代理**：[RecSim_Developing_an_Agent.ipynb](recsim\u002Fcolab\u002FRecSim_Developing_an_Agent.ipynb)","某电商平台的算法团队正在研发新一代视频流推荐系统，旨在解决用户兴趣随时间动态变化导致的长期留存率下降问题。\n\n### 没有 recsim 时\n- **数据滞后严重**：团队只能依赖历史离线日志训练模型，无法模拟用户面对新推荐策略时的实时反馈，导致线上 A\u002FB 测试风险极高。\n- **动态建模困难**：难以构建能够反映用户“潜在状态”（如疲劳度、探索欲）随交互过程演变的复杂环境，传统静态数据集无法支持序列决策研究。\n- **试错成本高昂**：每次调整推荐逻辑都需要部署到生产环境进行小流量验证，迭代周期长达数周，且容易因策略失误造成真实用户流失。\n- **场景定制受限**：缺乏灵活配置工具，无法快速复现“冷启动”或“信息茧房”等特定极端场景来测试算法的鲁棒性。\n\n### 使用 recsim 后\n- **仿真闭环建立**：利用 recsim 构建高保真模拟环境，算法可在虚拟用户身上进行数百万次序列交互训练，提前预判策略效果，大幅降低上线风险。\n- **动态行为捕捉**：通过配置用户潜在状态动力学和选择模型，recsim 能精准模拟用户兴趣漂移过程，使强化学习代理学会平衡“利用”与“探索”。\n- **迭代效率飞跃**：研究人员可在本地快速配置不同假设（如物品熟悉度、偏好噪声），将算法验证周期从数周缩短至数小时，实现全天候自动化实验。\n- **极端场景复现**：轻松定制多用户环境和特殊行为模式，针对性地测试算法在数据稀疏或分布偏移下的表现，显著提升了系统的稳定性。\n\nrecsim 通过将不可控的真实用户交互转化为可配置、可重复的仿真环境，让推荐系统在安全沙盒中实现了从“被动拟合历史”到“主动规划未来”的技术跨越。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-research_recsim_7c8c10db.png","google-research","Google Research","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgoogle-research_c23b2adf.png","",null,"https:\u002F\u002Fresearch.google","https:\u002F\u002Fgithub.com\u002Fgoogle-research",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",76.9,{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",23.1,783,133,"2026-04-06T02:48:48","Apache-2.0",4,"Linux, Windows","需要 NVIDIA GPU（用于 TensorFlow 1.15.0），具体型号和显存未说明","未说明",{"notes":97,"python":98,"dependencies":99},"Dopamine 的最新版不在 PyPI 上，必须从 GitHub 仓库安装。核心依赖 TensorFlow 1.15.0，这是 1.x 系列中最后一个支持 Ubuntu 和 Windows GPU 的版本。建议使用提供的示例命令测试安装，并通过 TensorBoard 查看结果。","未说明 (需兼容 TensorFlow 1.15.0)",[64,100,101,102],"dopamine (git+https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fdopamine.git)","tensorflow==1.15.0","tensorboard",[104,14],"其他",[106,107,108,109,110,111,112],"reinforcement-learning","recommender-system","machine-learning","simulation","artificial-intelligence","tensorflow","google","2026-03-27T02:49:30.150509","2026-04-16T01:44:51.073363",[116,121,126,131,136,140],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},34810,"导入 'recsim.agents.full_slate_q_agent' 时遇到模块找不到或 Atari 相关错误怎么办？","这通常是由于 'atari_lib.py' 文件中不必要的导入引起的。请找到项目中的 'atari_lib.py' 文件，删除第 47 行的 'import atari_py' 代码。删除后重新运行即可解决该导入错误。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Frecsim\u002Fissues\u002F5",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},34811,"运行 main.py 时提示 'Flag --base_dir must have a value other than None' 错误如何解决？","该错误是因为未指定 '--base_dir' 参数。运行命令时必须通过 '--base_dir' 标志设置一个有效的目录路径。例如：\npython main.py --logtostderr --base_dir=\"\u002Ftmp\u002Frecsim\u002Finterest_exploration_full_slate_q\" --agent_name=full_slate_q --environment_name=interest_exploration --episode_log_file='episode_logs.tfrecord' --gin_bindings=simulator.runner_lib.Runner.max_steps_per_episode=100 --gin_bindings=simulator.runner_lib.TrainRunner.num_iterations=10 --gin_bindings=simulator.runner_lib.TrainRunner.max_training_steps=100 --gin_bindings=simulator.runner_lib.EvalRunner.max_eval_episodes=5","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Frecsim\u002Fissues\u002F1",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},34812,"在 Colab 或环境中遇到 'No module named tensorflow.contrib' 错误怎么办？","RecSim 依赖 TensorFlow 1.x 版本。如果您使用的是较新的 TensorFlow 版本（如 2.x），'tensorflow.contrib' 模块已被移除。解决方法是将 TensorFlow 版本降级为 1.15。在 Colab 中可运行：!pip install tensorflow==1.15。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Frecsim\u002Fissues\u002F14",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},34813,"使用 full_slate_q_agent 在 interest_evolution 环境中训练无法收敛（奖励不提升）怎么办？","如果智能体表现与随机智能体无异且无法收敛，可能需要调整强化学习的超参数以确保网络正在训练以及在线网络与目标网络之间的同步。尝试减小 'min_replay_history' 和 'target_update_period' 的值。例如，在 'recsim\u002Fagents\u002Fdopamine\u002Fdqn_agent.py' 中将 'min_replay_history' 设为 100，'target_update_period' 设为 50 进行测试。此外，建议参考相关论文 (arxiv.org\u002Fpdf\u002F1905.12767.pdf) 了解更详细的配置建议。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Frecsim\u002Fissues\u002F11",{"id":137,"question_zh":138,"answer_zh":139,"source_url":125},34814,"在 Windows 上运行时遇到 'ale.dll' 或 Atari 环境加载失败的问题如何修复？","这是 Gym 和 Atari-py 在 Windows 上的已知兼容性问题。可以参考 OpenAI Gym 的相关 Issue (github.com\u002Fopenai\u002Fgym\u002Fissues\u002F1726) 获取修复方案。通常涉及重新安装特定版本的 'atari-py' 或手动替换缺失的 DLL 文件。确保已正确安装 Visual C++ Redistributable 运行库。",{"id":141,"question_zh":142,"answer_zh":143,"source_url":125},34815,"如何正确运行 RecSim 的示例代码以避免参数解析错误？","运行示例时，必须包含所有必需的命令行参数，特别是 '--base_dir'。不要直接运行 'setup.py' 而不带命令参数。正确的启动方式是使用 'python main.py' 并附带完整的参数列表，包括代理名称、环境名称、日志文件路径以及通过 '--gin_bindings' 设置的训练步数和评估次数等配置。",[]]