[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-harperreed--photo-similarity-search":3,"tool-harperreed--photo-similarity-search":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",142651,2,"2026-04-06T23:34:12",[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。",107888,"2026-04-06T11:32:50",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":95,"env_os":96,"env_gpu":97,"env_ram":98,"env_deps":99,"category_tags":108,"github_topics":109,"view_count":32,"oss_zip_url":113,"oss_zip_packed_at":113,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":117},4727,"harperreed\u002Fphoto-similarity-search","photo-similarity-search","Super simple MLX (apple silicon) CLIP based photo similarity web app","photo-similarity-search 是一款专为苹果 Silicon 芯片（M1\u002FM2\u002FM3 等）打造的轻量级图片相似度搜索工具。它利用先进的 CLIP 人工智能模型，让用户能够通过文字描述快速找到视觉上相似的图片，或者在图库中检索与某张图片风格、内容相近的其他照片。\n\n这一工具有效解决了传统图片管理仅依赖文件名或手动标签的局限，实现了基于图像深层语义内容的智能检索。无论是想从海量素材中快速定位特定场景的设计师，还是需要构建本地化图像检索原型的开发者，都能从中获益。普通用户也可借此轻松整理和探索个人照片库，发现被遗忘的精彩瞬间。\n\n其核心技术亮点在于深度集成了 Apple 推出的 MLX 框架，专门针对苹果自研芯片进行了极致优化，从而在本地设备上实现高效、快速的推理体验，无需依赖云端服务即可保护隐私。此外，项目采用 SQLite 和 Chroma 进行向量数据的持久化存储，并提供了简洁直观的 Web 交互界面，部署流程简单清晰。作为一个开源项目，它不仅是一个实用的搜索应用，也是学习如何在苹果生态下落地多模态 AI 应用的优秀范例。","# 📸 Embed-Photos 🖼️\n\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-blue.svg)](LICENSE)\n\nWelcome to Embed-Photos, a powerful photo similarity search engine built by [@harperreed](https:\u002F\u002Fgithub.com\u002Fharperreed)! 🎉 This project leverages the CLIP (Contrastive Language-Image Pre-training) model to find visually similar images based on textual descriptions. 🔍🖼️\n\n## 🌟 Features\n\n- 🚀 Fast and efficient image search using the CLIP model\n- 💻 Works on Apple Silicon (MLX) only\n- 💾 Persistent storage of image embeddings using SQLite and Chroma\n- 🌐 Web interface for easy interaction and exploration\n- 🔒 Secure image serving and handling\n- 📊 Logging and monitoring for performance analysis\n- 🔧 Configurable settings using environment variables\n\n## Screenshot\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fharperreed_photo-similarity-search_readme_95625f775b7c.png)\n\n\n## 📂 Repository Structure\n\n```\nembed-photos\u002F\n├── README.md\n├── generate_embeddings.py\n├── requirements.txt\n├── start_web.py\n└── templates\n    ├── README.md\n    ├── base.html\n    ├── display_image.html\n    ├── index.html\n    ├── output.txt\n    └── query_results.html\n```\n\n- `generate_embeddings.py`: Script to generate image embeddings using the CLIP model\n- `requirements.txt`: Lists the required Python dependencies\n- `start_web.py`: Flask web application for the photo similarity search\n- `templates\u002F`: Contains HTML templates for the web interface\n\n## 🚀 Getting Started\n\n1. Clone the repository:\n   ```\n   git clone https:\u002F\u002Fgithub.com\u002Fharperreed\u002Fphoto-similarity-search.git\n   ```\n\n2. Install the required dependencies:\n   ```\n   pip install -r requirements.txt\n   ```\n\n3. Configure the application by setting the necessary environment variables in a `.env` file.\n\n4. Generate image embeddings:\n   ```\n   python generate_embeddings.py\n   ```\n\n5. Start the web application:\n   ```\n   python start_web.py\n   ```\n\n6. Open your web browser and navigate to `http:\u002F\u002Flocalhost:5000` to explore the photo similarity search!\n\n## Todo\n\n- Use siglip instead of clip\n- add a more robust config\n- make mlx optional\n\n## 🙏 Acknowledgments\n\nThe Embed-Photos project builds upon the work of the Apple (mlx!), the CLIP model and leverages various open-source libraries. We extend our gratitude to the authors and contributors of these projects.\n\nHappy searching! 🔍✨\n","# 📸 嵌入式照片 🖼️\n\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F许可证-MIT-blue.svg)](LICENSE)\n\n欢迎来到 Embed-Photos，这是一个由 [@harperreed](https:\u002F\u002Fgithub.com\u002Fharperreed) 构建的强大照片相似度搜索引擎！🎉 该项目利用 CLIP（对比语言-图像预训练）模型，根据文本描述查找视觉上相似的图片。🔍🖼️\n\n## 🌟 特性\n\n- 🚀 使用 CLIP 模型进行快速高效的图像搜索\n- 💻 仅支持 Apple Silicon (MLX)\n- 💾 使用 SQLite 和 Chroma 实现图像嵌入的持久化存储\n- 🌐 简单易用的 Web 界面，便于交互和探索\n- 🔒 安全的图像服务与处理\n- 📊 日志记录和性能监控功能\n- 🔧 支持通过环境变量进行配置\n\n## 截图\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fharperreed_photo-similarity-search_readme_95625f775b7c.png)\n\n\n## 📂 仓库结构\n\n```\nembed-photos\u002F\n├── README.md\n├── generate_embeddings.py\n├── requirements.txt\n├── start_web.py\n└── templates\n    ├── README.md\n    ├── base.html\n    ├── display_image.html\n    ├── index.html\n    ├── output.txt\n    └── query_results.html\n```\n\n- `generate_embeddings.py`: 使用 CLIP 模型生成图像嵌入的脚本\n- `requirements.txt`: 列出了所需的 Python 依赖项\n- `start_web.py`: 用于照片相似度搜索的 Flask Web 应用程序\n- `templates\u002F`: 包含 Web 界面的 HTML 模板\n\n## 🚀 快速开始\n\n1. 克隆仓库：\n   ```\n   git clone https:\u002F\u002Fgithub.com\u002Fharperreed\u002Fphoto-similarity-search.git\n   ```\n\n2. 安装所需依赖：\n   ```\n   pip install -r requirements.txt\n   ```\n\n3. 在 `.env` 文件中设置必要的环境变量以配置应用程序。\n\n4. 生成图像嵌入：\n   ```\n   python generate_embeddings.py\n   ```\n\n5. 启动 Web 应用程序：\n   ```\n   python start_web.py\n   ```\n\n6. 打开浏览器并访问 `http:\u002F\u002Flocalhost:5000`，即可开始探索照片相似度搜索！\n\n## 待办事项\n\n- 使用 siglip 替代 clip\n- 添加更健壮的配置\n- 使 mlx 成为可选配置\n\n## 🙏 致谢\n\nEmbed-Photos 项目基于 Apple (mlx!) 和 CLIP 模型的工作成果，并借助多种开源库实现。我们向这些项目的作者和贡献者表示衷心的感谢。\n\n祝您搜索愉快！🔍✨","# photo-similarity-search 快速上手指南\n\n## 环境准备\n\n- **操作系统**：仅限 **Apple Silicon (M1\u002FM2\u002FM3)** Mac 设备（基于 MLX 框架）。\n- **Python 版本**：建议 Python 3.9 或更高版本。\n- **前置依赖**：\n  - Git\n  - pip (Python 包管理工具)\n  - 虚拟环境工具（推荐 `venv` 或 `conda`）\n\n> **注意**：该项目目前仅支持 Apple Silicon 架构，无法在 Intel Mac 或 Windows\u002FLinux 上运行。\n\n## 安装步骤\n\n1. **克隆项目仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fharperreed\u002Fphoto-similarity-search.git\n   cd photo-similarity-search\n   ```\n\n2. **创建并激活虚拟环境**\n   ```bash\n   python3 -m venv venv\n   source venv\u002Fbin\u002Factivate\n   ```\n\n3. **安装依赖包**\n   > 国内用户可使用清华源加速安装：\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   在项目根目录下创建 `.env` 文件，根据需求填入必要的配置项（如数据库路径、日志级别等）。参考项目示例或文档进行设置。\n\n## 基本使用\n\n1. **生成图像嵌入向量**\n   运行脚本将图片库转换为 CLIP 模型可识别的嵌入向量，并存储至 SQLite\u002FChroma 数据库：\n   ```bash\n   python generate_embeddings.py\n   ```\n\n2. **启动 Web 服务**\n   启动基于 Flask 的本地搜索界面：\n   ```bash\n   python start_web.py\n   ```\n\n3. **访问搜索界面**\n   打开浏览器访问：\n   ```\n   http:\u002F\u002Flocalhost:5000\n   ```\n   在网页中输入文本描述（例如“海边的日落”），即可检索出视觉上相似的图片。","一位独立摄影师在 Mac Studio 上管理着数万张未标记的旅行素材，急需从海量照片中快速找出特定视觉风格或内容的图片。\n\n### 没有 photo-similarity-search 时\n- **检索效率极低**：只能依靠人工肉眼浏览文件夹或通过文件名查找，寻找“夕阳下的雪山”这类特定画面往往需要耗费数小时。\n- **依赖手动标签**：若要实现关键词搜索，必须预先为每张照片手动添加描述性标签，工作量巨大且容易遗漏。\n- **语义匹配缺失**：传统文件搜索无法理解图像内容，输入“悲伤的氛围”或“复古色调”等抽象概念时完全无法命中目标。\n- **硬件性能浪费**：即便拥有强大的 Apple Silicon 芯片，也无法利用其算力加速本地图像分析，只能依赖低效的人工整理。\n\n### 使用 photo-similarity-search 后\n- **秒级语义搜图**：直接在网页端输入“雨中撑伞的行人”或“暖色调的咖啡馆”，photo-similarity-search 利用 CLIP 模型瞬间返回视觉上高度相似的照片。\n- **零手动标注成本**：只需运行一次 `generate_embeddings.py`，系统自动提取图像特征向量并存入本地数据库，彻底省去人工打标签的繁琐过程。\n- **理解抽象概念**：基于深度学习的语义理解能力，能够精准捕捉光影、情绪和构图风格，即使文件名毫无规律也能准确定位。\n- **本地高效运行**：专为 Apple Silicon 优化的 MLX 框架让嵌入生成和推理速度极快，所有数据保留在本地 SQLite 和 Chroma 中，隐私安全且响应流畅。\n\nphoto-similarity-search 将原本需要数天的人工整理工作压缩为几分钟的自动化流程，让创作者能真正专注于内容本身而非文件管理。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fharperreed_photo-similarity-search_95625f77.png","harperreed","Harper Reed","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fharperreed_ba9e372d.png","A normal person doing normal things.","Harper Rules, LLC","Chicago, Il","harper@modest.com","harper","http:\u002F\u002Fharper.lol","https:\u002F\u002Fgithub.com\u002Fharperreed",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",74.1,{"name":88,"color":89,"percentage":90},"HTML","#e34c26",25.9,502,36,"2026-03-30T08:41:13","MIT",4,"macOS","不需要 NVIDIA GPU，必须使用 Apple Silicon (M1\u002FM2\u002FM3 等) 芯片，利用 MLX 框架进行加速","未说明（建议根据模型大小配置足够内存，通常 8GB+）",{"notes":100,"python":101,"dependencies":102},"该工具仅支持 Apple Silicon 架构的 Mac 电脑，依赖 MLX 框架而非传统的 CUDA。目前不支持 Linux 或 Windows，也不支持 Intel 芯片的 Mac。未来计划将 MLX 设为可选选项并支持 SigLIP 模型。","未说明",[103,104,105,106,107],"mlx","clip","flask","sqlite","chroma",[52,13,15,14],[110,104,111,103,112],"ai","ml","osx",null,"2026-03-27T02:49:30.150509","2026-04-07T09:54:20.813510",[],[]]