[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hit-computer--MTA-LSTM":3,"tool-hit-computer--MTA-LSTM":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"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",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"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",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"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。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70612,"2026-04-05T11:12:22",[15,14,13,36],{"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":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":79,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":99,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":100,"updated_at":101,"faqs":102,"releases":132},2740,"hit-computer\u002FMTA-LSTM","MTA-LSTM","The code and data of ijcai2018 paper \u003CTopic-to-Essay Generation with Neural Networks>","MTA-LSTM 是一款专注于多主题文章生成的深度学习模型，源自 IJCAI 2018 的研究成果。它主要解决了传统生成模型在处理长段落文本时，难以同时兼顾多个给定主题且容易导致内容重复或偏离核心的难题。\n\n该模型的核心亮点在于引入了创新的“多主题覆盖向量”机制。在生成文本的过程中，MTA-LSTM 能够动态学习并更新每个主题的权重，实时追踪哪些主题已被充分表达、哪些仍需补充。随后，这一向量会引导注意力机制，确保生成的文章既内容丰富多样，又能紧密围绕所有指定主题展开，有效提升了长文本生成的逻辑性与连贯性。\n\n由于项目代码基于 Python 2.7 和 TensorFlow 1.4.0 构建，且涉及数据预处理、词向量训练及参数配置等较为专业的流程，MTA-LSTM 更适合人工智能研究人员、NLP 领域的开发者以及对文本生成算法有深入探索需求的技术人员使用。对于希望研究多主题控制生成策略或需要复现经典论文的团队来说，这是一个极具参考价值的开源资源。普通用户若直接使用，可能需要具备一定的编程基础以适配运行环境。","# MTA-LSTM\nWe focus on essay generation, which is a challenging task that generates a paragraph-level text with multiple topics. Progress towards understanding different topics and expressing diversity in this task requires more powerful generators and richer training and evaluation resources. To address this, we develop a multi-topic-aware long short-term memory (MTA-LSTM) network. In this model, we maintain a novel multi-topic coverage vector, which learns the weight of of each topic and is sequentially updated during the decoding process. Afterwards this vector is fed to an attention model to guide the generator.\n\nThe code in this repository is written in Python 2.7\u002FTensorFlow 1.4.0. And if you use other versions of Python or TensorFlow, you should modify some code. \n\n## Data Set\n\nComposition Data Set: [Download](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1_JPh5-g2rry2QmbjQ3pZ6w)\n\nZhihu Data Set: [Download](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1eC4gb_We33kr-ZbHn3KdIA)\n\n## Usage\n\n### Data\n\nIn `Data\u002F` respository, you need to prepare two files `TrainingData.txt` and `vec.txt`(word embedding trained by word2vec), which is created from text dataset mentioned above.\n\n### Training\n\nBefore train the model, you should set some parameters of this model in `Config.py` file. Then, you need to run `Preprocess.py` file for creating `coverage_data` file(convert trainingdata into binary formats of TensorFlow, and more detail about this can be found in [the blog](https:\u002F\u002Findico.io\u002Fblog\u002Ftensorflow-data-inputs-part1-placeholders-protobufs-queues\u002F)), `word_vec.pkl` file(this is word embedding) and `word_voc.pkl` file(vocabulary of text). At the same time, you should set `total_step` parameter in `Train.py` whose value is got from output of `Preprocess.py`\n\nStart training the model using `Train.py`:\n\n```\n$ python Train.py\n```\n\n### Generation\n\nAfter you train the model, you can generate the text in the control of word set. You should modify `Generation.py` file and set `test_word` to a set of words. Then, if you want, you can also set some parameters for generation in `Config.py` file. Generate text by run:\n\n```\n$ python Generation.py\n```\n\n","# MTA-LSTM\n我们专注于作文生成任务，这是一项具有挑战性的任务，要求生成包含多个主题的段落级文本。要在这一任务中更好地理解不同主题并表达多样性，需要更强大的生成模型以及更丰富的训练和评估资源。为此，我们开发了一种多主题感知长短期记忆网络（MTA-LSTM）。在该模型中，我们维护了一个新颖的多主题覆盖向量，它能够学习每个主题的权重，并在解码过程中被顺序更新。随后，该向量会被输入到注意力机制中，以指导生成器。\n\n本仓库中的代码使用 Python 2.7 和 TensorFlow 1.4.0 编写。如果您使用其他版本的 Python 或 TensorFlow，可能需要对部分代码进行修改。\n\n## 数据集\n\n作文数据集：[下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1_JPh5-g2rry2QmbjQ3pZ6w)\n\n知乎数据集：[下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1eC4gb_We33kr-ZbHn3KdIA)\n\n## 使用方法\n\n### 数据准备\n\n在 `Data\u002F` 目录下，您需要准备两个文件：`TrainingData.txt` 和 `vec.txt`（由 word2vec 训练得到的词嵌入），后者是根据上述文本数据集生成的。\n\n### 训练\n\n在开始训练模型之前，您需要在 `Config.py` 文件中设置一些模型参数。然后，运行 `Preprocess.py` 脚本，生成 `coverage_data` 文件（将训练数据转换为 TensorFlow 的二进制格式，更多详细信息请参阅 [博客](https:\u002F\u002Findico.io\u002Fblog\u002Ftensorflow-data-inputs-part1-placeholders-protobufs-queues\u002F)）、`word_vec.pkl` 文件（词嵌入）以及 `word_voc.pkl` 文件（文本词汇表）。同时，您还需要在 `Train.py` 中设置 `total_step` 参数，其值应从 `Preprocess.py` 的输出中获取。\n\n接下来，使用 `Train.py` 开始训练模型：\n\n```\n$ python Train.py\n```\n\n### 生成\n\n训练完成后，您可以按照指定的词集生成文本。您需要修改 `Generation.py` 文件，将 `test_word` 设置为一个词集。此外，如果需要，还可以在 `Config.py` 文件中设置一些生成参数。最后，通过运行以下命令生成文本：\n\n```\n$ python Generation.py\n```","# MTA-LSTM 快速上手指南\n\nMTA-LSTM 是一个专注于多主题段落生成（如作文生成）的深度学习模型。该模型通过维护一个多主题覆盖向量，在解码过程中动态学习各主题权重，并利用注意力机制引导文本生成。\n\n## 环境准备\n\n本项目基于较早期的技术栈开发，请严格遵循以下环境要求以避免兼容性问题：\n\n- **操作系统**：Linux \u002F macOS (Windows 需配置相应 Python 环境)\n- **Python 版本**：Python 2.7 (**必须**，不支持 Python 3)\n- **深度学习框架**：TensorFlow 1.4.0\n- **其他依赖**：\n  - `word2vec` (用于训练词向量)\n  - `numpy`, `pickle` 等标准科学计算库\n\n> **注意**：如果您使用其他版本的 Python 或 TensorFlow，需要手动修改源代码以适配。\n\n## 安装步骤\n\n### 1. 获取数据集\n项目提供了两个主要数据集，请根据需求下载（国内用户推荐使用百度网盘链接）：\n\n- **作文数据集 (Composition Data Set)**: [下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1_JPh5-g2rry2QmbjQ3pZ6w)\n- **知乎数据集 (Zhihu Data Set)**: [下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1eC4gb_We33kr-ZbHn3KdIA)\n\n### 2. 准备数据文件\n在 `Data\u002F` 目录下，您需要准备以下两个核心文件：\n1. `TrainingData.txt`: 从上述数据集中整理出的训练文本。\n2. `vec.txt`: 使用 word2vec 训练好的词向量文件。\n\n### 3. 配置与预处理\n在开始训练前，需进行参数配置和数据格式化：\n\n1. **修改配置**：编辑 `Config.py` 文件，设置模型相关参数。\n2. **执行预处理**：运行预处理脚本，生成模型所需的二进制文件和词典。\n   ```bash\n   python Preprocess.py\n   ```\n   *执行后将生成：*\n   - `coverage_data`: TensorFlow 二进制格式的训练数据。\n   - `word_vec.pkl`: 序列化后的词向量。\n   - `word_voc.pkl`: 文本词汇表。\n   \n   > **重要**：请记录 `Preprocess.py` 输出中的样本总数，并将其设置为 `Train.py` 中的 `total_step` 参数。\n\n## 基本使用\n\n### 1. 训练模型\n完成预处理和参数调整后，使用以下命令启动训练：\n\n```bash\npython Train.py\n```\n\n### 2. 文本生成\n模型训练完成后，可通过指定关键词集合来控制生成内容：\n\n1. **设置生成词**：编辑 `Generation.py` 文件，将 `test_word` 变量设置为您想要的关键词集合。\n2. **调整参数（可选）**：如有需要，可在 `Config.py` 中调整生成阶段的参数。\n3. **执行生成**：\n   ```bash\n   python Generation.py\n   ```\n\n运行后，模型将根据设定的主题词生成相应的段落文本。","某在线教育平台的内容团队需要为中学生自动生成包含“环境保护”、“科技创新”和“社会责任”等多个指定主题的议论文素材，以辅助写作教学。\n\n### 没有 MTA-LSTM 时\n- **主题遗漏严重**：传统生成模型往往在长段落写作中“顾此失彼”，写到后半段时容易忘记初始设定的部分主题，导致文章偏题。\n- **内容重复啰嗦**：模型缺乏对已生成内容的全局感知，倾向于反复使用相同的句式和词汇来凑字数，缺乏多样性。\n- **逻辑衔接生硬**：不同主题之间的过渡非常突兀，像是几个独立段落的机械拼接，缺乏自然的起承转合。\n- **人工修改成本高**：生成的初稿可用性低，老师需要花费大量时间重新梳理逻辑并补充缺失的观点，效率极低。\n\n### 使用 MTA-LSTM 后\n- **主题全覆盖**：MTA-LSTM 内部维护的“多主题覆盖向量”能实时追踪每个主题的撰写进度，确保所有指定论点在文章中均得到充分阐述。\n- **表达丰富多样**：该模型通过动态更新权重引导注意力机制，有效避免了重复造句，生成的词汇和句式更加灵活多变。\n- **行文流畅自然**：借助对多话题的协同感知能力，MTA-LSTM 能自动在不同主题间建立逻辑桥梁，使文章结构严谨、过渡平滑。\n- **大幅提升效率**：生成的文章初稿质量显著接近人类水平，教师仅需微调即可直接使用，内容生产速度提升数倍。\n\nMTA-LSTM 通过独创的主题覆盖机制，解决了长文本生成中多主题难以兼顾的核心痛点，让机器真正学会了“围绕中心思想写长文”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhit-computer_MTA-LSTM_d1a56e6a.png","hit-computer","Glacier","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhit-computer_8bbfda5c.jpg","a NLPer",null,"hit_csat@163.com","https:\u002F\u002Fhit-computer.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fhit-computer",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,657,40,"2025-10-16T10:55:51",4,"","未说明",{"notes":95,"python":96,"dependencies":97},"代码基于 Python 2.7 和 TensorFlow 1.4.0 编写，若使用其他版本需修改代码。训练前需运行 Preprocess.py 生成二进制数据文件、词向量文件和词汇表文件。数据集需从提供的百度网盘链接下载并放置在 Data\u002F 目录下。","2.7",[98],"tensorflow==1.4.0",[15],"2026-03-27T02:49:30.150509","2026-04-06T05:35:47.679308",[103,108,113,118,123,128],{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},12694,"Data\u002Fvec.txt 文件是如何生成的？程序中包含生成该文件的代码吗？","Data\u002Fvec.txt 文件不是由项目代码直接生成的，需要使用外部的 word2vec 工具预先训练词向量并生成该文件，然后供项目读取使用。","https:\u002F\u002Fgithub.com\u002Fhit-computer\u002FMTA-LSTM\u002Fissues\u002F8",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},12695,"TrainingData.txt 数据文件需要什么格式？","目前官方文档和 Issue 中未明确说明 TrainingData.txt 的具体格式细节，建议参考项目源码中数据加载部分的逻辑或查看是否有示例数据文件作为格式参照。","https:\u002F\u002Fgithub.com\u002Fhit-computer\u002FMTA-LSTM\u002Fissues\u002F14",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},12696,"Beam Search 搜索过程支持并行加速吗？","原代码中的 Beam Search 实现仅支持单次串行生成，在评估时耗时较长。目前官方未提供并行化方案，但有用户提到已基于最新的 TensorFlow API 重新实现了相关代码以提升效率。","https:\u002F\u002Fgithub.com\u002Fhit-computer\u002FMTA-LSTM\u002Fissues\u002F10",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},12693,"hidden_size 必须设置为 word_embedding_size 的两倍吗？","不需要。hidden_size = 600 和 word_embedding_size = 300 只是建议的参数配置，并非强制要求必须保持两倍关系，用户可以根据实际需求调整。","https:\u002F\u002Fgithub.com\u002Fhit-computer\u002FMTA-LSTM\u002Fissues\u002F3",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},12697,"训练模型大概需要多长时间？对硬件配置有什么要求？","具体的训练时间和硬件配置（如 GPU\u002FCPU 数量、内存大小）取决于数据集规模和机器性能。原作者未在该 Issue 中提供确切数据，建议使用自有数据集时先进行小规模测试以估算时间。","https:\u002F\u002Fgithub.com\u002Fhit-computer\u002FMTA-LSTM\u002Fissues\u002F4",{"id":129,"question_zh":130,"answer_zh":131,"source_url":122},12698,"运行 Train.py 时遇到维度不匹配（Dimensions must be equal）错误怎么办？","该错误通常发生在 TensorFlow 版本兼容性或参数配置不当（如输入维度与隐藏层维度不一致）时。请检查 TensorFlow 版本是否为 1.4，并确认 config 配置中的 embedding_size 与 hidden_size 等维度参数是否与数据预处理结果匹配。",[]]