[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hitsz-ids--airda":3,"tool-hitsz-ids--airda":61},[4,18,26,36,44,52],{"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":10,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"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":10,"env_os":88,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":96,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":97,"updated_at":98,"faqs":99,"releases":105},4785,"hitsz-ids\u002Fairda","airda","airda(Air Data Agent)是面向数据分析的多智能体，能够理解数据开发和数据分析需求、理解数据、生成面向数据查询、数据可视化、机器学习等任务的SQL和Python代码","airda（Air Data Agent）是一款面向数据分析领域的多智能体开源工具，旨在帮助用户轻松完成从数据检索到可视化展示的全流程任务。它能够理解自然语言描述的数据开发与分析需求，自动编写 SQL 查询语句和 Python 代码，支持数据查找、指标计算、机器学习建模及图表生成等工作。\n\n在大数据环境下，面对成百上千张数据表，传统方式往往难以快速定位所需信息，且业务逻辑复杂容易导致分析出错。airda 通过内置的业务知识库和多智能体协同机制，不仅精准匹配数据源，还能理解指标含义与计算公式，并在多轮对话中自我调试代码，显著提升分析效率与准确性。最终结果可转化为可视化大屏、数据 API 或具体应用，便于决策与集成。\n\nairda 特别适合数据分析师、数据工程师以及具备一定技术背景的研究人员使用，同时也为希望降低数据分析门槛的团队提供强大支持。其独特之处在于融合了多智能体协作、业务知识理解与自动化代码生成能力，让复杂的数据任务变得简单高效。目前项目已支持 SQL 生成、数据接入与知识库构建，后续将持续完善图表生成与任务规划等功能。","## 📖 介绍\nairda(Air Data Agent)是面向数据分析的多智能体，能够理解数据开发和数据分析需求、理解数据、生成面向数据查询、数据可视化、机器学习等任务的SQL和Python代码。\n### 特性：\n\n- **精准数据检索**：airda具有强大的数据处理和搜索能力，可以从成百上千张表中精准找数，满足您在大数据环境下的数据查找需求。\n- **业务知识理解**：airda不仅能处理数据，还深入理解数据指标、计算公式等业务知识，为您提供更深层次、更具业务价值的数据分析。\n- **多智能体协同工作**：airda采用面向数据分析需求的多轮对话设计，多智能体可以协同工作，进行数据分析代码的self-debug，提升分析效率，降低错误率。\n- **数据可视化**：airda可以将复杂的数据通过可视化的方式呈现，让数据分析结果更易于理解，帮助您更好地做出决策。\n### airda工作流程：\n- **需求确认：** airda与用户建立对话，理解用户的需求。在这一阶段，airda会提出一系列问题，以便更准确地了解用户的需求。\n- **任务规划：** airda会根据最终确认的需求内容为用户制定任务规划。这个规划包括一系列步骤，airda会按照这些步骤来为用户提供服务。\n- **任务执行：** airda将规划好的任务分配给不同的智能体，如数据查找智能体、SQL生成智能体、代码生成智能体、可视化分析智能体等。每个智能体负责其专业领域的任务执行，协同工作以确保任务的高效完成。\n- **应用生成：** airda根据用户需求任务将结果数据转化为应用成果，如指标大屏展示、数据API服务和数据应用等，这些成果能够以可视化的形式展示关键数据指标，提供API接口供其他系统或服务调用，以及根据用户需求生成具体的应用程序。![image.png](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhitsz-ids_airda_readme_4bbd82a2abdd.png)\n\n### 完成进度：\n\n- [x] SQL生成\n- [x] 数据接入\n- [x] 知识库\n- [ ] 语料库\n- [ ] 图表生成\n- [ ] 任务规划\n\n## ✨ 快速开始\n\n### 环境要求\n\nPython>=3.10\n\n### 安装 airda\n\npip安装\n\n```\npip install airda -i https:\u002F\u002Fpypi.python.org\u002Fsimple\u002F\n```\n\n### 依赖安装\n\n使用airda需要用到mongodb,可采用docker安装mongodb\n\n```\n#拉取mongo镜像\ndocker pull mongo\ndocker run -itd --name mongo -v \u002F{path_of_mongo_data}:\u002Fdata\u002Fdb -p 27017:27017 mongo\n\n```\n\n### 自定义配置\n\n环境变量\n\n下载[.env.template](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Fairda\u002Fblob\u002Fmain\u002F.env.template)自定义embedding模型,mongo配置,以及openai配置\n\n```\nairda env load -p {your_path}\u002F.env_template\n```\n\n日志文件（非必须）\n\n下载[log_config.yml.template](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Fairda\u002Fblob\u002Fmain\u002Flog_config.yml.template),自定义日志配置\n\n```\nairda log load -p {your_path}\u002Flog_config.yml.template\n```\n\nEmbedding Model\n\nairda默认使用[stella-large-zh-v2](https:\u002F\u002Fhuggingface.co\u002Finfgrad\u002Fstella-large-zh-v2)模型, 模型默认下载到~\u002F.cache\u002Fhuggingface\u002Fhub\u002F路径,目录下没有需要手动下载\n\n\n\n### 相关配置命令\n\n添加你的数据源\n```\nairda datasource add -n {datasource_name} -h {host} -p {port} -k MYSQL -d {database} -u {username} -w {password}\n#当前只支持kind为MYSQL的数据源\n```\n训练数据源的schema\n\n```\nairda datasource sync -n {datasource_name}\n```\n查询当前可用的数据源\n```\nairda datasource ls\n```\n\n### 开始问答\n\n```\nairda run cli -n {datasource_name}\n#输入你的问题:\n```\n\n\n\n\n\n\n\n## 👏 贡献\n\n我们欢迎各种贡献和建议，共同努力，使本项目更上一层楼！麻烦遵循以下步骤：\n\n- **步骤1：** 如果您想添加任何额外的功能、增强功能或在使用过程中遇到任何问题，请发布一个 [问题](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Fairda\u002Fissues) 。如果您能遵循 [问题模板](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Faird\u002Fissues\u002F1) 我们将不胜感激。问题将在那里被讨论和分配。\n- **步骤2：** 无论何时，当一个问题被分配后，您都可以按照 [PR模板](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Faird\u002Fpulls) 创建一个 [拉取请求](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Faird\u002Fpulls) 进行贡献。您也可以认领任何公开的问题。共同努力，我们可以使airda变得更好！\n- **步骤3：** 在审查和讨论后，PR将被合并或迭代。感谢您的贡献！\n\n在您开始之前，我们强烈建议您花一点时间检查 [这里](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Faird\u002Fblob\u002Fdeveloping\u002FCONTRIBUTING.md) 再进行贡献。\n\n\n\n","## 📖 介绍\nairda（Air Data Agent）是一款面向数据分析的多智能体系统，能够理解数据开发和数据分析需求、解析数据，并生成用于数据查询、数据可视化、机器学习等任务的SQL和Python代码。\n### 特性：\n\n- **精准数据检索**：airda具备强大的数据处理和搜索能力，可以从成百上千张表中精准定位所需数据，满足您在大数据环境下的数据查找需求。\n- **业务知识理解**：airda不仅能处理数据，还能深入理解数据指标、计算公式等业务知识，为您提供更深层次、更具业务价值的数据分析。\n- **多智能体协同工作**：airda采用面向数据分析需求的多轮对话设计，多智能体可以协同工作，进行数据分析代码的自调试，提升分析效率，降低错误率。\n- **数据可视化**：airda可以将复杂的数据通过可视化的方式呈现，让数据分析结果更易于理解，帮助您更好地做出决策。\n### airda工作流程：\n- **需求确认：** airda与用户建立对话，理解用户的需求。在这一阶段，airda会提出一系列问题，以便更准确地了解用户的需求。\n- **任务规划：** airda会根据最终确认的需求内容为用户制定任务规划。这个规划包括一系列步骤，airda会按照这些步骤来为用户提供服务。\n- **任务执行：** airda将规划好的任务分配给不同的智能体，如数据查找智能体、SQL生成智能体、代码生成智能体、可视化分析智能体等。每个智能体负责其专业领域的任务执行，协同工作以确保任务的高效完成。\n- **应用生成：** airda根据用户需求任务将结果数据转化为应用成果，如指标大屏展示、数据API服务和数据应用等，这些成果能够以可视化的形式展示关键数据指标，提供API接口供其他系统或服务调用，以及根据用户需求生成具体的应用程序。![image.png](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhitsz-ids_airda_readme_4bbd82a2abdd.png)\n\n### 完成进度：\n\n- [x] SQL生成\n- [x] 数据接入\n- [x] 知识库\n- [ ] 语料库\n- [ ] 图表生成\n- [ ] 任务规划\n\n## ✨ 快速开始\n\n### 环境要求\n\nPython>=3.10\n\n### 安装 airda\n\npip安装\n\n```\npip install airda -i https:\u002F\u002Fpypi.python.org\u002Fsimple\u002F\n```\n\n### 依赖安装\n\n使用airda需要用到mongodb,可采用docker安装mongodb\n\n```\n#拉取mongo镜像\ndocker pull mongo\ndocker run -itd --name mongo -v \u002F{path_of_mongo_data}:\u002Fdata\u002Fdb -p 27017:27017 mongo\n\n```\n\n### 自定义配置\n\n环境变量\n\n下载[.env.template](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Fairda\u002Fblob\u002Fmain\u002F.env.template)自定义embedding模型,mongo配置,以及openai配置\n\n```\nairda env load -p {your_path}\u002F.env_template\n```\n\n日志文件（非必须）\n\n下载[log_config.yml.template](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Fairda\u002Fblob\u002Fmain\u002Flog_config.yml.template),自定义日志配置\n\n```\nairda log load -p {your_path}\u002Flog_config.yml.template\n```\n\nEmbedding Model\n\nairda默认使用[stella-large-zh-v2](https:\u002F\u002Fhuggingface.co\u002Finfgrad\u002Fstella-large-zh-v2)模型, 模型默认下载到~\u002F.cache\u002Fhuggingface\u002Fhub\u002F路径,目录下没有需要手动下载\n\n\n\n### 相关配置命令\n\n添加你的数据源\n```\nairda datasource add -n {datasource_name} -h {host} -p {port} -k MYSQL -d {database} -u {username} -w {password}\n#当前只支持kind为MYSQL的数据源\n```\n训练数据源的schema\n\n```\nairda datasource sync -n {datasource_name}\n```\n查询当前可用的数据源\n```\nairda datasource ls\n```\n\n### 开始问答\n\n```\nairda run cli -n {datasource_name}\n#输入你的问题:\n```\n\n\n\n\n\n\n\n## 👏 贡献\n\n我们欢迎各种贡献和建议，共同努力，使本项目更上一层楼！麻烦遵循以下步骤：\n\n- **步骤1：** 如果您想添加任何额外的功能、增强功能或在使用过程中遇到任何问题，请发布一个 [问题](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Fairda\u002Fissues) 。如果您能遵循 [问题模板](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Faird\u002Fissues\u002F1) 我们将不胜感激。问题将在那里被讨论和分配。\n- **步骤2：** 无论何时，当一个问题被分配后，您都可以按照 [PR模板](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Faird\u002Fpulls) 创建一个 [拉取请求](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Faird\u002Fpulls) 进行贡献。您也可以认领任何公开的问题。共同努力，我们可以使airda变得更好！\n- **步骤3：** 在审查和讨论后，PR将被合并或迭代。感谢您的贡献！\n\n在您开始之前，我们强烈建议您花一点时间检查 [这里](https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Faird\u002Fblob\u002Fdeveloping\u002FCONTRIBUTING.md) 再进行贡献。","# airda 快速上手指南\n\nairda (Air Data Agent) 是一款面向数据分析的多智能体工具，能够理解业务需求，自动生成 SQL 查询、Python 代码及数据可视化方案，支持从海量表中精准检索数据并协同完成复杂分析任务。\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**：Linux \u002F macOS \u002F Windows\n- **Python 版本**：>= 3.10\n- **依赖服务**：MongoDB（用于存储知识库和上下文）\n\n### 安装 MongoDB (推荐 Docker)\n\n使用 Docker 快速部署 MongoDB 服务：\n\n```bash\n# 拉取 Mongo 镜像\ndocker pull mongo\n\n# 启动容器 (请替换 \u002F{path_of_mongo_data} 为本地实际存储路径)\ndocker run -itd --name mongo -v \u002F{path_of_mongo_data}:\u002Fdata\u002Fdb -p 27017:27017 mongo\n```\n\n## 安装步骤\n\n### 1. 安装 airda\n\n使用 pip 进行安装（已配置国内源加速）：\n\n```bash\npip install airda -i https:\u002F\u002Fpypi.python.org\u002Fsimple\u002F\n```\n\n### 2. 配置环境变量\n\n下载配置文件模板 `.env.template`，自定义 Embedding 模型、MongoDB 连接信息及 OpenAI API Key。\n\n加载配置：\n\n```bash\nairda env load -p {your_path}\u002F.env_template\n```\n\n> **注意**：airda 默认使用 `stella-large-zh-v2` 模型。若本地 `~\u002F.cache\u002Fhuggingface\u002Fhub\u002F` 目录下无该模型，需手动下载或确保网络通畅以便自动下载。\n\n### 3. (可选) 配置日志\n\n下载 `log_config.yml.template` 并加载自定义日志配置：\n\n```bash\nairda log load -p {your_path}\u002Flog_config.yml.template\n```\n\n## 基本使用\n\n### 1. 添加数据源\n\n目前支持 MySQL 数据源。将您的数据库信息注册到 airda：\n\n```bash\nairda datasource add -n {datasource_name} -h {host} -p {port} -k MYSQL -d {database} -u {username} -w {password}\n```\n\n### 2. 同步数据 Schema\n\n训练 airda 理解数据源的结构（表、字段等信息）：\n\n```bash\nairda datasource sync -n {datasource_name}\n```\n\n*(可通过 `airda datasource ls` 查看当前可用数据源)*\n\n### 3. 开始对话分析\n\n启动命令行交互模式，输入自然语言问题即可获取分析结果：\n\n```bash\nairda run cli -n {datasource_name}\n```\n\n启动后，直接输入您的问题（例如：“查询上个月销售额最高的产品”），airda 将自动规划任务、生成代码并返回结果。","某电商公司的数据分析师需要在季度复盘时，从包含上千张表的数仓中快速提取“各区域复购率与营销投入的关联分析”，并生成可视化报告供管理层决策。\n\n### 没有 airda 时\n- **找数如大海捞针**：面对成百上千张数据表，分析师需花费数小时手动查阅文档或询问同事，才能定位到正确的用户行为表和订单表。\n- **业务逻辑易出错**：复杂的“复购率”计算公式涉及多个指标口径，人工编写 SQL 时极易搞错关联条件或过滤规则，导致数据偏差。\n- **协作调试效率低**：代码报错或结果异常时，需反复在数据工程师、分析师之间沟通排查，多轮修改耗时耗力。\n- **可视化门槛高**：拿到数据后，还需切换工具编写 Python 绘图代码或操作 BI 软件，难以即时呈现直观的分析结论。\n\n### 使用 airda 后\n- **精准秒级定位**：airda 凭借强大的语义检索能力，直接理解“复购率”需求，自动从海量表中锁定相关数据源，将找数时间从小时级缩短至秒级。\n- **深度理解业务**：airda 内置业务知识库，自动匹配正确的指标定义与计算逻辑，生成的 SQL 代码准确无误，确保分析结果可信。\n- **多智能体自调试**：数据查找、SQL 生成与代码验证智能体协同工作，自动发现并修复逻辑漏洞，无需人工反复介入调试。\n- **一键生成洞察**：分析完成后，airda 直接调用可视化智能体输出动态图表大屏，将枯燥数据转化为直观的决策依据，实现从提问到展示的闭环。\n\nairda 通过多智能体协同与业务深度理解，将原本繁琐的数据分析流程自动化，让分析师能专注于高价值的业务洞察而非底层代码实现。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhitsz-ids_airda_3896d324.png","hitsz-ids","哈工大（深圳）数据安全研究院","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhitsz-ids_ce5d26c6.png","Open source projects from Institute of Data Security, Harbin Institute of Technology (Shen Zhen)",null,"https:\u002F\u002Fidslab.io","https:\u002F\u002Fgithub.com\u002Fhitsz-ids",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,1737,274,"2026-04-06T13:01:04","Apache-2.0","","未说明",{"notes":91,"python":92,"dependencies":93},"1. 必须安装并运行 MongoDB 数据库（推荐使用 Docker 部署）。2. 默认使用 stella-large-zh-v2 作为嵌入模型，首次运行时若本地无缓存需手动下载或自动下载至 ~\u002F.cache\u002Fhuggingface\u002Fhub\u002F。3. 目前数据源仅支持 MySQL 类型。4. 需配置 OpenAI API Key 及环境变量文件 (.env)。5. 图表生成、任务规划等功能尚在开发中，当前主要支持 SQL 生成和数据接入。",">=3.10",[94,95],"mongodb (需通过 Docker 安装)","stella-large-zh-v2 (默认 Embedding 模型)",[35,16,13],"2026-03-27T02:49:30.150509","2026-04-07T10:51:59.696805",[100],{"id":101,"question_zh":102,"answer_zh":103,"source_url":104},21732,"遇到 OpenAI 报错 'insufficient_quota' (错误代码 429) 或切换到千问模型也出现同样问题，该如何解决？","该错误通常是因为没有正确配置 OpenAI API Key，或者配置的 Key 余额\u002F配额已不足。请检查您的环境变量或配置文件中的 API Key 设置，并确保账户中有足够的可用额度。如果是切换到其他模型（如千问）也报此错，请确认是否仍然沿用了无效或余额不足的 OpenAI Key 配置。","https:\u002F\u002Fgithub.com\u002Fhitsz-ids\u002Fairda\u002Fissues\u002F19",[106],{"id":107,"version":108,"summary_zh":76,"released_at":109},127759,"v0.0.3","2024-04-26T11:17:07"]