[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-huangjia2019--langchain-in-action":3,"tool-huangjia2019--langchain-in-action":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",149489,2,"2026-04-10T11:32:46",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":78,"difficulty_score":96,"env_os":97,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":107,"updated_at":108,"faqs":109,"releases":110},6234,"huangjia2019\u002Flangchain-in-action","langchain-in-action","Practical LangChain patterns and implementations for real-world LLM applications. 极客时间：LangChain实战课 - 这是LangChain框架早期设计的一系列重点模块的直接而清晰的示例和讲解。随着LangChain的快速演进，有些代码需要安装新的版本进行迭代。希望大家在快速浏览课程概念（仍有价值）的同时，自行学习LangChain最新的代码和进展。","langchain-in-action 是一套专注于 LangChain 框架的实战代码库，旨在通过清晰、直接的示例，展示如何构建真实世界的大语言模型（LLM）应用。它源自极客时间的同名实战课程，系统梳理了 LangChain 早期设计中的核心模块与经典模式，帮助开发者快速理解从概念到落地的完整路径。\n\n在大模型应用开发中，许多开发者往往困于理论概念，难以将抽象的链式调用、代理逻辑或记忆机制转化为可运行的代码。langchain-in-action 正好解决了这一痛点，提供了大量可复用的实现模板，让用户能直观看到各类功能的具体写法。虽然 LangChain 框架迭代迅速，部分旧代码需结合新版本调整，但其中蕴含的设计思路与架构模式依然具有极高的参考价值，是学习最新官方文档前的绝佳铺垫。\n\n这套资源特别适合具有一定 Python 基础的 AI 应用开发者和技术研究人员使用。对于希望深入掌握 LangChain 内部机制、避免“调包侠”式开发的工程师而言，它能提供扎实的工程视角。其独特亮点在于“所见即所得”的教学方式，将复杂的框架逻辑拆解为一个个独立的、可执行的最小单元，极大地降低了学习门槛","langchain-in-action 是一套专注于 LangChain 框架的实战代码库，旨在通过清晰、直接的示例，展示如何构建真实世界的大语言模型（LLM）应用。它源自极客时间的同名实战课程，系统梳理了 LangChain 早期设计中的核心模块与经典模式，帮助开发者快速理解从概念到落地的完整路径。\n\n在大模型应用开发中，许多开发者往往困于理论概念，难以将抽象的链式调用、代理逻辑或记忆机制转化为可运行的代码。langchain-in-action 正好解决了这一痛点，提供了大量可复用的实现模板，让用户能直观看到各类功能的具体写法。虽然 LangChain 框架迭代迅速，部分旧代码需结合新版本调整，但其中蕴含的设计思路与架构模式依然具有极高的参考价值，是学习最新官方文档前的绝佳铺垫。\n\n这套资源特别适合具有一定 Python 基础的 AI 应用开发者和技术研究人员使用。对于希望深入掌握 LangChain 内部机制、避免“调包侠”式开发的工程师而言，它能提供扎实的工程视角。其独特亮点在于“所见即所得”的教学方式，将复杂的框架逻辑拆解为一个个独立的、可执行的最小单元，极大地降低了学习门槛，帮助用户在快速浏览中建立对大模型应用开发的系统性认知。","# LangChain实战课\n\n\n喜欢这个Repo，就要[到这里](https:\u002F\u002Ftime.geekbang.org\u002Fcolumn\u002Fintro\u002F100617601)购买此课，支持佳哥\n\n还有，佳哥的新书GPT图解，重磅问世。当然你也要支持一下。[此处](https:\u002F\u002Fu.jd.com\u002FEzPlXWB)购买5折。\n\n![Alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_langchain-in-action_readme_cca8dd9f55a9.png)\n\nhttps:\u002F\u002Ftime.geekbang.org\u002Fcolumn\u002Fintro\u002F100617601\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_langchain-in-action_readme_9938f3f5972e.png)\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_langchain-in-action_readme_536ac941c09f.png)\n\n\n\n","# LangChain实战课\n\n\n如果喜欢这个仓库，就[点击这里](https:\u002F\u002Ftime.geekbang.org\u002Fcolumn\u002Fintro\u002F100617601)购买这门课程，支持佳哥吧！\n\n另外，佳哥的新书《GPT图解》重磅上市了。你也快来支持一下吧！[这里](https:\u002F\u002Fu.jd.com\u002FEzPlXWB)购买可享五折优惠。\n\n![Alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_langchain-in-action_readme_cca8dd9f55a9.png)\n\nhttps:\u002F\u002Ftime.geekbang.org\u002Fcolumn\u002Fintro\u002F100617601\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_langchain-in-action_readme_9938f3f5972e.png)\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_langchain-in-action_readme_536ac941c09f.png)","# LangChain 实战课快速上手指南\n\n本指南基于 `langchain-in-action` 项目，旨在帮助开发者快速搭建环境并运行基础示例。该项目主要配合极客时间《LangChain 实战课》及书籍《GPT 图解》使用。\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**：Linux, macOS 或 Windows (推荐 WSL2)\n- **Python 版本**：Python 3.8 - 3.11\n- **包管理器**：pip 或 conda\n- **API Key**：已准备好 OpenAI API Key 或其他大模型服务商的密钥\n\n> **提示**：国内开发者建议使用国内镜像源加速依赖下载，提升安装成功率。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fhuangjia2019\u002Flangchain-in-action.git\ncd langchain-in-action\n```\n\n### 2. 创建虚拟环境（推荐）\n\n```bash\npython -m venv venv\n# Windows\nvenv\\Scripts\\activate\n# macOS\u002FLinux\nsource venv\u002Fbin\u002Factivate\n```\n\n### 3. 安装依赖\n\n**方案 A：使用官方 PyPI（需网络通畅）**\n```bash\npip install -r requirements.txt\n```\n\n**方案 B：使用国内镜像源（推荐国内用户）**\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n若项目中未提供 `requirements.txt`，可手动安装核心依赖：\n```bash\npip install langchain langchain-openai python-dotenv -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n### 1. 配置环境变量\n\n在项目根目录下创建 `.env` 文件，填入您的 API 密钥：\n\n```bash\necho \"OPENAI_API_KEY=sk-your-api-key-here\" > .env\n```\n\n*注：如果您使用的是其他模型提供商，请参考具体章节修改对应的环境变量名称。*\n\n### 2. 运行第一个示例\n\n创建一个简单的 Python 脚本 `hello_langchain.py`：\n\n```python\nfrom langchain_openai import ChatOpenAI\nfrom langchain_core.messages import HumanMessage\nfrom dotenv import load_dotenv\nimport os\n\n# 加载环境变量\nload_dotenv()\n\n# 初始化模型\nllm = ChatOpenAI(model=\"gpt-3.5-turbo\")\n\n# 构建消息并调用\nmessages = [HumanMessage(content=\"请用一句话介绍 LangChain\")]\nresponse = llm.invoke(messages)\n\nprint(response.content)\n```\n\n### 3. 执行脚本\n\n```bash\npython hello_langchain.py\n```\n\n如果配置正确，您将看到模型返回的关于 LangChain 的简介。接下来您可以深入探索项目中各章节的具体案例代码。","某电商公司的后端团队正致力于构建一个能自动处理用户复杂售后咨询的智能客服系统，需要整合订单数据库、物流接口及公司政策文档。\n\n### 没有 langchain-in-action 时\n- 开发人员需从零摸索 LangChain 早期架构，面对快速迭代的 API 频繁遭遇代码报错，调试成本极高。\n- 缺乏标准化的实战模式参考，导致记忆增强（Memory）和链式调用（Chain）逻辑混乱，难以处理多轮对话上下文。\n- 在连接私有知识库时，因缺少清晰的检索增强生成（RAG）示例，数据检索准确率低下且响应延迟严重。\n- 团队成员各自为战，重复造轮子，无法复用成熟的模块设计，项目整体交付周期被大幅拉长。\n\n### 使用 langchain-in-action 后\n- 直接复用经过验证的清晰示例代码，快速适配 LangChain 最新版本，显著降低了环境配置与版本兼容的试错成本。\n- 参照书中提供的标准实战模式，迅速搭建起稳定的多轮对话状态管理机制，确保用户意图识别精准连贯。\n- 利用现成的 RAG 实现模板，高效完成私有政策文档的向量化与检索优化，使客服回答的准确性与实时性大幅提升。\n- 统一了团队的开发规范与架构思路，成员可基于成熟模块快速扩展功能，将原本数周的开发任务压缩至数天完成。\n\nlangchain-in-action 通过提供直击痛点的实战范式，帮助开发者跨越框架演进的学习曲线，将大模型应用从概念验证快速转化为稳定落地的生产级系统。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuangjia2019_langchain-in-action_09b5eb76.png","huangjia2019","Jia Huang (黄佳)","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhuangjia2019_e31a3e7c.jpg","AI Engineer & Technical Author ——\r\nTurning LLM demos into real-world RAG and Agent systems.","A*STAR",null,"https:\u002F\u002Fgithub.com\u002Fhuangjia2019",[81,85,89],{"name":82,"color":83,"percentage":84},"Python","#3572A5",96.2,{"name":86,"color":87,"percentage":88},"HTML","#e34c26",2.2,{"name":90,"color":91,"percentage":92},"CSS","#663399",1.6,749,255,"2026-04-10T00:18:32",1,"","未说明",{"notes":100,"python":98,"dependencies":101},"提供的 README 内容主要为课程推广和书籍广告，未包含任何关于运行环境、依赖库或安装步骤的技术说明。",[],[35,14,13],[104,105,106],"agent","langchain","llm","2026-03-27T02:49:30.150509","2026-04-10T20:36:04.492482",[],[]]