[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-huawei-noah--trustworthyAI":3,"similar-huawei-noah--trustworthyAI":101},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":18,"owner_email":18,"owner_twitter":18,"owner_website":19,"owner_url":20,"languages":21,"stars":40,"forks":41,"last_commit_at":42,"license":43,"difficulty_score":44,"env_os":45,"env_gpu":46,"env_ram":46,"env_deps":47,"category_tags":50,"github_topics":53,"view_count":44,"oss_zip_url":18,"oss_zip_packed_at":18,"status":63,"created_at":64,"updated_at":65,"faqs":66,"releases":96},8951,"huawei-noah\u002FtrustworthyAI","trustworthyAI","Trustworthy AI related projects","trustworthyAI 是华为诺亚方舟实验室开源的可信人工智能项目集合，旨在推动因果推断与可解释性 AI 技术的发展。它主要解决当前深度学习模型“黑盒”化严重、缺乏因果逻辑支撑的难题，帮助开发者构建更透明、鲁棒且符合伦理的 AI 系统。\n\n该资源库非常适合从事机器学习算法研究的研究人员、需要落地因果分析功能的开发者，以及对数据科学感兴趣的高校师生。其核心组件 gCastle 提供了一套完整的因果结构学习工具链，独特之处在于集成了多种基于梯度的因果发现算法，显著提升了从观测数据中自动挖掘因果关系的效率与准确性。此外，trustworthyAI 还收录了 CausalVAE、GAE 等前沿研究的代码实现，并提供了丰富的真实世界数据集与合成数据生成工具。对于希望参与高水平学术竞赛的用户，这里还整理了历届因果相关赛事的信息与基线方案。无论是进行理论探索还是工程实践，trustworthyAI 都能提供坚实的技术支持与丰富的实验素材。","# Trustworthy AI\n\nThis repository is a collection of trustworthy AI related works from Huawei Noah's Ark Lab.  \n\n---\n\n### gCastle\n\n- A causal structure learning toolchain containing various functionalities related to causal learning and evaluation. A tech report describing the toolbox is available [here](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.15155).\n- The package offers a number of causal discovery algorithms, most of which are gradient-based, hence the name: **g**radient-based **Ca**usal **st**ructure **le**arning pipeline.\n\n### Competition\n\n- Information and baselines for causality-related competitions arranged by Noah's Ark Lab.\n- Previous competitions were held at PCIC 2021, PCIC 2022, and NeurIPS 2023.\n\n### Datasets\n\n- Real-world datasets released by Huawei Noah's Ark Lab.\n- Code for generating various synthetic datasets.\n\n### Research \n \n- Research works related to causality. We will continuously add new methods here.\n- Currently contains implementations of CausalVAE, GAE, and causal discovery with reinforcement learning.\n","# 可信人工智能\n\n本仓库汇集了华为诺亚方舟实验室在可信人工智能领域的相关研究成果。\n\n---\n\n### gCastle\n\n- 一套因果结构学习工具链，包含多种与因果学习及评估相关的功能。有关该工具箱的技术报告可在此查阅：[arXiv:2111.15155](https:\u002F\u002Farxiv.org\u002Fabs\u002F2111.15155)。\n- 该软件包提供多款因果发现算法，其中大多数基于梯度优化，因此得名：**g**radient-based **Ca**usal **st**ructure **le**arning pipeline（基于梯度的因果结构学习流水线）。\n\n### 竞赛\n\n- 诺亚方舟实验室主办的因果关系相关竞赛的信息及基线代码。\n- 历届竞赛分别于 PCIC 2021、PCIC 2022 和 NeurIPS 2023 举办。\n\n### 数据集\n\n- 华为诺亚方舟实验室发布的真实世界数据集。\n- 用于生成各类合成数据集的代码。\n\n### 研究\n\n- 与因果推断相关的研究工作。我们将持续在此添加新的方法。\n- 目前包含 CausalVAE、GAE 以及基于强化学习的因果发现等实现。","# Trustworthy AI 快速上手指南\n\n本指南基于华为诺亚方舟实验室开源的 **Trustworthy AI** 项目，重点介绍其核心因果学习工具链 **gCastle** 的快速部署与使用。\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 (推荐 Ubuntu 18.04+), macOS 或 Windows (WSL)\n- **Python 版本**：Python 3.7 - 3.9\n- **前置依赖**：\n  - `pip` (包管理工具)\n  - `git` (代码版本控制)\n  - 基础科学计算库（安装过程中会自动处理）：`numpy`, `scipy`, `pandas`, `torch`, `networkx` 等\n\n> **提示**：建议创建独立的虚拟环境以避免依赖冲突。\n> ```bash\n> python -m venv trustworthy_env\n> source trustworthy_env\u002Fbin\u002Factivate  # Linux\u002FmacOS\n> # 或\n> trustworthy_env\\Scripts\\activate     # Windows\n> ```\n\n## 安装步骤\n\n您可以通过 PyPI 直接安装稳定版，或通过 GitHub 安装最新开发版。国内开发者推荐使用清华镜像源加速下载。\n\n### 方式一：通过 PyPI 安装（推荐）\n\n```bash\npip install gcastle -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 方式二：从源码安装（获取最新功能）\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fhuawei-noah\u002FtrustworthyAI.git\ncd trustworthyAI\u002Fgcastle\npip install . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n`gCastle` 提供了多种基于梯度的因果发现算法。以下是一个使用 **NOTEARS** 算法进行因果结构学习的极简示例。\n\n### 示例：使用 NOTEARS 进行因果发现\n\n此示例将生成一个合成数据集，并学习其潜在的因果图结构。\n\n```python\nimport numpy as np\nfrom gcastle.causal_discovery import PC, NOTEARS\nfrom gcastle.datasets import load_dataset\n\n# 1. 加载合成数据 (这里使用默认的线性高斯模型生成数据)\n# X: 观测数据矩阵 (样本数 x 变量数)\n# true_W: 真实的因果邻接矩阵\nX, true_W = load_dataset(name='sachs') \n\n# 2. 初始化 NOTEARS 模型\n# method='notears' 表示使用原始的 NOTEARS 算法\nmodel = NOTEARS()\n\n# 3. 拟合模型并学习因果结构\nmodel.fit(X)\n\n# 4. 获取学习到的因果邻接矩阵\npredicted_W = model.causal_matrix_\n\nprint(\"真实因果结构 (前 5x5):\")\nprint(true_W[:5, :5])\nprint(\"\\n学习到的因果结构 (前 5x5):\")\nprint(predicted_W[:5, :5])\n\n# 5. (可选) 评估结果\nfrom gcastle.metrics import evaluate\nshd = evaluate(predicted_W, true_W, metric_type='shd')\nprint(f\"\\n结构汉明距离 (SHD): {shd}\")\n```\n\n### 进阶提示\n- **算法切换**：除了 `NOTEARS`，`gcastle` 还支持 `DAG-GNN`, `GraN-DAG`, `RL-BIC` 等算法，只需更改初始化类即可（例如 `model = DAG_GNN()`）。\n- **数据输入**：支持传入自定义的 `numpy.ndarray` 或 `pandas.DataFrame` 格式数据。\n- **可视化**：结合 `networkx` 和 `matplotlib` 可将 `predicted_W` 绘制为有向无环图 (DAG)。","某金融风控团队正试图从海量用户交易数据中挖掘导致欺诈行为的根本原因，以优化现有的反欺诈模型。\n\n### 没有 trustworthyAI 时\n- 团队只能依赖传统的统计相关性分析，误将“高频登录”等伴随现象当作欺诈成因，导致策略误杀率高。\n- 缺乏统一的因果发现工具链，研究人员需手动复现各类梯度基算法，代码分散且难以评估不同方法的效果。\n- 缺少高质量的真实与合成因果数据集，模型训练缺乏基准对照，无法验证新提出的因果推断方法是否有效。\n- 面对复杂的非线性因果关系，现有方案难以结合强化学习或变分自编码器（如 CausalVAE）进行深入建模。\n\n### 使用 trustworthyAI 后\n- 利用 gCastle 组件中的梯度基因果结构学习算法，精准识别出“设备指纹异常”等真正致因，显著降低误报率。\n- 通过内置的完整工具链一键调用多种因果发现算法，并自动完成评估对比，研发效率提升数倍。\n- 直接调用华为诺亚方舟实验室发布的真实行业数据集及合成代码，快速构建基准测试环境，验证模型鲁棒性。\n- 灵活集成仓库中提供的 CausalVAE 和基于强化学习的因果发现实现，轻松攻克复杂场景下的非线性因果建模难题。\n\ntrustworthyAI 通过提供从算法、数据到评估的一站式因果学习方案，帮助团队从“关联猜测”跨越到“因果决策”，从根本上提升了 AI 系统的可信度与业务价值。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuawei-noah_trustworthyAI_bb947b1c.png","huawei-noah","HUAWEI Noah's Ark Lab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhuawei-noah_2ebfeb12.png","Working with and contributing to the open source community in data mining, artificial intelligence, and related fields.",null,"http:\u002F\u002Fwww.noahlab.com.hk\u002F","https:\u002F\u002Fgithub.com\u002Fhuawei-noah",[22,26,30,34,37],{"name":23,"color":24,"percentage":25},"Python","#3572A5",90,{"name":27,"color":28,"percentage":29},"Jupyter Notebook","#DA5B0B",9.8,{"name":31,"color":32,"percentage":33},"Batchfile","#C1F12E",0.1,{"name":35,"color":36,"percentage":33},"Makefile","#427819",{"name":38,"color":39,"percentage":33},"HTML","#e34c26",1116,249,"2026-04-14T12:41:58","Apache-2.0",2,"","未说明",{"notes":48,"python":46,"dependencies":49},"README 中未提供具体的运行环境需求（如操作系统、GPU、内存、Python 版本及依赖库）。该项目主要包含基于梯度的因果结构学习工具链（gCastle）、因果相关竞赛基线、数据集生成代码以及因果推断研究实现（如 CausalVAE, GAE 等）。建议查阅项目链接中的技术报告或源码中的 requirements 文件以获取详细安装指南。",[],[51,52],"开发框架","数据工具",[54,55,56,57,58,59,60,61,62],"causal-discovery","causal-inference","causality","independence-tests","machine-learning","python","statistics","structure","graph","ready","2026-03-27T02:49:30.150509","2026-04-18T14:34:03.631712",[67,72,77,82,87,92],{"id":68,"question_zh":69,"answer_zh":70,"source_url":71},40167,"运行 Causal Discovery RL 代码时出现 'FileNotFoundError: No such file or directory' 错误，如何解决数据加载问题？","该错误通常是因为缺少指定的输入数据文件（如 'input_data_path\u002Fdata.npy'）。请确保在运行代码前已准备好合成数据或真实数据集，并正确配置数据路径。如果是为了练习将 TensorFlow 代码转换为 PyTorch，请注意张量维度匹配问题：原始代码中张量形状应为 [batch_size, max_length]，转换后需确保所有相关张量（如 adj_prob 和 mask）的维度一致。建议添加调试代码打印张量形状以定位不匹配处：\nprint(\"Shape of self.adj_prob[:, i, :]:\", tf.shape(self.adj_prob[:, i, :]))\nprint(\"Shape of self.mask:\", tf.shape(self.mask))","https:\u002F\u002Fgithub.com\u002Fhuawei-noah\u002FtrustworthyAI\u002Fissues\u002F180",{"id":73,"question_zh":74,"answer_zh":75,"source_url":76},40168,"CausalVAE 的干预操作（intervention）在源代码中是如何实现的？为什么测试结果不理想？","CausalVAE 的干预操作通过强制将某个概念赋值为固定整数来实现，具体代码逻辑涉及使用 \"mask_z\" 修改解码器的潜在变量。正确的执行顺序是先运行 '.\u002Frun_pendulum.py' 训练模型，再运行 '.\u002Finference_pendulum.py' 进行干预测试。如果结果不理想，请确认是否严格按照 README.md 的步骤执行，且未随意修改核心干预逻辑代码。源代码中的干预部分对应于对 decode_m 和 decode_v 的掩码赋值操作。","https:\u002F\u002Fgithub.com\u002Fhuawei-noah\u002FtrustworthyAI\u002Fissues\u002F59",{"id":78,"question_zh":79,"answer_zh":80,"source_url":81},40169,"在 Windows 或 Ubuntu 上安装 Causal Discovery with Reinforcement Learning 项目时，遇到 R 语言环境（r-base, rpy2）配置失败怎么办？","该项目依赖 R 语言环境。对于 r-base，可以通过 conda 安装：'conda install -c conda-forge r-base'。对于 rpy2，Windows 用户在使用 conda 时最新版本可能仅为 2.9.4，若需更高版本（如 3.1.0），可尝试使用 pip 安装：'pip install rpy2'。如果 conda 安装 R 3.8.1 失败，请参考项目其他 Issue 中的详细配置指南或手动安装 R 后再配置 rpy2 连接。","https:\u002F\u002Fgithub.com\u002Fhuawei-noah\u002FtrustworthyAI\u002Fissues\u002F150",{"id":83,"question_zh":84,"answer_zh":85,"source_url":86},40170,"运行主函数时报错 'UnboundLocalError: local variable 'lambda1_update_add' referenced before assignment'，原因是什么？","此错误是因为变量 'lambda1_update_add' 在未赋值的情况下被引用。解决方法是在运行脚本时添加 '--lambda_flag_default' 标志。使用该标志后，配置文件中的 'config.lambda_flag_default' 会被设为 true，从而在代码第 86 行正确初始化 'lambda1_update_add' 变量为 1。请确保启动命令中包含该参数。","https:\u002F\u002Fgithub.com\u002Fhuawei-noah\u002FtrustworthyAI\u002Fissues\u002F58",{"id":88,"question_zh":89,"answer_zh":90,"source_url":91},40171,"在使用 bnlearn 基准测试运行 Causal Discovery RL 时，convert_graph_int_to_adj_mat 函数报错，输入数据看起来异常，如何处理？","该错误通常源于输入的整型图数据（graph_int）格式不正确或包含非法数值（如极大的负数），导致无法转换为邻接矩阵。请检查上游生成 graph_int 的逻辑，确保其符合函数预期的编码格式。如果是从特定基准数据集加载，需确认数据预处理步骤是否正确，避免直接传入未经处理的原始二进制或序列化数据。建议在调用 convert_graph_int_to_adj_mat 前打印并验证输入数组的范围和类型。","https:\u002F\u002Fgithub.com\u002Fhuawei-noah\u002FtrustworthyAI\u002Fissues\u002F43",{"id":93,"question_zh":94,"answer_zh":95,"source_url":71},40172,"将 TensorFlow 实现的 Causal Discovery 代码转换为 PyTorch 时，遇到张量尺寸不匹配（RuntimeError: size mismatch）怎么办？","张量尺寸不匹配通常是因为框架间维度定义差异。在原始 TensorFlow 代码中，adj_prob 和 mask 的形状应均为 [batch_size, max_length]。在 PyTorch 版本中，需仔细检查卷积层（conv1d）和 one_hot 编码的输出维度。例如，确保 conv1d 的 filters 参数设置为 max_length，且 one_hot 的 num_classes 也对应 max_length。建议逐模块测试，使用 print(tensor.shape) 确认每一步输出形状，特别是在循环索引 i 变化时，切片操作 adj_prob[:, i, :] 的结果维度必须与 mask 保持一致。",[97],{"id":98,"version":99,"summary_zh":18,"released_at":100},323677,"1.0.1","2021-05-31T03:16:15",[102,113,121,130,138,147],{"id":103,"name":104,"github_repo":105,"description_zh":106,"stars":107,"difficulty_score":108,"last_commit_at":109,"category_tags":110,"status":63},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",[111,51,112,52],"Agent","图像",{"id":114,"name":115,"github_repo":116,"description_zh":117,"stars":118,"difficulty_score":108,"last_commit_at":119,"category_tags":120,"status":63},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",[51,112,111],{"id":122,"name":123,"github_repo":124,"description_zh":125,"stars":126,"difficulty_score":44,"last_commit_at":127,"category_tags":128,"status":63},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",159636,"2026-04-17T23:33:34",[51,111,129],"语言模型",{"id":131,"name":132,"github_repo":133,"description_zh":134,"stars":135,"difficulty_score":44,"last_commit_at":136,"category_tags":137,"status":63},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",[51,112,111],{"id":139,"name":140,"github_repo":141,"description_zh":142,"stars":143,"difficulty_score":44,"last_commit_at":144,"category_tags":145,"status":63},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",[146,111,112,51],"插件",{"id":148,"name":149,"github_repo":150,"description_zh":151,"stars":152,"difficulty_score":44,"last_commit_at":153,"category_tags":154,"status":63},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",[146,51]]