[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-huggingface--cookbook":3,"tool-huggingface--cookbook":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",156033,2,"2026-04-14T23:32:00",[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":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":72,"owner_website":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":88,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":94,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":95,"updated_at":96,"faqs":97,"releases":127},7621,"huggingface\u002Fcookbook","cookbook","Open-source AI cookbook","cookbook 是一个由社区驱动的开源 AI 实践指南库，旨在通过丰富的真实案例，帮助用户利用开源工具和模型构建 AI 应用并解决各类任务。它主要解决了开发者在入门或进阶过程中缺乏系统性、可执行代码示例的痛点，将抽象的 AI 概念转化为端到端的完整项目演示。\n\n无论是希望快速上手的初学者，还是寻求灵感的资深研究人员与工程师，都能在这里找到适合自己的“食谱”。内容涵盖多种模态、技术路线及应用场景，所有示例均基于许可宽松的开源库、数据集和预训练模型构建，确保用户能够自由学习、复用及二次开发。\n\ncookbook 的核心亮点在于其严格的社区共建标准：每个笔记本（Notebook）都强调实用性、代码的可执行性以及清晰易懂的讲解风格。它不仅提供解决问题的具体步骤，还深入剖析挑战与替代方案，同时保持内容中立，避免过度商业推广。此外，该项目支持多语言翻译，致力于打破语言障碍，让全球开发者都能轻松获取高质量的 AI 开发资源。如果你渴望在实践中掌握 AI 技术，cookbook 将是你的理想伙伴。","# Open-Source AI Cookbook\n\nThis repo contains community-driven practical examples of building AI applications and solving various tasks with AI \nusing open-source tools and models. \n\n## Contributing to the cookbook\n\nEveryone is welcome to contribute, and we value everybody's contribution! There are several ways you can contribute to \nthe [Open-Source AI Cookbook](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fcookbook\u002Findex):\n\n* Submit an idea for a desired example\u002Fguide via [GitHub Issues](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fcookbook\u002Fissues).\n* Contribute a new notebook with a practical example.\n* Improve existing examples by fixing issues\u002Ftypos. \n\nBefore contributing, check currently [open issues](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fcookbook\u002Fissues) and\n[pull requests](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fcookbook\u002Fpulls) to avoid working on something that someone else is\nalready working on.\n\nAfter you contribute, feel free to ask for a request to join to [this organization](https:\u002F\u002Fhuggingface.co\u002Fhuggingcooks) to claim the badge. 🏅\n\n### What makes a good Cookbook notebook?\n\nWe believe that the Cookbook will be the most beneficial for everyone in the community if the Jupyter notebooks have the \nfollowing qualities: \n\n* *Practical*: Your notebook should provide an illustration of an end-to-end project or a specific aspect of AI development. Aim for real-world applications, but try to avoid overcomplicating. Clearly explain the objectives, challenges and steps involved.\n* *Build with open-source tools and models*: Utilize open source libraries, datasets, and pre-trained models available under permissive licenses. Include links to all resources used within the notebook.\n* *Clearly written*: Ensure your writing is clear, concise, and free from grammatical errors. Maintain a friendly and approachable tone throughout the notebook. Explain the steps you take to solve a problem, challenges, alternative approaches.\n* *Executes without errors*: Test your notebook to avoid runtime errors.\n* *Adds to existing \"recipes\"*: Before submitting, review existing notebooks to confirm that the subject hasn't been covered yet. We welcome diverse use cases, modalities, techniques, and approaches!\n* *Content neutrality*: Notebooks should remain neutral and educational. They should not be branded or heavily focused on promoting specific brands, products, or open-source repositories.\n\n### Creating a pull request\n\nTo contribute a new example\u002Fguide, open a pull request, and tag @merveenoyan and @stevhliu.\n\nHere are some tips:\n\n* Make sure that your notebook's file name is in lowercase.\n* Don't forget to add your notebook to the `_toctree.yml` and to `index.md`.\n* Right after the notebook's first header, add yourself as an author like this: `_Authored by: [Aymeric Roucher](https:\u002F\u002Fhuggingface.co\u002Fm-ric)_`. You can link to your Hugging Face profile, or to your GitHub profile.\n* Remove non-informative code cell outputs (e.g. from `pip install`). Make sure the notebook doesn't contain any empty code cells.\n* If using any images in the markdown, upload them to the [huggingface\u002Fcookbook-images](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fhuggingface\u002Fcookbook-images) dataset. Then use the link to the image in your markdown, e.g.:\n```![RAG diagram](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuggingface_cookbook_readme_a9ad0388fbd2.png)```\n\nOnce your pull request is merged, the notebook will show up in the [Open-Source AI Cookbook](https:\u002F\u002Fhf.co\u002Flearn\u002Fcookbook).\n\n### Translating the Cookbook into your language\n\nWe'd love to have the Cookbook to be available in many more languages! Please follow the steps below if you'd like to \nhelp translate the notebooks into your language 🙏.\n\nIf some of the notebooks have already been translated into your language, add new translated notebooks \nunder `notebooks\u002Fyour_language`. Don't forget to add the new translated notebook to `notebooks\u002Fyour_language\u002F_toctree.yml`,\nand to `notebooks\u002Fyour_language\u002Findex.md`.\n\nIf the notebooks have not yet been translated to your language, create a directory under `notebooks` with your `LANG-ID` \n(e.g. see `en` for English, `zh-CN` for Chinese). The `LANG-ID` should be ISO 639-1 (two lower case letters) language \ncode -- see [here](https:\u002F\u002Fwww.loc.gov\u002Fstandards\u002Fiso639-2\u002Fphp\u002Fcode_list.php) for reference. Alternatively, \n`{two lowercase letters}-{two uppercase letters}` format is also supported, e.g. `zh-CN`.\n\nCreate the `notebooks\u002FLANG-ID\u002F_toctree.yml`, and `notebooks\u002FLANG-ID\u002Findex.md`, and add the translated notebook.\n\nFinally, add your language code (the exact same `LANG-ID`) to the `build_documentation.yml` and `build_pr_documentation.yml` \nfiles in the `.github\u002Fworkflows` folder.\n","# 开源 AI 烹饪书\n\n此仓库包含由社区驱动的实用示例，展示如何使用开源工具和模型构建 AI 应用并解决各种任务。\n\n## 为烹饪书贡献力量\n\n我们欢迎所有人贡献内容，并珍视每一位贡献者的付出！您可以通过以下几种方式为 [开源 AI 烹饪书](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fcookbook\u002Findex) 做出贡献：\n\n* 通过 [GitHub Issues](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fcookbook\u002Fissues) 提交您希望看到的示例或指南的想法。\n* 贡献一个新的包含实用示例的笔记本。\n* 通过修复问题或拼写错误来改进现有示例。\n\n在贡献之前，请先查看当前的 [open issues](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fcookbook\u002Fissues) 和 [pull requests](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fcookbook\u002Fpulls)，以避免重复他人的工作。\n\n完成贡献后，您可以申请加入 [这个组织](https:\u002F\u002Fhuggingface.co\u002Fhuggingcooks)，以领取徽章。🏅\n\n### 什么样的 Cookbook 笔记本算优秀？\n\n我们认为，如果 Jupyter 笔记本具备以下特点，Cookbook 将对社区中的每个人最有帮助：\n\n* *实用性*: 您的笔记本应提供一个端到端项目或 AI 开发中某个特定方面的示例。目标是面向真实世界的应用场景，但不要过度复杂。清晰地说明目标、挑战以及所涉及的步骤。\n* *使用开源工具和模型*: 使用遵循宽松许可协议的开源库、数据集和预训练模型。在笔记本中包含所有使用资源的链接。\n* *文字清晰*: 确保您的文字清晰、简洁，无语法错误。在整个笔记本中保持友好且易于理解的语气。解释您解决问题的步骤、遇到的挑战以及可选的方法。\n* *可顺利运行，无错误*: 在提交前测试您的笔记本，避免运行时错误。\n* *补充现有“菜谱”*: 提交前请先浏览现有的笔记本，确认尚未涵盖该主题。我们欢迎多样化的用例、模态、技术和方法！\n* *内容中立*: 笔记本应保持中立和教育性，不应带有品牌色彩，也不应过多关注特定品牌、产品或开源仓库的推广。\n\n### 创建拉取请求\n\n要贡献新的示例或指南，请打开一个拉取请求，并标记 @merveenoyan 和 @stevhliu。\n\n以下是一些提示：\n\n* 确保您的笔记本文件名全部使用小写字母。\n* 不要忘记将您的笔记本添加到 `_toctree.yml` 和 `index.md` 中。\n* 在笔记本的第一个标题之后，立即以如下格式添加作者信息：`_作者：[Aymeric Roucher](https:\u002F\u002Fhuggingface.co\u002Fm-ric)_`。您可以链接到您的 Hugging Face 个人主页或 GitHub 个人主页。\n* 删除无意义的代码单元输出（例如来自 `pip install` 的输出）。确保笔记本中没有空的代码单元。\n* 如果在 Markdown 中使用图片，请将其上传到 [huggingface\u002Fcookbook-images](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fhuggingface\u002Fcookbook-images) 数据集。然后在 Markdown 中使用该图片的链接，例如：\n```![RAG 示意图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuggingface_cookbook_readme_a9ad0388fbd2.png)```\n\n一旦您的拉取请求被合并，该笔记本就会出现在 [开源 AI 烹饪书](https:\u002F\u002Fhf.co\u002Flearn\u002Fcookbook) 中。\n\n### 将 Cookbook 翻译成您的语言\n\n我们非常希望 Cookbook 能够提供更多语言版本！如果您愿意帮助将笔记本翻译成您的语言，请按照以下步骤操作 🙏。\n\n如果部分笔记本已经翻译成您的语言，请将新翻译的笔记本添加到 `notebooks\u002Fyour_language` 目录下。别忘了将新翻译的笔记本添加到 `notebooks\u002Fyour_language\u002F_toctree.yml` 和 `notebooks\u002Fyour_language\u002Findex.md` 中。\n\n如果笔记本尚未翻译成您的语言，请在 `notebooks` 目录下创建一个以您的 `LANG-ID` 命名的子目录（例如，`en` 表示英语，`zh-CN` 表示中文）。`LANG-ID` 应该是 ISO 639-1 标准的两位小写字母语言代码——可参考 [这里](https:\u002F\u002Fwww.loc.gov\u002Fstandards\u002Fiso639-2\u002Fphp\u002Fcode_list.php)。此外，`{两小写字母}-{两大写字母}` 格式也同样支持，例如 `zh-CN`。\n\n创建 `notebooks\u002FLANG-ID\u002F_toctree.yml` 和 `notebooks\u002FLANG-ID\u002Findex.md`，并将翻译后的笔记本添加进去。\n\n最后，在 `.github\u002Fworkflows` 文件夹中的 `build_documentation.yml` 和 `build_pr_documentation.yml` 文件中，添加您的语言代码（即相同的 `LANG-ID`）。","# Open-Source AI Cookbook 快速上手指南\n\nOpen-Source AI Cookbook 是一个由社区驱动的开源项目，汇集了使用开源工具和模型构建 AI 应用及解决各类任务的实用示例（Jupyter Notebook）。本指南将帮助你快速参与贡献或使用其中的资源。\n\n## 环境准备\n\n在开始之前，请确保你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**：建议 Python 3.8 或更高版本。\n*   **前置依赖**：\n    *   Git (用于克隆仓库)\n    *   Jupyter Lab 或 Jupyter Notebook (用于运行和编辑示例)\n    *   Hugging Face `datasets` 和 `transformers` 库 (大多数示例需要)\n*   **账号准备**：拥有一个 [Hugging Face](https:\u002F\u002Fhuggingface.co\u002F) 账号，以便提交 PR 后申请组织徽章。\n\n> **国内开发者提示**：如果访问 Hugging Face 官网或下载模型较慢，建议配置国内镜像源或使用加速服务（如 `hf-mirror.com`）。\n\n## 安装步骤\n\n### 1. 克隆仓库\n首先，将 Cookbook 仓库克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fcookbook.git\ncd cookbook\n```\n\n> **加速方案**：如果 GitHub 连接缓慢，可使用国内镜像（如 Gitee 镜像，若有）或配置 Git 代理。\n\n### 2. 安装依赖\n进入项目目录并安装必要的 Python 依赖。虽然每个 Notebook 可能有特定需求，但建议先安装基础环境：\n\n```bash\npip install -r requirements.txt\n```\n\n如果根目录没有统一的 `requirements.txt`，请在运行具体 Notebook 前，根据该文件顶部的说明安装对应库。例如：\n\n```bash\npip install transformers datasets accelerate jupyterlab\n```\n\n> **国内镜像加速**：推荐使用清华或阿里镜像源加速安装：\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. 配置 Hugging Face 镜像 (可选但推荐)\n为了在中国大陆地区流畅下载模型和数据集，建议在代码开头或环境变量中设置镜像地址：\n\n```bash\nexport HF_ENDPOINT=https:\u002F\u002Fhf-mirror.com\n```\n\n或在 Python 代码中设置：\n```python\nimport os\nos.environ['HF_ENDPOINT'] = 'https:\u002F\u002Fhf-mirror.com'\n```\n\n## 基本使用\n\nCookbook 的核心内容是位于 `notebooks\u002F` 目录下的 Jupyter Notebook 文件。你可以直接运行现有的示例学习，或按照规范贡献新的示例。\n\n### 运行现有示例\n假设你要运行一个关于 RAG (检索增强生成) 的英文示例：\n\n1.  启动 Jupyter Lab：\n    ```bash\n    jupyter lab\n    ```\n2.  在浏览器中导航至 `notebooks\u002Fen\u002F` 目录。\n3.  打开任意 `.ipynb` 文件（例如 `rag_llama_index.ipynb`）。\n4.  按顺序执行单元格即可运行。\n\n### 贡献新示例 (简要流程)\n如果你想贡献一个新的教程：\n\n1.  **检查议题**：查看 [GitHub Issues](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fcookbook\u002Fissues) 确认该主题未被占用。\n2.  **创建分支**：\n    ```bash\n    git checkout -b my-new-example\n    ```\n3.  **编写 Notebook**：\n    *   文件名必须全小写 (如 `my_awesome_example.ipynb`)。\n    *   在第一个标题后立即添加作者信息：`_Authored by: [Your Name](Your Profile Link)_`。\n    *   确保代码无错误且输出清晰（删除 `pip install` 等无关输出）。\n    *   若需图片，请上传至 [huggingface\u002Fcookbook-images](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fhuggingface\u002Fcookbook-images) 并在 Markdown 中引用链接。\n4.  **更新索引**：\n    *   将新文件添加到对应的 `_toctree.yml` 和 `index.md` 中。\n5.  **提交 PR**：\n    ```bash\n    git add .\n    git commit -m \"Add new example: my awesome example\"\n    git push origin my-new-example\n    ```\n    在 GitHub 上创建 Pull Request，并标记 `@merveenoyan` 和 `@stevhliu`。\n\n### 中文翻译贡献\n如果你想将现有笔记翻译成中文：\n\n1.  在 `notebooks\u002F` 下创建语言目录，例如 `zh-CN`。\n2.  复制并翻译对应的 `.ipynb` 文件到 `notebooks\u002Fzh-CN\u002F`。\n3.  创建 `notebooks\u002Fzh-CN\u002F_toctree.yml` 和 `notebooks\u002Fzh-CN\u002Findex.md` 并收录新文件。\n4.  修改 `.github\u002Fworkflows\u002Fbuild_documentation.yml` 和 `build_pr_documentation.yml`，加入 `zh-CN` 语言代码以启用构建。","一家初创公司的算法团队正急于构建一个基于开源大模型的客服问答系统，但团队成员对如何组合各类开源工具缺乏统一标准。\n\n### 没有 cookbook 时\n- 开发人员需在海量博客和零散文档中盲目搜索代码片段，耗时数天才能拼凑出一个可运行的 Demo。\n- 不同成员采用的技术栈五花八门，导致代码风格割裂，后续整合与维护成本极高。\n- 缺乏经过验证的端到端案例，团队在数据预处理和模型微调环节频繁遭遇隐蔽的运行时错误。\n- 难以判断哪些开源模型或库拥有宽松许可证，存在潜在的合规风险。\n\n### 使用 cookbook 后\n- 团队直接复用 cookbooks 中现成的“检索增强生成（RAG）”笔记本，几小时内即可搭建出原型系统。\n- 所有成员遵循统一的开源工具链和代码规范，基于社区验证的最佳实践进行开发，协作效率显著提升。\n- 参考书中详细的步骤解析与避坑指南，一次性通过了环境配置与模型推理测试，避免了重复造轮子。\n- 明确引用了书中提供的许可友好的数据集与预训练模型链接，确保项目合规无忧。\n\ncookbook 将分散的社区智慧转化为标准化的实战食谱，让 AI 应用开发从“摸索试错”转变为“按图索骥”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuggingface_cookbook_e4608cb8.png","huggingface","Hugging Face","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhuggingface_90da21a4.png","The AI community building the future.",null,"https:\u002F\u002Fhuggingface.co\u002F","https:\u002F\u002Fgithub.com\u002Fhuggingface",[80],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",100,2642,406,"2026-04-14T15:59:06","Apache-2.0",1,"","未说明",{"notes":92,"python":90,"dependencies":93},"该项目是一个包含 AI 应用构建示例的 Jupyter Notebook 集合（食谱），而非单一的独立软件工具。具体的运行环境需求（如操作系统、GPU、内存、Python 版本及依赖库）取决于每个具体 Notebook 示例所使用的模型和任务。用户需参考各个 Notebook 文件内部的代码单元格（如 pip install 命令）来确定特定示例的环境要求。贡献者需确保其提交的 Notebook 无运行时错误，且使用开源工具和模型。",[],[35,14],"2026-03-27T02:49:30.150509","2026-04-15T08:09:41.938201",[98,103,108,113,118,123],{"id":99,"question_zh":100,"answer_zh":101,"source_url":102},34139,"在语义分割任务中，如何正确地将数据增强（如翻转、旋转、裁剪）同时应用到输入图像和标签掩码上？","在使用 Albumentations 进行语义分割训练时，必须将图像和掩码作为一对传入变换函数，以确保几何变换同步应用。错误的做法是只变换图像而保留原始标签。正确的代码实现如下：\n\ndef train_transforms(example_batch):\n    transformed = [\n        albumentations_transform(\n            image=np.array(image),\n            mask=np.array(mask)\n        ) for image, mask in zip(example_batch['pixel_values'], example_batch['label'])\n    ]\n    \n    augmented_images = [t['image'] for t in transformed]\n    augmented_masks = [t['mask'] for t in transformed]\n    \n    inputs = image_processor(augmented_images, augmented_masks)\n    return inputs\n\n关键点是将 'image' 和 'mask' 参数同时传给 albumentations_transform，然后分别提取变换后的结果。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fcookbook\u002Fissues\u002F248",{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},34140,"Transformers Agents 是如何自动选择检索数据源（如 transformers, datasets 等）的？","Agent 选择数据源是完全自动化的，基于大语言模型（LLM）的调用决定，而非人工预设。具体机制是：Agent 的系统提示词（system prompt）中包含了检索工具的描述，其中列出了所有可用的数据库名称。当用户提出查询时，LLM 会根据查询内容与这些数据库描述的语义相关性，自动从列表中挑选出最可能包含有用信息的几个数据源进行首轮检索。如果首轮未找到足够上下文，它可能会扩大检索范围至所有源。用户可以通过打印 agent.system_prompt 查看具体的工具描述。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fcookbook\u002Fissues\u002F202",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},34141,"我想贡献一个关于金融领域 PII（个人敏感信息）检测的 Notebook，但涉及付费 API，符合 Cookbook 的要求吗？","Hugging Face Cookbook 的主要目的是展示所有人都可以免费访问和使用的开源工具。如果您的示例依赖需要付费的 API（如 OpenAI 或 AWS Bedrock），通常不符合收录标准。\n建议的解决方案是：修改您的 Notebook，使用提供免费试用密钥或完全免费的服务来演示相同的功能。例如，可以使用 Cohere 的免费试用 API 密钥，或者使用 llama.cpp 服务器在本地模拟端点并重新实现脱敏逻辑，以确保内容的可访问性和复现性。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fcookbook\u002Fissues\u002F96",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},34142,"在 RAG 相关的 Notebook 中，如果发现步骤顺序错误（例如先创建索引后创建集合），应该如何处理？","如果在执行 RAG（检索增强生成）相关的 Notebook 时发现步骤逻辑顺序错误（例如在第 5 步要求创建向量搜索索引，但对应的集合直到第 6 步才创建），这通常是一个文档编写错误。\n解决方法是手动调整执行顺序：请先执行创建集合（Collection）的代码步骤，确保数据库中存在该集合后，再执行创建向量搜索索引（Vector Search Index）的步骤。此外，如果文档中缺少创建 Atlas 向量搜索索引的具体指令，请参考 MongoDB Atlas 官方文档或该 Notebook 仓库中其他正确的示例进行补充操作。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fcookbook\u002Fissues\u002F54",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},34143,"Cookbook 的 CI 构建过程在处理包含非英文字符（如韩语）的 Pull Request 时卡住或失败，该如何解决？","这是一个已知的 CI 流程问题，通常发生在 HTML 转换阶段处理特殊字符时。如果遇到此类问题：\n1. 检查最近的 PR 是否引入了特殊字符编码问题。\n2. 维护者通常会通过更新构建脚本或依赖来解决此问题。\n3. 对于贡献者而言，如果遭遇此类卡死，可以在 Issue 中礼貌地提醒维护者（如 ping @mishig25 或其他相关负责人）协助调查。\n4. 一旦维护者修复了底层构建配置，重新运行 CI 或合并最新的修复补丁即可解决问题。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fcookbook\u002Fissues\u002F222",{"id":124,"question_zh":125,"answer_zh":126,"source_url":102},34144,"为什么我的语义分割模型训练结果不准确，即使使用了数据增强？","如果训练结果不准确且使用了数据增强，最可能的原因是增强操作未同步应用到标签掩码（Label Mask）。如果对图像进行了水平翻转、旋转或缩放，但标签保持原样，模型将学习到错误的映射关系，导致无法输出正确的预测。\n请检查您的数据处理管道，确保使用类似以下的代码结构，保证图像和掩码经过相同的几何变换：\n\naugmented = [\n    albumentations_transform(image=np.array(image), mask=np.array(label))\n    for image, label in zip(example_batch['pixel_values'], example_batch['label'])\n]\n\n修正后，模型的分割精度通常会有显著提升。",[]]