[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-huggingface--hub-docs":3,"tool-huggingface--hub-docs":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",160784,2,"2026-04-19T11:32:54",[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。",109154,"2026-04-18T11:18:24",[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":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":137},9748,"huggingface\u002Fhub-docs","hub-docs","Docs of the Hugging Face Hub","hub-docs 是 Hugging Face Hub 官方文档的开源仓库，集中托管了所有关于 Hugging Face 平台的使用指南与技术信息。对于希望深入了解如何上传模型、管理数据集或使用 Spaces 功能的用户来说，它解决了官方文档分散、查找困难的问题，提供了一个统一且持续更新的权威知识源。\n\n无论是刚入门的 AI 爱好者、需要快速查阅 API 细节的开发者，还是从事算法研究的研究人员，都能在这里找到清晰的操作指引。该项目特别友好地降低了贡献门槛：用户无需搭建复杂的本地环境，只需直接编辑 Markdown 文件并提交拉取请求，自动化流程便会生成预览链接供确认效果，极大地促进了社区协作。\n\n此外，hub-docs 与 Hugging Face 的 JavaScript 生态紧密联动，涵盖了 Hub 交互工具、推理服务及任务定义等核心组件的文档支持。通过内置的 `doc-builder` 工具，贡献者也能轻松在本地预览文档渲染效果，确保内容展示的准确性。作为一个由社区共同维护的知识库，hub-docs 让获取和分享 AI 基础设施知识变得更加简单高效。","# hub-docs\n\nThis repository regroups documentation and information that is hosted on the Hugging Face website.\n\nYou can access the Hugging Face Hub documentation in the `docs` folder at [hf.co\u002Fdocs\u002Fhub](https:\u002F\u002Fhf.co\u002Fdocs\u002Fhub).\n\nFor some related components, check out the [Hugging Face Hub JS repository](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhuggingface.js)\n- Utilities to interact with the Hub: [huggingface\u002Fhuggingface.js\u002Fpackages\u002Fhub](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhuggingface.js\u002Ftree\u002Fmain\u002Fpackages\u002Fhub)\n- Hub Inference, powered by our Inference Providers: [huggingface\u002Fhuggingface.js\u002Fpackages\u002Finference](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhuggingface.js\u002Ftree\u002Fmain\u002Fpackages\u002Finference)\n- Hub Tasks (as visible on the page [hf.co\u002Ftasks](https:\u002F\u002Fhf.co\u002Ftasks)):  [huggingface\u002Fhuggingface.js\u002Fpackages\u002Ftasks](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhuggingface.js\u002Ftree\u002Fmain\u002Fpackages\u002Ftasks)\n\n### How to contribute to the docs\n\nJust add\u002Fedit the Markdown files, commit them, and create a PR.\nThen the CI bot will build the preview page and provide a url for you to look at the result!\n\nFor simple edits, you don't need a local build environment.\n\n### Previewing locally\n\n```bash\n# install doc-builder (if not done already)\npip install hf-doc-builder\n\n# you may also need to install some extra dependencies\npip install black watchdog\n\n# run `doc-builder preview` cmd\ndoc-builder preview hub {YOUR_PATH}\u002Fhub-docs\u002Fdocs\u002Fhub\u002F --not_python_module\n```\n","# hub-docs\n\n此仓库汇集了托管在 Hugging Face 官网上的文档和相关信息。\n\n您可以在 [hf.co\u002Fdocs\u002Fhub](https:\u002F\u002Fhf.co\u002Fdocs\u002Fhub) 的 `docs` 文件夹中访问 Hugging Face Hub 的文档。\n\n有关一些相关组件，请查看 [Hugging Face Hub JS 仓库](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhuggingface.js)：\n- 用于与 Hub 交互的工具：[huggingface\u002Fhuggingface.js\u002Fpackages\u002Fhub](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhuggingface.js\u002Ftree\u002Fmain\u002Fpackages\u002Fhub)\n- 由我们的推理提供商支持的 Hub 推理：[huggingface\u002Fhuggingface.js\u002Fpackages\u002Finference](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhuggingface.js\u002Ftree\u002Fmain\u002Fpackages\u002Finference)\n- Hub 任务（如 [hf.co\u002Ftasks](https:\u002F\u002Fhf.co\u002Ftasks) 页面所示）：[huggingface\u002Fhuggingface.js\u002Fpackages\u002Ftasks](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhuggingface.js\u002Ftree\u002Fmain\u002Fpackages\u002Ftasks)\n\n### 如何为文档贡献\n\n只需添加或编辑 Markdown 文件，提交更改并创建一个 PR。随后，CI 机器人将构建预览页面，并为您提供一个链接以查看效果！\n\n对于简单的编辑，您无需本地构建环境。\n\n### 本地预览\n\n```bash\n# 安装 doc-builder（如果尚未安装）\npip install hf-doc-builder\n\n# 您可能还需要安装一些额外的依赖项\npip install black watchdog\n\n# 运行 `doc-builder preview` 命令\ndoc-builder preview hub {YOUR_PATH}\u002Fhub-docs\u002Fdocs\u002Fhub\u002F --not_python_module\n```","# hub-docs 快速上手指南\n\n`hub-docs` 是 Hugging Face Hub 官方文档的源码仓库。本指南将帮助你快速搭建本地环境，预览和贡献文档内容。\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（需安装 WSL 或 Git Bash）。\n*   **Python 版本**：建议 Python 3.8 及以上版本。\n*   **包管理工具**：已安装 `pip`。\n*   **网络环境**：由于依赖包托管在 PyPI，国内开发者建议使用国内镜像源以加速下载。\n\n## 安装步骤\n\n### 1. 克隆仓库\n首先获取项目源码：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhub-docs.git\ncd hub-docs\n```\n\n### 2. 安装依赖\n使用 `pip` 安装文档构建工具及必要的辅助依赖。**推荐国内开发者使用清华或阿里镜像源**以提升安装速度：\n\n```bash\n# 安装核心构建工具\npip install hf-doc-builder -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装额外依赖（用于代码格式化和文件监听）\npip install black watchdog -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n安装完成后，你可以启动本地预览服务器，实时查看文档修改效果。\n\n### 启动本地预览\n在项目根目录下运行以下命令（请将 `{YOUR_PATH}` 替换为你实际的绝对路径，或者直接运行如果当前已在正确目录）：\n\n```bash\ndoc-builder preview hub docs\u002Fhub\u002F --not_python_module\n```\n\n*   **功能说明**：该命令会启动一个本地 HTTP 服务器，自动监听 `docs` 文件夹下的 Markdown 文件变更。\n*   **访问地址**：终端输出中会显示一个本地 URL（通常为 `http:\u002F\u002Flocalhost:5173` 或类似端口），在浏览器打开即可预览渲染后的文档页面。\n\n### 贡献流程简述\n1.  直接编辑 `docs` 目录下的 `.md` 文件。\n2.  保存文件后，浏览器中的预览页面会自动刷新。\n3.  确认无误后，提交代码并创建 Pull Request (PR)。CI 机器人会自动构建预览链接供审核。","某初创团队正在开发一款基于多模态模型的智能客服系统，急需快速集成 Hugging Face Hub 上的最新模型并规范内部开发流程。\n\n### 没有 hub-docs 时\n- 开发人员只能依靠零散的社区博客或过时的教程摸索 API，导致在模型调用参数上频繁出错，调试耗时极长。\n- 团队成员对 Hub 的任务分类（Tasks）和推理提供商（Inference Providers）理解不一，代码实现风格混乱，维护成本高昂。\n- 想要贡献内部优化的文档或修正错误时，缺乏清晰的指引和本地预览工具，往往因环境配置复杂而放弃更新。\n- 新入职员工需要花费数天时间自行拼凑信息才能上手，严重拖慢了项目迭代速度。\n\n### 使用 hub-docs 后\n- 团队直接访问 hub-docs 中结构化的官方文档，快速查准模型接口细节，将集成调试时间从数天缩短至几小时。\n- 通过文档中关于 huggingface.js 各组件（如 hub、inference、tasks）的明确指引，统一了全队的代码规范与架构设计。\n- 利用 doc-builder 提供的本地预览功能，开发者能轻松编写并实时查看文档修改效果，极大降低了贡献门槛，促进了知识库的持续更新。\n- 新人凭借详尽的入门指南和任务说明，当天即可理解平台机制并产出有效代码，显著提升了团队整体效率。\n\nhub-docs 将分散的知识体系转化为标准化的开发基石，让团队从“盲目摸索”转向“高效构建”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuggingface_hub-docs_a9d519cf.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",[80,84],{"name":81,"color":82,"percentage":83},"Handlebars","#f7931e",57.7,{"name":85,"color":86,"percentage":87},"TypeScript","#3178c6",42.3,541,438,"2026-04-18T18:16:53","Apache-2.0",1,"未说明",{"notes":95,"python":96,"dependencies":97},"该项目为 Hugging Face 文档仓库，主要贡献方式为编辑 Markdown 文件。若需本地预览，需安装 hf-doc-builder 及 black、watchdog 依赖，并运行 doc-builder preview 命令。对于简单编辑无需搭建本地环境。","未说明 (需支持 pip 安装 hf-doc-builder)",[98,99,100],"hf-doc-builder","black","watchdog",[14],[103,104],"hacktoberfest","machine-learning","2026-03-27T02:49:30.150509","2026-04-20T04:06:12.251866",[108,113,118,123,128,133],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},43776,"如何为 Hugging Face Hub 上的模型或数据集生成 DOI（数字对象标识符）以便引用？","Hugging Face Hub 现已支持自动生成 DOI。用户可以直接在模型或数据集页面找到 DOI 用于引用。需要注意的是，目前生成的 BibTeX 引用中作者字段默认显示为组织名称（例如 `{Gradient AI}`），可能无法直接编辑为个人姓名，但该功能已正式可用，使得资源可被学术场合引用。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhub-docs\u002Fissues\u002F25",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},43777,"为什么我上传的特定语言（如法语）模型在 Hub 上很难被搜索到或下载量很低？","这通常是因为模型缺少正确的语言标签（例如 `fr`）。如果模型元数据中没有包含相应的语言标签，它将不会出现在按语言过滤的搜索结果中，从而导致曝光率和下载量低。解决方法是确保在模型卡片（Model Card）或配置中添加正确的语言标签，或者提交 PR 修复现有模型的标签。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhub-docs\u002Fissues\u002F32",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},43778,"如何在 Hugging Face Hub 上进行物体检测（Object Detection）和图像分割（Image Segmentation）的在线推理测试？","Hub 已支持针对 DETR 等模型的物体检测和全景分割（Panoptic Segmentation）的推理小部件（Widgets）。用户可以直接上传或拖拽图片到模型页面的小部件中，系统会自动标注边界框和类别（物体检测）或生成分割地图（图像分割）。这些功能已合并上线，支持类似图像分类的交互式体验。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhub-docs\u002Fissues\u002F6",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},43779,"表格数据任务中的“分类”和“回归”是如何区分和命名的？","为了更准确地反映任务类型，社区已将原来的 `structured-data-classification` 重命名为 `tabular-classification`，并计划将其与 `tabular-regression` 分开。分类任务输出类别变量（字符串），而回归任务输出数值变量。虽然底层小部件可能复用，但在任务分类和 API 映射中已进行区分，以确保用户能清晰识别任务类型。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhub-docs\u002Fissues\u002F137",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},43780,"Hugging Face Hub 是否支持“文生视频”（Text-to-Video）任务页面及相关资源？","是的，Hub 已正式上线文生视频任务页面（https:\u002F\u002Fhuggingface.co\u002Ftasks\u002Ftext-to-video）。该页面包含了任务变体、使用案例、常用数据集、常用模型、示例 Space、任务 Schema、有用资源以及指标解释等内容，由社区贡献者共同完善。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fhub-docs\u002Fissues\u002F789",{"id":134,"question_zh":135,"answer_zh":136,"source_url":122},43781,"在物体检测小部件中，边界框的颜色与置信度条的颜色是否保持一致？","是的，为了保持视觉一致性，开发团队已确认边界框的颜色将与置信度条使用相同的基准色系。具体实现逻辑是：如果边界框定义为某种颜色（如 `red`），则对应的标签条也会使用该色系的变体（如 `red-400`）。代码已更新以确保两者颜色映射统一。",[]]