[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hwwang55--GraphGAN":3,"tool-hwwang55--GraphGAN":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":10,"env_os":94,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":103,"github_topics":104,"view_count":107,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":146},422,"hwwang55\u002FGraphGAN","GraphGAN","A tensorflow implementation of GraphGAN (Graph Representation Learning with Generative Adversarial Nets)","GraphGAN 是一个基于 TensorFlow 实现的开源工具，用于图结构数据的表示学习。它将生成式方法与判别式方法统一在一个对抗训练框架中：通过生成器和判别器之间的“博弈”，生成器不断优化生成更真实的节点关系，而判别器则努力区分真实边与生成边。这种机制有效提升了图嵌入的质量，在链接预测、节点分类等任务中表现更优。\n\nGraphGAN 主要面向研究人员和算法开发者，尤其适合对图神经网络、生成对抗网络（GAN）或推荐系统感兴趣的技术用户。使用者需具备一定的 Python 和深度学习基础，并熟悉图数据的基本处理方式。\n\n其技术亮点在于首次将 GAN 思想引入图表示学习领域，通过对抗训练动态协调生成与判别目标，避免了传统方法中两类模型各自为营的局限。项目结构清晰，提供了数据预处理、预训练嵌入加载及结果评估的完整流程，便于复现论文效果或进行二次开发。","## GraphGAN\n\n- This repository is the implementation of [GraphGAN](https:\u002F\u002Fwww.aaai.org\u002Focs\u002Findex.php\u002FAAAI\u002FAAAI18\u002Fpaper\u002Fview\u002F16611) ([arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F1711.08267)):\n> GraphGAN: Graph Representation Learning With Generative Adversarial Nets  \nHongwei Wang, Jia Wang, Jialin Wang, Miao Zhao, Weinan Zhang, Fuzheng Zhang, Xing Xie, Minyi Guo  \n32nd AAAI Conference on Artificial Intelligence, 2018\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhwwang55_GraphGAN_readme_524a0f93d5d0.jpg)\n\nGraphGAN unifies two schools of graph representation learning methodologies: generative methods and discriminative methods, via adversarial training in a minimax game.\nThe generator is guided by the signals from the discriminator and improves its generating performance, while the discriminator is pushed by the generator to better distinguish ground truth from generated samples.\n\t\n\n\n### Files in the folder\n- `data\u002F`: training and test data\n- `pre_train\u002F`: pre-trained node embeddings\n  > Note: the dimension of pre-trained node embeddings should equal n_emb in src\u002FGraphGAN\u002Fconfig.py\n- `results\u002F`: evaluation results and the learned embeddings of the generator and the discriminator\n- `src\u002F`: source codes\n\n\n### Requirements\nThe code has been tested running under Python 3.6.5, with the following packages installed (along with their dependencies):\n\n- tensorflow == 1.8.0\n- tqdm == 4.23.4 (for displaying the progress bar)\n- numpy == 1.14.3\n- sklearn == 0.19.1\n\n\n### Input format\nThe input data should be an undirected graph in which node IDs start from *0* to *N-1* (*N* is the number of nodes in the graph). Each line contains two node IDs indicating an edge in the graph.\n\n##### txt file sample\n\n```0\t1```  \n```3\t2```  \n```...```\n\n\n### Basic usage\n```mkdir cache```   \n```cd src\u002FGraphGAN```  \n```python graph_gan.py```\n\n","## GraphGAN\n\n- 本仓库是论文 [GraphGAN](https:\u002F\u002Fwww.aaai.org\u002Focs\u002Findex.php\u002FAAAI\u002FAAAI18\u002Fpaper\u002Fview\u002F16611)（[arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F1711.08267)）的实现：\n> GraphGAN: 使用生成对抗网络（Generative Adversarial Nets, GAN）进行图表示学习（Graph Representation Learning）  \nHongwei Wang, Jia Wang, Jialin Wang, Miao Zhao, Weinan Zhang, Fuzheng Zhang, Xing Xie, Minyi Guo  \n第32届 AAAI 人工智能会议（AAAI Conference on Artificial Intelligence），2018\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhwwang55_GraphGAN_readme_524a0f93d5d0.jpg)\n\nGraphGAN 通过极小极大博弈（minimax game）中的对抗训练（adversarial training），统一了图表示学习领域的两类方法：生成式方法（generative methods）和判别式方法（discriminative methods）。  \n生成器（generator）根据判别器（discriminator）提供的信号不断优化其生成能力，而判别器则在生成器的推动下更有效地从真实样本中区分出生成样本。\n\n### 文件夹内容\n- `data\u002F`: 训练和测试数据\n- `pre_train\u002F`: 预训练的节点嵌入（node embeddings）\n  > 注意：预训练节点嵌入的维度应与 `src\u002FGraphGAN\u002Fconfig.py` 中的 `n_emb` 参数一致\n- `results\u002F`: 评估结果以及生成器和判别器学习到的嵌入表示\n- `src\u002F`: 源代码\n\n### 依赖要求\n该代码已在 Python 3.6.5 环境下测试通过，并需要安装以下包（及其依赖项）：\n\n- tensorflow == 1.8.0\n- tqdm == 4.23.4（用于显示进度条）\n- numpy == 1.14.3\n- sklearn == 0.19.1\n\n### 输入格式\n输入数据应为一个无向图，其中节点 ID 从 *0* 到 *N-1*（*N* 为图中节点总数）。每行包含两个节点 ID，表示图中的一条边。\n\n##### txt 文件示例\n\n```0\t1```  \n```3\t2```  \n```...```\n\n### 基本用法\n```mkdir cache```   \n```cd src\u002FGraphGAN```  \n```python graph_gan.py```","# GraphGAN 快速上手指南\n\n## 环境准备\n\n- **操作系统**：支持主流 Linux \u002F macOS \u002F Windows（建议使用 Linux）\n- **Python 版本**：3.6.5\n- **依赖包**（推荐使用国内镜像源加速安装）：\n  - tensorflow == 1.8.0\n  - tqdm == 4.23.4\n  - numpy == 1.14.3\n  - sklearn == 0.19.1\n\n> 💡 建议使用清华源或阿里源加速安装依赖：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \\\n>   tensorflow==1.8.0 tqdm==4.23.4 numpy==1.14.3 scikit-learn==0.19.1\n> ```\n\n## 安装步骤\n\n1. 克隆仓库：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FGraphGAN.git\n   cd GraphGAN\n   ```\n\n2. 创建缓存目录：\n   ```bash\n   mkdir cache\n   ```\n\n3. （可选）准备预训练节点嵌入（如使用）：\n   - 将预训练嵌入文件放入 `pre_train\u002F` 目录\n   - 确保嵌入维度与 `src\u002FGraphGAN\u002Fconfig.py` 中的 `n_emb` 一致\n\n## 基本使用\n\n1. 进入源码目录：\n   ```bash\n   cd src\u002FGraphGAN\n   ```\n\n2. 运行主程序（默认使用 `data\u002F` 下的数据）：\n   ```bash\n   python graph_gan.py\n   ```\n\n> 📌 输入数据格式要求：\n> - 文件为 `.txt` 格式，每行包含两个以制表符分隔的节点 ID（从 `0` 到 `N-1`）\n> - 示例：\n>   ```\n>   0\t1\n>   3\t2\n>   ```","某社交平台的数据团队希望提升好友推荐系统的准确性，需要学习用户关系图中每个节点（用户）的高质量向量表示，以捕捉复杂的社交结构和潜在连接模式。\n\n### 没有 GraphGAN 时\n- 仅使用传统方法（如 DeepWalk 或 Node2Vec）生成的节点嵌入偏向局部结构，难以建模全局图拓扑，导致推荐结果同质化。\n- 判别式模型缺乏对“负样本”（即不存在但可能成立的连接）的有效建模，无法区分真实好友与随机噪声。\n- 需要手动设计采样策略或负采样机制，调参复杂且效果不稳定。\n- 在稀疏图（如新用户或低活跃用户）上表现较差，嵌入质量显著下降。\n- 不同任务需重新训练嵌入，泛化能力有限，维护成本高。\n\n### 使用 GraphGAN 后\n- GraphGAN 通过生成器与判别器的对抗训练，自动学习更丰富、更具判别力的节点表示，兼顾局部邻域与全局结构信息。\n- 生成器动态构造“伪边”作为负样本，判别器则不断优化区分真假边的能力，使嵌入更贴合真实社交逻辑。\n- 无需人工设计负采样策略，训练过程端到端自动优化，显著降低调参负担。\n- 即使在用户交互稀疏的场景下，也能通过对抗信号增强嵌入鲁棒性，提升冷启动用户的推荐效果。\n- 学得的嵌入可直接用于链接预测、社区发现等多种下游任务，复用性强。\n\nGraphGAN 通过融合生成与判别视角，在真实社交图谱中实现了更精准、更鲁棒的节点表示学习，显著提升了推荐系统的核心指标。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhwwang55_GraphGAN_dfbca486.png","hwwang55","Hongwei Wang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhwwang55_5c9b5e5d.jpg","Graph neural networks, knowledge graphs, recommender systems","Tencent AI Lab Seattle","Bellevue, WA","wanghongwei55@gmail.com",null,"https:\u002F\u002Fhongweiw.net","https:\u002F\u002Fgithub.com\u002Fhwwang55",[86],{"name":87,"color":88,"percentage":89},"Python","#3572A5",100,540,161,"2026-01-21T08:28:42","MIT","未说明",{"notes":96,"python":97,"dependencies":98},"预训练节点嵌入的维度需与 src\u002FGraphGAN\u002Fconfig.py 中的 n_emb 参数一致；输入图数据应为无向图，节点 ID 从 0 开始连续编号；运行前需创建 cache 目录。","3.6.5",[99,100,101,102],"tensorflow==1.8.0","tqdm==4.23.4","numpy==1.14.3","sklearn==0.19.1",[13,54],[105,106],"graph-representation-learning","generative-adversarial-net",5,"2026-03-27T02:49:30.150509","2026-04-06T09:45:32.814192",[111,116,121,126,131,136,141],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},1598,"如何获取预训练的节点嵌入文件？","项目中使用的预训练节点嵌入是通过 DeepWalk 方法生成的。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FGraphGAN\u002Fissues\u002F8",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},1599,"为什么使用预训练模型无法复现论文中的准确率（如 CA-GrQc 数据集上只有 75.98%，而论文报告为 84.9%）？","预训练模型可能需要进一步微调才能达到论文中的性能。建议尝试调整 config.py 中的超参数，特别是 update_ratio、学习率（lr）和训练轮数（n_epochs）。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FGraphGAN\u002Fissues\u002F7",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},1600,"节点分类任务使用的是哪些数据集？是否可以共享？","节点分类实验使用的是 BlogCatalog 和 Wikipedia 数据集，具体方法在论文中有详细描述。虽然 GraphGAN 默认处理无属性、无标签的图，但理论上可以通过重新设计模型来支持带属性和标签的节点。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FGraphGAN\u002Fissues\u002F21",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},1601,"在链接预测任务中，如何生成负样本边（test_neg.txt）？","可以从图中随机采样未连接的节点对作为负样本边。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FGraphGAN\u002Fissues\u002F15",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},1602,"为什么生成器和判别器使用两组不同的节点嵌入？能否共用一组？","使用两组嵌入是为了避免生成器和判别器在训练过程中互相干扰，因为两者都直接使用内积计算，共用可能导致训练不收敛。最终链接预测结果仅使用生成器的嵌入，未尝试拼接或其他融合方式。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FGraphGAN\u002Fissues\u002F5",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},1603,"为什么默认配置下运行示例数据集（如 CA-GrQc）得到的准确率远低于论文结果？","默认配置（如 update_ratio=0.1）可能牺牲了部分性能以加快训练速度。要复现论文结果，需进行超参数微调，重点调整 n_epochs、学习率（lr）和 update_ratio。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FGraphGAN\u002Fissues\u002F9",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},1604,"新版本代码与旧版本相比有哪些主要变化？为什么旧版本效果更好？","新版本的主要变化是 config.py 中 update_ratio 的默认值从 1 改为 0.1，这会减少运行时间但可能降低性能。若需更高准确率，可将 update_ratio 调回 1 或进行其他超参调优。","https:\u002F\u002Fgithub.com\u002Fhwwang55\u002FGraphGAN\u002Fissues\u002F6",[147],{"id":148,"version":149,"summary_zh":82,"released_at":82},110819,"v1.1"]