[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hyperquest-hq--hyperbase":3,"tool-hyperquest-hq--hyperbase":65},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"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",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"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",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"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。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":62,"last_commit_at":63,"category_tags":64,"status":16},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,1,"2026-04-03T21:50:24",[13,37],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":79,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":95,"github_topics":96,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":111,"updated_at":112,"faqs":113,"releases":142},2356,"hyperquest-hq\u002Fhyperbase","hyperbase","A foundational library for Semantic Hypergraphs","Hyperbase 是一个专为构建和处理“语义超图”（Semantic Hypergraphs）而设计的 Python 基础库。它旨在解决传统数据结构难以精准表达自然语言复杂逻辑的痛点，能够将类似“爱因斯坦于 1905 年首次发表相对论”这样的句子，转化为有序且递归的超链接结构。通过这种独特的表示方式，Hyperbase 让机器不仅能存储文本，更能理解句子内部实体间的深层语义关系和顺序逻辑。\n\n作为基于 Python 开发的开源项目，Hyperbase 充分利用了该语言在科学计算领域的丰富生态，便于开发者轻松将其集成到现有的数据分析或人工智能工作流中。其核心技术亮点在于将语言学结构映射为可计算的图数据模型，为自然语言处理提供了更坚实的底层支持。\n\n这款工具特别适合从事自然语言处理、知识图谱构建的计算语言学家、AI 研究人员以及后端开发者使用。如果你正在探索如何让机器更深刻地“读懂”人类语言，或者需要处理复杂的语义关联数据，Hyperbase 将是一个值得尝试的强大基石。项目在宽松的 MIT 协议下发布，由法国国家科学研究中心（CNRS）等机构资助研发，欢迎社区贡献代码共同完善。","# Hyperbase\n\n## A foundational library for Semantic Hypergraphs\n\nHyperbase is a foundational library for working with *Semantic Hypergraphs (SH)*, which make it possible to represent a natural language sentence such as \"Einstein first published the theory of relativity in 1905\" as an ordered, recursive hyperlink of the form:\n\n\u003Cfigure markdown=\"span\">\n  ![Einstein first published the Theory of Relativity in 1905.](assets\u002Fimages\u002Fhyperedge-blocks.png){ width=\"75%\" }\n\u003C\u002Ffigure>\n\nHyperbase is written in Python, to both take advantage and facilitate integration with the rich environment of scientific libraries available in this language. It is released under the highly permissive MIT open source license.\n\n## Installation and manual\n\nInstallation instructions, the manual and more information can be found here: \u003Chttps:\u002F\u002Fhyperquest.ai\u002Fhyperbase>\n\n## Contributing\n\nPull requests are welcome. For major changes, please open an issue first\nto discuss what you would like to change.\n\nPlease make sure to update tests as appropriate.\n\n## Funding\n\nThe creation of this software library and the associated research that made it possible were funded by CNRS and the ERC Consolidator\nGrant [Socsemics](https:\u002F\u002Fsocsemics.huma-num.fr\u002F) (grant #772743).\n\n\u003Ca href=\"https:\u002F\u002Fsocsemics.huma-num.fr\u002F\" style=\"margin:0px\">\n  \u003Cimg src=\"docs\u002Fsource\u002F_static\u002Fsocsemics.png\" width=\"200\">\n\u003C\u002Fa>\n\n## License\n\n[MIT](https:\u002F\u002Fchoosealicense.com\u002Flicenses\u002Fmit\u002F)","# Hyperbase\n\n## 语义超图的基础库\n\nHyperbase 是一个用于处理 *语义超图 (SH)* 的基础库，它使得我们可以将诸如“爱因斯坦于1905年首次发表了相对论”这样的自然语言句子表示为一种有序的、递归的超链接结构，形式如下：\n\n\u003Cfigure markdown=\"span\">\n  ![爱因斯坦于1905年首次发表了相对论。](assets\u002Fimages\u002Fhyperedge-blocks.png){ width=\"75%\" }\n\u003C\u002Ffigure>\n\nHyperbase 使用 Python 编写，既充分利用了该语言中丰富的科学类库生态，也便于与其他工具进行集成。它采用非常宽松的 MIT 开源许可证发布。\n\n## 安装与手册\n\n安装说明、用户手册及更多信息请参见：[https:\u002F\u002Fhyperquest.ai\u002Fhyperbase](https:\u002F\u002Fhyperquest.ai\u002Fhyperbase)\n\n## 贡献\n\n欢迎提交 Pull Request。对于重大更改，请先开 Issue 讨论您计划修改的内容。\n\n请确保相应地更新测试用例。\n\n## 资助\n\n本软件库的开发及其背后的相关研究工作得到了法国国家科学研究中心（CNRS）以及欧洲研究理事会整合型项目资助 [Socsemics](https:\u002F\u002Fsocsemics.huma-num.fr\u002F)（资助编号 #772743）的支持。\n\n\u003Ca href=\"https:\u002F\u002Fsocsemics.huma-num.fr\u002F\" style=\"margin:0px\">\n  \u003Cimg src=\"docs\u002Fsource\u002F_static\u002Fsocsemics.png\" width=\"200\">\n\u003C\u002Fa>\n\n## 许可证\n\n[MIT](https:\u002F\u002Fchoosealicense.com\u002Flicenses\u002Fmit\u002F)","# Hyperbase 快速上手指南\n\nHyperbase 是一个用于处理**语义超图（Semantic Hypergraphs, SH）**的基础 Python 库。它能够将自然语言句子（如“爱因斯坦于 1905 年首次发表了相对论”）表示为有序的、递归的超链接结构，非常适合需要深度语义分析和知识图谱构建的场景。\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\n*   **Python 版本**：推荐 Python 3.8 及以上版本\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   建议创建虚拟环境以避免依赖冲突：\n        ```bash\n        python -m venv hyperbase-env\n        source hyperbase-env\u002Fbin\u002Factivate  # Linux\u002FmacOS\n        # 或\n        hyperbase-env\\Scripts\\activate     # Windows\n        ```\n\n## 安装步骤\n\n由于官方文档指向特定站点，建议优先尝试从 PyPI 安装。国内开发者可使用清华源或阿里源加速下载。\n\n**方式一：使用 pip 安装（推荐）**\n\n```bash\npip install hyperbase -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**方式二：从源码安装（如需最新特性）**\n\n如果 PyPI 版本未更新，可从 GitHub 克隆并安装：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fhyperquest\u002Fhyperbase.git\ncd hyperbase\npip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> **注意**：详细的手册和高级配置请访问官方文档：https:\u002F\u002Fhyperquest.ai\u002Fhyperbase\n\n## 基本使用\n\nHyperbase 的核心功能是将自然语言文本转换为语义超图结构。以下是最简单的使用示例：\n\n```python\nfrom hyperbase import Hypergraph\n\n# 初始化超图对象\nhg = Hypergraph()\n\n# 定义一个自然语言句子\nsentence = \"Einstein first published the theory of relativity in 1905\"\n\n# 将句子解析并添加为语义超边（具体解析器需根据实际版本 API 调整）\n# 此处展示核心概念：将文本转化为递归超链接结构\nedge_id = hg.add_sentence(sentence)\n\n# 访问生成的超图结构\nprint(f\"Added edge: {edge_id}\")\nprint(hg.structure())\n```\n\n*注：由于 Hyperbase 处于基础库阶段，具体的解析器接口（Parser API）可能随版本迭代有所变化。请参照官方手册中关于 `add_sentence` 或对应 NLP 后端的具体调用方式。*\n\n---\n**许可证**：本项目基于 MIT 协议开源，可自由用于商业和非商业用途。","某科研团队正在构建一个历史事件知识图谱，需要从海量非结构化文献中精准提取人物、时间与理论之间的复杂逻辑关系。\n\n### 没有 hyperbase 时\n- 传统图数据库只能处理简单的“节点 - 边”二元关系，难以直接表达“爱因斯坦于 1905 年首次发表相对论”这种包含时间、顺序和多层修饰的复杂语义。\n- 开发者必须编写大量自定义代码来拆解句子结构，导致自然语言中的递归逻辑（如嵌套从句）在转换过程中丢失或失真。\n- 不同来源的数据因结构不一致而难以融合，每次新增一种关系类型都需要重构底层数据模型，维护成本极高。\n- 语义检索效果差，系统无法理解“谁在何时做了什么”的完整语境，只能基于关键词进行模糊匹配，查准率低下。\n\n### 使用 hyperbase 后\n- 利用语义超图（Semantic Hypergraphs）特性，直接将整句自然语言映射为有序的递归超链接结构，完美保留事件的时间序与逻辑层级。\n- 借助 Python 生态的科学计算库，无需重复造轮子即可轻松实现从文本解析到超图构建的自动化流水线，开发效率提升数倍。\n- 统一的数据表示法让多源异构数据无缝融合，新增关系类型只需定义新的超边模式，无需改动核心架构。\n- 支持深度语义导航，系统能精准回答涉及多重条件的复杂查询（如\"1905 年前后有哪些理论被首次发表”），显著提升知识发现能力。\n\nhyperbase 通过将自然语言转化为可计算的语义超图，彻底解决了复杂逻辑关系在机器中的表达与推理难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhyperquest-hq_hyperbase_083874b2.png","hyperquest-hq","Hyperquest","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhyperquest-hq_7cd7d23c.png","",null,"https:\u002F\u002Fgithub.com\u002Fhyperquest-hq",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,637,77,"2026-04-02T18:01:09","MIT","未说明",{"notes":93,"python":91,"dependencies":94},"README 中未列出具体的运行环境需求、依赖库版本或硬件要求。详细安装说明和手册需访问官方文档网站 (https:\u002F\u002Fhyperquest.ai\u002Fhyperbase) 获取。该库旨在利用 Python 丰富的科学计算生态，采用 MIT 开源许可证。",[],[15,37,34],[97,98,99,100,101,102,103,104,105,106,107,108,109,110],"knowledge","knowledge-graph","python","nlp","knowledge-base","knowledge-representation","artificial-intelligence","hypergraphs","text-mining","text-analysis","computational-social-science","cognitive-science","natural-language-understanding","natural-language-processing","2026-03-27T02:49:30.150509","2026-04-06T06:44:10.820952",[114,119,124,129,134,138],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},10836,"运行 pytest 测试时出现 'ModuleNotFoundError: No module named graphbrain.hyperedge' 错误怎么办？","这通常是由于 Python 版本兼容性问题导致的。如果使用的是 Python 3.9，可能是因为代码中使用了仅支持 Python 3.10+ 的 `match` 语法。解决方法包括：\n1. 升级到 Python 3.10 或更高版本。\n2. 或者尝试从 GitHub 主分支安装最新代码以获取修复：`pip install git+https:\u002F\u002Fgithub.com\u002Fgraphbrain\u002Fgraphbrain@master#egg=graphbrain`。\n3. 确保执行了完整的开发环境安装步骤：`pip install --upgrade pip`，然后 `pip install -e .` 和 `pip install -e '.[dev]'`。","https:\u002F\u002Fgithub.com\u002Fhyperquest-hq\u002Fhyperbase\u002Fissues\u002F26",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},10837,"使用 CLI 创建超图时出现 'NameError: name hypergraph is not defined' 错误如何解决？","这是一个已知问题，已在新版本中修复。请升级 graphbrain 到最新版本（0.3.0 或更高）：\n`pip install --upgrade graphbrain`\n升级后重新尝试运行 `graphbrain --hg test1 create` 命令即可。文档也已更新，关于 'agent' 的概念会更加清晰。","https:\u002F\u002Fgithub.com\u002Fhyperquest-hq\u002Fhyperbase\u002Fissues\u002F14",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},10838,"在 Python 3.8 环境下安装 graphbrain 时遇到 Cython 编译错误（too many arguments to function call）怎么办？","这是由于 Cython 版本与 Python 版本不兼容导致的编译错误。有效的解决方法是直接从 GitHub 主分支安装，而不是通过 PyPI 安装：\n`pip install git+https:\u002F\u002Fgithub.com\u002Fgraphbrain\u002Fgraphbrain@master#egg=graphbrain`\n这样可以获取包含兼容性修复的最新代码。","https:\u002F\u002Fgithub.com\u002Fhyperquest-hq\u002Fhyperbase\u002Fissues\u002F19",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},10839,"Graphbrain 是否支持中文处理？","目前官方尚未直接支持中文。Graphbrain 依赖 spaCy 项目进行自然语言处理，而 spaCy 目前（截至该讨论时）没有提供官方的中文模型。如果未来 spaCy 发布了中文模型，Graphbrain 将有望支持。欢迎社区贡献者开发中文解析器。","https:\u002F\u002Fgithub.com\u002Fhyperquest-hq\u002Fhyperbase\u002Fissues\u002F12",{"id":135,"question_zh":136,"answer_zh":137,"source_url":118},10840,"在 Mac M1 芯片上安装并运行测试时遇到错误该如何解决？","在 Mac M1 上遇到测试导入错误时，建议按以下步骤操作以确保环境正确配置：\n1. 升级 pip：`pip install --upgrade pip`\n2. 以编辑模式安装项目：`pip install -e .`\n3. 安装开发依赖：`pip install -e '.[dev]'`\n4. 运行测试：`pytest graphbrain`\n如果仍然报错，请检查 Python 版本是否与代码要求的版本（如 3.10+）匹配，因为某些语法特性可能不被旧版本支持。",{"id":139,"question_zh":140,"answer_zh":141,"source_url":123},10841,"CLI 中的 'run' 命令无法使用且提示未知命令怎么办？","早期版本中 CLI 功能不完善导致 'run' 命令不可用或缺少相关模块（如 'graphbrain.meaning.concepts'）。该问题已在 0.3.0 版本中解决。请务必执行以下命令升级到最新版本：\n`pip install --upgrade graphbrain`\n升级后，CLI 功能和 Agent 概念将更加明确且可用。",[143,148,153,158,163,168,173,178,183,188,193,198,203,208,213,218],{"id":144,"version":145,"summary_zh":146,"released_at":147},53274,"v0.8.0","## [0.8.0] - 2026年3月26日 - hyperbase 是 graphbrain 的继任者\n\n### 新增\n- 解析器插件基础。\n- 更全面的 Hyperedge.check_correctness。\n- 解析正确性检查。\n- 类型检查：代码覆盖率全覆盖。\n\n### 变更\n- 将库名更改为 hyperbase。\n- 精简库内容至核心：超边、模式和解析器基础。\n- 将文档转换为 MkDocs 的 Material 主题。\n\n### 移除\n- hypergraph 模块、hypergraph 数据库（内存模块）。\n- alphabeta 解析器实现。\n- 旧脚本、示例、处理器。\n- 临时工具。\n- 命令行工具。\n- 笔记本工具。\n- 已废弃的常量。","2026-03-26T18:10:24",{"id":149,"version":150,"summary_zh":151,"released_at":152},53275,"v0.7.0","### 新增\n- patterns.is_wildcard()。\n- 用于键值型超图数据库的基类 hypergraph.memory.keyvalue.KeyValue，移除了 LevelDB 和 SQLite 之间重复的代码。\n- LevelDB 的测试（此前仅直接测试 SQLite 超图实现）。\n- Hyperedge.is_unordered_pattern()。\n- 功能性模式：any。\n- 解析器层面推断专有名词之间的指代关系。\n- Parser.parse_and_add() 现在会将标记信息添加到句子的主要边中：属性 'tokens' 包含标记列表，'tok_pos' 则是一个结构，记录边中每个原子对应的标记位置。\n- 后处理步骤改进了解析器。\n- Hypergraph.get_attributes()。\n\n### 变更\n- 整个项目现已完全使用纯 Python 实现。\n- 现在要求 Python >=3.10。\n- Hypergraph.search()、.match() 和 .count() 现在支持功能性模式和参数角色匹配。\n- 修复了 match_pattern() 中的 bug：当在原子的功能性模式中指定了超出第一个位置的参数角色时，变量无法正确匹配。\n- 简化了默认系统连接符（这会导致超图数据库的向后不兼容）。\n- 解析器 parse_and_add() 中的 max_text 参数。\n- 对于包含重复变量的模式，匹配结果会被收集到列表中。\n\n### 移除\n- graphbrain.logic 已废弃的模块。\n- LevelDB 后端。","2026-03-26T07:41:42",{"id":154,"version":155,"summary_zh":156,"released_at":157},53276,"v0.6.1","### 变更\n- `Hyperedge.replace_argroles()`、`insert_argrole()` 和 `insert_edge_with_argrole()` 现在支持变量等函数式模式。\n- 修复了匹配包含原子的函数式模式时，若该原子没有角色标注而导致的 bug。\n\n### 移除\n- 从 `graphbrain.notebook` 中移除了 `interactive_case_generator()`。","2022-10-31T07:31:19",{"id":159,"version":160,"summary_zh":161,"released_at":162},53277,"v0.6.0","### 新增\n- 超边的 .atom 和 .not_atom 属性。\n- 超边的 mtype() 和 connector_mtype() 方法。\n- 超边的 t、mt、ct 和 cmt 类型快捷属性。\n- 功能性模式：var、atoms、lemma。\n- 将所有模式相关函数移至 graphbrain.patterns 模块。\n- 超图的 text() 方法。\n- 解析器的 parse_and_add() 方法。\n- 解析器的 sentences() 方法。\n- 超边的 normalized() 方法。\n- 新的 graphbrain.readers 包，用于处理来自不同来源的文本读取器。\n- 新的 graphbrain.processors 包，用于各种处理器。\n- Processor 类。\n\n### 变更\n- 共指消解现使用新的 spaCy 实验性模型。\n- 默认使用 spaCy 的 Transformer GPU 模型，可回退到 CPU 模型。\n- 超边的 is_atom() 方法已弃用。\n- 改进了 Hyperedge.main_concepts() 方法。\n- 超边的 atom() 方法更名为 inner_atom()。\n- 序列会自动记录其大小，添加边到序列时无需指定位置。\n- 改进了维基百科读取器。\n- 改进了共指消解效果。\n- LevelDB 再次默认包含。\n- 旧的 graphbrain.meaning 包更名为 graphbrain.utils。\n- 超边的 argroles() 方法现在也可在关系\u002F概念层面使用。\n\n### 移除\n- graphbrain.patterns 中的 normalize_edge() 函数。\n- 已废弃的 graphbrain.stats 包。\n- 已废弃的 graphbrain.cognition 包。\n- 已废弃的 graphbrain.op 模块。\n- 超边的 predicate() 和 predicate_atom() 方法。","2022-10-26T22:11:01",{"id":164,"version":165,"summary_zh":166,"released_at":167},53278,"v0.5.0","### 新增\n- SQLite3 超图数据库后端。\n- Hypergraph.add_with_attributes() 方法。\n- 导入和导出命令。\n- 用于批量写入的超图上下文管理器（使用 hopen(hg_locator) as hg ...）。\n\n### 变更\n- 主超图数据库后端现为 SQLite3。\n- LevelDB 后端变为可选（默认禁用）。\n- Neuralcoref 变为可选（默认禁用）。\n\n### 移除\n- Hypergraph.atom_count() 方法。\n- Hypergraph.edge_count() 方法。\n- Hypergraph.primary_atom_count() 方法。\n- Hypergraph.primary_edge_count() 方法。\n- info 命令。\n- corefs_unidecode 代理。","2021-07-28T13:10:26",{"id":169,"version":170,"summary_zh":171,"released_at":172},53279,"v0.4.3","## [0.4.3] - 2021年4月22日\n### 变更\n- 修复了 AlphaBeta 中的一个 bug，该 bug 导致临时原子过早从 atom2tokens 中被移除。\n- Hypergraph.add_sequence() 现在会直接将序列名称转换为原子。\n- 解析器级别的指代消解（neuralcoref）默认已禁用，需使用专用构建版本。","2021-04-22T15:20:44",{"id":174,"version":175,"summary_zh":176,"released_at":177},53280,"v0.4.2","## [0.4.2] - 2021年4月12日\n### 变更\n- 解决 wheel 包编译问题。","2021-04-12T11:09:15",{"id":179,"version":180,"summary_zh":181,"released_at":182},53281,"v0.4.1","## [0.4.1] - 2021年4月7日\n\n### 变更\n- 解决了在非二进制发行版中包含辅助数据文件的问题。","2021-04-07T12:55:53",{"id":184,"version":185,"summary_zh":186,"released_at":187},53282,"v0.4.0","## [0.4.0] - 2021年7月4日\n### 新增\n- 代理系统。\n- 连词解析代理。\n- 数量代理（单复数关系）及相关的 meaning.number 模块。\n- 维基百科代理。\n- 通过神经核心引用的本地分支实现解析器中的共指消解。\n- 解析器中新增 atom_gender()、atom_number()、atom_person()、atom_animacy() 函数。\n- 共指推断：性别、数量和有生性。\n- 共指推断：“X 是 Y”关系。\n- dir_parser 代理（在目录树中查找文本文件）。\n- 函数 meaning.concepts.has_common_or_proper_concept(edge)。\n- 函数 Hypergraph.add() 现在具有可选的 'count' 参数。\n- 函数 Hypergraph.sequences()。\n- 函数 Hyperedge.replace_argroles()。\n- 函数 Hyperedge.insert_argrole()。\n- 函数 Hyperedge.insert_edge_with_argrole()。\n- 函数 Hyperedge.all_atoms()。\n- 函数 Hyperedge.size()。\n- 函数 Hyperedge.predicate()。\n- 函数 Hyperedge.predicate_atom()。\n- 函数 Hyperedge.simplify()。\n- 函数 Hyperedge.connector_atom()。\n- 用于在终端中显示彩色边的实用函数。\n\n### 变更\n- 原子中的特殊字符现在采用百分号编码。\n- parse() 现在返回一个包含推断边的字典。\n- parse() 现在返回一个边到文本的字典。\n- 新的解析器框架，改进了英语解析器，并提供了帮助训练和测试新解析器的脚本。\n- 超边主类型字符代码改为大写（apple\u002FC 而不是 apple\u002Fc）。\n- 连词超边类型，字符代码为“J”（例如：and\u002FJ）。\n- 修饰符超边类型现在可以应用于任何内容。\n- 搜索模式现在可以包含类型、论元角色及其他原子部分。\n- Hypergraph.search_count() 更名为 Hypergraph.count()。\n- corefs_names 代理被简化。\n- corefs_onto 代理被简化。\n- 测试现在使用 pytest 运行，取代已废弃的 '.\u002Fsetup.py test'。\n- Hyperedge.replace_atom() 的 unique 参数变为可选。\n\n### 移除\n- 元修饰符超边类型。\n- 辅助、次谓语和依存关系超边类型。\n- 已过时的 Hyperedge.nest() 方法。","2021-04-07T10:08:17",{"id":189,"version":190,"summary_zh":191,"released_at":192},53283,"v0.3.2","### 新增\n- Atom 对象上的 simplify_role() 方法会生成一个仅以其简单类型作为角色的原子。\n\n### 变更\n- 词元现在基于具有简化角色的原子。\n- 改进了行动者代理（更准确地识别行动者，目前仅支持英语）。","2020-02-10T12:28:27",{"id":194,"version":195,"summary_zh":196,"released_at":197},53284,"v0.3.1","### Added\r\n- German parser (experimental and incomplete).\r\n- Documentation.\r\n- Hyperedge sequences.\r\n\r\n### Changed\r\n- Improved hyperedge visualization in notebooks.\r\n- Agents receive language and sequence.\r\n- txt_parser agent creates a sequence.\r\n- Refactored parsers code.\r\n- Catching and logging exceptions during parse.\r\n- Improved conflict agent.","2020-02-03T13:42:54",{"id":199,"version":200,"summary_zh":201,"released_at":202},53285,"v0.3.0","### Added\r\n- Tests.\r\n- Documentation.\r\n\r\n### Changed\r\n- Graphbrain is now beta (main APIs considered stable).\r\n- LevelDB edge attributes encoded in JSON.\r\n- Renamed hypergraph() to hgraph() and moved function to __jnit__.\r\n- Fixed notebook examples.\r\n- Moved Hypergraph.lemma_degrees() to meaning.lemmas.\r\n- Argroles location is normalized (first position in both predicates and builders).\r\n- In the parsers package, create_parser() was moved to __init__ and the factory module was removed.\r\n- is_proper_concept() renamed to has_proper_concept() (meaning.concepts module)\r\n- find_concept() renamed to strip_concept() (meaning.concepts module)\r\n\r\n### Removed\r\n- graphbrain.funs module.","2019-09-28T16:51:17",{"id":204,"version":205,"summary_zh":206,"released_at":207},53286,"v0.2.2","### Added\r\n- txt_parser agent.\r\n- MANIFEST.in to include VERSION file in distribution.\r\n\r\n### Changed\r\n- Fixing 'pip install graphbrain' on Linux\u002FWindows.","2019-09-13T11:14:09",{"id":209,"version":210,"summary_zh":211,"released_at":212},53287,"v0.2.1","### Added\r\n- claim_actors and corefs_dets agents.\r\n- meaning.concepts module.\r\n\r\n### Changed\r\n- Fixed example.\r\n- hypergraph.sum_degree() and .sum_deep_degree().\r\n- Parser improvements.\r\n- Agent corefs_atoms is now corefs_unidecode.\r\n- Improved docs.\r\n\r\n### Removed\r\n- Obsolete 'work-in-progress' code.\r\n- hg2json command.","2019-09-04T17:24:34",{"id":214,"version":215,"summary_zh":216,"released_at":217},53288,"v0.2.0","### Added\r\n- Primary entities and deep degrees.\r\n- Hyperedges have their own class, deriving from tuple.\r\n- Atoms have a special class, deriving from Hyperedge.\r\n- Restructuring of code files tree.\r\n- Created agent system + first agents.\r\n\r\n### Changed\r\n- Parsers now have own package.\r\n\r\n### Removed\r\n- Old experimental code.","2019-08-04T16:54:31",{"id":219,"version":220,"summary_zh":221,"released_at":222},53289,"v0.1.0","- New parser model\r\n- Lots of refactoring and small fixes, trying to stabilize API","2019-06-14T14:10:29"]