[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-instacart--lore":3,"tool-instacart--lore":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",147882,2,"2026-04-09T11:32:47",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":68,"owner_location":68,"owner_email":68,"owner_twitter":68,"owner_website":76,"owner_url":77,"languages":78,"stars":99,"forks":100,"last_commit_at":101,"license":102,"difficulty_score":103,"env_os":104,"env_gpu":105,"env_ram":105,"env_deps":106,"category_tags":109,"github_topics":110,"view_count":32,"oss_zip_url":68,"oss_zip_packed_at":68,"status":113,"created_at":114,"updated_at":115,"faqs":116,"releases":147},5884,"instacart\u002Flore","lore","Lore makes machine learning approachable for Software Engineers and maintainable for Machine Learning Researchers","Lore 是由 Instacart 开源的一个机器学习框架，旨在搭建软件工程与算法研究之间的桥梁。它的核心目标是让软件工程师能够轻松上手机器学习开发，同时确保机器学习研究员构建的模型具备良好的可维护性。\n\n在传统开发流程中，数据科学家训练的模型往往难以无缝集成到生产环境，导致工程落地困难且后期维护成本高昂。Lore 通过提供标准化的项目结构和开发规范，有效解决了这一“最后一公里”的痛点，实现了从实验探索到生产部署的平滑过渡。\n\n这款工具特别适合两类人群：一是希望将 AI 能力融入应用但缺乏深厚算法背景的软件工程师；二是关注代码质量、需要长期迭代优化模型的研究人员。虽然 Lore 曾以其独特的架构设计提升了团队协作效率，但需要注意的是，Instacart 已于 2022 年 4 月宣布停止对该项目的维护与支持。因此，尽管其设计理念仍具参考价值，但不建议在新项目中直接采用 Lore，开发者可转而关注其设计思想在其他现代 MLOps 工具中的延续与应用。","======\n Lore\n======\n\nDeprecation Notice\n------------------\n\nAs of April 2022, Lore has been deprecated at Instacart and will not be supported further. We advise against using Lore in new code.\n\nThe original readme has been moved_.\n\n.. _moved: ORIGINAL_README.rst\n",null,"# Lore 快速上手指南\n\n> **⚠️ 重要弃用通知**\n>\n> 自 2022 年 4 月起，Lore 已在 Instacart 内部正式弃用，不再提供后续支持或维护。**强烈建议不要在新代码项目中使用 Lore**。\n>\n> 本文档仅基于原始 README 整理供参考，原始详细文档已移至 `ORIGINAL_README.rst`。鉴于该工具已停止维护，以下不再提供具体的环境准备、安装命令及使用示例，以免误导开发者接入过时技术栈。请考虑使用当前活跃的替代方案（如 PyTorch Lightning, Hugging Face Accelerate 等）。","某电商平台的后端团队正试图将数据科学家开发的“实时库存预测模型”集成到现有的订单处理微服务中，以优化补货策略。\n\n### 没有 lore 时\n- **环境地狱**：软件工程师需手动配置复杂的 Python 深度学习依赖（如特定版本的 TensorFlow 和 CUDA），常因版本冲突导致本地开发环境崩溃，耗时数天。\n- **协作断层**：算法研究员使用的实验性代码缺乏标准工程结构，后端人员难以理解输入输出接口，双方需反复开会对齐数据格式。\n- **部署困难**：模型从研究环境迁移到生产服务器时，因缺少统一的打包和序列化机制，经常出现“在我机器上能跑”的诡异错误。\n- **维护成本高**：每次模型迭代更新，都需要人工重新编写大量的胶水代码来适配新的网络架构，极易引入人为 Bug。\n\n### 使用 lore 后\n- **一键环境隔离**：lore 自动管理虚拟环境和依赖包，软件工程师只需运行一条命令即可在本地启动包含完整模型依赖的开发容器，彻底消除配置冲突。\n- **标准化工程模板**：lore 强制推行统一的项目目录结构和接口规范，让算法代码像普通后端模块一样清晰，开发人员可直接调用预定义的 API 进行集成。\n- **无缝生产部署**：通过 lore 内置的打包工具，模型被序列化为标准工件，确保从开发、测试到生产环境的运行行为完全一致，部署成功率提升至 100%。\n- **敏捷迭代支持**：当研究员更新模型架构时，lore 的模块化设计允许直接替换核心组件而无需重写周边逻辑，大幅缩短了从实验到上线的周期。\n\nlore 的核心价值在于它打破了算法研究与软件工程之间的壁垒，让机器学习模型能像传统软件功能一样被高效开发和稳定维护。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Finstacart_lore_a8ecedad.png","instacart","Instacart","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Finstacart_ac207f46.png","Same-day Grocery Delivery","https:\u002F\u002Fwww.instacart.com","https:\u002F\u002Fgithub.com\u002Finstacart",[79,83,87,91,95],{"name":80,"color":81,"percentage":82},"Python","#3572A5",95.6,{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",2.6,{"name":88,"color":89,"percentage":90},"Jinja","#a52a22",1.8,{"name":92,"color":93,"percentage":94},"Shell","#89e051",0.1,{"name":96,"color":97,"percentage":98},"Procfile","#3B2F63",0,1549,130,"2026-04-07T14:01:25","MIT",5,"","未说明",{"notes":107,"python":105,"dependencies":108},"该工具已于 2022 年 4 月在 Instacart 被弃用，不再获得支持。官方建议不要在新代码中使用 Lore。原始文档已移至其他文件。",[],[14],[111,112],"machine-learning","python","ready_partial","2026-03-27T02:49:30.150509","2026-04-09T21:34:02.068225",[117,122,127,132,137,142],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},26703,"安装 Lore 后运行命令提示'command not found: lore'怎么办？","这通常是因为使用普通用户权限安装时，二进制文件被安装在了用户本地目录（如 ~\u002F.local\u002Fbin），而该目录未添加到系统环境变量 $PATH 中。解决方法有两种：\n1. 使用 sudo 权限重新安装：`sudo pip install lore`\n2. 或者将用户本地 bin 目录添加到 PATH 中，例如在 ~\u002F.bashrc 或 ~\u002F.zshrc 中添加：`export PATH=$HOME\u002F.local\u002Fbin:$PATH`，然后执行 `source ~\u002F.bashrc` 生效。","https:\u002F\u002Fgithub.com\u002Finstacart\u002Flore\u002Fissues\u002F99",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},26704,"在 Windows 上运行 Lore 时遇到'unsupported locale setting'错误如何解决？","Windows 系统不支持 'en_US.UTF-8' 这种 Linux 风格的区域设置。解决方法是修改源代码中的区域设置配置：\n找到文件 `lib\u002Fsite-packages\u002Flore\u002Fenv.py`（具体路径视安装位置而定），将第 52 行左右的代码：\n`locale.setlocale(locale.LC_ALL, 'en_US.UTF-8')`\n修改为 Windows 支持的格式：\n`locale.setlocale(locale.LC_ALL, 'English_United States.1252')`\n保存后即可解决该报错。","https:\u002F\u002Fgithub.com\u002Finstacart\u002Flore\u002Fissues\u002F75",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},26705,"在空目录下运行 `lore init .` 为什么报错说目录已存在？","这是 Lore 的保护机制，防止意外覆盖现有文件。即使目录是空的，只要当前目录已存在，直接运行 `lore init .` 就会报错。解决方法是在命令后添加 `--bare` 参数，即运行：\n`lore init . --bare`\n这样可以在现有目录中初始化项目而不检查文件冲突。","https:\u002F\u002Fgithub.com\u002Finstacart\u002Flore\u002Fissues\u002F113",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},26706,"Lore 中的 `stratify` 参数与 sklearn 中的实现有什么不同？","两者的目的不同。Sklearn 的 `stratify` 是为了保证训练集和测试集中各类别的比例与原始数据一致（分层采样）。而 Lore 中的 `stratify` 是为了防止数据泄露（Data Leakage），它会将某个类别（如 user_id）的所有数据强制划分到同一个集合（训练集、验证集或测试集）中，确保同一个用户的数据不会同时出现在训练和测试集中。例如设置 `stratify='user_id'` 可避免习惯信号泄露。","https:\u002F\u002Fgithub.com\u002Finstacart\u002Flore\u002Fissues\u002F124",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},26707,"运行测试时出现 `AttributeError: module 'lore.pipelines' has no attribute 'hold'` 错误？","这是因为文档或代码示例中引用的属性名称已过时或不准确。维护者已更新文档以反映正确的用法。请检查您的代码是否错误地引用了 `lore.pipelines.hold`，并参考官方最新文档确认正确的模块路径和属性名称（通常应为 `holdout` 相关模块）。如果使用的是旧版本教程，请以 GitHub 仓库中最新的提交记录为准。","https:\u002F\u002Fgithub.com\u002Finstacart\u002Flore\u002Fissues\u002F108",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},26708,"Pylint 对 `@timed` 装饰器报错 'no value for argument level' 如何处理？","这是由于 Pylint 无法正确解析嵌套装饰器的参数导致的误报。虽然可以通过配置 Pylint 忽略此规则，但更彻底的解决方法是重构装饰器代码。将原来的嵌套装饰器结构改为标准的带参装饰器写法：\n```python\ndef timed(level):\n    def decorator(timed_func):\n        @functools.wraps(timed_func)\n        def wrapper(*args, **kwargs):\n            with timer('.'.join([timed_func.__module__, timed_func.__name__]), level=level):\n                return timed_func(*args, **kwargs)\n        return wrapper\n    return decorator\n```\n这样修改后 Pylint 即可正常识别参数。","https:\u002F\u002Fgithub.com\u002Finstacart\u002Flore\u002Fissues\u002F148",[148],{"id":149,"version":150,"summary_zh":151,"released_at":152},171910,"v0.8.3","- 修复了向 Snowflake 上传时的竞态条件\n- @drdrsh 修复了 CircleCI 测试","2020-05-05T20:16:54"]