[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-kerlomz--captcha_platform":3,"tool-kerlomz--captcha_platform":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",142651,2,"2026-04-06T23:34:12",[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。",107888,"2026-04-06T11:32:50",[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":73,"owner_company":75,"owner_location":76,"owner_email":77,"owner_twitter":73,"owner_website":73,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":10,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":104,"github_topics":105,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":113},4766,"kerlomz\u002Fcaptcha_platform","captcha_platform","[验证码识别-部署] This project is based on CNN+BLSTM+CTC to realize verificationtion. This projeccode identificat is only for deployment models.","captcha_platform 是一个专注于验证码识别模型部署的开源项目。它基于成熟的 CNN+BLSTM+CTC 深度学习架构，能够将训练好的模型快速转化为可用的在线服务，有效解决了验证码识别算法从“实验室模型”到“生产环境”落地难、部署复杂的问题。\n\n该项目特别适合后端开发者、运维工程师以及需要集成验证码识别功能的企业用户。如果你已经拥有训练好的模型文件，captcha_platform 能让你无需关心复杂的推理逻辑，直接通过简单的配置即可启动高性能的识别服务。其核心技术亮点在于支持多模型动态热加载：只需将新的模型配置文件和编译文件放入指定目录，服务便会自动识别并加载，无需重启即可实现模型的更新与管理。\n\n在部署灵活性方面，captcha_platform 提供了 HTTP（支持 Tornado、Flask 等框架）和 gRPC 两种服务版本，既能满足常规的 Web 接口调用，也能适应高并发、低延迟的微服务架构需求。无论是 Linux 还是 Windows 环境，它都提供了清晰的安装指引和虚拟环境配置方案，帮助用户轻松构建稳定可靠的验证码识别后端。","\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fkerlomz\u002Fcaptcha_platform\u002Fblob\u002Fmaster\u002FLICENSE\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-blue.svg\">\u003C\u002Fa>\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002Fkerlomz\u002Fcaptcha_platform.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fkerlomz\u002Fcaptcha_platform)\n\n# Project Introduction\nThis project is based on CNN+BLSTM+CTC to realize verification code identification. \nThis project is only for deployment models, If you need to train the model, please move to https:\u002F\u002Fgithub.com\u002Fkerlomz\u002Fcaptcha_trainer\n\n# Informed\n1. The default requirements.txt will install CPU version, Change \"requirements.txt\" from \"TensorFlow\" to \"TensorFlow-GPU\" to Switch to GPU version, Use the GPU version to install the corresponding CUDA and cuDNN.\n2. demo.py: An example of how to call a prediction method.\n3. The model folder folder is used to store model configuration files such as model.yaml.\n4. The graph folder is used to store compiled models such as model.pb\n5. The deployment service will automatically load all the models in the model configuration. When a new model configuration is added, the corresponding compilation model in the graph folder will be automatically loaded, so if you need to add it, please copy the corresponding compilation model to the graph path first, then add the model configuration.\n\n\n# Start\n1. Install the python 3.9 environment (with pip)\n2. Install virtualenv ```pip3 install virtualenv```\n3. Create a separate virtual environment for the project:\n    ```bash\n    virtualenv -p \u002Fusr\u002Fbin\u002Fpython3 venv # venv is the name of the virtual environment.\n    cd venv\u002F # venv is the name of the virtual environment.\n    source bin\u002Factivate # to activate the current virtual environment.\n    cd captcha_platform # captcha_platform is the project path.\n    ```\n4. ```pip install -r requirements.txt```\n5. Place your trained model.yaml in model folder, and your model.pb in graph folder (create if not exist)\n6. Deploy as follows.\n\n## 1. Http Version\n1. Linux\n    Deploy (Linux\u002FMac): \n\n   Port: 19952\n    ```\n    python tornado_server.py\n    ```\n\n2. Windows\n    Deploy (Windows): \n    ```\n    python xxx_server.py\n    ```\n\n3. Request\n\n    |Request URI | Content-Type | Payload Type | Method |\n    | ----------- | ---------------- | -------- | -------- |\n    | http:\u002F\u002Flocalhost:[Bind-port]\u002Fcaptcha\u002Fv1 | application\u002Fjson | JSON | POST |\n\n    | Parameter | Required | Type | Description |\n    | ---------- | ---- | ------ | ------------------------ |\n    | image | Yes | String | Base64 encoding binary stream |\n    | model_name | No | String | ModelName, bindable in yaml configuration |\n\n    \n    The request is in JSON format, like: {\"image\": \"base64 encoded image binary stream\"}\n\n4. Response\n\n    | Parameter Name | Type | Description |\n    | ------- | ------ | ------------------ |\n    | message | String | Identify results or error messages |\n    | code | String | Status Code |\n    | success | String | Whether to request success |\n    \n    The return is in JSON format, like: {\"message\": \"xxxx\", \"code\": 0, \"success\": true}\n\n\n## 2. G-RPC Version\nDeploy: \n```\npython3 grpc_server.py\n```\nPort: 50054\n\n\n# Update G-RPC-CODE\npython -m grpc_tools.protoc -I. --python_out=. --grpc_python_out=. .\u002Fgrpc.proto\n\n\n# Directory Structure\n\n    - captcha_platform\n        - grpc_server.py\n        - flask_server.py\n        - tornado_server.py\n        - sanic_server.py\n        - demo.py\n        - config.yaml\n    - model\n        - model-1.yaml\n        - model-2.yaml\n        - ...\n    - graph\n        - Model-1.pb\n        - ...\n\n# Management Model\n1. **Load a model**\n - Put the trained pb model in the graph folder.\n - Put the trained yaml model configuration file in the model folder.\n2. **Unload a model**\n - Delete the corresponding yaml configuration file in the model folder.\n - Delete the corresponding pb model file in the graph folder.\n3. **Update a model**\n - Put the trained pb model in the graph folder.\n - Put the yaml configuration file with \"Version\" greater than the current version in the model folder.\n - Delete old models and configurations.\n\n# License\nThis project use SATA License (Star And Thank Author License), so you have to star this project before using. Read the license carefully.\n\n# Introduction\nhttps:\u002F\u002Fwww.jianshu.com\u002Fp\u002F80ef04b16efc\n\n# Donate\nThank you very much for your support of my project.","\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fkerlomz\u002Fcaptcha_platform\u002Fblob\u002Fmaster\u002FLICENSE\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-blue.svg\">\u003C\u002Fa>\n[![构建状态](https:\u002F\u002Ftravis-ci.org\u002Fkerlomz\u002Fcaptcha_platform.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fkerlomz\u002Fcaptcha_platform)\n\n# 项目介绍\n本项目基于CNN+BLSTM+CTC实现验证码识别。\n本项目仅用于模型部署，若需训练模型，请前往 https:\u002F\u002Fgithub.com\u002Fkerlomz\u002Fcaptcha_trainer。\n\n# 注意事项\n1. 默认的 requirements.txt 会安装 CPU 版本。将 \"requirements.txt\" 中的 \"TensorFlow\" 改为 \"TensorFlow-GPU\" 即可切换到 GPU 版本，并确保已正确安装对应的 CUDA 和 cuDNN。\n2. demo.py：展示了如何调用预测方法的示例。\n3. model 文件夹用于存放模型配置文件，如 model.yaml。\n4. graph 文件夹用于存放编译后的模型文件，如 model.pb。\n5. 部署服务会自动加载模型配置中的所有模型。当新增模型配置时，graph 文件夹中对应的编译模型也会被自动加载。因此，若需添加新模型，请先将相应的编译模型复制到 graph 路径下，再添加模型配置。\n\n\n# 启动\n1. 安装 Python 3.9 环境（包含 pip）。\n2. 安装 virtualenv：```pip3 install virtualenv```\n3. 为项目创建独立的虚拟环境：\n    ```bash\n    virtualenv -p \u002Fusr\u002Fbin\u002Fpython3 venv # venv 是虚拟环境的名称。\n    cd venv\u002F # venv 是虚拟环境的名称。\n    source bin\u002Factivate # 激活当前虚拟环境。\n    cd captcha_platform # captcha_platform 是项目路径。\n    ```\n4. ```pip install -r requirements.txt```\n5. 将您训练好的 model.yaml 放入 model 文件夹，将 model.pb 放入 graph 文件夹（如不存在则需创建）。\n6. 按照以下方式部署。\n\n## 1. HTTP 版本\n1. Linux\n    部署（Linux\u002FMac）：\n\n   端口：19952\n    ```\n    python tornado_server.py\n    ```\n\n2. Windows\n    部署（Windows）：\n    ```\n    python xxx_server.py\n    ```\n\n3. 请求\n\n    |请求 URI | 内容类型 | 负载类型 | 方法 |\n    | ----------- | ---------------- | -------- | -------- |\n    | http:\u002F\u002Flocalhost:[绑定端口]\u002Fcaptcha\u002Fv1 | application\u002Fjson | JSON | POST |\n\n    | 参数 | 必填 | 类型 | 描述 |\n    | ---------- | ---- | ------ | ------------------------ |\n    | image | 是 | 字符串 | Base64 编码的二进制流 |\n    | model_name | 否 | 字符串 | 模型名称，可在 yaml 配置中绑定 |\n\n    \n    请求格式为 JSON，例如：{\"image\": \"base64 编码的图像二进制流\"}\n\n4. 响应\n\n    | 参数名称 | 类型 | 描述 |\n    | ------- | ------ | ------------------ |\n    | message | 字符串 | 识别结果或错误信息 |\n    | code | 字符串 | 状态码 |\n    | success | 字符串 | 请求是否成功 |\n    \n    返回格式为 JSON，例如：{\"message\": \"xxxx\", \"code\": 0, \"success\": true}\n\n\n## 2. gRPC 版本\n部署：\n```\npython3 grpc_server.py\n```\n端口：50054\n\n\n# 更新 gRPC 代码\npython -m grpc_tools.protoc -I. --python_out=. --grpc_python_out=. .\u002Fgrpc.proto\n\n\n# 目录结构\n\n    - captcha_platform\n        - grpc_server.py\n        - flask_server.py\n        - tornado_server.py\n        - sanic_server.py\n        - demo.py\n        - config.yaml\n    - model\n        - model-1.yaml\n        - model-2.yaml\n        - ...\n    - graph\n        - Model-1.pb\n        - ...\n\n# 模型管理\n1. **加载模型**\n - 将训练好的 pb 模型放入 graph 文件夹。\n - 将训练好的 yaml 模型配置文件放入 model 文件夹。\n2. **卸载模型**\n - 删除 model 文件夹中对应的 yaml 配置文件。\n - 删除 graph 文件夹中对应的 pb 模型文件。\n3. **更新模型**\n - 将训练好的 pb 模型放入 graph 文件夹。\n - 将版本号高于当前版本的 yaml 配置文件放入 model 文件夹。\n - 删除旧的模型和配置。\n\n# 许可证\n本项目采用 SATA 许可证（Star And Thank Author License），使用前请务必给本项目点个赞。请仔细阅读许可证内容。\n\n# 介绍\nhttps:\u002F\u002Fwww.jianshu.com\u002Fp\u002F80ef04b16efc\n\n# 捐赠\n非常感谢您对我的项目的支持。","# captcha_platform 快速上手指南\n\n`captcha_platform` 是一个基于 CNN+BLSTM+CTC 架构的验证码识别部署平台。本项目专注于模型推理与服务部署，训练过程请使用配套的 `captcha_trainer` 项目。\n\n## 环境准备\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：Python 3.9\n*   **硬件要求**：\n    *   **CPU 版本**：无特殊要求。\n    *   **GPU 版本**：需安装对应的 CUDA 和 cuDNN，并将 `requirements.txt` 中的 `TensorFlow` 修改为 `TensorFlow-GPU`。\n*   **前置工具**：`pip`, `virtualenv`\n\n## 安装步骤\n\n1.  **安装虚拟环境工具**\n    ```bash\n    pip3 install virtualenv\n    ```\n\n2.  **创建并激活虚拟环境**\n    ```bash\n    # 创建名为 venv 的虚拟环境\n    virtualenv -p \u002Fusr\u002Fbin\u002Fpython3 venv\n    \n    # 进入目录并激活环境 (Linux\u002FMac)\n    cd venv\u002F\n    source bin\u002Factivate\n    \n    # 进入项目根目录\n    cd captcha_platform\n    ```\n    > **Windows 用户注意**：激活命令为 `Scripts\\activate`。\n\n3.  **安装依赖**\n    ```bash\n    # 推荐使用国内镜像源加速安装\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n4.  **部署模型文件**\n    将训练好的模型文件放入对应目录（若目录不存在请手动创建）：\n    *   **配置文件**：将 `model.yaml` 放入 `model` 文件夹。\n    *   **编译模型**：将 `model.pb` 放入 `graph` 文件夹。\n    \n    > **注意**：服务启动时会自动加载 `model` 文件夹中的配置及其对应的 `graph` 文件夹中的模型文件。新增模型时，请先复制 `.pb` 文件，再添加 `.yaml` 配置。\n\n## 基本使用\n\n### 1. 启动服务\n\n选择以下任一方式启动服务：\n\n*   **HTTP 版本 (推荐)**\n    *   Linux\u002FMac:\n        ```bash\n        python tornado_server.py\n        ```\n    *   Windows:\n        ```bash\n        python xxx_server.py\n        ```\n    *   默认端口：`19952`\n\n*   **gRPC 版本**\n    ```bash\n    python3 grpc_server.py\n    ```\n    *   默认端口：`50054`\n\n### 2. 调用示例 (HTTP)\n\n服务启动后，通过 POST 请求发送 Base64 编码的图片进行识别。\n\n*   **请求地址**：`http:\u002F\u002Flocalhost:19952\u002Fcaptcha\u002Fv1`\n*   **请求方法**：`POST`\n*   **Content-Type**：`application\u002Fjson`\n\n**请求 Payload 示例：**\n```json\n{\n    \"image\": \"base64 编码的图片二进制流\",\n    \"model_name\": \"可选，指定 yaml 中配置的模型名称\"\n}\n```\n\n**响应示例：**\n```json\n{\n    \"message\": \"识别结果或错误信息\",\n    \"code\": \"0\",\n    \"success\": true\n}\n```\n\n### 3. 代码调用示例 (`demo.py`)\n\n项目提供了 `demo.py` 作为调用预测方法的参考脚本，可直接运行查看效果：\n\n```bash\npython demo.py\n```\n\n### 模型管理简述\n\n*   **加载模型**：将 `.pb` 放入 `graph`，`.yaml` 放入 `model`，服务自动热加载。\n*   **卸载模型**：删除 `model` 中对应的 `.yaml` 和 `graph` 中对应的 `.pb`。\n*   **更新模型**：放入新版 `.pb` 和版本号更高的 `.yaml`，并清理旧文件。","某电商风控团队需要实时识别用户登录和注册环节中的复杂图形验证码，以区分正常用户与自动化攻击脚本。\n\n### 没有 captcha_platform 时\n- 每次新增或更新验证码样式，开发人员必须手动重启服务才能加载新模型，导致业务中断且响应滞后。\n- 缺乏统一的部署框架，团队需自行编写 HTTP 或 gRPC 接口代码，重复造轮子且容易引入稳定性隐患。\n- 难以同时支持多种验证码类型，切换模型往往需要修改核心代码或部署多套独立服务，运维成本极高。\n- 识别逻辑与业务代码强耦合，一旦算法调整就需要重新测试整个系统，迭代周期长且风险大。\n\n### 使用 captcha_platform 后\n- 支持热加载机制，只需将新的 `.pb` 模型和 `.yaml` 配置文件放入指定目录，服务自动识别并生效，无需重启。\n- 内置成熟的 Tornado、gRPC 等多种服务端模板，开箱即用，团队可直接聚焦于模型训练而非接口开发。\n- 通过配置文件即可绑定不同模型名称，单次部署即可并发处理数字、字母、中文等多种验证码请求。\n- 实现算法与业务解耦，风控策略调整仅需替换模型文件，大幅缩短从训练到上线的验证周期。\n\ncaptcha_platform 通过标准化的模型部署架构，将验证码识别从繁琐的工程开发转变为简单的配置管理，显著提升了风控系统的敏捷性与稳定性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkerlomz_captcha_platform_10456235.png","kerlomz",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkerlomz_e6b828d9.jpg","The University of Texas at Austin","Austin","kerlomz@utexas.edu","https:\u002F\u002Fgithub.com\u002Fkerlomz",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,{"name":85,"color":86,"percentage":87},"Dockerfile","#384d54",0,680,239,"2026-04-02T08:37:45","NOASSERTION","Linux, macOS, Windows","非必需。默认安装 CPU 版本；若需使用 GPU，需将 requirements.txt 中的 TensorFlow 改为 TensorFlow-GPU，并安装对应的 CUDA 和 cuDNN（具体版本未说明，需与 TensorFlow-GPU 版本匹配）。","未说明",{"notes":96,"python":97,"dependencies":98},"该项目仅用于模型部署，训练模型请使用独立的 captcha_trainer 项目。部署时需将编译好的模型文件 (.pb) 放入 graph 文件夹，配置文件 (.yaml) 放入 model 文件夹，服务启动后会自动加载。支持通过修改配置文件动态加载、卸载或更新模型。","3.9",[99,100,101,102,103],"TensorFlow","TensorFlow-GPU (可选)","Tornado","gRPC","virtualenv",[15,14],[106,107,108,109],"tensorflow","ocr","captcha","verification-code","2026-03-27T02:49:30.150509","2026-04-07T09:48:13.634116",[],[114],{"id":115,"version":116,"summary_zh":117,"released_at":118},127687,"v0.1","OneDrive 下载地址：https:\u002F\u002F1drv.ms\u002Fu\u002Fs!Am0wye56ygDNzSCK9gLFzShvtE0W?e=DmqZuK","2019-12-22T18:32:34"]