[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-kootenpv--neural_complete":3,"tool-kootenpv--neural_complete":64},[4,17,27,35,44,52],{"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",150037,2,"2026-04-10T23:33:47",[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},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",[25,14,26,13],"插件","图像",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":10,"last_commit_at":33,"category_tags":34,"status":16},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",[25,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":41,"last_commit_at":42,"category_tags":43,"status":16},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",90106,3,"2026-04-06T11:19:32",[15,26,14,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"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。",85092,"2026-04-10T11:13:16",[26,60,61,25,14,62,15,13,63],"数据工具","视频","其他","音频",{"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":82,"owner_url":83,"languages":84,"stars":105,"forks":106,"last_commit_at":107,"license":108,"difficulty_score":100,"env_os":109,"env_gpu":110,"env_ram":110,"env_deps":111,"category_tags":117,"github_topics":82,"view_count":10,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":118,"updated_at":119,"faqs":120,"releases":121},6539,"kootenpv\u002Fneural_complete","neural_complete","A neural network trained to help writing neural network code using autocomplete","Neural Complete 是一款基于生成式 LSTM 神经网络的智能代码补全工具，专为辅助编写神经网络代码而设计。与传统仅能补全单词的工具不同，它能结合上下文语境，预测并建议整行 Python 代码，从而显著提升编码效率。\n\n该工具主要解决了在构建深度学习模型时重复编写样板代码的痛点。其独特之处在于“自指”训练机制：它专门在包含 Keras 导入语句的 Python 源码上进行训练，这意味着它是一个由神经网络驱动、旨在帮助开发者编写神经网络代码的系统。Neural Complete 提供两种模型模式：字符级模型支持任意位置的实时补全，而令牌（Token）级模型则基于更高层的语义单元，通常在逻辑上更为精准。\n\nNeural Complete 非常适合 Python 开发者、深度学习研究人员以及正在学习 Keras 框架的学生使用。虽然官方预训练模型数据量有限，但其架构鼓励用户利用自己的代码库进行个性化训练，以打造更懂个人编码习惯的专属助手。项目后端基于 Keras 和 Flask 构建，前端采用 Angular 2，整体开源透明，便于技术爱好者深入探索或二次开发。","# Neural Complete\n\n[Neural Complete](https:\u002F\u002Fgithub.com\u002Fkootenpv\u002Fneural_complete) is autocomplete based on a [generative](https:\u002F\u002Fblog.openai.com\u002Fgenerative-models\u002F) [LSTM](https:\u002F\u002Fcolah.github.io\u002Fposts\u002F2015-08-Understanding-LSTMs\u002F) [neural network](https:\u002F\u002Fkeras.io), trained not only *by* python code but also *on* python source code.\n\nIronically, it is trained on files containing [keras](https:\u002F\u002Fkeras.io\u002F) imports. The result is a neural network trained to help writing neural network code.\n\nRather than completing a word, it will suggest finishing a whole line. It uses information from previous lines to make a suggestion.\n\nOne could imagine that everyone will have a neural network to automagically complete their personal scripts based on their own neural model :-)\n\nBut not yet with this code.\n\nYou're encouraged to train on your own data, which should be made easier by using Neural Complete.\n\n\n### Demo\n\n![Neural Complete demo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkootenpv_neural_complete_readme_3eabfc267ee8.gif)\n\nThe first time `model` is written, it suggests to create it as a variable (`model = Sequential()`).\n\nThe second time `model` is written, it suggests using it instead (`model.add(...)`). It shows that it is able to use the context!\n\nThe final line does contain mistakes, but should get more precise with more data and also more context.\n\n### Models\n\nThere are 2 models included, a character based model and a python token model. The benefit of the char based model is that it can complete at any moment, while the token based model only works with completed tokens (it cannot finish a word).\nHowever, the token based model is based on a higher level unit (semantic), and should make more sense most of the time.\n\nThe char based model looks back up to 80 characters, while the token based model looks back up to 20 tokens.\n\nIt would be very fun to experiment with a future model in which it will use the python [AST](https:\u002F\u002Fdocs.python.org\u002F3\u002Flibrary\u002Fast.html) and take out variable naming out of the equation.\n\n## Do It Yourself\n\n### Scraping data\n\nUnfortunately the Github API does not allow to search by filename, so I wrote a scraping script to gather python data specifically trained on keras source code. You can change the search query to gather your own data. Do not overdo it as to \"annoy\" github. You would need a lot more for a reasonable result!\n\nThe models have only been trained on 26 scripts.\n\n### Backend\n\nTrain a model using keras, serve it with flask.\n\nSee [backend](backend\u002F)\n\n### Frontend\n\nThe frontend is a very thin layer communicating with the backend to receive autocomplete suggestions, written in [Angular 2](https:\u002F\u002Fangular.io\u002F). The dist folder has been included so you can easily run it yourself without dependencies.\n\nSee [frontend](frontend\u002F)\n\n### Credits\n\nIt uses a lot of the ideas of the standard keras [LSTM text generation example](https:\u002F\u002Fgithub.com\u002Ffchollet\u002Fkeras\u002Fblob\u002Fmaster\u002Fexamples\u002Flstm_text_generation.py).\n\nWhenever using any of this code: please attribute whenever you can.\n","# 神经网络补全\n\n[Neural Complete](https:\u002F\u002Fgithub.com\u002Fkootenpv\u002Fneural_complete) 是一款基于 [生成式](https:\u002F\u002Fblog.openai.com\u002Fgenerative-models\u002F) [LSTM](https:\u002F\u002Fcolah.github.io\u002Fposts\u002F2015-08-Understanding-LSTMs\u002F) [神经网络](https:\u002F\u002Fkeras.io) 的自动补全工具，它不仅通过 Python 代码进行训练，还直接在 Python 源代码上进行训练。\n\n颇具讽刺意味的是，该模型正是在包含 [Keras](https:\u002F\u002Fkeras.io) 导入语句的文件上进行训练的。其结果就是一个能够辅助编写神经网络代码的神经网络模型。\n\n与仅仅补全单个单词不同，它会建议直接补全整行代码，并且能够利用前面几行的信息来做出更合理的预测。\n\n我们可以想象，未来每个人或许都会拥有一个属于自己的神经网络模型，根据个人的编程习惯自动补全脚本 :-)\n\n不过目前这个项目还做不到这一点。\n\n我们鼓励大家使用自己的数据来训练模型，而 Neural Complete 正是为此提供了便利。\n\n### 演示\n\n![Neural Complete 演示](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkootenpv_neural_complete_readme_3eabfc267ee8.gif)\n\n第一次输入 `model` 时，它会建议将其定义为一个变量（`model = Sequential()`）。\n\n第二次再输入 `model` 时，它则会提示可以直接使用该变量（`model.add(...)`）。这表明模型确实能够理解上下文信息！\n\n虽然最后一行仍存在一些错误，但随着更多数据和更丰富的上下文信息的加入，补全效果将会更加精准。\n\n### 模型\n\n该项目包含了两种模型：一种是基于字符的模型，另一种是基于 Python 语法单元（token）的模型。基于字符的模型的优势在于它可以随时进行补全，而基于 token 的模型则需要完整的语法单元才能工作（无法补全一个未完成的单词）。不过，基于 token 的模型以更高层次的语义单元为基础，因此通常能给出更有意义的建议。\n\n基于字符的模型最多会回溯 80 个字符，而基于 token 的模型则最多回溯 20 个语法单元。\n\n未来如果能够结合 Python 的 [AST](https:\u002F\u002Fdocs.python.org\u002F3\u002Flibrary\u002Fast.html)，并完全摆脱变量命名的影响，那将是非常有趣的一次尝试。\n\n## 自己动手\n\n### 数据抓取\n\n遗憾的是，GitHub API 并不支持按文件名搜索，因此我编写了一个爬虫脚本，专门用于收集 Keras 源代码中的 Python 数据。你可以修改搜索查询来获取属于自己的数据。不过请注意不要过于频繁地请求，以免“打扰”GitHub。要想获得理想的效果，还需要更多的数据！\n\n目前这两个模型仅在 26 个脚本上进行了训练。\n\n### 后端\n\n使用 Keras 训练模型，并通过 Flask 提供服务。\n\n详情请参阅 [backend](backend\u002F)。\n\n### 前端\n\n前端部分非常轻量，主要负责与后端通信以获取自动补全建议，采用 [Angular 2](https:\u002F\u002Fangular.io\u002F) 框架开发。项目中已包含构建后的 `dist` 文件夹，因此你无需额外安装依赖即可轻松运行。\n\n详情请参阅 [frontend](frontend\u002F)。\n\n### 致谢\n\n该项目大量借鉴了 Keras 官方提供的 [LSTM 文本生成示例](https:\u002F\u002Fgithub.com\u002Ffchollet\u002Fkeras\u002Fblob\u002Fmaster\u002Fexamples\u002Flstm_text_generation.py) 中的思想。\n\n在使用本项目代码时，请尽可能注明出处。","# Neural Complete 快速上手指南\n\nNeural Complete 是一个基于生成式 LSTM 神经网络的代码自动补全工具。与传统补全工具不同，它不仅能补全单词，还能根据上下文预测并补全整行 Python 代码。该项目特别适合用于辅助编写神经网络相关代码（如 Keras）。\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 \u002F macOS \u002F Windows (需配置相应 Python 环境)\n*   **Python 版本**：建议 Python 3.6+\n*   **核心依赖**：\n    *   `keras` (后端模型训练与推理)\n    *   `tensorflow` (作为 Keras 的后端)\n    *   `flask` (用于提供 API 服务)\n    *   `numpy`\n*   **前端依赖**（如需修改前端）：Node.js, Angular 2+ (若仅使用预编译版本则无需安装)\n\n> **提示**：国内用户建议使用清华或阿里镜像源加速 Python 包安装。\n\n## 安装步骤\n\n### 1. 克隆项目\n首先从 GitHub 获取源代码：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fkootenpv\u002Fneural_complete.git\ncd neural_complete\n```\n\n### 2. 安装后端依赖\n创建虚拟环境并安装所需的 Python 库。推荐使用国内镜像源以提高下载速度：\n\n```bash\npython -m venv venv\nsource venv\u002Fbin\u002Factivate  # Windows 用户使用: venv\\Scripts\\activate\n\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple keras tensorflow flask numpy\n```\n\n### 3. 准备模型数据\n项目默认包含两个模型（基于字符和基于 Token），但为了获得最佳效果，建议根据自己的代码库进行训练。\n\n若需抓取数据（例如抓取 GitHub 上的 Keras 源码）：\n*   进入 `backend\u002F` 目录。\n*   修改爬虫脚本中的搜索查询以匹配您的需求。\n*   **注意**：请遵守 GitHub API 限制，避免频繁请求导致被封禁。原文提到默认模型仅基于 26 个脚本训练，数据量越大效果越好。\n\n### 4. 启动后端服务\n在 `backend\u002F` 目录下运行 Flask 服务以加载模型并提供补全接口：\n\n```bash\ncd backend\npython app.py\n```\n*默认情况下，服务将运行在本地端口（通常为 5000），具体请参考 `app.py` 配置。*\n\n### 5. 配置前端\n前端是一个轻量级的 Angular 2 应用，用于展示补全建议。\n\n*   **直接使用预编译版本**：\n    `dist` 文件夹已包含构建好的文件，可直接通过静态服务器运行，或通过后端代理访问。\n    \n*   **自行构建（可选）**：\n    如果需要修改前端逻辑，请进入 `frontend\u002F` 目录：\n    ```bash\n    cd frontend\n    npm install\n    npm start\n    ```\n    确保前端配置指向正确的后端 API 地址。\n\n## 基本使用\n\n启动后端和前端后，即可在编辑器或演示界面中体验智能补全。\n\n### 使用场景示例\n\nNeural Complete 能够识别代码上下文，提供整行建议：\n\n1.  **变量初始化**：\n    当您输入 `model` 时，如果上下文中尚未定义该变量，它可能会建议：\n    ```python\n    model = Sequential()\n    ```\n\n2.  **方法调用**：\n    当 `model` 已被定义为 `Sequential` 对象后，再次输入 `model` 时，它会根据上下文建议后续操作：\n    ```python\n    model.add(...)\n    ```\n\n### 自定义训练（进阶）\n\n为了让您个人的脚本获得更精准的“自动化”补全，您可以使用自己的代码库重新训练模型：\n\n1.  收集您的 Python 源代码文件。\n2.  利用项目提供的脚本处理数据（支持字符级和 Token 级两种模式）。\n    *   **字符模型**：可实时补全（即使单词未写完），回顾过去 80 个字符。\n    *   **Token 模型**：基于语义单元，通常更准确，但仅在完整 Token 后触发，回顾过去 20 个 Token。\n3.  使用 Keras 重新训练模型并替换后端加载的文件。\n\n> **注意**：当前版本主要作为实验性工具，随着训练数据的增加和上下文的丰富，补全精度会显著提升。未来计划支持基于 Python AST 的模型以忽略变量命名差异。","一名深度学习工程师正在使用 Keras 框架快速搭建一个复杂的图像分类模型，需要在编辑器中连续编写大量重复且结构严谨的神经网络层代码。\n\n### 没有 neural_complete 时\n- 开发者必须手动逐字输入冗长的 Keras API 调用（如 `model.add(Conv2D(...))`），极易因拼写错误或参数顺序颠倒导致运行失败。\n- 每次定义新层时都需要回忆上一层的输出维度以匹配当前输入，频繁切换窗口查阅文档或翻看前文代码，打断思维流。\n- 对于标准的模型构建模式（如先实例化 `Sequential` 再循环添加层），无法利用上下文自动推断意图，只能机械地重复编写样板代码。\n- 当尝试复用自己过往项目中的特定编码风格时，缺乏智能辅助来记忆和应用个人的习惯写法。\n\n### 使用 neural_complete 后\n- 当输入 `model =` 时，neural_complete 基于训练数据直接建议整行 `model = Sequential()`，并在后续输入 `model.` 时精准预测 `add(...)` 等常用方法。\n- 工具能“理解”前几行的代码语境，自动补全符合逻辑的下一行完整代码，显著减少了对文档的依赖和上下文切换次数。\n- 它不仅补全单词，更能根据之前的网络结构生成语义正确的整行语句，有效避免了括号不匹配或参数遗漏等低级错误。\n- 随着开发者使用自己的代码库对 neural_complete 进行微调，它能逐渐适应个人的命名规范和架构偏好，实现真正的个性化辅助。\n\nneural_complete 通过将通用代码模式转化为上下文感知的整行建议，将开发者从繁琐的样板代码编写中解放出来，使其更专注于模型架构的创新设计。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkootenpv_neural_complete_3eabfc26.gif","kootenpv","Pascal van Kooten","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkootenpv_d4dab708.jpg","Quant Dev (former AI\u002FDeep Learning)","Van Kooten AI Solutions \u002F ex-mgnr","Utrecht, Netherlands","kootenpv@gmail.com",null,"https:\u002F\u002Fgithub.com\u002Fkootenpv",[85,89,93,97,101],{"name":86,"color":87,"percentage":88},"Python","#3572A5",66.2,{"name":90,"color":91,"percentage":92},"TypeScript","#3178c6",15.2,{"name":94,"color":95,"percentage":96},"HTML","#e34c26",13.4,{"name":98,"color":99,"percentage":100},"JavaScript","#f1e05a",4,{"name":102,"color":103,"percentage":104},"CSS","#663399",1.1,1162,118,"2025-11-02T18:00:49","MIT","","未说明",{"notes":112,"python":110,"dependencies":113},"该项目基于 Keras LSTM 构建，包含字符级和 Python 令牌级两种模型。后端使用 Flask 服务模型，前端使用 Angular 2。README 提到模型仅在 26 个脚本上训练，鼓励用户使用自己的数据（如通过爬虫获取 GitHub 代码）重新训练以获得更好效果。未提供具体的预编译安装包或详细的版本依赖列表。",[114,115,116],"keras","flask","angular 2",[15,25],"2026-03-27T02:49:30.150509","2026-04-11T15:13:31.619795",[],[]]