[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-kzl--decision-transformer":3,"tool-kzl--decision-transformer":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",159267,2,"2026-04-17T11:29:14",[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。",108322,"2026-04-10T11:39:34",[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},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",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"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":76,"owner_location":76,"owner_email":77,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":94,"env_os":95,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":100,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":102,"updated_at":103,"faqs":104,"releases":130},8647,"kzl\u002Fdecision-transformer","decision-transformer","Official codebase for Decision Transformer: Reinforcement Learning via Sequence Modeling.","Decision Transformer 是一个将强化学习转化为序列建模问题的开源研究项目。传统强化学习往往依赖复杂的动态规划或值函数估计，训练过程不稳定且难以并行化。Decision Transformer 创新性地利用 Transformer 架构，直接将状态、动作和回报作为序列数据进行建模，从而通过条件生成的方式预测最优动作序列。这种方法不仅简化了算法结构，还显著提升了在 Atari 游戏和 OpenAI Gym 等经典基准测试中的样本效率与性能表现。\n\n该项目特别适合人工智能研究人员、算法工程师以及对深度强化学习感兴趣的高校师生使用。如果你希望探索基于序列模型的决策新范式，或者复现论文中的前沿实验，Decision Transformer 提供了完整的代码实现，涵盖 Atari 和 Gym 两大主流实验环境，并附带详细的运行脚本。其核心技术亮点在于打破了传统强化学习与序列建模之间的界限，证明了纯注意力机制在决策任务中的强大潜力。作为由伯克利等机构学者共同推出的学术成果，它采用宽松的 MIT 协议开源，旨在促进社区对“通过序列建模实现强化学习”这一方向的深入研究与交流。","\n# Decision Transformer\n\nLili Chen\\*, Kevin Lu\\*, Aravind Rajeswaran, Kimin Lee, Aditya Grover, Michael Laskin, Pieter Abbeel, Aravind Srinivas†, and Igor Mordatch†\n\n\\*equal contribution, †equal advising\n\nA link to our paper can be found on [arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.01345).\n\n## Overview\n\nOfficial codebase for [Decision Transformer: Reinforcement Learning via Sequence Modeling](https:\u002F\u002Fsites.google.com\u002Fberkeley.edu\u002Fdecision-transformer).\nContains scripts to reproduce experiments.\n\n![image info](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzl_decision-transformer_readme_4705f59acfc0.png)\n\n## Instructions\n\nWe provide code in two sub-directories: `atari` containing code for Atari experiments and `gym` containing code for OpenAI Gym experiments.\nSee corresponding READMEs in each folder for instructions; scripts should be run from the respective directories.\nIt may be necessary to add the respective directories to your PYTHONPATH.\n\n## Citation\n\nPlease cite our paper as:\n\n```\n@article{chen2021decisiontransformer,\n  title={Decision Transformer: Reinforcement Learning via Sequence Modeling},\n  author={Lili Chen and Kevin Lu and Aravind Rajeswaran and Kimin Lee and Aditya Grover and Michael Laskin and Pieter Abbeel and Aravind Srinivas and Igor Mordatch},\n  journal={arXiv preprint arXiv:2106.01345},\n  year={2021}\n}\n```\n\nNote: this is not an official Google or Facebook product.\n\n## License\n\nMIT\n","# 决策 Transformer\n\n陈莉\\*, 卢凯文\\*, 阿拉文德·拉杰斯瓦兰, 金民李, 阿迪蒂亚·格罗弗, 迈克尔·拉斯金, 彼得·阿贝尔, 阿拉文德·斯里尼瓦斯†, 伊戈尔·莫达奇†\n\n\\*同等贡献，†同等指导\n\n我们的论文链接可在 [arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.01345) 上找到。\n\n## 概述\n\n[决策 Transformer：通过序列建模进行强化学习](https:\u002F\u002Fsites.google.com\u002Fberkeley.edu\u002Fdecision-transformer) 的官方代码库。包含用于复现实验的脚本。\n\n![图片说明](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzl_decision-transformer_readme_4705f59acfc0.png)\n\n## 使用说明\n\n我们提供了两个子目录中的代码：`atari` 包含 Atari 实验的代码，`gym` 包含 OpenAI Gym 实验的代码。请参阅各自文件夹中的 README 文件以获取使用说明；脚本应从相应的目录运行。可能需要将相应目录添加到您的 PYTHONPATH 中。\n\n## 引用\n\n请按以下方式引用我们的论文：\n\n```\n@article{chen2021decisiontransformer,\n  title={Decision Transformer: Reinforcement Learning via Sequence Modeling},\n  author={Lili Chen and Kevin Lu and Aravind Rajeswaran and Kimin Lee and Aditya Grover and Michael Laskin and Pieter Abbeel and Aravind Srinivas and Igor Mordatch},\n  journal={arXiv preprint arXiv:2106.01345},\n  year={2021}\n}\n```\n\n注意：这不是 Google 或 Facebook 的官方产品。\n\n## 许可证\n\nMIT","# Decision Transformer 快速上手指南\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 或 macOS（Windows 用户建议使用 WSL2 或 Docker）\n*   **Python 版本**：推荐 Python 3.7 或更高版本\n*   **前置依赖**：\n    *   PyTorch\n    *   OpenAI Gym (用于通用环境实验)\n    *   Atari ROMs (用于 Atari 游戏实验，需额外安装 `atari-py`)\n    *   NumPy, tqdm 等常用科学计算库\n\n> **提示**：国内开发者可使用清华源或阿里源加速 Python 包的安装。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fkzl\u002Fdecision-transformer.git\n    cd decision-transformer\n    ```\n\n2.  **创建虚拟环境并安装依赖**\n    建议先创建一个独立的 Conda 或 venv 环境。\n    ```bash\n    # 如果使用 pip 安装基础依赖（具体依赖列表请参考子目录中的 requirements.txt）\n    pip install torch gym atari-py numpy tqdm\n    \n    # 或者根据子目录的具体需求安装\n    # 例如进入 gym 目录查看特定依赖\n    ```\n\n3.  **配置环境变量**\n    根据官方说明，运行脚本前可能需要将对应目录添加到 `PYTHONPATH`。\n    ```bash\n    export PYTHONPATH=\"${PYTHONPATH}:$(pwd)\u002Fgym\"\n    # 如果运行 Atari 实验\n    export PYTHONPATH=\"${PYTHONPATH}:$(pwd)\u002Fatari\"\n    ```\n\n## 基本使用\n\n该仓库包含两个主要实验目录：`gym`（OpenAI Gym 环境）和 `atari`（Atari 游戏环境）。请进入相应目录运行脚本。\n\n### 1. 运行 Gym 环境示例\n进入 `gym` 目录，执行训练或评估脚本（具体脚本名称请参考该目录下 README 或文件列表，以下为典型调用方式）：\n\n```bash\ncd gym\npython experiment.py --env_name halfcheetah-medium-v2 --seed 0\n```\n\n### 2. 运行 Atari 环境示例\n进入 `atari` 目录，执行相关实验脚本：\n\n```bash\ncd atari\npython experiment.py --env_name breakout --seed 0\n```\n\n> **注意**：具体的命令行参数（如 `--env_name`, `--seed` 等）可能因脚本版本而异，请务必查阅 `gym\u002FREADME.md` 或 `atari\u002FREADME.md` 获取最准确的参数说明。\n\n---\n*注：本项目非 Google 或 Facebook 官方产品，遵循 MIT 许可证。引用论文请参考原仓库 Citation 部分。*","某自动驾驶初创团队的算法工程师正致力于优化车辆在复杂路口的决策逻辑，希望从历史驾驶数据中学习更安全的行驶策略。\n\n### 没有 decision-transformer 时\n- 传统强化学习算法严重依赖在线交互试错，实车训练成本高且存在安全隐患，难以直接从离线日志中高效学习。\n- 面对长序列的驾驶场景（如连续变道加避让），基于值函数的方法难以捕捉长程依赖关系，导致决策短视。\n- 调整奖励函数极其敏感，微小的参数变动往往导致模型不收敛或学到投机取巧的“作弊”行为，调试周期漫长。\n- 无法灵活指定目标回报，模型只能被动学习平均表现，难以针对性地提取出历史数据中那部分“完美驾驶”的轨迹。\n\n### 使用 decision-transformer 后\n- 利用序列建模能力直接将离线驾驶日志转化为训练数据，无需实车冒险试错，显著降低了数据采集门槛与安全成本。\n- 通过 Transformer 架构天然捕捉长上下文信息，车辆能理解数秒前的路况对当前决策的影响，实现更连贯的长远规划。\n- 将强化学习问题转化为条件序列生成，只需在输入中设定期望回报值，即可稳定提取出高分驾驶策略，大幅减少调参工作量。\n- 支持动态设定目标条件，同一模型既能输出保守防御型驾驶策略，也能在安全范围内生成高效通行方案，灵活性极大提升。\n\ndecision-transformer 通过将强化学习重构为序列建模任务，让开发者能安全、高效地从静态历史数据中直接提取可控的高质量决策策略。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkzl_decision-transformer_b0c379a3.png","kzl","Kevin Lu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkzl_94de2657.png","UC Berkeley",null,"kzl@berkeley.edu","_kevinlu","https:\u002F\u002Fkevinlu.ai","https:\u002F\u002Fgithub.com\u002Fkzl",[82,86],{"name":83,"color":84,"percentage":85},"Python","#3572A5",98.6,{"name":87,"color":88,"percentage":89},"Shell","#89e051",1.4,2787,515,"2026-04-17T03:41:25","MIT",4,"","未说明",{"notes":98,"python":96,"dependencies":99},"README 中未明确列出具体的运行环境需求（如操作系统、GPU、内存、Python 版本及依赖库）。代码分为 Atari 和 Gym 两个子目录，需分别进入对应目录运行脚本，并可能需要将相应目录添加到 PYTHONPATH 环境变量中。",[],[14,101],"其他","2026-03-27T02:49:30.150509","2026-04-18T03:34:43.697933",[105,110,115,120,125],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},38734,"加载轨迹时终端显示 `killed` 或内存不足怎么办？","这是因为默认配置加载的数据量过大导致内存溢出。解决方法是减少每个 buffer 的轨迹数量。在运行命令中添加参数 `--trajectories_per_buffer 10`，或者在代码配置中设置 `replay_capacity=100000` 和 `trajectories_per_buffer=10`。例如：\npython -m atari.run_dt_atari.py --seed 123 --epochs 5 --model_type 'reward_conditioned' --num_steps 500000 --num_buffers 50 --game 'Breakout' --batch_size 64 --data_dir_prefix \u003Cyour_data_dir> --trajectories_per_buffer 10","https:\u002F\u002Fgithub.com\u002Fkzl\u002Fdecision-transformer\u002Fissues\u002F8",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},38735,"遇到 AttributeError: 'GPT2Config' object has no attribute 'n_ctx' 错误如何解决？","这是由于使用的 `transformers` 库版本过高，新版本的配置对象中 `n_ctx` 属性已被重命名。有两种解决方案：\n1. （推荐）降级 `transformers` 库到兼容版本：`pip install transformers==4.12.5` 或 `pip install transformers==4.5.1`。\n2. 如果必须使用高版本，需修改源码，将代码中的 `config.n_ctx` 替换为 `config.n_positions`。","https:\u002F\u002Fgithub.com\u002Fkzl\u002Fdecision-transformer\u002Fissues\u002F56",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},38736,"Attention Mask 是否允许访问未来的 token（即是否存在因果掩码缺失的问题）？","不需要担心，代码中确实使用了因果掩码（Causal Mask）。虽然项目代码中没有显式地构建三角矩阵掩码，但该项目依赖的 Hugging Face `GPT-2` 模型在其内部的 `forward` 函数中已经自动实现了因果注意力机制（使用 `torch.tril`）。因此，模型在训练时无法看到未来的 token，符合自回归模型的要求。","https:\u002F\u002Fgithub.com\u002Fkzl\u002Fdecision-transformer\u002Fissues\u002F30",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},38737,"如何计算 Atari 游戏的归一化得分（Normalized Score）？","归一化得分的计算公式如下：\nNormalized Score = 100 * (score - random_score) \u002F (expert_score - random_score)\n其中 `score` 是模型得到的原始分数，`random_score` 是随机策略的得分，`expert_score` 是专家策略的得分。如果无法复现论文结果，请检查是否使用了正确的随机种子（如 123, 231, 312），并注意环境中可能存在的额外随机性。","https:\u002F\u002Fgithub.com\u002Fkzl\u002Fdecision-transformer\u002Fissues\u002F46",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},38738,"代码中状态预测和行动预测的输入索引（x[:,1] 和 x[:,2]）是否正确？","代码逻辑是正确的。在序列建模中，输入张量 `x` 的不同维度对应不同的 token 类型。`x[:,1,t]` 对应的是状态 token (s_t)，而 `x[:,2,t]` 对应的是行动 token (a_t)。虽然动力学模型通常定义为 s_{t+1} = f(s_t, a_t)，但在 Decision Transformer 的序列生成视角下，模型是根据当前的上下文序列来预测下一个状态或行动，因此直接使用对应位置的 token 进行预测是符合设计逻辑的。","https:\u002F\u002Fgithub.com\u002Fkzl\u002Fdecision-transformer\u002Fissues\u002F5",[]]