[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-langchain4j--langchain4j-examples":3,"tool-langchain4j--langchain4j-examples":62},[4,18,26,36,46,54],{"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":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"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":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"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",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":68,"readme_en":69,"readme_zh":70,"quickstart_zh":71,"use_case_zh":72,"hero_image_url":73,"owner_login":74,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":66,"owner_location":66,"owner_email":66,"owner_twitter":74,"owner_website":78,"owner_url":79,"languages":80,"stars":104,"forks":105,"last_commit_at":106,"license":107,"difficulty_score":32,"env_os":77,"env_gpu":108,"env_ram":108,"env_deps":109,"category_tags":113,"github_topics":66,"view_count":32,"oss_zip_url":66,"oss_zip_packed_at":66,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":117},7688,"langchain4j\u002Flangchain4j-examples","langchain4j-examples",null,"langchain4j-examples 是 LangChain4j 官方提供的代码示例集合，旨在帮助开发者快速上手并掌握如何在 Java 环境中构建大语言模型应用。对于许多想要利用 AI 能力但不知从何开始的 Java 程序员来说，直接阅读文档往往不够直观，而 langchain4j-examples 通过提供大量可运行的实战代码，有效解决了“理论到实践”的转化难题。\n\n这套资源特别适合 Java 后端开发者、架构师以及希望将 AI 功能集成到现有企业系统中的技术人员使用。无论你是初学者还是资深工程师，都能从中找到适合的学习路径。其内容覆盖广泛，从基础教程到高级应用应有尽有，尤其值得关注的亮点包括：先进的 RAG（检索增强生成）技术实现、具备记忆与工具调用能力的智能客服代理示例，以及来自社区贡献的多样化场景案例。\n\n通过参考这些结构清晰、注释详细的代码，用户可以少走弯路，快速理解如何编排模型、管理上下文、连接外部数据源及构建复杂的 Agent 工作流。langchain4j-examples 不仅是一个学习库，更是一个可靠的开发起点，让 Java 生态中的 AI 应用开发变得更加简单","langchain4j-examples 是 LangChain4j 官方提供的代码示例集合，旨在帮助开发者快速上手并掌握如何在 Java 环境中构建大语言模型应用。对于许多想要利用 AI 能力但不知从何开始的 Java 程序员来说，直接阅读文档往往不够直观，而 langchain4j-examples 通过提供大量可运行的实战代码，有效解决了“理论到实践”的转化难题。\n\n这套资源特别适合 Java 后端开发者、架构师以及希望将 AI 功能集成到现有企业系统中的技术人员使用。无论你是初学者还是资深工程师，都能从中找到适合的学习路径。其内容覆盖广泛，从基础教程到高级应用应有尽有，尤其值得关注的亮点包括：先进的 RAG（检索增强生成）技术实现、具备记忆与工具调用能力的智能客服代理示例，以及来自社区贡献的多样化场景案例。\n\n通过参考这些结构清晰、注释详细的代码，用户可以少走弯路，快速理解如何编排模型、管理上下文、连接外部数据源及构建复杂的 Agent 工作流。langchain4j-examples 不仅是一个学习库，更是一个可靠的开发起点，让 Java 生态中的 AI 应用开发变得更加简单高效。","# [LangChain4j](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j) Examples\n\nThis repository provides several examples using the LangChain4j library.\n\nMore examples from the community can be found [here](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j-community-examples).\n\nA good place to start includes:\n- [Tutorials](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j-examples\u002Ftree\u002Fmain\u002Ftutorials\u002Fsrc\u002Fmain\u002Fjava)\n- [More examples](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j-examples\u002Ftree\u002Fmain\u002Fother-examples\u002Fsrc\u002Fmain\u002Fjava)\n- [Examples of using advanced RAG techniques](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j-examples\u002Ftree\u002Fmain\u002Frag-examples\u002Fsrc\u002Fmain\u002Fjava)\n- [Example of an agent with memory, tools and RAG](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j-examples\u002Fblob\u002F5a19b723661530cf64846a256e2b01b060e7fb0b\u002Fcustomer-support-agent-example\u002Fsrc\u002Fmain\u002Fjava\u002Fdev\u002Flangchain4j\u002Fexample\u002FCustomerSupportAgentApplication.java#L39)\n\nIf you have any issues or feature requests, please submit them [here](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j\u002Fissues\u002Fnew\u002Fchoose).\n","# [LangChain4j](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j) 示例\n\n此仓库提供了多个使用 LangChain4j 库的示例。\n\n社区贡献的更多示例可以在此处找到：[这里](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j-community-examples)。\n\n不错的入门资源包括：\n- [教程](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j-examples\u002Ftree\u002Fmain\u002Ftutorials\u002Fsrc\u002Fmain\u002Fjava)\n- [更多示例](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j-examples\u002Ftree\u002Fmain\u002Fother-examples\u002Fsrc\u002Fmain\u002Fjava)\n- [高级 RAG 技术示例](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j-examples\u002Ftree\u002Fmain\u002Frag-examples\u002Fsrc\u002Fmain\u002Fjava)\n- [带有记忆、工具和 RAG 的智能体示例](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j-examples\u002Fblob\u002F5a19b723661530cf64846a256e2b01b060e7fb0b\u002Fcustomer-support-agent-example\u002Fsrc\u002Fmain\u002Fjava\u002Fdev\u002Flangchain4j\u002Fexample\u002FCustomerSupportAgentApplication.java#L39)\n\n如果您遇到任何问题或有功能需求，请在此处提交：[这里](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j\u002Fissues\u002Fnew\u002Fchoose)。","# LangChain4j Examples 快速上手指南\n\n本指南基于 `langchain4j-examples` 仓库，帮助中国开发者快速体验 LangChain4j 的核心功能。\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**：Windows, macOS 或 Linux\n*   **JDK 版本**：Java 17 或更高版本（推荐 Java 21）\n*   **构建工具**：Maven 3.8+ 或 Gradle 8+\n*   **IDE**：IntelliJ IDEA（推荐）、Eclipse 或 VS Code\n*   **API Key**：准备一个大模型服务商的 API Key（如 OpenAI、Azure OpenAI 或国内兼容 OpenAI 接口的服务）。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    使用 Git 将示例代码克隆到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j-examples.git\n    cd langchain4j-examples\n    ```\n    > **提示**：如果下载速度较慢，可使用国内镜像加速：\n    > `git clone https:\u002F\u002Fgitee.com\u002Fmirrors\u002Flangchain4j-examples.git` (注：若官方无同步镜像，请使用标准地址或配置 git proxy)\n\n2.  **导入项目**\n    该仓库包含多个 Maven\u002FGradle 模块。建议使用 IDE 直接打开根目录，或者根据需求进入特定子目录（例如 `tutorials`）进行导入。\n    \n    以 `tutorials` 为例：\n    ```bash\n    cd tutorials\n    # 如果使用 Maven\n    mvn clean install\n    ```\n\n3.  **配置依赖**\n    项目已预置 `pom.xml` 或 `build.gradle`。如需使用国内加速源，可在项目的 `pom.xml` 中添加阿里云 Maven 镜像：\n    ```xml\n    \u003Cmirror>\n      \u003Cid>aliyunmaven\u003C\u002Fid>\n      \u003CmirrorOf>*\u003C\u002FmirrorOf>\n      \u003Cname>Aliyun Public\u003C\u002Fname>\n      \u003Curl>https:\u002F\u002Fmaven.aliyun.com\u002Frepository\u002Fpublic\u003C\u002Furl>\n    \u003C\u002Fmirror>\n    ```\n\n## 基本使用\n\n以下是一个最简单的聊天机器人示例，展示如何调用大模型。\n\n1.  **定位示例代码**\n    进入基础教程目录：\n    `tutorials\u002Fsrc\u002Fmain\u002Fjava`\n\n2.  **设置 API Key**\n    在运行代码前，请在环境变量中设置您的 API Key，或在代码中直接替换（仅用于测试）：\n    ```bash\n    export OPENAI_API_KEY=\"your-api-key-here\"\n    ```\n    *(Windows PowerShell: `$env:OPENAI_API_KEY=\"your-api-key-here\"`)*\n\n3.  **运行代码**\n    找到类似 `ChatModelExamples.java` 的文件，核心代码如下：\n\n    ```java\n    import dev.langchain4j.model.chat.ChatLanguageModel;\n    import dev.langchain4j.model.openai.OpenAiChatModel;\n\n    public class SimpleChatExample {\n        public static void main(String[] args) {\n            \u002F\u002F 初始化模型 (以 OpenAI 为例)\n            ChatLanguageModel model = OpenAiChatModel.builder()\n                    .apiKey(System.getenv(\"OPENAI_API_KEY\"))\n                    .modelName(\"gpt-3.5-turbo\")\n                    .build();\n\n            \u002F\u002F 发送消息并获取响应\n            String response = model.generate(\"你好，请用中文介绍什么是 LangChain4j？\");\n            \n            System.out.println(response);\n        }\n    }\n    ```\n\n4.  **探索更多场景**\n    *   **进阶 RAG 技术**：查看 `rag-examples` 目录。\n    *   **智能体 (Agent)**：查看 `customer-support-agent-example`，包含记忆、工具调用和 RAG 的综合示例。\n    *   **社区示例**：更多由社区贡献的案例可参考 [langchain4j-community-examples](https:\u002F\u002Fgithub.com\u002Flangchain4j\u002Flangchain4j-community-examples)。","某电商公司的 Java 后端团队正致力于将传统客服系统升级为具备记忆能力和知识库检索功能的智能助手。\n\n### 没有 langchain4j-examples 时\n- 开发人员需在 LangChain4j 官方文档中零散搜索代码片段，难以快速拼凑出包含“记忆、工具调用、RAG\"的完整代理架构。\n- 面对高级 RAG（检索增强生成）技术，团队缺乏标准参考实现，导致在数据分块和向量检索策略上反复试错，耗时数周。\n- 由于缺少经过验证的教程代码，初级工程师在配置 Agent 上下文和工具链时频繁遭遇运行时错误，调试成本极高。\n- 社区中的优秀实践分散在不同仓库，团队难以辨别哪些示例适用于生产环境，增加了技术选型的风险。\n\n### 使用 langchain4j-examples 后\n- 团队直接复用 `customer-support-agent-example` 中的完整代码，瞬间搭建起集记忆、工具与 RAG 于一身的智能客服原型。\n- 参考 `rag-examples` 目录下的高级 RAG 案例，迅速实现了精准的知识库问答，将开发周期从数周缩短至两天。\n- 依托 `tutorials` 目录中结构清晰的入门教程，新员工能快速理解核心概念并上手编码，显著降低了学习曲线和出错率。\n- 通过借鉴 `langchain4j-community-examples` 中的真实场景方案，团队直接采用了经社区验证的最佳实践，确保了系统的稳定性。\n\nlangchain4j-examples 通过提供开箱即用的全场景代码范本，让 Java 开发者从繁琐的架构摸索中解放出来，专注于业务逻辑的创新与落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flangchain4j_langchain4j-examples_2a1a9f6c.png","langchain4j","LangChain4j","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flangchain4j_4067f7f0.png","","https:\u002F\u002Fdocs.langchain4j.dev","https:\u002F\u002Fgithub.com\u002Flangchain4j",[81,85,89,93,96,100],{"name":82,"color":83,"percentage":84},"Java","#b07219",93.7,{"name":86,"color":87,"percentage":88},"HTML","#e34c26",2.4,{"name":90,"color":91,"percentage":92},"CSS","#663399",1.4,{"name":94,"color":95,"percentage":92},"Shell","#89e051",{"name":97,"color":98,"percentage":99},"JavaScript","#f1e05a",0.9,{"name":101,"color":102,"percentage":103},"Makefile","#427819",0.1,1638,582,"2026-04-14T17:08:32","Apache-2.0","未说明",{"notes":110,"python":111,"dependencies":112},"该项目是 LangChain4j 的示例代码库，基于 Java 语言开发，而非 Python。README 中未列出具体的操作系统、GPU、内存或 JDK 版本要求。通常此类 Java 项目需要安装 JDK（建议 JDK 17+）和构建工具（如 Maven 或 Gradle）来运行示例。具体的资源需求取决于所调用的大模型服务（本地运行或 API 调用）。","不适用 (基于 Java)",[74],[35,14,13],"2026-03-27T02:49:30.150509","2026-04-18T02:44:29.511031",[],[]]