[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-linjinjin123--awesome-AIOps":3,"tool-linjinjin123--awesome-AIOps":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"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":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":78,"stars":80,"forks":81,"last_commit_at":82,"license":78,"difficulty_score":83,"env_os":84,"env_gpu":85,"env_ram":85,"env_deps":86,"category_tags":89,"github_topics":90,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":98,"updated_at":99,"faqs":100,"releases":101},3097,"linjinjin123\u002Fawesome-AIOps","awesome-AIOps","AIOps学习资料汇总，欢迎一起补全这个仓库，欢迎star","awesome-AIOps 是一个专注于智能运维（AIOps）领域的开源学习资源汇总库。它致力于解决从业者在探索 AIOps 时面临的信息分散、资料难寻等痛点，将白皮书、课程课件、行业实战案例、学术文章、核心算法工具及数据集等宝贵内容进行了系统化的梳理与整合。\n\n无论是希望入门的学生、深耕技术的研究人员，还是寻求落地方案的开发者与企业运维专家，都能在这里找到极具价值的参考指引。该仓库的独特亮点在于其丰富的“大厂实战”板块，详细收录了腾讯、阿里、百度、Netflix、Uber 等顶尖科技公司在异常检测、流量监控及大规模时间序列处理方面的真实实践与开源代码。此外，它还涵盖了从理论基础到具体工具（如 Facebook Prophet、百度 Curve 等）的全链路资源，并持续更新相关的微信公众号推荐，帮助用户紧跟行业动态。作为一个由社区共同维护的知识宝库，awesome-AIOps 以开放共享的精神，降低了 AIOps 的学习门槛，是推动智能运维技术普及与发展的重要助手。","# awesome-AIOps\n[![Awesome](https:\u002F\u002Fawesome.re\u002Fbadge.svg)](https:\u002F\u002Fawesome.re)\n[![知识共享协议（CC协议）](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Creative%20Commons-DC3D24.svg)](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002Fdeed.zh)\n[![GitHub stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Flinjinjin123\u002Fawesome-AIOps.svg?style=flat&label=Star)](https:\u002F\u002Fgithub.com\u002Flinjinjin123\u002Fawesome-AIOps\u002Fstargazers)\n[![GitHub forks](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Flinjinjin123\u002Fawesome-AIOps.svg?style=flat&label=Fork)](https:\u002F\u002Fgithub.com\u002Flinjinjin123\u002Fawesome-AIOps\u002Ffork)\n[![GitHub watchers](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fwatchers\u002Flinjinjin123\u002Fawesome-AIOps.svg?style=flat&label=Watch)](https:\u002F\u002Fgithub.com\u002Flinjinjin123\u002Fawesome-AIOps\u002Fwatchers)\n\n- [Awesome AIOps](#awesome-AIOps)\n    - [White Paper](#white-paper)\n    - [Course and Slides](#course-and-slides)\n    - [Industry Practice](#industry-practice)\n    - [Article](#article)\n    - [Tools and Algorithms](#tools-and-algorithms)\n    - [Paper](#paper)\n    - [Dataset](#dataset)\n    - [Useful WeChat Official Accounts](#useful-wechat-official-accounts)\n    \n## White Paper\n* [《企业级 AIOps 实施建议》白皮书](https:\u002F\u002Fwww.rizhiyi.com\u002Fassets\u002Fdocs\u002FAIOps.pdf)\n\n## Course and Slides\n* [Tsinghua-Peidan](http:\u002F\u002Fnetman.ai\u002Fcourses\u002Fadvanced-network-management-spring2018-syllabus\u002F) - AIOps course in Tsinghua.\n* [基于机器学习的智能运维](http:\u002F\u002Fnetman.ai\u002Fwp-content\u002Fuploads\u002F2016\u002F12\u002F%E5%9F%BA%E4%BA%8E%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%9A%84%E6%99%BA%E8%83%BD%E8%BF%90%E7%BB%B4v1.6.pdf)\n\n## Industry Practice\n-------------------------------------------------------------------------------\n* [腾讯运维的AI实践](https:\u002F\u002Fmyslide.cn\u002Fslides\u002F8935)\n* [AI 时代下腾讯的海量业务智能监控实践](https:\u002F\u002Fcloud.tencent.com\u002Fdeveloper\u002Farticle\u002F1039354)\n* [织云Metis时间序列异常检测全方位解析](https:\u002F\u002Fppt.geekbang.org\u002Fslide\u002Fshow?cid=30&pid=1595)\n* [腾讯织云Metis智能运维学件平台开源代码](https:\u002F\u002Fgithub.com\u002FTencent\u002FMetis)\n-------------------------------------------------------------------------------\n* [阿里全链路监控方案](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FDJhJKD4TCDgSwyLZbSotKg)\n* [阿里开源4000台服务器真实数据集](https:\u002F\u002Fgithub.com\u002Falibaba\u002Fclusterdata\u002Ftree\u002Fv2018)\n-------------------------------------------------------------------------------\n* [百度智能流量监控实战](https:\u002F\u002Fppt.geekbang.org\u002Fslide\u002Fshow?cid=30&pid=1548)\n* [异常检测：百度是这样做的](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FAXhjawsINKl6cLDV1yf6fw)\n* [Next Generation of DevOps AIOps in Practice @Baidu](https:\u002F\u002Fwww.usenix.org\u002Fsites\u002Fdefault\u002Ffiles\u002Fconference\u002Fprotected-files\u002Fsrecon17asia_slides_qu.pdf) [[video]](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=5YfqevEtIFw)\n-------------------------------------------------------------------------------\n* [搭建大规模高性能的时间序列大数据平台](https:\u002F\u002Fppt.geekbang.org\u002Flist\u002Fassz2018)\n* [Yahoo大规模时列数据异常检测技术及其高性能可伸缩架构](http:\u002F\u002Fwww.infoq.com\u002Fcn\u002Farticles\u002Fautomated-time-series-anomaly-detection?utm_source=articles_about_bigdata&utm_medium=link&utm_campaign=bigdata)\n* [Netflix: Robust PCA](https:\u002F\u002Fmedium.com\u002Fnetflix-techblog\u002Frad-outlier-detection-on-big-data-d6b0494371cc)\n* [LinkedIn: exponential smoothing](https:\u002F\u002Fgithub.com\u002Flinkedin\u002Fluminol)\n* [Uber: multivariate non-linear model](https:\u002F\u002Feng.uber.com\u002Fargos\u002F)\n\n## Article\n* [智能运维|AIOps中的四大金刚都是谁？](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FNKhQkS59WIGgbIfFKcxonA)\n* [A Comparison of Mapping Approaches for Distributed Cloud Applications](https:\u002F\u002Fblog.netsil.com\u002Fa-comparison-of-mapping-approaches-for-distributed-cloud-applications-52be1f61d293)\n* [AIOps探索：基于VAE模型的周期性KPI异常检测方法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F45400663)\n\n## Tools and Algorithms\n* [Tools to Monitor and Visualize Microservices Architecture](https:\u002F\u002Fwww.programmableweb.com\u002Fnews\u002Ftools-to-monitor-and-visualize-microservices-architecture\u002Fanalysis\u002F2016\u002F12\u002F14)\n* [python-fp-growth，挖掘频繁项集](https:\u002F\u002Fgithub.com\u002Fenaeseth\u002Fpython-fp-growth)\n* [Anomaly Detection with Twitter in R](https:\u002F\u002Fgithub.com\u002Ftwitter\u002FAnomalyDetection)\n* [百度开源时间序列打标工具：Curve](https:\u002F\u002Fgithub.com\u002Fbaidu\u002FCurve)\n* [Microsoft开源时间序列打标工具: TagAnomaly](https:\u002F\u002Fgithub.com\u002FMicrosoft\u002FTagAnomaly)\n* [Anomaly Detection Examples](https:\u002F\u002Fgithub.com\u002Fshubhomoydas\u002Fad_examples)\n* [facebook\u002Fprophet, Tool for producing high quality forecasts for time series data that has multiple seasonality with linear or non-linear growth.](https:\u002F\u002Ffacebook.github.io\u002Fprophet)\n* [google\u002FCausalImpact, An R package for causal inference in time series](https:\u002F\u002Fgithub.com\u002Fgoogle\u002FCausalImpact)\n* [时间序列分析之ARIMA](https:\u002F\u002Fblog.csdn.net\u002Fu010414589\u002Farticle\u002Fdetails\u002F49622625)\n* [时间序列特征提取库tsfresh](https:\u002F\u002Fgithub.com\u002Fblue-yonder\u002Ftsfresh)\n* [Yahoo EGADS : A Java package to automatically detect anomalies in large scale time-series data](https:\u002F\u002Fgithub.com\u002Fyahoo\u002Fegads)\n* [Awesome Time Series Analysis and Data Mining](https:\u002F\u002Fgithub.com\u002Fyoungdou\u002Fawesome-time-series-analysis)\n\n## Paper\n* [Survey on Models and Techniques for Root-Cause Analysis](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1701.08546.pdf)\n* [基于机器学习的智能运维](http:\u002F\u002Fnetman.ai\u002Fwp-content\u002Fuploads\u002F2018\u002F04\u002Fpeidan.pdf)\n* [HotSpot: Anomaly Localization for Additive KPIs With Multi-Dimensional Attributes](http:\u002F\u002Fnetman.aiops.org\u002Fwp-content\u002Fuploads\u002F2018\u002F03\u002Fsunyq_IEEEAccess_HotSpot.pdf)\n    * Chinese：[清华AIOps新作:蒙特卡洛树搜索定位多维指标异常](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FKj309bzifIv4j80nZbGVZw)\n* [Opprentice: Towards Practical and Automatic Anomaly Detection Through Machine Learning](http:\u002F\u002Fconferences2.sigcomm.org\u002Fimc\u002F2015\u002Fpapers\u002Fp211.pdf)\n* [Robust and Rapid Clustering of KPIs for Large-Scale Anomaly Detection](https:\u002F\u002Fnetman.aiops.org\u002Fwp-content\u002Fuploads\u002F2018\u002F05\u002FPID5338621.pdf)\n* [KPI-TSAD: A Time-Series Anomaly Detector for KPI Monitoring in Cloud Applications](https:\u002F\u002Fwww.mdpi.com\u002F2073-8994\u002F11\u002F11\u002F1350)\n* [Anomaly Detection Based on Mining Six Local Data Features and BP Neural Network ](https:\u002F\u002Fwww.mdpi.com\u002F2073-8994\u002F11\u002F4\u002F571)\n* [Generic and Robust Localization of Multi-Dimensional Root Causes](https:\u002F\u002Fnetman.aiops.org\u002Fwp-content\u002Fuploads\u002F2019\u002F08\u002Fcamera_ready.pdf)\n* [Papers from Tsinghua NetMan Lab](https:\u002F\u002Fnetman.aiops.org\u002Fpublications\u002F)\n\n## Dataset\n* [Alibaba\u002Fclusterdata](https:\u002F\u002Fgithub.com\u002Falibaba\u002Fclusterdata)\n* [Azure\u002FAzurePublicDataset](https:\u002F\u002Fgithub.com\u002FAzure\u002FAzurePublicDataset)\n* [Google\u002Fcluster-data](https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fcluster-data)\n* [The Numenta Anomaly Benchmark(NAB)](https:\u002F\u002Fgithub.com\u002Fnumenta\u002FNAB)\n* [Yahoo: A Labeled Anomaly Detection Dataset](https:\u002F\u002Fwebscope.sandbox.yahoo.com\u002Fcatalog.php?datatype=s&did=70)\n* [港中文loghub数据集](https:\u002F\u002Fgithub.com\u002Flogpai\u002Floghub)\n* [2018 AIOPS挑战赛预赛测试集](http:\u002F\u002Fiops.ai\u002Fdataset_detail\u002F?id=7) [2018 AIOPS挑战赛预赛训练集](http:\u002F\u002Fiops.ai\u002Fdataset_detail\u002F?id=6)\n\n## Useful WeChat Official Accounts\n* 腾讯织云（腾讯的）\n* 智能运维前沿（清华裴丹团队的）\n* AIOps智能运维（百度的）\n* 华为产品可服务能力（华为的）\n","# 令人惊叹的AIOps\n[![Awesome](https:\u002F\u002Fawesome.re\u002Fbadge.svg)](https:\u002F\u002Fawesome.re)\n[![知识共享协议（CC协议）](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Creative%20Commons-DC3D24.svg)](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002Fdeed.zh)\n[![GitHub stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Flinjinjin123\u002Fawesome-AIOps.svg?style=flat&label=Star)](https:\u002F\u002Fgithub.com\u002Flinjinjin123\u002Fawesome-AIOps\u002Fstargazers)\n[![GitHub forks](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Flinjinjin123\u002Fawesome-AIOps.svg?style=flat&label=Fork)](https:\u002F\u002Fgithub.com\u002Flinjinjin123\u002Fawesome-AIOps\u002Ffork)\n[![GitHub watchers](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fwatchers\u002Flinjinjin123\u002Fawesome-AIOps.svg?style=flat&label=Watch)](https:\u002F\u002Fgithub.com\u002Flinjinjin123\u002Fawesome-AIOps\u002Fwatchers)\n\n- [令人惊叹的AIOps](#awesome-AIOps)\n    - [白皮书](#white-paper)\n    - [课程与幻灯片](#course-and-slides)\n    - [行业实践](#industry-practice)\n    - [文章](#article)\n    - [工具和算法](#tools-and-algorithms)\n    - [论文](#paper)\n    - [数据集](#dataset)\n    - [实用微信公众号](#useful-wechat-official-accounts)\n    \n## 白皮书\n* [《企业级 AIOps 实施建议》白皮书](https:\u002F\u002Fwww.rizhiyi.com\u002Fassets\u002Fdocs\u002FAIOps.pdf)\n\n## 课程与幻灯片\n* [清华大学—裴丹](http:\u002F\u002Fnetman.ai\u002Fcourses\u002Fadvanced-network-management-spring2018-syllabus\u002F) - 清华大学的AIOps课程。\n* [基于机器学习的智能运维](http:\u002F\u002Fnetman.ai\u002Fwp-content\u002Fuploads\u002F2016\u002F12\u002F%E5%9F%BA%E4%BA%8E%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%9A%84%E6%99%BA%E8%83%BD%E8%BF%90%E7%BB%B4v1.6.pdf)\n\n## 行业实践\n-------------------------------------------------------------------------------\n* [腾讯运维的AI实践](https:\u002F\u002Fmyslide.cn\u002Fslides\u002F8935)\n* [AI 时代下腾讯的海量业务智能监控实践](https:\u002F\u002Fcloud.tencent.com\u002Fdeveloper\u002Farticle\u002F1039354)\n* [织云Metis时间序列异常检测全方位解析](https:\u002F\u002Fppt.geekbang.org\u002Fslide\u002Fshow?cid=30&pid=1595)\n* [腾讯织云Metis智能运维学件平台开源代码](https:\u002F\u002Fgithub.com\u002FTencent\u002FMetis)\n-------------------------------------------------------------------------------\n* [阿里全链路监控方案](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FDJhJKD4TCDgSwyLZbSotKg)\n* [阿里开源4000台服务器真实数据集](https:\u002F\u002Fgithub.com\u002Falibaba\u002Fclusterdata\u002Ftree\u002Fv2018)\n-------------------------------------------------------------------------------\n* [百度智能流量监控实战](https:\u002F\u002Fppt.geekbang.org\u002Fslide\u002Fshow?cid=30&pid=1548)\n* [异常检测：百度是这样做的](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FAXhjawsINKl6cLDV1yf6fw)\n* [下一代DevOps AIOps在百度的实践](https:\u002F\u002Fwww.usenix.org\u002Fsites\u002Fdefault\u002Ffiles\u002Fconference\u002Fprotected-files\u002Fsrecon17asia_slides_qu.pdf) [[视频]](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=5YfqevEtIFw)\n-------------------------------------------------------------------------------\n* [搭建大规模高性能的时间序列大数据平台](https:\u002F\u002Fppt.geekbang.org\u002Flist\u002Fassz2018)\n* [Yahoo大规模时列数据异常检测技术及其高性能可伸缩架构](http:\u002F\u002Fwww.infoq.com\u002Fcn\u002Farticles\u002Fautomated-time-series-anomaly-detection?utm_source=articles_about_bigdata&utm_medium=link&utm_campaign=bigdata)\n* [Netflix: Robust PCA](https:\u002F\u002Fmedium.com\u002Fnetflix-techblog\u002Frad-outlier-detection-on-big-data-d6b0494371cc)\n* [LinkedIn: exponential smoothing](https:\u002F\u002Fgithub.com\u002Flinkedin\u002Fluminol)\n* [Uber: multivariate non-linear model](https:\u002F\u002Feng.uber.com\u002Fargos\u002F)\n\n## 文章\n* [智能运维|AIOps中的四大金刚都是谁？](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FNKhQkS59WIGgbIfFKcxonA)\n* [分布式云应用映射方法比较](https:\u002F\u002Fblog.netsil.com\u002Fa-comparison-of-mapping-approaches-for-distributed-cloud-applications-52be1f61d293)\n* [AIOps探索：基于VAE模型的周期性KPI异常检测方法](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F45400663)\n\n## 工具和算法\n* [用于监控和可视化微服务架构的工具](https:\u002F\u002Fwww.programmableweb.com\u002Fnews\u002Ftools-to-monitor-and-visualize-microservices-architecture\u002Fanalysis\u002F2016\u002F12\u002F14)\n* [python-fp-growth，挖掘频繁项集](https:\u002F\u002Fgithub.com\u002Fenaeseth\u002Fpython-fp-growth)\n* [用R语言进行Twitter异常检测](https:\u002F\u002Fgithub.com\u002Ftwitter\u002FAnomalyDetection)\n* [百度开源时间序列打标工具：Curve](https:\u002F\u002Fgithub.com\u002Fbaidu\u002FCurve)\n* [Microsoft开源时间序列打标工具: TagAnomaly](https:\u002F\u002Fgithub.com\u002FMicrosoft\u002FTagAnomaly)\n* [异常检测示例](https:\u002F\u002Fgithub.com\u002Fshubhomoydas\u002Fad_examples)\n* [facebook\u002Fprophet, 用于对具有多种季节性和线性或非线性增长的时间序列数据进行高质量预测的工具。](https:\u002F\u002Ffacebook.github.io\u002Fprophet)\n* [google\u002FCausalImpact, 一个用于时间序列因果推断的R包](https:\u002F\u002Fgithub.com\u002Fgoogle\u002FCausalImpact)\n* [时间序列分析之ARIMA](https:\u002F\u002Fblog.csdn.net\u002Fu010414589\u002Farticle\u002Fdetails\u002F49622625)\n* [时间序列特征提取库tsfresh](https:\u002F\u002Fgithub.com\u002Fblue-yonder\u002Ftsfresh)\n* [Yahoo EGADS : 一个自动检测大规模时间序列数据中异常的Java软件包](https:\u002F\u002Fgithub.com\u002Fyahoo\u002Fegads)\n* [优秀的时间序列分析与数据挖掘资源](https:\u002F\u002Fgithub.com\u002Fyoungdou\u002Fawesome-time-series-analysis)\n\n## 论文\n* [关于根因分析模型和技术的综述](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1701.08546.pdf)\n* [基于机器学习的智能运维](http:\u002F\u002Fnetman.ai\u002Fwp-content\u002Fuploads\u002F2018\u002F04\u002Fpeidan.pdf)\n* [HotSpot: 针对具有多维属性的加法型KPI的异常定位](http:\u002F\u002Fnetman.aiops.org\u002Fwp-content\u002Fuploads\u002F2018\u002F03\u002Fsunyq_IEEEAccess_HotSpot.pdf)\n    * 中文：[清华AIOps新作:蒙特卡洛树搜索定位多维指标异常](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FKj309bzifIv4j80nZbGVZw)\n* [Opprentice: 通过机器学习实现实用且自动化的异常检测](http:\u002F\u002Fconferences2.sigcomm.org\u002Fimc\u002F2015\u002Fpapers\u002Fp211.pdf)\n* [用于大规模异常检测的稳健快速聚类算法](https:\u002F\u002Fnetman.aiops.org\u002Fwp-content\u002Fuploads\u002F2018\u002F05\u002FPID5338621.pdf)\n* [KPI-TSAD: 一种用于云应用中KPI监控的时间序列异常检测器](https:\u002F\u002Fwww.mdpi.com\u002F2073-8994\u002F11\u002F11\u002F1350)\n* [基于挖掘六个局部数据特征和BP神经网络的异常检测](https:\u002F\u002Fwww.mdpi.com\u002F2073-8994\u002F11\u002F4\u002F571)\n* [通用且鲁棒的多维根因定位方法](https:\u002F\u002Fnetman.aiops.org\u002Fwp-content\u002Fuploads\u002F2019\u002F08\u002Fcamera_ready.pdf)\n* [来自清华大学NetMan实验室的论文](https:\u002F\u002Fnetman.aiops.org\u002Fpublications\u002F)\n\n## 数据集\n* [Alibaba\u002Fclusterdata](https:\u002F\u002Fgithub.com\u002Falibaba\u002Fclusterdata)\n* [Azure\u002FAzurePublicDataset](https:\u002F\u002Fgithub.com\u002FAzure\u002FAzurePublicDataset)\n* [Google\u002Fcluster-data](https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fcluster-data)\n* [The Numenta Anomaly Benchmark(NAB)](https:\u002F\u002Fgithub.com\u002Fnumenta\u002FNAB)\n* [Yahoo: 一个标记好的异常检测数据集](https:\u002F\u002Fwebscope.sandbox.yahoo.com\u002Fcatalog.php?datatype=s&did=70)\n* [香港中文大学loghub数据集](https:\u002F\u002Fgithub.com\u002Flogpai\u002Floghub)\n* [2018 AIOPS挑战赛预赛测试集](http:\u002F\u002Fiops.ai\u002Fdataset_detail\u002F?id=7) [2018 AIOPS挑战赛预赛训练集](http:\u002F\u002Fiops.ai\u002Fdataset_detail\u002F?id=6)\n\n## 实用微信公众号\n* 腾讯织云（腾讯的）\n* 智能运维前沿（清华裴丹团队的）\n* AIOps智能运维（百度的）\n* 华为产品可服务能力（华为的）","# awesome-AIOps 快速上手指南\n\n`awesome-AIOps` 并非一个可直接安装运行的软件工具，而是一个 curated list（精选列表），汇集了智能运维（AIOps）领域的白皮书、课程、行业实践案例、算法工具、学术论文及数据集等资源。本指南旨在帮助开发者快速定位并获取核心资源，开启 AIOps 学习与实战之旅。\n\n## 环境准备\n\n由于本项目是资源索引，无需特定的系统环境或运行时依赖。您只需具备以下条件即可开始探索：\n\n*   **操作系统**：Windows \u002F macOS \u002F Linux 均可。\n*   **基础软件**：\n    *   Web 浏览器（用于访问文档、视频和白皮书链接）。\n    *   Git（可选，用于克隆相关开源代码仓库）。\n    *   Python \u002F R \u002F Java 等编程语言环境（根据您选择的具体工具或算法库需求自行安装，例如使用 `facebook\u002Fprophet` 需安装 Python 环境）。\n*   **网络环境**：部分资源托管于 GitHub 或国外学术网站，建议配置好网络加速工具或使用国内镜像源以提升访问速度。\n\n## 获取与浏览步骤\n\n您无需执行传统的“安装”命令，通过以下方式即可使用本资源列表：\n\n1.  **在线浏览（推荐）**：\n    直接访问 GitHub 仓库页面查看最新整理的目录结构：\n    ```bash\n    # 在浏览器中打开\n    https:\u002F\u002Fgithub.com\u002Flinjinjin123\u002Fawesome-AIOps\n    ```\n\n2.  **本地克隆（便于离线查阅或贡献）**：\n    如果您希望将列表保存到本地或参与维护，可使用 Git 克隆：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Flinjinjin123\u002Fawesome-AIOps.git\n    cd awesome-AIOps\n    ```\n\n3.  **关注国内动态**：\n    列表中包含多个微信公众号，建议直接在微信中搜索关注，以获取最新的中文技术文章和实践案例：\n    *   腾讯织云\n    *   智能运维前沿（清华裴丹团队）\n    *   AIOps 智能运维（百度）\n    *   华为产品可服务能力\n\n## 基本使用示例\n\n本项目的核心价值在于“按图索骥”。以下是针对不同需求的快速入门路径：\n\n### 场景一：初学者建立知识体系\n如果您刚接触 AIOps，建议按以下顺序阅读：\n1.  **理论基础**：下载 [《企业级 AIOps 实施建议》白皮书](https:\u002F\u002Fwww.rizhiyi.com\u002Fassets\u002Fdocs\u002FAIOps.pdf)。\n2.  **系统学习**：观看 [清华大学 AIOps 课程](http:\u002F\u002Fnetman.ai\u002Fcourses\u002Fadvanced-network-management-spring2018-syllabus\u002F) 或阅读 [基于机器学习的智能运维课件](http:\u002F\u002Fnetman.ai\u002Fwp-content\u002Fuploads\u002F2016\u002F12\u002F%E5%9F%BA%E4%BA%8E%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%9A%84%E6%99%BA%E8%83%BD%E8%BF%90%E7%BB%B4v1.6.pdf)。\n3.  **概念科普**：阅读文章 [智能运维|AIOps 中的四大金刚都是谁？](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FNKhQkS59WIGgbIfFKcxonA)。\n\n### 场景二：寻找工业界落地方案\n参考大厂实践案例，了解真实场景下的架构设计：\n*   **腾讯**：查看 [腾讯运维的 AI 实践](https:\u002F\u002Fmyslide.cn\u002Fslides\u002F8935) 或直接研究开源项目 [Metis](https:\u002F\u002Fgithub.com\u002FTencent\u002FMetis)。\n*   **阿里**：参考 [全链路监控方案](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FDJhJKD4TCDgSwyLZbSotKg) 并使用其开源的 [集群数据数据集](https:\u002F\u002Fgithub.com\u002Falibaba\u002Fclusterdata\u002Ftree\u002Fv2018) 进行测试。\n*   **百度**：学习 [智能流量监控实战](https:\u002F\u002Fppt.geekbang.org\u002Fslide\u002Fshow?cid=30&pid=1548) 及使用 [Curve 时间序列打标工具](https:\u002F\u002Fgithub.com\u002Fbaidu\u002FCurve)。\n\n### 场景三：算法研究与模型开发\n若您需要具体的算法代码或数据进行实验：\n1.  **获取数据**：\n    下载经典数据集用于模型训练，例如 Numenta 异常检测基准：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fnumenta\u002FNAB.git\n    ```\n    或使用阿里云公开数据集：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Falibaba\u002Fclusterdata.git\n    ```\n\n2.  **调用工具库**：\n    以 Facebook 开源的时间序列预测工具 `prophet` 为例（需先安装 python 环境）：\n    ```bash\n    pip install prophet\n    ```\n    或在 R 语言环境中使用 LinkedIn 的异常检测库 `luminol`（需参考其 GitHub 主页安装指令）。\n\n3.  **深入论文**：\n    针对特定问题（如根因分析），阅读 [Survey on Models and Techniques for Root-Cause Analysis](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1701.08546.pdf) 或清华 NetMan 实验室的 [HotSpot](http:\u002F\u002Fnetman.aiops.org\u002Fwp-content\u002Fuploads\u002F2018\u002F03\u002Fsunyq_IEEEAccess_HotSpot.pdf) 论文。","某大型电商平台的运维团队正面临“双 11\"大促前的系统稳定性挑战，急需构建一套高效的智能异常检测体系以应对海量监控数据。\n\n### 没有 awesome-AIOps 时\n- **资源搜集如大海捞针**：团队成员需分别在 GitHub、知乎、技术博客甚至国外论文库中零散搜索算法和案例，耗时数周仍难以拼凑出完整的技术图谱。\n- **选型缺乏权威参考**：面对众多开源算法（如 Prophet、Luminol），无法快速判断哪些经过大厂（如腾讯、阿里）真实场景验证，极易选错技术路线导致项目延期。\n- **理论与实践脱节**：开发人员手头只有枯燥的算法代码，缺乏配套的白皮书或行业实战幻灯片来指导如何将算法落地到具体的业务监控场景中。\n- **重复造轮子现象严重**：因不知道百度已开源 Curve、腾讯已开源 Metis 等成熟工具，团队投入大量人力从头开发基础功能，造成严重的资源浪费。\n\n### 使用 awesome-AIOps 后\n- **一站式获取核心资源**：直接通过分类目录快速获取从白皮书、课程课件到工业界实践的全链路资料，将前期调研时间从数周压缩至 2 天。\n- **基于实战精准选型**：参考腾讯、阿里、百度等头部企业的真实实践案例和数据集，迅速锁定适合自身业务架构的异常检测模型，大幅降低试错成本。\n- **理论与落地无缝衔接**：利用仓库中提供的行业解析幻灯片和具体算法实现（如 python-fp-growth），团队能快速理解原理并复现大厂方案，加速原型开发。\n- **直接复用成熟工具**：直接集成仓库推荐的 Curve、Metis 等已开源的高性能工具，跳过基础研发阶段，让团队专注于业务逻辑优化而非底层算法实现。\n\nawesome-AIOps 通过聚合全球优质的 AIOps 学习与实践资源，将运维团队从繁琐的信息检索中解放出来，使其能专注于利用成熟方案快速解决复杂的系统稳定性问题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flinjinjin123_awesome-AIOps_59a0e9cd.png","linjinjin123","Jinjin Lin","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flinjinjin123_ae398f01.png",null,"https:\u002F\u002Fgithub.com\u002Flinjinjin123",1729,375,"2026-04-02T08:08:21",1,"","未说明",{"notes":87,"python":85,"dependencies":88},"awesome-AIOps 本身是一个资源列表（Awesome List），汇集了 AIOps 领域的白皮书、课程、行业实践、文章、工具算法、论文和数据集链接，并非一个可直接运行的单一软件工具。列表中提及的工具（如 Metis, Curve, Prophet, Luminol 等）各自拥有独立的运行环境和依赖要求，需参考各工具的具体仓库文档。",[],[13],[91,92,93,94,95,96,97],"aiops","root-cause-analysis","time-series-analysis","machine-learning","deep-learning","alarm-reduction","anomaly-detection","2026-03-27T02:49:30.150509","2026-04-06T07:16:08.058482",[],[]]