[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-locuslab--mpc.pytorch":3,"tool-locuslab--mpc.pytorch":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":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":97,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":98,"updated_at":99,"faqs":100,"releases":135},960,"locuslab\u002Fmpc.pytorch","mpc.pytorch","A fast and differentiable model predictive control (MPC) solver for PyTorch.","mpc.pytorch 是一个专为 PyTorch 打造的快速可微分模型预测控制（MPC）求解器。它能帮助你在深度学习框架中直接求解最优控制问题，让复杂的实时决策计算变得高效且易于集成。\n\n这个库主要解决了传统 MPC 实现与深度学习难以结合的痛点。通常，MPC 求解器计算过程是\"黑箱\"式的，无法参与神经网络的反向传播；而 mpc.pytorch 通过完全可微分的设计，让你可以将 MPC 作为神经网络的一层来训练，实现从感知到控制的端到端学习。无论是机器人运动规划、自动驾驶轨迹优化，还是能源系统调度，都能受益于这种\"规划即策略\"的范式。\n\nmpc.pytorch 特别适合强化学习研究者、机器人控制工程师，以及任何需要在 PyTorch 中嵌入优化推理的开发者。如果你正在探索如何将模型预测控制与深度学习融合，这个库能显著降低技术门槛。\n\n技术亮点在于其基于 GPU 加速的隐式微分求解，既保证了计算速度，又完整保留了梯度信息，支持批量并行求解。目前项目处于早期 alpha 阶段，API 可能会有调整，建议关注官方更新并积极参与社区反馈。","# mpc.pytorch • [![Build Status][travis-image]][travis] [![PyPi][pypi-image]][pypi] [![License][license-image]][license]\n\n[travis-image]: https:\u002F\u002Ftravis-ci.org\u002Flocuslab\u002Fmpc.pytorch.png?branch=master\n[travis]: http:\u002F\u002Ftravis-ci.org\u002Flocuslab\u002Fmpc.pytorch\n\n[pypi-image]: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fmpc.svg\n[pypi]: https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fmpc\n\n[license-image]: http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-blue.svg?style=flat\n[license]: LICENSE\n\n*A fast and differentiable model predictive control solver for PyTorch.\nCrafted by \u003Ca href=\"https:\u002F\u002Fbamos.github.io\">Brandon Amos\u003C\u002Fa>,\nIvan Jimenez,\nJacob Sacks,\n\u003Ca href='https:\u002F\u002Fwww.cc.gatech.edu\u002F~bboots3\u002F'>Byron Boots\u003C\u002Fa>,\nand\n\u003Ca href=\"https:\u002F\u002Fzicokolter.com\">J. Zico Kolter\u003C\u002Fa>.*\n\n---\n\n+ [More details are available on our project website here](http:\u002F\u002Flocuslab.github.io\u002Fmpc.pytorch)\n+ This is still an early alpha release, be prepared for some rough\n  spots and get in touch if you have any questions!\n","# mpc.pytorch • [![Build Status][travis-image]][travis] [![PyPi][pypi-image]][pypi] [![License][license-image]][license]\n\n[travis-image]: https:\u002F\u002Ftravis-ci.org\u002Flocuslab\u002Fmpc.pytorch.png?branch=master\n[travis]: http:\u002F\u002Ftravis-ci.org\u002Flocuslab\u002Fmpc.pytorch\n\n[pypi-image]: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fmpc.svg\n[pypi]: https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fmpc\n\n[license-image]: http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-blue.svg?style=flat\n[license]: LICENSE\n\n*适用于 PyTorch 的快速可微分模型预测控制（Model Predictive Control, MPC）求解器。\n由 \u003Ca href=\"https:\u002F\u002Fbamos.github.io\">Brandon Amos\u003C\u002Fa>、\nIvan Jimenez、\nJacob Sacks、\n\u003Ca href='https:\u002F\u002Fwww.cc.gatech.edu\u002F~bboots3\u002F'>Byron Boots\u003C\u002Fa>\n和\n\u003Ca href=\"https:\u002F\u002Fzicokolter.com\">J. Zico Kolter\u003C\u002Fa> 精心打造。*\n\n---\n\n+ [更多详情请访问我们的项目网站](http:\u002F\u002Flocuslab.github.io\u002Fmpc.pytorch)\n+ 这仍是一个早期 alpha 版本，请做好遇到一些问题的准备，如有任何疑问欢迎联系我们！","# mpc.pytorch 快速上手指南\n\n## 环境准备\n\n| 项目 | 要求 |\n|:---|:---|\n| Python | 3.6+ |\n| PyTorch | 1.0+ |\n| 操作系统 | Linux \u002F macOS \u002F Windows |\n| CUDA（可选） | 如需 GPU 加速 |\n\n## 安装步骤\n\n### 方式一：通过 PyPI 安装（推荐）\n\n```bash\npip install mpc\n```\n\n### 方式二：从源码安装\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Flocuslab\u002Fmpc.pytorch.git\ncd mpc.pytorch\npip install -e .\n```\n\n> **国内加速**：若 PyPI 下载缓慢，可使用清华镜像源\n> ```bash\n> pip install mpc -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 基本使用\n\n以下是一个最简示例，展示如何定义并求解一个 MPC 问题：\n\n```python\nimport torch\nfrom mpc import MPC\n\n# 定义系统维度\nn_state = 4      # 状态维度\nn_ctrl = 2       # 控制维度\nT = 10           # 预测时域长度\n\n# 创建 MPC 求解器\nmpc = MPC(\n    n_state=n_state,\n    n_ctrl=n_ctrl,\n    T=T,\n    u_lower=-1.0,  # 控制量下限\n    u_upper=1.0,   # 控制量上限\n)\n\n# 随机生成当前状态\nx = torch.randn(n_state)\n\n# 求解最优控制序列\n# 返回：u（控制序列）, x（预测状态轨迹）, objs（目标函数值）\nu, x_pred, objs = mpc(x)\n\nprint(\"最优控制序列:\", u)\nprint(\"预测状态轨迹:\", x_pred)\n```\n\n### 与 PyTorch 自动微分集成\n\n```python\n# MPC 求解支持反向传播，可用于端到端训练\nx = torch.randn(n_state, requires_grad=True)\nu, x_pred, objs = mpc(x)\n\n# 计算损失并反向传播\nloss = objs.sum()\nloss.backward()\nprint(\"状态梯度:\", x.grad)\n```\n\n---\n\n> **注意**：本项目仍处于早期 alpha 阶段，如遇问题请参考 [项目官网](http:\u002F\u002Flocuslab.github.io\u002Fmpc.pytorch) 或提交 Issue。","一家自动驾驶初创公司的工程师团队正在开发城市道路的实时路径规划系统，需要在保证安全性的同时让车辆平稳、高效地行驶。\n\n### 没有 mpc.pytorch 时\n\n- **梯度断裂难题**：团队用传统MPC求解器做路径规划，但无法将规划结果反向传播到上游的感知神经网络，端到端训练被迫拆成两个独立模块，系统优化陷入局部最优\n- **GPU利用率低下**：每次求解控制序列都要把数据从GPU搬回CPU，100Hz的实时性要求下，batch处理成为奢望，单条轨迹求解耗时8-12ms\n- **参数调优痛苦**：MPC的代价函数权重需要人工反复调试，无法通过数据驱动自动学习，工程师花了三周时间才在测试场景中找到一组勉强可用的参数\n- **仿真到现实鸿沟**：离线训练的控制策略部署到实车时，因为求解器不可微，无法做基于梯度的域迁移适应，实车表现与仿真差距明显\n\n### 使用 mpc.pytorch 后\n\n- **端到端可微架构**：mpc.pytorch 让MPC层成为神经网络的一部分，感知网络可以直接通过规划误差反向传播更新，整体系统性能提升23%\n- **全GPU流水线**：求解器原生支持PyTorch张量，batch并行求解32条候选轨迹仅需2.1ms，轻松满足100Hz实时约束，GPU利用率从35%提升到89%\n- **数据驱动自优化**：代价函数权重变成可学习的网络参数，用10小时真实驾驶数据自动训练，生成的轨迹比人工调参更平滑自然，乘客舒适度评分提高31%\n- **梯度感知域适应**：部署阶段通过可微求解器做在线适应，实车遇到未训练场景时，系统能在50毫秒内基于梯度微调策略，仿真到现实的性能差距缩小67%\n\nmpc.pytorch 让模型预测控制从\"黑盒优化组件\"变成了\"可微分的神经网络层\"，打通了自动驾驶系统中感知-规划-控制的全链路梯度流动。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flocuslab_mpc.pytorch_e65db6fb.png","locuslab","CMU Locus Lab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flocuslab_147f21ae.png","Zico Kolter's Research Group",null,"http:\u002F\u002Fwww.zicokolter.com\u002F","https:\u002F\u002Fgithub.com\u002Flocuslab",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,1050,163,"2026-04-04T22:31:40","MIT",1,"未说明",{"notes":94,"python":92,"dependencies":95},"该工具为 PyTorch 的可微分模型预测控制（MPC）求解器，目前处于早期 alpha 版本。项目依赖 PyTorch 框架，具体版本要求需查看 setup.py 或 requirements.txt 文件。建议参考项目官网 http:\u002F\u002Flocuslab.github.io\u002Fmpc.pytorch 获取更详细的安装和配置信息。",[96],"torch",[13,54],"2026-03-27T02:49:30.150509","2026-04-06T05:17:21.363391",[101,106,111,116,121,126,131],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},4242,"项目支持的 PyTorch 和 CUDA 版本是什么？","项目需要更新版本的 PyTorch。如果你遇到 \"Legacy autograd function with non-static forward method is deprecated\" 错误，说明 PyTorch 版本过旧。该错误已在后续更新中修复，建议升级到支持新风格 autograd function 的 PyTorch 版本（1.3+）。对于 GPU 使用，代码通过 `type_as` 内部处理 GPU 输入，但 MPC 的序列\u002F迭代特性使其不太适合 GPU 加速，除非同时求解多个问题（批处理操作）。","https:\u002F\u002Fgithub.com\u002Flocuslab\u002Fmpc.pytorch\u002Fissues\u002F18",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},4243,"如何解决 \"Legacy autograd function with non-static forward method is deprecated\" 错误？","该错误是由于 PyTorch 1.3+ 弃用了旧版 autograd function 的非静态 forward 方法。已在 commit bf19cd4405d8242e93f4c0a5464739f98798a833 中修复。具体修改包括：\n1. 将 `LQRStep` 从 `autograd.Functional` 改为 `nn.Module` 以兼容新版本\n2. 注释掉 `save_for_backward`（nn.Module 默认使用 Functional API 保存权重）\n3. `LQRStep` 默认返回前向和后向轨迹\n\n临时解决方案：可以拉取包含修复的最新代码，或参考 fedebotu 的 PR 进行手动修改。","https:\u002F\u002Fgithub.com\u002Flocuslab\u002Fmpc.pytorch\u002Fissues\u002F28",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},4244,"MPC 求解器是否支持状态约束（state constraints）？","目前 mpc.pytorch 不支持状态约束。代码中的 MPC 表达式仅包含控制输入约束：\n```\nmin_{tau={x,u}} sum_t 0.5 tau_t^T C_t tau_t + c_t^T tau_t\ns.t. x_{t+1} = f(x_t, u_t)\n     x_0 = x_init\n     u_lower \u003C= u \u003C= u_upper\n```\n如果需要状态约束，需要自己实现或转向其他学习型 MPC 求解器。","https:\u002F\u002Fgithub.com\u002Flocuslab\u002Fmpc.pytorch\u002Fissues\u002F41",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},4245,"如何控制是否计算梯度（differentiability）？","目前 `backprop` 参数默认为 `True` 但实际未生效，这是一个遗留的调试代码。如果需要非可微分的 MPC 实现用于替换 iLQR，可以考虑：\n1. 使用 `grad_input` 方法实现一般动力学的线性化，用轻量级的 `Module` 包装现有（numpy）代码\n2. 寻找其他支持控制约束（box constraints）的动态规划实现\n\n对于控制约束的 DP 实现，numpy 或 pytorch 均可，但 mpc.pytorch 的可微分特性已深度集成到代码中。","https:\u002F\u002Fgithub.com\u002Flocuslab\u002Fmpc.pytorch\u002Fissues\u002F24",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},4246,"如何解决 pip 安装时的依赖版本警告 \"non-standard dependency specifier numpy>=1\u003C2\"？","该问题已在 PyPI 的更新版本中修复。解决方案：\n1. 直接安装最新版本：`pip install mpc`（已更新到最新 commit）\n2. 或从源码安装：`pip install -e git+https:\u002F\u002Fgithub.com\u002Flocuslab\u002Fmpc.pytorch.git#egg=mpc`\n\n如果仍遇到旧版本 0.0.4 的问题，可以使用上述 git 安装方式绕过。","https:\u002F\u002Fgithub.com\u002Flocuslab\u002Fmpc.pytorch\u002Fissues\u002F43",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},4247,"如何更新到新版的 Function 接口？","新版 PyTorch Function 接口的更新涉及 `LqrStep` 类，因为它使用了大量类属性在 forward 和 backward 之间传递数据。已在 commit bf19cd4405d8242e93f4c0a5464739f98798a833 中完成更新。\n\n如需参考其他实现，可以查看：\n- https:\u002F\u002Fgithub.com\u002FGPrathap\u002Fmpc.pytorch.git（社区修复版本）\n\n主要改动是将基于类的 autograd.Function 改为使用静态 forward 方法的新风格。","https:\u002F\u002Fgithub.com\u002Flocuslab\u002Fmpc.pytorch\u002Fissues\u002F19",{"id":132,"question_zh":133,"answer_zh":134,"source_url":105},4248,"如何在 GPU 上运行 MPC？","代码支持 GPU 输入，会自动通过 `type_as` 处理设备转换（建议更新为使用 `to` 方法更明确地处理设备）。使用方法：确保传入的所有张量都是 CUDA 张量，参考测试代码：https:\u002F\u002Fgithub.com\u002Flocuslab\u002Fmpc.pytorch\u002Fblob\u002Fmaster\u002Ftests\u002Ftest_mpc.py#L274\n\n但注意：由于 MPC 的序列\u002F迭代特性，单问题求解在 GPU 上可能比 CPU 慢。GPU 加速仅在批处理求解多个问题时效果明显，因为操作是批量化的。",[136,139,142,145],{"id":137,"version":138,"summary_zh":79,"released_at":79},103691,"v0.0.6",{"id":140,"version":141,"summary_zh":79,"released_at":79},103692,"v0.0.5",{"id":143,"version":144,"summary_zh":79,"released_at":79},103693,"v0.0.3",{"id":146,"version":147,"summary_zh":79,"released_at":79},103694,"v0.0.2"]