[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-madaan--self-refine":3,"tool-madaan--self-refine":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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",[13,14,15],"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},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":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"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",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"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。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70612,"2026-04-05T11:12:22",[15,14,13,36],{"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":78,"owner_email":80,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":10,"env_os":97,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":102,"github_topics":103,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":114,"updated_at":115,"faqs":116,"releases":152},3853,"madaan\u002Fself-refine","self-refine","LLMs can generate feedback on their work, use it to improve the output, and repeat this process iteratively.","Self-Refine 是一个让大语言模型具备“自我反思”能力的开源框架。它打破了传统模型一次性生成输出的局限，引入了一种迭代优化机制：模型在生成初步结果后，会自动对自己的作品进行批判性评估并给出具体反馈，随后利用这些反馈修正输出，如此循环往复，直至得到更高质量的答案。\n\n这一工具主要解决了大模型在复杂任务中容易出现的逻辑疏漏、表达不精准或缺乏深度优化等问题。通过模拟人类“起草 - 审查 - 修改”的创作过程，Self-Refine 显著提升了模型在代码可读性优化、对话回复生成、缩写词构思乃至数学推理等场景下的表现。其独特的技术亮点在于无需额外训练数据或微调，仅依靠提示工程即可激发模型现有的潜能，实现自我进化。近期更新甚至支持结合多模态模型（如 GPT-4V），自动绘制并迭代优化科学图表代码。\n\nSelf-Refine 非常适合 AI 研究人员探索模型推理边界，也适用于开发者构建需要高可靠性的智能应用，例如自动代码重构工具或高级对话助手。对于希望深入理解大模型如何通过自我反馈提升性能的技术爱好者而言，这也是一个极具价值的学习项目。","# Self-Refine: Iterative Refinement with Self-Feedback\n\n_With Self-Refine, LLMs can generate feedback on their work, use it to improve the output, and repeat this process._\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmadaan_self-refine_readme_5b16829342c4.gif)\n\n\n\u003Ccenter>\u003Ch4> \u003Ca href=\"https:\u002F\u002Fselfrefine.info\"> Website \u003C\u002Fa> | \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fpdf\u002F2303.17651.pdf\">Paper\u003C\u002Fa> \u003C\u002Fh4>\u003C\u002Fcenter>\n\u003Chr>\n\n\n\n\n\u003C!-- START doctoc generated TOC please keep comment here to allow auto update -->\n\u003C!-- DON'T EDIT THIS SECTION, INSTEAD RE-RUN doctoc TO UPDATE -->\n**Table of Contents**\n\n- [Updates](#updates)\n- [Setup](#setup)\n- [Getting Started with Acronym Generation](#getting-started-with-acronym-generation)\n- [Dialogue Response Generation](#dialogue-response-generation)\n- [Code Readability Improvement](#code-readability-improvement)\n- [Commongen](#commongen)\n- [GSM-8k](#gsm-8k)\n- [Yelp](#yelp)\n- [PIE](#pie)\n- [General setup](#general-setup)\n- [Citation](#citation)\n\n\u003C!-- END doctoc generated TOC please keep comment here to allow auto update -->\n\n\u003Chr>\n\n## Updates\n\n- **Nov 2023**: Added [visual self-refine examples](docs\u002Fvisual_self_refine_examples\u002F) and [colabs](colabs\u002FVisual-Self-Refine-GPT4V.ipynb). Use GPT4-V to write tikz code for diagrams, and improve them iteratively.\n\n\u003Cp align=\"center\">\n  \u003Cstrong>Stokes' Theorem Example\u003C\u002Fstrong>\u003Cbr>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmadaan_self-refine_readme_05b4ca8e68bb.gif\" alt=\"Visual Self-Refine Example 1\" width=\"300\" height=\"300\" \u002F>\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n  \u003Cstrong>Unicorn Example\u003C\u002Fstrong>\u003Cbr>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmadaan_self-refine_readme_28d7f0d363fa.gif\" alt=\"Visual Self-Refine Example 2\" width=\"300\" height=\"300\" \u002F>\n\u003C\u002Fp>\n\n\n\n## Setup\n\n* We use [prompt-lib](https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fprompt-lib) for querying LLMs. You can install `prompt-lib` by running the following commands:\n\n```sh\ngit clone https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fprompt-lib\npip install prompt-lib\u002F\n```\n\nDepending on your default settings, you may want to use the following to set a PYTHONPATH:\n\n```sh\nexport PYTHONPATH=\".:..\u002F:.:src:..\u002F:..\u002F..\u002F:.:prompt-lib\"\n```\n\n## Getting Started with Acronym Generation\n\n\n```sh\npython -u src\u002Facronym\u002Frun.py \"Using language models of code for few-shot commonsense\"\n```\n\n* Since we sample with temperature 0.7, you'll get different results each time you run the above command.\n\n\n\n\n```swift\n0 INIT> Using language models of code for few-shot commonsense\n\n0 GEN> CLoCK\n0 SCORES> * Ease of pronunciation: CLoCK is pronounced \"clah-k\". This is easy acronym to pronounce. 4\u002F5 \n* Ease of spelling: CLoCK is easy to spell. 5\u002F5 \n* Relation to title: CLoCK stands for \"Code Language Models of Commonsense Knowledge\" which is related to the title. 5\u002F5 \n* Positive connotation: CLoCK is a positive acronym. It implies accuracy and efficiency. 5\u002F5 \n* Well-known: CLoCK is not a well-known acronym. 2\u002F5\n\n* Total score: 21\u002F25\n\n1 GEN> CMNSC\n1 SCORES> * Ease of pronunciation: CMNSC is pronounced \"see-min-es-see\". This is a difficult acronym to pronounce. 1\u002F5 \n* Ease of spelling: CMNSC is difficult to spell. 1\u002F5 \n* Relation to title: CMNSC stands for \"Commonsense\" which is related to the title. 4\u002F5 \n* Positive connotation: CMNSC is a neutral acronym. 3\u002F5 \n* Well-known: CMNSC is not a well-known acronym. 1\u002F5\n\n* Total score: 10\u002F25\n\n2 GEN> COMMIT\n2 SCORES> * Ease of pronunciation: COMMIT is pronounced \"com-mit\". This is an easy acronym to pronounce. 4\u002F5\n* Ease of spelling: COMMIT is easy to spell. 5\u002F5\n* Relation to title: COMMIT stands for \"Commonsense Model of Code for Intuitive Training\" which is related to the title. 5\u002F5 \n* Positive connotation: COMMIT is a positive acronym. It implies commitment and dedication. 5\u002F5\n* Well-known: COMMIT is not a well-known acronym. 2\u002F5\n\n* Total score: 21\u002F25\n```\n\n\u003Chr>\n\n\n## Dialogue Response Generation\n\n```sh\nPYTHONPATH=\".\" python -u src\u002Fresponsegen\u002Frun.py --output \u003COUTPUT FILE> --size \u003CDATA SIZE>\n```\n\n- Use size 0 for running on all test instances\n\n\u003Chr>\n\n\n## Code Readability Improvement\n\n\n* Note: Please unzip 'data\u002Ftasks\u002Fcodeclean\u002Fcode_readability\u002Fcodenet-python-train.jsonl.zip' before running the following commands!\n\n- Running:\n```sh\nPYTHONPATH=\".\" python -u src\u002Freadability\u002Freadability.py --output \u003COUTPUT FILE>\n```\n\n- Evaluation:\n```sh\nPYTHONPATH=\".\" python -u src\u002Freadability\u002F{count_comment|count_function|count_meaningful_var}.py --file \u003CINPUT FILE>\n```\n\n\n\u003Chr>\n\n\n## Commongen\n\n* We use a hard version of commongen. The data is located in `data\u002Fprompt\u002Fcommongen`. You can download the data by running the following commands:\n\n```sh\npython -u src\u002Fcommongen\u002Frun.py cmd stair bubble team dryer puppy aliens cat \n```\n\n\u003Chr>\n\n\n## GSM-8k\n\n\n- To run the GSM-8k task:\n\n```sh\npython -u src\u002Fgsm\u002Frun.py \n```\n\n- The outputs will be saved in `data\u002Ftasks\u002Fgsm\u002Fgsm_outputs.jsonl`\n\n\n- To evaluate the outputs:\n\n```sh\npython src\u002Fgsm\u002Fgsm_selfref_eval.py --path  data\u002Ftasks\u002Fgsm\u002Fgsm_outputs.jsonl\n```\n\n- The evaluation script will also generate a report (`data\u002Ftasks\u002Fgsm\u002Fgsm_outputs.jsonl.reports.txt`) showing examples of wrong generations, feedback, and refined feedback generations.\n\n\u003Chr>\n\n\n\n## Yelp\n\n- To run the Yelp task:\n\n```sh\npython -u src\u002Fsentiment_transfer_sr\u002Frun.py data\u002Ftasks\u002Fyelp\u002Fyelp-extreme.jso\nnl 4 none\n```\n\n\n- The outputs will be saved in `data\u002Ftasks\u002Fyelp\u002F`\n\n\n\u003Chr>\n\n## PIE\n\n- To run the PIE task:\n\n```sh\npython -u src\u002Fpie\u002Frun.py --slow_programs_file data\u002Ftasks\u002Fpie\u002Fcodenet-python-test-1k.jsonl --max_attempts 4 --outfile data\u002Ftasks\u002Fpie\u002Foutput --feedback_type rich\n```\n\n- For evaluation details, please see [docs\u002Fpie_eval.md](docs\u002Fpie_eval.md).\n\n\u003Chr>\n\n## General setup\n\n* Each task has three different types of prompts:\n\n1. `Init`: used to initialize the task. This is how the initial output is generated.\n\n2. `Feedback`: used to get feedback from the model on the intermediate results.\n\n3. `Iterate`: used to get the next iteration from the model, based on the feedback.\n\n* Every task has a `run.py` that initializes the prompts and runs the task.\n\n* As an example, the prompts for commongen are as follows:\n\n1. Init prompt:\n\n```sh\npython src\u002Fcommongen\u002Ftask_init.py\n```\n\n2. Feedback prompt:\n\n```sh\n python src\u002Fcommongen\u002Ffeedback.py\n```\n\n3. Iterate prompt:\n\n```sh\npython src\u002Fcommongen\u002Ftask_iterate.py\n```\n\nYou can also see these prompts on our [website](https:\u002F\u002Fselfrefine.info).\n\n\n\n\n## Citation\n\n```sql\n@misc{madaan2023selfrefine,\n      title={Self-Refine: Iterative Refinement with Self-Feedback}, \n      author={Aman Madaan and Niket Tandon and Prakhar Gupta and Skyler Hallinan and Luyu Gao and Sarah Wiegreffe and Uri Alon and Nouha Dziri and Shrimai Prabhumoye and Yiming Yang and Sean Welleck and Bodhisattwa Prasad Majumder and Shashank Gupta and Amir Yazdanbakhsh and Peter Clark},\n      year={2023},\n      eprint={2303.17651},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL}\n}\n```\n\n```mermaid\nflowchart LR\n    Generator -->|Initializes| Unrefined\n    Critic_1 --> Critique_fb\n    ... --> Critique_fb\n    Critic_k --> Critique_fb\n    Critique_fb --> Unrefined{Output to Refine}\n    Unrefined --> Refiner\n    Refiner --> |R: y_t, x, fb| Refined_Output{Refined Output}\n    Refined_Output --> |Stopping Criteria Not Met| Unrefined\n```\n","# 自我精炼：基于自我反馈的迭代优化\n\n_借助自我精炼，大语言模型能够对其生成的内容提供反馈，利用这些反馈改进输出，并反复进行这一过程。_\n\n![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmadaan_self-refine_readme_5b16829342c4.gif)\n\n\n\u003Ccenter>\u003Ch4> \u003Ca href=\"https:\u002F\u002Fselfrefine.info\"> 官网 \u003C\u002Fa> | \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fpdf\u002F2303.17651.pdf\">论文\u003C\u002Fa> \u003C\u002Fh4>\u003C\u002Fcenter>\n\u003Chr>\n\n\n\n\n\u003C!-- START doctoc generated TOC please keep comment here to allow auto update -->\n\u003C!-- DON'T EDIT THIS SECTION, INSTEAD RE-RUN doctoc TO UPDATE -->\n**目录**\n\n- [更新](#updates)\n- [设置](#setup)\n- [开始使用缩略词生成](#getting-started-with-acronym-generation)\n- [对话回复生成](#dialogue-response-generation)\n- [代码可读性提升](#code-readability-improvement)\n- [Commongen](#commongen)\n- [GSM-8k](#gsm-8k)\n- [Yelp](#yelp)\n- [PIE](#pie)\n- [通用设置](#general-setup)\n- [引用](#citation)\n\n\u003C!-- END doctoc generated TOC please keep comment here to allow auto update -->\n\n\u003Chr>\n\n## 更新\n\n- **2023年11月**：新增了[视觉自我精炼示例](docs\u002Fvisual_self_refine_examples\u002F)和[Colab笔记本](colabs\u002FVisual-Self-Refine-GPT4V.ipynb)。使用GPT4-V编写用于绘制图表的TikZ代码，并通过迭代方式不断优化。\n\n\u003Cp align=\"center\">\n  \u003Cstrong>斯托克斯定理示例\u003C\u002Fstrong>\u003Cbr>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmadaan_self-refine_readme_05b4ca8e68bb.gif\" alt=\"视觉自我精炼示例1\" width=\"300\" height=\"300\" \u002F>\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n  \u003Cstrong>独角兽示例\u003C\u002Fstrong>\u003Cbr>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmadaan_self-refine_readme_28d7f0d363fa.gif\" alt=\"视觉自我精炼示例2\" width=\"300\" height=\"300\" \u002F>\n\u003C\u002Fp>\n\n\n\n## 设置\n\n* 我们使用[prompt-lib](https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fprompt-lib)来调用大语言模型。您可以通过运行以下命令安装`prompt-lib`：\n\n```sh\ngit clone https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fprompt-lib\npip install prompt-lib\u002F\n```\n\n根据您的默认设置，您可能需要使用以下命令来设置PYTHONPATH：\n\n```sh\nexport PYTHONPATH=\".:..\u002F:.:src:..\u002F:..\u002F..\u002F:.:prompt-lib\"\n```\n\n## 开始使用缩略词生成\n\n\n```sh\npython -u src\u002Facronym\u002Frun.py \"Using language models of code for few-shot commonsense\"\n```\n\n* 由于我们以温度0.7进行采样，每次运行上述命令都会得到不同的结果。\n\n\n\n\n\n```swift\n0 INIT> 使用代码语言模型进行少样本常识推理\n\n0 GEN> CLoCK\n0 SCORES> * 发音容易度：CLoCK发音为“clah-k”，这是一个容易发音的缩略词。4\u002F5 \n* 拼写容易度：CLoCK拼写简单易记。5\u002F5 \n* 与标题的相关性：CLoCK代表“Code Language Models of Commonsense Knowledge”，与标题相关。5\u002F5 \n* 积极含义：CLoCK是一个积极的缩略词，暗示准确性和效率。5\u002F5 \n* 知名度：CLoCK并不是一个广为人知的缩略词。2\u002F5\n\n* 总分：21\u002F25\n\n1 GEN> CMNSC\n1 SCORES> * 发音容易度：CMNSC发音为“see-min-es-see”，这是一个较难发音的缩略词。1\u002F5 \n* 拼写容易度：CMNSC拼写复杂。1\u002F5 \n* 与标题的相关性：CMNSC代表“Commonsense”，与标题相关。4\u002F5 \n* 正面含义：CMNSC是一个中性的缩略词。3\u002F5 \n* 知名度：CMNSC并非广为人知的缩略词。1\u002F5\n\n* 总分：10\u002F25\n\n2 GEN> COMMIT\n2 SCORES> * 发音容易度：COMMIT发音为“com-mit”，这是一个容易发音的缩略词。4\u002F5\n* 拼写容易度：COMMIT拼写简单。5\u002F5\n* 与标题的相关性：COMMIT代表“Commonsense Model of Code for Intuitive Training”，与标题相关。5\u002F5 \n* 正面含义：COMMIT是一个积极的缩略词，象征承诺和奉献。5\u002F5\n* 知名度：COMMIT并不是一个广为人知的缩略词。2\u002F5\n\n* 总分：21\u002F25\n```\n\n\u003Chr>\n\n\n## 对话回复生成\n\n```sh\nPYTHONPATH=\".\" python -u src\u002Fresponsegen\u002Frun.py --output \u003COUTPUT FILE> --size \u003CDATA SIZE>\n```\n\n- 使用大小0可在所有测试实例上运行\n\n\u003Chr>\n\n\n## 代码可读性提升\n\n\n* 注意：请在运行以下命令前解压‘data\u002Ftasks\u002Fcodeclean\u002Fcode_readability\u002Fcodenet-python-train.jsonl.zip’！\n\n- 运行：\n```sh\nPYTHONPATH=\".\" python -u src\u002Freadability\u002Freadability.py --output \u003COUTPUT FILE>\n```\n\n- 评估：\n```sh\nPYTHONPATH=\".\" python -u src\u002Freadability\u002F{count_comment|count_function|count_meaningful_var}.py --file \u003CINPUT FILE>\n```\n\n\n\u003Chr>\n\n\n## Commongen\n\n* 我们使用Commongen的一个较难版本。数据位于`data\u002Fprompt\u002Fcommongen`。您可以通过运行以下命令下载数据：\n\n```sh\npython -u src\u002Fcommongen\u002Frun.py cmd stair bubble team dryer puppy aliens cat \n```\n\n\u003Chr>\n\n\n## GSM-8k\n\n\n- 要运行GSM-8k任务：\n\n```sh\npython -u src\u002Fgsm\u002Frun.py \n```\n\n- 输出将保存在`data\u002Ftasks\u002Fgsm\u002Fgsm_outputs.jsonl`中\n\n\n- 为了评估这些输出：\n\n```sh\npython src\u002Fgsm\u002Fgsm_selfref_eval.py --path  data\u002Ftasks\u002Fgsm\u002Fgsm_outputs.jsonl\n```\n\n- 评估脚本还将生成一份报告（`data\u002Ftasks\u002Fgsm\u002Fgsm_outputs.jsonl.reports.txt`），其中包含错误生成、反馈以及经过精炼后的反馈生成示例。\n\n\u003Chr>\n\n\n\n## Yelp\n\n- 要运行Yelp任务：\n\n```sh\npython -u src\u002Fsentiment_transfer_sr\u002Frun.py data\u002Ftasks\u002Fyelp\u002Fyelp-extreme.jso\nnl 4 none\n```\n\n\n- 输出将保存在`data\u002Ftasks\u002Fyelp\u002F`中\n\n\n\u003Chr>\n\n## PIE\n\n- 要运行PIE任务：\n\n```sh\npython -u src\u002Fpie\u002Frun.py --slow_programs_file data\u002Ftasks\u002Fpie\u002Fcodenet-python-test-1k.jsonl --max_attempts 4 --outfile data\u002Ftasks\u002Fpie\u002Foutput --feedback_type rich\n```\n\n- 有关评估详情，请参阅[docs\u002Fpie_eval.md](docs\u002Fpie_eval.md)。\n\n\u003Chr>\n\n## 通用设置\n\n* 每个任务都有三种不同类型的提示：\n\n1. `Init`：用于初始化任务。这是生成初始输出的方式。\n\n2. `Feedback`：用于从模型获取对中间结果的反馈。\n\n3. `Iterate`：根据反馈从模型获取下一次迭代的结果。\n\n* 每个任务都配备一个`run.py`文件，用于初始化提示并运行任务。\n\n* 以Commongen为例，其提示如下：\n\n1. 初始化提示：\n\n```sh\npython src\u002Fcommongen\u002Ftask_init.py\n```\n\n2. 反馈提示：\n\n```sh\n python src\u002Fcommongen\u002Ffeedback.py\n```\n\n3. 迭代提示：\n\n```sh\npython src\u002Fcommongen\u002Ftask_iterate.py\n```\n\n您也可以在我们的[官网](https:\u002F\u002Fselfrefine.info)上查看这些提示。\n\n## 引用\n\n```sql\n@misc{madaan2023selfrefine,\n      title={Self-Refine：基于自我反馈的迭代优化}, \n      author={阿曼·马丹和尼凯特·坦东和普拉卡·古普塔和斯凯勒·哈利南和卢宇·高和萨拉·维格雷夫和乌里·阿隆和努哈·德齐里和施里迈·普拉布莫耶和杨一鸣和肖恩·韦莱克和博迪萨特瓦·普拉萨德·马朱姆达尔和沙尚克·古普塔和阿米尔·亚兹丹巴赫什和彼得·克拉克},\n      year={2023},\n      eprint={2303.17651},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL}\n}\n```\n\n```mermaid\nflowchart LR\n    Generator -->|初始化| Unrefined\n    Critic_1 --> Critique_fb\n    ... --> Critique_fb\n    Critic_k --> Critique_fb\n    Critique_fb --> Unrefined{待优化的输出}\n    Unrefined --> Refiner\n    Refiner --> |R: y_t, x, fb| Refined_Output{优化后的输出}\n    Refined_Output --> |未满足停止条件| Unrefined\n```","# Self-Refine 快速上手指南\n\nSelf-Refine 是一个让大语言模型（LLM）能够生成自我反馈、利用反馈改进输出并迭代该过程的框架。通过“生成 - 反馈 - 优化”的循环，显著提升任务表现。\n\n## 环境准备\n\n*   **系统要求**：Linux 或 macOS 环境（Windows 用户建议使用 WSL2）。\n*   **Python 版本**：推荐 Python 3.8 及以上版本。\n*   **前置依赖**：\n    *   `git`：用于克隆代码库。\n    *   `pip`：Python 包管理工具。\n    *   **LLM 访问权限**：本项目依赖 `prompt-lib` 调用大模型，请确保你已配置好相应的 API Key（如 OpenAI API Key 等），并在环境变量中正确设置。\n\n## 安装步骤\n\n1.  **克隆核心依赖库 `prompt-lib`**\n    Self-Refine 使用 `prompt-lib` 进行模型查询，需先安装此依赖：\n\n    ```sh\n    git clone https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fprompt-lib\n    pip install prompt-lib\u002F\n    ```\n\n2.  **配置环境变量**\n    根据默认设置，可能需要设置 `PYTHONPATH` 以确保模块正确导入：\n\n    ```sh\n    export PYTHONPATH=\".:..\u002F:.:src:..\u002F:..\u002F..\u002F:.:prompt-lib\"\n    ```\n\n    > **提示**：建议将上述 `export` 命令添加到你的 `~\u002F.bashrc` 或 `~\u002F.zshrc` 文件中，以免每次开启新终端都需要重新设置。\n\n## 基本使用\n\n以下以**缩写词生成（Acronym Generation）**任务为例，展示最简单的运行流程。该任务会演示模型如何生成初始缩写、自我评分并根据反馈进行迭代优化。\n\n1.  **运行示例脚本**\n    在终端执行以下命令（确保当前目录为项目根目录）：\n\n    ```sh\n    python -u src\u002Facronym\u002Frun.py \"Using language models of code for few-shot commonsense\"\n    ```\n\n2.  **查看输出结果**\n    运行后，你将看到类似以下的迭代过程日志：\n    *   `INIT>`：初始输入。\n    *   `GEN>`：模型生成的候选答案（如 `CLoCK`）。\n    *   `SCORES>`：模型对当前答案的自我反馈和打分（包括发音、拼写、相关性等维度）。\n    *   随后模型会根据低分项生成新的候选答案（如 `CMNSC`, `COMMIT`）并再次评分，直到达到最佳结果。\n\n    ```text\n    0 INIT> Using language models of code for few-shot commonsense\n\n    0 GEN> CLoCK\n    0 SCORES> * Ease of pronunciation: CLoCK is pronounced \"clah-k\". This is easy acronym to pronounce. 4\u002F5 \n    ...\n    * Total score: 21\u002F25\n\n    1 GEN> CMNSC\n    1 SCORES> * Ease of pronunciation: CMNSC is pronounced \"see-min-es-see\". This is a difficult acronym to pronounce. 1\u002F5 \n    ...\n    * Total score: 10\u002F25\n    \n    2 GEN> COMMIT\n    ...\n    ```\n\n### 其他任务快速启动\n项目还支持对话生成、代码可读性优化、数学推理（GSM-8k）等任务，基本命令格式如下：\n\n*   **对话响应生成**:\n    ```sh\n    PYTHONPATH=\".\" python -u src\u002Fresponsegen\u002Frun.py --output \u003COUTPUT FILE> --size \u003CDATA SIZE>\n    ```\n*   **代码可读性优化** (需先解压对应数据文件):\n    ```sh\n    PYTHONPATH=\".\" python -u src\u002Freadability\u002Freadability.py --output \u003COUTPUT FILE>\n    ```\n*   **数学推理 (GSM-8k)**:\n    ```sh\n    python -u src\u002Fgsm\u002Frun.py \n    ```\n\n更多详细任务配置请参考项目源码中的 `src\u002F` 目录结构。","某后端工程师正在重构一段遗留的复杂数据处理脚本，需要在极短时间内提升代码的可读性与规范性，以便团队后续维护。\n\n### 没有 self-refine 时\n- **一次性生成质量不稳定**：模型直接输出的代码虽然逻辑大致正确，但变量命名随意（如 `data_1`, `tmp`），缺乏语义化描述。\n- **忽略潜在风格缺陷**：生成的代码未遵循团队特定的 PEP8 规范或内部最佳实践，存在冗余注释和过深的嵌套结构。\n- **人工审查成本高**：开发者必须逐行阅读并手动修正格式、重命名变量及优化结构，耗时费力且容易遗漏细节。\n- **缺乏自我纠错机制**：模型无法意识到自己生成的代码在可读性上的不足，导致输出结果“能用但难读”。\n\n### 使用 self-refine 后\n- **迭代式自我评估**：self-refine 让模型先生成初版代码，随即自动从“命名清晰度”、“结构简洁性”等维度进行打分和批评。\n- **针对性自动优化**：基于自我反馈，模型主动重命名模糊变量为具义名称（如 `user_transaction_log`），并拆解深层嵌套逻辑。\n- **多轮打磨臻于完美**：经过数轮“生成 - 反馈 - 修正”循环，最终代码不仅逻辑无误，且完全符合团队规范，无需人工大幅干预。\n- **显著降低认知负荷**：输出的代码结构清晰、注释精准，团队成员可直接理解业务逻辑，大幅缩短代码审查（Code Review）时间。\n\nself-refine 通过模拟人类专家的“起草 - 审阅 - 修改”工作流，将大模型从单纯的代码生成器升级为具备自我进化能力的编程助手。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmadaan_self-refine_786b1d34.png","madaan","Aman Madaan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmadaan_fd75ef56.jpg",null,"xAI","amn.madaan@gmail.com","aman_madaan","https:\u002F\u002Fmadaan.github.io","https:\u002F\u002Fgithub.com\u002Fmadaan",[85,89],{"name":86,"color":87,"percentage":88},"Python","#3572A5",75,{"name":90,"color":91,"percentage":92},"Jupyter Notebook","#DA5B0B",25,792,69,"2026-04-05T12:37:16","Apache-2.0","未说明",{"notes":99,"python":97,"dependencies":100},"该工具主要依赖外部库 prompt-lib 进行大模型查询，需手动克隆并安装。运行前需配置 PYTHONPATH 环境变量以包含当前目录及 prompt-lib 路径。部分任务（如代码可读性改进）需要预先解压特定的数据文件。具体硬件需求取决于所连接的后端大语言模型（LLM），README 本身未规定本地运行的具体 GPU 或内存要求。",[101],"prompt-lib",[15],[104,105,106,107,108,109,110,111,112,113],"few-shot-learning","language-generation","large-language-models","llms","prompting","reasoning","chatgpt","gpt-35","gpt-4","prompts","2026-03-27T02:49:30.150509","2026-04-06T06:46:17.433259",[117,122,127,132,137,142,147],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},17632,"Codex 停服后，如何更新代码以使用 ChatGPT 或其他模型？","是的，项目已支持聊天模型。你需要更新 `prompt-lib` 库（地址：https:\u002F\u002Fgithub.com\u002Freasoning-machines\u002Fprompt-lib\u002Ftree\u002Fmain\u002Fprompt_lib），更新后即可正常工作。对于具体脚本（如 `gsm\u002Frun.py`），通常可以将模型名称从 `code-davinci-002` 改为 `gpt-3.5-turbo`，但需注意聊天模型在输入格式（如指定 \"role\"）上与 Codex 不同，可能需要额外调整。","https:\u002F\u002Fgithub.com\u002Fmadaan\u002Fself-refine\u002Fissues\u002F4",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},17633,"运行 GSM-8k 基准测试时出现 \"IndexError: list index out of range\" 错误怎么办？","该错误通常是因为 `gpt-3.5-turbo` 无法像 Codex 那样严格遵循提示词格式（例如输出中缺少 \"def solution():\"）。Codex 较少出现此问题。目前的实现会忽略这些异常并继续运行，虽然这可能导致部分实例失败，但整体流程仍可执行以获得接近论文的结果。","https:\u002F\u002Fgithub.com\u002Fmadaan\u002Fself-refine\u002Fissues\u002F6",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},17634,"为什么复现 GSM8K 结果时的初始准确率（71%）与论文附录中的数值（约 74%）不一致？","这是因为论文附录图 14 中的结果使用的是 `code-davinci-002` (Codex) 模型，其数值与 PaL 论文报告的 72% 相符。如果你使用的是 ChatGPT，初始准确率会有所不同。维护者表示将在后续更新中澄清这一点。","https:\u002F\u002Fgithub.com\u002Fmadaan\u002Fself-refine\u002Fissues\u002F11",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},17635,"如何获取代码优化（Code Optimization\u002FPIE）任务的提示词、示例及评估方法？","相关提示词已添加至 `data\u002Fprompt\u002Fpie` 目录，代码位于 `src\u002Fpie` 目录。要进行评估，请遵循 PIE 性能评估仓库的设置：https:\u002F\u002Fgithub.com\u002Fmadaan\u002Fpie-perf#evaluating-your-method。","https:\u002F\u002Fgithub.com\u002Fmadaan\u002Fself-refine\u002Fissues\u002F5",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},17636,"在哪里可以找到 CommonGen-Hard 数据集和 Yelp 情感反转数据集？","这两个数据集之前缺失，现已补充。CommonGen-Hard 数据集位于 `data\u002Fprompt\u002Fcommongen` 目录；Yelp 长文本情感反转数据集已通过提交记录发布。此外，缩写生成（Acronym Generation）的评估数据集也已上传。","https:\u002F\u002Fgithub.com\u002Fmadaan\u002Fself-refine\u002Fissues\u002F8",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},17637,"运行某些基准测试（如 CommonGen 或 Sentiment Reversal）时报错或找不到文件（如 run.py, task_measure）怎么办？","部分文件曾因开发不同步而缺失，维护者已修复。具体包括：Sentiment Reversal 的 `task_measure` 类文件、PIE 文件夹下的 `run.py` 以及 GSM-8k 中更新的提示逻辑（见 `src\u002Fgsm\u002Ffeedback.py`）。如果遇到 GPT-3.5-turbo 格式遵循导致的报错，属已知现象，代码通常会跳过错误继续运行。","https:\u002F\u002Fgithub.com\u002Fmadaan\u002Fself-refine\u002Fissues\u002F9",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},17638,"如何获取 ANTHROPIC_API_KEY？","你可以访问 Anthropic 的早期访问页面申请：https:\u002F\u002Fwww.anthropic.com\u002Fearlyaccess","https:\u002F\u002Fgithub.com\u002Fmadaan\u002Fself-refine\u002Fissues\u002F16",[]]