[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-microsoft--OptiGuide":3,"tool-microsoft--OptiGuide":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":80,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":101,"forks":102,"last_commit_at":103,"license":104,"difficulty_score":105,"env_os":106,"env_gpu":107,"env_ram":107,"env_deps":108,"category_tags":111,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":112,"updated_at":113,"faqs":114,"releases":145},2702,"microsoft\u002FOptiGuide","OptiGuide","GenAI for Optimization and Decision Intelligence","OptiGuide 是一个致力于将生成式人工智能（GenAI）与运筹优化及决策智能深度融合的开源项目。它旨在解决供应链管理等复杂场景中传统优化方法灵活性不足、难以进行自然语言交互和“假设分析”的痛点，让计算机不仅能算出最优解，还能像专家一样解释决策逻辑。\n\n该项目特别适合从事运筹学、供应链管理的研究人员，以及希望利用大模型提升决策系统能力的开发者使用。OptiGuide 的核心亮点在于其包含的多个前沿子项目：例如支持供应链“假设分析”的功能，让用户能轻松推演不同条件下的结果；MILP-Evolve 探索了面向混合整数线性规划的基础模型；而 OptiMind 则专注于教会大模型像优化专家一样思考，显著提升了模型处理专业数学问题的能力。\n\n需要注意的是，OptiGuide 更偏向于技术研究与评估框架。项目方明确禁止抓取其代码或基准数据用于训练其他 AI 模型，以保障评估的公正性，但欢迎研究者将其用于模型测试与算法验证。如果你希望在保持伦理安全的前提下，探索大模型在复杂决策领域的无限可能，OptiGuide 提供了一个坚实且开放的起点。","# OptiGuide: GenAI for Optimization and Decision Intelligence\n\n\n## Projects\n\nWe have several projects in this repository for decision making and optimization, and please cite the paper if you use this code in your own work.\n\n\n### OptiGuide for Supply Chain Optimization with What-if Analysis\nThe [what-if](what-if\u002F) folder includes the following material to open source the paper and what-if analysis for the OptiGuide project:\n\n```latex\n@article{li2023large,\n  title={Large Language Models for Supply Chain Optimization},\n  author={Li, Beibin and Mellou, Konstantina and Zhang, Bo and Pathuri, Jeevan and Menache, Ishai},\n  journal={arXiv preprint arXiv:2307.03875},\n  year={2023}\n}\n```\n\n### Towards Foundation Models for Mixed Integer Linear Programming\nThe [milp-evolve](milp-evolve\u002F) folder includes the following material to open source the paper, MILP-Evolve code, and data:\n\n```latex\n@article{li2024towards,\n  author    = {Li, Sirui and Kulkarni, Janardhan and Wu, Cathy and Menache, Ishai and Li, Beibin},\n  title     = {Towards Foundation Models for Mixed Integer Linear Programming},\n  booktitle = {The Thirteenth International Conference on Learning Representations},\n  year      = {2025}\n}\n```\n\n### OptiMind: Teaching LLMs to Think Like Optimization Experts\nThe [optimind](optimind\u002F) folder includes the following material to open source the paper, evaluation code, and test data for the OptiMind project: \n\n```\n@article{zhang2025optimind,\n  title={OptiMind: Teaching LLMs to Think Like Optimization Experts},\n  author={Zhang, Xinzhi and Chen, Zeyi and Zope, Humishka and Barbalho, Hugo and Mellou, Konstantina and Molinaro, Marco and Kulkarni, Janardhan and Menache, Ishai and Li, Sirui},\n  journal={arXiv preprint arXiv:2509.22979},\n  year={2025}\n}\n```\n\n\n## Responsible AI Considerations  \n\nThe integration of GenAI into decision intelligence and optimization has provided human-like reasoning in complex problem-solving. However, it is essential to actively consider the ethical and responsible aspects of AI to ensure its application remains both beneficial and free from unintended consequences.  \n\nSince we utilize publicly available language models, our framework inherently inherits both the strengths and limitations of these models. Recognizing these challenges, we have implemented safeguard mechanisms to ensure fairness, robustness, and safety in decision-making. Nevertheless, due to the inherent complexities of AI, issues such as model biases, adversarial vulnerabilities, and unexpected behaviors can still arise.  \n\nResearchers and practitioners must critically assess and interpret these AI-driven solutions, maintaining a deep understanding of both the advantages and limitations of LLMs. By responsibly leveraging these models, we can drive significant advancements in decision intelligence and optimization while upholding ethical standards and mitigating potential risks.\n\n## Prohibitions\nDue to the specialized nature of this repository, which includes both benchmark data and source code designed for evaluating data-oriented models and pipelines, we expressly prohibit the following:\n\n1. Scraping the content of this repository for the purpose of training machine learning models, deep learning architectures, data science algorithms, large language models, or any other data-driven computational models.  Utilizing this repository's content for such purposes could introduce bias and invalidate the evaluation metrics of the trained models. You are, however, permitted to use this repository for the evaluation of models and pipelines.\n2. Violating the licensing terms in this repository.\n\n\n## Contributing\n\nThis project welcomes contributions and suggestions.  Most contributions require you to agree to a\nContributor License Agreement (CLA) declaring that you have the right to, and actually do, grant us\nthe rights to use your contribution. For details, visit https:\u002F\u002Fcla.opensource.microsoft.com.\n\nWhen you submit a pull request, a CLA bot will automatically determine whether you need to provide\na CLA and decorate the PR appropriately (e.g., status check, comment). Simply follow the instructions\nprovided by the bot. You will only need to do this once across all repos using our CLA.\n\nThis project has adopted the [Microsoft Open Source Code of Conduct](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F).\nFor more information see the [Code of Conduct FAQ](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002Ffaq\u002F) or\ncontact [opencode@microsoft.com](mailto:opencode@microsoft.com) with any additional questions or comments.\n\n## Trademarks\n\nThis project may contain trademarks or logos for projects, products, or services. Authorized use of Microsoft\ntrademarks or logos is subject to and must follow\n[Microsoft's Trademark & Brand Guidelines](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral).\nUse of Microsoft trademarks or logos in modified versions of this project must not cause confusion or imply Microsoft sponsorship.\nAny use of third-party trademarks or logos are subject to those third-party's policies.\n","# OptiGuide：用于优化与决策智能的生成式人工智能\n\n\n## 项目\n\n本仓库包含多个用于决策与优化的项目。如果您在自己的工作中使用了这些代码，请引用相关论文。\n\n\n### OptiGuide：用于供应链优化的假设分析\n[what-if](what-if\u002F) 文件夹包含了 OptiGuide 项目的开源论文及假设分析的相关材料：\n\n```latex\n@article{li2023large,\n  title={大型语言模型在供应链优化中的应用},\n  author={李贝彬、梅卢·康斯坦蒂娜、张博、帕图里·吉文、梅纳赫·伊沙伊},\n  journal={arXiv 预印本 arXiv:2307.03875},\n  year={2023}\n}\n```\n\n### 朝向混合整数线性规划的基础模型\n[milp-evolve](milp-evolve\u002F) 文件夹包含了 MILP-Evolve 论文、代码及数据的开源材料：\n\n```latex\n@article{li2024towards,\n  author    = {李思睿、库尔卡尼·贾纳尔丹、吴凯茜、梅纳赫·伊沙伊、李贝彬},\n  title     = {朝向混合整数线性规划的基础模型},\n  booktitle = {第十三届国际学习表征会议},\n  year      = {2025}\n}\n```\n\n### OptiMind：教导大语言模型像优化专家一样思考\n[optimind](optimind\u002F) 文件夹包含了 OptiMind 项目的开源论文、评估代码及测试数据：\n\n```\n@article{zhang2025optimind,\n  title={OptiMind：教导大语言模型像优化专家一样思考},\n  author={张欣志、陈泽毅、佐普·胡米什卡、巴尔巴略·雨果、梅卢·康斯坦蒂娜、莫利纳罗·马可、库尔卡尼·贾纳尔丹、梅纳赫·伊沙伊、李思睿},\n  journal={arXiv 预印本 arXiv:2509.22979},\n  year={2025}\n}\n```\n\n\n## 负责任的人工智能考量  \n\n将生成式人工智能融入决策智能与优化领域，为复杂问题的求解提供了类人推理能力。然而，为了确保其应用既有益又避免产生意外后果，必须积极考虑人工智能的伦理与责任问题。  \n\n由于我们使用的是公开可用的语言模型，我们的框架天然继承了这些模型的优点与局限性。针对这些挑战，我们已实施了一系列保障机制，以确保决策过程的公平性、鲁棒性和安全性。尽管如此，鉴于人工智能本身的复杂性，模型偏差、对抗性漏洞以及不可预见的行为等问题仍有可能出现。  \n\n研究人员和从业者必须对这些由 AI 驱动的解决方案进行批判性评估与解读，深入理解大语言模型的优势与局限性。通过负责任地利用这些模型，我们能够在推动决策智能与优化领域取得重大进展的同时，坚守伦理标准并有效降低潜在风险。\n\n## 禁止事项\n鉴于本仓库的特殊性质——其中既包含基准数据，也包含用于评估数据驱动型模型与流水线的源代码——我们明确禁止以下行为：\n\n1. 擅自抓取本仓库内容用于训练机器学习模型、深度学习架构、数据科学算法、大型语言模型或其他任何数据驱动的计算模型。此类行为可能引入偏差，并导致所训练模型的评估指标失效。不过，您仍然可以使用本仓库的内容来评估模型和流水线。\n2. 违反本仓库的许可条款。\n\n\n## 贡献说明\n本项目欢迎各类贡献与建议。大多数贡献都需要您签署一份贡献者许可协议（CLA），声明您有权且确实授予我们使用您贡献的权利。详情请访问 https:\u002F\u002Fcla.opensource.microsoft.com。\n\n当您提交拉取请求时，CLA 机器人会自动判断您是否需要提供 CLA，并相应地标记您的 PR（例如添加状态检查或评论）。您只需按照机器人提供的指示操作即可。对于所有采用我们 CLA 的仓库，您只需完成一次此流程。\n\n本项目已采纳 [微软开源行为准则](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F)。如需更多信息，请参阅 [行为准则常见问题解答](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002Ffaq\u002F) 或发送邮件至 [opencode@microsoft.com](mailto:opencode@microsoft.com) 咨询更多问题或意见。\n\n## 商标声明\n本项目可能包含其他项目、产品或服务的商标或标识。未经授权使用微软商标或标识须遵守并遵循 [微软商标与品牌指南](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral)。在本项目的修改版本中使用微软商标或标识时，不得造成混淆或暗示微软的赞助关系。任何第三方商标或标识的使用均应遵守其各自的政策。","# OptiGuide 快速上手指南\n\nOptiGuide 是一个利用生成式人工智能（GenAI）进行优化和决策智能的开源项目集合，主要涵盖供应链优化、混合整数线性规划（MILP）基础模型以及教导大语言模型像优化专家一样思考（OptiMind）等方向。\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 (推荐 Ubuntu 20.04+)、macOS 或 Windows (需配合 WSL2)。\n*   **Python 版本**：Python 3.9 或更高版本。\n*   **依赖管理**：建议安装 `conda` 或 `venv` 以创建独立的虚拟环境。\n*   **前置知识**：熟悉基本的运筹优化概念（如 MILP）及大语言模型应用开发。\n\n> **注意**：本项目包含多个子项目（`what-if`, `milp-evolve`, `optimind`），每个子项目可能有特定的依赖库。请根据您具体要运行的子项目目录下的 `requirements.txt` 进行安装。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    将代码库克隆到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FOptiGuide.git\n    cd OptiGuide\n    ```\n\n2.  **创建虚拟环境**\n    推荐使用 conda 创建隔离环境：\n    ```bash\n    conda create -n optiguide python=3.9\n    conda activate optiguide\n    ```\n\n3.  **安装依赖**\n    由于项目包含多个独立模块，请进入您想要使用的具体子目录安装依赖。例如，若需使用供应链优化（What-if Analysis）功能：\n    ```bash\n    cd what-if\n    pip install -r requirements.txt\n    ```\n    *若需使用其他模块（如 `milp-evolve` 或 `optimind`），请分别进入对应文件夹执行上述安装命令。*\n\n    > **国内加速提示**：如遇网络问题，可使用国内镜像源加速安装：\n    > ```bash\n    > pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    > ```\n\n4.  **配置 API 密钥**\n    本项目依赖外部大语言模型（LLM）。您需要在环境变量中配置相应的 API Key（如 Azure OpenAI 或其他兼容接口）：\n    ```bash\n    export OPENAI_API_KEY=\"your-api-key-here\"\n    export OPENAI_API_BASE=\"https:\u002F\u002Fyour-endpoint.openai.azure.com\u002F\" # 如果使用 Azure\n    ```\n\n## 基本使用\n\n以下以 **供应链优化与假设分析 (What-if Analysis)** 模块为例，展示最简单的使用流程。其他模块的使用逻辑类似，请参考各子目录下的具体脚本。\n\n1.  **准备输入数据**\n    确保当前目录下存在符合格式要求的供应链数据文件（通常为 JSON 或 CSV 格式，具体参考 `what-if\u002Fdata` 目录中的示例）。\n\n2.  **运行优化脚本**\n    在项目根目录或对应子目录下运行主脚本。以下命令将调用 LLM 对供应链场景进行建模并执行假设分析：\n\n    ```bash\n    python main.py --scenario example_scenario --mode what-if\n    ```\n\n    *参数说明：*\n    *   `--scenario`: 指定要运行的场景名称。\n    *   `--mode`: 运行模式，`what-if` 表示进行假设性分析。\n\n3.  **查看结果**\n    程序运行结束后，优化结果和建议决策将输出至终端，并可能保存为本地文件（如 `results\u002Foutput.json`）。结果通常包含：\n    *   生成的优化模型代码（Python\u002FMIP 格式）。\n    *   求解器返回的最优解。\n    *   LLM 对决策变化的自然语言解释。\n\n---\n**负责任 AI 提示**：本工具生成的决策建议基于大语言模型的推理能力，可能存在偏差或幻觉。在实际生产环境中部署前，请务必由领域专家对生成的模型代码和决策结果进行严格审查和验证。","某大型电商企业的供应链团队正面临突发需求波动，急需在数小时内重新规划全国仓储的库存分配与物流路径以最小化成本。\n\n### 没有 OptiGuide 时\n- **响应滞后**：传统求解器建模耗时漫长，分析师需手动将业务语言转化为复杂的数学公式，无法在促销突发期及时给出方案。\n- **缺乏推演能力**：难以快速评估“若某仓库关闭”或“运费上涨 20%\"等假设性场景，决策只能基于单一静态预测，风险极高。\n- **门槛过高**：只有少数精通混合整数线性规划（MILP）的专家能调整模型，业务人员无法直接参与优化逻辑的迭代。\n- **黑盒决策**：生成的调度方案缺乏自然语言解释，一线执行团队难以理解背后的逻辑，导致落地执行阻力大。\n\n### 使用 OptiGuide 后\n- **即时交互建模**：利用大语言模型直接将“优先保障华东区发货”等业务指令自动转化为优化代码，将方案生成时间从数天缩短至分钟级。\n- **智能 What-if 分析**：通过自然语言提问即可瞬间模拟多种突发状况（如道路中断、库存短缺），系统自动输出不同情境下的最优应对策略。\n- **专家思维赋能**：OptiMind 模块让模型具备优化专家思维，普通分析师也能借助 AI 构建高精度的决策模型，打破技术壁垒。\n- **可解释性增强**：系统不仅输出最优路径，还能用通俗语言解释为何选择该方案（如“因避开拥堵路段虽里程增加但总时效提升”），促进团队共识。\n\nOptiGuide 通过将生成式 AI 的深度推理能力注入传统运筹优化，让供应链决策从“事后计算”转变为实时的、可解释的智能指挥中枢。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_OptiGuide_e14dd4f9.png","microsoft","Microsoft","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmicrosoft_4900709c.png","Open source projects and samples from Microsoft",null,"opensource@microsoft.com","OpenAtMicrosoft","https:\u002F\u002Fopensource.microsoft.com","https:\u002F\u002Fgithub.com\u002Fmicrosoft",[85,89,93,97],{"name":86,"color":87,"percentage":88},"Python","#3572A5",88.9,{"name":90,"color":91,"percentage":92},"HTML","#e34c26",10.4,{"name":94,"color":95,"percentage":96},"Jupyter Notebook","#DA5B0B",0.6,{"name":98,"color":99,"percentage":100},"Shell","#89e051",0.1,648,110,"2026-04-02T16:16:23","MIT",4,"","未说明",{"notes":109,"python":107,"dependencies":110},"README 主要介绍了项目包含的三个子项目（OptiGuide, MILP-Evolve, OptiMind）及其对应的论文引用，并未提供具体的安装指南、运行环境配置或依赖库列表。该项目明确禁止抓取仓库内容用于训练机器学习模型，仅允许用于评估。由于涉及大语言模型（LLM）和混合整数线性规划（MILP），实际运行可能需要根据具体子项目的代码进一步确认环境需求。",[],[26,13,54],"2026-03-27T02:49:30.150509","2026-04-06T05:19:25.886345",[115,120,125,130,135,140],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},12518,"代码运行陷入无限循环或执行时间过长，生成的答案不断重复怎么办？","这通常是由于 AutoGen 或 OptiGuide 版本不兼容导致的。请检查并升级到最新版本：pyautogen (0.2.15) 和 optiguide (0.0.3)。升级后问题通常可以解决。如果问题依旧，请确认您的环境配置是否与示例一致。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FOptiGuide\u002Fissues\u002F18",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},12519,"导入 OptiGuideAgent 时出现 'ImportError: cannot import name OptiGuideAgent' 错误如何解决？","这是因为旧版本的导入路径较为繁琐。在 OptiGuide 0.0.3 版本中已修复此问题。请先卸载当前的 optiguide 包，然后重新安装最新版本（0.0.3 或更高）。安装后即可直接使用 `from optiguide import OptiGuideAgent` 进行导入，无需指定子模块。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FOptiGuide\u002Fissues\u002F19",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},12520,"是否支持使用 Azure OpenAI 或其他开源大语言模型（Open Source LLM）？","是的，OptiGuide 基于 AutoGen，完全支持 Azure OpenAI 以及开源模型（如通过 OAI_CONFIG_LIST 配置）。对于开源模型，您可以搜索 \"AutoGen open source model\" 获取配置指南，但需注意使用开源模型可能会导致性能有所下降。只需修改 OAI_CONFIG_LIST 配置文件即可切换模型后端。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FOptiGuide\u002Fissues\u002F17",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},12521,"在使用 MILP-Evolve 数据集训练积分性差距（integrality gap）任务时，验证损失（Validation Loss）异常高或不稳定怎么办？","这个问题通常是因为标签值未进行裁剪导致的。在运行训练脚本时，请添加以下参数来限制标签范围：`--label_clip_lb=0.0 --label_clip_ub=1.0`。添加该参数后，训练和验证损失曲线通常会恢复正常。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FOptiGuide\u002Fissues\u002F37",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},12522,"OptiGuide 是否支持 Pyomo 求解器，还是仅支持 Gurobi？","OptiGuide 现已支持 Pyomo。您可以通过 pip 安装包含 splinter 包的版本来选择使用 Pyomo 或 Gurobi。项目中已更新了示例代码（如 coffee.py 和 optiguide.py）以展示如何使用 Pyomo，同时保持了对 Gurobi 的兼容性。建议查看最新的示例 Notebook 以了解具体用法。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FOptiGuide\u002Fissues\u002F9",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},12523,"如何更方便地加载和使用发布的 MILP-Evolve 数据集？","MILP-Evolve 数据集已托管在 Hugging Face 上。您可以直接使用 Hugging Face datasets 库加载数据，无需手动下载文件。代码如下：\n```python\nfrom datasets import load_dataset\ndataset = load_dataset(\"microsoft\u002FMILP-Evolve\")\n```\n此外，您可以在 Hugging Face 网页端直接预览数据的前几行。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FOptiGuide\u002Fissues\u002F31",[]]