[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-milvus-io--bootcamp":3,"tool-milvus-io--bootcamp":61},[4,18,26,36,44,52],{"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",141543,2,"2026-04-06T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":77,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":118,"forks":119,"last_commit_at":120,"license":121,"difficulty_score":122,"env_os":123,"env_gpu":123,"env_ram":123,"env_deps":124,"category_tags":127,"github_topics":129,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":145,"updated_at":146,"faqs":147,"releases":185},4496,"milvus-io\u002Fbootcamp","bootcamp","Dealing with all unstructured data, such as reverse image search, audio search, molecular search, video analysis, question and answer systems, NLP, etc.","bootcamp 是专为 Milvus 向量数据库打造的一站式学习与实践平台，旨在帮助开发者轻松驾驭非结构化数据的处理难题。面对图像搜索、音频检索、分子结构分析、视频理解及智能问答等复杂场景，传统方法往往难以高效应对，而 bootcamp 通过提供丰富的交互式教程和可部署的演示项目，让用户能够快速掌握如何利用 Milvus 构建高性能的 AI 应用。\n\n无论是希望快速上手的初学者，还是寻求深度优化的资深研究人员，都能在这里找到适合的资源。平台涵盖了从基础的语义搜索到进阶的检索增强生成（RAG）、混合搜索及多模态检索等前沿技术案例。其独特亮点在于将抽象的理论转化为可运行的代码笔记本（Notebooks），并展示了如何结合 LangChain 等流行框架进行实战开发。通过 bootcamp，用户不仅能学习如何搭建图像检索或药物发现系统，还能掌握评估与优化模型性能的方法，从而高效地将创意转化为落地的智能解决方案。","\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilvus-io_bootcamp_readme_6531d4195d1e.png\" alt=\"milvus bootcamp banner\">\n\n\u003Cdiv class=\"column\" align=\"middle\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fbootcamp\u002Fblob\u002Fmaster\u002FLICENSE\">\u003Cimg height=\"20\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmilvus-io\u002Fbootcamp\" alt=\"license\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fmilvus.io\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fmilvus-blue\" alt=\"milvus\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fcloud.zilliz.com\u002Fsignup?utm_source=partner&utm_medium=referral&utm_campaign=2024-11-04_web_github-readme_global\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fzilliz-green\" alt=\"fully-managed-milvus\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fslack\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FSlack-%234A154B.svg?style=flat&logo=slack&logoColor=white\" alt=\"slack\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FmKc3R95yE5\">\u003Cimg height=\"20\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDiscord-%235865F2.svg?style=for-the-badge&logo=discord&logoColor=white\" alt=\"discord\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fx.com\u002Fmilvusio\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Ffollow\u002Fmilvusio\" alt=\"twitter\"\u002F>\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n## :bird: What You Can Do\n\nBegin an interactive journey to master [Milvus](https:\u002F\u002Fmilvus.io), enhancing your projects with seamless integration and optimization tools.\n\n- **Explore Tutorials:** Dive into notebooks that walk you through diverse Milvus use cases.\n\n- **Deploy Demos:** Build your own demo to see Milvus in action.\n\n- **Discover Use Cases:** Learn how Milvus integrates with other tools and frameworks through practical examples.\n\n- **Expand Your Skills:** Apply evaluation methods to test and optimize your applications.\n\n## :pencil: Examples\n\nYou can explore a comprehensive [Tutorials Overview](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Ftutorials-overview.md) covering topics such as Retrieval-Augmented Generation (RAG), Semantic Search, Hybrid Search, Question Answering, Recommendation Systems, and various quick-start guides. These resources are designed to help you get started quickly and efficiently.\n\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd width=\"30%\">\n      \u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fmilvus-demos\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilvus-io_bootcamp_readme_060be83c325d.gif\" \u002F>\n      \u003C\u002Fa>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"30%\">\n\u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fmilvus-demos\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilvus-io_bootcamp_readme_d4ff5533a044.gif\" \u002F>\n\u003C\u002Fa>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"30%\">\n\u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fmilvus-demos\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilvus-io_bootcamp_readme_234113c7e49a.gif\" \u002F>\n\u003C\u002Fa>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Cth>\n      \u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fmilvus-demos\">Image Search\u003C\u002Fa>\n    \u003C\u002Fth>\n    \u003Cth>\n      \u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fmilvus-demos\">RAG\u003C\u002Fa>\n    \u003C\u002Fth>\n    \u003Cth>\n      \u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fmilvus-demos\">Drug Discovery\u003C\u002Fa>\n    \u003C\u002Fth>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\nHere is a selection of demos and tutorials to show how to build various types of AI applications made with Milvus:\n\n| Tutorial | Use Case | Related Milvus Features |\n| ----------- | -------- | -------- |\n| [Build RAG with Milvus](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fbuild-rag-with-milvus.md) |  RAG | vector search |\n| [Advanced RAG Optimizations](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fhow_to_enhance_your_rag.md) | RAG | vector search, full text search |\n| [Full Text Search with Milvus](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Ffull_text_search_with_milvus.md) | Text Search | full text search |\n| [Hybrid Search with Milvus](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fhybrid_search_with_milvus.md) | Hybrid Search | hybrid search, multi vector, dense embedding, sparse embedding |\n| [Image Search with Milvus](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fimage_similarity_search.md) | Semantic Search | vector search, dynamic field |\n| [Multimodal Search using Multi Vectors](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fmultimodal_rag_with_milvus.md) | Semantic Search | multi vector, hybrid search |\n| [Movie Recommendation with Milvus](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fmovie_recommendation_with_milvus.md) | Recommendation System | vector search |\n| [Graph RAG with Milvus](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fgraph_rag_with_milvus.md) | RAG | graph search |\n| [Use Milvus as a LangChain Vector Store](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fbasic_usage_langchain.md) | RAG | vector search |\n| [RAG with Milvus and LlamaIndex](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fintegrate_with_llamaindex.md) | RAG | vector search |\n| [Contextual Retrieval with Milvus](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fcontextual_retrieval_with_milvus.md) | Quickstart | vector search |\n| [Vector Visualization](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fvector_visualization.md) | Quickstart | vector search |\n| [HDBSCAN Clustering with Milvus](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fhdbscan_clustering_with_milvus.md) | Quickstart | vector search |\n| [Use ColPali for Multi-Modal Retrieval with Milvus](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fuse_ColPali_with_milvus.md) | Quickstart | vector search |\n\n\n## :fire: Community\n\nJoin the Milvus community on [Discord](https:\u002F\u002Fdiscord.gg\u002F8uyFbECzPX) to share your suggestions, advice, and questions with our engineering team.\n\nTo learn latest news about Milvus, follow us on social media:\n\n- [X](https:\u002F\u002Ftwitter.com\u002Fmilvusio)\n- [LinkedIn](https:\u002F\u002Fwww.linkedin.com\u002Fcompany\u002Fthe-milvus-project)\n- [Youtube](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCMCo_F7pKjMHBlfyxwOPw-g)\n- [Medium](https:\u002F\u002Fmedium.com\u002F@milvusio)\n\nYou can also check out our [FAQ page](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fperformance_faq.md) to discover solutions or answers to your issues or questions, and subscribe to Milvus mailing lists:\n\n- [Technical Steering Committee](https:\u002F\u002Flists.lfai.foundation\u002Fg\u002Fmilvus-tsc)\n- [Technical Discussions](https:\u002F\u002Flists.lfai.foundation\u002Fg\u002Fmilvus-technical-discuss)\n- [Announcement](https:\u002F\u002Flists.lfai.foundation\u002Fg\u002Fmilvus-announce)\n\nLet's accelerate your Milvus journey together!\n","\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilvus-io_bootcamp_readme_6531d4195d1e.png\" alt=\"Milvus训练营横幅\">\n\n\u003Cdiv class=\"column\" align=\"middle\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fbootcamp\u002Fblob\u002Fmaster\u002FLICENSE\">\u003Cimg height=\"20\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmilvus-io\u002Fbootcamp\" alt=\"许可证\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fmilvus.io\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fmilvus-blue\" alt=\"Milvus\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fcloud.zilliz.com\u002Fsignup?utm_source=partner&utm_medium=referral&utm_campaign=2024-11-04_web_github-readme_global\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fzilliz-green\" alt=\"全托管Milvus\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fslack\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FSlack-%234A154B.svg?style=flat&logo=slack&logoColor=white\" alt=\"Slack\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FmKc3R95yE5\">\u003Cimg height=\"20\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDiscord-%235865F2.svg?style=for-the-badge&logo=discord&logoColor=white\" alt=\"Discord\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fx.com\u002Fmilvusio\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Ffollow\u002Fmilvusio\" alt=\"Twitter\"\u002F>\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n## :bird: 您可以做什么\n\n开启一段互动式学习之旅，掌握 [Milvus](https:\u002F\u002Fmilvus.io)，通过无缝集成和优化工具提升您的项目能力。\n\n- **探索教程**：深入笔记本，逐步了解各种 Milvus 使用场景。\n  \n- **部署演示**：构建属于您自己的演示，亲身体验 Milvus 的强大功能。\n  \n- **发现应用场景**：通过实际案例学习 Milvus 如何与其他工具和框架集成。\n  \n- **拓展技能**：运用评估方法测试并优化您的应用。\n\n## :pencil: 示例\n\n您可以浏览全面的 [教程概览](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Ftutorials-overview.md)，涵盖检索增强生成（RAG）、语义搜索、混合搜索、问答系统、推荐系统以及各类快速入门指南。这些资源旨在帮助您快速高效地起步。\n\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd width=\"30%\">\n      \u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fmilvus-demos\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilvus-io_bootcamp_readme_060be83c325d.gif\" \u002F>\n      \u003C\u002Fa>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"30%\">\n\u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fmilvus-demos\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilvus-io_bootcamp_readme_d4ff5533a044.gif\" \u002F>\n\u003C\u002Fa>\n    \u003C\u002Ftd>\n    \u003Ctd width=\"30%\">\n\u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fmilvus-demos\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilvus-io_bootcamp_readme_234113c7e49a.gif\" \u002F>\n\u003C\u002Fa>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Cth>\n      \u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fmilvus-demos\">图像搜索\u003C\u002Fa>\n    \u003C\u002Fth>\n    \u003Cth>\n      \u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fmilvus-demos\">RAG\u003C\u002Fa>\n    \u003C\u002Fth>\n    \u003Cth>\n      \u003Ca href=\"https:\u002F\u002Fmilvus.io\u002Fmilvus-demos\">药物发现\u003C\u002Fa>\n    \u003C\u002Fth>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\n以下是一些使用 Milvus 构建不同类型 AI 应用的演示和教程示例：\n\n| 教程 | 使用场景 | 相关 Milvus 功能 |\n| ----------- | -------- | -------- |\n| [使用 Milvus 构建 RAG](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fbuild-rag-with-milvus.md) | RAG | 向量搜索 |\n| [高级 RAG 优化](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fhow_to_enhance_your_rag.md) | RAG | 向量搜索、全文搜索 |\n| [使用 Milvus 进行全文搜索](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Ffull_text_search_with_milvus.md) | 文本搜索 | 全文搜索 |\n| [使用 Milvus 进行混合搜索](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fhybrid_search_with_milvus.md) | 混合搜索 | 混合搜索、多向量、稠密嵌入、稀疏嵌入 |\n| [使用 Milvus 进行图像相似性搜索](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fimage_similarity_search.md) | 语义搜索 | 向量搜索、动态字段 |\n| [使用多向量进行多模态搜索](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fmultimodal_rag_with_milvus.md) | 语义搜索 | 多向量、混合搜索 |\n| [使用 Milvus 进行电影推荐](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fmovie_recommendation_with_milvus.md) | 推荐系统 | 向量搜索 |\n| [使用 Milvus 进行图 RAG](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fgraph_rag_with_milvus.md) | RAG | 图搜索 |\n| [将 Milvus 用作 LangChain 向量存储](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fbasic_usage_langchain.md) | RAG | 向量搜索 |\n| [使用 Milvus 和 LlamaIndex 构建 RAG](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fintegrate_with_llamaindex.md) | RAG | 向量搜索 |\n| [使用 Milvus 进行上下文检索](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fcontextual_retrieval_with_milvus.md) | 快速入门 | 向量搜索 |\n| [向量可视化](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fvector_visualization.md) | 快速入门 | 向量搜索 |\n| [使用 Milvus 进行 HDBSCAN 聚类](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fhdbscan_clustering_with_milvus.md) | 快速入门 | 向量搜索 |\n| [使用 ColPali 进行多模态检索](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fuse_ColPali_with_milvus.md) | 快速入门 | 向量搜索 |\n\n\n## :fire: 社区\n\n加入 Milvus 社区的 [Discord](https:\u002F\u002Fdiscord.gg\u002F8uyFbECzPX)，与我们的工程师团队分享您的建议、经验及疑问。\n\n想要了解 Milvus 的最新动态，请关注我们的社交媒体平台：\n\n- [X](https:\u002F\u002Ftwitter.com\u002Fmilvusio)\n- [LinkedIn](https:\u002F\u002Fwww.linkedin.com\u002Fcompany\u002Fthe-milvus-project)\n- [Youtube](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCMCo_F7pKjMHBlfyxwOPw-g)\n- [Medium](https:\u002F\u002Fmedium.com\u002F@milvusio)\n\n您还可以查看我们的 [FAQ 页面](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Fperformance_faq.md)，寻找问题或疑惑的答案，并订阅 Milvus 邮件列表：\n\n- [技术指导委员会](https:\u002F\u002Flists.lfai.foundation\u002Fg\u002Fmilvus-tsc)\n- [技术讨论](https:\u002F\u002Flists.lfai.foundation\u002Fg\u002Fmilvus-technical-discuss)\n- [公告](https:\u002F\u002Flists.lfai.foundation\u002Fg\u002Fmilvus-announce)\n\n让我们携手加速您的 Milvus 学习之旅吧！","# Milvus Bootcamp 快速上手指南\n\nMilvus Bootcamp 是一个交互式学习平台，旨在帮助开发者通过实战教程、演示案例和评估方法，快速掌握 [Milvus](https:\u002F\u002Fmilvus.io) 向量数据库的核心功能，构建检索增强生成（RAG）、语义搜索、推荐系统等 AI 应用。\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 (Ubuntu\u002FCentOS), macOS, 或 Windows (WSL2 推荐)。\n*   **Python 版本**：建议安装 Python 3.8 或更高版本。\n*   **前置依赖**：\n    *   `pip`：Python 包管理工具。\n    *   `Jupyter Notebook` 或 `JupyterLab`：用于运行官方提供的交互式教程 notebooks。\n    *   **Milvus 实例**：您需要一个可连接的 Milvus 服务。\n        *   **方案 A（推荐新手）**：使用 [Zilliz Cloud](https:\u002F\u002Fcloud.zilliz.com\u002Fsignup?utm_source=partner&utm_medium=referral&utm_campaign=2024-11-04_web_github-readme_global) 免费托管服务，无需本地部署。\n        *   **方案 B（本地部署）**：使用 Docker 快速启动本地 Milvus。\n          ```bash\n          docker run -d --name milvus-standalone \\\n            -p 19530:19530 -p 9091:9091 \\\n            -v $(pwd)\u002Fvolumes:\u002Fvar\u002Flib\u002Fmilvus \\\n            milvusdb\u002Fmilvus:latest \\\n            milvus run standalone\n          ```\n*   **Python 客户端库**：\n    ```bash\n    pip install pymilvus\n    ```\n    *(国内用户如遇下载缓慢，可使用清华源加速：`pip install pymilvus -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`)*\n\n## 安装步骤\n\nBootcamp 本身不是一个需要单独安装的软件包，而是一系列教程代码和 Notebooks 的集合。您可以通过以下方式获取并开始学习：\n\n1.  **克隆仓库**\n    将 Bootcamp 代码库克隆到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fbootcamp.git\n    cd bootcamp\n    ```\n    *(国内用户推荐使用 Gitee 镜像或配置 Git 代理以加速克隆)*\n\n2.  **安装教程依赖**\n    进入对应的教程目录，安装该案例所需的特定依赖包。通常每个教程目录下都有 `requirements.txt`。\n    ```bash\n    # 示例：安装 RAG 相关教程的依赖\n    cd tutorials\u002Frag\n    pip install -r requirements.txt\n    ```\n\n3.  **启动 Jupyter**\n    在教程目录下启动 Jupyter Notebook 以交互方式运行代码：\n    ```bash\n    jupyter notebook\n    ```\n\n## 基本使用\n\n以下是一个最简单的示例，展示如何使用 Milvus Python SDK 连接数据库并执行基础的向量搜索（对应 Bootcamp 中的 \"Quickstart\" 类教程逻辑）。\n\n### 1. 初始化连接\n\n```python\nfrom pymilvus import connections, utility\n\n# 连接到本地 Milvus 实例 (如果是 Zilliz Cloud，请填写对应的 uri 和 token)\nconnections.connect(\n  alias=\"default\",\n  host=\"localhost\",\n  port=\"19530\"\n)\n\nprint(\"成功连接到 Milvus!\")\n```\n\n### 2. 创建集合并插入数据\n\n```python\nfrom pymilvus import Collection, FieldSchema, CollectionSchema, DataType\nimport numpy as np\n\n# 定义 Schema\nfields = [\n    FieldSchema(name=\"id\", dtype=DataType.INT64, is_primary=True, auto_id=True),\n    FieldSchema(name=\"embedding\", dtype=DataType.FLOAT_VECTOR, dim=128)\n]\nschema = CollectionSchema(fields=fields)\n\n# 创建集合\ncollection = Collection(\"bootcamp_demo\", schema=schema)\n\n# 准备随机向量数据 (100 条，维度 128)\nvectors = np.random.rand(100, 128).tolist()\n\n# 插入数据\nentities = [vectors]\ninsert_result = collection.insert(entities)\nprint(f\"插入了 {insert_result.insert_count} 条数据\")\n\n# 创建索引以加速搜索\nindex_params = {\n    \"metric_type\": \"L2\",\n    \"index_type\": \"IVF_FLAT\",\n    \"params\": {\"nlist\": 128}\n}\ncollection.create_index(field_name=\"embedding\", index_params=index_params)\ncollection.load()\n```\n\n### 3. 执行向量搜索\n\n```python\n# 准备查询向量\nquery_vector = [np.random.rand(128).tolist()]\n\n# 定义搜索参数\nsearch_params = {\n    \"metric_type\": \"L2\",\n    \"params\": {\"nprobe\": 10}\n}\n\n# 执行搜索\nresults = collection.search(\n    data=query_vector,\n    anns_field=\"embedding\",\n    param=search_params,\n    limit=3, # 返回最相似的 3 条结果\n    output_fields=[\"id\"]\n)\n\n# 打印结果\nfor hits in results:\n    for hit in hits:\n        print(f\"ID: {hit.entity.get('id')}, Distance: {hit.distance}\")\n```\n\n### 进阶探索\n\n完成基础示例后，您可以深入 `bootcamp` 仓库中的具体教程目录，体验更复杂的场景：\n\n*   **RAG 应用**：参考 `tutorials\u002Frag` 目录，学习如何结合 LLM 构建问答系统。\n*   **混合搜索**：参考 `tutorials\u002Fhybrid_search`，学习如何同时利用向量搜索和标量过滤。\n*   **多模态搜索**：参考 `tutorials\u002Fmultimodal`，探索图像与文本的联合检索。\n\n更多详细教程列表请访问 [Milvus 官方文档 - 教程概览](https:\u002F\u002Fmilvus.io\u002Fdocs\u002Ftutorials-overview.md)。","某电商初创团队正致力于构建一个支持“以图搜图”和“自然语言问答”的智能购物助手，以处理海量的商品图片与非结构化描述数据。\n\n### 没有 bootcamp 时\n- **入门门槛极高**：开发人员面对 Milvus 复杂的向量检索概念无从下手，需耗费数周时间摸索基础架构与 API 调用。\n- **场景落地困难**：缺乏针对图像搜索或 RAG（检索增强生成）的具体代码参考，团队需从零编写所有数据处理与检索逻辑，试错成本巨大。\n- **多模态整合受阻**：想要同时实现图片相似度匹配和文本语义搜索时，不知如何设计混合检索策略，导致功能开发停滞。\n- **性能优化盲目**：在没有基准测试和评估方法的情况下，难以判断当前系统的检索精度与响应速度是否达标，调优全靠猜测。\n\n### 使用 bootcamp 后\n- **快速上手实践**：直接复用 bootcamp 中现成的 Jupyter Notebook 教程，团队在两天内便跑通了首个图像搜索 Demo，大幅缩短学习曲线。\n- **场景模板即插即用**：利用官方提供的\"Image Search\"和\"Build RAG\"等成熟案例代码，快速修改适配自家商品库，立即上线核心功能。\n- **混合检索轻松实现**：参考\"Hybrid Search\"与\"Multimodal Search\"指南，顺利整合稠密向量与稀疏向量，实现了精准的图文联合搜索。\n- **科学评估调优**：应用 bootcamp 推荐的评估方法对系统进行量化测试，快速定位瓶颈并优化参数，显著提升了查询准确率与响应速度。\n\nbootcamp 将抽象的向量数据库技术转化为可执行的实战路径，帮助开发者从“理论迷茫”迅速跨越到“应用落地”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmilvus-io_bootcamp_234113c7.gif","milvus-io","The Milvus Project","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmilvus-io_52b020b8.png","The open source vector database designed for AI applications",null,"milvus-technical-discuss@lists.lfaidata.foundation","milvusio","https:\u002F\u002Fmilvus.io\u002F","https:\u002F\u002Fgithub.com\u002Fmilvus-io",[82,86,90,94,98,102,105,108,112,115],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",54.3,{"name":87,"color":88,"percentage":89},"HTML","#e34c26",44.4,{"name":91,"color":92,"percentage":93},"Python","#3572A5",0.8,{"name":95,"color":96,"percentage":97},"CSS","#663399",0.2,{"name":99,"color":100,"percentage":101},"TypeScript","#3178c6",0.1,{"name":103,"color":104,"percentage":101},"JavaScript","#f1e05a",{"name":106,"color":107,"percentage":101},"Scala","#c22d40",{"name":109,"color":110,"percentage":111},"Java","#b07219",0,{"name":113,"color":114,"percentage":111},"Dockerfile","#384d54",{"name":116,"color":117,"percentage":111},"Shell","#89e051",2403,682,"2026-04-06T01:50:46","Apache-2.0",4,"",{"notes":125,"python":123,"dependencies":126},"README 中未明确列出具体的运行环境需求（如操作系统、GPU、内存、Python 版本及依赖库）。该项目主要提供基于 Jupyter Notebook 的教程和演示代码，用于学习 Milvus 的各种用例（如 RAG、语义搜索等）。具体的环境配置通常取决于用户选择运行的特定教程或演示项目（例如，某些深度学习模型可能需要 GPU 和特定的 PyTorch 版本），建议参考各个具体教程文档中的安装指南。",[],[16,15,128,14,35],"音频",[130,131,132,133,134,135,136,137,138,139,140,141,142,143,144],"milvus","unstructured-data","image-search","audio-search","question-answering","deep-learning","nlp","image-classification","image-recognition","python","embeddings","llm","rag","semantic-search","vector-database","2026-03-27T02:49:30.150509","2026-04-07T00:04:39.237509",[148,153,157,162,166,171,175,180],{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},20463,"运行 reverse_image_search 时出现 'gateway' was unexpected 的 Docker Compose 错误，如何解决？","该错误通常是因为 docker-compose.yaml 文件中的网络配置包含了不被当前 Docker Compose 版本支持的 'gateway' 属性。请检查并编辑 docker-compose.yaml 文件，移除 networks 配置下多余的 'gateway' 字段，或者升级您的 Docker Compose 到最新版本以支持该配置。如果问题依旧，可以尝试简化网络配置仅保留必要的 driver 设置。","https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fbootcamp\u002Fissues\u002F1064",{"id":154,"question_zh":155,"answer_zh":156,"source_url":152},20464,"在 image_search_server 容器中遇到 ResNet50 模型下载失败导致的 EOF 错误怎么办？","EOF 错误通常是由于 ResNet50 预训练模型下载中断或损坏引起的。解决方法如下：\n1. 进入容器内部，删除损坏的 .pth 模型文件。\n2. 在本地环境中下载完整的预训练模型文件。\n3. 使用命令 `docker cp \u003C本地模型路径> \u003C容器 ID>:\u002F\u003C容器内模型路径>` 将模型复制到容器中。\n4. 重启服务即可正常运行。",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},20465,"部署 text_search_engine 时出现 grpc 连接拒绝错误 (connection refused) 是什么原因？","该错误表明 Milvus  standalone 服务无法连接到 etcd 或其他依赖服务（端口 53100）。常见原因包括：\n1. 依赖服务（如 etcd）尚未完全启动，Milvus 就尝试连接。建议等待所有容器日志显示就绪后再重试。\n2. 配置文件中的主机名解析问题，确保 docker-compose 中服务名称与代码配置一致。\n3. 权限问题，如日志中提到的 etcd 目录权限应为 `-rwx------`，可使用 `chmod` 修正宿主机映射目录的权限后重启容器。","https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fbootcamp\u002Fissues\u002F603",{"id":163,"question_zh":164,"answer_zh":165,"source_url":161},20466,"text_search_engine 示例中向量维度不匹配报错 (vector dimension must be equal to collection dimension) 如何处理？","此错误是因为配置的向量维度与实际生成的向量维度不一致。在使用 BERT 模型时，生成的向量维度默认为 768。如果您在 config.py 中将 `VECTOR_DIMENSION` 手动修改为 2048，但集合（Collection）创建时使用的是默认值或其他值，就会报错。\n解决方案：确保 `config.py` 中的 `VECTOR_DIMENSION` 设置为 768（对应 BERT 模型），或者在创建 Milvus 集合时显式指定维度与配置文件一致。不要随意更改维度参数，除非同时更换了嵌入模型。",{"id":167,"question_zh":168,"answer_zh":169,"source_url":170},20467,"安装 pymilvus 时提示 'No matching distribution found' 找不到版本怎么办？","这通常是因为 Python 环境版本过旧或与 pymilvus 版本不兼容。例如 pymilvus 1.0.1 可能需要特定的 Python 版本（如 3.6-3.8）。\n解决步骤：\n1. 检查当前 Python 版本 (`python --version`)。\n2. 尝试升级 pip: `pip install --upgrade pip`。\n3. 指定版本安装：`pip install pymilvus==1.0.1` 或尝试安装最新版 `pip install pymilvus`。\n4. 如果是在 Ubuntu 18.04 上，建议创建一个新的虚拟环境 (venv 或 conda) 并使用 Python 3.7+ 进行安装。注意该项目部分旧示例可能已不再维护，建议参考最新文档。","https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fbootcamp\u002Fissues\u002F565",{"id":172,"question_zh":173,"answer_zh":174,"source_url":170},20468,"如何在 Bootcamp 项目中将 tensorflow 替换为 tensorflow-gpu 以利用 GPU 加速？","要在对象检测等模块中使用 GPU，需要将依赖从 `tensorflow` 替换为 `tensorflow-gpu`。\n操作步骤：\n1. 找到项目中的 requirements.txt 文件或 Dockerfile。\n2. 将 `tensorflow` 替换为 `tensorflow-gpu`，并确保版本号与您的 CUDA 版本兼容（例如 TF 2.6.0 对应 CUDA 11.2）。\n3. 如果使用 Docker，重新构建镜像：`docker-compose build`。\n4. 确保宿主机已正确安装 NVIDIA 驱动和 Docker NVIDIA Container Toolkit，并在 docker-compose.yaml 中配置了 `deploy.resources.reservations.devices` 以启用 GPU。",{"id":176,"question_zh":177,"answer_zh":178,"source_url":179},20469,"运行 yarn start 部署前端时出现 SnackBar.tsx 相关的 ESLint 报错无法消除怎么办？","这类报错通常是由于代码规范检查（ESLint）与当前代码风格不匹配导致的，不影响功能运行。\n解决方法：\n1. 如果是开发环境，可以在报错行上方添加 `\u002F\u002F eslint-disable-next-line` 来忽略单行错误。\n2. 如果多处报错，可以暂时在 package.json 的 scripts 中修改 start 命令，跳过 lint 检查，或直接运行构建后的静态文件。\n3. 确认 nodejs 版本（推荐 14.x）和依赖包版本是否与项目要求一致，尝试删除 node_modules 并重新运行 `yarn install`。如果问题已修复，拉取最新代码即可。","https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fbootcamp\u002Fissues\u002F600",{"id":181,"question_zh":182,"answer_zh":183,"source_url":184},20470,"百万级数据基准测试中搜索准确率 (accuracy) 为 0% 是怎么回事？","搜索准确率为 0% 通常意味着索引参数设置不当或查询参数与索引不匹配。\n排查建议：\n1. 检查索引类型（如 IVF_SQ8）的参数 `nlist` 是否合理，对于 100 万数据，`nlist` 设为 16384 是常见的，但需配合合适的 `nprobe`。\n2. 确保查询时的 `search_params` 中的 `nprobe` 值足够大（例如设置为 64 或更高），过小会导致搜索范围太窄从而漏掉正确答案。\n3. 验证数据集本身是否已正确归一化，以及查询向量与库内向量的度量方式（如 L2 或 IP）是否一致。\n4. 如果问题复杂，建议加入技术讨论群提供具体的复现步骤以便进一步分析。","https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fbootcamp\u002Fissues\u002F169",[186,190,194,199,203,208,213,217,221,225,229,233,237,241],{"id":187,"version":188,"summary_zh":76,"released_at":189},125133,"data","2025-05-22T07:39:23",{"id":191,"version":192,"summary_zh":76,"released_at":193},125134,"v2.0.2","2022-04-12T13:27:09",{"id":195,"version":196,"summary_zh":197,"released_at":198},125135,"v2.0.1","### 修复 bug\n#792 修复 reverse_image_search 的 TOPK bug。@RafaelDSS  \n#791 修复从环境变量中读取配置数值的 bug。@matrixji  \n#801 更新 requirements.txt。@DerekChia  \n#808 更新 milvus_helpers.py。@avats-dev  \n\n### 新增功能\n#715 添加 multi_thread_insert 测试脚本。@Bennu-Li  \n#823 添加 Milvus 1.x 的性能测试结果。@jaelgu","2021-10-22T07:33:23",{"id":200,"version":201,"summary_zh":76,"released_at":202},125136,"v2.0rc6","2021-10-15T07:17:21",{"id":204,"version":205,"summary_zh":206,"released_at":207},125137,"v2.0.rc5","Milvus v2.0-rc5 的更新解决方案。","2021-09-30T03:56:41",{"id":209,"version":210,"summary_zh":211,"released_at":212},125138,"v2.0.rc4","更新或新功能：\n- #574 编写问题和拉取请求的模板。（@shiyu22）\n- #580 关于如何贡献的文档。（@shiyu22）\n- #588 在解决方案中添加 DNA 序列分类功能。（@jaelgu）\n- #598 在解决方案中添加视频分析功能。（@jaelgu）\n- #613 更新基准测试脚本。（@Bennu-Li）\n\n问题修复：\n- #610 图片反向搜索文档内容错误。（@linchpinlin）","2021-09-01T07:11:55",{"id":214,"version":215,"summary_zh":76,"released_at":216},125139,"v1.0","2021-05-27T10:13:55",{"id":218,"version":219,"summary_zh":76,"released_at":220},125140,"v0.10","2021-05-27T10:13:13",{"id":222,"version":223,"summary_zh":76,"released_at":224},125141,"v0.8","2021-05-25T09:09:24",{"id":226,"version":227,"summary_zh":76,"released_at":228},125142,"v0.9","2021-05-25T09:09:49",{"id":230,"version":231,"summary_zh":76,"released_at":232},125143,"v0.7","2021-05-25T09:08:46",{"id":234,"version":235,"summary_zh":76,"released_at":236},125144,"v0.6","2021-05-25T09:08:21",{"id":238,"version":239,"summary_zh":76,"released_at":240},125145,"v0.5.3","2021-05-25T09:07:45",{"id":242,"version":243,"summary_zh":76,"released_at":244},125146,"v0.3.1","2021-05-25T09:07:06"]