[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-mkturkcan--generative-agents":3,"tool-mkturkcan--generative-agents":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",143909,2,"2026-04-07T11:33:18",[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":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":32,"env_os":95,"env_gpu":96,"env_ram":95,"env_deps":97,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":138},5214,"mkturkcan\u002Fgenerative-agents","generative-agents","Working, locally-running, low-cost implementation of Generative Agents: Interactive Simulacra of Human Behavior.","generative-agents 是一个能在本地低成本运行的开源项目，旨在复现论文中描述的“生成式智能体”，让 AI 模拟出类人的行为与互动。它通过大语言模型构建虚拟社会，让智能体拥有记忆、规划能力，并能根据环境变化自主行动和交流。\n\n该项目主要解决了原版研究对昂贵云端 API（如 GPT-3）的依赖问题。通过优化架构，它允许用户使用参数量较小、可本地部署的模型来运行复杂的智能体模拟，大幅降低了实验门槛和运行成本，使得在普通个人电脑甚至显存低于 8GB 的设备上开展研究成为可能。\n\n目前，generative-agents 以龙与地下城（D&D）中的“凡达林”小镇为模拟场景，展示了比原论文更自由开放的互动形式。其技术亮点在于利用低参数模型处理高上下文查询，并持续探索通过表情符号总结决策、压缩上下文等创新方法以提升效率。\n\n这款工具非常适合 AI 研究人员、游戏开发者以及对多智能体系统感兴趣的技术爱好者。无论是希望深入探究人类行为模拟机制的研究者，还是想要为游戏构建生动 NPC 的开发者，都能利用 generative-agents 在本地轻松搭建并测试自己的虚拟社会实验。","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmkturkcan_generative-agents_readme_6e3ffff1952a.png\"  width=\"180\" \u002F>\n\u003C\u002Fp>\n\n\u003Ch3 align=\"center\">\n  \u003Cp>Generative Large Language Models for Human-Like Behavior\u003C\u002Fp>\n\u003C\u002Fh3>\n\nThis repository includes a working version of the type of model described in [Generative Agents: Interactive Simulacra of Human Behavior](https:\u002F\u002Farxiv.org\u002Fabs\u002F2304.03442).\n\n## Setup\n\nThe models are distributed as notebooks that are easy to run locally, or on Google Colab. We recommend the use of Jupyter Lab if running locally. The notebook(s) should work as-is on Google Colab.\n\nThe current version of the repository works best with 16GB VRAM, and also supports \u003C8GB VRAM edge\u002Fpersonal computer environments.\n\n# How to Use\n\n* The most stable model is available at https:\u002F\u002Fgithub.com\u002Fmkturkcan\u002Fgenerative-agents\u002Ftree\u002Fmain\u002Fnotebook\u002FRelease.\n* WIP models with the latest features will be available in https:\u002F\u002Fgithub.com\u002Fmkturkcan\u002Fgenerative-agents\u002Ftree\u002Fmain\u002Fnotebook\u002FWIP.\n* A WIP library is available under https:\u002F\u002Fgithub.com\u002Fmkturkcan\u002Fgenerative-agents\u002Ftree\u002Fmain\u002Fgame_simulation.\n\n## Model\n\nThe current model is a simulation of the town of Phandalin from an introductory D&D 5e adventure. This setting is chosen as it is much more free form than the simple scenario described in the original paper.\n\n## Limitations\n\nThe model, as described in the paper, requires access to a very high quality instruction model such as GPT-3. However, the model also requires many high-context queries to work, making it expensive to run. As such, in this work we use low-parameter, locally runnable models instead. \n\nWe expect that with the advent of the next generation of instruction-tuned models, the model in this repo will perform better.\n\n## Future Steps\n\n* Summarize agent decisions as emojis.\n* Create a family of questions to compress agent contexts better.\n* Check if the agent contexts are compressed well with an another layer of prompts.\n","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmkturkcan_generative-agents_readme_6e3ffff1952a.png\"  width=\"180\" \u002F>\n\u003C\u002Fp>\n\n\u003Ch3 align=\"center\">\n  \u003Cp>用于模拟人类行为的生成式大型语言模型\u003C\u002Fp>\n\u003C\u002Fh3>\n\n本仓库包含一篇论文[生成式智能体：人类行为的交互式模拟]（https:\u002F\u002Farxiv.org\u002Fabs\u002F2304.03442）中所描述类型模型的一个可运行版本。\n\n## 环境搭建\n\n这些模型以笔记本文件的形式分发，既可以在本地轻松运行，也可以在 Google Colab 上运行。如果在本地运行，我们建议使用 Jupyter Lab。笔记本文件在 Google Colab 上无需修改即可直接运行。\n\n当前版本的仓库在配备 16GB 显存的设备上效果最佳，同时也支持显存低于 8GB 的边缘设备或个人电脑环境。\n\n# 使用方法\n\n* 最稳定的模型位于 https:\u002F\u002Fgithub.com\u002Fmkturkcan\u002Fgenerative-agents\u002Ftree\u002Fmain\u002Fnotebook\u002FRelease。\n* 包含最新功能的开发中模型将发布在 https:\u002F\u002Fgithub.com\u002Fmkturkcan\u002Fgenerative-agents\u002Ftree\u002Fmain\u002Fnotebook\u002FWIP。\n* 开发中的库可在 https:\u002F\u002Fgithub.com\u002Fmkturkcan\u002Fgenerative-agents\u002Ftree\u002Fmain\u002Fgame_simulation 下找到。\n\n## 模型\n\n当前模型是对 D&D 5e 入门冒险故事中 Phandalin 小镇的模拟。选择这一场景是因为它比原始论文中描述的简单情境更加自由开放。\n\n## 局限性\n\n如论文所述，该模型需要访问高质量的指令微调模型，例如 GPT-3。然而，该模型还需要大量高上下文相关的查询才能正常工作，因此运行成本较高。为此，在本工作中我们改用参数量较低、可在本地运行的模型。\n\n我们预计，随着下一代指令微调模型的出现，本仓库中的模型性能将进一步提升。\n\n## 未来计划\n\n* 将智能体决策总结为表情符号。\n* 构建一系列问题，以更好地压缩智能体上下文。\n* 检查是否可以通过另一层提示进一步优化智能体上下文的压缩效果。","# Generative Agents 快速上手指南\n\n本指南帮助中国开发者快速部署并运行基于大语言模型的人类行为模拟工具（Generative Agents）。该项目复现了论文《Generative Agents: Interactive Simulacra of Human Behavior》中的核心逻辑，当前版本模拟了 D&D 5e 冒险中的 Phandalin 小镇场景。\n\n## 环境准备\n\n### 系统要求\n- **硬件配置**：\n  - 推荐：16GB VRAM 显卡以获得最佳体验。\n  - 最低支持：\u003C8GB VRAM 的个人电脑或边缘计算设备（已针对低显存环境优化）。\n- **运行平台**：\n  - 本地运行：推荐安装 **Jupyter Lab**。\n  - 云端运行：直接支持 **Google Colab**，无需本地配置。\n\n### 前置依赖\n- Python 环境（建议 Python 3.8+）\n- Jupyter Lab 或 Google Colab 账号\n- 能够访问 Hugging Face 或本地部署的小参数量指令微调模型（因原版 GPT-3 成本过高，本项目采用本地可运行的低参数量模型替代）。\n\n## 安装步骤\n\n本项目以 Notebook 形式分发，无需复杂的 `pip install` 流程，主要通过克隆仓库和启动服务完成。\n\n1. **克隆项目仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fmkturkcan\u002Fgenerative-agents.git\n   cd generative-agents\n   ```\n\n2. **安装本地运行环境（仅限本地用户）**\n   如果选择在本地运行，请确保已安装 Jupyter Lab：\n   ```bash\n   pip install jupyterlab\n   ```\n   *注：若使用国内网络环境安装缓慢，可使用清华源加速：*\n   ```bash\n   pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple jupyterlab\n   ```\n\n3. **启动服务**\n   ```bash\n   jupyter lab\n   ```\n\n## 基本使用\n\n项目提供了不同稳定程度的 Notebook 文件，请根据需求选择入口。\n\n### 1. 选择运行脚本\n- **稳定版（推荐新手）**：\n  进入目录 `notebook\u002FRelease`，打开对应的 `.ipynb` 文件。这是目前最稳定的模型版本。\n  \n- **开发版（最新特性）**：\n  进入目录 `notebook\u002FWIP`，包含正在开发中的新功能，适合进阶测试。\n\n- **库文件（高级用法）**：\n  如需调用底层模拟库，可参考 `game_simulation` 目录下的代码。\n\n### 2. 执行模拟\n1. 在 Jupyter Lab 中打开选定的 Notebook 文件。\n2. 依次点击单元格运行（Run All），系统将自动加载本地小参数量模型。\n3. 等待初始化完成后，即可观察 Phandalin 小镇中代理（Agent）的自主行为与交互。\n\n> **提示**：如果在 Google Colab 上运行，直接将上述 Notebook 文件上传至 Colab 或使用 Colab 打开 GitHub 链接即可直接运行，无需执行本地安装步骤。","一位独立游戏开发者正在为一款开放世界 RPG 设计拥有自主行为的 NPC 群落，希望它们能像真人一样在虚拟小镇中生活、互动并产生 emergent 剧情。\n\n### 没有 generative-agents 时\n- 开发者必须手动编写成千上万行固定的对话树和行为脚本，NPC 只会机械地重复预设台词，缺乏生命力。\n- 想要模拟复杂的社交动态（如谣言传播或邻里冲突）几乎不可能，因为硬编码的逻辑无法覆盖所有突发的人际交互场景。\n- 每次调整 NPC 性格或背景故事都需要重构大量代码，迭代成本极高，导致测试新玩法的周期长达数周。\n- 为了维持基本的智能表现，往往需要调用昂贵的云端大模型 API，高昂的推理成本让个人开发者难以承担长期运行费用。\n- 本地低显存设备无法运行高质量的行为模拟，限制了开发环境的选择和原型的快速验证。\n\n### 使用 generative-agents 后\n- 开发者只需定义 NPC 的核心记忆与性格特征，generative-agents 即可利用本地小模型自动生成符合人设的动态对话与行为，无需手写脚本。\n- 系统自动模拟出逼真的社会网络，NPC 之间会自发形成友谊、敌对关系甚至组织活动，涌现出意想不到的有趣剧情。\n- 修改角色设定仅需更新自然语言描述的记忆库，generative-agents 即时反映变化，将内容迭代时间从数周缩短至几分钟。\n- 基于本地运行的低参数模型方案大幅降低了算力门槛，使得在普通消费级显卡上也能低成本地持续运行整个虚拟社会。\n- 支持在 8GB 显存的个人电脑上流畅运行，让开发者能够随时随地进行高频次的模拟测试与调试。\n\ngenerative-agents 通过将高成本的云端智能转化为可本地部署的低成本模拟，让独立开发者也能创造出拥有“灵魂”的虚拟世界。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmkturkcan_generative-agents_b0f8ebc7.png","mkturkcan","Mehmet Kerem Turkcan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmkturkcan_b294b931.jpg","Associate research scientist at Columbia University. Computer vision, LLMs, deep learning and computational neuroscience.","Columbia University","New York","mkt2126@columbia.edu",null,"http:\u002F\u002Fkeremturkcan.com\u002F","https:\u002F\u002Fgithub.com\u002Fmkturkcan",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",95.5,{"name":88,"color":89,"percentage":90},"Python","#3572A5",4.5,993,165,"2026-03-31T00:39:54","MIT","未说明","非绝对必需（支持本地低显存运行），推荐 16GB VRAM，最低支持 \u003C8GB VRAM 的个人电脑环境",{"notes":98,"python":95,"dependencies":99},"该工具主要以 Jupyter Notebook 形式分发，可直接在 Google Colab 上运行或在本地使用 Jupyter Lab 运行。模型设计初衷需高质量指令模型（如 GPT-3），但因成本问题，当前版本改用低参数、可本地运行的模型。预计未来随着新一代指令微调模型的出现，性能将提升。",[100,101],"Jupyter Lab","Google Colab (可选)",[13],[64,104],"autonomous-agents","2026-03-27T02:49:30.150509","2026-04-08T03:54:15.416452",[108,113,118,123,128,133],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},23643,"运行模型时出现内存不足（Out of Memory）错误，需要什么配置的 GPU？","根据测试，xl 模型（3B 参数）需要 16GB 显存的 GPU；large 模型（770M 参数）可以在 8GB 显存上运行，在 6GB 显存（如 RTX 3060）上也能运行但生成效果较差。如果本地显卡性能不足，建议升级硬件或使用云端服务（如 Colab、Kaggle 或 Paperspace Gradient），但需注意这些平台的免费版本可能无法满足性能需求。若强行使用小于 xl 的模型，可能会得到难以理解的结果。","https:\u002F\u002Fgithub.com\u002Fmkturkcan\u002Fgenerative-agents\u002Fissues\u002F5",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},23644,"加载模型 'declare-lab\u002Fflan-alpaca-xl' 时报 ValueError 错误怎么办？","该错误通常是因为环境中只安装了 TensorFlow 而未安装 PyTorch，而该模型仅支持 PyTorch。解决方法是在 conda 环境中卸载 TensorFlow（执行 `pip uninstall tensorflow`），然后重新运行代码，pipeline 会自动下载并加载正确的 PyTorch 版本模型。","https:\u002F\u002Fgithub.com\u002Fmkturkcan\u002Fgenerative-agents\u002Fissues\u002F9",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},23645,"程序运行约 40 分钟后自动停止，这是设计如此吗？如何让它运行更久？","是的，这是由代码中的循环次数限制的。在最后的 'Bring it all together' 代码块开头有一个循环：`for repeats in range(5):`，这意味着程序只会完整运行 5 次后停止。若需运行更长时间，可增加该数字；若需无限运行直到内存耗尽，可将其改为 `while True:`。","https:\u002F\u002Fgithub.com\u002Fmkturkcan\u002Fgenerative-agents\u002Fissues\u002F4",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},23646,"运行时出现 'IndexError: Replacement index 6 out of range for positional args tuple' 错误如何修复？","这是因为格式化字符串中的占位符数量与提供的参数不匹配。具体修复方法是：找到报错行中 `\"You are {}. {} You are planning to...\"` 的部分，删除第二个 `{}`（即 'You are {}.' 之后的那个多余占位符），使占位符数量与 `.format()` 中的参数一致即可解决。","https:\u002F\u002Fgithub.com\u002Fmkturkcan\u002Fgenerative-agents\u002Fissues\u002F3",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},23647,"没有本地 GPU 且没有 Google Colab 额度，可以使用 GPT API 运行此项目吗？","该项目是专门设计为在本地运行的，不支持直接切换到 GPT API。你需要一台配置足够好的本地机器（具备足够的 GPU 显存）来运行模型。如果没有相关硬件资源，可能需要考虑购买云服务实例或升级本地硬件。","https:\u002F\u002Fgithub.com\u002Fmkturkcan\u002Fgenerative-agents\u002Fissues\u002F13",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},23648,"当前代码是否完整实现了基于记忆的决策和动态规划功能？","当前实现并不完整。作者指出，该仓库并非原始论文的官方实现，完整的开源代码位于 https:\u002F\u002Fgithub.com\u002Fjoonspk-research\u002Fgenerative_agents。当前版本在基于记忆的行为调整、动态计划更新以及复杂的记忆检索（如近期性、情感强度等因子）方面尚未完全实现。如需研究完整的代理行为逻辑，建议参考原始论文的代码库。","https:\u002F\u002Fgithub.com\u002Fmkturkcan\u002Fgenerative-agents\u002Fissues\u002F12",[]]