[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-morsoli--llm-books":3,"tool-morsoli--llm-books":61},[4,18,26,36,44,53],{"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",150720,2,"2026-04-11T11:33:10",[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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"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":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":76,"owner_twitter":75,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":75,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":109},6696,"morsoli\u002Fllm-books","llm-books","利用LLM构建应用实践笔记","llm-books 是一本专注于大语言模型（LLM）应用开发的开源实践笔记，旨在帮助开发者系统掌握从理论到落地的全流程技能。它解决了 AI 初学者和从业者在面对碎片化技术信息时难以构建完整知识体系的痛点，提供了结构清晰、可动手实操的学习路径。\n\n内容涵盖大模型基础概述、LangChain 与 LlamaIndex 框架详解、RAG（检索增强生成）架构设计、Agent 智能体开发、LLMOps 运维体系以及国内主流大模型 API 接入指南等核心专题。特别值得一提的是，项目不仅包含代码实战案例，如文档问答机器人和企业知识库搭建，还新增了关于模型评估测试与多模态任务设计的深度章节，并支持通过 Docker 一键部署本地 GitBook 服务，方便离线阅读与学习。\n\n无论是希望入门 AI 应用开发的程序员、需要快速验证想法的技术研究者，还是想要了解行业前沿动态的产品经理，都能从中获得实用价值。llm-books 以通俗易懂的语言结合丰富的实战示例，让复杂的 LLM 技术变得触手可及，是通往生成式 AI 开发之路的优质伴读资料。","> 欢迎 star🌟 ，持续关注《LLM 应用开发实践笔记》\n\n我的新书[《LangChain编程从入门到实践》](https:\u002F\u002Fu.jd.com\u002FV8pkqFY) 已经开售！推荐正在学习AI应用开发的朋友购买阅读！\n\n[![LangChain编程从入门到实践](.\u002FLLMProjects\u002Fimages\u002Flangchain-book.jpg \"LangChain编程从入门到实践\")](https:\u002F\u002Fu.jd.com\u002FV8pkqFY)\n\n‼️‼️重要更新\n新增**LLM 应用评估与测试**、**RAG专题**、**国内模型厂商API解读** 3个章节\n\n\n## 本地阅读\n### 构建gitbook镜像(可选)\n下载本仓库后，执行`docker build . -t \u003Cimage:tag>`构建自定义镜像，也可以直接使用我构建好的镜像`morso1\u002Fgitbook-server:3.2.3`\n\n### 启动gitbook服务\n```bash\ncd llm-book\n\ndocker run --rm -v \"$PWD\u002FLLMProjects:\u002Fgitbook\" -p 4000:4000 morso1\u002Fgitbook-server:3.2.3 gitbook serve\n```\n本地打开4000端口开始阅读\n\n## 目录大纲\n\n* [前言](README.html)\n* 大语言模型概述\n    * [大语言模型概况](https:\u002F\u002Faitutor.liduos.com\u002F01-llm\u002F01-1.html)\n    * [你好, ChatGPT](https:\u002F\u002Faitutor.liduos.com\u002F01-llm\u002F01-2.html)\n    * [OpenAI 文档解读](https:\u002F\u002Faitutor.liduos.com\u002F01-llm\u002F01-3.html)\n    * [动手实现聊天机器人](https:\u002F\u002Faitutor.liduos.com\u002F01-llm\u002F01-4.html)\n    * [基于 OpenAI API 搭建一个端到端问答系统](https:\u002F\u002Faitutor.liduos.com\u002F01-llm\u002F01-5.html)\n    * [LLM 安全专题](https:\u002F\u002Faitutor.liduos.com\u002F01-llm\u002F01-6.html)\n* LangChain入门\n    * [LangChain介绍](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-1.html)\n\t* [LangChain模块学习](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-2.html)\n    * [LangChain之Chains模块](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-2-1.html)\n    * [LangChain之Agents模块](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-2-2.html)\n    * [LangChain之Callback模块](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-2-3.html)\n    * [Embedding嵌入](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-3.html)\n    * [动手实现文档问答机器人](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-4.html)\n* LlamaIndex 概述\n    * [LlamaIndex介绍](https:\u002F\u002Faitutor.liduos.com\u002F03-llamaIndex\u002F03-1.html)\n    * [LlamaIndex索引](https:\u002F\u002Faitutor.liduos.com\u002F03-llamaIndex\u002F03-2.html)\n    * [动手实现企业知识库](https:\u002F\u002Faitutor.liduos.com\u002F03-llamaIndex\u002F03-3.html)\n* HuggingGPT 实现\n    * [HuggingFace 介绍](https:\u002F\u002Faitutor.liduos.com\u002F04-huggingface\u002F04-1.html)\n    * [transformers 库基础组件](https:\u002F\u002Faitutor.liduos.com\u002F04-huggingface\u002F04-2.html)\n    * [多模态任务设计](https:\u002F\u002Faitutor.liduos.com\u002F04-huggingface\u002F04-3.html)\n    * [动手实现 HuggingGPT](https:\u002F\u002Faitutor.liduos.com\u002F04-huggingface\u002F04-4.html)\n* LLMOps 专题\n    * [LLMOps 介绍](https:\u002F\u002Faitutor.liduos.com\u002F06-llmops\u002F06-1.html)\n    * [Model 模型层](https:\u002F\u002Faitutor.liduos.com\u002F06-llmops\u002F06-2.html)\n    * [Prompt 提示层](https:\u002F\u002Faitutor.liduos.com\u002F06-llmops\u002F06-3.html)\n    * [狭义LLMOps](https:\u002F\u002Faitutor.liduos.com\u002F06-llmops\u002F06-4.html)\n* Agent 专题\n    * [Agent 介绍](https:\u002F\u002Faitutor.liduos.com\u002F07-agents\u002F07-1.html)\n    * [Agent 项目跟踪](https:\u002F\u002Faitutor.liduos.com\u002F07-agents\u002F07-2.html)\n    * [Multi-Agent 框架](https:\u002F\u002Faitutor.liduos.com\u002F07-agents\u002F07-3.html)\n* RAG专题\n    * [数据索引环节](https:\u002F\u002Faitutor.liduos.com\u002F08-rag\u002F08-1.html)\n    * [检索环节](https:\u002F\u002Faitutor.liduos.com\u002F08-rag\u002F08-2.html)\n    * [生成环节](https:\u002F\u002Faitutor.liduos.com\u002F08-rag\u002F08-3.html)\n* LLM 应用评估与测试\n    * [如何评估一个大语言模型](https:\u002F\u002Faitutor.liduos.com\u002F09-llm-evelation-test\u002F09-1.html)\n    * [基于大模型的Agent进行测试评估](https:\u002F\u002Faitutor.liduos.com\u002F09-llm-evelation-test\u002F09-2.html)\n    * [RAG系统效果评估](https:\u002F\u002Faitutor.liduos.com\u002F09-llm-evelation-test\u002F09-3.html)\n* 国内模型厂商API解读\n    * [六家大模型能力比较](https:\u002F\u002Faitutor.liduos.com\u002F10-china-llm\u002F10-01.html)\n    * [MiniMax大模型开发](https:\u002F\u002Faitutor.liduos.com\u002F10-china-llm\u002F10-02.html)\n    * [智谱AI大模型开发](https:\u002F\u002Faitutor.liduos.com\u002F10-china-llm\u002F10-03.html)\n    * [MoonShot大模型开发](https:\u002F\u002Faitutor.liduos.com\u002F10-china-llm\u002F10-04.html)\n- 基于大型语言模型的生成式AI\n  * [课程介绍](https:\u002F\u002Faitutor.liduos.com\u002F05-generative-ai-with-llms\u002F05-1.html)\n\n* 参考资料\n    * [A16Z推荐的AI学习清单](https:\u002F\u002Faitutor.liduos.com\u002Fref\u002Fa16z.html)\n    * [Prompt专题](https:\u002F\u002Faitutor.liduos.com\u002Fref\u002Fprompt.html)\n    * [一些课程资料汇总](https:\u002F\u002Faitutor.liduos.com\u002Fref\u002Fref.html)\n","> 欢迎 star🌟 ，持续关注《LLM 应用开发实践笔记》\n\n我的新书[《LangChain编程从入门到实践》](https:\u002F\u002Fu.jd.com\u002FV8pkqFY) 已经开售！推荐正在学习AI应用开发的朋友购买阅读！\n\n[![LangChain编程从入门到实践](.\u002FLLMProjects\u002Fimages\u002Flangchain-book.jpg \"LangChain编程从入门到实践\")](https:\u002F\u002Fu.jd.com\u002FV8pkqFY)\n\n‼️‼️重要更新\n新增**LLM 应用评估与测试**、**RAG专题**、**国内模型厂商API解读** 3个章节\n\n\n## 本地阅读\n### 构建gitbook镜像(可选)\n下载本仓库后，执行`docker build . -t \u003Cimage:tag>`构建自定义镜像，也可以直接使用我构建好的镜像`morso1\u002Fgitbook-server:3.2.3`\n\n### 启动gitbook服务\n```bash\ncd llm-book\n\ndocker run --rm -v \"$PWD\u002FLLMProjects:\u002Fgitbook\" -p 4000:4000 morso1\u002Fgitbook-server:3.2.3 gitbook serve\n```\n本地打开4000端口开始阅读\n\n## 目录大纲\n\n* [前言](README.html)\n* 大语言模型概述\n    * [大语言模型概况](https:\u002F\u002Faitutor.liduos.com\u002F01-llm\u002F01-1.html)\n    * [你好, ChatGPT](https:\u002F\u002Faitutor.liduos.com\u002F01-llm\u002F01-2.html)\n    * [OpenAI 文档解读](https:\u002F\u002Faitutor.liduos.com\u002F01-llm\u002F01-3.html)\n    * [动手实现聊天机器人](https:\u002F\u002Faitutor.liduos.com\u002F01-llm\u002F01-4.html)\n    * [基于 OpenAI API 搭建一个端到端问答系统](https:\u002F\u002Faitutor.liduos.com\u002F01-llm\u002F01-5.html)\n    * [LLM 安全专题](https:\u002F\u002Faitutor.liduos.com\u002F01-llm\u002F01-6.html)\n* LangChain入门\n    * [LangChain介绍](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-1.html)\n\t* [LangChain模块学习](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-2.html)\n    * [LangChain之Chains模块](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-2-1.html)\n    * [LangChain之Agents模块](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-2-2.html)\n    * [LangChain之Callback模块](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-2-3.html)\n    * [Embedding嵌入](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-3.html)\n    * [动手实现文档问答机器人](https:\u002F\u002Faitutor.liduos.com\u002F02-langchain\u002F02-4.html)\n* LlamaIndex 概述\n    * [LlamaIndex介绍](https:\u002F\u002Faitutor.liduos.com\u002F03-llamaIndex\u002F03-1.html)\n    * [LlamaIndex索引](https:\u002F\u002Faitutor.liduos.com\u002F03-llamaIndex\u002F03-2.html)\n    * [动手实现企业知识库](https:\u002F\u002Faitutor.liduos.com\u002F03-llamaIndex\u002F03-3.html)\n* HuggingGPT 实现\n    * [HuggingFace 介绍](https:\u002F\u002Faitutor.liduos.com\u002F04-huggingface\u002F04-1.html)\n    * [transformers 库基础组件](https:\u002F\u002Faitutor.liduos.com\u002F04-huggingface\u002F04-2.html)\n    * [多模态任务设计](https:\u002F\u002Faitutor.liduos.com\u002F04-huggingface\u002F04-3.html)\n    * [动手实现 HuggingGPT](https:\u002F\u002Faitutor.liduos.com\u002F04-huggingface\u002F04-4.html)\n* LLMOps 专题\n    * [LLMOps 介绍](https:\u002F\u002Faitutor.liduos.com\u002F06-llmops\u002F06-1.html)\n    * [Model 模型层](https:\u002F\u002Faitutor.liduos.com\u002F06-llmops\u002F06-2.html)\n    * [Prompt 提示层](https:\u002F\u002Faitutor.liduos.com\u002F06-llmops\u002F06-3.html)\n    * [狭义LLMOps](https:\u002F\u002Faitutor.liduos.com\u002F06-llmops\u002F06-4.html)\n* Agent 专题\n    * [Agent 介绍](https:\u002F\u002Faitutor.liduos.com\u002F07-agents\u002F07-1.html)\n    * [Agent 项目跟踪](https:\u002F\u002Faitutor.liduos.com\u002F07-agents\u002F07-2.html)\n    * [Multi-Agent 框架](https:\u002F\u002Faitutor.liduos.com\u002F07-agents\u002F07-3.html)\n* RAG专题\n    * [数据索引环节](https:\u002F\u002Faitutor.liduos.com\u002F08-rag\u002F08-1.html)\n    * [检索环节](https:\u002F\u002Faitutor.liduos.com\u002F08-rag\u002F08-2.html)\n    * [生成环节](https:\u002F\u002Faitutor.liduos.com\u002F08-rag\u002F08-3.html)\n* LLM 应用评估与测试\n    * [如何评估一个大语言模型](https:\u002F\u002Faitutor.liduos.com\u002F09-llm-evelation-test\u002F09-1.html)\n    * [基于大模型的Agent进行测试评估](https:\u002F\u002Faitutor.liduos.com\u002F09-llm-evelation-test\u002F09-2.html)\n    * [RAG系统效果评估](https:\u002F\u002Faitutor.liduos.com\u002F09-llm-evelation-test\u002F09-3.html)\n* 国内模型厂商API解读\n    * [六家大模型能力比较](https:\u002F\u002Faitutor.liduos.com\u002F10-china-llm\u002F10-01.html)\n    * [MiniMax大模型开发](https:\u002F\u002Faitutor.liduos.com\u002F10-china-llm\u002F10-02.html)\n    * [智谱AI大模型开发](https:\u002F\u002Faitutor.liduos.com\u002F10-china-llm\u002F10-03.html)\n    * [MoonShot大模型开发](https:\u002F\u002Faitutor.liduos.com\u002F10-china-llm\u002F10-04.html)\n- 基于大型语言模型的生成式AI\n  * [课程介绍](https:\u002F\u002Faitutor.liduos.com\u002F05-generative-ai-with-llms\u002F05-1.html)\n\n* 参考资料\n    * [A16Z推荐的AI学习清单](https:\u002F\u002Faitutor.liduos.com\u002Fref\u002Fa16z.html)\n    * [Prompt专题](https:\u002F\u002Faitutor.liduos.com\u002Fref\u002Fprompt.html)\n    * [一些课程资料汇总](https:\u002F\u002Faitutor.liduos.com\u002Fref\u002Fref.html)","# llm-books 快速上手指南\n\n本指南帮助开发者快速在本地部署并阅读《LLM 应用开发实践笔记》，涵盖大语言模型、LangChain、RAG、Agent 及国内模型 API 解读等核心内容。\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、macOS 或 Windows (需安装 WSL2 或 Docker Desktop)\n*   **核心依赖**：已安装 **Docker** 和 **Docker Compose**\n    *   验证安装：在终端运行 `docker --version`\n*   **网络环境**：由于拉取镜像可能需要访问 Docker Hub，建议配置国内镜像加速器（如阿里云、腾讯云、网易云等）以提升下载速度。\n\n## 安装步骤\n\n本项目采用容器化部署，无需安装 Python 或 Node.js 环境，只需通过 Docker 即可启动服务。\n\n### 1. 克隆项目仓库\n\n首先将代码仓库下载到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fliguodongiot\u002Fllm-book.git\ncd llm-book\n```\n\n### 2. 构建或拉取镜像\n\n您可以选择自行构建镜像，或直接使用作者预构建好的镜像（推荐，速度更快）。\n\n**方案 A：直接使用预构建镜像（推荐）**\n无需额外操作，后续启动命令将直接调用 `morso1\u002Fgitbook-server:3.2.3`。\n\n**方案 B：自定义构建镜像（可选）**\n如果需要定制环境，可执行以下命令构建：\n\n```bash\ndocker build . -t \u003Cimage:tag>\n```\n\n## 基本使用\n\n完成环境准备后，执行以下命令启动本地阅读服务。\n\n### 1. 启动 GitBook 服务\n\n在项目根目录下运行以下命令。该命令会将当前目录下的 `LLMProjects` 文件夹挂载到容器中，并将容器的 4000 端口映射到本地。\n\n```bash\ndocker run --rm -v \"$PWD\u002FLLMProjects:\u002Fgitbook\" -p 4000:4000 morso1\u002Fgitbook-server:3.2.3 gitbook serve\n```\n\n> **注意**：如果是 Windows PowerShell 环境，请将 `$PWD` 替换为 `${PWD}` 或当前绝对路径。\n\n### 2. 访问阅读页面\n\n服务启动成功后，打开浏览器访问：\n\n```text\nhttp:\u002F\u002Flocalhost:4000\n```\n\n您现在可以开始浏览包括 **LLM 应用评估与测试**、**RAG 专题**、**国内模型厂商 API 解读** 在内的最新章节内容。","某初创公司的后端工程师小张，正接到紧急任务：需要在两周内基于国内大模型 API 为公司搭建一套具备知识库问答功能的智能客服系统。\n\n### 没有 llm-books 时\n- **技术选型迷茫**：面对 LangChain、LlamaIndex 等多种框架不知如何取舍，且对国内六家主流大模型厂商的 API 差异缺乏直观对比，调研耗时极长。\n- **核心实现卡壳**：在构建 RAG（检索增强生成）系统时，不清楚数据索引、检索优化及生成环节的具体代码落地方案，导致 Demo 反复报错。\n- **评估体系缺失**：开发完成后，缺乏科学的测试方法来判断回答准确率，不知道如何设计针对 Agent 或 RAG 系统的量化评估指标。\n- **资料碎片严重**：需要在 GitHub、博客、官方文档间反复跳转查找零散信息，缺乏系统化的实战路径指引，学习曲线陡峭。\n\n### 使用 llm-books 后\n- **快速锁定方案**：直接查阅“国内模型厂商 API 解读”章节，迅速对比 MiniMax、智谱 AI 等能力差异，并依据\"RAG 专题”确定了最佳技术栈。\n- **代码即拿即用**：参考“动手实现企业知识库”和“动手实现文档问答机器人”章节，复用成熟的代码模板，三天内完成了核心功能原型。\n- **科学验证效果**：利用\"LLM 应用评估与测试”章节提供的方法论，建立了完整的测试流程，量化了系统回答的准确度并针对性优化。\n- **系统化进阶**：跟随从\"LangChain 入门”到\"Multi-Agent 框架”的结构化目录，按图索骥解决了开发中的深层逻辑问题，大幅降低试错成本。\n\nllm-books 将碎片化的 LLM 开发知识转化为可执行的实战路线图，帮助开发者从“盲目摸索”转向“高效交付”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmorsoli_llm-books_904fbc61.png","morsoli","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmorsoli_9f3f9d28.png","Stay curious🎈",null,"morsoli@163.com","liduos.com","https:\u002F\u002Fgithub.com\u002Fmorsoli",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",96.7,{"name":85,"color":86,"percentage":87},"Dockerfile","#384d54",3.3,767,52,"2026-04-10T13:50:04","Linux, macOS, Windows","未说明",{"notes":94,"python":92,"dependencies":95},"该项目本质为电子书文档仓库，本地阅读需依赖 Docker 环境。无需安装 Python 或 GPU，只需运行提供的 Docker 命令启动 GitBook 服务即可在浏览器（4000 端口）查看内容。",[96,97],"docker","morso1\u002Fgitbook-server:3.2.3",[52,14,35],[100,101,102,103,104,105],"chatgpt","chatgpt-api","langchain","llm","llmops","openai","2026-03-27T02:49:30.150509","2026-04-12T05:25:53.460776",[],[]]