[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-mxgmn--ConvChain":3,"tool-mxgmn--ConvChain":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",147882,2,"2026-04-09T11:32:47",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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":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":75,"owner_location":76,"owner_email":75,"owner_twitter":77,"owner_website":75,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":32,"env_os":88,"env_gpu":89,"env_ram":90,"env_deps":91,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":109},5844,"mxgmn\u002FConvChain","ConvChain","Bitmap generation from a single example with convolutions and MCMC","ConvChain 是一款基于卷积与马尔可夫链蒙特卡洛（MCMC）技术的开源图像生成工具。它的核心能力在于“举一反三”：仅需提供一张示例图片，就能自动生成大量在局部纹理和图案分布上与原作高度相似的新图像。\n\n该工具主要解决了传统程序化内容生成中样本依赖性强、难以保持风格一致性的难题。通过统计输入图像中 NxN 局部图案的出现频率，ConvChain 构建了一个能量模型，利用 Metropolis 或 Gibbs 采样算法不断演化图像状态，使生成结果的图案分布逐渐收敛至输入样本的统计特征。\n\nConvChain 特别适合游戏开发者、技术美术及研究人员使用。它不仅支持旋转与反射等数据增强，还引入了“温度”参数来灵活控制生成效果：低温模式下生成的内容结构严谨，适合构建精致的地牢或建筑；高温模式下则更加随机混沌，可用于表现废墟或自然噪点。此外，它支持约束条件，允许用户将手动绘制的内容与算法生成部分无缝结合。作为波形函数坍缩（WFC）算法的理论补充，ConvChain 为理解基于统计规律的纹理合成提供了简洁而强大的实践方案。","ConvChain is a Markov chain of images that converges to input-like images. That is, the distribution of NxN patterns in the outputs converges to the distribution of NxN patterns in the input as the process goes on.\n\nIn the examples a typical value of N is 3.\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_ConvChain_readme_24ecf6e63b44.png\">\u003C\u002Fp>\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_ConvChain_readme_4872991cd875.gif\">\u003C\u002Fp>\n\nHow to construct such a process? We want the final probability of a given pattern to be proportional to the pattern's weight, where pattern's weight is the number of such patterns in the input. For this it is sufficient that a stronger condition is satisfied: the probability of a given state (image) `S` should be proportional to the product of pattern weights over all patterns in `S`.\n```\np(S) ~ product of pattern weights over all patterns in S\n```\nFortunately, there are [general methods](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMarkov_chain_Monte_Carlo) to build a Markov chain that has the desired probability distribution over states as its stationary distribution.\n\nAdditional definitions:\n1. For the ease of reasoning about the algorithm, it's convenient to introduce an energy function `E`, `E(S) := - sum over all patterns P in S of log(weight(P))` so the probability distribution over states becomes `p(S) ~ exp(-E(S))`. Note that this energy function is a generalization of the [Ising model](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FIsing_model) energy. In the Ising model patterns are 1x2 instead of NxN.\n2. To expand possible applications, it's convenient to introduce a [temperature](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBoltzmann_distribution) parameter `T` so the probability distribution over states becomes `p(S) ~ exp(-E(S)\u002FT)`. Low temperatures make the distribution more concentrated in energy wells, high temperatures make the distribution more uniform. If one uses ConvChain to generate dungeons, low temperatures correspond to accurate newly built dungeons while high temperatures correspond to ruins.\n3. For the speed of convergence, it's convenient for weights of all patterns to be nonzero. So let's redefine the `weight(P)` of a pattern `P` to be the number of patterns `P` in the input if that number is more than zero and some small number `eps` otherwise, `0 \u003C eps \u003C 1`.\n\n## Algorithm\n1. Read the input image and count NxN patterns.\n\t1. (optional) Augment pattern data with rotations and reflections.\n2. Initialize the image (for example, with independent random values) in some state `S0`.\n3. Repeat the Metropolis step:\n\t1. Compute the energy `E` of the current state `S`.\n\t2. Choose a random pixel and change its value. Let's call the resulting state `S'`.\n\t3. Compute the energy `E'` of the state `S'`.\n\t4. Compare `E'` to `E`. If `E' \u003C E` assign the current state to be `E'`. Otherwise, assign the current state to be `E'` with probability `exp(-(E'-E)\u002FT)`.\n\nIf there are more than 2 colors, Gibbs sampling may converge faster than Metropolis:\n\n3. Repeat the Gibbs step: change the current state `S` to a state `S'` according to the probability distribution `p(S'|S) ~ exp(-E'\u002FT)`.\n\n## Comments\nConvChain supports constraints, so you can easily combine it with other generators or [handcrafted content](http:\u002F\u002Fi.imgur.com\u002FbyyKHre.gif).\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_ConvChain_readme_ef75f6a7dfac.gif\">\u003C\u002Fp>\n\nIn the language of [WFC readme](https:\u002F\u002Fgithub.com\u002Fmxgmn\u002FWaveFunctionCollapse) ConvChain satisfies strong condition 2 (Strong C2), but not condition 1 (C1).\n\nIf you freeze out the system as the Metropolis simulation goes on, you'll get a variant of the [simulated annealing](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSimulated_annealing#Acceptance_probabilities_2) algorithm.\n\nThe [detailed balance](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDetailed_balance#Reversible_Markov_chains) condition for ConvChain is `exp(-E1\u002FT)p(S2|S1) = exp(-E2\u002FT)p(S1|S2)`, so both Gibbs `p(S2|S1) ~ exp(-E2\u002FT)` and Metropolis `p(S2|S1) = min(1, exp(-(E2-E1)\u002FT))` chains converge to the desired distribution over states.\n\n## Related work\n1. Stuart Geman and Donald Geman, [Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images](http:\u002F\u002Fimage.diku.dk\u002Fimagecanon\u002Fmaterial\u002FGemanPAMI84.pdf), 1984.\n2. Kris Popat and Rosalind W. Picard, [Novel cluster-based probability model for texture synthesis, classiffcation, and compression](https:\u002F\u002Fpdfs.semanticscholar.org\u002F9929\u002Fe48e11e7fa6a8f8f78889798b2b1ccd68a36.pdf), 1993.\n3. Rupert Paget and I. Dennis Longstaf, [Texture Synthesis via a Non-parametric Markov Random Field](http:\u002F\u002Fwww.texturesynthesis.com\u002Fpapers\u002FPaget_DICTA_1995.pdf), 1995.\n4. Vivek Kwatra, Irfan Essa, Aaron Bobick and Nipun Kwatra, [Texture Optimization for Example-based Synthesis](https:\u002F\u002Fwww.cc.gatech.edu\u002Fcpl\u002Fprojects\u002Ftextureoptimization\u002F), 2005.\n\n## How to build\nConvChain is a console application that depends only on the standard library. Get .NET Core for Windows, Linux or macOS and run\n```\ndotnet run --configuration Release ConvChain.csproj\n```\n`ConvChain.cs` contains the basic program, `ConvChainFast.cs` contains an equivalent faster program (~100 times faster on a 4-core CPU), but in a less human-readable form.\n\n## Notable ports, forks and spinoffs\n* [Kevin Chapelier](https:\u002F\u002Fgithub.com\u002Fkchapelier) made an interactive vanilla JavaScript [port](http:\u002F\u002Fwww.kchapelier.com\u002Fconvchain-demo\u002Fcontinuous.html) of the faster version and a [1KB adaptation](https:\u002F\u002Fjs1k.com\u002F2019-x\u002Fdemo\u002F4069) of it.\n* [Amit](https:\u002F\u002Fgithub.com\u002Famitp) [Patel](https:\u002F\u002Fgithub.com\u002Fredblobgames) made a [web port](http:\u002F\u002Fwww.redblobgames.com\u002Fx\u002F1613-convchain\u002F) of the older slower version, with the main algorithm ported to TypeScript.\n* [buckle2000](https:\u002F\u002Fgithub.com\u002Fbuckle2000) made a [Processing (Java) port](https:\u002F\u002Fgithub.com\u002Fbuckle2000\u002FConvChainJava) and a [MoonScript port](https:\u002F\u002Fgithub.com\u002Fbuckle2000\u002FConvChainMoon).\n* Kevin Chapelier [adapted](https:\u002F\u002Fgithub.com\u002Fkchapelier\u002Fconvchain-gpu) ConvChain to run on a GPU and made an interactive [WebGL2 demo](http:\u002F\u002Fwww.kchapelier.com\u002Fconvchain-gpu-demo\u002Fcontinuous-example.html).\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_ConvChain_readme_c691ad7f792a.png\">\u003C\u002Fp>\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_ConvChain_readme_c044505ccfc8.png\">\u003C\u002Fp>\n","ConvChain 是一种图像马尔可夫链，它会收敛到与输入图像相似的图像。也就是说，随着过程的进行，输出中 NxN 模式的分布会逐渐趋同于输入中 NxN 模式的分布。\n\n在示例中，N 的典型值为 3。\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_ConvChain_readme_24ecf6e63b44.png\">\u003C\u002Fp>\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_ConvChain_readme_4872991cd875.gif\">\u003C\u002Fp>\n\n那么，如何构建这样一个过程呢？我们希望某个特定模式出现的概率与其权重成正比，而模式的权重则定义为该模式在输入中出现的次数。为此，只需满足一个更强的条件：即给定状态（图像）`S` 的概率应与 `S` 中所有模式权重的乘积成正比。\n```\np(S) ~ 所有在 S 中的模式权重之积\n```\n幸运的是，存在一些[通用方法](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMarkov_chain_Monte_Carlo)，可以用来构建一个马尔可夫链，使其稳态分布恰好是所需的各状态概率分布。\n\n补充定义：\n1. 为了便于分析算法，我们引入一个能量函数 `E`，定义为 `E(S) := - ∑ 在 S 中的所有模式 P 的 log(weight(P))`，这样状态的概率分布就变为 `p(S) ~ exp(-E(S))`。需要注意的是，这个能量函数是[伊辛模型](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FIsing_model)能量的推广。在伊辛模型中，模式是 1x2 大小，而不是 NxN。\n2. 为了扩展可能的应用场景，我们引入一个[温度](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBoltzmann_distribution)参数 `T`，于是状态的概率分布变为 `p(S) ~ exp(-E(S)\u002FT)`。低温会使分布更集中在低能量区域，而高温则使分布更加均匀。如果使用 ConvChain 来生成地牢，低温对应于新建且结构清晰的地牢，而高温则对应于废墟般的场景。\n3. 为了加快收敛速度，所有模式的权重都应非零。因此，我们将模式 `P` 的权重重新定义为：若该模式在输入中出现次数大于零，则权重等于其出现次数；否则，权重设为一个小的常数 `eps`，其中 `0 \u003C eps \u003C 1`。\n\n## 算法\n1. 读取输入图像并统计 NxN 模式。\n\t1. （可选）通过旋转和反射扩充模式数据。\n2. 初始化图像（例如，用独立随机值）为某个状态 `S0`。\n3. 重复梅特罗波利斯步骤：\n\t1. 计算当前状态 `S` 的能量 `E`。\n\t2. 随机选择一个像素并改变其值，得到新的状态 `S'`。\n\t3. 计算状态 `S'` 的能量 `E'`。\n\t4. 比较 `E'` 和 `E`。如果 `E' \u003C E`，则将当前状态更新为 `S'`；否则，以概率 `exp(-(E'-E)\u002FT)` 决定是否接受 `S'`。\n\n如果颜色超过两种，吉布斯采样可能会比梅特罗波利斯更快地收敛：\n\n3. 重复吉布斯步骤：根据概率分布 `p(S'|S) ~ exp(-E'\u002FT)`，将当前状态 `S` 更新为状态 `S'`。\n\n## 注释\nConvChain 支持约束条件，因此可以轻松与其他生成器或[手工制作的内容](http:\u002F\u002Fi.imgur.com\u002FbyyKHre.gif)结合使用。\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_ConvChain_readme_ef75f6a7dfac.gif\">\u003C\u002Fp>\n\n用[WFC 自述文件](https:\u002F\u002Fgithub.com\u002Fmxgmn\u002FWaveFunctionCollapse)中的术语来说，ConvChain 满足强条件 2（Strong C2），但不满足条件 1（C1）。\n\n如果在梅特罗波利斯模拟过程中冻结系统，就会得到一种[模拟退火](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSimulated_annealing#Acceptance_probabilities_2)算法的变体。\n\n对于 ConvChain，[细致平衡](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDetailed_balance#Reversible_Markov_chains)条件为 `exp(-E1\u002FT)p(S2|S1) = exp(-E2\u002FT)p(S1|S2)`，因此无论是吉布斯链 `p(S2|S1) ~ exp(-E2\u002FT)` 还是梅特罗波利斯链 `p(S2|S1) = min(1, exp(-(E2-E1)\u002FT))`，都能收敛到期望的状态分布。\n\n## 相关工作\n1. 斯图尔特·盖曼和唐纳德·盖曼，《随机松弛、吉布斯分布与图像的贝叶斯恢复》，1984年。\n2. 克里斯·波帕特和罗莎琳德·W·皮卡德，《基于聚类的概率模型在纹理合成、分类和压缩中的应用》，1993年。\n3. 鲁珀特·佩吉特和 I. 丹尼斯·朗斯塔夫，《基于非参数马尔可夫随机场的纹理合成》，1995年。\n4. 维韦克·夸特拉、伊尔凡·埃萨、亚伦·鲍比克和尼普恩·夸特拉，《基于示例的纹理优化合成》，2005年。\n\n## 如何构建\nConvChain 是一个仅依赖标准库的控制台应用程序。获取适用于 Windows、Linux 或 macOS 的 .NET Core，然后运行：\n```\ndotnet run --configuration Release ConvChain.csproj\n```\n`ConvChain.cs` 包含基本程序，而 `ConvChainFast.cs` 则包含一个等效但更快的版本（在四核 CPU 上大约快 100 倍），不过代码可读性稍差。\n\n## 著名移植、分支及衍生作品\n* [凯文·沙佩利耶](https:\u002F\u002Fgithub.com\u002Fkchapelier) 将快速版本移植为交互式的原生 JavaScript 版本，并制作了一个[1KB 的精简版](https:\u002F\u002Fjs1k.com\u002F2019-x\u002Fdemo\u002F4069)。\n* [阿米特](https:\u002F\u002Fgithub.com\u002Famitp) 和 [帕特尔](https:\u002F\u002Fgithub.com\u002Fredblobgames) 将旧版慢速版本移植到网页上，主算法被转换为 TypeScript。\n* [buckle2000](https:\u002F\u002Fgithub.com\u002Fbuckle2000) 制作了[Processing (Java) 移植版](https:\u002F\u002Fgithub.com\u002Fbuckle2000\u002FConvChainJava)以及[MoonScript 移植版](https:\u002F\u002Fgithub.com\u002Fbuckle2000\u002FConvChainMoon)。\n* 凯文·沙佩利耶还将 ConvChain 适配到 GPU 上运行，并制作了一个交互式的[WebGL2 示例](http:\u002F\u002Fwww.kchapelier.com\u002Fconvchain-gpu-demo\u002Fcontinuous-example.html)。\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_ConvChain_readme_c691ad7f792a.png\">\u003C\u002Fp>\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_ConvChain_readme_c044505ccfc8.png\">\u003C\u002Fp>","# ConvChain 快速上手指南\n\nConvChain 是一个基于马尔可夫链的图像生成工具，能够根据输入图像的局部模式（NxN 像素块）分布，生成具有相似纹理特征的新图像。它常用于程序化内容生成（如地形、纹理、地牢等）。\n\n## 环境准备\n\n*   **操作系统**：Windows、Linux 或 macOS\n*   **运行环境**：.NET Core SDK (推荐 .NET 6 或更高版本)\n    *   国内开发者可通过 [清华大学开源软件镜像站](https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fdotnet\u002F) 或 [.NET 官网](https:\u002F\u002Fdotnet.microsoft.com\u002Fdownload) 下载安装包。\n*   **依赖库**：无第三方依赖，仅使用 .NET 标准库。\n\n## 安装步骤\n\nConvChain 无需传统意义上的“安装”，只需克隆源码并编译运行即可。\n\n1.  **获取源码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fmxgmn\u002FConvChain.git\n    cd ConvChain\n    ```\n\n2.  **验证环境**\n    确保 `dotnet` 命令可用：\n    ```bash\n    dotnet --version\n    ```\n\n3.  **编译与运行**\n    项目包含两个主要实现：`ConvChain.cs`（易读版）和 `ConvChainFast.cs`（高性能版，速度快约 100 倍）。推荐使用高性能版。\n\n    执行以下命令构建并运行发布版本：\n    ```bash\n    dotnet run --configuration Release ConvChain.csproj\n    ```\n    *(注：默认配置可能运行基础版本，若需强制运行快速版本，请查阅项目代码中的入口点配置或直接编译 `ConvChainFast.cs`)*\n\n## 基本使用\n\nConvChain 是一个控制台应用程序。虽然 README 未详细列出命令行参数（通常需在代码中调整或通过参数传递输入\u002F输出路径），但其核心工作流程如下：\n\n1.  **准备输入图像**\n    准备一张作为“样本”的图片（例如纹理图、地图块），程序将统计其中 NxN（通常为 3x3）的像素模式分布。\n\n2.  **运行生成**\n    在项目根目录运行程序。程序会读取默认输入（具体文件名需在代码或参数中指定，通常为当前目录下的图片），通过 Metropolis-Hastings 算法或 Gibbs 采样进行迭代，最终输出收敛后的图像。\n\n    **最简单的运行示例：**\n    ```bash\n    dotnet run --configuration Release\n    ```\n\n3.  **高级特性提示**\n    *   **温度参数 (Temperature)**：控制生成的多样性。低温生成结果更接近原图结构（适合新建地牢），高温则更随机（适合废墟效果）。\n    *   **约束支持**：支持固定部分像素，可与其他生成器或手工绘制的内容结合使用。\n    *   **多语言移植**：如果偏好其他语言，社区已有 JavaScript、TypeScript、Java 及 GPU (WebGL2) 版本的移植，可在相关 Fork 项目中找到。\n\n> **提示**：由于该项目较老且为演示性质，具体的输入\u002F输出文件名可能需要直接修改 `ConvChain.cs` 或 `ConvChainFast.cs` 源码中的硬编码路径，或者在运行时通过命令行参数传入（取决于具体构建配置）。建议先查看源码头部确认文件读取逻辑。","一位独立游戏开发者正在为一款复古像素风地牢探险游戏快速生成大量风格统一的地图素材。\n\n### 没有 ConvChain 时\n- **手工绘制效率低下**：美术人员需要逐像素手绘每一张地图变体，耗时极长且难以应对程序化生成的海量需求。\n- **风格一致性难保证**：不同设计师或算法生成的地图在纹理细节（如墙壁砖块排列、地面杂草分布）上差异巨大，破坏游戏沉浸感。\n- **缺乏可控的随机性**：传统噪声算法生成的地图虽然随机，但无法保留输入样本中特有的局部结构逻辑（如特定的转角装饰或路径连接方式）。\n- **难以融合人工设计**：若想将手工精心设计的核心区域与随机生成的周边区域无缝拼接，往往会出现明显的视觉断层或违和感。\n\n### 使用 ConvChain 后\n- **单图驱动批量生产**：仅需提供一张典型的手绘小地图作为输入，ConvChain 即可基于马尔可夫链自动演化出无数张具有相同统计特征的新地图。\n- **完美复刻局部纹理**：通过计算 NxN 图案的分布概率，生成的地图在微观结构上与原图高度一致，确保了整体艺术风格的严格统一。\n- **温度参数调控场景氛围**：利用“温度”参数灵活调整生成结果，低温可生成结构严谨的新建地牢，高温则自然演变为破败混乱的古代遗迹。\n- **支持约束条件混合生成**：开发者可以固定部分关键区域（如玩家出生点或 Boss 房），让 ConvChain 仅对剩余区域进行填充，实现人工设计与自动生成的无缝融合。\n\nConvChain 的核心价值在于它将“从单一示例中学习并无限扩展”的能力赋予了对纹理和结构敏感的图像生成任务，极大地降低了高质量程序化内容的创作门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmxgmn_ConvChain_24ecf6e6.png","mxgmn","Maxim Gumin","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmxgmn_b05630cd.jpg",null,"Helsinki","ExUtumno","https:\u002F\u002Fgithub.com\u002Fmxgmn",[80],{"name":81,"color":82,"percentage":83},"C#","#178600",100,769,46,"2026-03-10T21:09:51","NOASSERTION","Windows, Linux, macOS","非必需。主程序仅需 CPU 运行；另有社区开发的 GPU 加速版本（convchain-gpu）支持 WebGL2 或通用 GPU 计算，但 README 未指定具体显卡型号、显存或 CUDA 版本要求。","未说明",{"notes":92,"python":93,"dependencies":94},"该工具是基于 .NET Core 的控制台应用程序，仅依赖标准库，无需安装额外的第三方包。构建时需安装 .NET Core 并运行 'dotnet run' 命令。README 中提到了更快的 C# 实现版本（ConvChainFast.cs）以及由社区移植的 JavaScript、Java 和 GPU 版本。","不需要 Python",[95],".NET Core SDK",[14],[98,99,100,101,102,103,104,105],"procedural-generation","machine-learning","gamedev","texture-synthesis","mcmc","algorithm","convchain","csharp","2026-03-27T02:49:30.150509","2026-04-09T21:06:53.457487",[],[]]