nautilus_trader
NautilusTrader 是一个开源的、可用于生产环境的交易引擎,专为多资产、多市场的量化交易系统设计。它采用 Rust 语言构建核心引擎,确保高性能与内存安全,同时通过 Python 提供策略编写、系统配置和流程编排的灵活性。这种架构将底层执行的确定性与上层逻辑的易用性结合起来,解决了传统量化系统在回测与实盘之间行为不一致、性能不足或扩展困难的问题。
NautilusTrader 特别适合量化开发者、算法交易研究员以及需要构建可靠自动化交易系统的团队使用。普通用户或非技术背景人员则不太适合直接使用。其核心技术亮点在于事件驱动的确定性架构——这意味着无论是在历史数据回测、仿真模拟还是实盘交易中,系统的行为都高度一致,极大提升了策略开发的可信度和部署效率。此外,项目对主流操作系统和 Python 最新版本均有良好支持,文档和社区资源也较为完善。
使用场景
一家量化私募团队正在开发一套跨市场套利策略,需同时对接加密货币交易所和传统期货市场,对系统稳定性、执行速度和回测真实性要求极高。
没有 nautilus_trader 时
- 团队用 Python 自研交易框架,回测与实盘逻辑不一致,经常出现“回测盈利、实盘亏损”的偏差。
- 多交易所订单管理混乱,缺乏统一的事件驱动架构,订单状态同步延迟高,易造成重复下单或漏单。
- 系统性能瓶颈明显,在高频行情下 CPU 占用飙升,难以支撑低延迟策略。
- 缺乏确定性仿真能力,无法精确复现历史场景进行策略调试。
- Rust 或 C++ 编写的高性能模块与 Python 策略层耦合复杂,维护成本高。
使用 nautilus_trader 后
- 借助其确定性事件驱动架构,回测、仿真与实盘共用同一套核心逻辑,彻底消除策略表现差异。
- 内置多资产、多交易所适配器,统一订单生命周期管理,确保跨市场指令精准同步。
- 核心引擎基于 Rust 编写,吞吐量高、延迟低,轻松应对毫秒级行情处理需求。
- 支持基于真实行情数据的确定性回放仿真,便于复现极端市场条件下的策略行为。
- Python 作为控制平面专注策略编写,底层由 nautilus_trader 高效执行,开发与运维效率显著提升。
nautilus_trader 以生产级可靠性打通了从研究到实盘的全链路,让量化团队专注策略本身而非基础设施。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
| 分支 | 版本 | 状态 |
|---|---|---|
master |
||
nightly |
||
develop |
| 平台 | Rust | Python |
|---|---|---|
Linux (x86_64) |
1.94.1 | 3.12-3.14 |
Linux (ARM64) |
1.94.1 | 3.12-3.14 |
macOS (ARM64) |
1.94.1 | 3.12-3.14 |
Windows (x86_64) |
1.94.1 | 3.12-3.14 |
简介
NautilusTrader 是一个开源的、可用于生产环境的、原生基于 Rust 的多资产(multi-asset)、多交易场所(multi-venue)交易系统引擎。
该系统在单一事件驱动架构内,覆盖研究(research)、确定性仿真(deterministic simulation)和实盘执行(live execution)。Python 作为控制平面(control plane),用于策略逻辑、配置和编排。
这种分离方式结合了编译型交易引擎的性能与安全性,以及 Python 在系统组合和策略开发方面的灵活性。对于任务关键型工作负载,交易系统也可以完全使用 Rust 编写。
研究环境和实盘环境采用相同的执行语义和确定性时间模型。策略从研究到生产部署无需修改代码,实现了“研究即生产”(research-to-live parity),减少了通常因环境差异而引入的部署风险。
NautilusTrader 对资产类别无依赖(asset-class-agnostic)。任何提供 REST API 或 WebSocket 数据流的交易场所均可通过模块化适配器(modular adapters)集成。当前已支持的集成包括加密货币交易所(中心化 CEX 和去中心化 DEX)、传统金融市场(外汇 FX、股票 equities、期货 futures、期权 options)以及博彩交易所(betting exchanges)。

功能特性
- 高性能:基于 Rust 核心,使用 tokio 实现异步网络通信。
- 高可靠:由 Rust 提供类型安全(type-safety)和线程安全(thread-safety),并可选支持基于 Redis 的状态持久化。
- 可移植:支持 Linux、macOS 和 Windows,可通过 Docker 部署。
- 高灵活:模块化适配器可集成任意 REST API 或 WebSocket 数据源。
- 功能强大:支持多种有效时间类型(Time in force)如
IOC、FOK、GTC、GTD、DAY、AT_THE_OPEN、AT_THE_CLOSE,高级订单类型及条件触发;支持执行指令如post-only、reduce-only和冰山订单(icebergs);支持关联订单(contingency orders),包括OCO、OUO、OTO。 - 高度可定制:支持用户自定义组件,或利用缓存(cache)和消息总线(message bus)从零构建完整系统。
- 回测能力:支持多交易场所、多金融工具(instruments)和多策略同时运行,使用历史报价 tick、成交 tick、K 线(bar)、订单簿(order book)及自定义数据,时间精度达纳秒级。
- 实盘一致性:研究与实盘部署使用完全相同的策略实现。
- 多交易场所支持:可同时在多个交易场所运行做市(market-making)和跨场所策略。
- AI 训练友好:引擎速度足够快,可用于训练 AI 交易智能体(如强化学习 RL / 进化策略 ES)。

nautilus(鹦鹉螺)——源自古希腊语 'sailor'(水手)和 naus(船)。
鹦鹉螺壳由多个模块化腔室组成,其生长因子近似对数螺旋。 这一理念可延伸至设计与建筑的美学之中。
为什么选择 NautilusTrader?
交易策略研究通常使用 Python 并采用向量化(vectorized)方法进行,而生产环境的交易系统则通常使用编译型语言并基于事件驱动架构(event-driven architecture)单独实现。
NautilusTrader 消除了这种割裂。
其原生 Rust 核心为研究和实盘执行提供了一个确定性的事件驱动运行时(runtime),而 Python 则作为控制平面(control plane)。相同的架构、执行语义和时间模型在两种环境中一致运行,使得策略可以从研究阶段无缝迁移到生产环境,无需重新实现。
项目通过 PyO3 提供 Python 绑定,并正在从 Cython 迁移中。安装时无需 Rust 工具链。
本项目作出 Soundness Pledge(健全性承诺):
“本项目的意图是杜绝健全性(soundness)漏洞。
开发者将尽最大努力避免此类问题,并欢迎社区协助分析和修复。”
[!NOTE]
MSRV(最低支持 Rust 版本):NautilusTrader 严重依赖 Rust 语言和编译器的改进。
因此,最低支持 Rust 版本(Minimum Supported Rust Version, MSRV)通常等同于 Rust 的最新稳定版。
集成
NautilusTrader 采用模块化设计,通过 适配器(adapters) 实现与交易场所和数据提供商的连接,将它们原始的 API 转换为统一的接口和标准化的领域模型。
目前支持以下集成;详情请参阅 docs/integrations/:
| 名称 | ID | 类型 | 状态 | 文档 |
|---|---|---|---|---|
| AX Exchange | AX |
永续合约交易所 | 指南 | |
| Architect | ARCHITECT |
经纪商(多市场) | - | |
| Betfair | BETFAIR |
体育博彩交易所 | 指南 | |
| Binance | BINANCE |
加密货币交易所(CEX) | 指南 | |
| BitMEX | BITMEX |
加密货币交易所(CEX) | 指南 | |
| Bybit | BYBIT |
加密货币交易所(CEX) | 指南 | |
| Databento | DATABENTO |
数据提供商 | 指南 | |
| Deribit | DERIBIT |
加密货币交易所(CEX) | 指南 | |
| dYdX | DYDX |
加密货币交易所(DEX) | 指南 | |
| Hyperliquid | HYPERLIQUID |
加密货币交易所(DEX) | 指南 | |
| Interactive Brokers | INTERACTIVE_BROKERS |
经纪商(多市场) | 指南 | |
| Kraken | KRAKEN |
加密货币交易所(CEX) | 指南 | |
| OKX | OKX |
加密货币交易所(CEX) | 指南 | |
| Polymarket | POLYMARKET |
预测市场(DEX) | 指南 | |
| Tardis | TARDIS |
加密货币数据提供商 | 指南 |
- ID:集成适配器客户端的默认客户端 ID。
- 类型:集成的类型(通常是交易场所类型)。
状态说明
planned:计划在未来开发。building:正在构建中,可能尚不可用。beta:已达到最小可用状态,处于 Beta 测试阶段。stable:功能集和 API 已稳定,该集成已由开发者和用户进行了合理程度的测试(仍可能存在一些 bug)。
更多详情请参阅 集成文档。
路线图
路线图 概述了 NautilusTrader 的战略方向。
当前重点包括完成原生 Rust 核心、改进文档以及提升代码易用性(ergonomics)。
该开源项目聚焦于面向个人及小型量化交易团队的单节点回测与实盘交易。
UI 仪表盘、分布式编排(distributed orchestration)以及内置 AI/ML 工具不在项目范围内,以确保核心引擎和生态系统的可持续发展。
新的集成提案应首先提交 RFC(Request for Comments)议题,讨论其适用性后再提交 PR。
相关指南请参阅 社区贡献的集成。
版本与发布
[!WARNING]
NautilusTrader 仍处于积极开发阶段。某些功能可能尚未完成,尽管 API 正在趋于稳定,但在不同版本之间仍可能发生破坏性变更(breaking changes)。 我们会尽最大努力(best-effort basis)在发布说明中记录这些变更。
我们目标是遵循每两周一次的发布节奏,但实验性或较大的功能可能会导致延迟。
分支
我们力求在所有分支上保持构建稳定并通过测试。
master:反映最新已发布版本的源代码;推荐用于生产环境。nightly:每日从develop分支生成的快照,用于早期测试;每天 14:00 UTC 合并,必要时也会额外合并。develop:活跃的开发分支,供贡献者进行功能开发。
[!NOTE]
我们的 路线图 目标是在 2.x 版本实现稳定的 API(很可能在完成 Rust 移植之后)。 达成该里程碑后,我们将为任何 API 变更实施正式的弃用流程(deprecation process)。 当前这种做法使我们能够保持快速的开发节奏。
精度模式
NautilusTrader 为其核心数值类型(Price、Quantity、Money)支持两种精度模式,它们在内部位宽和最大小数精度方面有所不同。
- 高精度(High-precision):使用 128 位整数,最多支持 16 位小数,且数值范围更大。
- 标准精度(Standard-precision):使用 64 位整数,最多支持 9 位小数,数值范围较小。
[!NOTE]
默认情况下,官方提供的 Python wheel 在 Linux 和 macOS 上以高精度(128 位)模式发布。 在 Windows 上,仅提供标准精度(64 位)的 Python wheel,因为 MSVC 的 C/C++ 前端不支持
__int128,导致 Cython/FFI 层无法处理 128 位整数。对于纯 Rust crate,高精度模式可在所有平台(包括 Windows)上正常工作,因为 Rust 通过软件模拟支持
i128/u128。除非显式启用high-precision功能标志(feature flag),否则默认使用标准精度。
更多详情请参阅 安装指南。
Rust 功能标志:要在 Rust 中启用高精度模式,请在 Cargo.toml 中添加 high-precision 功能:
[dependencies]
nautilus_model = { version = "*", features = ["high-precision"] }
安装
我们建议使用最新受支持的 Python 版本,并在虚拟环境中安装 nautilus_trader 以隔离依赖项。
支持以下两种安装方式:
- 从 PyPI 或 Nautech Systems 软件包索引安装预编译的二进制 wheel。
- 从源码构建。
[!TIP]
我们强烈推荐使用 uv 包管理器配合“原生”CPython 进行安装。
Conda 和其他 Python 发行版可能可以工作,但未被官方支持。
从 PyPI 安装
使用 Python 的 pip 包管理器从 PyPI 安装最新的二进制 wheel(或 sdist 包):
pip install -U nautilus_trader
可通过“extras”安装可选依赖项以支持特定集成(例如 betfair、docker、dydx、ib、polymarket、visualization):
pip install -U "nautilus_trader[docker,ib]"
完整的 extras 列表请参阅 安装指南。
来自 Nautech Systems 软件包索引
Nautech Systems 软件包索引(packages.nautechsystems.io)符合 PEP-503 规范,托管了 nautilus_trader 的稳定版和开发版二进制 wheel 包。
这使得用户可以安装最新稳定版本或用于测试的预发布版本。
稳定版 wheel 包
稳定版 wheel 包对应于 PyPI 上 nautilus_trader 的官方发布版本,并使用标准版本号。
安装最新稳定版:
pip install -U nautilus_trader --index-url=https://packages.nautechsystems.io/simple
[!TIP]
如果希望 pip 在找不到包时自动回退到 PyPI,请使用
--extra-index-url而非--index-url。
开发版 wheel 包
开发版 wheel 包从 nightly 和 develop 分支发布,
允许用户在稳定版本发布前测试新功能和修复。
该流程还有助于节省计算资源,并提供对 CI(持续集成)流水线中所测试的精确二进制文件的便捷访问,
同时遵循 PEP-440 版本规范:
develop分支的 wheel 使用版本格式dev{日期}+{构建编号}(例如:1.208.0.dev20241212+7001)。nightly分支的 wheel 使用版本格式a{日期}(alpha,例如:1.208.0a20241212)。
| 平台 | Nightly | Develop |
|---|---|---|
Linux (x86_64) |
✓ | ✓ |
Linux (ARM64) |
✓ | - |
macOS (ARM64) |
✓ | - |
Windows (x86_64) |
✓ | ✓ |
注意:develop 分支的开发版 wheel 仅针对 Linux x86_64 和 Windows 发布。
macOS 和 Linux ARM64 的构建安排在 nightly(每日)计划中运行,以保持 CI 反馈速度。
[!WARNING]
我们不建议在生产环境(例如控制真实资金的实盘交易)中使用开发版 wheel 包。
安装命令
默认情况下,pip 会安装最新的稳定版本。添加 --pre 标志可确保 pip 考虑预发布版本(包括开发版 wheel)。
安装最新的可用预发布版本(含开发版 wheel):
pip install -U nautilus_trader --pre --index-url=https://packages.nautechsystems.io/simple
安装特定的开发版 wheel(例如 1.221.0a20251026 表示 2025 年 10 月 26 日的版本):
pip install nautilus_trader==1.221.0a20251026 --index-url=https://packages.nautechsystems.io/simple
可用版本
你可以在 软件包索引 页面查看所有可用的 nautilus_trader 版本。
通过命令行程序化获取并列出所有可用版本:
curl -s https://packages.nautechsystems.io/simple/nautilus-trader/index.html | sed -n 's/.*<a href="\([^"]*\)".*/\1/p' | awk -F'#' '{print $1}' | sort
[!NOTE]
在 Linux 上,请使用
ldd --version确认你的 glibc 版本,并确保其为 2.35 或更新版本,然后再安装二进制 wheel 包。
分支更新策略
develop分支 wheel(.dev):每次合并提交后持续构建并发布。nightly分支 wheel(a):每天在 UTC 14:00 自动将develop分支合并后构建并发布(若有变更)。
保留策略
develop分支 wheel(.dev):仅保留最近一次构建的 wheel。nightly分支 wheel(a):仅保留最近 30 次构建的 wheel。
验证构建来源
所有发布到 PyPI、GitHub Releases 以及 Nautech Systems 软件包索引的发布产物(wheel 和源码分发包)均包含加密证明(cryptographic attestations),用于验证其真实性与构建来源。
这些证明由 CI/CD 流水线使用 SLSA 构建来源标准自动生成,可用于验证:
- 该产物由官方的 NautilusTrader GitHub Actions 工作流构建。
- 该产物对应仓库中的特定 commit SHA。
- 自构建完成后,该产物未被篡改。
使用 GitHub CLI 验证 wheel 文件:
gh attestation verify nautilus_trader-1.220.0-*.whl --owner nautechsystems
这提供了软件供应链安全保障,使你可以通过密码学方式验证所安装的包确实来自官方的 NautilusTrader 构建流程。
[!NOTE]
验证证明需要安装 GitHub CLI(
gh)。
来自develop和nightly分支的开发版 wheel 同样附带证明,也可用相同方式验证。
从源码安装
如果你先安装了 pyproject.toml 中指定的构建依赖项,就可以使用 pip 从源码进行安装。
安装 rustup(Rust 工具链安装器):
Linux 和 macOS:
curl https://sh.rustup.rs -sSf | shWindows:
- 下载并安装
rustup-init.exe - 使用 Visual Studio 2022 生成工具 安装 “C++ 桌面开发” 工作负载
- 下载并安装
验证(任意系统): 在终端中运行:
rustc --version
在当前 shell 中启用
cargo:Linux 和 macOS:
source $HOME/.cargo/envWindows:
- 启动一个新的 PowerShell
安装 clang(LLVM 的 C 语言前端):
Linux:
sudo apt-get install clangmacOS:
xcode-select --installWindows:
将 Clang 添加到你的 Visual Studio 2022 生成工具 中:
- 开始菜单 | Visual Studio Installer | 修改 | 勾选 “适用于 Windows 的 C++ Clang 工具(最新版)” | 修改
在当前 shell 中启用
clang:[System.Environment]::SetEnvironmentVariable('path', "C:\Program Files\Microsoft Visual Studio\2022\BuildTools\VC\Tools\Llvm\x64\bin\;" + $env:Path,"User")
验证(任意系统): 在终端中运行:
clang --version
安装 uv(更多详情请参阅 uv 安装指南):
Linux 和 macOS:
curl -LsSf https://astral.sh/uv/install.sh | shWindows(PowerShell):
irm https://astral.sh/uv/install.ps1 | iex
使用
git克隆源码,并在项目根目录下进行安装:git clone --branch develop --depth 1 https://github.com/nautechsystems/nautilus_trader cd nautilus_trader uv sync --all-extras
[!NOTE]
--depth 1标志仅获取最新提交,以实现更快、更轻量的克隆。
为 PyO3 编译设置环境变量(仅限 Linux 和 macOS):
# 仅限 Linux:设置 Python 解释器的库路径 export LD_LIBRARY_PATH="$(python -c 'import sys; print(sys.base_prefix)')/lib:$LD_LIBRARY_PATH" # 为 PyO3 设置 Python 可执行文件路径 export PYO3_PYTHON=$(pwd)/.venv/bin/python # 当使用 uv 安装的 Python 时,运行 Rust 测试所必需 export PYTHONHOME=$(python -c "import sys; print(sys.base_prefix)")
[!NOTE]
LD_LIBRARY_PATH的设置仅适用于 Linux,在 macOS 上不需要。当使用
uv安装的 Python 运行make cargo-test时,需要设置PYTHONHOME环境变量。 否则,依赖 PyO3 的测试可能无法找到 Python 运行时。
其他选项和详细信息请参阅 安装指南。
Redis
在 NautilusTrader 中使用 Redis 是可选的,仅当你将其配置为 缓存 数据库或 消息总线 的后端时才需要。更多详情请参阅 安装指南 中的 Redis 部分。
Makefile
项目提供了一个 Makefile,用于自动化大部分开发相关的安装和构建任务。部分目标包括:
make install:以release模式安装,包含所有依赖组和额外功能。make install-debug:与make install相同,但使用debug构建模式。make install-just-deps:仅安装main、dev和test依赖(不安装本包)。make build:以release模式运行构建脚本(默认)。make build-debug:以debug模式运行构建脚本。make build-wheel:在release模式下使用 uv 构建 wheel 格式的包。make build-wheel-debug:在debug模式下使用 uv 构建 wheel 格式的包。make cargo-test:使用cargo-nextest运行所有 Rust crate 的测试。make clean:删除所有构建产物,例如.so或.dll文件。make distclean:注意 删除仓库中所有不在 git 索引中的文件。这包括尚未执行git add的源文件。make docs:使用 Sphinx 构建 HTML 文档。make pre-commit:对所有文件运行 pre-commit 检查。make ruff:使用pyproject.toml配置对所有文件运行 ruff(自动修复)。make pytest:使用pytest运行所有测试。make test-performance:使用 codspeed 运行性能测试。
[!TIP]
运行
make help可查看所有可用 make 目标的文档。
[!TIP]
关于运行基础设施集成测试,请参阅 crates/infrastructure/TESTS.md 文件。
示例
指标(Indicators)和策略(Strategies)可以用 Python、Cython 或 Rust 开发。对于性能和延迟敏感的应用,我们推荐使用 Rust。以下是一些示例:
Docker
Docker 镜像使用以下变体标签构建:
nautilus_trader:latest安装了最新的正式发布版本。nautilus_trader:nightly安装了nightly分支的最新提交。jupyterlab:latest安装了最新的正式发布版本,并附带jupyterlab和一个包含示例数据的回测 notebook。jupyterlab:nightly安装了nightly分支的最新提交,并附带jupyterlab和一个包含示例数据的回测 notebook。
你可以按如下方式拉取容器镜像:
docker pull ghcr.io/nautechsystems/<image_variant_tag> --platform linux/amd64
你可以通过以下命令启动回测示例容器:
docker pull ghcr.io/nautechsystems/jupyterlab:nightly --platform linux/amd64
docker run -p 8888:8888 ghcr.io/nautechsystems/jupyterlab:nightly
然后在浏览器中打开以下地址:
http://127.0.0.1:8888/lab
[!WARNING]
示例中使用了
log_level="ERROR",因为 Nautilus 的日志输出会超过 Jupyter 的 stdout 速率限制, 导致在较低日志级别下 notebook 卡住。
开发
我们致力于为这个由 Rust、Python 和 Cython 组成的混合代码库提供尽可能愉悦的开发者体验。
请参阅 开发者指南 获取有用的信息。
[!TIP]
为了获得最高效的开发工作流,在修改 Rust 或 Cython 代码后,请运行
make build-debug进行编译。
使用 Rust 进行测试
cargo-nextest 是 NautilusTrader 的标准 Rust 测试运行器。
其主要优势在于将每个测试隔离在独立的进程中运行,从而避免测试之间的相互干扰,确保测试的可靠性。
你可以通过以下命令安装 cargo-nextest:
cargo install cargo-nextest
[!TIP]
使用
make cargo-test运行 Rust 测试,该命令会使用 cargo-nextest 并搭配一个高效配置文件。
贡献
感谢您考虑为 NautilusTrader 做出贡献!我们欢迎任何形式的帮助来改进本项目。
如果您有功能增强或错误修复的想法,第一步是在 GitHub 上提交一个 issue,与团队进行讨论。这有助于确保您的贡献与项目目标保持一致,并避免重复劳动。
开始之前,请务必查阅项目路线图中概述的 开源范围,以了解哪些内容属于项目范畴,哪些不属于。
当您准备好开始贡献时,请遵循 CONTRIBUTING.md 文件中列出的指南。其中包括签署一份贡献者许可协议(Contributor License Agreement, CLA),以确保您的贡献可以被纳入项目。
[!NOTE]
Pull Request 应提交至
develop分支(默认分支)。新功能和改进将在该分支集成,之后才会发布。
再次感谢您对 NautilusTrader 的关注!我们期待审阅您的贡献,并与您携手共同改进项目。
社区
加入我们在 Discord 上的用户与贡献者社区,与其他成员交流,并及时获取 NautilusTrader 的最新公告和功能更新。无论您是希望参与开发的开发者,还是只想进一步了解该平台,我们都欢迎您加入我们的 Discord 服务器。
[!WARNING]
NautilusTrader 不发行、推广或背书任何加密货币代币。任何暗示与此相反的声明或通信均属未经授权且虚假的信息。
NautilusTrader 的所有官方更新和通信将仅通过以下渠道发布:https://nautilustrader.io、我们的 GitHub、我们的 Discord 服务器,或我们经过验证的 X(Twitter)账号:@NautilusTrader。
如果您遇到任何可疑活动,请向相关平台举报,并通过 info@nautechsystems.io 与我们联系。
安全
如需报告安全漏洞,请参阅我们的 安全策略。
有关包括软件供应链安全在内的完整安全策略,请访问 https://nautilustrader.io/security/。
许可证
NautilusTrader 的源代码在 GitHub 上以 GNU 宽通用公共许可证 v3.0(GNU Lesser General Public License v3.0) 发布。
我们欢迎对项目的贡献,但需要完成标准的 贡献者许可协议(Contributor License Agreement, CLA)。
NautilusTrader™ 由 Nautech Systems 开发和维护,该公司是一家专注于高性能交易系统开发的技术公司。
更多信息请访问 https://nautilustrader.io。
使用本软件需遵守 免责声明。
© 2015-2026 Nautech Systems Pty Ltd. 保留所有权利。

版本历史
v1.224.02026/03/03v1.223.02026/02/21v1.222.02026/01/02v1.221.02025/10/26v1.220.02025/09/10v1.219.02025/07/05v1.218.02025/05/31v1.217.02025/04/30v1.216.02025/04/13v1.215.02025/04/05v1.214.02025/03/28v1.213.02025/03/16v1.212.02025/03/11v1.211.02025/02/09v1.210.02025/01/10v1.209.02024/12/25v1.208.02024/12/15v1.207.02024/11/29v1.206.02024/11/17v1.205.02024/11/03常见问题
相似工具推荐
stable-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。 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。
everything-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。 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。 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
ComfyUI
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。 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。 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。
NextChat
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。 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。 NextChat 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。
ML-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。 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。
ragflow
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。 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。 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。

