[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-neubig--nn4nlp-code":3,"tool-neubig--nn4nlp-code":65},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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",161147,2,"2026-04-19T23:31:47",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",90106,3,"2026-04-06T11:19:32",[15,26,14,13],"图像",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":10,"last_commit_at":33,"category_tags":34,"status":16},8553,"spec-kit","github\u002Fspec-kit","Spec Kit 是一款专为提升软件开发效率而设计的开源工具包，旨在帮助团队快速落地“规格驱动开发”（Spec-Driven Development）模式。传统开发中，需求文档往往与代码实现脱节，导致沟通成本高且结果不可控；而 Spec Kit 通过将规格说明书转化为可执行的指令，让 AI 直接依据明确的业务场景生成高质量代码，从而减少从零开始的随意编码，确保产出结果的可预测性。\n\n该工具特别适合希望利用 AI 辅助编程的开发者、技术负责人及初创团队。无论是启动全新项目还是在现有工程中引入规范化流程，用户只需通过简单的命令行操作，即可初始化项目并集成主流的 AI 编程助手。其核心技术亮点在于“规格即代码”的理念，支持社区扩展与预设模板，允许用户根据特定技术栈定制开发流程。此外，Spec Kit 强调官方维护的安全性，提供稳定的版本管理，帮助开发者在享受 AI 红利的同时，依然牢牢掌握架构设计的主动权，真正实现从“凭感觉写代码”到“按规格建系统”的转变。",88749,"2026-04-17T09:48:14",[15,26,14,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","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。\n\n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。\n\nNextChat 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。",87618,"2026-04-05T07:20:52",[13,15],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":10,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-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。\n\n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。",85267,"2026-04-18T11:00:28",[26,51,52,53,14,54,15,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":62,"last_commit_at":63,"category_tags":64,"status":16},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[15,51,54],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":72,"owner_company":79,"owner_location":80,"owner_email":72,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":101,"forks":102,"last_commit_at":103,"license":104,"difficulty_score":10,"env_os":105,"env_gpu":106,"env_ram":106,"env_deps":107,"category_tags":110,"github_topics":72,"view_count":10,"oss_zip_url":72,"oss_zip_packed_at":72,"status":111,"created_at":112,"updated_at":113,"faqs":114,"releases":145},9942,"neubig\u002Fnn4nlp-code","nn4nlp-code","Code Samples from Neural Networks for NLP","nn4nlp-code 是卡内基梅隆大学（CMU）2017 年“神经网络与自然语言处理”课程（CS 11-747）的配套代码库，由 Graham Neubig 等专家共同维护。它主要提供了一系列高质量的示例代码，旨在帮助学习者将复杂的 NLP 理论转化为实际可运行的程序。\n\n在自然语言处理领域，许多初学者和研究者往往能理解数学原理，却在模型构建、数据预处理及训练调试等工程落地环节遇到困难。nn4nlp-code 通过提供清晰、规范的实现方案，有效填补了从学术概念到代码实践之间的鸿沟，让用户能够直观地观察神经网络如何处理文本数据。\n\n这套资源特别适合 NLP 领域的研究人员、高校学生以及希望深入理解底层算法的开发者使用。无论是用于课程学习、复现经典实验，还是作为开发新模型的参考基准，它都能提供坚实的支持。其核心亮点在于代码结构严谨且注释详尽，完整覆盖了该年度课程的核心知识点，展现了工业级与学术级相结合的编码规范，是入门深度学习与自然语言处理交叉领域的优质学习资料。","# Neural Networks for NLP Code Examples\n\nThis is a repository of code examples for the 2017 edition of CMU CS 11-747\n[Neural Networks for NLP](http:\u002F\u002Fphontron.com\u002Fclass\u002Fnn4nlp2017\u002F).\n\nBy Graham Neubig, Daniel Clothiaux, Zhengzhong Liu, and Xuezhe Ma\n",null,"# nn4nlp-code 快速上手指南\n\n`nn4nlp-code` 是卡内基梅隆大学（CMU）2017 年《神经网络的 NLP 应用》课程（CS 11-747）的官方代码示例库，由 Graham Neubig 等专家维护。本指南帮助中国开发者快速搭建环境并运行示例。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux (推荐 Ubuntu 16.04+) 或 macOS。Windows 用户建议使用 WSL2 或 Docker。\n*   **Python 版本**：Python 3.6 或更高版本（基于 2017 年技术栈，建议优先尝试 Python 3.6-3.8 以避免部分旧库兼容性问题）。\n*   **前置依赖**：\n    *   `git`：用于克隆代码库。\n    *   `pip`：Python 包管理工具。\n    *   `virtualenv` 或 `conda`：强烈建议创建独立的虚拟环境以隔离依赖。\n\n## 安装步骤\n\n### 1. 克隆项目\n打开终端，执行以下命令获取源代码：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fneubig\u002Fnn4nlp-code.git\ncd nn4nlp-code\n```\n\n> **国内加速提示**：如果 GitHub 连接缓慢，可使用国内镜像源克隆：\n> ```bash\n> git clone https:\u002F\u002Fgitee.com\u002Fmirrors\u002Fnn4nlp-code.git\n> cd nn4nlp-code\n> ```\n> *(注：若 Gitee 无同步镜像，请配置本地 Git 代理或使用上述标准命令)*\n\n### 2. 创建虚拟环境\n推荐使用 `venv` 或 `conda` 创建隔离环境：\n\n```bash\n# 使用 venv\npython3 -m venv venv\nsource venv\u002Fbin\u002Factivate\n\n# 或者使用 conda\n# conda create -n nn4nlp python=3.7\n# conda activate nn4nlp\n```\n\n### 3. 安装依赖\n项目根目录通常包含 `requirements.txt`。为加速下载，建议临时指定清华或阿里 PyPI 镜像源：\n\n```bash\n# 使用清华镜像源安装依赖\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*注意：由于该课程代码基于 2017 年的技术栈，部分依赖（如旧版 TensorFlow 或 Theano）可能在最新 Python 版本上安装失败。如遇报错，请尝试将 Python 版本降级至 3.6 或 3.7。*\n\n## 基本使用\n\n该项目包含多个子目录，分别对应课程不同章节的模型实现（如 RNN, Transformer, Attention 等）。以下以运行一个简单的语言模型训练脚本为例：\n\n### 1. 查看可用脚本\n进入具体任务目录，例如 `lm-lstm` (基于 LSTM 的语言模型)：\n\n```bash\ncd lm-lstm\nls\n```\n\n### 2. 准备数据\n大多数示例需要预处理的数据集。通常项目内提供简单的下载或生成脚本，或者直接使用内置的小型测试数据。检查是否有 `get_data.sh` 或类似脚本：\n\n```bash\n# 如果有数据下载脚本\nbash get_data.sh\n```\n\n若无自动脚本，可直接使用代码中自带的微小样本进行测试运行，无需额外下载大型数据集。\n\n### 3. 运行训练示例\n执行训练脚本。以下是一个典型的启动命令（参数可根据 `--help` 查看）：\n\n```bash\npython train.py --train_data ..\u002Fdata\u002Fptb\u002Ftrain.txt --dev_data ..\u002Fdata\u002Fptb\u002Fvalid.txt --model_path model.pt\n```\n\n*   `--train_data`: 训练数据路径。\n*   `--dev_data`: 验证数据路径。\n*   `--model_path`: 模型保存路径。\n\n运行后，终端将输出每个 Epoch 的损失值（Loss）和困惑度（Perplexity），标志着模型正在训练。\n\n### 4. 运行评估或生成\n训练完成后，可使用生成的模型进行文本生成或评估：\n\n```bash\npython generate.py --model_path model.pt --input_text \"the cat sat on the\"\n```\n\n现在您已成功运行了 `nn4nlp-code` 的基础示例，可以进一步探索其他目录下的进阶模型实现。","某高校自然语言处理实验室的研究生团队正着手复现卡内基梅隆大学（CMU）经典的神经机器翻译模型，以完成课程项目并验证最新论文中的改进思路。\n\n### 没有 nn4nlp-code 时\n- **环境配置混乱**：团队成员需从零搭建基于 Theano 或早期 PyTorch 的实验环境，常因版本依赖冲突导致代码无法运行，耗费数天排查报错。\n- **核心逻辑黑盒**：注意力机制（Attention）和束搜索（Beam Search）等关键算法缺乏标准参考实现，学生只能凭论文公式盲目推导，极易引入隐蔽的数学错误。\n- **数据预处理繁琐**：缺少统一的语料清洗、词表构建及批次化处理脚本，每个人编写的预处理流程不一致，导致实验结果无法横向对比。\n- **调试成本高昂**：由于缺乏经过教学验证的基准代码（Baseline），模型训练不收敛时难以判断是超参数问题还是代码逻辑缺陷。\n\n### 使用 nn4nlp-code 后\n- **开箱即用环境**：直接复用仓库中经过 CMU 课程验证的代码框架与依赖配置，将环境搭建时间从数天缩短至几小时，确保底层架构稳定。\n- **算法实现透明**：参考其中模块化清晰的注意力机制与解码器实现，快速理解并修正自定义模型中的逻辑偏差，确保核心算法准确无误。\n- **流程标准化**：采用内置的数据加载器与预处理工具，统一了全团队的数据输入格式，消除了因数据差异导致的实验噪声。\n- **高效迭代优化**：以官方提供的强基准模型为起点进行微调，能够迅速定位性能瓶颈，将原本用于“造轮子”的时间全部投入到真正的算法创新中。\n\nnn4nlp-code 通过将顶尖学府的教学级代码开源，极大地降低了 NLP 深度学习的研究门槛，让开发者能从繁琐的工程陷阱中解脱，专注于核心算法的突破。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fneubig_nn4nlp-code_6dda4d65.png","neubig","Graham Neubig","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fneubig_ec88cb5a.png","Carnegie Mellon University \u002F OpenHands","Pittsburgh","gneubig","http:\u002F\u002Fwww.phontron.com","https:\u002F\u002Fgithub.com\u002Fneubig",[85,89,93,97],{"name":86,"color":87,"percentage":88},"Python","#3572A5",94.6,{"name":90,"color":91,"percentage":92},"Jupyter Notebook","#DA5B0B",2.9,{"name":94,"color":95,"percentage":96},"Perl","#0298c3",2.3,{"name":98,"color":99,"percentage":100},"Shell","#89e051",0.1,1314,479,"2026-04-14T06:56:58","NOASSERTION","","未说明",{"notes":108,"python":106,"dependencies":109},"README 内容仅提供了项目简介和作者信息，未包含具体的运行环境需求、依赖库列表或安装说明。该项目为 2017 年课程代码示例，建议查阅课程官网或源码中的其他文件（如 requirements.txt）以获取准确的环境配置信息。",[],[15,54],"ready_partial","2026-03-27T02:49:30.150509","2026-04-20T10:22:46.959621",[115,120,125,130,135,140],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},44649,"运行 enc_dec.py 中的 generate(sent) 函数时出现 'NameError: name sents is not defined' 错误，如何解决？","这是代码中的变量名错误。在 `08-condlm\u002Fenc_dec.py` 第 114 行，应将 `for src in sents` 修改为 `for src in sent`（去掉 's'）。此外，第 139 行的 `output_embedding = hidden_state.output()` 应修改为 `output_embedding = current_state.output()`。","https:\u002F\u002Fgithub.com\u002Fneubig\u002Fnn4nlp-code\u002Fissues\u002F14",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},44650,"该课程代码使用的是哪个版本的 Python？","虽然代码库中的版本可能不完全一致，但维护者正努力确保代码兼容 Python 3。建议用户使用 Python 3 环境运行代码。","https:\u002F\u002Fgithub.com\u002Fneubig\u002Fnn4nlp-code\u002Fissues\u002F15",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},44651,"在哪里可以找到项目所需的原始数据文件？","数据文件已经包含在仓库的 `data\u002F` 文件夹中，无需单独下载。","https:\u002F\u002Fgithub.com\u002Fneubig\u002Fnn4nlp-code\u002Fissues\u002F1",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},44652,"在 Dynet 示例代码中，是否还需要手动调用 parameter() 将参数转换为表达式？","不需要。最新版本的 Python Dynet 会自动进行参数到表达式的转换，因此代码中多余的 `parameter(parameter_name)` 调用可以移除。同时，建议将旧的 `Model()` 重命名为 `ParameterCollection`。","https:\u002F\u002Fgithub.com\u002Fneubig\u002Fnn4nlp-code\u002Fissues\u002F27",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},44653," biaffine parser 中的 MST decoder 实现逻辑是否有误？","是的，该实现基于启发式算法而非完整的 Chu-Liu-Edmonds MST 算法。由于代码传递的是未归一化的分数（即对数概率），原代码中的除法操作应替换为减法操作，同时将初始化的 0 值替换为负无穷大（-inf），以符合对数空间下的计算逻辑。","https:\u002F\u002Fgithub.com\u002Fneubig\u002Fnn4nlp-code\u002Fissues\u002F17",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},44654,"loglin-lm.py 在开发集评估期间是否存在更新模型的 Bug？","是的，这是一个已知 Bug。在 `02-lm\u002Floglin-lm.py` 第 97 行存在不应在开发集评估期间执行的更新操作，该行代码应当被移除。其他类似文件也应检查是否存在相同问题。","https:\u002F\u002Fgithub.com\u002Fneubig\u002Fnn4nlp-code\u002Fissues\u002F23",[]]