[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-ninehills--chatglm-openai-api":3,"similar-ninehills--chatglm-openai-api":84},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":17,"owner_website":21,"owner_url":22,"languages":23,"stars":28,"forks":29,"last_commit_at":30,"license":31,"difficulty_score":32,"env_os":33,"env_gpu":34,"env_ram":35,"env_deps":36,"category_tags":40,"github_topics":17,"view_count":43,"oss_zip_url":17,"oss_zip_packed_at":17,"status":44,"created_at":45,"updated_at":46,"faqs":47,"releases":83},105,"ninehills\u002Fchatglm-openai-api","chatglm-openai-api","Provide OpenAI style API for  ChatGLM-6B and Chinese Embeddings Model","chatglm-openai-api 是一个实用的开源桥接项目，核心功能是为 ChatGLM-6B、ChatGLM2-6B 以及中文 Embedding 模型提供完全兼容 OpenAI 风格的 API 接口。这意味着用户可以在本地部署国产大模型的同时，直接复用那些原本专为 OpenAI 服务设计的客户端和应用，例如 Chatbot-UI 或 OpenCat，无需修改任何调用代码。\n\nchatglm-openai-api 主要解决了生态兼容性问题，让私有化部署的中文模型能够无缝融入现有的 OpenAI 工具链。非常适合开发者、研究人员以及希望数据本地化的技术爱好者使用。\n\n在技术特性上，chatglm-openai-api 支持多种量化版本（如 int4、int8），有效降低显存门槛，并支持多 GPU 卡并行推理以提升性能。此外，它还内置了 ngrok 和 Cloudflare 隧道配置选项，方便用户将本地服务安全地暴露到公网进行测试或远程访问。通过简单的 `config.toml` 配置文件，即可灵活切换模型路径或调整运行参数，让部署过程更加便捷高效。","# chatglm-openai-api\n\nProvide OpenAI style API for  ChatGLM-6B\u002FChatGLM2-6B and Chinese Embeddings Model\n\n## 更新历史\n\n- 2023-04-26： 支持 `FreedomIntelligence\u002Fphoenix-inst-chat-7b` 模型\n  - 使用 `--llm_model phoenix-inst-chat-7b\u002Fphoenix-inst-chat-7b-int4` 加载\n\n## 注意事项\n\n- 模型托管在 huggingface 上，需要良好的国际互联网访问体验。\n- 默认运行在 GPU + CUDA 上。\n\n## 在 Colab 中运行\n\n```python\n# 必须首先选择运行时为GPU运行时\n!git clone https:\u002F\u002Fgithub.com\u002Fninehills\u002Fchatglm-openai-api.git\n!cd chatglm-openai-api && cp config.toml.example config.toml\n!cd chatglm-openai-api && pip install -r requirements.txt\n!cd chatglm-openai-api && python3 main.py --llm_model=\"chatglm2-6b-int4\" --tunnel=ngrok --port 8100\n```\n\n## 高级功能\n\n### 1. 从本地加载\n\n在 `config.toml` 中，配置模型的 path 为本地目录即可\n\n```toml\n    [models.llm.\"chatglm-6b-int4\"]\n    type = \"chatglm\"\n    path = \"{checkpoint_path}\"\n```\n\n### 2. 多卡运行推理\n\n使用 `CUDA_VISIBLE_DEVICES` 环境变量，选择运行的 GPU 卡号，并设定运行的 GPU 数量（目前仅对 LLM Model 有效），例如：\n\n```bash\nCUDA_VISIBLE_DEVICES=0,1 python main.py --port 8080 --llm_model chatglm-6b-int4 --tunnel ngrok --gpus 2\n```\n\n## 本地运行（ngrok 隧道，测试用）\n\n> 注： ngrok 隧道在未付费的时候无法使用自定义域名，只能使用动态域名，仅用来演示  \n> ngrok 的 token 和 subdomain，请在 config.toml 中配置\n\n```bash\n# 首先初始化虚拟环境\npython3 -m venv .venv\nsource .venv\u002Fbin\u002Factivate\n\n# 安装依赖\npip install -r requirements.txt\n\n# 复制配置文件\ncp config.toml.example config.toml\n\n# 使用 CUDA_VISIBLE_DEVICES 选择运行的 GPU\n# llm_model 支持 chatglm-6b、chatglm-6b-int8、chatglm-6b-int4，占用显存从高到低。\nCUDA_VISIBLE_DEVICES=0 python main.py --port 8080 --llm_model chatglm-6b-int4 --tunnel ngrok\n\n# 如果想同时包含 Embedding Model，可以使用 --embeddings_model 参数\nCUDA_VISIBLE_DEVICES=0 python main.py --port 8080 --llm_model chatglm-6b-int4 --embeddings_model text2vec-large-chinese --tunnel ngrok\n\n# 如果想让 API 一直运行，可以使用 nohup\nCUDA_VISIBLE_DEVICES=0 nohup python main.py \u003Cargs> > nohup.out 2>&1 &\n```\n\n运行后，访问显示的 ngrok 隧道地址，即可使用 API，默认输出 `{\"hello\": \"world\"}`，该 API 和 OpenAI API 一致。\n\n```bash\n# https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fapi-reference\u002Fchat\u002Fcreate\nexport CHATGLM_API_KEY=token1   # API key 配置在 config.toml 中\ncurl https:\u002F\u002F\u003Cyour domain>\u002Fv1\u002Fchat\u002Fcompletions \\\n  -H \"Content-Type: application\u002Fjson\" \\\n  -H \"Authorization: Bearer $CHATGLM_API_KEY\" \\\n  -d '{\n    \"model\": \"gpt-3.5-turbo\",\n    \"messages\": [{\"role\": \"user\", \"content\": \"Hello!\"}]\n  }'\n```\n\n## 本地运行（cloudflare 隧道，推荐）\n\n前提：需要你已经在 cloudflare 上绑定了域名，且已经配置好了 DNS 解析\n\n首先安装 cloudflare tunnel\n\n```bash\n# https:\u002F\u002Fdevelopers.cloudflare.com\u002Fcloudflare-one\u002Fconnections\u002Fconnect-apps\u002Finstall-and-setup\u002Ftunnel-guide\u002Flocal\u002F\n\n# 假如 cloudflared 已经安装，路径为 `.cloudflared`\n# 首先登录 cloudflare\n.\u002Fcloudflared tunnel login\n# 此处需要选择 tunnel 绑定的域名\n.\u002Fcloudflared tunnel create chatglm-openai-api\n# 将 tunnel 和你的自定义域名的自域名绑定，这里的 chatglm-openai-api.ninehills.tech 就是你选择的自域名，后续访问这个域名。\n.\u002Fcloudflared tunnel route dns chatglm-openai-api chatglm-openai-api.ninehills.tech\n```\n\n然后运行 API\n\n```bash\nCUDA_VISIBLE_DEVICES=0 python main.py --port 8080 --llm_model chatglm-6b-int4 --embeddings_model text2vec-large-chinese --tunnel cloudflare\n```\n\n这样，你访问 `https:\u002F\u002Fchatglm-openai-api.ninehills.tech` 就可以使用 API 了。\n\n## 常见客户端配置\n\n### OpenCat\n\n![](img\u002F2023-04-22-08-42-06.png)\n\n\n### Chatbot-UI\n\n1. Fork `https:\u002F\u002Fgithub.com\u002Fninehills\u002Fchatbot-ui`（去掉了系统 Prompt） 到你的仓库\n2. 注册 `https:\u002F\u002Fvercel.com\u002F` 账号\n3. `Add new` - `Project` - `Import Git Repository` 选择你 Fork 的仓库\n4. 在环境变量部分，填写\n    - `OPENAI_API_KEY=token1`，token1 为你的 API key\n    - `OPENAI_API_HOST=https:\u002F\u002Fchatglm-openai-api.ninehills.tech`，chatglm-openai-api.ninehills.tech 为你的域名\n    - ![](img\u002F2023-04-22-08-48-57.png)\n5. 点击 `Deploy` 部署\n6. 等待部署完成后，点击 `Visit`，即可使用。\n","# chatglm-openai-api\n\n为 ChatGLM-6B\u002FChatGLM2-6B 和中文 Embeddings Model（嵌入模型）提供 OpenAI 风格 API（应用程序编程接口）\n\n## 更新历史\n\n- 2023-04-26：支持 `FreedomIntelligence\u002Fphoenix-inst-chat-7b` 模型\n  - 使用 `--llm_model phoenix-inst-chat-7b\u002Fphoenix-inst-chat-7b-int4` 加载\n\n## 注意事项\n\n- 模型托管在 Hugging Face（模型社区）上，需要良好的国际互联网访问体验。\n- 默认运行在 GPU（图形处理器） + CUDA（统一计算设备架构）上。\n\n## 在 Colab（云端笔记本环境）中运行\n\n```python\n# 必须首先选择运行时为 GPU 运行时\n!git clone https:\u002F\u002Fgithub.com\u002Fninehills\u002Fchatglm-openai-api.git\n!cd chatglm-openai-api && cp config.toml.example config.toml\n!cd chatglm-openai-api && pip install -r requirements.txt\n!cd chatglm-openai-api && python3 main.py --llm_model=\"chatglm2-6b-int4\" --tunnel=ngrok --port 8100\n```\n\n## 高级功能\n\n### 1. 从本地加载\n\n在 `config.toml` 中，配置模型的 path 为本地目录即可\n\n```toml\n    [models.llm.\"chatglm-6b-int4\"]\n    type = \"chatglm\"\n    path = \"{checkpoint_path}\"\n```\n\n### 2. 多卡运行推理\n\n使用 `CUDA_VISIBLE_DEVICES` 环境变量，选择运行的 GPU 卡号，并设定运行的 GPU 数量（目前仅对 LLM Model（大型语言模型）有效），例如：\n\n```bash\nCUDA_VISIBLE_DEVICES=0,1 python main.py --port 8080 --llm_model chatglm-6b-int4 --tunnel ngrok --gpus 2\n```\n\n## 本地运行（ngrok（内网穿透工具）隧道，测试用）\n\n> 注：ngrok 隧道在未付费的时候无法使用自定义域名，只能使用动态域名，仅用来演示  \n> ngrok 的 token（令牌）和 subdomain（子域名），请在 config.toml 中配置\n\n```bash\n# 首先初始化虚拟环境\npython3 -m venv .venv\nsource .venv\u002Fbin\u002Factivate\n\n# 安装依赖\npip install -r requirements.txt\n\n# 复制配置文件\ncp config.toml.example config.toml\n\n# 使用 CUDA_VISIBLE_DEVICES 选择运行的 GPU\n# llm_model 支持 chatglm-6b、chatglm-6b-int8、chatglm-6b-int4，占用显存从高到低。\nCUDA_VISIBLE_DEVICES=0 python main.py --port 8080 --llm_model chatglm-6b-int4 --tunnel ngrok\n\n# 如果想同时包含 Embedding Model，可以使用 --embeddings_model 参数\nCUDA_VISIBLE_DEVICES=0 python main.py --port 8080 --llm_model chatglm-6b-int4 --embeddings_model text2vec-large-chinese --tunnel ngrok\n\n# 如果想让 API 一直运行，可以使用 nohup\nCUDA_VISIBLE_DEVICES=0 nohup python main.py \u003Cargs> > nohup.out 2>&1 &\n```\n\n运行后，访问显示的 ngrok 隧道地址，即可使用 API，默认输出 `{\"hello\": \"world\"}`，该 API 和 OpenAI API 一致。\n\n```bash\n# https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fapi-reference\u002Fchat\u002Fcreate\nexport CHATGLM_API_KEY=token1   # API key 配置在 config.toml 中\ncurl https:\u002F\u002F\u003Cyour domain>\u002Fv1\u002Fchat\u002Fcompletions \\\n  -H \"Content-Type: application\u002Fjson\" \\\n  -H \"Authorization: Bearer $CHATGLM_API_KEY\" \\\n  -d '{\n    \"model\": \"gpt-3.5-turbo\",\n    \"messages\": [{\"role\": \"user\", \"content\": \"Hello!\"}]\n  }'\n```\n\n## 本地运行（Cloudflare（网络服务提供商）隧道，推荐）\n\n前提：需要你已经在 cloudflare 上绑定了域名，且已经配置好了 DNS（域名系统）解析\n\n首先安装 cloudflare tunnel\n\n```bash\n# https:\u002F\u002Fdevelopers.cloudflare.com\u002Fcloudflare-one\u002Fconnections\u002Fconnect-apps\u002Finstall-and-setup\u002Ftunnel-guide\u002Flocal\u002F\n\n# 假如 cloudflared 已经安装，路径为 `.cloudflared`\n# 首先登录 cloudflare\n.\u002Fcloudflared tunnel login\n# 此处需要选择 tunnel 绑定的域名\n.\u002Fcloudflared tunnel create chatglm-openai-api\n# 将 tunnel 和你的自定义域名的自域名绑定，这里的 chatglm-openai-api.ninehills.tech 就是你选择的自域名，后续访问这个域名。\n.\u002Fcloudflared tunnel route dns chatglm-openai-api chatglm-openai-api.ninehills.tech\n```\n\n然后运行 API\n\n```bash\nCUDA_VISIBLE_DEVICES=0 python main.py --port 8080 --llm_model chatglm-6b-int4 --embeddings_model text2vec-large-chinese --tunnel cloudflare\n```\n\n这样，你访问 `https:\u002F\u002Fchatglm-openai-api.ninehills.tech` 就可以使用 API 了。\n\n## 常见客户端配置\n\n### OpenCat\n\n![](img\u002F2023-04-22-08-42-06.png)\n\n\n### Chatbot-UI\n\n1. Fork（代码库分支）`https:\u002F\u002Fgithub.com\u002Fninehills\u002Fchatbot-ui`（去掉了系统 Prompt（提示词））到你的仓库\n2. 注册 `https:\u002F\u002Fvercel.com\u002F` 账号\n3. `Add new` - `Project` - `Import Git Repository（代码仓库）` 选择你 Fork 的仓库\n4. 在环境变量部分，填写\n    - `OPENAI_API_KEY=token1`，token1 为你的 API key\n    - `OPENAI_API_HOST=https:\u002F\u002Fchatglm-openai-api.ninehills.tech`，chatglm-openai-api.ninehills.tech 为你的域名\n    - ![](img\u002F2023-04-22-08-48-57.png)\n5. 点击 `Deploy（部署）` 部署\n6. 等待部署完成后，点击 `Visit（访问）`，即可使用。","# chatglm-openai-api 快速上手指南\n\n为 ChatGLM-6B\u002FChatGLM2-6B 及中文 Embedding 模型提供 OpenAI 风格的 API 接口。\n\n## 环境准备\n\n- **系统要求**：Linux \u002F macOS \u002F Windows (WSL)\n- **硬件要求**：GPU + CUDA 环境（默认运行在 GPU 上）\n- **网络要求**：模型托管在 HuggingFace，需要良好的国际互联网访问体验\n- **软件依赖**：Python 3\n\n## 安装步骤\n\n1. **克隆项目**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fninehills\u002Fchatglm-openai-api.git\n   cd chatglm-openai-api\n   ```\n\n2. **创建虚拟环境**\n   ```bash\n   python3 -m venv .venv\n   source .venv\u002Fbin\u002Factivate\n   ```\n\n3. **安装依赖**\n   ```bash\n   pip install -r requirements.txt\n   ```\n\n4. **配置初始化**\n   ```bash\n   cp config.toml.example config.toml\n   ```\n   > 注：如需配置 API Key 或 Ngrok Token，请编辑 `config.toml` 文件。\n\n## 基本使用\n\n1. **启动服务**\n   以下命令使用 `chatglm-6b-int4` 模型（显存占用较低），并通过 ngrok 隧道暴露接口（适用于测试）：\n   ```bash\n   CUDA_VISIBLE_DEVICES=0 python main.py --port 8080 --llm_model chatglm-6b-int4 --tunnel ngrok\n   ```\n   > 支持模型：`chatglm-6b`、`chatglm-6b-int8`、`chatglm-6b-int4`（占用显存从高到低）。\n   > 如需同时启用 Embedding 模型，可添加参数 `--embeddings_model text2vec-large-chinese`。\n\n2. **测试 API**\n   运行后获取 ngrok 隧道地址，使用以下命令测试（默认 API Key 为 `token1`）：\n   ```bash\n   export CHATGLM_API_KEY=token1\n   curl https:\u002F\u002F\u003Cyour domain>\u002Fv1\u002Fchat\u002Fcompletions \\\n     -H \"Content-Type: application\u002Fjson\" \\\n     -H \"Authorization: Bearer $CHATGLM_API_KEY\" \\\n     -d '{\n       \"model\": \"gpt-3.5-turbo\",\n       \"messages\": [{\"role\": \"user\", \"content\": \"Hello!\"}]\n     }'\n   ```\n\n3. **后台运行（可选）**\n   如需让 API 持续运行，可使用 nohup：\n   ```bash\n   CUDA_VISIBLE_DEVICES=0 nohup python main.py \u003Cargs> > nohup.out 2>&1 &\n   ```","某国内电商创业团队希望搭建智能客服系统，原有后端代码完全基于 OpenAI API 标准开发，但急需切换为中文理解能力更强的模型，且要求数据私有化部署。\n\n### 没有 chatglm-openai-api 时\n- 必须重构大量代码适配 ChatGLM 原生接口，开发周期延长至少一周。\n- 调用海外 OpenAI 服务网络波动大，客服响应延迟严重影响用户体验。\n- 用户对话数据需传输至境外服务器，存在数据合规与隐私泄露风险。\n- 缺乏配套的中文 Embedding 模型，知识库语义检索匹配度低，回答不准确。\n\n### 使用 chatglm-openai-api 后\n- 保持原有 OpenAI 接口调用代码不变，直接切换模型后端，实现无缝迁移。\n- 支持本地 GPU 部署并通过 Cloudflare 隧道暴露服务，内网访问速度快且稳定。\n- 数据完全留存于本地服务器，无需出境，轻松满足国内数据隐私合规要求。\n- 一键启用中文 Embedding 模型，显著提升客服知识库的语义检索准确率。\n\nchatglm-openai-api 通过完美兼容 OpenAI 协议，让开发者无需改动代码即可低成本私有化部署高性能中文大模型。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fninehills_chatglm-openai-api_0e3cabac.png","ninehills","Tao Yang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fninehills_5b9f3b9c.png",null,"Nankai University","Tianjin, China","swulling@gmail.com","https:\u002F\u002Fninehills.github.io","https:\u002F\u002Fgithub.com\u002Fninehills",[24],{"name":25,"color":26,"percentage":27},"Python","#3572A5",100,508,53,"2026-04-02T18:23:59","MIT",3,"Linux, macOS","必需，默认运行在 GPU + CUDA 上，支持多卡推理，显存占用取决于模型版本 (int4\u002Fint8\u002F原版的)","未说明",{"notes":37,"python":38,"dependencies":39},"模型托管在 Huggingface，需要良好的国际互联网访问体验；支持本地加载模型；支持 ngrok 或 Cloudflare 隧道暴露 API；API 风格与 OpenAI 一致；可配置 Embedding 模型；需配置 config.toml 文件","python3 (具体版本未说明)",[35],[41,42],"语言模型","开发框架",10,"ready","2026-03-27T02:49:30.150509","2026-04-06T07:13:51.064901",[48,53,58,63,68,73,78],{"id":49,"question_zh":50,"answer_zh":51,"source_url":52},20,"如何直接使用 IP 加端口部署而不使用 ngrok 隧道？","不传入 `--tunnel` 参数，服务只会在你指定的 port 上运行，然后通过机器的 IP+ 端口即可访问 API。关于 API Key，需在 `config.toml` 中配置 token。如果遇到参数错误，请更新代码，维护者已提交 commit 修复了默认参数问题。","https:\u002F\u002Fgithub.com\u002Fninehills\u002Fchatglm-openai-api\u002Fissues\u002F5",{"id":54,"question_zh":55,"answer_zh":56,"source_url":57},21,"调用 API 时报错 max_tokens、temperature、top_p 参数无法省略怎么办？","这是 pydantic 版本兼容性问题。请运行 `pip freeze | grep pydantic` 检查版本，如果是 2.x 版本（如 2.0.3）会导致此错误。解决方法是修改 `requirements.txt` 限制 pydantic 版本为 1.x 即可解决。","https:\u002F\u002Fgithub.com\u002Fninehills\u002Fchatglm-openai-api\u002Fissues\u002F21",{"id":59,"question_zh":60,"answer_zh":61,"source_url":62},22,"聊天功能正常但 embeddings 接口报错 404 或无法使用？","本项目已经存档，不再维护 embedding 功能。推荐使用 https:\u002F\u002Fgithub.com\u002Fmichaelfeil\u002Finfinity ，可以通过容器一键启动，兼容多种 embedding 模型和 reranker 模型，并提供推理优化方案。","https:\u002F\u002Fgithub.com\u002Fninehills\u002Fchatglm-openai-api\u002Fissues\u002F10",{"id":64,"question_zh":65,"answer_zh":66,"source_url":67},23,"使用 ngrok 隧道如何发布到公网访问？","ngrok 每次启动都会显示一个临时的 URL，那个就是公网地址。如果想让域名固定，请查看项目 Readme。也可以使用 Cloudflare 工具（需要域名），或者使用 ngrok 付费账号。","https:\u002F\u002Fgithub.com\u002Fninehills\u002Fchatglm-openai-api\u002Fissues\u002F4",{"id":69,"question_zh":70,"answer_zh":71,"source_url":72},24,"如何支持或使用 ChatGLM2-6B 模型？","直接修改配置文件，将 hf 地址换成 glm2 的地址即可使用。","https:\u002F\u002Fgithub.com\u002Fninehills\u002Fchatglm-openai-api\u002Fissues\u002F18",{"id":74,"question_zh":75,"answer_zh":76,"source_url":77},25,"为什么运行程序消耗 GPU 显存过多（如超过 46G）？","这可能涉及多卡并行推理设置。项目中有 commit 实现了多卡并行推理，但多卡的速度会比单卡慢一点。请检查是否有多卡并行的设置或相关配置。","https:\u002F\u002Fgithub.com\u002Fninehills\u002Fchatglm-openai-api\u002Fissues\u002F2",{"id":79,"question_zh":80,"answer_zh":81,"source_url":82},26,"在 Chatbot-UI 中偶尔出现乱码情况是什么原因？","原因是 ChatGLM 偶尔会输出表情符号，导致流式输出出现了乱码（字符切分问题）。该问题在上游 ChatGLM 项目中已修复，参考 issue THUDM\u002FChatGLM-6B#478。","https:\u002F\u002Fgithub.com\u002Fninehills\u002Fchatglm-openai-api\u002Fissues\u002F1",[],[85,95,104,112,120,133],{"id":86,"name":87,"github_repo":88,"description_zh":89,"stars":90,"difficulty_score":32,"last_commit_at":91,"category_tags":92,"status":44},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",[42,93,94],"图像","Agent",{"id":96,"name":97,"github_repo":98,"description_zh":99,"stars":100,"difficulty_score":101,"last_commit_at":102,"category_tags":103,"status":44},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",138956,2,"2026-04-05T11:33:21",[42,94,41],{"id":105,"name":106,"github_repo":107,"description_zh":108,"stars":109,"difficulty_score":101,"last_commit_at":110,"category_tags":111,"status":44},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。",107662,"2026-04-03T11:11:01",[42,93,94],{"id":113,"name":114,"github_repo":115,"description_zh":116,"stars":117,"difficulty_score":101,"last_commit_at":118,"category_tags":119,"status":44},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",[42,41],{"id":121,"name":122,"github_repo":123,"description_zh":124,"stars":125,"difficulty_score":101,"last_commit_at":126,"category_tags":127,"status":44},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。",84991,"2026-04-05T10:45:23",[93,128,129,130,94,131,41,42,132],"数据工具","视频","插件","其他","音频",{"id":134,"name":135,"github_repo":136,"description_zh":137,"stars":138,"difficulty_score":32,"last_commit_at":139,"category_tags":140,"status":44},3128,"ragflow","infiniflow\u002Fragflow","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。\n\n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。\n\n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。",77062,"2026-04-04T04:44:48",[94,93,42,41,131]]