[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-nlpinaction--learning-nlp":3,"tool-nlpinaction--learning-nlp":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",160411,2,"2026-04-18T23:33:24",[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。",109154,"2026-04-18T11:18:24",[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":74,"owner_location":74,"owner_email":74,"owner_twitter":74,"owner_website":74,"owner_url":75,"languages":76,"stars":89,"forks":90,"last_commit_at":91,"license":74,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":102,"updated_at":103,"faqs":104,"releases":135},9517,"nlpinaction\u002Flearning-nlp","learning-nlp","nlp in action","learning-nlp 是一本面向自然语言处理初学者的实战指南，旨在通过“理论 + 代码”的方式降低 NLP 的学习门槛。它系统地解决了初学者在面对抽象算法概念时难以落地、缺乏练习素材的痛点，将复杂的语言学知识转化为可运行的 Python 代码。\n\n该项目非常适合希望入门 NLP 领域的开发者、学生以及研究人员使用。内容覆盖从基础的中文分词、词性标注、命名实体识别，到进阶的关键词提取、句法分析、文本向量化及情感分析等核心任务。此外，它还详细讲解了传统机器学习算法与基于深度学习的现代 NLP 模型在其中的具体应用，帮助读者构建完整的知识体系。\n\n其独特的技术亮点在于强调“在行动中学习”，每一章节都配有针对性的实战代码，让用户不仅能理解原理，更能亲手复现算法效果。作为开源项目，learning-nlp 保持着活跃的社区互动，作者团队积极响应用户反馈并持续迭代优化，是新手探索自然语言处理世界的理想起点。","# 自然语言处理算法与实战\n本书主要是面向初学者，介绍了一些基础的入门知识和概念，同时提供一些偏向于实战的代码供给读者练习，这里是代码的主要介绍：\n* chapter-3 中文分词技术\n* chapter-4 词性标注与命名实体识别\n* chapter-5 关键词提取\n* chapter-6 句法分析\n* chapter-7 文本向量化\n* chapter-8 情感分析\n* chapter-9 NLP中用到的机器学习算法\n* chapter-10 基于深度学习的NLP算法\n\n**由于是初版，还存在不少小的问题，欢迎大家提issue，我们会积极地回复和改进，非常感谢大家。**\n","# 自然语言处理算法与实战\n本书主要面向初学者，介绍了一些基础的入门知识和概念，并提供一些偏向于实战的代码供读者练习。以下是各章节的主要内容介绍：\n* 第3章 中文分词技术\n* 第4章 词性标注与命名实体识别\n* 第5章 关键词提取\n* 第6章 句法分析\n* 第7章 文本向量化\n* 第8章 情感分析\n* 第9章 NLP中用到的机器学习算法\n* 第10章 基于深度学习的NLP算法\n\n**由于是初版，书中还存在不少小问题，欢迎大家提出issue，我们会积极回复并不断改进，非常感谢大家。**","# learning-nlp 快速上手指南\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**：Windows、macOS 或 Linux\n*   **Python 版本**：推荐 Python 3.6 及以上版本\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   `git` (用于克隆代码仓库)\n    *   基础科学计算库（安装过程中会自动处理，如 `numpy`, `scikit-learn`, `tensorflow\u002Fpytorch` 等，具体视章节代码而定）\n\n> **提示**：建议创建独立的虚拟环境（如使用 `venv` 或 `conda`）以避免依赖冲突。\n\n## 安装步骤\n\n1.  **克隆项目仓库**\n    打开终端，执行以下命令获取源代码：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fyour-repo\u002Flearning-nlp.git\n    cd learning-nlp\n    ```\n    *(注：请将上述 URL 替换为实际的仓库地址)*\n\n2.  **安装依赖包**\n    项目中通常包含 `requirements.txt` 文件，建议使用国内镜像源加速安装：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    如果项目中没有统一的依赖文件，请根据具体章节（如 chapter-3 到 chapter-10）目录下的说明单独安装所需库。\n\n## 基本使用\n\n本项目按章节组织代码，涵盖了从中文分词到深度学习算法的完整流程。以下以 **Chapter 3 中文分词技术** 为例展示最简单的使用方式：\n\n1.  进入对应章节目录：\n    ```bash\n    cd chapter-3\n    ```\n\n2.  运行示例脚本（假设脚本名为 `segment_demo.py`）：\n    ```bash\n    python segment_demo.py\n    ```\n\n3.  **代码逻辑示例**\n    大多数章节的代码结构相似，核心调用方式如下：\n    ```python\n    # 伪代码示例，具体请参考各章节源码\n    from nlp_utils import segment_text\n\n    text = \"自然语言处理是人工智能的重要领域\"\n    result = segment_text(text)\n    \n    print(result)\n    # 输出示例：['自然语言处理', '是', '人工智能', '的', '重要', '领域']\n    ```\n\n您可以依次探索 `chapter-4` 至 `chapter-10` 的目录，运行相应的 `.py` 文件来实践词性标注、情感分析及深度学习模型等实战内容。","某电商初创团队的数据分析师需要快速构建一个用户评论分析系统，以从海量中文反馈中提取产品改进线索。\n\n### 没有 learning-nlp 时\n- 面对中文分词和命名实体识别等基础任务，团队成员需从零查阅学术论文并手动复现算法，耗时数周仍难以跑通基准代码。\n- 缺乏统一的实战代码参考，导致关键词提取与情感分析模块由不同人员开发，数据接口格式混乱，集成测试困难重重。\n- 在尝试将文本转化为向量或应用深度学习模型时，因缺少循序渐进的示例，新手开发者频繁陷入环境配置与维度匹配的泥潭。\n- 遇到句法分析等复杂逻辑报错时，由于没有针对性的开源案例对照，排查问题只能靠盲目猜测，严重拖慢项目迭代节奏。\n\n### 使用 learning-nlp 后\n- 直接调用 chapter-3 和 chapter-4 中成熟的中文分词与实体识别代码，半天内即可完成数据预处理管道的搭建。\n- 依据 chapter-5 至 chapter-8 的标准化实战脚本，团队统一了关键词、句法及情感分析的输入输出规范，模块集成效率提升三倍。\n- 借助 chapter-7 和 chapter-10 提供的文本向量化与深度学习范例，初级工程师也能快速上手并调整模型参数，降低了技术门槛。\n- 遇到算法逻辑疑问时，可对照书中详细的章节代码进行调试，迅速定位并修复了多个潜在的数据处理漏洞。\n\nlearning-nlp 通过提供“算法原理 + 可运行代码”的一站式实战指南，将团队的自然语言处理研发周期从数月缩短至数天。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnlpinaction_learning-nlp_f9389cd6.png","nlpinaction","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnlpinaction_b7a8b13a.jpg",null,"https:\u002F\u002Fgithub.com\u002Fnlpinaction",[77,81,85],{"name":78,"color":79,"percentage":80},"Python","#3572A5",91.9,{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",8.1,{"name":86,"color":87,"percentage":88},"Shell","#89e051",0,1048,821,"2026-03-31T00:11:46",1,"","未说明",{"notes":96,"python":94,"dependencies":97},"README 内容仅为书籍章节介绍及初版声明，未包含具体的运行环境需求、依赖库列表或安装说明。",[],[14],[100,101],"python","machine-learning","2026-03-27T02:49:30.150509","2026-04-19T15:27:27.902889",[105,110,115,120,125,130],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},42709,"第三章中文分词代码中，__init__函数对词典最大长度的处理是否有误？","是的，原代码存在逻辑错误。不应将每一行读入的词长度直接赋值给最大长度变量，而应保留历史最大值。正确的做法是将 `self.maximum = len(line)` 修改为 `self.maximum = max(self.maximum, len(line))`。此外，在 cut 函数的 while 循环中，当 `if word is None:` 时，除了移动索引 `index -= 1` 外，还需将该单字加入结果列表 `result.append(text[index])`。维护者确认书中代码确实有问题，将在重印版中修正。","https:\u002F\u002Fgithub.com\u002Fnlpinaction\u002Flearning-nlp\u002Fissues\u002F4",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},42710,"运行第 8 章代码时出现 'Key rnn\u002Fbasic_lstm_cell\u002Fbias not found in checkpoint' 错误怎么办？","该问题是由于代码版本与模型文件不匹配导致的。维护者已提交修复补丁，请参考提交记录 https:\u002F\u002Fgithub.com\u002Fnlpinaction\u002Flearning-nlp\u002Fcommit\u002F0e119e692d67753443352c49b861aa163c2d1487 获取最新代码，拉取更新后即可解决该报错。","https:\u002F\u002Fgithub.com\u002Fnlpinaction\u002Flearning-nlp\u002Fissues\u002F3",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},42711,"为什么书中的部分代码看起来比较粗糙或难以直接运行？","该课程实战部分的主要目的是帮助读者领会算法的实现思路，而非提供生产级别的工具库，因此部分代码未经过深度封装和优化，显得较为粗糙。维护者表示未来会考虑持续优化和封装代码，以提升易用性。","https:\u002F\u002Fgithub.com\u002Fnlpinaction\u002Flearning-nlp\u002Fissues\u002F1",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},42712,"在 Windows 环境下运行 PCFG.py 遇到 'utf-8' codec can't decode byte 0xb4 编码错误如何解决？","这是典型的文件编码问题，通常发生在 Windows 系统读取非 UTF-8 编码（如 GBK）的文件时。虽然用户尝试转换文件编码未成功，但通用解决方案是在打开文件时显式指定编码格式。请在代码中使用 `open('filename', 'r', encoding='gbk')` 或 `encoding='utf-8'`（视文件实际编码而定）来读取数据。如果不确定编码，可使用文本编辑器查看并另存为 UTF-8 无 BOM 格式。","https:\u002F\u002Fgithub.com\u002Fnlpinaction\u002Flearning-nlp\u002Fissues\u002F16",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},42713,"书中第 70 页及后续章节的代码格式混乱，难以阅读，是否有修正计划？","维护者已收到关于代码格式混乱的反馈，并承认从该页开始代码格式存在问题。官方回复表示会在第二版中进行修正和校对，以改善代码的可读性，方便没有 Python 基础的读者学习。","https:\u002F\u002Fgithub.com\u002Fnlpinaction\u002Flearning-nlp\u002Fissues\u002F14",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},42714,"如何获取第七章所需的 zhwiki-latest-pages-articles.xml.bz2 数据文件？","该文件是维基百科的中文离线数据包。您可以访问维基百科官方数据下载页面 (https:\u002F\u002Fdumps.wikimedia.org\u002Fzhwiki\u002F) 找到最新的 `zhwiki-latest-pages-articles.xml.bz2` 文件进行下载。下载后将其放置在项目指定的 `data\u002F` 目录下即可。","https:\u002F\u002Fgithub.com\u002Fnlpinaction\u002Flearning-nlp\u002Fissues\u002F5",[]]