[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-noahshinn--reflexion":3,"similar-noahshinn--reflexion":87},{"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":17,"owner_location":18,"owner_email":17,"owner_twitter":17,"owner_website":19,"owner_url":20,"languages":21,"stars":34,"forks":35,"last_commit_at":36,"license":37,"difficulty_score":38,"env_os":39,"env_gpu":39,"env_ram":39,"env_deps":40,"category_tags":44,"github_topics":49,"view_count":38,"oss_zip_url":17,"oss_zip_packed_at":17,"status":53,"created_at":54,"updated_at":55,"faqs":56,"releases":86},3491,"noahshinn\u002Freflexion","reflexion","[NeurIPS 2023] Reflexion: Language Agents with Verbal Reinforcement Learning","Reflexion 是一款基于大语言模型的智能体框架，其核心理念是赋予 AI“自我反思”的能力。它通过引入类似人类的学习机制，让智能体在执行任务失败后，能够自动生成自然语言形式的反思总结，并将这些经验作为上下文反馈给下一次尝试，从而在不断试错中优化决策路径。\n\n该工具主要解决了传统大模型智能体在复杂推理、代码生成及多步决策任务中，因缺乏长期记忆和纠错机制而容易重复犯错的问题。通过这种“言语强化学习”，Reflexion 显著提升了模型在 HotPotQA 问答、AlfWorld 虚拟环境操作以及高难度编程挑战中的准确率与鲁棒性。\n\nReflexion 特别适合 AI 研究人员、大模型应用开发者以及对智能体自主学习能力感兴趣的技术探索者使用。其独特的技术亮点在于不依赖额外的模型训练或参数微调，仅利用现有的大模型推理能力，通过巧妙的提示工程（Prompt Engineering）架构，实现了高效的在线学习与性能迭代。项目开源了完整的实验代码、日志及演示 Notebook，方便用户复现论文结果或在自定义场景中进行二次开发，是探索下一代自适应 AI 代理的重要参考实现。","# [NeurIPS 2023] Reflexion: Language Agents with Verbal Reinforcement Learning\n\nThis repo holds the code, demos, and log files for [Reflexion: Language Agents with Verbal Reinforcement Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F2303.11366) by Noah Shinn, Federico Cassano, Edward Berman, Ashwin Gopinath, Karthik Narasimhan, Shunyu Yao. \n\n![Reflexion RL diagram](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnoahshinn_reflexion_readme_fb0254ee0408.png)\n\n![Reflexion tasks](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnoahshinn_reflexion_readme_4bb8666d6b6f.png)\n\nWe have released the LeetcodeHardGym [here](https:\u002F\u002Fgithub.com\u002FGammaTauAI\u002Fleetcode-hard-gym)\n\n## To Run: reasoning (HotPotQA)\n\nWe have provided a set of notebooks to easily run, explore, and interact with the results of the reasoning experiments. Each experiment consists of a random sample of 100 questions from the HotPotQA distractor dataset. Each question in the sample is attempted by an agent with a specific type and reflexion strategy.\n\n### Setup\n\nTo get started:\n\n1. Clone this repo and move to the HotPotQA directory:\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fnoahshinn\u002Freflexion && cd .\u002Fhotpotqa_runs\n```\n\n2. Install the module dependencies into your environment:\n\n```bash\npip install -r requirements.txt\n```\n\n3. Set `OPENAI_API_KEY` environment variable to your OpenAI API key:\n\n```bash\nexport OPENAI_API_KEY=\u003Cyour key>\n```\n\n#### Agent Types\n\nAgent type is determined by the notebook you choose to run. The available agent types include:\n\n- `ReAct` - ReAct Agent\n\n- `CoT_context` - CoT Agent given supporting context about the question \n\n- `CoT_no_context` - CoT Agent given no supporting context about the question\n\nThe notebook for each agent type is located in the `.\u002Fhotpot_runs\u002Fnotebooks` directory.\n\n#### Reflexion Strategies\n\nEach notebook allows you to specify the reflexion strategy to be used by the agents. The available reflexion strategies, which are defined in an `Enum`, include:\n\n- `ReflexionStrategy.NONE` - The agent is not given any information about its last attempt. \n\n- `ReflexionStrategy.LAST_ATTEMPT` - The agent is given its reasoning trace from its last attempt on the question as context.\n\n- `ReflexionStrategy.REFLEXION` - The agent is given its self-reflection on the last attempt as context. \n\n- `ReflexionStrategy.LAST_ATTEMPT_AND_REFLEXION` -  The agent is given both its reasoning trace and self-reflection on the last attempt as context.\n\n### To Run: decision-making (AlfWorld)\n\nClone this repo and move to the AlfWorld directory\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fnoahshinn\u002Freflexion && cd .\u002Falfworld_runs\n```\n\nSpecify the run parameters in `.\u002Frun_reflexion.sh`.\n`num_trials`: number of iterative learning steps\n`num_envs`: number of task-environment pairs per trial\n`run_name`: the name for this run\n`use_memory`: use persisting memory to store self-reflections (turn off to run a baseline run)\n`is_resume`: use logging directory to resume a previous run\n`resume_dir`: the logging directory from which to resume the previous run\n`start_trial_num`: if resume run, then the trial number of which to start\n\nRun the trial\n\n```bash\n.\u002Frun_reflexion.sh\n```\n\nThe logs will be sent to `.\u002Froot\u002F\u003Crun_name>`.\n\n### Another Note\n\nDue to the nature of these experiments, it may not be feasible for individual developers to rerun the results as GPT-4 has limited access and significant API charges. All runs from the paper and additional results are logged in `.\u002Falfworld_runs\u002Froot` for decision-making, `.\u002Fhotpotqa_runs\u002Froot` for reasoning, and `.\u002Fprogramming_runs\u002Froot` for programming\n\n### Other Notes\n\nCheck out the original implementation [here](https:\u002F\u002Fgithub.com\u002Fnoahshinn\u002Freflexion-draft)\n\nRead one of the original blog posts [here](https:\u002F\u002Fnanothoughts.substack.com\u002Fp\u002Freflecting-on-reflexion)\n\nCheck out an [Appl](https:\u002F\u002Fgithub.com\u002Fappl-team\u002Fappl) implementation [here](https:\u002F\u002Fgithub.com\u002Fappl-team\u002Freppl\u002Ftree\u002Fmain\u002Freflexion).\n\nCheck out an interesting type-prediction implementation here: [OpenTau](https:\u002F\u002Fgithub.com\u002FGammaTauAI\u002Fopentau)\n\nFor all questions, contact [noahrshinn@gmail.com](noahrshinn@gmail.com)\n\n### Cite\n\n```bibtex\n@misc{shinn2023reflexion,\n      title={Reflexion: Language Agents with Verbal Reinforcement Learning}, \n      author={Noah Shinn and Federico Cassano and Edward Berman and Ashwin Gopinath and Karthik Narasimhan and Shunyu Yao},\n      year={2023},\n      eprint={2303.11366},\n      archivePrefix={arXiv},\n      primaryClass={cs.AI}\n}\n```\n","# [NeurIPS 2023] 反思：基于言语强化学习的语言智能体\n\n本仓库包含由Noah Shinn、Federico Cassano、Edward Berman、Ashwin Gopinath、Karthik Narasimhan和Shunyu Yao共同撰写的论文《反思：基于言语强化学习的语言智能体》（[arXiv链接](https:\u002F\u002Farxiv.org\u002Fabs\u002F2303.11366)）的代码、演示及日志文件。\n\n![反思强化学习示意图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnoahshinn_reflexion_readme_fb0254ee0408.png)\n\n![反思任务示意图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnoahshinn_reflexion_readme_4bb8666d6b6f.png)\n\n我们已在[这里](https:\u002F\u002Fgithub.com\u002FGammaTauAI\u002Fleetcode-hard-gym)发布了LeetcodeHardGym环境。\n\n## 运行：推理任务（HotPotQA）\n\n我们提供了一组Notebook，方便您运行、探索并交互式地查看推理实验的结果。每个实验都从HotPotQA干扰数据集中随机抽取100道题目，每种类型的智能体都会尝试这些题目，并采用不同的反思策略。\n\n### 环境准备\n\n开始之前，请按照以下步骤操作：\n\n1. 克隆本仓库并进入HotPotQA目录：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fnoahshinn\u002Freflexion && cd .\u002Fhotpotqa_runs\n```\n\n2. 在您的环境中安装所需的依赖包：\n\n```bash\npip install -r requirements.txt\n```\n\n3. 设置`OPENAI_API_KEY`环境变量，填入您的OpenAI API密钥：\n\n```bash\nexport OPENAI_API_KEY=\u003Cyour key>\n```\n\n#### 智能体类型\n\n您选择运行的Notebook决定了智能体的类型。可用的智能体类型包括：\n\n- `ReAct`：ReAct智能体\n- `CoT_context`：在提供问题相关背景信息的情况下使用思维链的智能体\n- `CoT_no_context`：在不提供任何背景信息的情况下使用思维链的智能体\n\n每种智能体类型的Notebook位于`.\u002Fhotpot_runs\u002Fnotebooks`目录下。\n\n#### 反思策略\n\n每个Notebook允许您指定智能体所使用的反思策略。可用的反思策略定义在一个枚举中，包括：\n\n- `ReflexionStrategy.NONE`：智能体不会收到关于其上一次尝试的信息。\n- `ReflexionStrategy.LAST_ATTEMPT`：智能体将获得其上一次尝试的推理轨迹作为上下文。\n- `ReflexionStrategy.REFLEXION`：智能体将获得其对上一次尝试的自我反思作为上下文。\n- `ReflexionStrategy.LAST_ATTEMPT_AND_REFLEXION`：智能体将同时获得其上一次尝试的推理轨迹和自我反思作为上下文。\n\n### 运行：决策任务（AlfWorld）\n\n克隆本仓库并进入AlfWorld目录：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fnoahshinn\u002Freflexion && cd .\u002Falfworld_runs\n```\n\n在`.\u002Frun_reflexion.sh`中指定运行参数：\n\n- `num_trials`：迭代学习的次数\n- `num_envs`：每次试验中任务-环境组合的数量\n- `run_name`：本次运行的名称\n- `use_memory`：是否使用持久化内存存储自我反思（关闭以运行基准实验）\n- `is_resume`：是否使用日志目录继续之前的运行\n- `resume_dir`：用于恢复先前运行的日志目录\n- `start_trial_num`：如果继续运行，则指定从哪个试验编号开始\n\n然后运行试验：\n\n```bash\n.\u002Frun_reflexion.sh\n```\n\n日志将被保存到`.\u002Froot\u002F\u003Crun_name>`目录下。\n\n### 补充说明\n\n由于实验的特殊性，个人开发者可能难以复现结果——毕竟GPT-4的访问权限有限且API调用费用高昂。论文中的所有运行记录以及额外的结果均已记录在以下目录中：决策任务为`.\u002Falfworld_runs\u002Froot`，推理任务为`.\u002Fhotpotqa_runs\u002Froot`，编程任务为`.\u002Fprogramming_runs\u002Froot`。\n\n### 其他说明\n\n您可以在此处查看原始实现：[GitHub仓库](https:\u002F\u002Fgithub.com\u002Fnoahshinn\u002Freflexion-draft)\n\n阅读其中一篇原始博客文章：[NanoThoughts博客](https:\u002F\u002Fnanothoughts.substack.com\u002Fp\u002Freflecting-on-reflexion)\n\n此外，还有一个由Appl团队实现的版本：[Appl GitHub仓库](https:\u002F\u002Fgithub.com\u002Fappl-team\u002Freppl\u002Ftree\u002Fmain\u002Freflexion)\n\n还有一个有趣的类型预测实现：[OpenTau](https:\u002F\u002Fgithub.com\u002FGammaTauAI\u002Fopentau)\n\n如有任何问题，请联系：[noahrshinn@gmail.com](noahrshinn@gmail.com)\n\n### 引用格式\n\n```bibtex\n@misc{shinn2023reflexion,\n      title={Reflexion: Language Agents with Verbal Reinforcement Learning}, \n      author={Noah Shinn and Federico Cassano and Edward Berman and Ashwin Gopinath and Karthik Narasimhan and Shunyu Yao},\n      year={2023},\n      eprint={2303.11366},\n      archivePrefix={arXiv},\n      primaryClass={cs.AI}\n}\n```","# Reflexion 快速上手指南\n\nReflexion 是一个基于语言代理的框架，通过“言语强化学习”（Verbal Reinforcement Learning）让 AI 智能体在失败后进行自我反思，从而提升推理和决策能力。本项目复现了 NeurIPS 2023 论文《Reflexion: Language Agents with Verbal Reinforcement Learning》中的实验。\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**：Linux 或 macOS（Windows 用户建议使用 WSL2）。\n*   **Python 版本**：推荐 Python 3.8 或更高版本。\n*   **依赖项**：需要安装 `git` 和 `pip`。\n*   **API 密钥**：必须拥有有效的 OpenAI API Key（由于实验主要基于 GPT-4，请确保账户有相应访问权限及额度）。\n\n## 安装步骤\n\n以下以**推理任务（HotPotQA）**为例进行安装，决策任务（AlfWorld）的安装逻辑类似。\n\n1.  **克隆仓库并进入目录**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fnoahshinn\u002Freflexion && cd .\u002Fhotpotqa_runs\n    ```\n\n2.  **安装依赖包**\n    *注：若下载速度较慢，可临时指定国内镜像源（如清华源）安装。*\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n3.  **配置 OpenAI API Key**\n    将 `\u003Cyour key>` 替换为您实际的 API Key。\n    ```bash\n    export OPENAI_API_KEY=\u003Cyour key>\n    ```\n\n## 基本使用\n\nReflexion 提供了 Jupyter Notebook 以便轻松运行和探索实验结果。每个实验会从 HotPotQA 数据集中随机抽取 100 个问题，由不同策略的智能体进行尝试。\n\n### 1. 选择智能体类型\n在 `.\u002Fhotpot_runs\u002Fnotebooks` 目录下，根据你想测试的智能体类型选择对应的 Notebook：\n*   `ReAct`：标准的 ReAct 智能体。\n*   `CoT_context`：提供问题支持上下文的思维链（CoT）智能体。\n*   `CoT_no_context`：不提供支持上下文的思维链（CoT）智能体。\n\n### 2. 配置反思策略\n在运行的 Notebook 中，你可以指定智能体使用的反思策略（通过 `ReflexionStrategy` 枚举定义）：\n\n*   `ReflexionStrategy.NONE`：不给予智能体任何关于上次尝试的信息（基线）。\n*   `ReflexionStrategy.LAST_ATTEMPT`：将上次尝试的推理轨迹作为上下文提供给智能体。\n*   `ReflexionStrategy.REFLEXION`：将智能体对上次尝试的**自我反思**作为上下文提供。\n*   `ReflexionStrategy.LAST_ATTEMPT_AND_REFLEXION`：同时提供推理轨迹和自我反思。\n\n### 3. 运行示例\n打开选定的 Notebook（例如针对 ReAct 代理的 notebook），按照单元格顺序执行代码即可启动实验。日志和结果将在 Notebook 输出中实时显示。\n\n---\n\n**附：决策任务（AlfWorld）运行简述**\n若需运行决策任务，请进入 `.\u002Falfworld_runs` 目录，修改 `.\u002Frun_reflexion.sh` 脚本中的参数（如 `num_trials`, `use_memory` 等），然后执行：\n```bash\n.\u002Frun_reflexion.sh\n```\n运行日志将保存在 `.\u002Froot\u002F\u003Crun_name>` 目录下。\n\n> **注意**：由于 GPT-4 的访问限制和高昂的 API 费用，个人开发者完全复现论文所有结果可能较为困难。项目中已预置了部分实验的日志文件（位于各目录下的 `root` 文件夹），可供直接分析。","某数据科学团队正利用大语言模型构建自动化复杂问答系统，需从海量干扰信息中精准提取答案并生成推理报告。\n\n### 没有 reflexion 时\n- 模型在面对 HotPotQA 等多跳推理问题时，一旦首次推理路径错误，便会固执地沿错误逻辑继续生成，无法自我纠正。\n- 缺乏对失败尝试的复盘机制，每次重试都像是“失忆”般重新开始，导致同样的逻辑陷阱被反复踩踏。\n- 在长链条任务中，中间步骤的微小偏差会累积成最终结果的完全偏离，且系统无法识别偏差来源。\n- 开发人员不得不人工介入审查大量错误日志，手动编写规则来修补特定的推理漏洞，效率极低。\n\n### 使用 reflexion 后\n- 模型在每次尝试失败后，能自动生成自然的语言反思（Self-Reflection），明确指出上一步推理为何出错，并将其作为上下文输入下一次尝试。\n- 通过“言语强化学习”，代理能够记住之前的思维轨迹和反思内容，在后续迭代中主动避开已知的逻辑死胡同。\n- 面对复杂的多步决策，reflexion 让模型具备了动态调整策略的能力，显著提升了在 AlfWorld 等环境中的任务成功率。\n- 系统实现了闭环自我优化，减少了对人工规则调整的依赖，让智能体在处理未见过的难题时表现出更强的鲁棒性。\n\nreflexion 的核心价值在于赋予语言代理“吃一堑长一智”的自我进化能力，将单次博弈的静态模型转化为能从失败中持续学习的动态智能体。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnoahshinn_reflexion_1093f0d6.png","noahshinn","Noah Shinn","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnoahshinn_11f33845.png",null,"San Francisco, CA","https:\u002F\u002Fnoahshinn.com","https:\u002F\u002Fgithub.com\u002Fnoahshinn",[22,26,30],{"name":23,"color":24,"percentage":25},"Python","#3572A5",90.1,{"name":27,"color":28,"percentage":29},"Jupyter Notebook","#DA5B0B",7.9,{"name":31,"color":32,"percentage":33},"Shell","#89e051",2.1,3114,300,"2026-04-01T16:43:46","MIT",2,"未说明",{"notes":41,"python":39,"dependencies":42},"该项目主要依赖 OpenAI API（如 GPT-4）进行推理，而非本地运行大型模型，因此对本地 GPU 和内存无特殊硬性要求。但由于 GPT-4 访问受限且 API 调用费用高昂，个人开发者复现论文结果可能面临困难。项目提供了预记录的日志文件供参考。安装依赖需执行 `pip install -r requirements.txt`。",[43],"OpenAI API (需设置 OPENAI_API_KEY)",[45,46,47,48],"语言模型","图像","Agent","开发框架",[50,51,52],"ai","artificial-intelligence","llm","ready","2026-03-27T02:49:30.150509","2026-04-06T06:45:58.459008",[57,62,67,72,77,82],{"id":58,"question_zh":59,"answer_zh":60,"source_url":61},16016,"为什么我无法复现论文中报告的 HumanEval 分数（只得到约 80%）且任务数量是 161 而不是 164？","这是因为项目使用的是 MultiPL-E 基准测试，而非原始的 HumanEval 数据集。原始 HumanEval 包含 164 个任务，但其中存在数据不干净的问题。MultiPL-E 对其进行了以下调整以确保评估的可靠性：\n1. 排除了 3 个在提示中包含 Python 辅助函数的基准测试；\n2. 修改了 2 个基准测试，使用单元测试替代随机测试；\n3. 对于某些类型语言，有最多 5 个基准测试因类型无法转换而编译失败。\n这些调整导致最终任务数为 161 个。建议后续使用 EvalPlus 或避免直接使用原始 HumanEval 数据集以获得更稳健的评估结果。","https:\u002F\u002Fgithub.com\u002Fnoahshinn\u002Freflexion\u002Fissues\u002F30",{"id":63,"question_zh":64,"answer_zh":65,"source_url":66},16017,"如何解读结果文件中的 `is_solved` 字段？如果该字段为 False，在哪里可以看到模型生成的错误解决方案？","`is_solved` 字段表示是否所有测试用例都通过（基于断言，要么全过要么全不过）。早期版本的代码为了节省空间，仅在 `is_solved` 为 True 时记录解决方案，导致 False 时该字段为空。维护者已更新代码逻辑并重新运行了部分实验。如果您需要查看未通过的预测方案，请使用更新后的代码库重新运行基准测试，或使用提供的 `.\u002Fvalidate_py_results.py` 工具脚本来处理新生成的结果文件。","https:\u002F\u002Fgithub.com\u002Fnoahshinn\u002Freflexion\u002Fissues\u002F3",{"id":68,"question_zh":69,"answer_zh":70,"source_url":71},16018,"在 HotpotQA 任务中，为什么将 temperature 设置为 0？如果设置为非零值（如 0.7 或 1），Reflexion 的效果会如何？","HotpotQA 是一个问答任务，设置 temperature=0 是为了确保基线（ReAct only）的输出确定性，从而公平地衡量 Reflexion 带来的相对提升。关于非零温度的实验，社区用户反馈发现：当 temperature 设为 0.7 或 1 时，纯 ReAct 的效果有时甚至优于 ReAct+Reflexion。这表明在温度较高导致基线本身具有多样性时，Reflexion 的优势可能不明显。作者指出这是一个评估短答案 QA 的长期难题，并鼓励用户在不同温度下进行实验以验证相对改进效果。","https:\u002F\u002Fgithub.com\u002Fnoahshinn\u002Freflexion\u002Fissues\u002F24",{"id":73,"question_zh":74,"answer_zh":75,"source_url":76},16019,"在推理阶段（没有黄金标签\u002F标准答案时），Reflexion 框架如何进行自我反思？","在训练和评估阶段（如 HotpotQA），框架确实依赖 Oracle evaluator（黄金标签）来判断是否需要反思以及反思是否成功。但在实际推理应用中，如果没有黄金标签，通常需要替代方案：\n1. 使用另一个 LLM 作为评判者（LLM-as-a-judge）来评估生成的答案质量；\n2. 利用环境反馈（如在 Alfworld 或编程任务中，通过代码执行结果或环境状态判断成功与否）；\n3. 对于开放域问答，可能需要结合检索增强或其他启发式规则来模拟“正确性”信号。原项目主要关注有明确验证信号的场景，无监督推理需自行设计验证器。","https:\u002F\u002Fgithub.com\u002Fnoahshinn\u002Freflexion\u002Fissues\u002F11",{"id":78,"question_zh":79,"answer_zh":80,"source_url":81},16020,"Alfworld 的成功率似乎异常高，是否存在成功条件判断的逻辑错误？","有用户指出代码中可能存在逻辑漏洞：当环境达到最大步数限制时，无论目标是否达成，`alfworld_run` 函数都可能返回 True，从而导致成功率虚高。维护者回应称，他们使用的是 gpt-3.5 (text-davinci-003) 而非 gpt-3.5-turbo，推测聊天模型可能因动作空间定义不完整导致的格式错误而表现较差。建议用户检查日志文件，确认失败是由于动作选择错误还是动作格式指定错误引起的，以排查是否为模型差异或真正的代码逻辑问题。","https:\u002F\u002Fgithub.com\u002Fnoahshinn\u002Freflexion\u002Fissues\u002F19",{"id":83,"question_zh":84,"answer_zh":85,"source_url":81},16021,"为什么我复现 Alfworld 实验时的成功率远低于论文报告的结果？","成功率偏低可能与使用的模型版本及动作空间定义有关。原实验使用的是 `text-davinci-003`，而许多复现者可能使用了 `gpt-3.5-turbo` 或其他聊天模型。聊天模型在处理未在每个步骤明确定义的完整动作空间时，更容易出现格式错误。此外，请仔细检查日志，区分是因为模型选择了错误的动作，还是因为生成的动作格式不符合环境要求（incorrect action specification）。建议严格对齐原论文的模型配置和提示词工程。",[],[88,97,105,113,121,134],{"id":89,"name":90,"github_repo":91,"description_zh":92,"stars":93,"difficulty_score":94,"last_commit_at":95,"category_tags":96,"status":53},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。",162132,3,"2026-04-05T11:01:52",[48,46,47],{"id":98,"name":99,"github_repo":100,"description_zh":101,"stars":102,"difficulty_score":38,"last_commit_at":103,"category_tags":104,"status":53},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,"2026-04-05T11:33:21",[48,47,45],{"id":106,"name":107,"github_repo":108,"description_zh":109,"stars":110,"difficulty_score":38,"last_commit_at":111,"category_tags":112,"status":53},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",[48,46,47],{"id":114,"name":115,"github_repo":116,"description_zh":117,"stars":118,"difficulty_score":38,"last_commit_at":119,"category_tags":120,"status":53},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",[48,45],{"id":122,"name":123,"github_repo":124,"description_zh":125,"stars":126,"difficulty_score":38,"last_commit_at":127,"category_tags":128,"status":53},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",[46,129,130,131,47,132,45,48,133],"数据工具","视频","插件","其他","音频",{"id":135,"name":136,"github_repo":137,"description_zh":138,"stars":139,"difficulty_score":94,"last_commit_at":140,"category_tags":141,"status":53},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",[47,46,48,45,132]]