[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-princeton-nlp--tree-of-thought-llm":3,"tool-princeton-nlp--tree-of-thought-llm":64},[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},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",[13,14,15],"开发框架","图像","Agent","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},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"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":10,"last_commit_at":62,"category_tags":63,"status":16},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",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":95,"forks":96,"last_commit_at":97,"license":98,"difficulty_score":23,"env_os":99,"env_gpu":100,"env_ram":100,"env_deps":101,"category_tags":106,"github_topics":107,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":113,"updated_at":114,"faqs":115,"releases":146},887,"princeton-nlp\u002Ftree-of-thought-llm","tree-of-thought-llm","[NeurIPS 2023] Tree of Thoughts: Deliberate Problem Solving with Large Language Models","Tree-of-thought-llm 是一个开源工具，它实现了“思维树”框架，旨在增强大型语言模型在复杂推理任务中的问题解决能力。传统模型通常以线性方式生成回答，而该工具通过模拟人类思考中的分支与回溯过程，允许模型同时探索多种推理路径，并动态评估和选择最有希望的思路，从而更系统、更可靠地处理需要多步骤逻辑推理的难题。\n\n它主要解决了大语言模型在应对数学谜题、创意写作或规划类任务时，可能出现的推理步骤混乱、缺乏全局规划或容易陷入死胡同的问题。通过结构化的“思考-评估-选择”循环，提升了模型解题的准确性和连贯性。\n\n该工具非常适合人工智能领域的研究人员、开发者以及对高级提示工程技术感兴趣的高级用户。它为用户提供了一个实践框架，用以探索和实验大语言模型在复杂场景下的推理能力极限，也可作为构建更可靠AI应用的原型基础。\n\n其技术亮点在于将经典的搜索算法（如广度优先搜索）与大语言模型的生成能力相结合，提供了一套可复现的实验代码库，支持用户在不同任务（如24点游戏、创意写作）上测试并比较“思维树”方法与传统提示技术的效果。","# Official Repo of Tree of Thoughts (ToT)\n\n\u003Cp>\n    \u003Ca href=\"https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Ftree-of-thoughts-llm\">\n        \u003Cimg src=\"https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Ftree-of-thoughts-llm.svg\">\n    \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fwww.python.org\u002F\">\n        \u003Cimg alt=\"Build\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.7+-1f425f.svg?color=purple\">\n    \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fcopyright.princeton.edu\u002Fpolicy\">\n        \u003Cimg alt=\"License\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-blue\">\n    \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fzenodo.org\u002Fbadge\u002Flatestdoi\u002F642099326\">\n        \u003Cimg src=\"https:\u002F\u002Fzenodo.org\u002Fbadge\u002F642099326.svg\">\n    \u003C\u002Fa>\n\u003C\u002Fp>\n\n![teaser](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fprinceton-nlp_tree-of-thought-llm_readme_408297ef014c.png)\n\nOfficial implementation for paper [Tree of Thoughts: Deliberate Problem Solving with Large Language Models](https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.10601) with code, prompts, model outputs.\nAlso check [its tweet thread](https:\u002F\u002Ftwitter.com\u002FShunyuYao12\u002Fstatus\u002F1659357547474681857) in 1min.\n\n\n\n\n\n## Setup\n1. Set up OpenAI API key and store in environment variable ``OPENAI_API_KEY`` (see [here](https:\u002F\u002Fhelp.openai.com\u002Fen\u002Farticles\u002F5112595-best-practices-for-api-key-safety)). \n\n2. Install `tot` package in two ways:\n- Option 1: Install from PyPI\n```bash\npip install tree-of-thoughts-llm\n```\n- Option 2: Install from source\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fprinceton-nlp\u002Ftree-of-thought-llm\ncd tree-of-thought-llm\npip install -r requirements.txt\npip install -e .  # install `tot` package\n```\n\n\n## Quick Start\nThe following minimal script will attempt to solve the game of 24 with `4 5 6 10` (might be a bit slow as it's using GPT-4):\n```python\nimport argparse\nfrom tot.methods.bfs import solve\nfrom tot.tasks.game24 import Game24Task\n\nargs = argparse.Namespace(backend='gpt-4', temperature=0.7, task='game24', naive_run=False, prompt_sample=None, method_generate='propose', method_evaluate='value', method_select='greedy', n_generate_sample=1, n_evaluate_sample=3, n_select_sample=5)\n\ntask = Game24Task()\nys, infos = solve(args, task, 900)\nprint(ys[0])\n```\n\nAnd the output would be something like (note it's not deterministic, and sometimes the output can be wrong):\n```\n10 - 4 = 6 (left: 5 6 6)\n5 * 6 = 30 (left: 6 30)\n30 - 6 = 24 (left: 24)\nAnswer: (5 * (10 - 4)) - 6 = 24\n```\n\n## Paper Experiments\n\nRun experiments via ``sh scripts\u002F{game24, text, crosswords}\u002F{standard_sampling, cot_sampling, bfs}.sh``, except in crosswords we use a DFS algorithm for ToT, which can be run via ``scripts\u002Fcrosswords\u002Fsearch_crosswords-dfs.ipynb``.\n\nThe very simple ``run.py`` implements the ToT + BFS algorithm, as well as the naive IO\u002FCoT sampling. Some key arguments:\n\n- ``--naive_run``: if True, run naive IO\u002FCoT sampling instead of ToT + BFS.\n-  ``--prompt_sample`` (choices=[``standard``, ``cot``]): sampling prompt\n- ``--method_generate`` (choices=[``sample``, ``propose``]): thought generator, whether to sample independent thoughts (used in Creative Writing) or propose sequential thoughts (used in Game of 24)\n- ``--method_evaluate`` (choices=[``value``, ``vote``]): state evaluator, whether to use the value states independently (used in Game of 24) or vote on states together (used in Creative Writing)\n- ``--n_generate_sample``: number of times to prompt for thought generation\n- ``--n_evaluate_sample``: number of times to prompt for state evaluation\n- ``--n_select_sample``: number of states to keep from each step (i.e. ``b`` in the paper's ToT + BFS algorithm)\n\n\n\n## Paper Trajectories\n``logs\u002F`` contains all the trajectories from the paper's experiments, except for ``logs\u002Fgame24\u002Fgpt-4_0.7_propose1_value3_greedy5_start900_end1000.json`` which was reproduced after the paper (as the original experiment was done in a notebook) and achieved a 69\\% score instead of the original 74\\% score due to randomness in GPT decoding. We hope to aggregate multiple runs in the future to account for sampling randomness and update the paper, but this shouldn't affect the main conclusions of the paper.\n\n## How to Add A New Task\nSetting up a new task is easy, and mainly involves two steps.\n* Set up a new task class in ``tot\u002Ftasks\u002F`` and task files in ``tot\u002Fdata\u002F``. See ``tot\u002Ftasks\u002Fgame24.py`` for an example. Add the task to ``tot\u002Ftasks\u002F__init__.py``.\n* Set up task-specific prompts in ``tot\u002Fprompts\u002F``. See ``tot\u002Fprompts\u002Fgame24.py`` for an example. Depending on the nature of the task, choose ``--method_generate`` (choices=[``sample``, ``propose``]) and ``--method_evaluate`` (choices=[``value``, ``vote``]) and their corresponding prompts. \n\n## Citations\nPlease cite the paper and star this repo if you use ToT and find it interesting\u002Fuseful, thanks! Feel free to contact shunyuyao.cs@gmail.com or open an issue if you have any questions.\n\n```bibtex\n@misc{yao2023tree,\n      title={{Tree of Thoughts}: Deliberate Problem Solving with Large Language Models}, \n      author={Shunyu Yao and Dian Yu and Jeffrey Zhao and Izhak Shafran and Thomas L. Griffiths and Yuan Cao and Karthik Narasimhan},\n      year={2023},\n      eprint={2305.10601},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL}\n}\n```\n","# Tree of Thoughts (ToT) 官方仓库\n\n\u003Cp>\n    \u003Ca href=\"https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Ftree-of-thoughts-llm\">\n        \u003Cimg src=\"https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Ftree-of-thoughts-llm.svg\">\n    \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fwww.python.org\u002F\">\n        \u003Cimg alt=\"Build\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.7+-1f425f.svg?color=purple\">\n    \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fcopyright.princeton.edu\u002Fpolicy\">\n        \u003Cimg alt=\"License\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-blue\">\n    \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fzenodo.org\u002Fbadge\u002Flatestdoi\u002F642099326\">\n        \u003Cimg src=\"https:\u002F\u002Fzenodo.org\u002Fbadge\u002F642099326.svg\">\n    \u003C\u002Fa>\n\u003C\u002Fp>\n\n![teaser](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fprinceton-nlp_tree-of-thought-llm_readme_408297ef014c.png)\n\n论文《Tree of Thoughts: Deliberate Problem Solving with Large Language Models》（思维树：利用大型语言模型进行审慎问题求解）的官方实现，包含代码、提示词和模型输出。\n也可在一分钟内查看[其推文线程](https:\u002F\u002Ftwitter.com\u002FShunyuYao12\u002Fstatus\u002F1659357547474681857)。\n\n\n\n\n\n## 设置\n1.  设置 OpenAI API 密钥并存储在环境变量 `OPENAI_API_KEY` 中（参见[此处](https:\u002F\u002Fhelp.openai.com\u002Fen\u002Farticles\u002F5112595-best-practices-for-api-key-safety)）。\n\n2.  通过以下两种方式之一安装 `tot` 包：\n    - 选项 1：从 PyPI 安装\n    ```bash\n    pip install tree-of-thoughts-llm\n    ```\n    - 选项 2：从源码安装\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fprinceton-nlp\u002Ftree-of-thought-llm\n    cd tree-of-thought-llm\n    pip install -r requirements.txt\n    pip install -e .  # 安装 `tot` 包\n    ```\n\n\n## 快速开始\n以下最小脚本将尝试使用数字 `4 5 6 10` 解决 24 点游戏（可能会有点慢，因为它使用的是 GPT-4）：\n```python\nimport argparse\nfrom tot.methods.bfs import solve\nfrom tot.tasks.game24 import Game24Task\n\nargs = argparse.Namespace(backend='gpt-4', temperature=0.7, task='game24', naive_run=False, prompt_sample=None, method_generate='propose', method_evaluate='value', method_select='greedy', n_generate_sample=1, n_evaluate_sample=3, n_select_sample=5)\n\ntask = Game24Task()\nys, infos = solve(args, task, 900)\nprint(ys[0])\n```\n\n输出可能类似于以下内容（注意这不是确定性的，有时输出可能是错误的）：\n```\n10 - 4 = 6 (剩余: 5 6 6)\n5 * 6 = 30 (剩余: 6 30)\n30 - 6 = 24 (剩余: 24)\n答案: (5 * (10 - 4)) - 6 = 24\n```\n\n## 论文实验\n\n通过运行 ``sh scripts\u002F{game24, text, crosswords}\u002F{standard_sampling, cot_sampling, bfs}.sh`` 来执行实验，除了在填字游戏中我们使用 DFS（深度优先搜索）算法进行 ToT，可以通过 ``scripts\u002Fcrosswords\u002Fsearch_crosswords-dfs.ipynb`` 运行。\n\n非常简单的 ``run.py`` 实现了 ToT + BFS（广度优先搜索）算法，以及朴素的 IO\u002FCoT（思维链）采样。一些关键参数：\n\n- ``--naive_run``：如果为 True，则运行朴素的 IO\u002FCoT 采样，而不是 ToT + BFS。\n-  ``--prompt_sample`` (选项=[``standard``, ``cot``])：采样提示词\n- ``--method_generate`` (选项=[``sample``, ``propose``])：思维生成器，是采样独立的思维（用于创意写作）还是提出连续的思维（用于 24 点游戏）\n- ``--method_evaluate`` (选项=[``value``, ``vote``])：状态评估器，是独立评估状态值（用于 24 点游戏）还是共同对状态进行投票（用于创意写作）\n- ``--n_generate_sample``：提示进行思维生成的次数\n- ``--n_evaluate_sample``：提示进行状态评估的次数\n- ``--n_select_sample``：每一步保留的状态数量（即论文中 ToT + BFS 算法里的 ``b`` 参数）\n\n\n\n## 论文轨迹\n``logs\u002F`` 目录包含了论文实验中的所有轨迹，除了 ``logs\u002Fgame24\u002Fgpt-4_0.7_propose1_value3_greedy5_start900_end1000.json``，该文件是在论文发表后复现的（因为原始实验是在 notebook 中完成的），并且由于 GPT 解码的随机性，获得了 69\\% 的分数，而不是原始的 74\\% 分数。我们希望将来能聚合多次运行以考虑采样随机性并更新论文，但这不应影响论文的主要结论。\n\n## 如何添加新任务\n设置新任务很容易，主要涉及两个步骤。\n* 在 ``tot\u002Ftasks\u002F`` 中设置一个新的任务类，并在 ``tot\u002Fdata\u002F`` 中放置任务文件。请参考 ``tot\u002Ftasks\u002Fgame24.py`` 作为示例。将任务添加到 ``tot\u002Ftasks\u002F__init__.py`` 中。\n* 在 ``tot\u002Fprompts\u002F`` 中设置特定于任务的提示词。请参考 ``tot\u002Fprompts\u002Fgame24.py`` 作为示例。根据任务的性质，选择 ``--method_generate`` (选项=[``sample``, ``propose``]) 和 ``--method_evaluate`` (选项=[``value``, ``vote``]) 以及它们对应的提示词。\n\n## 引用\n如果您使用了 ToT 并觉得它有趣\u002F有用，请引用该论文并给本仓库点星，谢谢！如有任何问题，请随时联系 shunyuyao.cs@gmail.com 或提交 issue。\n\n```bibtex\n@misc{yao2023tree,\n      title={{Tree of Thoughts}: Deliberate Problem Solving with Large Language Models}, \n      author={Shunyu Yao and Dian Yu and Jeffrey Zhao and Izhak Shafran and Thomas L. Griffiths and Yuan Cao and Karthik Narasimhan},\n      year={2023},\n      eprint={2305.10601},\n      archivePrefix={arXiv},\n      primaryClass={cs.CL}\n}\n```","# Tree of Thoughts (ToT) 快速上手指南\n\n## 环境准备\n\n- **Python 版本**: 3.7 或更高版本。\n- **OpenAI API 密钥**: 需要一个有效的 OpenAI API 密钥，用于调用 GPT 模型。请妥善保管您的 API 密钥。\n- **网络连接**: 需要能够访问 OpenAI API 服务。\n\n## 安装步骤\n\n### 1. 设置 API 密钥\n将您的 OpenAI API 密钥设置为环境变量。\n```bash\nexport OPENAI_API_KEY='您的 API 密钥'\n```\n（对于 Windows 用户，在命令提示符中使用 `set OPENAI_API_KEY=您的 API 密钥`）\n\n### 2. 安装 tree-of-thoughts-llm 包\n\n**方式一：通过 PyPI 安装（推荐）**\n```bash\npip install tree-of-thoughts-llm\n```\n\n**方式二：从源码安装**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fprinceton-nlp\u002Ftree-of-thought-llm\ncd tree-of-thought-llm\npip install -r requirements.txt\npip install -e .\n```\n\n## 基本使用\n\n以下是一个使用 ToT 框架解决“24点游戏”（数字为 4, 5, 6, 10）的极简示例。该脚本使用 GPT-4 模型，运行可能需要一些时间。\n\n```python\nimport argparse\nfrom tot.methods.bfs import solve\nfrom tot.tasks.game24 import Game24Task\n\n# 配置参数\nargs = argparse.Namespace(\n    backend='gpt-4',\n    temperature=0.7,\n    task='game24',\n    naive_run=False,\n    prompt_sample=None,\n    method_generate='propose',\n    method_evaluate='value',\n    method_select='greedy',\n    n_generate_sample=1,\n    n_evaluate_sample=3,\n    n_select_sample=5\n)\n\n# 创建任务实例并运行求解\ntask = Game24Task()\nys, infos = solve(args, task, 900)\nprint(ys[0])\n```\n\n**预期输出示例**（由于 GPT 解码的随机性，输出可能不同且有时会出错）：\n```\n10 - 4 = 6 (left: 5 6 6)\n5 * 6 = 30 (left: 6 30)\n30 - 6 = 24 (left: 24)\nAnswer: (5 * (10 - 4)) - 6 = 24\n```\n\n**参数简要说明**：\n- `backend`: 指定使用的语言模型，例如 `gpt-4` 或 `gpt-3.5-turbo`。\n- `naive_run`: 若为 `True`，则运行简单的 IO 或思维链（CoT）采样，而非 ToT + BFS 算法。\n- `method_generate`: 思维生成方式，`sample`（独立采样）或 `propose`（顺序提议）。\n- `method_evaluate`: 状态评估方式，`value`（独立评估）或 `vote`（共同投票）。","某AI产品团队正在开发一个数学解题助手，需要让大语言模型解决复杂的多步骤数学推理问题，例如“使用给定的数字通过四则运算得到目标值24”。\n\n### 没有 tree-of-thought-llm 时\n- **思路单一且容易卡住**：使用传统的提示方法（如标准输入或思维链）时，模型通常只生成一条推理路径，一旦某步计算出现偏差或陷入死胡同，整个推理过程就会失败，无法自我修正。\n- **缺乏系统性的探索和评估**：开发人员需要手动设计复杂的提示或编写外部逻辑来让模型尝试不同运算组合，过程繁琐且难以评估哪个中间步骤更接近最终目标。\n- **解决方案质量不稳定**：模型的输出具有随机性，多次运行可能得到错误答案或低效的解法（如步骤冗余），难以保证生成解法的正确性和最优性，需要人工反复测试和筛选。\n- **工程实现复杂**：为了实现多路径探索和回溯，团队需要自行设计并维护一套树状搜索逻辑，并与大语言模型API调用耦合，开发调试成本很高。\n\n### 使用 tree-of-thought-llm 后\n- **实现多路径并行探索与回溯**：tree-of-thought-llm 内置的树搜索算法（如广度优先搜索）能让模型在解题时同步生成多个可能的后续步骤（“思维”），形成树状结构，当一条路径行不通时自动回溯并尝试其他分支，显著提高了找到可行解的概率。\n- **提供内置的思维评估与选择机制**：框架提供了“评估”与“选择”模块，例如在24点游戏中，可以调用模型评估不同中间状态（剩余数字）接近目标24的“价值”，并自动筛选最有希望的路径继续深入，使探索过程系统化、智能化。\n- **提升解法的正确性与优化程度**：通过系统性的搜索和基于价值的剪枝，模型更有可能找到正确且步骤较优的运算序列，减少了输出随机性带来的错误和冗余，输出质量更稳定可靠。\n- **简化复杂推理任务的开发流程**：团队只需定义任务（如继承`Task`类）并配置搜索参数，即可直接利用框架强大的树状思维规划能力，无需从头造轮子，大幅降低了实现复杂问题求解系统的工程门槛。\n\n通过将大语言模型从“单步推理”升级为“系统化思考”，tree-of-thought-llm 使AI在解决需要多步骤规划、探索和决策的复杂任务时，表现得更加深思熟虑和可靠。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fprinceton-nlp_tree-of-thought-llm_4c345f70.png","princeton-nlp","Princeton Natural Language Processing","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fprinceton-nlp_9459cd72.png","",null,"http:\u002F\u002Fnlp.cs.princeton.edu","https:\u002F\u002Fgithub.com\u002Fprinceton-nlp",[83,87,91],{"name":84,"color":85,"percentage":86},"Python","#3572A5",79.3,{"name":88,"color":89,"percentage":90},"Jupyter Notebook","#DA5B0B",17.1,{"name":92,"color":93,"percentage":94},"Shell","#89e051",3.6,5901,608,"2026-04-05T21:03:20","MIT","Linux, macOS, Windows","未说明",{"notes":102,"python":103,"dependencies":104},"需要 OpenAI API 密钥并设置 OPENAI_API_KEY 环境变量，支持 GPT-4 等模型；可通过 pip install tree-of-thoughts-llm 安装，或从源码安装并运行 pip install -r requirements.txt","3.7+",[105],"tree-of-thoughts-llm",[26,13],[108,109,110,111,112],"large-language-models","llm","prompting","tree-of-thoughts","tree-search","2026-03-27T02:49:30.150509","2026-04-06T08:48:28.331261",[116,121,126,131,136,141],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},3839,"如何将代码与本地LLaMA等模型集成，而不是使用OpenAI API？","用户可以在代码中找到提示（prompts）从ToT输出的位置以及读取响应的位置，然后编写Python代码桥接本地模型。维护者提到可以尝试使用Llama 2，但性能可能不如GPT-4。","https:\u002F\u002Fgithub.com\u002Fprinceton-nlp\u002Ftree-of-thought-llm\u002Fissues\u002F2",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},3840,"如何应对冒充本项目的虚假仓库？","维护者建议在官方仓库描述中添加“官方实现”并链接到其他实现。对于虚假仓库，最好的方式是不要给予过多关注，将注意力放在更有意义的事情上。用户也可以尝试联系虚假仓库的作者，请求其添加指向官方仓库的链接。","https:\u002F\u002Fgithub.com\u002Fprinceton-nlp\u002Ftree-of-thought-llm\u002Fissues\u002F17",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},3841,"代码仓库何时发布？","代码已经发布。如果之前看到仓库为空，现在可以查看已推送的代码。","https:\u002F\u002Fgithub.com\u002Fprinceton-nlp\u002Ftree-of-thought-llm\u002Fissues\u002F1",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},3842,"使用GPT-4复现填字游戏（Crosswords）实验时性能远低于论文结果，可能是什么原因？","可能是由于GPT-4 API的更新导致行为变化。可以尝试使用更早的模型版本（例如GPT4-0314）进行实验。如果运行并分享新的结果会很有帮助。","https:\u002F\u002Fgithub.com\u002Fprinceton-nlp\u002Ftree-of-thought-llm\u002Fissues\u002F46",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},3843,"运行代码时遇到“openai.error.ServiceUnavailableError: The server is overloaded or not ready yet.”错误怎么办？","这可能是OpenAI服务端的问题。可以尝试联系OpenAI支持，或者在此处更新最新的错误信息，看看其他人是否遇到类似情况。也可以考虑使用其他模型（如Llama 2）替代，但需要修改代码，且性能可能不如GPT-4。","https:\u002F\u002Fgithub.com\u002Fprinceton-nlp\u002Ftree-of-thought-llm\u002Fissues\u002F43",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},3844,"使用GPT-3.5-turbo运行ToT实验时，在Game24任务上性能远低于论文结果（4% vs 45%），可能是什么原因？","GPT-3.5的能力可能不足以有效执行ToT方法。论文中的结果主要基于GPT-4。对于GPT-3.5，可能需要调整提示或方法参数。建议检查生成的中间步骤，看模型是否遵循了预期的推理过程。","https:\u002F\u002Fgithub.com\u002Fprinceton-nlp\u002Ftree-of-thought-llm\u002Fissues\u002F24",[147],{"id":148,"version":149,"summary_zh":79,"released_at":150},113025,"v0.1.0","2023-07-06T00:51:07"]