[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-probcomp--Gen.jl":3,"tool-probcomp--Gen.jl":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",146793,2,"2026-04-08T23:32:35",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},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,"2026-04-06T11:19:32",[35,15,13,14],{"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":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":32,"env_os":88,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":94,"github_topics":98,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":140},5789,"probcomp\u002FGen.jl","Gen.jl","A general-purpose probabilistic programming system with programmable inference","Gen.jl 是一个嵌入在 Julia 语言中的通用概率编程系统，旨在让构建和推断复杂的概率模型变得更加灵活高效。它主要解决了传统概率编程框架中推理算法固定、难以针对特定模型进行定制优化的痛点，让用户无需深陷繁琐的数学推导即可实现高度定制化的贝叶斯推断。\n\n这款软件特别适合人工智能研究人员、数据科学家以及需要处理不确定性建模的开发者使用。无论是进行因果推断、生成式模型训练，还是探索复杂的贝叶斯结构学习，Gen.jl 都能提供强大的支持。\n\n其最独特的技术亮点在于“可编程推断”（Programmable Inference）。用户不仅可以轻松组合顺序蒙特卡洛（SMC）、变分推断（VI）和马尔可夫链蒙特卡洛（MCMC）等多种主流推断范式，还能直接编写自定义的提议分布、变分族或 MCMC 核。此外，Gen.jl 支持增量计算构造以加速推断过程，并提供了清晰的 API 用于扩展自定义生成模型和梯度计算。作为麻省理工学院概率计算项目的研究成果，Gen.jl 兼顾了学术研究的深度与工程实践的便利性，是探索前沿概率建模的理想工具。","# Gen.jl\n\n[![Build Status](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Factions\u002Fworkflow\u002Fstatus\u002Fprobcomp\u002FGen.jl\u002FContinuousIntegration.yml?branch=master)](https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Factions)\n[![Documentation (Stable)](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-stable-blue.svg)](https:\u002F\u002Fprobcomp.github.io\u002FGen.jl\u002Fdocs\u002Fstable)\n[![Documentation (Dev)](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-dev-blue.svg)](https:\u002F\u002Fprobcomp.github.io\u002FGen.jl\u002Fdocs\u002Fdev)\n![GitHub Release](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002Fprobcomp\u002FGen.jl?color=white)\n\nA general-purpose probabilistic programming system with programmable inference, embedded in Julia.\n\nSee [https:\u002F\u002Fgen.dev](https:\u002F\u002Fgen.dev\u002F) for introduction, documentation, and tutorials.\n\n## Features\n\n*   Multi-paradigm Bayesian inference via [Sequential Monte Carlo](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fpf\u002F), [variational inference](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fvi\u002F), [MCMC](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fmcmc\u002F), and more.\n*   Gradient-based training of generative models via [parameter optimization](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fparameter_optimization\u002F), [wake-sleep learning](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fwake_sleep\u002F), etc.\n*   An expressive and intuitive [modeling language](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Fmodeling\u002Fdml\u002F) for writing and composing probabilistic programs.    \n*   Inference algorithms are _programmable_: Write [custom proposals](https:\u002F\u002Fwww.gen.dev\u002Ftutorials\u002Fdata-driven-proposals\u002Ftutorial), [variational families](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Ftutorials\u002Fvi\u002F), [MCMC kernels](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fmcmc\u002F) or [SMC updates](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Ftrace_translators\u002F) without worrying about the math.\n*   Support for Bayesian structure learning via [involutive MCMC](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fmcmc\u002F#involutive_mcmc) and [SMCP³](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fpf\u002F#advanced-particle-filtering).\n*   [Specialized modeling constructs](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Ftutorials\u002Fscaling_with_sml\u002F) that speed-up inference by supporting incremental computation.\n*   Well-defined APIs for implementing [custom generative models](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fhow_to\u002Fcustom_gen_fns\u002F), [distributions](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fhow_to\u002Fcustom_distributions\u002F), [gradients](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fhow_to\u002Fcustom_gradients\u002F), etc.\n\n## Installation\n\nThe Gen package can be installed with the Julia package manager. From the Julia REPL, type `]` to enter the Pkg REPL mode and then run:\n\n```\nadd Gen\n```\n\nTo install the latest development version, you may instead run:\n\n```\nadd https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl.git\n```\n\nGen can now be used in the Julia REPL, or at the top of a script:\n\n```julia\nusing Gen\n```\n\nTo test the installation locally, you can run the tests with:\n\n```julia\nusing Pkg; Pkg.test(\"Gen\")\n```\n\n## Questions and Contributions\n\nIf you have questions about using Gen.jl, feel free to open a [discussion on GitHub](https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fdiscussions). If you encounter a bug, please [open an issue](https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fissues). We also welcome bug fixes and feature additions as [pull requests](https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpulls). Please refer to our [contribution guidelines](https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fblob\u002Fmaster\u002FCONTRIBUTING.md) for more details.\n\n## Supporting and Citing\n \nGen.jl is part of ongoing research at the [MIT Probabilistic Computing Project](http:\u002F\u002Fprobcomp.csail.mit.edu). To get in contact, please email gen-contact@mit.edu.\n\nIf you use Gen in your research, please cite our 2019 PLDI paper:\n\n> *Gen: A General-Purpose Probabilistic Programming System with Programmable Inference.* Cusumano-Towner, M. F.; Saad, F. A.; Lew, A.; and Mansinghka, V. K. In Proceedings of the 40th ACM SIGPLAN Conference on Programming Language Design and Implementation (PLDI ‘19). ([pdf](https:\u002F\u002Fdl.acm.org\u002Fdoi\u002F10.1145\u002F3314221.3314642)) ([bibtex](https:\u002F\u002Fwww.gen.dev\u002Fassets\u002Fgen-pldi.txt))\n","# Gen.jl\n\n[![构建状态](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Factions\u002Fworkflow\u002Fstatus\u002Fprobcomp\u002FGen.jl\u002FContinuousIntegration.yml?branch=master)](https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Factions)\n[![文档（稳定版）](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-stable-blue.svg)](https:\u002F\u002Fprobcomp.github.io\u002FGen.jl\u002Fdocs\u002Fstable)\n[![文档（开发版）](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-dev-blue.svg)](https:\u002F\u002Fprobcomp.github.io\u002FGen.jl\u002Fdocs\u002Fdev)\n![GitHub 发布](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002Fprobcomp\u002FGen.jl?color=white)\n\n一个通用的概率编程系统，具有可编程的推理功能，并嵌入在 Julia 语言中。\n\n请访问 [https:\u002F\u002Fgen.dev](https:\u002F\u002Fgen.dev\u002F) 获取简介、文档和教程。\n\n## 特性\n\n*   多范式贝叶斯推断，支持[序贯蒙特卡洛](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fpf\u002F)、[变分推断](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fvi\u002F)、[MCMC](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fmcmc\u002F) 等方法。\n*   基于梯度的生成模型训练，支持[参数优化](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fparameter_optimization\u002F)、[唤醒-睡眠学习](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fwake_sleep\u002F) 等。\n*   一种表达力强且直观的[建模语言](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Fmodeling\u002Fdml\u002F)，用于编写和组合概率程序。\n*   推理算法是[可编程的]：您可以编写[自定义提议分布](https:\u002F\u002Fwww.gen.dev\u002Ftutorials\u002Fdata-driven-proposals\u002Ftutorial)、[变分族](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Ftutorials\u002Fvi\u002F)、[MCMC 核函数](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fmcmc\u002F) 或[SMC 更新规则](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Ftrace_translators\u002F)，而无需担心复杂的数学推导。\n*   支持贝叶斯结构学习，通过[对合 MCMC](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fmcmc\u002F#involutive_mcmc) 和[SMCP³](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fref\u002Finference\u002Fpf\u002F#advanced-particle-filtering) 实现。\n*   提供[专用建模构造](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Ftutorials\u002Fscaling_with_sml\u002F)，通过支持增量计算来加速推断。\n*   定义良好的 API，可用于实现[自定义生成模型](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fhow_to\u002Fcustom_gen_fns\u002F)、[分布](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fhow_to\u002Fcustom_distributions\u002F)、[梯度](https:\u002F\u002Fwww.gen.dev\u002Fdocs\u002Fstable\u002Fhow_to\u002Fcustom_gradients\u002F) 等。\n\n## 安装\n\nGen 包可以通过 Julia 的包管理器安装。在 Julia REPL 中输入 `]` 进入 Pkg 模式，然后运行：\n\n```\nadd Gen\n```\n\n若要安装最新的开发版本，可以运行：\n\n```\nadd https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl.git\n```\n\n现在可以在 Julia REPL 或脚本顶部使用 Gen：\n\n```julia\nusing Gen\n```\n\n要本地测试安装是否成功，可以运行以下命令：\n\n```julia\nusing Pkg; Pkg.test(\"Gen\")\n```\n\n## 问题与贡献\n\n如果您对使用 Gen.jl 有任何疑问，欢迎在 [GitHub 讨论区](https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fdiscussions) 提出。如果遇到 bug，请[提交 issue](https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fissues)。我们也欢迎通过 [pull request](https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpulls) 提交 bug 修复或功能新增。更多详情请参阅我们的[贡献指南](https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fblob\u002Fmaster\u002FCONTRIBUTING.md)。\n\n## 支持与引用\n\nGen.jl 是 [MIT 概率计算项目](http:\u002F\u002Fprobcomp.csail.mit.edu) 持续研究的一部分。如需联系，请发送邮件至 gen-contact@mit.edu。\n\n如果您在研究中使用了 Gen，请引用我们 2019 年的 PLDI 论文：\n\n> *Gen：一个具有可编程推理功能的通用概率编程系统。* Cusumano-Towner, M. F.; Saad, F. A.; Lew, A.; and Mansinghka, V. K. 载于第 40 届 ACM SIGPLAN 编程语言设计与实现会议（PLDI ‘19）论文集。([pdf](https:\u002F\u002Fdl.acm.org\u002Fdoi\u002F10.1145\u002F3314221.3314642)) ([bibtex](https:\u002F\u002Fwww.gen.dev\u002Fassets\u002Fgen-pldi.txt))","# Gen.jl 快速上手指南\n\nGen.jl 是一个嵌入在 Julia 语言中的通用概率编程系统，支持可编程推断。它提供了多种贝叶斯推断方法（如 SMC、MCMC、变分推断）以及基于梯度的生成模型训练功能。\n\n## 环境准备\n\n*   **操作系统**：支持 Linux、macOS 和 Windows。\n*   **前置依赖**：需安装 **Julia** (建议版本 1.6 或更高)。\n    *   请访问 [Julia 官网](https:\u002F\u002Fjulialang.org\u002Fdownloads\u002F) 下载并安装对应系统的版本。\n    *   安装完成后，在终端输入 `julia` 确认能否正常进入 REPL 交互界面。\n*   **网络提示**：Gen.jl 通过 Julia 的包管理器从 GitHub 拉取。如果国内网络连接 GitHub 较慢，建议配置全局代理或使用支持加速的网络环境。\n\n## 安装步骤\n\n1.  打开终端，输入 `julia` 启动 Julia REPL。\n2.  在 REPL 提示符下输入 `]` 进入包管理模式（提示符变为 `(pkg)>`）。\n3.  执行以下命令安装稳定版：\n\n    ```julia\n    add Gen\n    ```\n\n    *若需体验最新开发版功能，可运行：*\n    ```julia\n    add https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl.git\n    ```\n\n4.  安装完成后，按 `Backspace` 键退出包管理模式，回到 `julia>` 提示符。\n5.  （可选）验证安装是否成功，运行测试套件：\n\n    ```julia\n    using Pkg; Pkg.test(\"Gen\")\n    ```\n\n## 基本使用\n\n安装成功后，即可在脚本或 REPL 中加载并使用 Gen.jl。以下是最基础的引入示例：\n\n```julia\nusing Gen\n```\n\n加载后，您可以开始定义概率模型或使用内置的推断算法（如 MCMC、SMC 等）。更复杂的建模语法、自定义推断策略及详细教程，请参阅官方文档：[https:\u002F\u002Fgen.dev](https:\u002F\u002Fgen.dev)。","某自动驾驶初创团队的算法工程师正在开发一套复杂的车辆轨迹预测系统，需要融合传感器噪声、驾驶员行为不确定性及动态环境因素进行实时贝叶斯推断。\n\n### 没有 Gen.jl 时\n- **推理算法僵化**：面对多模态的驾驶行为分布，标准的 MCMC 或变分推断库难以灵活调整采样策略，导致在复杂路口场景下收敛极慢甚至失效。\n- **数学实现门槛高**：若要自定义针对特定交通规则的提议分布（Proposal Distribution），工程师需手动推导复杂的梯度公式并重写底层数学代码，极易出错。\n- **模型迭代成本高**：每当新增一种传感器类型或改变概率图结构，就需要重构大量推理逻辑，无法做到模型与推理算法的解耦。\n- **计算效率低下**：缺乏增量计算支持，每次新数据到来都要重新处理整个历史轨迹序列，无法满足车载系统的实时性要求。\n\n### 使用 Gen.jl 后\n- **可编程推理策略**：利用 Gen.jl 的可编程推断特性，工程师轻松编写了数据驱动的自定义提议核，显著提升了在复杂多模态分布下的采样效率和准确率。\n- **专注业务逻辑**：无需手动推导繁琐的数学公式，直接通过直观的建模语言定义概率程序，让团队将精力集中在驾驶行为建模本身。\n- **灵活组合与复用**：借助其多范式支持，自由组合顺序蒙特卡洛（SMC）与变分推断，快速适配新的传感器数据结构，模型迭代周期缩短数倍。\n- **高性能增量更新**：利用专用的增量计算构建，系统仅对新产生的轨迹片段进行更新计算，成功将预测延迟降低至毫秒级，满足实时部署需求。\n\nGen.jl 通过将推理算法变为可编写的代码模块，让开发者在无需深究底层数学细节的前提下，高效构建了高精度且实时的概率预测系统。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fprobcomp_Gen.jl_492a6ef0.png","probcomp","MIT Probabilistic Computing Project","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fprobcomp_b270d2a3.png","",null,"http:\u002F\u002Fprobcomp.csail.mit.edu","https:\u002F\u002Fgithub.com\u002Fprobcomp",[80],{"name":81,"color":82,"percentage":83},"Julia","#a270ba",100,1837,163,"2026-04-05T00:59:57","Apache-2.0","未说明",{"notes":90,"python":91,"dependencies":92},"该工具是嵌入在 Julia 语言中的概率编程系统，而非 Python 库。安装需使用 Julia 包管理器 (Pkg)，通过命令 `add Gen` 进行安装。README 中未明确列出具体的操作系统、GPU、内存或 Julia 版本要求，通常意味着它依赖 Julia 官方支持的平台及标准运行环境。","不适用 (基于 Julia)",[93],"Julia (版本未说明)",[95,35,13,15,96,14,97],"视频","其他","音频",[99,100,101,102,103,104,105,106,107],"probabilistic-programming","gen","deep-learning","bayesian","computer-vision","machine-learning","differentiable-programming","robotics","julia-language","2026-03-27T02:49:30.150509","2026-04-09T12:33:44.583071",[111,116,121,126,131,136],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},26236,"如何在 Gen 中实现简单的变分自编码器（VAE）并避免训练产生 NaN？","可以使用 `black_box_vi!` 同时训练生成模型和推断模型。如果遇到 NaN 问题，建议尝试以下方案：\n1. 参考官方 PR #333 中的最小化 VAE 实现示例，确保真后验分布在变分族内。\n2. 使用更高级的优化器替代基础的梯度下降（GradientDescent），例如 ADAM。可以通过安装 `GenFluxOptimizers.jl` 包来轻松替换优化器，这有助于提高数值稳定性和收敛效果。","https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fissues\u002F302",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},26237,"如何以层级方式访问扁平化的 choicemaps（选择映射）？","虽然底层的 choicemap 键空间是扁平的，但可以通过构建嵌套视图来实现层级访问语法。维护者提供了实现思路：构造一个由 `Ref` 组成的嵌套字典，其成本与 choicemap 的大小成线性关系。\n具体用法示例如下：\n```julia\ncv = nested_view(c)\n# 现在可以使用层级语法访问\nvalue = cv[:students][1][:name]\n```\n相关实现代码和测试用例可参考官方仓库中的 `choice_map.jl` 文件及对应的 PR。","https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fissues\u002F106",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},26238,"文档部署失败或 Doctest 报错 'UndefVarError: x not defined' 如何解决？","这个问题通常出现在 Documenter.jl 版本更新（如 0.27 版）后自动调用 doctest 时。错误表明文档中的代码块缺少必要的变量定义上下文。\n解决方法：\n1. 检查报错的文件（如 `src\u002Fchoice_map.jl`），确保每个 `jldoctest` 代码块中包含所有变量的定义（例如在使用变量 `c` 之前必须先执行 `using Gen` 和定义 `c` 的代码）。\n2. 修复所有未解析的本地链接（Invalid local link），确保 `@ref` 指向正确的文档路径。\n3. 可以在本地运行 `Documenter.doctest()` 来复现并验证修复结果。","https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fissues\u002F489",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},26239,"在宏中使用波浪号语法（`x ~ foo`）时报错 '@trace not defined' 是什么原因？","这是一个宏转义（macro escaping）相关的问题。当在 `@gen` 宏内部使用 `x ~ distribution` 语法时，宏展开可能无法正确识别调用者命名空间中的 `@trace`。\n临时解决方案或修复方向包括：\n1. 确保在使用该语法的上下文中正确导入了必要的宏。\n2. 开发者曾建议修改保留字或使用更明确的语法（如 `spliceat` 或 `Gen_splice`）来避免冲突，具体修复需等待库的更新或应用相关的 PR 补丁。","https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fissues\u002F222",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},26240,"如何在 MCMC 提议分布中获取生成函数（Generative Function）的返回值？","默认情况下，Gen 的 trace 只记录随机决策（来自分布的返回值）或子生成函数的决策子图，而不直接存储生成函数本身的返回值。这对于实现复杂的 MCMC 提议分布造成了不便。\n虽然这是一个功能增强请求，但目前的变通方法是通过重构模型，将需要返回的值作为显式的随机变量（使用 `@trace`）记录下来，或者通过自定义解释器来扩展 trace 的行为以捕获这些返回值。","https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fissues\u002F150",{"id":137,"question_zh":138,"answer_zh":139,"source_url":125},26241,"为什么文档构建时会跳过部署到 gh-pages？","文档部署被跳过通常是因为 Doctest（文档测试）失败。日志中会出现 \"Invalid local link: unresolved path\" 或 \"doctest failure\" 等错误。\n解决步骤：\n1. 检查文档源文件中的 `@ref` 链接是否指向了存在的锚点。\n2. 运行本地 Doctest 修复所有代码示例中的错误（如变量未定义）。\n3. 一旦 Doctest 全部通过，CI 流程会自动恢复文档部署。可以设置 `DOCUMENTER_DEBUG=true` 来获取更详细的调试信息。",[141,146,151,156,161,165,170,175,179,183,187,191,195,199,203,207,211,215,219],{"id":142,"version":143,"summary_zh":144,"released_at":145},168262,"0.4.8","## 变更内容\n* @ztangent 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F543 中重新组织并添加了文档\n* @ztangent 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F545 中向推理库添加了枚举推理功能\n* @ztangent 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F554 中添加了关于枚举推理的教程\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fcompare\u002Fv0.4.7...0.4.8","2025-07-12T00:37:16",{"id":147,"version":148,"summary_zh":149,"released_at":150},168263,"v0.4.7","## 变更内容\n* 由 @lukego 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F511 中移除了 metropolis_hastings 中的少量冗余代码。\n* 由 @ztangent 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F522 中添加了 `dirichlet` 分布的文档。\n* 由 @deoxyribose 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F524 中修复了 dirichlet 的类型问题。\n* 由 @sharlaon 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F521 中新增了乘积分布组合子。\n* 由 @limarta 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F527 中升级了 Julia 版本。\n* 由 @limarta 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F529 中修复了测试的稳定性。\n* 由 @limarta 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F526 中对文档进行了重构。\n* #512 - 由 @yifr 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F534 中修复了更新过程中 discard 操作中缺失地址的问题。\n* 由 @ztangent 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F541 中修复了泊松分布的 `has_argument_grads` 方法。\n* 由 @ztangent 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F542 中修复了 Julia 夜间版 \u002F 1.11 上的文档字符串测试。\n\n## 新贡献者\n* @lukego 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F511 中完成了首次贡献。\n* @sharlaon 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F521 中完成了首次贡献。\n* @limarta 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F527 中完成了首次贡献。\n* @yifr 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F534 中完成了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fcompare\u002Fv0.4.6...v0.4.7","2024-09-06T16:36:23",{"id":152,"version":153,"summary_zh":154,"released_at":155},168264,"v0.4.6","## 变更内容\n* 消除对 `@load_generated_functions` 的需求。由 @ztangent 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F472 中完成。\n* 修复拼写错误。由 @femtomc 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F471 中完成。\n* 20221031 fsaad 进行的小幅修复。由 @fsaad 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F481 中完成。\n* 修复数学中的错别字。由 @arijitnoobstar 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F480 中完成。\n* 草拟 GitHub CI 集成。由 @fsaad 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F484 中完成。\n* 对 `regenerate` 和 `update` 的文档进行澄清。由 @fsaad 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F486 中完成。\n* 检查 CI 测试是否会自动触发。由 @fsaad 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F488 中完成。\n* 更一致地引用辅助随机性 `r`。由 @fsaad 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F492 中完成。\n* 修复 README 中的文档标签，使其指向正确的位置。由 @femtomc 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F494 中完成。\n* 新特性：添加狄利克雷分布。由 @chentoast 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F495 中完成。\n* 修复 `@dist` DSL 中的 `logpdf_grad` 错误。由 @ztangent 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F497 中完成。\n* 修正 `HeterogeneousMixture` 的类型签名，关闭 #500。由 @mirkoklukas 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F501 中完成。\n* 添加 `Base.copy(::ParticleFilterState)`。由 @georgematheos 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F509 中完成。\n* 使用类型参数重新实现 `get_schema`。由 @ztangent 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F510 中完成。\n\n## 新贡献者\n* @arijitnoobstar 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F480 中完成了首次贡献。\n* @mirkoklukas 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F501 中完成了首次贡献。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fcompare\u002Fv0.4.5...v0.4.6","2023-09-20T20:23:23",{"id":157,"version":158,"summary_zh":159,"released_at":160},168265,"v0.4.5","## 变更内容\n* 修复文档中的小错别字。由 @fsaad 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F440 中完成。\n* 移除错误的左方括号。由 @fsaad 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F436 中完成。\n* 移除 Dockerfile 和 Docker 测试（修复 #451）。由 @alex-lew 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F453 中完成。\n* 修复 #445。由 @alex-lew 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F454 中完成。\n* 更新 Travis 配置。由 @alex-lew 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F456 中完成。\n* 修复 Unfold 将梯度传播到默认参数的问题。由 @femtomc 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F448 中完成。\n* 修复（trie）：为 trie 实现 get_values_shallow 和 get_submaps_shallow。由 @chentoast 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F459 中完成。\n* 修复内核 DSL 中内核辅助参数的 `esc` 错误。由 @femtomc 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F461 中完成。\n* （内核 DSL）撤销顶层 `esc` 更改，加入 GlobalRef 以处理模块\u002F子模块中的求值歧义。由 @femtomc 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F463 中完成。\n* 修复 choicemap 的哈希问题。由 @georgematheos 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F466 中完成。\n* CompatHelper：将 Compat 的兼容版本提升至 4（保留现有兼容性）。由 @github-actions 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F467 中完成。\n* 更新 Travis 构建，添加对最新稳定版的测试。由 @ztangent 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F468 中完成。\n* 取消导出 `ifelse`，以避免与 `Core.ifelse` 冲突。由 @ztangent 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F469 中完成。\n\n## 新贡献者\n* @chentoast 在 https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F459 中做出了首次贡献。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fcompare\u002Fv0.4.4...v0.4.5","2022-06-09T14:38:28",{"id":162,"version":163,"summary_zh":76,"released_at":164},168266,"v0.4.4","2021-10-09T01:20:19",{"id":166,"version":167,"summary_zh":168,"released_at":169},168267,"v0.4.3","修复跟踪转换器的错误（https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F397、https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F384、https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F383、https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGen.jl\u002Fpull\u002F389）","2021-04-02T18:04:19",{"id":171,"version":172,"summary_zh":173,"released_at":174},168268,"v0.4.2","修复了多个 bug，并改进了文档。示例已移至 [GenExamples.jl](https:\u002F\u002Fgithub.com\u002Fprobcomp\u002FGenExamples.jl)。","2021-02-16T18:58:03",{"id":176,"version":177,"summary_zh":76,"released_at":178},168269,"v0.4.1","2021-01-07T02:41:53",{"id":180,"version":181,"summary_zh":76,"released_at":182},168270,"v0.4.0","2021-01-03T21:18:58",{"id":184,"version":185,"summary_zh":76,"released_at":186},168271,"v0.3.4","2020-05-24T19:51:40",{"id":188,"version":189,"summary_zh":76,"released_at":190},168272,"v0.3.3","2020-05-15T14:58:51",{"id":192,"version":193,"summary_zh":76,"released_at":194},168273,"v0.3.2","2019-11-08T21:05:52",{"id":196,"version":197,"summary_zh":76,"released_at":198},168274,"v0.3.1","2019-03-19T16:52:34",{"id":200,"version":201,"summary_zh":76,"released_at":202},168275,"v0.3.0","2019-02-21T04:46:34",{"id":204,"version":205,"summary_zh":76,"released_at":206},168276,"v0.2.3","2019-02-08T06:29:46",{"id":208,"version":209,"summary_zh":76,"released_at":210},168277,"v0.2.2","2019-02-03T16:26:04",{"id":212,"version":213,"summary_zh":76,"released_at":214},168278,"v0.2.1","2018-12-17T21:51:38",{"id":216,"version":217,"summary_zh":76,"released_at":218},168279,"v0.2.0","2018-12-17T21:37:24",{"id":220,"version":221,"summary_zh":76,"released_at":222},168280,"v0.1.0","2018-09-17T20:19:49"]