[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-qnguyen3--chat-with-mlx":3,"tool-qnguyen3--chat-with-mlx":61},[4,18,28,37,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"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":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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",161147,"2026-04-19T23:31:47",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":77,"owner_twitter":79,"owner_website":77,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":24,"env_os":90,"env_gpu":91,"env_ram":92,"env_deps":93,"category_tags":100,"github_topics":77,"view_count":24,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":101,"updated_at":102,"faqs":103,"releases":133},10038,"qnguyen3\u002Fchat-with-mlx","chat-with-mlx","An all-in-one LLMs Chat UI for Apple Silicon Mac using MLX Framework.","chat-with-mlx 是一款专为配备 Apple Silicon 芯片的 Mac 用户打造的一站式大语言模型聊天界面。它基于苹果自家的 MLX 机器学习框架，让用户能够轻松在本地运行和对话各类开源大模型，如 Llama-3、Phi-3、Mistral 等。\n\n这款工具主要解决了用户在本地部署和使用大模型时面临的配置复杂、隐私担忧以及硬件适配难等问题。通过简单的命令即可安装启动，无需深厚的技术背景，用户就能安全地与自己的数据互动，实现隐私增强的 AI 体验。它不仅支持直接对话，还集成了文档和 YouTube 视频内容的检索增强生成（RAG）功能，让模型能基于特定资料回答问题。\n\nchat-with-mlx 非常适合希望在 Mac 上探索本地大模型潜力的普通用户、开发者以及研究人员。其独特的技术亮点在于充分利用了 MLX 框架的“统一内存”架构，使得 CPU 和 GPU 可以共享内存，无需频繁传输数据，从而在 Apple 硬件上实现了高效、流畅的模型推理。此外，它还支持动态计算图和懒加载机制，进一步提升了运行效率和调试便利性。无论是想尝试最新开源模型，还是构建私密的个人 AI 助手，","chat-with-mlx 是一款专为配备 Apple Silicon 芯片的 Mac 用户打造的一站式大语言模型聊天界面。它基于苹果自家的 MLX 机器学习框架，让用户能够轻松在本地运行和对话各类开源大模型，如 Llama-3、Phi-3、Mistral 等。\n\n这款工具主要解决了用户在本地部署和使用大模型时面临的配置复杂、隐私担忧以及硬件适配难等问题。通过简单的命令即可安装启动，无需深厚的技术背景，用户就能安全地与自己的数据互动，实现隐私增强的 AI 体验。它不仅支持直接对话，还集成了文档和 YouTube 视频内容的检索增强生成（RAG）功能，让模型能基于特定资料回答问题。\n\nchat-with-mlx 非常适合希望在 Mac 上探索本地大模型潜力的普通用户、开发者以及研究人员。其独特的技术亮点在于充分利用了 MLX 框架的“统一内存”架构，使得 CPU 和 GPU 可以共享内存，无需频繁传输数据，从而在 Apple 硬件上实现了高效、流畅的模型推理。此外，它还支持动态计算图和懒加载机制，进一步提升了运行效率和调试便利性。无论是想尝试最新开源模型，还是构建私密的个人 AI 助手，chat-with-mlx 都提供了一个友好且强大的入口。","\u003Cdiv align=\"center\">\n\n# Chat with MLX 🧑‍💻\n\n[![version](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fchat-with-mlx.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fchat-with-mlx)\n[![downloads](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fdm\u002Fchat-with-mlx)](https:\u002F\u002Fpypistats.org\u002Fpackages\u002Fchat-with-mlx)\n[![license](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fl\u002Fchat-with-mlx)](https:\u002F\u002Fgithub.com\u002Fqnguyen3\u002Fchat-with-mlx\u002Fblob\u002Fmain\u002FLICENSE.md)\n[![python-version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fchat-with-mlx)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fchat-with-mlx)\n\u003C\u002Fdiv>\n\nAn all-in-one Chat Playground using Apple MLX on Apple Silicon Macs.\n\n![chat_with_mlx](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fqnguyen3_chat-with-mlx_readme_2369ed7a8c06.png)\n\n## Features\n\n- **Privacy-enhanced AI**: Chat with your favourite models and data securely.\n- **MLX Playground**: Your all in one LLM Chat UI for Apple MLX\n- **Easy Integration**: Easy integrate any HuggingFace and MLX Compatible Open-Source Models.\n- **Default Models**: Llama-3, Phi-3, Yi, Qwen, Mistral, Codestral, Mixtral, StableLM (along with Dolphin and Hermes variants)\n\n## Installation and Usage\n\n### Easy Setup\n\n- Install Pip\n- Install: `pip install chat-with-mlx`\n\n### Manual Pip Installation\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fqnguyen3\u002Fchat-with-mlx.git\ncd chat-with-mlx\npython -m venv .venv\nsource .venv\u002Fbin\u002Factivate\npip install -e .\n```\n\n#### Manual Conda Installation\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fqnguyen3\u002Fchat-with-mlx.git\ncd chat-with-mlx\nconda create -n mlx-chat python=3.11\nconda activate mlx-chat\npip install -e .\n```\n\n#### Usage\n\n- Start the app: `chat-with-mlx`\n\n## Add Your Model\n\nPlease checkout the guide [HERE](ADD_MODEL.MD)\n\n## Known Issues\n\n- When the model is downloading by Solution 1, the only way to stop it is to hit `control + C` on your Terminal.\n- If you want to switch the file, you have to manually hit STOP INDEXING. Otherwise, the vector database would add the second document to the current database.\n- You have to choose a dataset mode (Document or YouTube) in order for it to work.\n- **Phi-3-small** can't do streaming in completions\n\n## Why MLX?\n\nMLX is an array framework for machine learning research on Apple silicon,\nbrought to you by Apple machine learning research.\n\nSome key features of MLX include:\n\n- **Familiar APIs**: MLX has a Python API that closely follows NumPy.  MLX\n   also has fully featured C++, [C](https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-c), and\n   [Swift](https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-swift\u002F) APIs, which closely mirror\n   the Python API.  MLX has higher-level packages like `mlx.nn` and\n   `mlx.optimizers` with APIs that closely follow PyTorch to simplify building\n   more complex models.\n\n- **Composable function transformations**: MLX supports composable function\n   transformations for automatic differentiation, automatic vectorization,\n   and computation graph optimization.\n\n- **Lazy computation**: Computations in MLX are lazy. Arrays are only\n   materialized when needed.\n\n- **Dynamic graph construction**: Computation graphs in MLX are constructed\n   dynamically. Changing the shapes of function arguments does not trigger\n   slow compilations, and debugging is simple and intuitive.\n\n- **Multi-device**: Operations can run on any of the supported devices\n   (currently the CPU and the GPU).\n\n- **Unified memory**: A notable difference from MLX and other frameworks\n   is the *unified memory model*. Arrays in MLX live in shared memory.\n   Operations on MLX arrays can be performed on any of the supported\n   device types without transferring data.\n\n## Acknowledgement\n\nI would like to send my many thanks to:\n\n- The Apple Machine Learning Research team for the amazing MLX library.\n- LangChain and ChromaDB for such easy RAG Implementation\n- All contributors\n\n## Star History\n\n[![Star History Chart](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fqnguyen3_chat-with-mlx_readme_c3b0fe585359.png)](https:\u002F\u002Fstar-history.com\u002F#qnguyen3\u002Fchat-with-mlx&Date)\n","\u003Cdiv align=\"center\">\n\n# 使用 MLX 聊天 🧑‍💻\n\n[![版本](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fchat-with-mlx.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fchat-with-mlx)\n[![下载量](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fdm\u002Fchat-with-mlx)](https:\u002F\u002Fpypistats.org\u002Fpackages\u002Fchat-with-mlx)\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fl\u002Fchat-with-mlx)](https:\u002F\u002Fgithub.com\u002Fqnguyen3\u002Fchat-with-mlx\u002Fblob\u002Fmain\u002FLICENSE.md)\n[![Python 版本](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fchat-with-mlx)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fchat-with-mlx)\n\u003C\u002Fdiv>\n\n一款在 Apple Silicon Mac 上使用 Apple MLX 的一体化聊天游乐场。\n\n![chat_with_mlx](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fqnguyen3_chat-with-mlx_readme_2369ed7a8c06.png)\n\n## 功能特性\n\n- **增强隐私的人工智能**：安全地与您喜爱的模型和数据进行对话。\n- **MLX 交互式平台**：专为 Apple MLX 设计的一体化大语言模型聊天界面。\n- **轻松集成**：可轻松集成任何与 HuggingFace 和 MLX 兼容的开源模型。\n- **默认模型**：Llama-3、Phi-3、Yi、Qwen、Mistral、Codestral、Mixtral、StableLM（以及 Dolphin 和 Hermes 变体）。\n\n## 安装与使用\n\n### 简易安装\n\n- 安装 Pip\n- 安装命令：`pip install chat-with-mlx`\n\n### 手动 Pip 安装\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fqnguyen3\u002Fchat-with-mlx.git\ncd chat-with-mlx\npython -m venv .venv\nsource .venv\u002Fbin\u002Factivate\npip install -e .\n```\n\n#### 手动 Conda 安装\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fqnguyen3\u002Fchat-with-mlx.git\ncd chat-with-mlx\nconda create -n mlx-chat python=3.11\nconda activate mlx-chat\npip install -e .\n```\n\n#### 使用方法\n\n- 启动应用：`chat-with-mlx`\n\n## 添加您的模型\n\n请查看指南 [HERE](ADD_MODEL.MD)\n\n## 已知问题\n\n- 当通过方案 1 下载模型时，停止它的唯一方法是在终端中按下 `control + C`。\n- 如果您想切换文件，必须手动点击“停止索引”。否则，向量数据库会将第二个文档添加到当前数据库中。\n- 必须选择数据集模式（文档或 YouTube）才能正常工作。\n- **Phi-3-small** 无法在补全中进行流式处理。\n\n## 为什么选择 MLX？\n\nMLX 是由 Apple 机器学习研究团队推出的，专为 Apple 芯片设计的数组框架，用于机器学习研究。\n\nMLX 的一些关键特性包括：\n\n- **熟悉的 API**：MLX 提供了与 NumPy 非常接近的 Python API。此外，MLX 还拥有功能齐全的 C++、[C](https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-c) 和 [Swift](https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-swift\u002F) API，这些 API 也与 Python API 高度一致。MLX 还提供了更高层次的包，如 `mlx.nn` 和 `mlx.optimizers`，其 API 与 PyTorch 非常相似，从而简化复杂模型的构建。\n  \n- **可组合的函数变换**：MLX 支持自动微分、自动向量化和计算图优化等可组合的函数变换。\n\n- **惰性计算**：MLX 中的计算是惰性的。只有在需要时才会对数组进行实际计算。\n\n- **动态图构建**：MLX 中的计算图是动态构建的。更改函数参数的形状不会触发缓慢的编译过程，调试简单直观。\n\n- **多设备支持**：操作可以在任何受支持的设备上运行（目前包括 CPU 和 GPU）。\n\n- **统一内存**：MLX 与其他框架的一个显著区别在于其 *统一内存模型*。MLX 中的数组存储在共享内存中，因此可以在任何受支持的设备类型上直接对这些数组进行操作，而无需传输数据。\n\n## 致谢\n\n我要特别感谢以下人员和组织：\n\n- Apple 机器学习研究团队，感谢他们开发了出色的 MLX 库。\n- LangChain 和 ChromaDB，感谢它们提供了如此便捷的 RAG 实现。\n- 所有贡献者。\n\n## 星标历史\n\n[![星标历史图表](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fqnguyen3_chat-with-mlx_readme_c3b0fe585359.png)](https:\u002F\u002Fstar-history.com\u002F#qnguyen3\u002Fchat-with-mlx&Date)","# chat-with-mlx 快速上手指南\n\n`chat-with-mlx` 是一款专为 Apple Silicon Mac 打造的一体化 AI 聊天工具。它基于 Apple MLX 框架，支持本地运行 Llama-3、Phi-3、Qwen 等主流开源大模型，并提供隐私增强的文档对话（RAG）功能。\n\n## 环境准备\n\n在开始之前，请确保满足以下条件：\n\n*   **操作系统**：macOS (必须运行在 **Apple Silicon** 芯片上，如 M1, M2, M3 系列)。\n*   **Python 版本**：推荐 Python 3.9 及以上版本（官方示例使用 3.11）。\n*   **前置依赖**：已安装 `pip` 包管理工具。\n*   **网络环境**：首次运行时需下载模型权重，建议确保网络连接畅通（若访问 HuggingFace 困难，请自行配置镜像或代理）。\n\n## 安装步骤\n\n你可以选择以下任意一种方式进行安装。\n\n### 方式一：快速安装（推荐）\n\n直接使用 pip 安装发布版，最简单快捷。\n\n```bash\npip install chat-with-mlx\n```\n\n> **提示**：国内用户若下载缓慢，可使用清华或阿里镜像源：\n> `pip install chat-with-mlx -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 方式二：源码安装（开发者模式）\n\n如果你需要修改源码或体验最新功能，可克隆仓库进行安装。\n\n**使用 venv 虚拟环境：**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fqnguyen3\u002Fchat-with-mlx.git\ncd chat-with-mlx\npython -m venv .venv\nsource .venv\u002Fbin\u002Factivate\npip install -e .\n```\n\n**使用 Conda 环境：**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fqnguyen3\u002Fchat-with-mlx.git\ncd chat-with-mlx\nconda create -n mlx-chat python=3.11\nconda activate mlx-chat\npip install -e .\n```\n\n## 基本使用\n\n安装完成后，直接在终端启动应用即可。\n\n### 1. 启动应用\n\n在终端输入以下命令：\n\n```bash\nchat-with-mlx\n```\n\n### 2. 开始对话\n\n*   **选择模型**：应用启动后，界面将列出默认支持的模型（如 Llama-3, Phi-3, Qwen, Mistral 等）。首次选择某模型时，系统会自动下载权重文件。\n    *   *注意*：下载过程中如需停止，请在终端按 `Ctrl + C`。\n*   **加载数据（可选）**：\n    *   在界面中选择 **Document** 模式上传本地文件，或选择 **YouTube** 模式输入视频链接，即可开启基于私有数据的问答（RAG）。\n    *   *注意*：切换文件前，请务必手动点击 **STOP INDEXING**，否则新文档会追加到当前向量数据库中。\n*   **聊天**：在输入框发送消息，即可与本地运行的 AI 模型进行隐私安全的对话。\n\n现在，你可以在自己的 Mac 上享受流畅、私密的本地大模型体验了！","一位拥有 Apple Silicon Mac 的独立开发者，希望在完全离线且保护隐私的前提下，利用本地大模型快速梳理私有代码库并辅助编写新模块。\n\n### 没有 chat-with-mlx 时\n- **隐私泄露风险**：为了使用强大的 AI 助手，不得不将敏感的源代码上传至云端 API，存在核心逻辑外泄隐患。\n- **环境配置繁琐**：手动搭建本地 LLM 运行环境需要处理复杂的 Python 依赖、CUDA 兼容性问题（在 Mac 上尤为痛苦），耗时数小时甚至更久。\n- **模型切换困难**：尝试不同开源模型（如 Llama-3 或 Mistral）时，需反复修改脚本参数，缺乏统一的交互界面，调试效率极低。\n- **本地数据隔离**：无法直接将本地文档或代码文件夹“喂”给模型进行上下文问答，只能依靠手动复制粘贴片段，打断心流。\n\n### 使用 chat-with-mlx 后\n- **数据绝对安全**：依托 MLX 框架的统一内存模型，所有推理过程均在本地完成，敏感代码从未离开过自己的 Mac。\n- **一键极速启动**：仅需执行 `pip install chat-with-mlx` 并运行命令，即可自动加载优化后的 Apple Silicon 专属模型，即刻开始对话。\n- **灵活模型 playground**：内置 Llama-3、Phi-3 等主流模型支持，可在图形化界面中无缝切换对比，轻松找到最适合当前任务的模型。\n- **原生 RAG 集成**：直接选择本地项目文件夹作为数据集，chat-with-mlx 自动构建向量索引，实现基于整个代码库的智能问答与生成。\n\nchat-with-mlx 让 Mac 开发者能够以零门槛、高隐私的方式，将强大的开源大模型转化为触手可及的本地编程伙伴。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fqnguyen3_chat-with-mlx_607cd77b.png","qnguyen3","Quan Nguyen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fqnguyen3_e55a7f5a.jpg","Multimodal & On-device ML",null,"Sweden","stablequan","https:\u002F\u002Fgithub.com\u002Fqnguyen3",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,1596,130,"2026-04-16T03:06:58","MIT","macOS","不需要独立显卡，依赖 Apple Silicon (M1\u002FM2\u002FM3 等) 的统一内存架构进行 GPU 加速","未说明（取决于所选模型大小，利用统一内存）",{"notes":94,"python":95,"dependencies":96},"该工具专为配备 Apple Silicon 芯片的 Mac 设计，利用 MLX 框架的统一内存模型。安装时建议创建 Python 3.11 的虚拟环境或 Conda 环境。支持集成 HuggingFace 和 MLX 兼容的开源模型（如 Llama-3, Phi-3 等）。首次运行可能需要下载模型文件，下载过程中需使用 Ctrl+C 终止。","3.11",[97,98,99],"mlx","langchain","chromadb",[36,14],"2026-03-27T02:49:30.150509","2026-04-20T16:48:19.606945",[104,109,114,119,124,129],{"id":105,"question_zh":106,"answer_zh":107,"source_url":108},45088,"下载模型时遇到权限错误（Permission Error）或无法写入文件怎么办？","这通常是因为使用了没有写入权限的系统级 Python 安装。解决方法有以下几种：\n1. 使用 `--user` 参数进行安装：`pip install --user ...`\n2. 使用虚拟环境（推荐）：创建并使用 `venv` 或 `miniconda` 环境。有用户反馈在系统默认 Python 上报错，但切换到 miniconda 创建的环境后问题解决。\n3. 修改系统权限允许写入（不推荐）。","https:\u002F\u002Fgithub.com\u002Fqnguyen3\u002Fchat-with-mlx\u002Fissues\u002F14",{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},45089,"运行时报错 'Connection refused' 或 'No safetensors found' 如何解决？","这可能是因为配置了错误的模型仓库路径，或者本地缓存了错误的模型文件。请尝试以下步骤：\n1. 确认使用的模型仓库包含 `.safetensors` 文件。\n2. 清除 HuggingFace 的缓存。\n3. 完全卸载并重新安装项目，以确保获取正确的模型配置：\n   `pip uninstall chat-with-mlx`\n   然后重新运行安装命令。注意：仅使用 `pip install -U` 可能不会重新下载模型，因为本地已存在文件夹。","https:\u002F\u002Fgithub.com\u002Fqnguyen3\u002Fchat-with-mlx\u002Fissues\u002F16",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},45090,"如何修改服务启动的主机地址和端口（例如改为 0.0.0.0:7888）？","有两种方法可以修改启动配置：\n方法一：通过设置环境变量启动\n`GRADIO_SERVER_NAME=0.0.0.0 GRADIO_SERVER_PORT=7888 python3.11 app.py`\n\n方法二：修改代码中的 `launch` 函数调用\n将 `demo.launch()` 修改为：\n`demo.launch(inbrowser=True, server_name=\"0.0.0.0\", server_port=7888)`","https:\u002F\u002Fgithub.com\u002Fqnguyen3\u002Fchat-with-mlx\u002Fissues\u002F21",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},45091,"如何自定义 Gradio 界面的主题样式和布局？","可以通过继承 `gr.themes.Base` 类来定义自定义主题，并在 `gr.Blocks` 中应用。示例代码如下：\n\n定义主题类：\n```python\nclass GusStyle(Base):\n    def __init__(self, *, primary_hue=colors.sky, secondary_hue=colors.blue, ...):\n        super().__init__(primary_hue=primary_hue, ...)\n```\n\n应用主题并调整布局（例如增加聊天历史显示区域）：\n```python\nwith gr.Blocks(fill_height=True, theme=GusStyle()) as demo:\n    with gr.Row():\n        with gr.Column(scale=2):\n            # 定义组件...\n            gr.ChatInterface(..., chatbot=gr.Chatbot(height=800, render=False))\n```\n这样可以改变配色、字体以及组件的排列方式，为用户提供更大的聊天历史视野。","https:\u002F\u002Fgithub.com\u002Fqnguyen3\u002Fchat-with-mlx\u002Fissues\u002F139",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},45092,"在 GitHub Codespaces 环境中运行时遇到网络连接错误（Connection Error）怎么办？","在 Codespaces 等受限网络环境中，直接连接外部服务可能会失败。虽然具体报错信息被截断，但通常此类问题需要检查网络代理设置，或者确保 Codespaces 端口转发配置正确。如果是在初始化模型下载时失败，可能需要检查环境是否能访问 HuggingFace 服务器，或尝试在本地环境运行而非云端受限环境。","https:\u002F\u002Fgithub.com\u002Fqnguyen3\u002Fchat-with-mlx\u002Fissues\u002F23",{"id":130,"question_zh":131,"answer_zh":132,"source_url":113},45093,"为什么重新安装后仍然加载旧的或错误的模型文件？","这是因为 `pip install -U` 不会覆盖本地已经存在的模型文件夹。如果之前的安装指向了错误的仓库或损坏的文件，升级安装不会触发重新下载。必须执行以下操作强制刷新：\n1. 先卸载：`pip uninstall chat-with-mlx`\n2. 手动删除本地缓存的模型文件夹（如果存在）。\n3. 重新安装：`pip install -e .` 或相应的安装命令。",[]]