[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-run-llama--sec-insights":3,"tool-run-llama--sec-insights":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",142651,2,"2026-04-06T23:34:12",[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。",107888,"2026-04-06T11:32:50",[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":77,"owner_website":78,"owner_url":79,"languages":80,"stars":113,"forks":114,"last_commit_at":115,"license":116,"difficulty_score":117,"env_os":118,"env_gpu":119,"env_ram":119,"env_deps":120,"category_tags":132,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":133,"updated_at":134,"faqs":135,"releases":136},4886,"run-llama\u002Fsec-insights","sec-insights","A real world full-stack application using LlamaIndex","sec-insights 是一款基于 LlamaIndex 构建的全栈开源应用，旨在利用检索增强生成（RAG）技术，帮助用户智能问答美国证券交易委员会（SEC）的 10-K 和 10-Q 财报文档。它解决了传统大模型在处理专业长文档时容易产生幻觉、缺乏数据溯源以及难以结合实时量化数据的痛点。\n\n通过 sec-insights，用户不仅能进行基于文档池的对话式查询，还能直接查看回答所依据的原文引用（支持 PDF 高亮显示），并结合 Polygon.io 等 API 工具回答复杂的定量问题。系统支持流式输出推理步骤和 token 级响应，让交互过程更加透明流畅。\n\n该项目特别适合希望将 RAG 技术从原型推向生产的开发者参考使用。它不仅提供了完整的系统架构示例，还集成了现代化的开发设施，如基础设施即代码（支持 Vercel 和 Render 一键部署）、本地 Docker 环境模拟、以及 Sentry 监控和 Arize Phoenix 可观测性工具。无论是想学习如何构建企业级 AI 应用的技术人员，还是需要深度分析财报的研究者，都能从中获得实用价值或直接将其作为项目的坚实起点。","# SEC Insights 🏦\n\n[![Open in GitHub Codespaces](https:\u002F\u002Fgithub.com\u002Fcodespaces\u002Fbadge.svg)](https:\u002F\u002Fcodespaces.new\u002Frun-llama\u002Fsec-insights)\n\n[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT)\n\nSEC Insights uses the Retrieval Augmented Generation (RAG) capabilities of [LlamaIndex](https:\u002F\u002Fgithub.com\u002Fjerryjliu\u002Fllama_index) to answer questions about SEC 10-K & 10-Q documents.\n\nYou can start using the application now at [secinsights.ai](https:\u002F\u002Fwww.secinsights.ai\u002F)\n\nYou can also check out our [End-to-End tutorial guide on YouTube](https:\u002F\u002Fyoutu.be\u002F2O52Tfj79T4?si=CYUcaBkc9P9g_m0P) for this project! This video covers product features, system architecture, development environment setup, and how to use this application with your own custom documents *(beyond just SEC filings!)*. The video has chapters so you can skip to the section most relevant to you.\n\n## Why did we make this? 🤔\nAs RAG applications look to move increasingly from prototype to production, we thought our developer community would find value in having a complete example of a working real-world RAG application.\n\nSEC Insights works as well locally as it does in the cloud. It also comes with many product features that will be immediately applicable to most RAG applications.\n\nUse this repository as a reference when building out your own RAG application or fork it entirely to start your project off with a solid foundation.\n\n## Product Features 😎\n- Chat-based Document Q&A against a pool of documents\n- Citation of source data that LLM response was based on\n- PDF Viewer with highlighting of citations\n- Use of API-based tools ([polygon.io](https:\u002F\u002Fpolygon.io\u002F)) for answering quantitative questions\n- Token-level streaming of LLM responses via [Server-Sent Events](https:\u002F\u002Fdeveloper.mozilla.org\u002Fen-US\u002Fdocs\u002FWeb\u002FAPI\u002FServer-sent_events)\n- Streaming of Reasoning Steps (Sub-Questions) within Chat\n\n## Development Features 🤓\n- Infrastructure-as-code for deploying directly to [Vercel](https:\u002F\u002Fvercel.com\u002F) & [Render](https:\u002F\u002Frender.com\u002F)\n- Continuous deployments provided by Vercel & Render.com. Shipping changes is as easy as merging into your `main` branch.\n- Production & Preview environments for both Frontend & Backend deployments! Easily try your changes before release.\n- Robust local environment setup making use of [LocalStack](https:\u002F\u002Flocalstack.cloud\u002F) & [Docker](https:\u002F\u002Fwww.docker.com\u002F) compose\n- Monitoring & Profiling provided by [Sentry](https:\u002F\u002Fsentry.io\u002Fwelcome\u002F)\n- Load Testing provided by [Loader.io](https:\u002F\u002Floader.io\u002F)\n- LLM Observability by [Arize Phoenix](https:\u002F\u002Fphoenix.arize.com\u002F)\n- Variety of python scripts for REPL-based chat & data management\n\n## Tech Stack ⚒️\n- Frontend\n    - [React](https:\u002F\u002Freact.dev\u002F) \u002F [Next.js](https:\u002F\u002Fnextjs.org\u002F)\n    - [Tailwind CSS](https:\u002F\u002Ftailwindcss.com\u002F)\n- Backend\n    - [FastAPI](https:\u002F\u002Ffastapi.tiangolo.com\u002F)\n    - [Docker](https:\u002F\u002Fwww.docker.com\u002F)\n    - [SQLAlchemy](https:\u002F\u002Fwww.sqlalchemy.org\u002F)\n    - [OpenAI](https:\u002F\u002Fopenai.com\u002F) (gpt-3.5-turbo + text-embedding-ada-002)\n    - [PGVector](https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector)\n    - [LlamaIndex 🦙](https:\u002F\u002Fwww.llamaindex.ai\u002F)\n- Infrastructure\n    - [Render.com](https:\u002F\u002Frender.com\u002F)\n        - Backend hosting\n        - [Postgres 15](https:\u002F\u002Fwww.postgresql.org\u002F)\n    - [Vercel](https:\u002F\u002Fvercel.com\u002F)\n        - Frontend Hosting\n    - [AWS](https:\u002F\u002Faws.amazon.com\u002F)\n        - [Cloudfront](https:\u002F\u002Faws.amazon.com\u002Fcloudfront\u002F)\n        - [S3](https:\u002F\u002Faws.amazon.com\u002Fs3\u002F)\n\n### System Architecture\n[![System Architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frun-llama_sec-insights_readme_cb3a0aa8dcf3.png)](https:\u002F\u002Fwww.plantuml.com\u002Fplantuml\u002Fuml\u002FjLJ1RjD04BtxAuPmo2bLsgGIaH0YYMqe0XhL4HoggjhOKsVRzMoqEsuR4F_EncxTDEjGX8GFbdRUcpTldZVfGeXNaX2KMEkI8PC6KvQQRF0ggv7FKJo_d9zUdfry-3WFWgR3wiAzUAtS6vabvJQmDv9MmeW2LYAz4Jd2pm3SCt6dtEYIigbMsi3hy70wZ4O0NKYGOT70a5OuQoW4fqlW9O8mHj_LG2scJORcGMXGFLKzriI9_85mE6pEFYjXDAXvlS8jFAuU3s_qsf1gyubMsGuuLZ8dI95S9VWLR6MIAbrc_psHez6R_cJKdi1pFvbWiH1sxqUAmsWIzlq9uU1usE__pOJQQ2t_R4-lUJWS7KTLTRwKwGsXjN3qN8nqji_gt0YoZeN4EtPzx0NB1bCMbAkzgKJZA8p2bjodW-Zu3way2NVEa5pVGQgB3WWBzV5XtdaiB8zd9zLW1rpKrQdH19_qeZusNswcBUS6xMP0VRqwu-y998FEezoiN2YPmYoCOL8wHNuGd1bvAnWXOMr4ZbDDZFVSS9xqedj6Gq91WkPMfcWRwIIQTYr4MIuCECSNyBQNwJlgxRXrixHQvveEf8POag1KEhbGiDXfQryzGMAptZH_qIHP6qdvfadX5UzjEbqXZKyUFRyumwTxcxX47l_KEj_GfAYQ8Bwwv0wkBSIEp4wq8dSXSNpd5KHsNLekaDX2QJULfSmofFhdOGE_7thdDUMYpR5NsQOtDwAnlWstteTsvaitfDLskUgzynstKXsnpOpNN36RhThXFLxz3Vsv7kMV51j_mNjdgYnKy1i0)\n\n## Usage 💻\nSee `README.md` files in `frontend\u002F` & `backend\u002F` folders for individual setup instructions for each. As mentioned above, we also have a YouTube tutorial [here](https:\u002F\u002Fyoutu.be\u002F2O52Tfj79T4?si=1Tm3zvuqna5ei4Cu&t=677) that covers how to setup this project's development environment.\n\nWe've also included a config for a [GitHub Codespace](https:\u002F\u002Fgithub.com\u002Ffeatures\u002Fcodespaces) in [`.devcontainer\u002Fdevcontainer.json`](https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fsec-insights\u002Fblob\u002Fmain\u002F.devcontainer\u002Fdevcontainer.json). If you choose to use GitHub Codespaces, your codespace will come pre-configured with a lot of the libraries and system dependencies that are needed to run this project. This is probably the fastest way to get this project up and running! Having said that, developers have successfully set-up this project in Linux, macOS, and Windows environments!\n\nIf you have any questions when trying to run this project, you may find your answer quickly by reviewing our [FAQ](.\u002FFAQ.md) or by searching through our [GitHub issues](https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fsec-insights\u002Fissues)! If you don't see a satisfactory answer to your question, feel free to [open a GitHub issue](https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fsec-insights\u002Fissues\u002Fnew) so we may assist you!\n\nWe also have a dedicated [#sec-insights channel on our Discord](https:\u002F\u002Fdiscord.com\u002Fchannels\u002F1059199217496772688\u002F1150942525968879636) where we may be able to assist with smaller issues more instantaneously.\n\n## Caveats 🧐\n- The frontend currently doesn't support Mobile\n- Our main goal with this project is to provide a solid foundation for full-stack RAG apps. There is still room for improvement in terms of RAG performance!\n\n## Contributing 💡\nWe remain very open to contributions! We're looking forward to seeing the ideas and improvements the LlamaIndex community is able to provide.\n\nHuge shoutout to [**@Evanc123**](https:\u002F\u002Fgithub.com\u002FEvanc123) for his fantastic work building the frontend for this project!\n","# SEC洞察 🏦\n\n[![在GitHub Codespaces中打开](https:\u002F\u002Fgithub.com\u002Fcodespaces\u002Fbadge.svg)](https:\u002F\u002Fcodespaces.new\u002Frun-llama\u002Fsec-insights)\n\n[![许可证：MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg)](https:\u002F\u002Fopensource.org\u002Flicenses\u002FMIT)\n\nSEC洞察利用[LlamaIndex](https:\u002F\u002Fgithub.com\u002Fjerryjliu\u002Fllama_index)的检索增强生成（RAG）能力，回答关于美国证券交易委员会10-K和10-Q文件的问题。\n\n您现在可以在[secinsights.ai](https:\u002F\u002Fwww.secinsights.ai\u002F)上开始使用该应用。\n\n您还可以观看我们在YouTube上的[端到端教程指南](https:\u002F\u002Fyoutu.be\u002F2O52Tfj79T4?si=CYUcaBkc9P9g_m0P)，了解该项目！本视频涵盖了产品功能、系统架构、开发环境搭建，以及如何将此应用程序与您自己的自定义文档一起使用（不仅仅是SEC申报文件！）。视频设有章节，方便您跳转到最相关的内容部分。\n\n## 我们为什么要做这个？🤔\n随着RAG应用从原型逐步走向生产，我们认为开发者社区会发现一个完整的、可运行的真实世界RAG应用示例非常有价值。\n\nSEC洞察在本地和云端都能良好运行。它还具备许多可以直接应用于大多数RAG应用的产品特性。\n\n您可以将此仓库作为构建自己RAG应用时的参考，或者直接将其Fork下来，为您的项目奠定坚实的基础。\n\n## 产品特性 😎\n- 基于聊天的文档问答，支持多文档池\n- 引用LLM响应所依据的源数据\n- PDF查看器，支持高亮显示引用内容\n- 使用基于API的工具（如[polygon.io](https:\u002F\u002Fpolygon.io\u002F)）来回答定量问题\n- 通过[服务器发送事件](https:\u002F\u002Fdeveloper.mozilla.org\u002Fen-US\u002Fdocs\u002FWeb\u002FAPI\u002FServer-sent_events)实现LLM响应的token级别流式传输\n- 聊天过程中推理步骤（子问题）的流式输出\n\n## 开发特性 🤓\n- 基础设施即代码，可直接部署到[Vercel](https:\u002F\u002Fvercel.com\u002F)和[Render](https:\u002F\u002Frender.com\u002F)\n- Vercel和Render.com提供持续部署服务。只需将更改合并到`main`分支，即可完成发布。\n- 前端和后端均提供生产环境和预览环境！轻松试用您的更改后再发布。\n- 强大的本地环境设置，利用[LocalStack](https:\u002F\u002Flocalstack.cloud\u002F)和[Docker](https:\u002F\u002Fwww.docker.com\u002F) Compose\n- 监控和性能分析由[Sentry](https:\u002F\u002Fsentry.io\u002Fwelcome\u002F)提供\n- 负载测试由[Loader.io](https:\u002F\u002Floader.io\u002F)提供\n- LLM可观性由[Arize Phoenix](https:\u002F\u002Fphoenix.arize.com\u002F)提供\n- 多种Python脚本，用于REPL式聊天和数据管理\n\n## 技术栈 ⚒️\n- 前端\n    - [React](https:\u002F\u002Freact.dev\u002F) \u002F [Next.js](https:\u002F\u002Fnextjs.org\u002F)\n    - [Tailwind CSS](https:\u002F\u002Ftailwindcss.com\u002F)\n- 后端\n    - [FastAPI](https:\u002F\u002Ffastapi.tiangolo.com\u002F)\n    - [Docker](https:\u002F\u002Fwww.docker.com\u002F)\n    - [SQLAlchemy](https:\u002F\u002Fwww.sqlalchemy.org\u002F)\n    - [OpenAI](https:\u002F\u002Fopenai.com\u002F)（gpt-3.5-turbo + text-embedding-ada-002）\n    - [PGVector](https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector)\n    - [LlamaIndex 🦙](https:\u002F\u002Fwww.llamaindex.ai\u002F)\n- 基础设施\n    - [Render.com](https:\u002F\u002Frender.com\u002F)\n        - 后端托管\n        - [Postgres 15](https:\u002F\u002Fwww.postgresql.org\u002F)\n    - [Vercel](https:\u002F\u002Fvercel.com\u002F)\n        - 前端托管\n    - [AWS](https:\u002F\u002Faws.amazon.com\u002F)\n        - [Cloudfront](https:\u002F\u002Faws.amazon.com\u002Fcloudfront\u002F)\n        - [S3](https:\u002F\u002Faws.amazon.com\u002Fs3\u002F)\n\n### 系统架构\n[![系统架构](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frun-llama_sec-insights_readme_cb3a0aa8dcf3.png)](https:\u002F\u002Fwww.plantuml.com\u002Fplantuml\u002Fuml\u002FjLJ1RjD04BtxAuPmo2bLsgGIaH0YYMqe0XhL4HoggjhOKsVRzMoqEsuR4F_EncxTDEjGX8GFbdRUcpTldZVfGeXNaX2KMEkI8PC6KvQQRF0ggv7FKJo_d9zUdfry-3WFWgR3wiAzUAtS6vabvJQmDv9MmeW2LYAz4Jd2pm3SCt6dtEYIigbMsi3hy70wZ4O0NKYGOT70a5OuQoW4fqlW9O8mHj_LG2scJORcGMXGFLKzriI9_85mE6pEFYjXDAXvlS8jFAuU3s_qsf1gyubMsGuuLZ8dI95S9VWLR6MIAbrc_psHez6R_cJKdi1pFvbWiH1sxqUAmsWIzlq9uU1usE__pOJQQ2t_R4-lUJWS7KTLTRwKwGsXjN3qN8nqji_gt0YoZeN4EtPzx0NB1bCMbAkzgKJZA8p2bjodW-Zu3way2NVEa5pVGQgB3WWBzV5XtdaiB8zd9zLW1rpKrQdH19_qeZusNswcBUS6xMP0VRqwu-y998FEezoiN2YPmYoCOL8wHNuGd1bvAnWXOMr4ZbDDZFVSS9xqedj6Gq91WkPMfcWRwIIQTYr4MIuCECSNyBQNwJlgxRXrixHQvveEf8POag1KEhbGiDXfQryzGMAptZH_qIHP6qdvfadX5UzjEbqXZKyUFRyumwTxcxX47l_KEj_GfAYQ8Bwwv0wkBSIEp4wq8dSXSNpd5KHsNLekaDX2QJULfSmofFhdOGE_7thdDUMYpR5NsQOtDwAnlWstteTsvaitfDLskUgzynstKXsnpOpNN36RhThXFLxz3Vsv7kMV51j_mNjdgYnKy1i0)\n\n## 使用 💻\n请参阅`frontend\u002F`和`backend\u002F`文件夹中的`README.md`文件，获取各自的设置说明。如上所述，我们还在YouTube上提供了一个教程[这里](https:\u002F\u002Fyoutu.be\u002F2O52Tfj79T4?si=1Tm3zvuqna5ei4Cu&t=677)，介绍如何设置该项目的开发环境。\n\n我们还在[`\u002F.devcontainer\u002Fdevcontainer.json`](https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fsec-insights\u002Fblob\u002Fmain\u002F.devcontainer\u002Fdevcontainer.json)中包含了一个针对[GitHub Codespaces](https:\u002F\u002Fgithub.com\u002Ffeatures\u002Fcodespaces)的配置文件。如果您选择使用GitHub Codespaces，您的Codespace将预先配置好运行该项目所需的大量库和系统依赖项。这可能是启动并运行该项目的最快方式！不过，开发者们也成功地在Linux、macOS和Windows环境中设置了该项目！\n\n如果您在尝试运行该项目时有任何疑问，可以通过查阅我们的[常见问题解答](.\u002FFAQ.md)或浏览我们的[GitHub Issues](https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fsec-insights\u002Fissues)快速找到答案！如果仍未找到满意的答案，请随时[创建一个新的GitHub Issue](https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fsec-insights\u002Fissues\u002Fnew)，我们将竭诚为您提供帮助！\n\n我们还有一个专门的[#sec-insights频道](https:\u002F\u002Fdiscord.com\u002Fchannels\u002F1059199217496772688\u002F1150942525968879636)在Discord上，我们可以更迅速地帮助您解决一些小问题。\n\n## 注意事项 🧐\n- 目前前端不支持移动端\n- 我们开发该项目的主要目的是为全栈RAG应用提供一个坚实的基础。在RAG性能方面仍有改进空间！\n\n## 贡献 💡\n我们非常欢迎各类贡献！我们期待看到 LlamaIndex 社区带来的创意和改进。\n\n特别感谢 [**@Evanc123**](https:\u002F\u002Fgithub.com\u002FEvanc123) 为该项目构建前端界面的出色工作！","# SEC Insights 快速上手指南\n\nSEC Insights 是一个基于 LlamaIndex 构建的检索增强生成（RAG）应用，专门用于问答美国证券交易委员会（SEC）的 10-K 和 10-Q 文件。本项目提供了完整的端到端 RAG 应用示例，支持本地运行及云端部署。\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, macOS 或 Windows (推荐使用 WSL2)\n*   **核心依赖**：\n    *   [Docker](https:\u002F\u002Fwww.docker.com\u002F) 及 Docker Compose（用于本地数据库和向量存储）\n    *   [Node.js](https:\u002F\u002Fnodejs.org\u002F) (v18+) 及 npm\u002Fyarn\n    *   Python 3.9+\n*   **API 密钥**：\n    *   **OpenAI API Key**：用于调用 `gpt-3.5-turbo` 和 `text-embedding-ada-002` 模型。\n    *   **Polygon.io API Key**（可选）：用于回答量化金融数据相关问题。\n*   **推荐工具**：\n    *   [GitHub Codespaces](https:\u002F\u002Fcodespaces.new\u002Frun-llama\u002Fsec-insights)：最快上手方式，预配置了所有依赖和环境。\n\n## 安装步骤\n\n### 方法一：使用 GitHub Codespaces（推荐）\n\n这是最快捷的启动方式，无需在本地安装复杂依赖。\n\n1.  点击仓库顶部的 **\"Open in GitHub Codespaces\"** 按钮。\n2.  等待环境构建完成（自动安装 Python、Node.js 及系统库）。\n3.  在终端中按照下方“基本使用”部分配置环境变量并启动服务。\n\n### 方法二：本地手动安装\n\n#### 1. 克隆项目\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Frun-llama\u002Fsec-insights.git\ncd sec-insights\n```\n\n#### 2. 后端设置 (Backend)\n\n进入后端目录并设置 Python 虚拟环境：\n\n```bash\ncd backend\npython -m venv venv\nsource venv\u002Fbin\u002Factivate  # Windows 用户请使用: venv\\Scripts\\activate\n\n# 安装依赖\npip install -r requirements.txt\n```\n\n配置环境变量（创建 `.env` 文件）：\n```bash\ncp .env.example .env\n# 编辑 .env 文件，填入 OPENAI_API_KEY 等必要信息\n```\n\n启动后端服务（依赖 Docker 运行 PostgreSQL 和 PGVector）：\n```bash\ndocker-compose up -d\n# 运行数据库迁移\npython scripts\u002Fmigrate.py\n# 启动 FastAPI 服务\nuvicorn main:app --reload --host 0.0.0.0 --port 8000\n```\n\n#### 3. 前端设置 (Frontend)\n\n打开新终端窗口，进入前端目录：\n\n```bash\ncd frontend\nnpm install\n# 如果下载缓慢，可尝试使用淘宝镜像源\n# npm config set registry https:\u002F\u002Fregistry.npmmirror.com\n# npm install\n\n# 创建 .env.local 文件并配置后端地址\necho \"NEXT_PUBLIC_API_URL=http:\u002F\u002Flocalhost:8000\" > .env.local\n\n# 启动开发服务器\nnpm run dev\n```\n\n## 基本使用\n\n1.  **访问应用**：\n    在浏览器中打开 `http:\u002F\u002Flocalhost:3000`。\n\n2.  **上传文档**：\n    *   在聊天界面上传 SEC 10-K 或 10-Q 的 PDF 文件（也支持其他自定义文档）。\n    *   系统将自动利用 LlamaIndex 进行索引处理。\n\n3.  **开始问答**：\n    *   在对话框输入关于文档内容的问题，例如：“该公司去年的营收是多少？”\n    *   **查看引用**：回答将附带源数据引用，点击引用可在右侧 PDF 阅读器中高亮显示对应段落。\n    *   **流式输出**：您将看到推理步骤（子问题）和最终答案的逐字流式输出。\n\n4.  **高级功能**：\n    *   若配置了 Polygon.io API，可直接询问需要实时金融数据计算的量化问题。\n    *   通过 REPL 脚本（位于 `backend\u002Fscripts`）进行命令行模式的数据管理和调试。\n\n> **提示**：详细的前后端独立配置说明请参阅项目根目录下 `frontend\u002FREADME.md` 和 `backend\u002FREADME.md`。","某投行分析师需要在美股财报季快速从数百家公司的 10-K 和 10-Q 文件中提取关键财务数据，以完成行业竞争格局分析报告。\n\n### 没有 sec-insights 时\n- 分析师需手动下载并逐页翻阅数百页的 PDF 财报，耗时数天才能定位到特定的风险因素或营收细节。\n- 在引用数据撰写报告时，难以快速回溯原文确切位置，反复核对来源导致工作效率极低且容易出错。\n- 面对需要结合实时股价或量化指标的问题，必须在文档搜索与外部金融终端之间频繁切换，打断分析思路。\n- 团队协作时，不同成员对同一文档的理解存在偏差，缺乏统一的、基于原文证据的对话记录作为参考基准。\n\n### 使用 sec-insights 后\n- 分析师直接通过自然语言提问，sec-insights 利用 RAG 技术秒级检索多份财报，瞬间生成包含具体数据的综合回答。\n- 系统自动在回答中标注引用来源，并在内置 PDF 阅读器中高亮显示原文段落，让每一次数据引用都可追溯、可验证。\n- 内置的 API 工具能自动调用 Polygon.io 获取实时量化数据，将文档内容与市场动态结合，一站式解决复杂计算问题。\n- 推理步骤和子问题的流式展示让分析逻辑透明化，团队成员可基于相同的证据链进行协作，大幅降低沟通成本。\n\nsec-insights 将原本需要数天的繁琐文档调研工作压缩至分钟级，让金融从业者从“找数据”转变为真正的“分析数据”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frun-llama_sec-insights_b35e5030.png","run-llama","LlamaIndex","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Frun-llama_725504c7.png","",null,"llama_index","https:\u002F\u002Fllamaindex.ai","https:\u002F\u002Fgithub.com\u002Frun-llama",[81,85,89,93,97,101,105,109],{"name":82,"color":83,"percentage":84},"TypeScript","#3178c6",49.4,{"name":86,"color":87,"percentage":88},"Python","#3572A5",46,{"name":90,"color":91,"percentage":92},"JavaScript","#f1e05a",1.8,{"name":94,"color":95,"percentage":96},"Makefile","#427819",1.2,{"name":98,"color":99,"percentage":100},"CSS","#663399",1.1,{"name":102,"color":103,"percentage":104},"Dockerfile","#384d54",0.3,{"name":106,"color":107,"percentage":108},"Mako","#7e858d",0.2,{"name":110,"color":111,"percentage":112},"Shell","#89e051",0,2595,695,"2026-04-06T13:53:14","MIT",4,"Linux, macOS, Windows","未说明",{"notes":121,"python":119,"dependencies":122},"该项目支持本地运行及云端部署（Vercel\u002FRender）。推荐使用 GitHub Codespaces 以获得预配置的开发环境，这是最快的启动方式。本地开发需安装 Docker 和 Docker Compose 以运行 LocalStack 等基础设施。后端依赖 OpenAI API (gpt-3.5-turbo 和 text-embedding-ada-002)，需自行配置 API Key。数据库使用 PostgreSQL (含 pgvector 插件)。前端目前不支持移动端访问。",[73,123,124,125,126,127,128,129,130,131],"FastAPI","Next.js","React","Tailwind CSS","SQLAlchemy","PGVector","OpenAI API","Docker","LocalStack",[35,14],"2026-03-27T02:49:30.150509","2026-04-07T13:29:26.440513",[],[]]