[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-shiyybua--NER":3,"tool-shiyybua--NER":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"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",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"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",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"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。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70612,"2026-04-05T11:12:22",[15,14,13,36],{"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":76,"owner_company":76,"owner_location":78,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":76,"difficulty_score":45,"env_os":88,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":94,"github_topics":76,"view_count":45,"oss_zip_url":76,"oss_zip_packed_at":76,"status":16,"created_at":95,"updated_at":96,"faqs":97,"releases":128},782,"shiyybua\u002FNER","NER","基于tensorflow深度学习的中文的命名实体识别","NER 是一款专注于中文文本的命名实体识别系统，能够自动从句子中提取人名、地名、机构名等关键信息。传统方法往往依赖人工设计特征，效率低且泛化能力差，而 NER 利用深度神经网络自动提取特征，大幅降低了标注门槛。\n\n在技术架构上，NER 采用双向循环神经网络（BiRNN）结合条件随机场（CRF）的经典模型，并基于 TensorFlow 框架实现。其代码引入了较新的 DataSet API，让数据预处理和输入流程更加简洁优雅。用户只需准备好分词后的源文件及预训练词向量，通过修改配置文件即可轻松完成模型训练或预测任务。\n\nNER 非常适合自然语言处理领域的开发者与研究人员使用。如果你正在构建中文搜索、智能客服或舆情监控系统，它能为你提供扎实的底层支持。需要注意的是，运行环境建议安装 TensorFlow 1.4.1 及以上版本。对于需要优化中文信息抽取流程的团队来说，这是一个值得尝试的开源方案。","# NER\n一个中文的实体命名识别系统\n\n当前版本基于双向循环神经网络（BiRNN） + 条件随机场（CRF）来完成实体的标注。 基本思路是利用深度神经网络提取特征，从而避免了手动提取特征的麻烦。\n第二部和传统的方式一样，使用CRF在做最后的标注。\n\n该程序使用Tensorflow完成，使用了当前较新的DataSet API，使数据预处理和feed更优雅。\n\n由于使用了新的API， Tensorflow版本必须大于1.2.0，代码升级后使用的是TensorFlow1.4，不确定原来Tensorflow1.2是否还兼容。\n\n如何使用？\n\n    1. 建议安装tensorflow >= 1.4.1\n    \n    2. 提供训练所需的数据，具体格式在resource文件夹里有展示。但是需要自行分词。只需提供3个文件：\n        source.txt target.txt 和 预训练的词向量。\n        \n    3. 训练词向量，训练工具可以是gensim的word2vector或者glove等等，然后将词和对应的词向量以以下格式保存。\n        具体格式是： \n        单词A:0.001,0.001,0.001,....\n        单词B:0.001,0.001,0.001,....\n        单词C:0.001,0.001,0.001,....\n        .\n        .\n        .\n        有些训练工具得出的文件结果就是以上格式不需要修改．　程序默认embedding size是300, 可以按需求做更改\n        （注意：训练词向量的数据量越大越好，不只限于当前语聊，如果需要训练好的词向量可以联系我。）\n        \n    4. 修改config.py里的文件存路径，所有的配置都在这个文件里。\n    \n    5. 训练：修改config.py\n        tf.app.flags.DEFINE_string(\"action\", 'train', \"train | predict\")\n        $ python rnn.py\n        \n    6. 预测：修改config.py\n        tf.app.flags.DEFINE_string(\"action\", 'predict', \"train | predict\")\n        $ python rnn.py\n       \n\n注意：\n    原本resource文件中只包含predict.txt, source.txt, target.txt, 如果更换自己的词向量文件记得删除其他自动生成的文件。\n\n更多文件、问题见issues. \n\n","# NER\n一个中文命名实体识别系统\n\n当前版本基于双向循环神经网络（BiRNN）+ 条件随机场（CRF）来完成实体的标注。基本思路是利用深度神经网络提取特征，从而避免了手动提取特征的麻烦。\n模型的第二部分与传统方式一样，使用 CRF 做最后的标注。\n\n该程序使用 TensorFlow（一种深度学习框架）完成，使用了当前较新的 DataSet API，使数据预处理和 feed 更优雅。\n\n由于使用了新的 API，TensorFlow 版本必须大于 1.2.0，代码升级后使用的是 TensorFlow 1.4，不确定原来 TensorFlow 1.2 是否还兼容。\n\n如何使用？\n\n1. 建议安装 tensorflow >= 1.4.1\n    \n2. 提供训练所需的数据，具体格式在 resource 文件夹里有展示。但是需要自行分词。只需提供 3 个文件：\n    source.txt、target.txt 和 预训练的词向量。\n        \n3. 训练词向量，训练工具可以是 gensim 的 word2vec 或者 GloVe 等等，然后将词和对应的词向量以以下格式保存。\n    具体格式是： \n    单词 A:0.001,0.001,0.001,...\n    单词 B:0.001,0.001,0.001,...\n    单词 C:0.001,0.001,0.001,...\n    .\n    .\n    .\n    有些训练工具得出的文件结果就是以上格式不需要修改．程序默认 embedding size 是 300，可以按需求做更改\n    （注意：训练词向量的数据量越大越好，不只限于当前语料，如果需要训练好的词向量可以联系我。）\n        \n4. 修改 config.py 里的文件存路径，所有的配置都在这个文件里。\n    \n5. 训练：修改 config.py\n    tf.app.flags.DEFINE_string(\"action\", 'train', \"train | predict\")\n    $ python rnn.py\n        \n6. 预测：修改 config.py\n    tf.app.flags.DEFINE_string(\"action\", 'predict', \"train | predict\")\n    $ python rnn.py\n\n注意：\n    原本 resource 文件中只包含 predict.txt, source.txt, target.txt，如果更换自己的词向量文件记得删除其他自动生成的文件。\n\n更多文件、问题见 issues.","# NER 快速上手指南\n\nNER 是一个基于双向循环神经网络（BiRNN）+ 条件随机场（CRF）的中文命名实体识别系统。本指南将帮助你快速完成环境搭建与模型训练预测。\n\n## 环境准备\n\n- **Python 环境**：建议 Python 2.7 或 3.x（根据 TensorFlow 版本适配）。\n- **深度学习框架**：TensorFlow 版本必须大于 1.2.0，**强烈建议安装 >= 1.4.1**。\n- **词向量训练工具**（可选）：如需自行训练词向量，需准备 `gensim` 的 `word2vector` 或 `glove` 等工具。\n\n## 安装步骤\n\n通过 pip 安装指定版本的 TensorFlow：\n\n```bash\npip install tensorflow>=1.4.1\n```\n\n## 基本使用\n\n### 1. 数据准备\n在 `resource` 文件夹中准备以下三个文件：\n- **source.txt**：原始文本数据（需自行分词）。\n- **target.txt**：对应的标注标签数据。\n- **预训练的词向量文件**：格式如下，默认 embedding size 为 300：\n  ```text\n  单词 A:0.001,0.001,0.001,....\n  单词 B:0.001,0.001,0.001,....\n  ```\n  *注：若更换词向量文件，请记得删除其他自动生成的文件。*\n\n### 2. 配置修改\n打开 `config.py` 文件，设置文件路径及运行模式。核心配置项示例：\n```python\ntf.app.flags.DEFINE_string(\"action\", 'train', \"train | predict\")\n```\n\n### 3. 运行程序\n根据需求选择训练或预测模式，执行以下命令：\n\n**训练模型：**\n```bash\n$ python rnn.py\n```\n\n**进行预测：**\n```bash\n$ python rnn.py\n```","某物流公司的数据分析师，每天需从百万条运输备注中提取发货城市、收货地址及异常货物类型，以优化配送路线并监控风险。\n\n### 没有 NER 时\n- 依赖关键词匹配，遇到“北京”作为地名或人名时容易混淆，导致数据污染。\n- 人工筛选备注信息效率低，无法实时发现配送异常点，决策严重滞后。\n- 新开通城市或特殊货物名称出现时，系统无法识别导致漏标，影响统计准确性。\n- 规则更新频繁，开发周期长，难以跟上业务扩张速度和地域变化。\n\n### 使用 NER 后\n- NER 基于 BiRNN+CRF 架构，能结合上下文准确区分地名与机构名，消除歧义。\n- 利用词向量技术理解语义，即使地址表述不规范也能精准定位实体，鲁棒性强。\n- 支持自定义训练，快速适配新增的物流网点或货物分类体系，灵活应对业务变更。\n- 自动化预测流程将数据处理时间从小时级压缩至秒级，大幅提升信息流转时效性。\n\nNER 凭借深度学习优势，将复杂的中文文本解析任务转化为高效的自动化流程，彻底释放了数据价值。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshiyybua_NER_58f381da.png","shiyybua",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fshiyybua_f08f56a2.jpg","Wuhan, China","https:\u002F\u002Fgithub.com\u002Fshiyybua",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,1057,399,"2026-03-30T09:13:51","未说明",{"notes":90,"python":88,"dependencies":91},"需自行准备训练数据（source.txt, target.txt）及预训练词向量；建议使用 gensim 或 glove 训练词向量；默认 embedding size 为 300；通过修改 config.py 配置路径及 action（train\u002Fpredict）；运行命令为 python rnn.py",[92,93],"tensorflow>=1.4.1","gensim",[15],"2026-03-27T02:49:30.150509","2026-04-06T07:12:47.857004",[98,103,108,113,118,123],{"id":99,"question_zh":100,"answer_zh":101,"source_url":102},3361,"训练时出现 IndexError: index ... is out of bounds for axis 0","根据 Issue #7 的解决方案，这通常是由于缓存文件冲突导致的。请在运行训练脚本前，删除生成的 target_xxxxx.txt 文件，然后重新运行。","https:\u002F\u002Fgithub.com\u002Fshiyybua\u002FNER\u002Fissues\u002F7",{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},3362,"预测时出现 IndexError: index ... is out of bounds for axis 0","该错误与训练时的索引越界错误相同。建议参考 Issue #7 的解决方法，删除之前生成的 target_xxxxx.txt 文件后再次尝试预测。","https:\u002F\u002Fgithub.com\u002Fshiyybua\u002FNER\u002Fissues\u002F69",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},3363,"加载词向量时出现 IndexError: index ... is out of bounds","此错误发生在 load_word2vec_embedding 函数中，同样属于索引越界问题。请尝试删除项目中生成的 target_xxxxx.txt 临时文件，以解决向量加载冲突。","https:\u002F\u002Fgithub.com\u002Fshiyybua\u002FNER\u002Fissues\u002F19",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},3364,"报错 OutOfRangeError: Read fewer bytes than requested","有用户反馈指出，这个问题可能与运行了错误的代码有关。请检查是否误运行了 utils 代码，确保调用的是主程序入口脚本而非工具模块。","https:\u002F\u002Fgithub.com\u002Fshiyybua\u002FNER\u002Fissues\u002F29",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},3365,"运行 RNN.py 时出现 ModuleNotFoundError: No module named '__main__.utils'","这是一个常见的 Python 包导入问题。通常是因为执行路径导致 '__main__' 不被视为包。建议检查项目目录结构，或将 rnn.py 移至项目根目录外运行，确保 utils 模块能被正确识别。","https:\u002F\u002Fgithub.com\u002Fshiyybua\u002FNER\u002Fissues\u002F35",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},3366,"更换自定义语料后训练没有反应","即使格式看起来一样，也可能存在细微差异。建议先取几十 k 的小样本进行测试，并仔细核对语料和标注格式是否与源码提供的 source 和 target 格式完全一致。","https:\u002F\u002Fgithub.com\u002Fshiyybua\u002FNER\u002Fissues\u002F20",[]]