[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-sjwhitworth--golearn":3,"similar-sjwhitworth--golearn":95},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":17,"owner_website":21,"owner_url":22,"languages":23,"stars":47,"forks":48,"last_commit_at":49,"license":50,"difficulty_score":51,"env_os":52,"env_gpu":53,"env_ram":53,"env_deps":54,"category_tags":59,"github_topics":17,"view_count":51,"oss_zip_url":17,"oss_zip_packed_at":17,"status":61,"created_at":62,"updated_at":63,"faqs":64,"releases":94},3654,"sjwhitworth\u002Fgolearn","golearn","Machine Learning for Go","golearn 是一款专为 Go 语言打造的“开箱即用”机器学习库，旨在让开发者在享受 Go 语言高效并发特性的同时，也能轻松构建和部署机器学习模型。它主要解决了 Go 生态中缺乏统一、易用且功能完整的机器学习框架的痛点，让用户无需切换至 Python 等其他语言即可在原生环境中完成从数据加载、预处理到模型训练与评估的全流程。\n\ngolearn 特别适合熟悉 Go 语言的软件工程师、后端开发者以及对系统性能有较高要求的研究人员使用。其核心亮点在于借鉴了著名的 scikit-learn 接口设计，采用了标准的 Fit（拟合）与 Predict（预测）模式，这使得算法替换和实验迭代变得异常简单。此外，golearn 将数据集抽象为类似 R 或 Pandas 中 DataFrame 的\"Instances\"结构，支持类矩阵操作，并内置了交叉验证、训练测试集划分等实用辅助函数。通过简洁的代码，用户即可快速实现如 KNN 分类等复杂算法，并获取详细的精度与召回率评估报告，是 Go 开发者探索机器学习领域的理想起点。","GoLearn\n=======\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsjwhitworth_golearn_readme_b1624023084a.jpg\" width=125>\u003Cbr>\n[![GoDoc](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsjwhitworth_golearn_readme_ff803135673c.png)](https:\u002F\u002Fgodoc.org\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn)\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002Fsjwhitworth\u002Fgolearn.png?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fsjwhitworth\u002Fgolearn)\u003Cbr>\n[![Code Coverage](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fsjwhitworth\u002Fgolearn\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fsjwhitworth\u002Fgolearn)\n\n[![Support via Gittip](https:\u002F\u002Frawgithub.com\u002Ftwolfson\u002Fgittip-badge\u002F0.2.0\u002Fdist\u002Fgittip.png)](https:\u002F\u002Fwww.gittip.com\u002Fsjwhitworth\u002F)\n\nGoLearn is a 'batteries included' machine learning library for Go. **Simplicity**, paired with customisability, is the goal.\nWe are in active development, and would love comments from users out in the wild. Drop us a line on Twitter.\n\ntwitter: [@golearn_ml](http:\u002F\u002Fwww.twitter.com\u002Fgolearn_ml)\n\nInstall\n=======\n\nSee [here](https:\u002F\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fwiki\u002FInstallation) for installation instructions.\n\nGetting Started\n=======\n\nData are loaded in as Instances. You can then perform matrix like operations on them, and pass them to estimators.\nGoLearn implements the scikit-learn interface of Fit\u002FPredict, so you can easily swap out estimators for trial and error.\nGoLearn also includes helper functions for data, like cross validation, and train and test splitting.\n\n```go\npackage main\n\nimport (\n\t\"fmt\"\n\n\t\"github.com\u002Fsjwhitworth\u002Fgolearn\u002Fbase\"\n\t\"github.com\u002Fsjwhitworth\u002Fgolearn\u002Fevaluation\"\n\t\"github.com\u002Fsjwhitworth\u002Fgolearn\u002Fknn\"\n)\n\nfunc main() {\n\t\u002F\u002F Load in a dataset, with headers. Header attributes will be stored.\n\t\u002F\u002F Think of instances as a Data Frame structure in R or Pandas.\n\t\u002F\u002F You can also create instances from scratch.\n\trawData, err := base.ParseCSVToInstances(\"datasets\u002Firis.csv\", true)\n\tif err != nil {\n\t\tpanic(err)\n\t}\n\n\t\u002F\u002F Print a pleasant summary of your data.\n\tfmt.Println(rawData)\n\n\t\u002F\u002FInitialises a new KNN classifier\n\tcls := knn.NewKnnClassifier(\"euclidean\", \"linear\", 2)\n\n\t\u002F\u002FDo a training-test split\n\ttrainData, testData := base.InstancesTrainTestSplit(rawData, 0.50)\n\tcls.Fit(trainData)\n\n\t\u002F\u002FCalculates the Euclidean distance and returns the most popular label\n\tpredictions, err := cls.Predict(testData)\n\tif err != nil {\n\t\tpanic(err)\n\t}\n\n\t\u002F\u002F Prints precision\u002Frecall metrics\n\tconfusionMat, err := evaluation.GetConfusionMatrix(testData, predictions)\n\tif err != nil {\n\t\tpanic(fmt.Sprintf(\"Unable to get confusion matrix: %s\", err.Error()))\n\t}\n\tfmt.Println(evaluation.GetSummary(confusionMat))\n}\n```\n\n```\nIris-virginica\t28\t2\t  56\t0.9333\t0.9333  0.9333\nIris-setosa\t    29\t0\t  59\t1.0000  1.0000\t1.0000\nIris-versicolor\t27\t2\t  57\t0.9310\t0.9310  0.9310\nOverall accuracy: 0.9545\n```\n\nExamples\n========\n\nGoLearn comes with practical examples. Dive in and see what is going on.\n\n```bash\ncd $GOPATH\u002Fsrc\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fexamples\u002Fknnclassifier\ngo run knnclassifier_iris.go\n```\n```bash\ncd $GOPATH\u002Fsrc\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fexamples\u002Finstances\ngo run instances.go\n```\n```bash\ncd $GOPATH\u002Fsrc\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fexamples\u002Ftrees\ngo run trees.go\n```\n\nDocs\n====\n\n * [English](https:\u002F\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fwiki)\n * [中文文档(简体)](doc\u002Fzh_CN\u002FHome.md)\n * [中文文档(繁体)](doc\u002Fzh_TW\u002FHome.md)\n\nJoin the team\n=============\n\nPlease send me a mail at stephenjameswhitworth@gmail.com\n","GoLearn\n=======\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsjwhitworth_golearn_readme_b1624023084a.jpg\" width=125>\u003Cbr>\n[![GoDoc](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsjwhitworth_golearn_readme_ff803135673c.png)](https:\u002F\u002Fgodoc.org\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn)\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002Fsjwhitworth\u002Fgolearn.png?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fsjwhitworth\u002Fgolearn)\u003Cbr>\n[![Code Coverage](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fsjwhitworth\u002Fgolearn\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fsjwhitworth\u002Fgolearn)\n\n[![Support via Gittip](https:\u002F\u002Frawgithub.com\u002Ftwolfson\u002Fgittip-badge\u002F0.2.0\u002Fdist\u002Fgittip.png)](https:\u002F\u002Fwww.gittip.com\u002Fsjwhitworth\u002F)\n\nGoLearn 是一个“开箱即用”的 Go 语言机器学习库。我们的目标是**简单易用**，同时保持高度的可定制性。目前我们正处于积极开发阶段，非常欢迎广大用户提出宝贵意见！您可以通过 Twitter 联系我们。\n\ntwitter: [@golearn_ml](http:\u002F\u002Fwww.twitter.com\u002Fgolearn_ml)\n\n安装\n=======\n\n请参阅 [此处](https:\u002F\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fwiki\u002FInstallation) 获取安装说明。\n\n快速入门\n=======\n\n数据以 Instance 的形式加载进来。随后您可以对这些数据执行类似矩阵的操作，并将其传递给估计器。GoLearn 实现了与 scikit-learn 一致的 Fit\u002FPredict 接口，因此您可以轻松地切换不同的估计器进行实验和调试。此外，GoLearn 还提供了一些数据处理辅助函数，例如交叉验证以及训练集和测试集的划分。\n\n```go\npackage main\n\nimport (\n\t\"fmt\"\n\n\t\"github.com\u002Fsjwhitworth\u002Fgolearn\u002Fbase\"\n\t\"github.com\u002Fsjwhitworth\u002Fgolearn\u002Fevaluation\"\n\t\"github.com\u002Fsjwhitworth\u002Fgolearn\u002Fknn\"\n)\n\nfunc main() {\n\t\u002F\u002F 加载包含表头的数据集，表头信息会被保存下来。\n\t\u002F\u002F 可以将 Instance 看作 R 或 Pandas 中的 DataFrame 结构。\n\t\u002F\u002F 您也可以从零开始创建 Instance。\n\trawData, err := base.ParseCSVToInstances(\"datasets\u002Firis.csv\", true)\n\tif err != nil {\n\t\tpanic(err)\n\t}\n\n\t\u002F\u002F 打印数据的概要信息\n\tfmt.Println(rawData)\n\n\t\u002F\u002F 初始化一个新的 KNN 分类器\n\tcls := knn.NewKnnClassifier(\"euclidean\", \"linear\", 2)\n\n\t\u002F\u002F 将数据划分为训练集和测试集\n\ttrainData, testData := base.InstancesTrainTestSplit(rawData, 0.50)\n\tcls.Fit(trainData)\n\n\t\u002F\u002F 计算欧氏距离并返回出现频率最高的标签\n\tpredictions, err := cls.Predict(testData)\n\tif err != nil {\n\t\tpanic(err)\n\t}\n\n\t\u002F\u002F 输出精确率、召回率等指标\n\tconfusionMat, err := evaluation.GetConfusionMatrix(testData, predictions)\n\tif err != nil {\n\t\tpanic(fmt.Sprintf(\"无法获取混淆矩阵：%s\", err.Error()))\n\t}\n\tfmt.Println(evaluation.GetSummary(confusionMat))\n}\n```\n\n```\nIris-virginica\t28\t2\t  56\t0.9333\t0.9333  0.9333\nIris-setosa\t    29\t0\t  59\t1.0000  1.0000\t1.0000\nIris-versicolor\t27\t2\t  57\t0.9310\t0.9310  0.9310\n总体准确率：0.9545\n```\n\n示例\n========\n\nGoLearn 自带实用的示例代码，您可以直接运行并查看其工作原理。\n\n```bash\ncd $GOPATH\u002Fsrc\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fexamples\u002Fknnclassifier\ngo run knnclassifier_iris.go\n```\n```bash\ncd $GOPATH\u002Fsrc\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fexamples\u002Finstances\ngo run instances.go\n```\n```bash\ncd $GOPATH\u002Fsrc\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fexamples\u002Ftrees\ngo run trees.go\n```\n\n文档\n====\n\n * [英文](https:\u002F\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fwiki)\n * [中文文档（简体）](doc\u002Fzh_CN\u002FHome.md)\n * [中文文档（繁体）](doc\u002Fzh_TW\u002FHome.md)\n\n加入我们\n=============\n\n请发送邮件至 stephenjameswhitworth@gmail.com 与我们联系。","# GoLearn 快速上手指南\n\nGoLearn 是一个“开箱即用”的 Go 语言机器学习库，旨在兼顾**简洁性**与**可定制性**。它实现了类似 scikit-learn 的 `Fit\u002FPredict` 接口，方便开发者快速替换算法进行实验。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Go 版本**：建议安装 Go 1.16 或更高版本\n*   **前置依赖**：\n    *   已配置好 `GOPATH` 和 `GO111MODULE` 环境\n    *   确保网络通畅以拉取 GitHub 依赖（若在国内访问受限，建议配置 Go 代理）\n\n**国内加速方案（推荐）：**\n在终端执行以下命令设置 Go 模块代理，以加速依赖下载：\n```bash\nexport GOPROXY=https:\u002F\u002Fgoproxy.cn,direct\n# 或者永久生效\ngo env -w GOPROXY=https:\u002F\u002Fgoproxy.cn,direct\n```\n\n## 安装步骤\n\n使用 Go Modules 初始化项目并安装 GoLearn：\n\n```bash\nmkdir my-ml-project\ncd my-ml-project\ngo mod init my-ml-project\ngo get github.com\u002Fsjwhitworth\u002Fgolearn@latest\n```\n\n## 基本使用\n\n以下示例演示了如何加载 CSV 数据集（鸢尾花数据），划分训练\u002F测试集，使用 KNN 分类器进行训练、预测并输出评估报告。\n\n创建文件 `main.go` 并填入以下代码：\n\n```go\npackage main\n\nimport (\n\t\"fmt\"\n\n\t\"github.com\u002Fsjwhitworth\u002Fgolearn\u002Fbase\"\n\t\"github.com\u002Fsjwhitworth\u002Fgolearn\u002Fevaluation\"\n\t\"github.com\u002Fsjwhitworth\u002Fgolearn\u002Fknn\"\n)\n\nfunc main() {\n\t\u002F\u002F 1. 加载数据\n\t\u002F\u002F 将 CSV 解析为 Instances 对象（类似于 R 或 Pandas 中的 DataFrame）\n\t\u002F\u002F 第二个参数 true 表示第一行是表头\n\trawData, err := base.ParseCSVToInstances(\"datasets\u002Firis.csv\", true)\n\tif err != nil {\n\t\tpanic(err)\n\t}\n\n\t\u002F\u002F 打印数据摘要\n\tfmt.Println(rawData)\n\n\t\u002F\u002F 2. 初始化模型\n\t\u002F\u002F 创建一个 KNN 分类器：欧几里得距离，线性权重，K=2\n\tcls := knn.NewKnnClassifier(\"euclidean\", \"linear\", 2)\n\n\t\u002F\u002F 3. 划分训练集和测试集\n\t\u002F\u002F 按 50% 比例拆分\n\ttrainData, testData := base.InstancesTrainTestSplit(rawData, 0.50)\n\t\n\t\u002F\u002F 4. 训练模型\n\tcls.Fit(trainData)\n\n\t\u002F\u002F 5. 进行预测\n\tpredictions, err := cls.Predict(testData)\n\tif err != nil {\n\t\tpanic(err)\n\t}\n\n\t\u002F\u002F 6. 评估结果\n\t\u002F\u002F 获取混淆矩阵并打印精度\u002F召回率等指标\n\tconfusionMat, err := evaluation.GetConfusionMatrix(testData, predictions)\n\tif err != nil {\n\t\tpanic(fmt.Sprintf(\"Unable to get confusion matrix: %s\", err.Error()))\n\t}\n\tfmt.Println(evaluation.GetSummary(confusionMat))\n}\n```\n\n**运行前准备：**\n确保当前目录下存在 `datasets\u002Firis.csv` 文件（可从 GoLearn 官方仓库 examples 目录获取），然后运行：\n\n```bash\ngo run main.go\n```\n\n**预期输出示例：**\n```text\nIris-virginica\t28\t2\t  56\t0.9333\t0.9333  0.9333\nIris-setosa\t    29\t0\t  59\t1.0000  1.0000\t1.0000\nIris-versicolor\t27\t2\t  57\t0.9310\t0.9310  0.9310\nOverall accuracy: 0.9545\n```","某电商后端团队需要在 Go 语言构建的高并发推荐系统中，实时嵌入用户行为分类模型以识别潜在流失客户。\n\n### 没有 golearn 时\n- **架构割裂**：必须额外部署 Python 服务运行 scikit-learn 模型，Go 主程序需通过 HTTP\u002FgRPC 调用，增加了网络延迟和运维复杂度。\n- **数据转换繁琐**：在 Go 与 Python 间传递数据时，需手动编写大量代码进行格式序列化与反序列化，极易出错且难以维护。\n- **开发效率低下**：算法工程师无法直接在 Go 代码中快速验证不同分类器（如 KNN、决策树）的效果，试错周期长达数天。\n- **类型安全风险**：动态语言交互导致编译期无法检查数据结构一致性，线上常因字段不匹配引发运行时恐慌（Panic）。\n\n### 使用 golearn 后\n- **原生集成**：直接在 Go 项目中引入 golearn，利用其“开箱即用”的特性实现本地模型训练与预测，消除了跨语言调用开销。\n- **流程标准化**：借助类似 Pandas 的 Instances 数据结构及 Fit\u002FPredict 接口，像操作矩阵一样处理数据，代码简洁且逻辑清晰。\n- **敏捷迭代**：开发人员可轻松切换 KNN 或决策树等估算器，配合内置的交叉验证和混淆矩阵评估，几分钟内即可完成模型选型。\n- **编译期保障**：充分利用 Go 的静态类型系统，确保数据加载、分割及预测全过程的类型安全，显著降低线上故障率。\n\ngolearn 让 Go 开发者无需跳出舒适区，即可在高性能后端服务中原生构建并部署可靠的机器学习功能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsjwhitworth_golearn_b1624023.jpg","sjwhitworth","Stephen Whitworth","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsjwhitworth_1ee0d0a8.jpg",null,"@monzo ","London","stephenjameswhitworth@gmail.com","incident.io","https:\u002F\u002Fgithub.com\u002Fsjwhitworth",[24,28,32,36,40,44],{"name":25,"color":26,"percentage":27},"Go","#00ADD8",84.9,{"name":29,"color":30,"percentage":31},"C++","#f34b7d",10.4,{"name":33,"color":34,"percentage":35},"C","#555555",4.3,{"name":37,"color":38,"percentage":39},"Python","#3572A5",0.3,{"name":41,"color":42,"percentage":43},"Shell","#89e051",0.1,{"name":45,"color":46,"percentage":43},"Dockerfile","#384d54",9446,1178,"2026-03-30T09:26:40","MIT",2,"Linux, macOS, Windows","未说明",{"notes":55,"python":56,"dependencies":57},"该工具是基于 Go 语言编写的机器学习库，非 Python 项目。安装需要配置 Go 开发环境及 GOPATH。代码示例显示其依赖标准库及内部包（如 base, evaluation, knn），无需额外的外部重型依赖或 GPU 支持。","不适用 (基于 Go 语言)",[58],"Go (Golang)",[60],"开发框架","ready","2026-03-27T02:49:30.150509","2026-04-06T07:12:56.849628",[65,70,75,80,85,90],{"id":66,"question_zh":67,"answer_zh":68,"source_url":69},16747,"为什么随机森林（Random Forest）在 golearn 中的结果与 scikit-learn 差异巨大且精度较低？","该问题通常是由于未优化版本未能正确基于类别属性进行过滤导致的。维护者已确认这是一个已知问题，并通过合并 PR #118 修复了此错误。如果您遇到类似情况，请确保您的代码库已更新到包含该修复的版本。","https:\u002F\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fissues\u002F84",{"id":71,"question_zh":72,"answer_zh":73,"source_url":74},16748,"在使用大型数据集时，EDF 和 DenseInstances 出现错误或崩溃怎么办？","当前的 EDF（外部数据存储）实现存在多个缺陷，包括数学计算舍入误差、未正确处理匿名模式（edfAnonMode）导致空指针恐慌（panic），以及内存分配逻辑问题。维护者建议的解决方案是紧急移除 EDF 功能：1. 移除 DenseInstances 中对 storage 字段的所有引用；2. 修改 Extend 方法，直接使用 make 分配内存，并将存储单独添加到 AttributeGroups 中。对于大多数用户，建议使用内存内处理或先对数据进行降维（如 PCA）。","https:\u002F\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fissues\u002F79",{"id":76,"question_zh":77,"answer_zh":78,"source_url":79},16749,"循环运行随机森林测试时出现 'cannot allocate memory' 恐慌如何解决？","这是由于在循环中重复创建模型或实例时内存未正确释放导致的。该问题已通过合并 PR #75 得到修复。请确保您使用的是修复后的代码版本。如果问题仍然存在，请检查是否在每次迭代后正确清理了测试数据和模型实例，避免在长循环中累积内存占用。","https:\u002F\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fissues\u002F73",{"id":81,"question_zh":82,"answer_zh":83,"source_url":84},16750,"如何在 Raspberry Pi 或其他特定 Linux 架构上解决 'undefined: syscall.MAP_32BIT' 编译错误？","此错误通常发生在尝试在 ARM 架构（如 Raspberry Pi）上编译依赖 `go-mmap` 的项目时，因为 `syscall.MAP_32BIT` 常量在这些架构上未定义。解决方法是检查并更新 `go-mmap` 库到支持多架构的最新版本，或者在构建标签中排除不支持的系统调用。如果使用的是旧版依赖，可能需要手动修补 `mmap_linux.go` 文件，移除或条件编译涉及 `MAP_32BIT` 和 `MAP_STACK` 的代码行。","https:\u002F\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fissues\u002F65",{"id":86,"question_zh":87,"answer_zh":88,"source_url":89},16751,"golearn 是否支持神经网络或深度学习？","项目早期正在讨论神经网络的支持情况。目前已有基础的前馈多层网络支持（通过 PR #63 添加），但尚未形成完整的深度学习框架。维护者倾向于将算法集成到一个统一的包中（类似 Python 的 scikit-learn），而不是分散的组织结构。如果需要高级深度学习功能，可能需要等待后续更新或自行扩展基础网络实现。","https:\u002F\u002Fgithub.com\u002Fsjwhitworth\u002Fgolearn\u002Fissues\u002F13",{"id":91,"question_zh":92,"answer_zh":93,"source_url":69},16752,"当数据集标签为字符串（如 'Hit'\u002F'No-Hit'）而非数字时，分类器结果为何异常？","这是一个已知的数据处理问题，特别是在 KNN 等算法中，字符串标签的处理逻辑可能存在缺陷，导致混淆矩阵计算错误（如假阳性\u002F假阴性统计颠倒）。社区用户已发现 `knn.go` 中存在相关 bug 并提交了修复补丁。建议检查您的标签数据格式，如果可能，暂时映射为整数标签，或者应用社区提供的针对 `knn.go` 的修复补丁以支持字符串标签的正确处理。",[],[96,107,116,124,132,145],{"id":97,"name":98,"github_repo":99,"description_zh":100,"stars":101,"difficulty_score":102,"last_commit_at":103,"category_tags":104,"status":61},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",[60,105,106],"图像","Agent",{"id":108,"name":109,"github_repo":110,"description_zh":111,"stars":112,"difficulty_score":51,"last_commit_at":113,"category_tags":114,"status":61},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,"2026-04-05T11:33:21",[60,106,115],"语言模型",{"id":117,"name":118,"github_repo":119,"description_zh":120,"stars":121,"difficulty_score":51,"last_commit_at":122,"category_tags":123,"status":61},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",[60,105,106],{"id":125,"name":126,"github_repo":127,"description_zh":128,"stars":129,"difficulty_score":51,"last_commit_at":130,"category_tags":131,"status":61},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",[60,115],{"id":133,"name":134,"github_repo":135,"description_zh":136,"stars":137,"difficulty_score":51,"last_commit_at":138,"category_tags":139,"status":61},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",[105,140,141,142,106,143,115,60,144],"数据工具","视频","插件","其他","音频",{"id":146,"name":147,"github_repo":148,"description_zh":149,"stars":150,"difficulty_score":102,"last_commit_at":151,"category_tags":152,"status":61},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",[106,105,60,115,143]]