[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-streamlit--llm-examples":3,"tool-streamlit--llm-examples":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"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",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"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,"2026-04-04T04:44:48",[15,14,13,26,54],{"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":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":23,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":98,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":99,"updated_at":100,"faqs":101,"releases":127},3167,"streamlit\u002Fllm-examples","llm-examples","Streamlit LLM app examples for getting started","llm-examples 是一套专为 Streamlit 框架打造的开源示例集合，旨在帮助开发者快速上手构建大语言模型（LLM）应用。它通过提供一系列“最小可行”的代码模板，有效解决了新手在搭建 AI 应用时面临的起步难、环境配置复杂以及缺乏参考架构等痛点。\n\n这套工具非常适合希望快速验证想法的 AI 开发者、正在学习 LLM 集成技术的研究人员，以及想要直观展示模型能力的产品设计师。用户无需从零开始编写代码，只需基于现有示例进行微调，即可轻松实现多种实用功能。目前收录的案例涵盖了智能聊天机器人、文档问答系统、联网搜索对话、LangChain 快速入门与提示词模板应用，以及带有用户反馈机制的交互式对话等场景。\n\n其独特的技术亮点在于高度集成的开箱即用体验：不仅支持一键在 GitHub Codespaces 中启动开发环境，还详细指导了如何在 Streamlit 社区云中安全配置 OpenAI API 密钥。无论是想在本地快速运行演示，还是直接部署到云端分享，llm-examples 都提供了清晰的路径和完整的依赖管理，让构建 LLM 应用的过程变得简单而高效。","# 🎈 Streamlit + LLM Examples App\n\n[![Open in GitHub Codespaces](https:\u002F\u002Fgithub.com\u002Fcodespaces\u002Fbadge.svg)](https:\u002F\u002Fcodespaces.new\u002Fstreamlit\u002Fllm-examples?quickstart=1)\n\nStarter examples for building LLM apps with Streamlit.\n\n## Overview of the App\n\nThis app showcases a growing collection of LLM minimum working examples.\n\nCurrent examples include:\n\n- Chatbot\n- File Q&A\n- Chat with Internet search\n- LangChain Quickstart\n- LangChain PromptTemplate\n- Chat with user feedback\n\n## Demo App\n\n[![Streamlit App](https:\u002F\u002Fstatic.streamlit.io\u002Fbadges\u002Fstreamlit_badge_black_white.svg)](https:\u002F\u002Fllm-examples.streamlit.app\u002F)\n\n### Get an OpenAI API key\n\nYou can get your own OpenAI API key by following the following instructions:\n\n1. Go to https:\u002F\u002Fplatform.openai.com\u002Faccount\u002Fapi-keys.\n2. Click on the `+ Create new secret key` button.\n3. Next, enter an identifier name (optional) and click on the `Create secret key` button.\n\n### Enter the OpenAI API key in Streamlit Community Cloud\n\nTo set the OpenAI API key as an environment variable in Streamlit apps, do the following:\n\n1. At the lower right corner, click on `\u003C Manage app` then click on the vertical \"...\" followed by clicking on `Settings`.\n2. This brings the **App settings**, next click on the `Secrets` tab and paste the API key into the text box as follows:\n\n```sh\nOPENAI_API_KEY='xxxxxxxxxx'\n```\n\n## Run it locally\n\n```sh\nvirtualenv .venv\nsource .venv\u002Fbin\u002Factivate\npip install -r requirements.txt\nstreamlit run Chatbot.py\n```\n","# 🎈 Streamlit + LLM 示例应用\n\n[![在 GitHub Codespaces 中打开](https:\u002F\u002Fgithub.com\u002Fcodespaces\u002Fbadge.svg)](https:\u002F\u002Fcodespaces.new\u002Fstreamlit\u002Fllm-examples?quickstart=1)\n\n使用 Streamlit 构建 LLM 应用的入门示例。\n\n## 应用概述\n\n本应用展示了一系列不断扩充的 LLM 最小可行示例。\n\n当前示例包括：\n\n- 聊天机器人\n- 文件问答\n- 结合互联网搜索的聊天\n- LangChain 快速入门\n- LangChain PromptTemplate\n- 带用户反馈的聊天\n\n## 演示应用\n\n[![Streamlit 应用](https:\u002F\u002Fstatic.streamlit.io\u002Fbadges\u002Fstreamlit_badge_black_white.svg)](https:\u002F\u002Fllm-examples.streamlit.app\u002F)\n\n### 获取 OpenAI API 密钥\n\n您可以按照以下步骤获取自己的 OpenAI API 密钥：\n\n1. 访问 https:\u002F\u002Fplatform.openai.com\u002Faccount\u002Fapi-keys。\n2. 点击 `+ 创建新的密钥` 按钮。\n3. 接着输入一个标识名称（可选），然后点击 `创建密钥` 按钮。\n\n### 在 Streamlit Community Cloud 中设置 OpenAI API 密钥\n\n要在 Streamlit 应用中将 OpenAI API 密钥设置为环境变量，请执行以下操作：\n\n1. 在右下角，点击 `\u003C 管理应用`，然后点击垂直排列的“…”图标，再选择 `设置`。\n2. 进入**应用设置**后，切换到 `Secrets` 选项卡，并将 API 密钥粘贴到文本框中，格式如下：\n\n```sh\nOPENAI_API_KEY='xxxxxxxxxx'\n```\n\n## 在本地运行\n\n```sh\nvirtualenv .venv\nsource .venv\u002Fbin\u002Factivate\npip install -r requirements.txt\nstreamlit run Chatbot.py\n```","# llm-examples 快速上手指南\n\n本指南帮助中国开发者快速使用 Streamlit 构建大语言模型（LLM）应用示例。\n\n## 环境准备\n\n- **操作系统**：Windows、macOS 或 Linux\n- **Python 版本**：建议 Python 3.8 及以上\n- **前置依赖**：\n  - OpenAI API Key（需自行申请）\n  - `virtualenv`（用于创建虚拟环境）\n  - `pip`（Python 包管理工具）\n\n> 💡 提示：国内用户访问 OpenAI 服务可能需要配置网络代理或使用镜像加速方案。\n\n## 安装步骤\n\n1. 克隆项目代码（如尚未下载）：\n   ```sh\n   git clone https:\u002F\u002Fgithub.com\u002Fstreamlit\u002Fllm-examples.git\n   cd llm-examples\n   ```\n\n2. 创建并激活虚拟环境：\n   ```sh\n   virtualenv .venv\n   source .venv\u002Fbin\u002Factivate\n   ```\n   > Windows 用户使用：`.venv\\Scripts\\activate`\n\n3. 安装依赖包（推荐使用国内镜像源加速）：\n   ```sh\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n## 基本使用\n\n### 1. 获取 OpenAI API Key\n\n访问 [OpenAI API Keys 页面](https:\u002F\u002Fplatform.openai.com\u002Faccount\u002Fapi-keys)，点击 `+ Create new secret key` 生成密钥。\n\n### 2. 配置密钥（本地运行）\n\n在项目根目录创建 `.streamlit\u002Fsecrets.toml` 文件，内容如下：\n```toml\nOPENAI_API_KEY = \"your_openai_api_key_here\"\n```\n\n### 3. 启动应用\n\n运行最简单的聊天机器人示例：\n```sh\nstreamlit run Chatbot.py\n```\n\n浏览器将自动打开 `http:\u002F\u002Flocalhost:8501`，即可体验 LLM 聊天功能。\n\n> 🌐 其他示例（如文件问答、联网搜索等）只需替换文件名运行，例如：`streamlit run File_QnA.py`","某初创团队的产品经理希望快速验证\"AI 客服助手”原型，以便向投资人演示核心功能，但团队中缺乏专职的 AI 全栈开发人员。\n\n### 没有 llm-examples 时\n- **起步门槛高**：开发者需从零搭建 Streamlit 界面并手动配置 LangChain 逻辑，仅环境调试就耗费数天时间。\n- **功能实现难**：想要添加“文件问答”或“联网搜索”等高级功能，必须自行研究复杂的 API 对接代码，极易出错。\n- **反馈机制缺失**：原型中缺少用户反馈收集模块，导致演示时无法直观展示系统如何根据评价进行优化。\n- **部署流程繁琐**：缺乏标准的云部署参考，团队成员在配置 OpenAI 密钥和环境变量时反复踩坑，延误演示节点。\n\n### 使用 llm-examples 后\n- **即时启动开发**：直接复用现成的 Chatbot 最小可行示例，几分钟内即可在本地运行起基础对话界面。\n- **高级功能即插即用**：基于内置的\"File Q&A\"和\"Chat with Internet search\"模板，快速集成文档解析与实时检索能力。\n- **闭环体验完善**：直接启用\"Chat with user feedback\"模块，让演示过程包含完整的用户交互与数据反馈闭环。\n- **部署清晰指引**：参照官方提供的 Secrets 配置教程，轻松在 Streamlit Community Cloud 上完成密钥管理与应用发布。\n\nllm-examples 将原本需要数周的 AI 应用从构思到原型的周期压缩至几小时，让非资深开发者也能专注于业务逻辑创新而非底层架构搭建。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstreamlit_llm-examples_ac42dad4.png","streamlit","Streamlit","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fstreamlit_5be3fa84.png","A faster way to build and share data apps.",null,"https:\u002F\u002Fstreamlit.io","https:\u002F\u002Fgithub.com\u002Fstreamlit",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,914,1737,"2026-04-03T17:42:08","Apache-2.0","Linux, macOS, Windows","未说明",{"notes":94,"python":92,"dependencies":95},"该工具主要基于 Streamlit 构建 LLM 应用示例，运行本地环境需创建虚拟环境并安装 requirements.txt 中的依赖。使用 OpenAI 模型需在 Streamlit Community Cloud 或本地配置 OPENAI_API_KEY 环境变量。具体资源需求取决于所选用的 LLM 模型后端，README 本身未对硬件提出特定要求。",[75,96,97],"openai","langchain",[26,13],"2026-03-27T02:49:30.150509","2026-04-06T05:16:56.182944",[102,107,112,117,122],{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},14586,"如何实现流式响应（Streaming Response）？","可以实现。建议使用 Streamlit 原生的 Chat UI 组件，而无需安装 streamlit_chat 自定义组件。基本步骤如下：\n1. 初始化会话状态中的消息历史。\n2. 使用 st.chat_input() 获取用户输入并保存。\n3. 遍历并显示会话中的消息。\n4. 如果最后一条消息不是助手发出的，则调用 LLM API 生成响应，并使用 st.empty() 和循环逐块更新显示以实现流式效果。\n\n示例代码逻辑：\n```python\nimport openai\nimport streamlit as st\n\nif \"messages\" not in st.session_state:\n    st.session_state.messages = [{\"role\": \"assistant\", \"content\": \"How can I help you?\"}]\n\nif prompt := st.chat_input():\n    st.session_state.messages.append({\"role\": \"user\", \"content\": prompt})\n\nfor message in st.session_state.messages:\n    with st.chat_message(message[\"role\"]):\n        st.write(message[\"content\"])\n\nif st.session_state.messages[-1][\"role\"] != \"assistant\":\n    with st.chat_message(\"assistant\"):\n        response = \"\"\n        resp_container = st.empty()\n        # 在此处添加流式生成循环\n```","https:\u002F\u002Fgithub.com\u002Fstreamlit\u002Fllm-examples\u002Fissues\u002F6",{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},14587,"遇到 OpenAI AuthenticationError 认证错误怎么办？","该错误通常是因为使用了无效的 OpenAI API Key。请检查并确认您配置的 API Key 是有效且正确的。如果更换为确认有效的 Key 后问题仍然存在，可以重新提交 Issue 反馈。","https:\u002F\u002Fgithub.com\u002Fstreamlit\u002Fllm-examples\u002Fissues\u002F11",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},14588,"如何在本地运行包含多个页面和侧边栏的完整项目？","项目已更新，可以在仓库的 README 文件中找到具体的本地运行说明。请访问项目主页查看 \"Run it locally\" 章节获取详细步骤。","https:\u002F\u002Fgithub.com\u002Fstreamlit\u002Fllm-examples\u002Fissues\u002F10",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},14589,"在哪里可以找到侧边栏菜单的代码实现？","侧边栏菜单的实现代码可以直接在 Streamlit 的官方文档中找到，无需在项目源码中单独寻找特定文件。","https:\u002F\u002Fgithub.com\u002Fstreamlit\u002Fllm-examples\u002Fissues\u002F44",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},14590,"是否需要集成 LiteLLM 来适配 Anthropic SDK 的变更？","不需要。虽然 Anthropic 更新了 Python SDK，但该项目旨在展示直接调用 Anthropic API 的简单版本，因此维护者决定不引入 LiteLLM 作为额外依赖。目前应用经过调整后已能正常工作。","https:\u002F\u002Fgithub.com\u002Fstreamlit\u002Fllm-examples\u002Fissues\u002F18",[]]