[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-subhadarship--kmeans_pytorch":3,"tool-subhadarship--kmeans_pytorch":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",159267,2,"2026-04-17T11:29:14",[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。",108322,"2026-04-10T11:39:34",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"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":73,"owner_company":73,"owner_location":75,"owner_email":73,"owner_twitter":73,"owner_website":73,"owner_url":76,"languages":77,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":32,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":103,"github_topics":104,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":149},8629,"subhadarship\u002Fkmeans_pytorch","kmeans_pytorch","kmeans using PyTorch","kmeans_pytorch 是一个基于 PyTorch 框架实现的 K-Means 聚类算法库，旨在让开发者能够利用 GPU 加速大规模数据的聚类分析。传统 K-Means 在处理海量样本时，往往受限于 CPU 计算能力导致耗时过长，而 kmeans_pytorch 通过将矩阵运算迁移至 GPU，显著提升了计算效率，有效解决了大数据场景下的性能瓶颈问题。\n\n该工具特别适合需要处理高维数据或百万级样本的 AI 研究人员、数据科学家以及深度学习开发者。其核心亮点在于原生支持 CUDA 加速，并提供了欧氏距离和余弦距离两种度量方式，用户只需几行代码即可在 CPU 与 GPU 之间灵活切换。无论是进行图像特征聚类、用户分群分析，还是作为深度学习流程中的预处理步骤，kmeans_pytorch 都能以简洁的接口提供高效的解决方案，帮助使用者快速验证想法并缩短模型迭代周期。","# K Means using PyTorch\nPyTorch implementation of kmeans for utilizing GPU\n\n![Alt Text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsubhadarship_kmeans_pytorch_readme_deb40d34fc28.gif)\n\n# Getting Started\n```\n\nimport torch\nimport numpy as np\nfrom kmeans_pytorch import kmeans\n\n# data\ndata_size, dims, num_clusters = 1000, 2, 3\nx = np.random.randn(data_size, dims) \u002F 6\nx = torch.from_numpy(x)\n\n# kmeans\ncluster_ids_x, cluster_centers = kmeans(\n    X=x, num_clusters=num_clusters, distance='euclidean', device=torch.device('cuda:0')\n)\n```\n\nsee [`example.ipynb`](https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\u002Fblob\u002Fmaster\u002Fexample.ipynb) for a more elaborate example\n\n# Requirements\n* [PyTorch](http:\u002F\u002Fpytorch.org\u002F) version >= 1.0.0\n* Python version >= 3.6\n\n# Installation\n\ninstall with `pip`:\n```\npip install kmeans-pytorch\n```\n\n**Installing from source**\n\nTo install from source and develop locally:\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\ncd kmeans_pytorch\npip install --editable .\n```\n\n# CPU vs GPU\nsee [`cpu_vs_gpu.ipynb`](https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\u002Fblob\u002Fmaster\u002Fcpu_vs_gpu.ipynb) for a comparison between CPU and GPU\n\n# Notes\n- useful when clustering large number of samples\n- utilizes GPU for faster matrix computations\n- support euclidean and cosine distances (for now)\n\n# Credits\n- This implementation closely follows the style of [this](https:\u002F\u002Fgithub.com\u002Fovershiki\u002Fkmeans_pytorch)\n- Documentation is done using the awesome theme [jekyllbook](https:\u002F\u002Fgithub.com\u002Febetica\u002Fjekyllbook)\n\n# License\n[MIT](https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\u002Fblob\u002Fmaster\u002FLICENSE)\n","# 使用 PyTorch 的 K 均值聚类\n基于 PyTorch 的 K 均值聚类实现，可利用 GPU 加速\n\n![替代文本](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsubhadarship_kmeans_pytorch_readme_deb40d34fc28.gif)\n\n# 快速入门\n```\n\nimport torch\nimport numpy as np\nfrom kmeans_pytorch import kmeans\n\n# 数据\ndata_size, dims, num_clusters = 1000, 2, 3\nx = np.random.randn(data_size, dims) \u002F 6\nx = torch.from_numpy(x)\n\n# K 均值聚类\ncluster_ids_x, cluster_centers = kmeans(\n    X=x, num_clusters=num_clusters, distance='euclidean', device=torch.device('cuda:0')\n)\n```\n\n更多详细示例请参阅 [`example.ipynb`](https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\u002Fblob\u002Fmaster\u002Fexample.ipynb)\n\n# 系统要求\n* [PyTorch](http:\u002F\u002Fpytorch.org\u002F) 版本 ≥ 1.0.0\n* Python 版本 ≥ 3.6\n\n# 安装\n\n使用 `pip` 安装：\n```\npip install kmeans-pytorch\n```\n\n**从源码安装**\n\n若需从源码安装并进行本地开发：\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\ncd kmeans_pytorch\npip install --editable .\n```\n\n# CPU 与 GPU 对比\nCPU 和 GPU 的性能对比请参阅 [`cpu_vs_gpu.ipynb`](https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\u002Fblob\u002Fmaster\u002Fcpu_vs_gpu.ipynb)\n\n# 注意事项\n- 在对大量样本进行聚类时非常有用\n- 利用 GPU 加速矩阵运算，提升计算速度\n- 目前支持欧氏距离和余弦距离\n\n# 致谢\n- 本实现严格遵循 [此项目](https:\u002F\u002Fgithub.com\u002Fovershiki\u002Fkmeans_pytorch) 的风格\n- 文档采用优秀的主题 [jekyllbook](https:\u002F\u002Fgithub.com\u002Febetica\u002Fjekyllbook)\n\n# 许可证\n[MIT](https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\u002Fblob\u002Fmaster\u002FLICENSE)","# kmeans_pytorch 快速上手指南\n\n## 环境准备\n\n在开始使用前，请确保您的开发环境满足以下要求：\n\n*   **Python 版本**：>= 3.6\n*   **PyTorch 版本**：>= 1.0.0\n*   **硬件加速（可选）**：支持 NVIDIA GPU 以利用 CUDA 加速大规模矩阵计算；若无 GPU，也可在 CPU 上运行。\n\n## 安装步骤\n\n您可以通过 `pip` 直接安装稳定版，或从源码安装以进行本地开发。\n\n### 方式一：使用 pip 安装（推荐）\n\n```bash\npip install kmeans-pytorch\n```\n\n> **国内加速提示**：如果您在中国大陆地区，建议使用清华或阿里镜像源以提升下载速度：\n> ```bash\n> pip install kmeans-pytorch -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n### 方式二：从源码安装\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\ncd kmeans_pytorch\npip install --editable .\n```\n\n## 基本使用\n\n以下是最简单的使用示例，展示如何生成随机数据并执行 K-Means 聚类。该库支持自动调用 GPU 进行加速。\n\n```python\nimport torch\nimport numpy as np\nfrom kmeans_pytorch import kmeans\n\n# 1. 准备数据\ndata_size, dims, num_clusters = 1000, 2, 3\nx = np.random.randn(data_size, dims) \u002F 6\nx = torch.from_numpy(x)\n\n# 2. 执行 K-Means\n# device 可设置为 'cuda:0' 启用 GPU，或 'cpu' 使用 CPU\ncluster_ids_x, cluster_centers = kmeans(\n    X=x, \n    num_clusters=num_clusters, \n    distance='euclidean', \n    device=torch.device('cuda:0')\n)\n\n# cluster_ids_x: 每个样本所属的簇 ID\n# cluster_centers: 各个簇的中心点坐标\n```\n\n**参数说明：**\n*   `X`: 输入数据张量 (Tensor)。\n*   `num_clusters`: 需要划分的簇数量 (K 值)。\n*   `distance`: 距离度量方式，支持 `'euclidean'` (欧氏距离) 和 `'cosine'` (余弦距离)。\n*   `device`: 指定运行设备，推荐使用 `torch.device('cuda:0')` 以获得最佳性能。","某电商数据团队需要在每晚对千万级用户行为日志进行实时聚类，以动态更新用户画像并推送个性化商品。\n\n### 没有 kmeans_pytorch 时\n- 传统 CPU 版 K-Means 在处理大规模矩阵运算时速度极慢，导致夜间批处理任务经常超时，无法在早高峰前完成计算。\n- 面对海量高维特征数据，内存占用过高，常常需要被迫对数据进行降采样，牺牲了模型的精准度。\n- 现有深度学习框架（如 PyTorch）中缺乏原生高效的 GPU 加速聚类接口，开发人员需手动编写复杂的底层算子，维护成本极高。\n- 仅支持欧氏距离，难以灵活适配文本嵌入等需要余弦相似度衡量的场景，限制了业务应用的广度。\n\n### 使用 kmeans_pytorch 后\n- 直接调用 GPU 并行计算能力，将千万级数据的聚类耗时从数小时缩短至几分钟，确保每日画像准时更新。\n- 利用 PyTorch 的显存优化机制，能够全量加载高分辨率特征数据，无需降采样，显著提升了用户分群的准确性。\n- 通过简单的 `kmeans` 函数接口即可实现端到端的 GPU 加速，代码行数减少 90%，让算法工程师能专注于业务逻辑而非底层优化。\n- 原生支持欧氏距离与余弦距离切换，轻松应对图像特征与文本向量等不同模态数据的聚类需求，扩展了应用场景。\n\nkmeans_pytorch 通过将成熟的聚类算法无缝融入现代深度学习工作流，彻底解决了大规模数据实时分群的性能瓶颈。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsubhadarship_kmeans_pytorch_2fdc66aa.png","subhadarship",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsubhadarship_0c6d69c7.jpg","New York","https:\u002F\u002Fgithub.com\u002Fsubhadarship",[78,82,86],{"name":79,"color":80,"percentage":81},"Jupyter Notebook","#DA5B0B",91.6,{"name":83,"color":84,"percentage":85},"Python","#3572A5",8.3,{"name":87,"color":88,"percentage":89},"Makefile","#427819",0.1,534,84,"2026-04-01T04:03:23","MIT","","非必需，但支持利用 NVIDIA GPU 加速矩阵计算（需安装支持 CUDA 的 PyTorch 版本），具体型号、显存及 CUDA 版本未说明","未说明",{"notes":98,"python":99,"dependencies":100},"该工具主要用于对大量样本进行聚类；支持欧几里得距离和余弦距离；可通过指定 device 参数选择使用 CPU 或 GPU 运行。",">=3.6",[101,102],"torch>=1.0.0","numpy",[14],[105,106,107,108,109,110,111],"kmeans-clustering","pytorch","docs","jekyll","jekylbook","github-pages","gpu","2026-03-27T02:49:30.150509","2026-04-18T02:22:20.805447",[115,120,125,130,135,140,145],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},38637,"为什么调用 kmeans() 时提示 'iter_limit' 是意外的关键字参数？","这是因为通过 pip 安装的版本可能较旧，尚未包含该参数。解决方法是直接从 GitHub 源码安装最新开发版：\nsudo pip3 install -e git+https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch.git#egg=kmeans_pytorch","https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\u002Fissues\u002F22",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},38638,"如何关闭或禁用 kmeans_predict 中的打印输出（verbose）以提高速度？","目前可以通过手动修改源代码来移除 print 语句。用户反馈在 __init__.py 文件中手动删除了所有标准输出（std.out）以解决此问题。此外，也可以检查是否安装了旧版本的 pip 包，尝试从 GitHub 获取最新代码可能包含相关修复。","https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\u002Fissues\u002F4",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},38639,"如何设置随机种子以保证算法结果的可复现性？","当前实现默认不支持设置随机种子。维护者欢迎社区贡献，用户可以通过创建 Pull Request 来添加此功能。如果您需要此功能，可以自行修改代码或参与项目贡献。","https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\u002Fissues\u002F30",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},38640,"遇到 'Can't choose a cluster if two points are too close' 导致出现 NaN 错误怎么办？","这是一个已知问题，当两个质心太近时会导致某个质心没有分配任何点从而产生空列表。临时修复方法是在 kmeans_pytorch\u002F__init__.py 的第 84 行附近添加以下代码，以便在选中点为空时随机选择一个新点替换：\nif selected.shape[0] == 0:\n    selected = X[torch.randint(len(X), (1,))]","https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\u002Fissues\u002F16",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},38641,"GPU 和 CPU 版本的速度差异不明显，什么情况下 GPU 优势更显著？","速度差异主要取决于聚类数量（number of clusters）。如果聚类数量较少（如 2 或 3），GPU 加速效果不明显。建议增加聚类数量（例如增加到 64 个）重新运行实验，这样更能体现 GPU 的速度优势。此外，也可以考虑使用 RAPIDS cuML 库作为替代方案。","https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\u002Fissues\u002F10",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},38642,"为什么代码中缺少 'tqdm_flag' 导致无法控制进度条显示？","这通常是因为您通过 pip 安装的版本过旧，而该功能仅在 GitHub 上的最新代码中存在。解决方案是卸载 pip 版本，直接从 GitHub 仓库安装最新版代码以获取完整的 verbosity 控制功能。","https:\u002F\u002Fgithub.com\u002Fsubhadarship\u002Fkmeans_pytorch\u002Fissues\u002F23",{"id":146,"question_zh":147,"answer_zh":148,"source_url":139},38643,"iter_limit=0 的默认设置是否会导致无限循环？","是的，根据代码逻辑，如果 iter_limit 默认为 0 且判断条件为 'if iter_limit != 0'，则限制不会生效，可能导致无限循环。建议在使用时显式设置 iter_limit 为非零值（如 10 或 100）以确保算法能正常终止。",[150,155],{"id":151,"version":152,"summary_zh":153,"released_at":154},314575,"v0.3","v0.3 版本发布！！\r\n\r\n*新增了参数说明*","2020-02-03T22:03:11",{"id":156,"version":157,"summary_zh":158,"released_at":159},314576,"v0.2","v0.2 版本发布！","2019-12-25T09:29:42"]