[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-teknium1--GPTeacher":3,"tool-teknium1--GPTeacher":65},[4,18,28,36,44,56],{"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":24,"last_commit_at":25,"category_tags":26,"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",148568,2,"2026-04-09T23:34:24",[14,13,27],"语言模型",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"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",[27,15,13,14],{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":24,"last_commit_at":42,"category_tags":43,"status":17},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",[14,27],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":24,"last_commit_at":50,"category_tags":51,"status":17},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。",85052,"2026-04-08T11:03:08",[15,16,52,53,13,54,27,14,55],"视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":62,"last_commit_at":63,"category_tags":64,"status":17},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[27,16,54],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":71,"readme_en":72,"readme_zh":73,"quickstart_zh":74,"use_case_zh":75,"hero_image_url":76,"owner_login":77,"owner_name":78,"owner_avatar_url":79,"owner_bio":80,"owner_company":81,"owner_location":81,"owner_email":81,"owner_twitter":78,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":62,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":97,"github_topics":81,"view_count":24,"oss_zip_url":81,"oss_zip_packed_at":81,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":116},6054,"teknium1\u002FGPTeacher","GPTeacher","A collection of modular datasets generated by GPT-4, General-Instruct - Roleplay-Instruct - Code-Instruct - and Toolformer","GPTeacher 是一套由 GPT-4 生成的高质量模块化指令数据集集合，旨在为大型语言模型的微调提供丰富多样的训练素材。它主要解决了开源社区中高质量、多样化指令数据稀缺的问题，帮助开发者摆脱对单一数据源的依赖，从而训练出在通用任务、角色扮演、代码生成及工具调用等方面表现更优异的模型。\n\n这套工具非常适合 AI 研究人员、模型开发者以及希望深入探索大模型微调技术的爱好者使用。其核心亮点在于高度的模块化设计，包含通用指令（General-Instruct）、角色扮演（Roleplay-Instruct）、代码指令（Code-Instruct）以及工具former（Toolformer）等多个专项数据集。其中，通用数据集不仅涵盖了链式思维推理和逻辑谜题等深度内容，还特别强调了推理过程的展示；角色扮演数据集则提供了大量包含模拟对话历史的多样化场景；而工具former 数据集更是创新地引入了搜索、Python 执行、终端操作等外部工具的使用示例。所有数据均严格遵循 Alpaca 格式（包含指令、输入和输出字段），并经过了严格的去重和相似度清洗，确保用户能够无缝衔接现有的微调流程，快速启动实验","GPTeacher 是一套由 GPT-4 生成的高质量模块化指令数据集集合，旨在为大型语言模型的微调提供丰富多样的训练素材。它主要解决了开源社区中高质量、多样化指令数据稀缺的问题，帮助开发者摆脱对单一数据源的依赖，从而训练出在通用任务、角色扮演、代码生成及工具调用等方面表现更优异的模型。\n\n这套工具非常适合 AI 研究人员、模型开发者以及希望深入探索大模型微调技术的爱好者使用。其核心亮点在于高度的模块化设计，包含通用指令（General-Instruct）、角色扮演（Roleplay-Instruct）、代码指令（Code-Instruct）以及工具former（Toolformer）等多个专项数据集。其中，通用数据集不仅涵盖了链式思维推理和逻辑谜题等深度内容，还特别强调了推理过程的展示；角色扮演数据集则提供了大量包含模拟对话历史的多样化场景；而工具former 数据集更是创新地引入了搜索、Python 执行、终端操作等外部工具的使用示例。所有数据均严格遵循 Alpaca 格式（包含指令、输入和输出字段），并经过了严格的去重和相似度清洗，确保用户能够无缝衔接现有的微调流程，快速启动实验。","# GPTeacher\nA collection of modular datasets generated by GPT-4, General-Instruct - Roleplay-Instruct - Code-Instruct - and Toolformer\n\n**New: Roleplay V2 (Supplemental) Dataset has been added to the \u002Froleplay\u002F directory:**  \n**- 100% GPT4 Generated still**   \n**- 2.5x larger than original roleplay dataset**  \n**- Much more diverse**  \n**- Includes simulated conversations\u002Fchat histories in a large portion of examples.**  \n\nThey were all made mostly by adapting the alpaca prompt, the toolformer dataset a bit more than the rest though. They used many versions of the prompts and since I only saved final prompt I'll probably not be posting it or it will just confuse end users. See here for example prompt: https:\u002F\u002Fgithub.com\u002Ftatsu-lab\u002Fstanford_alpaca\u002Fblob\u002Fmain\u002Fgenerate_instruction.py\n\nThe General-Instruct used many of the same seed prompts as alpaca, but also had specific examples of things we didnt see much in with alpaca. Such as Chain of Thought Reasoning, Logic Puzzles, Wordplay, Role Playing (lightly), and was asked to include reasoning behind and thought steps where appropriate in example responses, among other things. \nThe General-Instruct dataset is about 20,000 examples with just deduplication.\n\n~~Still cleaning the codegen instruct dataset, will be up when its cleaned.~~  \nUpdate: Code-Instruct Dataset has been uploaded! ~5350 Code Task Instructions in varying programming languages!\n\nThe Roleplay-Instruct dataset are tasks specifically to take on roles of characters, fictional and non-fictional, from various settings, personalities, etc.\n\nEach dataset is split into 5 separate datasets (except roleplay), based on similarity scored cleaning. Simple dedupe only, and then range of \u003C60% to \u003C90% similarity cleaned sets for each.\n\nThey are all made to be compliant with Alpaca's dataset format, i.e. each has an instruction, input, and output field, should make it easier to use the same fine tune script and process as alpaca has.\n\nDocumentation on the toolformers section coming soon, we generated a dataset to use a set of predefined tools, including search, python, terminal\u002Fshell, wikipedia, wolfram, and others.\n","# GPTeacher\n由 GPT-4 生成的模块化数据集合集，涵盖 General-Instruct、Roleplay-Instruct、Code-Instruct 和 Toolformer 四个子集。\n\n**新增：\u002Froleplay\u002F 目录下已添加 Roleplay V2（补充）数据集：**  \n**- 仍100%由GPT-4生成**  \n**- 规模是原始Roleplay数据集的2.5倍**  \n**- 多样性显著提升**  \n**- 大部分样本包含模拟对话或聊天记录。**\n\n这些数据集主要基于 Alpaca 的提示模板进行调整，其中 Toolformer 数据集的修改相对更多一些。我们使用了多种版本的提示，但由于只保存了最终的提示文本，可能不会公开，以免让最终用户感到困惑。示例提示可参考此处：https:\u002F\u002Fgithub.com\u002Ftatsu-lab\u002Fstanford_alpaca\u002Fblob\u002Fmain\u002Fgenerate_instruction.py\n\nGeneral-Instruct 数据集沿用了 Alpaca 的许多种子提示，同时也加入了一些在 Alpaca 中较少见的内容，例如思维链推理、逻辑谜题、文字游戏、轻度的角色扮演等。此外，在示例回答中，还特别要求加入推理过程和思考步骤等内容。\n\nGeneral-Instruct 数据集约有2万条样本，仅进行了简单的去重处理。\n\n~~仍在清理 Codegen Instruct 数据集，清理完成后会发布。~~  \n更新：Code-Instruct 数据集已上传！包含约5350条不同编程语言的代码任务指令！\n\nRoleplay-Instruct 数据集则专注于角色扮演任务，参与者需要代入各种背景、性格设定下的虚构或真实人物。\n\n除 Roleplay 数据集外，其余每个数据集都根据相似度评分清洗后，被划分为5个独立的数据子集。清洗方式仅为简单去重，并按相似度从\u003C60%到\u003C90%划分出不同的清洁程度的子集。\n\n所有数据集均遵循 Alpaca 数据集的格式规范，即每条样本都包含指令、输入和输出字段，因此可以更方便地沿用 Alpaca 的微调脚本和流程。\n\nToolformers 部分的相关文档即将发布。我们生成了一个数据集，用于模拟使用一组预定义工具，包括搜索引擎、Python解释器、终端\u002FShell、维基百科、Wolfram Alpha等。","# GPTeacher 快速上手指南\n\nGPTeacher 是一套由 GPT-4 生成的模块化指令微调数据集，涵盖通用指令（General-Instruct）、角色扮演（Roleplay-Instruct）、代码生成（Code-Instruct）及工具使用（Toolformer）。所有数据均兼容 Alpaca 格式（包含 `instruction`, `input`, `output` 字段），可直接用于现有的 Alpaca 微调流程。\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*   **操作系统**：Linux (推荐 Ubuntu 20.04+) 或 macOS。\n*   **Python 版本**：Python 3.8 或更高版本。\n*   **前置依赖**：\n    *   `git`：用于克隆仓库。\n    *   `pip`：Python 包管理工具。\n    *   深度学习框架（如 PyTorch）及 Transformers 库（若需直接加载数据进行训练）。\n\n> **提示**：国内开发者建议使用国内镜像源加速依赖安装，例如清华源或阿里源。\n\n## 安装步骤\n\nGPTeacher 主要提供数据集文件，无需复杂的安装包，只需克隆仓库并获取数据即可。\n\n1.  **克隆项目仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fteknium1\u002FGPTeacher.git\n    cd GPTeacher\n    ```\n\n2.  **验证数据文件**\n    进入对应子目录检查数据文件是否完整。目前主要包含以下数据集：\n    *   `general-instruct.json` (约 20,000 条，含逻辑推理、思维链等)\n    *   `roleplay-instruct.json` (含 V2 版本，数据量更大且更多样)\n    *   `code-instruct.json` (约 5,350 条多语言代码任务)\n    *   `toolformer\u002F` (包含搜索、Python、终端等工具使用数据)\n\n    ```bash\n    ls general-instruct\u002F roleplay\u002F code-instruct\u002F toolformer\u002F\n    ```\n\n3.  **安装训练依赖（可选）**\n    如果您打算直接使用这些数据进行微调，建议安装基础 NLP 库：\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple transformers datasets accelerate torch\n    ```\n\n## 基本使用\n\nGPTeacher 的数据格式与 Stanford Alpaca 完全一致，您可以直接使用 Alpaca 的微调脚本或任何支持该格式的 DataLoader。\n\n### 数据格式示例\n每个样本包含三个字段：\n```json\n{\n    \"instruction\": \"解释什么是递归。\",\n    \"input\": \"\",\n    \"output\": \"递归是一种编程技术，其中函数直接或间接地调用自身...\"\n}\n```\n\n### 最简单的使用示例（Python 加载）\n\n以下代码演示如何使用 Hugging Face `datasets` 库加载本地数据并进行简单预览：\n\n```python\nfrom datasets import load_dataset\n\n# 加载 General-Instruct 数据集 (假设已下载 json 文件到本地)\n# 请将路径替换为您实际的文件路径\ndata_files = {\"train\": \"general-instruct\u002Fgeneral-instruct.json\"}\ndataset = load_dataset(\"json\", data_files=data_files)\n\n# 查看第一条数据\nprint(dataset[\"train\"][0])\n\n# 输出示例:\n# {'instruction': '...', 'input': '...', 'output': '...'}\n```\n\n### 接入微调流程\n由于格式兼容，您只需将训练脚本中的数据集路径指向 GPTeacher 的 JSON 文件即可。例如，在使用标准的 Alpaca 微调脚本时：\n\n```bash\npython train.py \\\n    --data_path path\u002Fto\u002FGPTeacher\u002Fgeneral-instruct\u002Fgeneral-instruct.json \\\n    --model_name_or_path decapoda-research\u002Fllama-7b-hf \\\n    --output_dir .\u002Flora-alpaca-gpteacher\n```\n\n> **注意**：对于角色扮演（Roleplay）数据集，推荐使用 `\u002Froleplay\u002F` 目录下的 V2 补充数据集，其规模是原始版本的 2.5 倍，且包含更多模拟对话历史，效果更佳。","某初创团队希望快速构建一个能扮演“资深历史顾问”并具备代码辅助能力的垂直领域大模型，但面临高质量训练数据匮乏的困境。\n\n### 没有 GPTeacher 时\n- **角色塑造生硬**：自行编写的角色扮演指令缺乏多样性，模型难以模拟真实的历史人物语气和复杂的对话上下文，互动显得机械呆板。\n- **逻辑推理薄弱**：通用开源数据中缺少思维链（Chain of Thought）和逻辑谜题样本，导致模型在处理复杂历史因果分析时经常胡言乱语。\n- **代码能力缺失**：团队需额外花费数周时间清洗和编写多语言代码指令数据，才能勉强让模型理解基础的编程任务。\n- **工具调用困难**：缺乏预设的工具使用（如搜索、Python 执行）训练样本，模型无法学会如何调用外部 API 来验证历史事实或运行计算脚本。\n\n### 使用 GPTeacher 后\n- **对话自然鲜活**：直接利用 Roleplay-Instruct V2 数据集，模型瞬间掌握了包含丰富聊天历史的拟人化对话技巧，能生动演绎不同性格的历史人物。\n- **推理深度提升**：引入 General-Instruct 中的思维链和逻辑谜题样本，模型在回答时能自动展示推导步骤，显著提升了历史事件分析的准确性。\n- **代码即插即用**：集成 Code-Instruct 数据集后，模型立即具备了处理多种编程语言任务的能力，无需团队再进行耗时的数据工程。\n- **智能工具协同**：借助 Toolformer 数据，模型学会了自主调用搜索和代码解释器，能够主动查证史料并运行脚本辅助论证，实现了真正的智能代理功能。\n\nGPTeacher 通过提供模块化、高质量且格式统一的指令数据集，将原本需要数月的数据准备周期缩短至几天，让开发者能专注于模型微调与应用落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fteknium1_GPTeacher_edb4fbc2.png","teknium1","Teknium","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fteknium1_2814a15d.jpg","Maximize Human Potential",null,"https:\u002F\u002Fgithub.com\u002Fteknium1",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,1635,165,"2026-04-08T16:52:40","MIT","","未说明",{"notes":95,"python":93,"dependencies":96},"GPTeacher 是一个由 GPT-4 生成的模块化数据集集合（包含通用指令、角色扮演、代码指令和 Toolformer 等），并非可执行的软件工具或模型框架。因此，README 中未提及具体的操作系统、GPU、内存、Python 版本或依赖库要求。该数据集采用与 Alpaca 兼容的格式（包含 instruction、input 和 output 字段），旨在用于微调其他模型，用户需根据所选用的微调框架自行配置运行环境。",[],[27,16],"2026-03-27T02:49:30.150509","2026-04-10T09:00:24.576215",[101,106,111],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},27417,"如何获取用于生成思维链（CoT）回复的提示词？","作者目前尚未公开具体的基础提示词文件（prompt.txt）。作者表示之前使用的提示词经过大量手动编辑以增加多样性，并计划在未来某个时间分享。当前方法的核心是通过改进对“预言家”模型（oracle model）的提示来提升数据集质量。","https:\u002F\u002Fgithub.com\u002Fteknium1\u002FGPTeacher\u002Fissues\u002F4",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},27418,"这个项目应该如何安装？是直接放入 text-generation-webui 文件夹吗？","不需要安装。这是一个用于训练模型的数据集，而不是可以直接运行的软件或插件。用户应将其数据用于模型训练流程，而非放入 'text-generation-webui-main' 文件夹中运行。","https:\u002F\u002Fgithub.com\u002Fteknium1\u002FGPTeacher\u002Fissues\u002F10",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},27419,"如何在论文中引用此资源（BibTeX 格式）？","作者目前不确定具体的 BibTeX 引用格式，尚未提供标准的引用信息。建议在使用时直接链接到该 GitHub 仓库地址。","https:\u002F\u002Fgithub.com\u002Fteknium1\u002FGPTeacher\u002Fissues\u002F8",[]]