[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tencentmusic--supersonic":3,"tool-tencentmusic--supersonic":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",143909,2,"2026-04-07T11:33:18",[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。",107888,"2026-04-06T11:32:50",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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",[35,15,13,14],{"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":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":118,"forks":119,"last_commit_at":120,"license":121,"difficulty_score":10,"env_os":122,"env_gpu":122,"env_ram":122,"env_deps":123,"category_tags":129,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":130,"updated_at":131,"faqs":132,"releases":162},5243,"tencentmusic\u002Fsupersonic","supersonic","SuperSonic is the next-generation AI+BI platform that unifies Chat BI (powered by LLM) and Headless BI (powered by semantic layer) paradigms.","SuperSonic 是一款新一代的 AI+BI 平台，巧妙融合了基于大语言模型的“对话式 BI\"与基于语义层的“无头 BI\"两种范式。它旨在解决当前纯靠大模型生成 SQL（Text2SQL）在真实业务场景中可靠性不足、容易产生幻觉的痛点。\n\n通过引入统一的语义层，SuperSonic 让对话查询能基于经过治理的准确数据模型进行，既利用语义信息增强大模型的理解能力以减少错误，又将复杂的 SQL 逻辑卸载到语义层处理，从而大幅降低技术门槛并提升查询准确率。用户只需通过自然语言提问，即可获得精准的数据分析结果和可视化图表。\n\n该平台适合两类核心人群：业务人员可直接使用对话界面轻松获取数据洞察，无需编写代码；数据分析工程师则可通过内置接口构建和管理逻辑语义模型。此外，其基于 Java SPI 的可扩展架构也方便开发者进行定制化集成。\n\nSuperSonic 的独特亮点在于“双轮驱动”：不仅提供开箱即用的多轮对话、自动补全及三级数据权限控制，还内置了基于规则的语义解析器以应对特定场景。这种设计既保留了大模型的灵活性，又确保了企业级数据的严谨性与安全性，是构建可信智能数据分析系统的理想选择。","[中文版](README_CN.md) | [日本語版](README_JP.md) | [Docs](https:\u002F\u002Fsupersonicbi.github.io\u002F)\n\n![Java CI](https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fsupersonic\u002Fworkflows\u002Fsupersonic%20CI\u002Fbadge.svg)\n\n# SuperSonic\n\nSuperSonic is the next-generation AI+BI platform that unifies **Chat BI** (powered by LLM) and **Headless BI** (powered by semantic layer) paradigms. This unification ensures that Chat BI has access to the same curated and governed semantic data models as traditional BI. Furthermore, the implementation of both paradigms benefit from each other:\n\n- Chat BI's Text2SQL gets augmented with context-retrieval from semantic models.\n- Headless BI's query interface gets extended with natural language API.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_supersonic_readme_7c0a784ea6af.png\" height=\"75%\" width=\"75%\" \u002F>\n\nSuperSonic provides a **Chat BI interface** that empowers users to query data using natural language and visualize the results with suitable charts. To enable such experience, the only thing necessary is to build logical semantic models (definition of metric\u002Fdimension\u002Ftag, along with their meaning and relationships) through a **Headless BI interface**. Meanwhile, SuperSonic is designed to be extensible and composable, allowing custom implementations to be added and configured with Java SPI.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_supersonic_readme_bd47375e9279.gif\" height=\"100%\" width=\"100%\" \u002F>\n\n## Motivation\n\nThe emergence of Large Language Model (LLM) like ChatGPT is reshaping the way information is retrieved, leading to a new paradigm in the field of data analytics known as Chat BI. To implement Chat BI, both academia and industry are primarily focused on harnessing the power of LLMs to convert natural language into SQL, commonly referred to as Text2SQL or NL2SQL. While some approaches show promising results, their **reliability** falls short for large-scale real-world applications.\n\nMeanwhile, another emerging paradigm called Headless BI, which focuses on constructing unified semantic data models, has garnered significant attention. Headless BI is implemented through a universal semantic layer that exposes consistent data semantics via an open API.\n\nFrom our perspective, the integration of Chat BI and Headless BI has the potential to enhance the Text2SQL generation in two dimensions:\n\n1. Incorporate data semantics (such as business terms, column values, etc.) into the prompt, enabling LLM to better understand the semantics and **reduce hallucination**.\n2. Offload the generation of advanced SQL syntax (such as join, formula, etc.) from LLM to the semantic layer to **reduce complexity**. \n\nWith these ideas in mind, we develop SuperSonic as a practical reference implementation and use it to power our real-world products. Additionally, to facilitate further development we decide to open source SuperSonic as an extensible framework.\n\n## Out-of-the-box Features\n\n- Built-in Chat BI interface for *business users* to enter natural language queries\n- Built-in Headless BI interface for *analytics engineers* to build semantic data models\n- Built-in rule-based semantic parser to improve efficiency in certain scenarios (e.g. demonstration, integration testing)\n- Built-in support for input auto-completion, multi-turn conversation as well as post-query recommendation\n- Built-in support for three-level data access control: dataset-level, column-level and row-level\n\n## Extensible Components\n\nThe high-level architecture and main process flow is as follows:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_supersonic_readme_188ec9bfd60a.png\" height=\"65%\" width=\"65%\" \u002F> \n\n- **Knowledge Base:** extracts schema information periodically from the semantic models and build dictionary and index to facilitate schema mapping.\n\n- **Schema Mapper:** identifies references to schema elements(metrics\u002Fdimensions\u002Fentities\u002Fvalues) in user queries. It matches the query text against the knowledge base.\n\n- **Semantic Parser:** understands user queries and generates semantic query statement. It consists of a combination of rule-based and LLM-based parsers, each of which deals with specific scenarios.\n\n- **Semantic Corrector:** checks validity of semantic query statement and performs correction if necessary. It consists of a combination of rule-based and LLM-based correctors, each of which deals with specific scenarios.\n\n- **Semantic Translator:** converts semantic query statement into SQL statement that can be executed against physical data models.\n\n- **Chat Plugin:** extends functionality with third-party tools. Given a list of configured plugins with descriptions and sample questions, an LLM will be leveraged to select the most suitable one.\n\n- **Chat Memory:** encapsulates a collection of historical query trajectories that can be recalled to facilitate few-shot prompting.\n\n## Quick Demo\n### Online playground\nVisit http:\u002F\u002F117.72.46.148:9080 to register and experience as a new user. Please do not modify system configurations. We will restart to reset configurations regularly every weekend.\n\n### Docker Deployment\n- Install Docker and docker-compose.\n- Download the docker-compose.yml file; Execute: wget https:\u002F\u002Fraw.githubusercontent.com\u002Ftencentmusic\u002Fsupersonic\u002Fmaster\u002Fdocker\u002Fdocker-compose.yml.\n- Execute \"docker-compose up -d\".\n- Open a browser and visit http:\u002F\u002Flocalhost:9080 to start exploring.\n\n### Local build\nSuperSonic comes with sample semantic models as well as chat conversations that can be used as a starting point. Please follow the steps: \n\n- Download the latest prebuilt binary from the [release page](https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fsupersonic\u002Freleases)\n- Run script \"assembly\u002Fbin\u002Fsupersonic-daemon.sh start\" to start a standalone Java service\n- Visit http:\u002F\u002Flocalhost:9080 in the browser to start exploration\n\n## Build and Development\n\nPlease refer to project [Docs](https:\u002F\u002Fsupersonicbi.github.io\u002Fdocs\u002F%E7%B3%BB%E7%BB%9F%E9%83%A8%E7%BD%B2\u002F%E6%BA%90%E7%A0%81%E7%BC%96%E8%AF%91%E9%83%A8%E7%BD%B2\u002F). \n\n## WeChat Contact\n\nPlease follow SuperSonic wechat official account:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_supersonic_readme_c07f5938bcad.png\" height=\"50%\" width=\"50%\" \u002F>\n","[中文版](README_CN.md) | [日本語版](README_JP.md) | [文档](https:\u002F\u002Fsupersonicbi.github.io\u002F)\n\n![Java CI](https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fsupersonic\u002Fworkflows\u002Fsupersonic%20CI\u002Fbadge.svg)\n\n# SuperSonic\n\nSuperSonic 是下一代 AI+BI 平台，它统一了由大语言模型驱动的 **Chat BI** 和由语义层驱动的 **Headless BI** 两种范式。这种统一确保了 Chat BI 能够访问与传统 BI 相同的、经过精心策划和治理的语义数据模型。此外，这两种范式的实现相辅相成：\n\n- Chat BI 的 Text2SQL 功能通过从语义模型中检索上下文信息得到增强。\n- Headless BI 的查询接口则通过自然语言 API 得到扩展。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_supersonic_readme_7c0a784ea6af.png\" height=\"75%\" width=\"75%\" \u002F>\n\nSuperSonic 提供了一个 **Chat BI 界面**，使用户能够使用自然语言查询数据，并以合适的图表可视化结果。为了实现这样的体验，唯一需要做的就是通过 **Headless BI 界面** 构建逻辑语义模型（包括指标\u002F维度\u002F标签的定义及其含义和关系）。同时，SuperSonic 被设计为可扩展和可组合的，允许通过 Java SPI 添加和配置自定义实现。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_supersonic_readme_bd47375e9279.gif\" height=\"100%\" width=\"100%\" \u002F>\n\n## 动机\n\n像 ChatGPT 这样的大型语言模型（LLM）的出现正在重塑信息检索的方式，从而在数据分析领域催生了一种称为 Chat BI 的新范式。为了实现 Chat BI，学术界和工业界主要集中在利用 LLM 将自然语言转换为 SQL，通常被称为 Text2SQL 或 NL2SQL。尽管一些方法显示出有希望的结果，但其 **可靠性** 在大规模实际应用中仍有不足。\n\n与此同时，另一种新兴的范式——Headless BI，专注于构建统一的语义数据模型，也引起了广泛关注。Headless BI 是通过一个通用的语义层来实现的，该层通过开放的 API 暴露一致的数据语义。\n\n从我们的角度来看，将 Chat BI 和 Headless BI 集成起来，有望在两个方面提升 Text2SQL 的生成效果：\n\n1. 将数据语义（如业务术语、列值等）纳入提示中，使 LLM 更好地理解语义，从而 **减少幻觉现象**。\n2. 将高级 SQL 语法的生成（如 join、公式等）从 LLM 转移到语义层，以 **降低复杂性**。\n\n基于这些想法，我们开发了 SuperSonic 作为实际的参考实现，并用它来支持我们的真实世界产品。此外，为了促进进一步的开发，我们决定将 SuperSonic 开源为一个可扩展的框架。\n\n## 开箱即用的功能\n\n- 内置 Chat BI 界面，供 *业务用户* 输入自然语言查询\n- 内置 Headless BI 界面，供 *分析工程师* 构建语义数据模型\n- 内置基于规则的语义解析器，在某些场景下（如演示、集成测试）提高效率\n- 内置输入自动补全、多轮对话以及查询后推荐功能\n- 内置三级数据访问控制：数据集级、列级和行级\n\n## 可扩展组件\n\n高层架构和主要流程如下：\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_supersonic_readme_188ec9bfd60a.png\" height=\"65%\" width=\"65%\" \u002F> \n\n- **知识库：** 定期从语义模型中提取模式信息，并构建字典和索引，以方便模式映射。\n- **模式映射器：** 识别用户查询中对模式元素（指标\u002F维度\u002F实体\u002F值）的引用。它会将查询文本与知识库进行匹配。\n- **语义解析器：** 理解用户查询并生成语义查询语句。它由基于规则和基于 LLM 的解析器组成，各自处理特定场景。\n- **语义校正器：** 检查语义查询语句的有效性，并在必要时进行校正。它由基于规则和基于 LLM 的校正器组成，各自处理特定场景。\n- **语义翻译器：** 将语义查询语句转换为可在物理数据模型上执行的 SQL 语句。\n- **聊天插件：** 通过第三方工具扩展功能。给定一组带有描述和示例问题的已配置插件，LLM 将被用来选择最合适的插件。\n- **聊天记忆：** 封装了一系列历史查询轨迹，可供调用以支持少样本提示。\n\n## 快速演示\n### 在线 playground\n访问 http:\u002F\u002F117.72.46.148:9080 注册并以新用户身份体验。请勿修改系统配置。我们将在每个周末定期重启以重置配置。\n\n### Docker 部署\n- 安装 Docker 和 docker-compose。\n- 下载 docker-compose.yml 文件；执行命令：wget https:\u002F\u002Fraw.githubusercontent.com\u002Ftencentmusic\u002Fsupersonic\u002Fmaster\u002Fdocker\u002Fdocker-compose.yml。\n- 执行 \"docker-compose up -d\"。\n- 打开浏览器并访问 http:\u002F\u002Flocalhost:9080 开始探索。\n\n### 本地构建\nSuperSonic 附带示例语义模型以及可用作起点的聊天对话。请按照以下步骤操作：\n\n- 从 [发布页面](https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fsupersonic\u002Freleases) 下载最新的预编译二进制文件。\n- 运行脚本 \"assembly\u002Fbin\u002Fsupersonic-daemon.sh start\" 启动一个独立的 Java 服务。\n- 在浏览器中访问 http:\u002F\u002Flocalhost:9080 开始探索。\n\n## 构建与开发\n请参阅项目 [文档](https:\u002F\u002Fsupersonicbi.github.io\u002Fdocs\u002F%E7%B3%BB%E7%BB%9F%E9%83%A8%E7%BD%B2\u002F%E6%BA%90%E7%A0%81%E7%BC%96%E8%AF%91%E9%83%A8%E7%BD%B2\u002F)。\n\n## 微信联系方式\n请关注 SuperSonic 微信公众号：\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_supersonic_readme_c07f5938bcad.png\" height=\"50%\" width=\"50%\" \u002F>","# SuperSonic 快速上手指南\n\nSuperSonic 是下一代 AI+BI 平台，融合了 **Chat BI**（基于大语言模型）和 **Headless BI**（基于语义层）两种范式。它允许业务用户通过自然语言查询数据并可视化结果，同时让分析工程师构建统一的语义数据模型。\n\n## 环境准备\n\n在开始之前，请确保您的环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (需安装 WSL2 或兼容的 Shell 环境)\n*   **容器化部署（推荐）**：\n    *   Docker Engine\n    *   Docker Compose\n*   **本地构建部署**：\n    *   JDK 17 或更高版本\n    *   Maven 3.6+ (如需从源码编译)\n    *   Git\n\n## 安装步骤\n\n您可以选择以下两种方式之一进行快速体验。\n\n### 方式一：Docker 部署（推荐，最快上手）\n\n此方式无需配置 Java 环境，一键启动包含示例数据的服务。\n\n1.  **下载编排文件**\n    在项目根目录或任意工作目录下执行：\n    ```bash\n    wget https:\u002F\u002Fraw.githubusercontent.com\u002Ftencentmusic\u002Fsupersonic\u002Fmaster\u002Fdocker\u002Fdocker-compose.yml\n    ```\n    *(注：如果下载速度慢，可手动访问该 URL 保存为 `docker-compose.yml`)*\n\n2.  **启动服务**\n    ```bash\n    docker-compose up -d\n    ```\n\n3.  **访问界面**\n    等待服务启动完成后，在浏览器中访问：\n    ```text\n    http:\u002F\u002Flocalhost:9080\n    ```\n\n### 方式二：本地二进制运行\n\n如果您希望直接运行预编译包：\n\n1.  **下载发布包**\n    前往 [Release 页面](https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fsupersonic\u002Freleases) 下载最新的预构建二进制包并解压。\n\n2.  **启动服务**\n    进入解压后的目录，执行启动脚本：\n    ```bash\n    assembly\u002Fbin\u002Fsupersonic-daemon.sh start\n    ```\n\n3.  **访问界面**\n    在浏览器中访问：\n    ```text\n    http:\u002F\u002Flocalhost:9080\n    ```\n\n## 基本使用\n\n启动成功后，系统将内置示例语义模型和对话数据，您可以立即体验“自然语言查数”功能。\n\n1.  **注册\u002F登录**\n    打开浏览器访问 `http:\u002F\u002Flocalhost:9080`，注册一个新账号并登录（Docker 部署环境下通常支持直接注册）。\n\n2.  **进入 Chat BI 界面**\n    登录后默认进入对话界面。您会看到预设的示例数据集（如音乐榜单、艺人数据等）。\n\n3.  **尝试自然语言查询**\n    在输入框中直接使用中文提问，例如：\n    *   “过去一周最火的歌曲是哪首？”\n    *   “展示周杰伦所有歌曲的播放量趋势图”\n    *   “比较不同歌手的平均评分”\n\n    系统会自动解析语义、生成 SQL 并返回对应的图表或数据表格。\n\n4.  **构建语义模型（进阶）**\n    点击侧边栏进入 **Headless BI** 界面，分析工程师可以在此定义指标（Metric）、维度（Dimension）和标签（Tag），建立业务术语与数据库字段的映射关系，从而增强 Chat BI 的理解能力和准确性。\n\n> **提示**：Docker 在线演示环境会在每周末重置配置，请勿在生产数据中进行测试。","某电商公司的数据分析师正面临业务部门频繁提出的临时数据查询需求，急需在保障数据准确性的前提下提升响应速度。\n\n### 没有 supersonic 时\n- 业务人员不懂 SQL，每次取数都需向数据团队提交工单，排队等待往往耗时数天，严重拖慢决策节奏。\n- 直接让大模型生成 SQL 极易产生“幻觉”，经常算错指标或关联错误的表，导致数据结果不可信，需要人工反复校验。\n- 复杂的业务逻辑（如“复购率”、“毛利”）分散在各个临时脚本中，缺乏统一语义层管理，不同人算出的结果常常对不上。\n- 数据权限控制粗糙，难以精细到行级或列级，敏感数据存在泄露风险，不敢轻易开放自助查询。\n\n### 使用 supersonic 后\n- 业务人员直接在 Chat BI 界面用自然语言提问（如“上周华东区复购率趋势”），系统秒级返回图表，实现真正的自助式分析。\n- supersonic 将统一的语义模型注入大模型提示词，强制约束生成逻辑，大幅减少幻觉，确保生成的 SQL 符合业务定义且准确无误。\n- 分析师通过 Headless BI 接口预先定义好指标、维度及其关系，将复杂的 Join 和公式计算下沉到语义层，大模型只需关注意图识别。\n- 内置的三级数据访问控制（数据集、列、行）自动生效，确保不同角色的用户只能看到其权限范围内的数据，安全合规。\n\nsupersonic 通过融合大模型的交互能力与语义层的严谨性，让企业既能享受自然语言查询的便捷，又能守住数据治理的底线。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftencentmusic_supersonic_38838f68.png","tencentmusic","Tencent Music Entertainment","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftencentmusic_5b1bf19b.jpg","",null,"https:\u002F\u002Fwww.tencentmusic.com\u002F","https:\u002F\u002Fgithub.com\u002Ftencentmusic",[80,84,88,92,95,99,103,107,111,115],{"name":81,"color":82,"percentage":83},"Java","#b07219",62.5,{"name":85,"color":86,"percentage":87},"TypeScript","#3178c6",30.1,{"name":89,"color":90,"percentage":91},"Less","#1d365d",3.1,{"name":93,"color":94,"percentage":32},"Python","#3572A5",{"name":96,"color":97,"percentage":98},"JavaScript","#f1e05a",1.6,{"name":100,"color":101,"percentage":102},"Shell","#89e051",0.3,{"name":104,"color":105,"percentage":106},"Batchfile","#C1F12E",0.2,{"name":108,"color":109,"percentage":110},"CSS","#663399",0.1,{"name":112,"color":113,"percentage":114},"HTML","#e34c26",0,{"name":116,"color":117,"percentage":114},"Dockerfile","#384d54",4785,942,"2026-04-07T08:51:17","NOASSERTION","未说明",{"notes":124,"python":122,"dependencies":125},"该项目是基于 Java 开发的 AI+BI 平台，非纯 Python 项目。支持通过 Docker Compose 一键部署或通过下载预编译二进制包运行（需安装 Java）。LLM 部分可通过配置连接外部模型服务，README 中未明确列出本地运行对 GPU 的具体型号或显存要求。",[126,127,128],"Java (运行环境)","Docker","docker-compose",[35,14,16],"2026-03-27T02:49:30.150509","2026-04-08T05:30:50.639332",[133,138,143,148,153,158],{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},23778,"项目是否计划支持 OpenSearch 作为向量数据库？","目前团队主要精力集中在核心特性迭代和效果优化上，暂时未有拓展外接系统（如 OpenSearch）的具体排期。社区非常欢迎贡献者提交 PR 来增加对 OpenSearch 的支持。","https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fsupersonic\u002Fissues\u002F1924",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},23774,"如何查询“按天展示最近 N 天内每一天访问次数最多的部门”这类复杂分组排序问题？","这类问题涉及分组、排序和窗口函数，当前语义层解析能力有限。生成的 SQL 需要使用 ROW_NUMBER() 窗口函数。参考 SQL 结构如下：\nSELECT 数据日期，部门，访问次数 FROM (\n  SELECT 数据日期，部门，访问次数，ROW_NUMBER() OVER(PARTITION BY 数据日期 ORDER BY 访问次数 DESC) as rank\n  FROM (\n    SELECT 数据日期，部门，SUM(访问次数) as 访问次数\n    FROM 表名\n    WHERE datediff('day', 数据日期，'当前日期') \u003C= N\n    GROUP BY 数据日期，部门\n  )\n) WHERE rank=1;\n目前建议等待后续版本优化解析能力，或手动调整生成的 SQL。","https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fsupersonic\u002Fissues\u002F1013",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},23775,"使用 docker-compose 部署启动时，db_init 容器报错找不到 sql 脚本（schema-mysql-demo.sql），如何解决？","这是因为使用了 master 分支最新的 docker-compose.yml 文件，但对应的镜像版本尚未发布或不匹配。解决方法是：\n1. 删除 docker-compose.yml 中引用该缺失脚本的配置行；\n2. 或者使用老版本的 docker-compose.yml 文件与当前发布的镜像版本配套使用。\n请确保 docker-compose 配置文件与镜像版本保持一致。","https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fsupersonic\u002Fissues\u002F1941",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},23776,"连接 Trino 数据库时，生成的 SQL 因使用反引号（`）标识符而报错，如何修复？","Trino 不支持反引号，只支持双引号。该问题已在最新版本中修复。\n解决方案：请更新到 master 分支的最新版本（1.0.0-SNAPSHOT 或更高）。修复后，系统会自动将表名、列名及指标别名等标识符转换为双引号格式，从而兼容 Trino 语法。","https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fsupersonic\u002Fissues\u002F2132",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},23777,"历史问答中相似度很高的问题无法被召回作为 few-shot 示例，如何处理？","该问题已优化。此前原因是记忆管理模块默认只召回 5 条记录，而策略需要 10 条，导致剩余名额被默认示例填充。现已修复逻辑，确保高相似度的历史问答能优先被召回。如果遇到类似问题，请拉取最新代码重试。","https:\u002F\u002Fgithub.com\u002Ftencentmusic\u002Fsupersonic\u002Fissues\u002F1691",{"id":159,"question_zh":160,"answer_zh":161,"source_url":142},23779,"哪些大模型在生成复杂 SQL（如涉及窗口函数）时表现较好？","根据测试，gpt-4 和 glm-4 在生成涉及分组、排序和窗口函数的复杂 SQL 时结果较为靠谱。其他模型如 gpt-3.5-turbo, moonshot, deepseek-coder 等在此类复杂场景下表现差距较大。建议在处理复杂语义解析任务时优先选用 gpt-4 或 glm-4。",[163,168,173,178,183,188,193,198,203,208,213,218,223,228,233],{"id":164,"version":165,"summary_zh":166,"released_at":167},145307,"v0.9.8","- 增加**LLM管理**模块，以实现跨智能体的连接复用。\n- 在智能体管理中新增**ChatAPP配置**子模块。\n- 优化**维度值管理**子模块。\n- 优化**内存管理**和**术语管理**子模块。\n- 提升**复杂S2SQL**的语义转换能力。\n- 改善**聊天UI**的用户体验。\n- 引入基于**LLM**的语义校正器和数据解释器。\n- 引入**Dify连接器**，用于调用LLM。","2024-11-01T14:57:42",{"id":169,"version":170,"summary_zh":171,"released_at":172},145308,"v0.9.6","【适配性】\n\n- 支持对接更多数据库\n- 支持无时间分区的数据集\n- 支持自定义Text2SQL提示词\n- 助理管理增加记忆评估开关\n\n【易用性】\n\n- 将langchan4j.xml配置迁移至UI界面\n- 问答异常时返回更具引导性的回复\n- 问答对话支持导出日志\n\n","2024-08-24T08:03:14",{"id":174,"version":175,"summary_zh":176,"released_at":177},145309,"v0.9.4","### 1. 易用性\n- 上线文档中心官网\n- 支持Docker容器化部署\n- 支持测试大模型连通性\n- 升级智能助理配置界面\n- 支持对接更多的大模型\n- 支持对接更多的向量库\n\n### 2. 可靠性\n- 引入Memory记忆机制\n- 支持带with的语义查询\n- 增加Text2SQL评估测试\n","2024-07-01T13:36:54",{"id":179,"version":180,"summary_zh":181,"released_at":182},145310,"v0.9.2","### 1. 【问答对话】功能和体验优化\n- 支持多轮对话\n- 增加术语配置和识别，帮助大模型学习私域知识\n- 支持在助理处配置大模型参数\n- 引入WorkFlow，Mapper、Parser、Corrector支持回跳执行\n### 2. 【语义建模\u002F指标市场】功能和体验优化\n- 引入【模型集】的概念，简化【主题域】管理\n- 支持自动从库表字段获取注释来填充度量\u002F维度中文名称\n- 指标市场支持用自然语言进行搜索\n### 3. 【系统页面】整体优化升级\n### 4. 【启动脚本】优化\n- 去除runtime目录，简化目录结构\n- IDE模式支持直接build webapp","2024-06-01T08:11:12",{"id":184,"version":185,"summary_zh":186,"released_at":187},145311,"v0.9.0","1. Headless将“标签”升级为一级语义实体\n\n2. Headless新增Chat API\n\n3. 将chat-core核心组件迁移至headless-core\n\n4. 代码调整和抽象优化\n     -   Headless核心组件采用SPI机制\n     -   优化Headless指标主页查询接口","2024-04-03T14:18:43",{"id":189,"version":190,"summary_zh":191,"released_at":192},145312,"v0.8.6","1. Headless引入VIEW抽象和功能模块\n\n2. 聊天功能和体验优化\n     -   增加TimeCorrector，以避免查询过长时间区间\n     -   聊天页面展示各SQL时，风格保持一致\n\n3. 基于DuSQL数据集建立Text-to-SQL评测工程\n\n4. 代码工程结构和测试体系优化\n     -   Headless集成Embedding和Knowledge相关功能\n     -   同环比功能迁移至Chat Processor\n     -   增加Headless集成测试","2024-02-23T13:51:43",{"id":194,"version":195,"summary_zh":196,"released_at":197},145313,"v0.8.4","1. 无头扩展指标定义模式  \n- 支持基于度量、已有指标和原始字段三种方式来定义新指标  \n\n2. 无头生成物理SQL的简化  \n\n3. 无头新增支持PostgreSQL数据源  \n\n4. Chat和无头代码调整与抽象优化","2024-01-19T15:35:31",{"id":199,"version":200,"summary_zh":201,"released_at":202},145314,"v0.8.2","1. 将Python服务用Java工程重写，默认采用Java实现。\n\n2. 支持在界面上设置大模型生成SQL的方式。\n\n3. 前端体验优化：\n   - 指标市场体验优化\n   - 语义建模画布体验优化\n\n4. Chat代码结构调整和抽象优化。","2023-12-19T08:43:07",{"id":204,"version":205,"summary_zh":206,"released_at":207},145315,"v0.8.0","1. **Chat**图表交互增强  \n- 增加每阶段（意图解析、SQL生成、数据查询）的**耗时统计**  \n- 切换不同的意图**解析**结果，自动发起查询：对已发起过查询的结果做缓存，便于快速切换比对  \n- SQL生成增加**Schema映射**：让用户更透明地感知输入给LLM的上下文，便于定位分析问题  \n- 增加**推荐相关指标**阶段：指标模式的查询下，推荐词向量相似的其他指标，增强对用户的引导  \n\n2. **Chat**SQL生成增强  \n- LLM提示增加**先验知识**：将特殊的Schema信息作为先验知识输入，增强模型的理解能力  \n- LLM生成增加**Self-Consistency**：一次输出多个SQL，可由用户自己判断切换正确的结果  \n- Rule-based和LLM-based解析统一生成**S2SQL**：保持主链路的统一，简化维护和优化代价  \n\n3. **Semantic**界面改版  \n- 语义模型、智能助理、指标市场、插件市场统一成**列表页**形式  \n- 增加**系统设置**一级菜单：可对LLM、Mapper、Parser等相关参数做全局配置  \n- 移除**可见设置**模块，统一在指标\u002F维度管理下操作  \n- 语义模型的画布模式，支持手动建立模型间的关联：关联建立后会根据语义查询中指定的指标\u002F维度自动生成join  \n- 指标可设置**绑定维度**，限制可用于下钻的维度：绑定维度也可以在模型粒度设置，对模型下所有指标生效，除非某指标本身有设置  \n- 指标市场的详情页，支持直接对指标发起查询：作为指标平台的定位，增加传统表单交互，对Chat互为补充","2023-11-27T17:55:33",{"id":209,"version":210,"summary_zh":211,"released_at":212},145316,"v0.7.5","新增\n1. 查询体验优化\n- 支持展示LLM解析后的SQL、逻辑SQL、物理SQL\n- 支持对过滤条件进行修改后重新查询的功能\n- 增加“查看案例”功能，用于查看推荐的相似问题\n- SQL校正器整体优化\n\n2. 支持嵌套查询\n\n更新\n1. 部署和配置优化\n- 优化了整个项目的编译和部署方式\n- 支持通过配置方式修改不同的大模型及参数","2023-10-16T05:20:32",{"id":214,"version":215,"summary_zh":216,"released_at":217},145317,"v0.7.4","Added\r\n1. 支持对原始数据按时间粒度聚合创建指标\r\n2. 支持模型别名解析\r\n3. 数据库连接从模型管理单独抽出，方便各模型复用数据库连接\r\n\r\nUpdated\r\n1. 简化编译启动脚本，方便用户使用\r\n2. LLM语义解析生成DSL优化：\r\n- 按聚合和明细模式展示\r\n- 修复部分复杂DSL案例查询异常","2023-09-13T06:43:27",{"id":219,"version":220,"summary_zh":221,"released_at":222},145318,"v0.7.3","Added\r\n1.  保存每次用户提问所产生的语义解析信息，以及映射、解析、执行各环节的耗时统计；\r\n2. 新增可自定义的Agent，可以根据语义模型、解析方式、第三方插件的组合来定制不同的Agent；\r\n\r\nUpdated\r\n1. LLM语义解析生成DSL优化\r\n- 将DSL解析出的筛选条件在前端展示；\r\n- 对DSL的时间表达式和维度取值做后置的解析与修正\r\n2. 对话界面的优化，将“意图解析”和“数据查询”合并展示","2023-08-30T06:58:58",{"id":224,"version":225,"summary_zh":226,"released_at":227},145319,"v0.7.2","Added\r\n\r\n1. Support asynchronous query - return parse information to user before executing result\r\n2. Add Model as the basic data structure of the semantic definitions - this will replace the old conception of subdomain\r\n\r\nUpdated\r\n\r\n1. improve knowledge word similarity algorithm\r\n2. improve embedding plugin chooser\r\n3. improve DSLQuery field correction and parser\r\n\r\nFixed\r\n\r\n1. Fix mapper error that detectWord text is shorter than word\r\n2. Fix MetricDomainQuery inherit context","2023-08-15T14:02:10",{"id":229,"version":230,"summary_zh":231,"released_at":232},145320,"v0.6","supersonic 0.6.0 change log\r\n1) add llm parser and llm api server\r\n2) support fuzzy mapping\r\n3) support query filter and domain filter in query and search\r\n4) support standalone mode\r\n5) add dsl query in semantic\r\n6) code architecture adjustment in semantic and chat\r\n7) add unit testing and integration testing\r\n8) support dimension and metric alias","2023-07-16T13:42:39",{"id":234,"version":235,"summary_zh":236,"released_at":237},145321,"v0.5","This is the first release(v0.5) version of SuperSonic.","2023-06-15T10:37:01"]