[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tensorflow--docs":3,"tool-tensorflow--docs":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":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":79,"owner_twitter":78,"owner_website":80,"owner_url":81,"languages":82,"stars":113,"forks":114,"last_commit_at":115,"license":116,"difficulty_score":117,"env_os":77,"env_gpu":118,"env_ram":118,"env_deps":119,"category_tags":122,"github_topics":123,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":130,"updated_at":131,"faqs":132,"releases":133},2259,"tensorflow\u002Fdocs","docs","TensorFlow documentation","docs 是 TensorFlow 官方文档的源代码仓库，汇聚了涵盖指南、教程及 API 参考的丰富内容，旨在为全球开发者提供学习和使用 TensorFlow 框架的权威依据。它有效解决了深度学习领域技术更新快、资料分散以及语言障碍等痛点，通过集中化管理确保信息的准确性与时效性。\n\n无论是刚入门的初学者、致力于算法创新的研究人员，还是从事工程落地的专业开发者，都能在此找到从基础概念解析到复杂模型构建的系统性指导。其独特的技术亮点在于开放的社区协作模式：不仅支持全球志愿者参与多语言翻译与维护，促进知识的本地化传播，还建立了严格的贡献指南和风格规范，保障文档质量。此外，项目采用 Apache 2.0 开源协议，鼓励用户直接查看源码、提交问题或参与内容共建，形成了一个活跃且透明的技术交流生态，让每个人都能成为知识共享的一部分。","# TensorFlow Documentation\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_docs_readme_62bbcc2ab58c.png\">\u003Cbr>\u003Cbr>\n\u003C\u002Fdiv>\n\nThese are the source files for the guide and tutorials on\n[tensorflow.org](https:\u002F\u002Fwww.tensorflow.org\u002Foverview).\n\nTo contribute to the TensorFlow documentation, please read\n[CONTRIBUTING.md](CONTRIBUTING.md), the\n[TensorFlow docs contributor guide](https:\u002F\u002Fwww.tensorflow.org\u002Fcommunity\u002Fcontribute\u002Fdocs),\nand the [style guide](https:\u002F\u002Fwww.tensorflow.org\u002Fcommunity\u002Fcontribute\u002Fdocs_style).\n\nTo file a docs issue, use the issue tracker in the\n[tensorflow\u002Ftensorflow](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fissues\u002Fnew?template=20-documentation-issue.md) repo.\n\nAnd join the TensorFlow documentation contributors on the\n[TensorFlow Forum](https:\u002F\u002Fdiscuss.tensorflow.org\u002F).\n\n## Community translations\n\n[Community translations](https:\u002F\u002Fwww.tensorflow.org\u002Fcommunity\u002Fcontribute\u002Fdocs#community_translations)\nare located in the\n[tensorflow\u002Fdocs-l10n](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fdocs-l10n) repo. These docs\nare contributed, reviewed, and maintained by the community as *best-effort*. To\nparticipate as a translator or reviewer, see the `site\u002F\u003Clang>\u002FREADME.md`, join\nthe language mailing list, and submit a pull request.\n\n## License\n\n[Apache License 2.0](LICENSE)\n","# TensorFlow 文档\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_docs_readme_62bbcc2ab58c.png\">\u003Cbr>\u003Cbr>\n\u003C\u002Fdiv>\n\n这些是 [tensorflow.org](https:\u002F\u002Fwww.tensorflow.org\u002Foverview) 上指南和教程的源文件。\n\n如需为 TensorFlow 文档做出贡献，请阅读 [CONTRIBUTING.md](CONTRIBUTING.md)、\n[TensorFlow 文档贡献者指南](https:\u002F\u002Fwww.tensorflow.org\u002Fcommunity\u002Fcontribute\u002Fdocs)\n以及 [样式指南](https:\u002F\u002Fwww.tensorflow.org\u002Fcommunity\u002Fcontribute\u002Fdocs_style)。\n\n如需提交文档相关问题，请使用\n[tensorflow\u002Ftensorflow](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fissues\u002Fnew?template=20-documentation-issue.md) 仓库中的问题跟踪器。\n\n同时，欢迎加入 TensorFlow 文档贡献者社区，访问\n[TensorFlow 论坛](https:\u002F\u002Fdiscuss.tensorflow.org\u002F)。\n\n## 社区翻译\n\n[社区翻译](https:\u002F\u002Fwww.tensorflow.org\u002Fcommunity\u002Fcontribute\u002Fdocs#community_translations)\n位于\n[tensorflow\u002Fdocs-l10n](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fdocs-l10n) 仓库中。这些文档由社区以“尽最大努力”的原则进行贡献、审阅和维护。如需作为译者或审阅者参与，请参阅 `site\u002F\u003Clang>\u002FREADME.md` 文件，加入相应语言的邮件列表，并提交拉取请求。\n\n## 许可证\n\n[Apache License 2.0](LICENSE)","# TensorFlow 文档贡献快速上手指南\n\n本指南旨在帮助中国开发者快速搭建本地环境，参与 [tensorflow.org](https:\u002F\u002Fwww.tensorflow.org) 官方文档的编写与维护。注意：此仓库仅包含文档源码，而非 TensorFlow 深度学习框架本身。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux、macOS 或 Windows (推荐 WSL2)。\n*   **Git**：已安装并配置好 Git 版本控制工具。\n*   **Python**：建议安装 Python 3.8 或更高版本。\n*   **账号**：拥有 GitHub 账号，以便提交 Pull Request。\n*   **网络环境**：由于依赖资源托管在境外，建议配置网络加速或使用国内镜像源（如适用）。\n\n## 安装步骤\n\n### 1. 克隆仓库\n使用 Git 克隆文档源码仓库到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fdocs.git\ncd docs\n```\n\n> **提示**：如果访问 GitHub 速度较慢，可使用国内镜像源（如 Gitee 镜像，若有）或配置 Git 代理。\n\n### 2. 安装依赖\n进入项目目录后，安装构建文档所需的 Python 依赖包。建议使用虚拟环境：\n\n```bash\npython -m venv venv\nsource venv\u002Fbin\u002Factivate  # Windows 用户请使用: venv\\Scripts\\activate\n\npip install -r requirements.txt\n```\n\n> **国内加速建议**：安装依赖时推荐使用清华或阿里镜像源以提升下载速度：\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 基本使用\n\n### 预览本地文档\n在修改或新增 `.md` 文件后，可以通过以下命令在本地启动服务器预览效果：\n\n```bash\npython build_docs.py --site_path=\u002Ftmp\u002Ftf-site\n```\n\n或者使用项目提供的快捷脚本（如果存在 `tools` 目录下的服务脚本）：\n\n```bash\n# 示例：启动本地预览服务 (具体命令视项目最新结构而定，通常为)\npython -m http.server 8000 --directory \u002Ftmp\u002Ftf-site\n```\n\n然后在浏览器中访问 `http:\u002F\u002Flocalhost:8000` 查看渲染后的文档。\n\n### 提交贡献\n1.  **阅读规范**：在修改前，请务必阅读 [CONTRIBUTING.md](CONTRIBUTING.md) 和 [风格指南](https:\u002F\u002Fwww.tensorflow.org\u002Fcommunity\u002Fcontribute\u002Fdocs_style)。\n2.  **创建分支**：基于 `master` 分支创建新功能分支。\n    ```bash\n    git checkout -b my-doc-update\n    ```\n3.  **提交更改**：完成编辑后提交代码。\n    ```bash\n    git add .\n    git commit -m \"docs: 更新某某教程内容\"\n    ```\n4.  **发起 PR**：将分支推送到您的 GitHub Fork 仓库，并在原仓库发起 Pull Request。\n\n### 参与中文翻译\n如果您希望参与社区驱动的中文翻译工作，请注意主仓库 (`tensorflow\u002Fdocs`) 主要为英文原版。中文翻译位于独立的仓库：\n\n*   **翻译仓库**：[tensorflow\u002Fdocs-l10n](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fdocs-l10n)\n*   **参与方式**：请前往该仓库查看 `site\u002Fzh_cn\u002FREADME.md` 获取具体的翻译流程和校对标准。","某初创公司的算法工程师团队正在基于 TensorFlow 2.x 构建一个实时图像缺陷检测系统，急需掌握最新的 API 用法以优化模型推理速度。\n\n### 没有 docs 时\n- 团队成员只能依赖过时的博客教程或 Stack Overflow 上的碎片化回答，经常因调用已废弃的 API（如 `tf.compat.v1` 写法）导致代码运行报错。\n- 遇到复杂的算子参数配置时，缺乏权威的参数说明和类型提示，不得不通过反复试错来猜测函数行为，严重拖慢开发进度。\n- 不同成员对同一功能的理解存在偏差，且无法找到官方推荐的最佳实践代码片段，导致项目代码风格混乱，后期维护成本极高。\n- 想要学习如何部署模型到移动端时，找不到系统化的端到端指南，只能在各个零散的仓库中盲目搜索示例。\n\n### 使用 docs 后\n- 团队直接查阅 tensorflow.org 上的最新指南，快速获取了符合 TensorFlow 2.x 规范的 eager execution 代码示例，一次性通过了环境测试。\n- 面对复杂算子，工程师通过详细的 API 参考文档明确了每个参数的数据类型与默认值，结合内置的代码片段迅速完成了功能验证。\n- 依托文档中的“核心指南”和“架构概览”，团队统一了编码规范，直接复用了官方提供的数据加载与模型保存最佳实践，显著提升了代码质量。\n- 通过跟随“部署”专题下的分步教程，团队顺利将训练好的模型转换为 TFLite 格式并成功集成到生产线上的移动设备中。\n\ndocs 将原本分散、滞后且充满不确定性的知识获取过程，转变为高效、权威且标准化的开发流，极大地降低了深度学习工程化的门槛与时间成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_docs_62bbcc2a.png","tensorflow","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftensorflow_07ed5093.png","",null,"github-admin@tensorflow.org","http:\u002F\u002Fwww.tensorflow.org","https:\u002F\u002Fgithub.com\u002Ftensorflow",[83,87,91,95,99,103,106,110],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",91.1,{"name":88,"color":89,"percentage":90},"Python","#3572A5",7.9,{"name":92,"color":93,"percentage":94},"C#","#178600",0.6,{"name":96,"color":97,"percentage":98},"Shell","#89e051",0.2,{"name":100,"color":101,"percentage":102},"Jinja","#a52a22",0.1,{"name":104,"color":105,"percentage":102},"Smalltalk","#596706",{"name":107,"color":108,"percentage":109},"CSS","#663399",0,{"name":111,"color":112,"percentage":109},"Smarty","#f0c040",6302,5360,"2026-04-03T21:09:22","Apache-2.0",1,"未说明",{"notes":120,"python":118,"dependencies":121},"该仓库仅包含 TensorFlow 官方文档的源代码文件（指南和教程），并非可执行的 AI 模型或工具，因此无需特定的操作系统、GPU、内存或 Python 运行环境。用户只需具备基本的文本编辑能力即可贡献内容，或通过浏览器访问 tensorflow.org 阅读文档。社区翻译版本托管在独立的 docs-l10n 仓库中。",[],[13],[75,124,125,126,127,128,129],"tensorflow-tutorials","tensorflow-examples","documentation","machine-learning","deep-learning","deep-neural-networks","2026-03-27T02:49:30.150509","2026-04-06T05:19:28.715436",[],[134],{"id":135,"version":136,"summary_zh":78,"released_at":137},107613,"2023.5.24.56664","2023-05-25T22:42:23"]