[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-towhee-io--examples":3,"similar-towhee-io--examples":109},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":18,"owner_email":18,"owner_twitter":18,"owner_website":19,"owner_url":20,"languages":21,"stars":30,"forks":31,"last_commit_at":32,"license":33,"difficulty_score":34,"env_os":35,"env_gpu":36,"env_ram":36,"env_deps":37,"category_tags":46,"github_topics":52,"view_count":60,"oss_zip_url":18,"oss_zip_packed_at":18,"status":61,"created_at":62,"updated_at":63,"faqs":64,"releases":94},3057,"towhee-io\u002Fexamples","examples","Analyze the unstructured data with Towhee, such as reverse image search, reverse video search, audio classification, question and answer systems, molecular search, etc.","examples 是 Towhee 框架的官方示例集合，旨在帮助开发者轻松处理图像、音频、视频等非结构化数据。它通过提供现成的代码模板，解决了将复杂机器学习模型转化为实际应用时的入门难题，让用户无需从零构建即可快速实现以图搜图、视频检索、音频分类、智能问答甚至分子搜索等功能。\n\n这套资源特别适合希望快速上手非结构化数据分析的开发者、算法工程师以及技术研究人员。无论是初学者想要理解数据处理流水线（Pipeline）的运作机制，还是资深团队需要验证特定模型效果，都能从中找到对应的参考方案。其核心亮点在于极大地降低了\"x2vec\"技术的使用门槛：用户仅需几行代码，即可调用预置的深度学习模型（如 ResNet、CLIP、AnimeGAN 等）生成高质量的嵌入向量，并结合向量索引完成检索任务。examples 不仅展示了如何串联不同的算子来构建高效的应用流程，还涵盖了从基础入门到跨模态检索等多种场景，是探索 Towhee 生态、加速原型开发的实用指南。","# Towhee Examples\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Ftowhee\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftowhee-io_examples_readme_7222f2e09054.png\" alt=\"Logo\"  width=\"60%\">\n  \u003C\u002Fa>\n  \u003Cp align=\"center\" style=\"padding-left: 10px; padding-right: 10px\">\n      Towhee Examples are used to analyze the unstructured data with towhee, such as reverse image search, reverse video search, audio classification, question and answer systems, molecular search, etc.\n    \u003Cbr \u002F>\n    \u003Cbr \u002F>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Ftowhee\u002Fissues\">Report Bug or Request Feature\u003C\u002Fa>\n  \u003C\u002Fp>\n\u003C\u002Fp>\n​      \n\n\n## About Towhee Examples\n\nx2vec, [Towhee](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Ftowhee) is all you need! Towhee can generate embedding vectors via a pipeline of ML models and other operations. It aims to make democratize `x2vec`, allowing everyone - from beginner developers to large organizations - to generate dense embeddings with just a few lines of code.\n\n\n\nThere are many interesting examples that use Towhee to process various unstructured data like images, audio, video, etc. You can easily run these examples on your machine.\n\n## Funny Example List\n\n\u003Ctable>\n    \u003Ctr>\n        \u003Ctd>\u003Cb>\u003C\u002Fb>\u003C\u002Ftd>\n        \u003Ctd width=\"60%\">\u003Cb>Bootcamp\u003C\u002Fb>\u003C\u002Ftd>\n        \u003Ctd>\u003Cb>Operators\u003C\u002Fb>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"1\">Getting Started\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"pipeline\">Getting Started with Pipeline\u003C\u002Fa>\n             \u003Cp>An introduction to `Pipeline`, which can help you better learn the data processing pipeline with Towhee.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca>\u003C\u002Fa>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"5\">Image\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"image\u002Freverse_image_search\">Reverse Image Search\u003C\u002Fa>\u003Cbr \u002F>\n             \u003Cp>Search for images that are similar or related to the input image, it supports a lot of models such as ResNet, VGG, EfficientNet, ViT, etc.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Computer-Vision&task_name=Image-Embedding\">Image Embedding\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fimage-embedding\u002Ftimm\">Timm\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"image\u002Fimage_animation\">Image Animation\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Cp>Convert an image into an animated image.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fimg2img-translation\u002Fanimegan\">Animegan\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fimg2img-translation\u002Fcartoongan\">Cartoongan\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"image\u002Fimage_deduplication\">Image Deduplication\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Cp>Find exact or near-exact duplicates within a collection of images.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Computer-Vision&task_name=Image-Decode\">Image Decode\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fimage-embedding\u002Ftimm\">Timm\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"image\u002Ftext_image_search\">Text Image Search\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Cp>Returns images related to the description of the input query text, which is cross-modal retrieval.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fimage-text-embedding\u002Fclip\">CLIP\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"image\u002Fvisualization\">Visualization\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Cp>Under the hood: Embedding models and ANNS indexes in image search.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Computer-Vision&task_name=Image-Embedding\">Image Embedding\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"2\">NLP\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"nlp\u002Fquestion_answering\">Q&A System\u003C\u002Fa>\u003Cbr \u002F>\n             \u003Cp>Process user questions and give answers through natural language technology.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Natural-Language-Processing&task_name=Text-Embedding\">Text Embedding\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftext-embedding\u002Fdpr\">DPR\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n          \u003Cp>\u003Ca href=\"nlp\u002Ftext_search\">Text Search\u003C\u002Fa>\u003C\u002Fp>\n            \u003Cp>Search most similar text to the query text across all data. \u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n          \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftext-embedding\u002Fdpr\">DPR\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"4\">Video\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"video\u002Freverse_video_search\">Reverse Video Search\u003C\u002Fa>\u003Cbr \u002F>\n             \u003Cp>It takes a video as input to search for similar videos.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Computer-Vision&task_name=Action-Classification\">Action Classification\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Faction-classification\u002Fpytorchvideo\">Pytorchvideo\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"video\u002Fvideo_tagging\">Video Classification\u003C\u002Fa>\n            \u003Cp>Video Classification is the task of producing a label that is relevant to the video given its frames.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Computer-Vision&task_name=Action-Classification\">Action Classification\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"video\u002Ftext_video_retrieval\">Text Video Search\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Cp>Search for similar or related videos with the input text.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fvideo-text-embedding\u002Fclip4clip\">CLIP4Clip\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"video\u002Fdeepfake_detection\">Deepfake Detection\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Cp>Predict the probability of a fake video for a given video.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftowhee\u002Fdeepfake\">Deepfake\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"1\">Audio\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"audio\u002Faudio_classification\">Audio Classification\u003C\u002Fa>\u003C\u002Fbr>\n             \u003Cp>Categorize certain sounds into certain categories, such as ambient sound classification and speech recognition.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Audio&task_name=Audio-Classification\">Audio Classification\u003C\u002Fa>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"1\">Medical\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"medical\u002Fmolecular_search\">Molecular Search\u003C\u002Fa>\n             \u003Cp>Search for similar molecular formulas based on the Tanimoto metric, and also supports searching for substructures and superstructures.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fmolecular-fingerprinting\u002Frdkit\">RDKit\u003C\u002Fa>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"1\">Data Science\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"data_science\u002Fcredit_card_approval_prediction\">Credit Card Approval Prediction\u003C\u002Fa>\n             \u003Cp>Predict whether the bank issues a credit card to the applicant, and the credit scores can objectively quantify the magnitude of risk.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"1\">Training\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"fine_tune\">Fine Tune\u003C\u002Fa>\u003C\u002Fbr>\n             \u003Cp>Tutorial about how to fine tuen with towhee.\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Computer-Vision&task_name=Image-Embedding\">Image Embedding\u003C\u002Fa>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\n## Contributing\n\nContributions to Milvus Bootcamp are welcome from everyone. See [Guidelines for Contributing](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Ftowhee\u002Fblob\u002Fmain\u002FCONTRIBUTING.md) for details.\n\n## Support\n\nJoin the Towhee community on [Slack](https:\u002F\u002Fjoin.slack.com\u002Ft\u002Ftowheeio\u002Fshared_invite\u002Fzt-19xhoo736-PhIYh~hwOBsDSy5ZvGWJxA) to give feedback, ask for advice, and direct questions to the engineering team. You can also submit [Issues](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Ftowhee\u002Fissues) or join [Discussions](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Ftowhee\u002Fdiscussions).\n","# Towhee 示例\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Ftowhee\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftowhee-io_examples_readme_7222f2e09054.png\" alt=\"Logo\"  width=\"60%\">\n  \u003C\u002Fa>\n  \u003Cp align=\"center\" style=\"padding-left: 10px; padding-right: 10px\">\n      Towhee 示例用于借助 Towhee 分析非结构化数据，例如图像反向搜索、视频反向搜索、音频分类、问答系统、分子检索等。\n    \u003Cbr \u002F>\n    \u003Cbr \u002F>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Ftowhee\u002Fissues\">提交 Bug 或请求功能\u003C\u002Fa>\n  \u003C\u002Fp>\n\u003C\u002Fp>\n​      \n\n\n## 关于 Towhee 示例\n\nx2vec，只需 [Towhee](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Ftowhee) 就够了！Towhee 可以通过一系列机器学习模型及其他操作生成嵌入向量。它的目标是让 `x2vec` 普及化，使从初学者开发者到大型组织的每个人，仅需几行代码就能生成稠密嵌入向量。\n\n\n\n有许多有趣的示例使用 Towhee 处理各种非结构化数据，如图像、音频、视频等。你可以轻松地在自己的机器上运行这些示例。\n\n## 有趣示例列表\n\n\u003Ctable>\n    \u003Ctr>\n        \u003Ctd>\u003Cb>\u003C\u002Fb>\u003C\u002Ftd>\n        \u003Ctd width=\"60%\">\u003Cb>训练营\u003C\u002Fb>\u003C\u002Ftd>\n        \u003Ctd>\u003Cb>算子\u003C\u002Fb>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"1\">入门\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"pipeline\">Pipeline 入门\u003C\u002Fa>\n             \u003Cp>介绍 `Pipeline`，帮助您更好地学习 Towhee 的数据处理流水线。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca>\u003C\u002Fa>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"5\">图像\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"image\u002Freverse_image_search\">反向图像搜索\u003C\u002Fa>\u003Cbr \u002F>\n             \u003Cp>搜索与输入图像相似或相关的图像，支持 ResNet、VGG、EfficientNet、ViT 等多种模型。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Computer-Vision&task_name=Image-Embedding\">图像嵌入\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fimage-embedding\u002Ftimm\">Timm\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"image\u002Fimage_animation\">图像动画\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Cp>将一张图片转换成动态图片。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fimg2img-translation\u002Fanimegan\">Animegan\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fimg2img-translation\u002Fcartoongan\">Cartoongan\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"image\u002Fimage_deduplication\">图像去重\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Cp>在一组图像中查找完全相同或近似的重复项。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Computer-Vision&task_name=Image-Decode\">图像解码\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fimage-embedding\u002Ftimm\">Timm\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"image\u002Ftext_image_search\">文本图像搜索\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Cp>返回与输入查询文本描述相关的图像，属于跨模态检索。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fimage-text-embedding\u002Fclip\">CLIP\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"image\u002Fvisualization\">可视化\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Cp>揭秘：图像搜索中的嵌入模型和 ANNS 索引。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Computer-Vision&task_name=Image-Embedding\">图像嵌入\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"2\">NLP\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"nlp\u002Fquestion_answering\">问答系统\u003C\u002Fa>\u003Cbr \u002F>\n             \u003Cp>通过自然语言技术处理用户问题并给出答案。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Natural-Language-Processing&task_name=Text-Embedding\">文本嵌入\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftext-embedding\u002Fdpr\">DPR\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n          \u003Cp>\u003Ca href=\"nlp\u002Ftext_search\">文本搜索\u003C\u002Fa>\u003C\u002Fp>\n            \u003Cp>在所有数据中搜索与查询文本最相似的文本。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n          \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftext-embedding\u002Fdpr\">DPR\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"4\">视频\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"video\u002Freverse_video_search\">反向视频搜索\u003C\u002Fa>\u003Cbr \u002F>\n             \u003Cp>以一段视频作为输入，搜索与其相似的视频。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Computer-Vision&task_name=Action-Classification\">动作分类\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Faction-classification\u002Fpytorchvideo\">Pytorchvideo\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"video\u002Fvideo_tagging\">视频分类\u003C\u002Fa>\n            \u003Cp>视频分类是指根据视频帧内容为其生成相关标签的任务。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Computer-Vision&task_name=Action-Classification\">动作分类\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"video\u002Ftext_video_retrieval\">文本视频搜索\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Cp>搜索与输入文本相似或相关的视频。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fvideo-text-embedding\u002Fclip4clip\">CLIP4Clip\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\n            \u003Ca href=\"video\u002Fdeepfake_detection\">深度伪造检测\u003C\u002Fa>\u003Cbr \u002F>\n            \u003Cp>预测给定视频为伪造视频的概率。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftowhee\u002Fdeepfake\">Deepfake\u003C\u002Fa>\u003Cbr \u002F>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"1\">音频\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"audio\u002Faudio_classification\">音频分类\u003C\u002Fa>\u003C\u002Fbr>\n             \u003Cp>将特定声音归类到相应类别，例如环境声音分类和语音识别。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Audio&task_name=Audio-Classification\">音频分类\u003C\u002Fa>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"1\">医疗\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"medical\u002Fmolecular_search\">分子搜索\u003C\u002Fa>\n             \u003Cp>基于 Tanimoto 指标搜索相似的分子式，同时也支持子结构和超结构的搜索。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Fmolecular-fingerprinting\u002Frdkit\">RDKit\u003C\u002Fa>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"1\">数据科学\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"data_science\u002Fcredit_card_approval_prediction\">信用卡审批预测\u003C\u002Fa>\n             \u003Cp>预测银行是否会向申请人发放信用卡，信用评分可以客观地量化风险大小。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd rowspan=\"1\">训练\u003C\u002Ftd>\n        \u003Ctd >\u003Ca href=\"fine_tune\">微调\u003C\u002Fa>\u003C\u002Fbr>\n             \u003Cp>关于如何使用 Towhee 进行微调的教程。\u003C\u002Fp>\n        \u003C\u002Ftd>\n        \u003Ctd >\n            \u003Ca href=\"https:\u002F\u002Ftowhee.io\u002Ftasks\u002Fdetail\u002Foperator?field_name=Computer-Vision&task_name=Image-Embedding\">图像嵌入\u003C\u002Fa>\n        \u003C\u002Ftd>\n    \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\n## 贡献\n\n欢迎所有人参与 Milvus 训练营的贡献。详情请参阅 [贡献指南](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Ftowhee\u002Fblob\u002Fmain\u002FCONTRIBUTING.md)。\n\n## 支持\n\n加入 Towhee 社区的 [Slack](https:\u002F\u002Fjoin.slack.com\u002Ft\u002Ftowheeio\u002Fshared_invite\u002Fzt-19xhoo736-PhIYh~hwOBsDSy5ZvGWJxA)，提出反馈、寻求建议，并直接向工程团队提问。您也可以提交 [问题](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Ftowhee\u002Fissues) 或参与 [讨论](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Ftowhee\u002Fdiscussions)。","# Towhee Examples 快速上手指南\n\nTowhee Examples 提供了一系列基于 Towhee 的非结构化数据处理示例，涵盖以图搜图、视频检索、音频分类、问答系统及分子搜索等场景。本指南将帮助你快速搭建环境并运行这些示例。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu 18.04+), macOS, 或 Windows (WSL2 推荐)\n*   **Python**: 3.7 - 3.9\n*   **包管理工具**: pip\n*   **硬件建议**: 部分深度学习模型（如视频处理、大模型图像检索）建议使用带有 CUDA 支持的 GPU 以获得更佳性能。\n\n**前置依赖检查：**\n确保已安装 `git` 和 `python3`。\n```bash\npython3 --version\ngit --version\n```\n\n## 安装步骤\n\n### 1. 克隆项目代码\n首先从 GitHub 克隆 `towhee-examples` 仓库到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Ftowhee-examples.git\ncd towhee-examples\n```\n\n> **国内加速提示**：如果访问 GitHub 较慢，可使用国内镜像源克隆：\n> ```bash\n> git clone https:\u002F\u002Fgitee.com\u002Ftowhee\u002Ftowhee-examples.git\n> cd towhee-examples\n> ```\n\n### 2. 创建虚拟环境（推荐）\n为避免依赖冲突，建议创建独立的 Python 虚拟环境：\n\n```bash\npython3 -m venv towhee_env\nsource towhee_env\u002Fbin\u002Factivate  # Windows 用户请使用: towhee_env\\Scripts\\activate\n```\n\n### 3. 安装核心依赖\n安装 Towhee 框架及示例所需的通用依赖库。为了加快下载速度，推荐使用国内 PyPI 镜像源（如阿里云或清华源）：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\npip install towhee -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*注意：部分特定示例（如分子搜索、深度伪造检测）可能需要额外的专用库，请进入对应示例文件夹后查看该目录下的 `requirements.txt` 进行补充安装。*\n\n## 基本使用\n\nTowhee 的核心概念是 **Pipeline（管道）**，它通过串联不同的算子（Operators）来处理数据。以下以经典的 **“以图搜图” (Reverse Image Search)** 为例，演示如何运行一个最简单的示例。\n\n### 1. 进入示例目录\n```bash\ncd image\u002Freverse_image_search\n```\n\n### 2. 准备数据\n大多数示例目录下包含一个 `data` 文件夹或脚本用于生成测试数据。如果目录为空，通常运行主脚本会自动下载少量测试图片，或者你可以手动放入几张图片到指定目录。\n\n### 3. 运行示例\n执行主要的 Python 脚本。在 `reverse_image_search` 示例中，通常包含数据导入、建索引和搜索的步骤：\n\n```bash\npython main.py\n```\n\n**运行流程解析：**\n1.  **数据加载**：脚本会读取本地图片。\n2.  **向量化 (Embedding)**：调用预训练模型（如 ResNet50 或 ViT）将图片转换为向量。\n3.  **构建索引**：将向量存入内存或轻量级数据库。\n4.  **执行搜索**：输入一张查询图片，系统返回相似度最高的图片列表。\n\n### 4. 尝试其他场景\n你可以轻松切换到其他场景，只需更改目录并运行对应的 `main.py` 即可：\n\n*   **文搜图 (Text-Image Search)**:\n    ```bash\n    cd ..\u002F..\u002Fimage\u002Ftext_image_search\n    python main.py\n    ```\n*   **视频分类 (Video Classification)**:\n    ```bash\n    cd ..\u002F..\u002Fvideo\u002Fvideo_tagging\n    python main.py\n    ```\n*   **问答系统 (Q&A System)**:\n    ```bash\n    cd ..\u002F..\u002Fnlp\u002Fquestion_answering\n    python main.py\n    ```\n\n每个示例的 `README.md` 文件中都详细列出了该特定场景所需的额外算子和参数说明。通过修改代码中的 `pipeline` 定义，你可以灵活替换模型或调整处理逻辑。","一家电商初创公司的技术团队正急需为海量商品图库构建“以图搜图”功能，以便用户能通过上传照片快速找到相似款式的服装。\n\n### 没有 examples 时\n- 开发人员需从零研究 ResNet、ViT 等多种模型的架构差异，花费数周时间调试代码才能提取出有效的图像特征向量。\n- 缺乏现成的去重与检索流水线，面对百万级图片数据时，系统响应缓慢且难以处理重复上传图片的问题。\n- 跨模态搜索（如用文字找图片）需要单独搭建复杂的 NLP 与视觉对齐模型，技术门槛极高，小团队难以独立攻克。\n- 缺少可视化工具，无法直观评估嵌入模型的效果，导致优化过程如同“盲人摸象”，迭代效率极低。\n\n### 使用 examples 后\n- 直接调用 examples 中预置的 Reverse Image Search 脚本，仅需几行代码即可集成 ResNet 或 EfficientNet 模型，当天完成功能上线。\n- 利用内置的 Image Deduplication 示例，快速清洗数据库中的冗余图片，显著降低存储成本并提升检索速度。\n- 通过 Text Image Search 示例轻松实现跨模态检索，让用户能用“红色碎花裙”等自然语言描述精准定位商品。\n- 借助 Visualization 示例直观查看向量分布与索引效果，团队能迅速定位性能瓶颈并进行针对性调优。\n\nexamples 将复杂的非结构化数据处理流程封装为开箱即用的解决方案，让中小团队也能以极低成本拥有大厂级的多模态 AI 应用能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftowhee-io_examples_f339d1ae.png","towhee-io","Towhee","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftowhee-io_d0c033aa.png","Open source platform for generating embedding vectors.",null,"https:\u002F\u002Ftowhee.io\u002F","https:\u002F\u002Fgithub.com\u002Ftowhee-io",[22,26],{"name":23,"color":24,"percentage":25},"Jupyter Notebook","#DA5B0B",99.9,{"name":27,"color":28,"percentage":29},"Python","#3572A5",0.1,521,123,"2026-03-26T13:07:45","Apache-2.0",3,"","未说明",{"notes":38,"python":36,"dependencies":39},"该仓库为 Towhee 框架的示例集合，涵盖图像、视频、音频、NLP 及医疗分子搜索等多种非结构化数据处理任务。具体运行环境需求（如操作系统、GPU、内存、Python 版本等）未在本文档中明确列出，需参考主项目 towhee-io\u002Ftowhee 的文档或各子示例目录下的具体说明。部分功能（如反向图像搜索、深度伪造检测）可能依赖特定的预训练模型和算子。",[40,41,42,43,44,45],"towhee","torch","timm","transformers","rdkit","pytorchvideo",[47,48,49,50,51],"开发框架","语言模型","视频","音频","图像",[53,54,55,56,57,58,59],"audio-classification","cross-modal","embeddings","image-classification","machine-learning","nlp","video-tagging",2,"ready","2026-03-27T02:49:30.150509","2026-04-06T06:45:33.311465",[65,70,75,80,85,90],{"id":66,"question_zh":67,"answer_zh":68,"source_url":69},14074,"在使用 Towhee 0.9 版本运行示例代码时遇到 TypeError 错误，如何解决？","该错误通常发生在 Towhee 0.9 版本中。请检查您的导入语句，将原本从 `dc` 模块导入改为从 `dc2` 模块导入。具体代码修改为：`from towhee.dc2 import pipe, ops`。","https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fissues\u002F187",{"id":71,"question_zh":72,"answer_zh":73,"source_url":74},14075,"如何在 Towhee 中加载 ResNet50 的微调权重（trained weights）而不是默认预训练权重？","如果您使用的是 Towhee >= 1.1.0 版本，可以在 `ops.image_embedding.timm` 操作中直接指定 `checkpoint_path` 参数来加载自定义权重。示例代码：`ops.image_embedding.timm(model_name='resnet50', checkpoint_path='您的权重文件路径')`。如果遇到问题，请尝试清除缓存目录 `~\u002F.towhee`（注意如果是 root 用户运行，需清除 `\u002Froot\u002F.towhee`）。","https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fissues\u002F211",{"id":76,"question_zh":77,"answer_zh":78,"source_url":79},14076,"运行图像 - 文本嵌入模型时报错 'Torch not compiled with CUDA enabled' 怎么办？","这通常是环境配置问题。首先确认您的设备是否支持 CUDA（报错中提到的是 Intel Iris 显卡，通常不支持 CUDA）。如果是在 macOS 或非 NVIDIA GPU 环境下，请确保未强制指定 CUDA 设备，或者将设备参数设置为 CPU。此外，有时降低 `jinja2` 库的版本（例如降至 3.1.1）也能解决相关的兼容性环境问题。","https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fissues\u002F199",{"id":81,"question_zh":82,"answer_zh":83,"source_url":84},14077,"使用 `ops.text_embedding.dpr` 进行文本嵌入时出现 RuntimeError 或管道初始化失败，如何修复？","建议升级 Towhee 至 1.1.3 或更高版本。如果问题仍然存在，可以尝试使用自定义算子方式替代内置算子。通过 `@register` 装饰器定义一个继承自 `operator.NNOperator` 的类，直接在类中加载 `DPRContextEncoder` 和 `DPRContextEncoderTokenizer` 模型，并在管道中使用该自定义算子。这样可以更灵活地控制模型加载过程，避免内置算子的潜在错误。","https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fissues\u002F256",{"id":86,"question_zh":87,"answer_zh":88,"source_url":89},14078,"调用 `AutoPipes.pipeline` 创建视频嵌入管道时出现 'PretrainedCfg object is not subscriptable' 错误？","此错误通常由依赖库版本不兼容引起，特别是 `timm` 库。请检查并更新或降级 `timm` 库到与当前 Towhee 版本兼容的稳定版本。此外，确保配置文件中的参数类型正确，避免将配置对象直接当作字典下标访问。如果问题持续，建议查看具体的堆栈跟踪以定位是哪个算子初始化失败，并单独测试该算子的模型加载。","https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fissues\u002F227",{"id":91,"question_zh":92,"answer_zh":93,"source_url":79},14079,"在 Mac (M1\u002FM2) 或无 CUDA 环境的设备上运行 Towhee 模型需要注意什么？","在非 NVIDIA GPU 环境（如 macOS Big Sur 搭配 Intel Iris 或 Apple Silicon）下，Torch 可能未编译 CUDA 支持。此时不应将 `device` 参数设置为 GPU ID（如 0），而应移除该参数或显式设置为 CPU。如果遇到其他环境报错，尝试调整相关依赖库版本（如 `jinja2` 降级至 3.1.1）通常能解决兼容性问题。",[95,99,104],{"id":96,"version":97,"summary_zh":18,"released_at":98},80813,"towhee0.7&milvus2.0","2022-08-08T02:29:27",{"id":100,"version":101,"summary_zh":102,"released_at":103},80814,"v0.7","发布一些使用 Towhee 0.7 的有趣示例：\n\n**入门指南**\n\n- [Towhee 入门](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fblob\u002F0.7\u002Fgetting_started)\n\n**图像**\n\n- [反向图像搜索](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fblob\u002F0.7\u002Fimage\u002Freverse_image_search)\n- [图像动画](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fblob\u002F0.7\u002Fimage\u002Fimage_animation)\n- [文本图像搜索](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fblob\u002F0.7\u002Fimage\u002Ftext_image_search)\n\n**视频**\n\n- [反向视频搜索](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fblob\u002F0.7\u002Fvideo\u002Freverse_video_search)\n- [视频分类](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fblob\u002F0.7\u002Fvideo\u002Fvideo_tagging)\n- [文本视频搜索](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fblob\u002F0.7\u002Fvideo\u002Ftext_video_retrieval)\n\n**自然语言处理**\n\n- [问答系统](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fblob\u002F0.7\u002Fnlp\u002Fquestion_answering)\n\n**医疗**\n\n- [分子搜索](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fblob\u002F0.7\u002Fmedical\u002Fmolecular_search)\n\n**数据科学**\n\n- [信用卡审批预测](https:\u002F\u002Fgithub.com\u002Ftowhee-io\u002Fexamples\u002Fblob\u002F0.7\u002Fdata_science\u002Fcredit_card_approval_prediction)","2022-06-27T03:05:43",{"id":105,"version":106,"summary_zh":107,"released_at":108},80815,"data","Towhee 示例数据。","2022-05-31T06:23:30",[110,119,127,135,143,154],{"id":111,"name":112,"github_repo":113,"description_zh":114,"stars":115,"difficulty_score":34,"last_commit_at":116,"category_tags":117,"status":61},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",[47,51,118],"Agent",{"id":120,"name":121,"github_repo":122,"description_zh":123,"stars":124,"difficulty_score":60,"last_commit_at":125,"category_tags":126,"status":61},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,"2026-04-05T11:33:21",[47,118,48],{"id":128,"name":129,"github_repo":130,"description_zh":131,"stars":132,"difficulty_score":60,"last_commit_at":133,"category_tags":134,"status":61},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",[47,51,118],{"id":136,"name":137,"github_repo":138,"description_zh":139,"stars":140,"difficulty_score":60,"last_commit_at":141,"category_tags":142,"status":61},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",[47,48],{"id":144,"name":145,"github_repo":146,"description_zh":147,"stars":148,"difficulty_score":60,"last_commit_at":149,"category_tags":150,"status":61},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",[51,151,49,152,118,153,48,47,50],"数据工具","插件","其他",{"id":155,"name":156,"github_repo":157,"description_zh":158,"stars":159,"difficulty_score":34,"last_commit_at":160,"category_tags":161,"status":61},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",[118,51,47,48,153]]