[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-wandb--edu":3,"tool-wandb--edu":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":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":75,"owner_website":80,"owner_url":81,"languages":82,"stars":105,"forks":106,"last_commit_at":107,"license":108,"difficulty_score":109,"env_os":110,"env_gpu":111,"env_ram":111,"env_deps":112,"category_tags":115,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":116,"updated_at":117,"faqs":118,"releases":159},1360,"wandb\u002Fedu","edu","Educational materials on deep learning by Weights & Biases","edu 是 Weights & Biases 推出的免费 AI 学习仓库，把大模型与 MLOps 的实战课程、代码示例和实验模板打包在一起，帮你从“会用 API”进阶到“能上线生产”。它解决了自学 AI 时资料零散、缺少可运行范例、难以评估效果等痛点。  \n无论你是想快速掌握提示工程、RAG、微调 LLM 的开发者，还是需要把模型做成 CI\u002FCD 流程的算法工程师，都能按图索骥地边学边做。亮点在于所有课程都配套 W&B 的实验追踪与可视化，训练、调试、评估一键记录，真正做到“学完即可落地”。","\u003Cp align=\"center\">\r\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwandb_edu_readme_a1eb36db7f58.png\" width=\"600\" alt=\"Weights & Biases\"\u002F>\r\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwandb_edu_readme_c04d58b1ccb7.png\" width=\"600\" alt=\"Weights & Biases\"\u002F>\r\n\u003C\u002Fp>\r\n\r\n# Weights & Biases AI Academy\r\n\r\nWelcome to the W&B AI Academy! This repository contains materials for learning AI, organized by topic. These materials are designed to complement our online courses but can also be useful on their own.\r\n\r\n## 🤖 Large Language Models (LLMs)\r\n\r\n| Course | Instructor | Description |\r\n|--------|------------|-------------|\r\n| 🆕 [RAG++](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Frag-in-production) | \u003Cb>Bharat Ramanathan\u003C\u002Fb>\u003Cbr>\u003Ci>MLE @ W&B\u003C\u002Fi>\u003Cbr>\u003Cbr>\u003Cb>Ayush Thakur\u003C\u002Fb>\u003Cbr>\u003Ci>MLE @ W&B\u003C\u002Fi>\u003Cbr>\u003Cbr>\u003Cb>Meor Amer\u003C\u002Fb>\u003Cbr>\u003Ci>Developer Advocate @ Cohere\u003C\u002Fi>\u003Cbr>\u003Cbr>\u003Cb>Charles Pierse\u003C\u002Fb>\u003Cbr>\u003Ci>Head of Weaviate Labs\u003C\u002Fi> | Practical RAG techniques for engineers: production-ready solutions to optimize performance, cut costs, and enhance accuracy. |\r\n| 🆕 [Developer's guide to LLM prompting](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fprompting) | \u003Cb>Anish Shah\u003C\u002Fb>\u003Cbr>\u003Ci>MLE @ W&B\u003C\u002Fi>\u003Cbr>\u003Cbr>\u003Cb>Teodora Danilovic\u003C\u002Fb>\u003Cbr>\u003Ci>Prompt Engineer @ AutogenAI\u003C\u002Fi> | Everything you need to get started with prompt engineering, from system prompts to model-specific strategies. |\r\n| [LLM Engineering: Structured Outputs](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fsteering-language-models) | \u003Cb>Jason Liu\u003C\u002Fb>\u003Cbr>\u003Ci>Independent Consultant\u003C\u002Fi> | Improve LLM engineering skills, learn about structured JSON output handling, function calling, and complex validations. |\r\n| [Building LLM-Powered Apps](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fbuilding-llm-powered-apps) | \u003Cb>Darek Kłeczek\u003C\u002Fb>\u003Cbr>\u003Ci>MLE @ W&B\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>Bharat Ramanathan\u003C\u002Fb>\u003Cbr>\u003Ci>MLE @ W&B\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>Thomas Capelle\u003C\u002Fb>\u003Cbr>\u003Ci>MLE @ W&B\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>Shreya Rajpal\u003C\u002Fb>\u003Cbr>\u003Ci>Creator of Guardrails AI\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>Anton Troynikov\u003C\u002Fb>\u003Cbr>\u003Ci>Co-Founder of Chroma\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>Shahram Anver\u003C\u002Fb>\u003Cbr>\u003Ci>Co-Creator of Rebuff\u003C\u002Fi> | Learn to build LLM-powered applications using LLM APIs, Langchain, and W&B LLM tooling. |\r\n| [Training and Fine-tuning LLMs](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Ftraining-fine-tuning-LLMs) | \u003Cb>Darek Kłeczek\u003C\u002Fb>\u003Cbr>\u003Ci>MLE @ W&B\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>Ayush Thakur\u003C\u002Fb>\u003Cbr>\u003Ci>MLE @ W&B\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>Jonathan Frankle\u003C\u002Fb>\u003Cbr>\u003Ci>Chief Scientist @ MosaicML\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>Weiwei Yang\u003C\u002Fb>\u003Cbr>\u003Ci>Principal SDE Manager @ Microsoft Research\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>Mark Saroufim\u003C\u002Fb>\u003Cbr>\u003Ci>PyTorch Engineer @ Meta\u003C\u002Fi> | Explore LLM architecture, training techniques, and fine-tuning methods, including LoRA and RLHF. |\r\n| [Evaluate and Debug Generative AI](http:\u002F\u002Fwandb.me\u002Feval-debugging-gen-ai) | \u003Cb>Carey Phelps\u003C\u002Fb>\u003Cbr>\u003Ci>Founding Product Manager @ W&B\u003C\u002Fi> | Practice evaluating and debugging Generative AI work using the W&B AI Developer Platform. |\r\n\r\n## 🚀 MLOps\r\n\r\n| Course | Instructor | Description |\r\n|--------|------------|-------------|\r\n| [Model CI\u002FCD](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fenterprise-model-management) | \u003Cb>Noa Schwartz\u003C\u002Fb>\u003Cbr>\u003Ci>Product Manager @ W&B\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>Darek Kłeczek\u003C\u002Fb>\u003Cbr>\u003Ci>MLE @ W&B\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>Hamel Husain\u003C\u002Fb>\u003Cbr>\u003Ci>Founder @ Parlance Labs\u003C\u002Fi> | Overcome model chaos, automate workflows, ensure governance, and streamline the end-to-end model lifecycle. |\r\n| [Effective MLOps: Model Development](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Feffective-mlops-model-development) | \u003Cb>Thomas Capelle\u003C\u002Fb>\u003Cbr>\u003Ci>MLE @ W&B\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>Darek Kłeczek\u003C\u002Fb>\u003Cbr>\u003Ci>MLE @ W&B\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>Hamel Husain\u003C\u002Fb>\u003Cbr>\u003Ci>Founder @ Parlance Labs\u003C\u002Fi> | Learn to accelerate and scale model development, improve productivity, and ensure reproducibility. |\r\n| [CI\u002FCD for Machine Learning (GitOps)](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fci-cd-for-machine-learning) | \u003Cb>Hamel Husain\u003C\u002Fb>\u003Cbr>\u003Ci>Founder @ Parlance Labs\u003C\u002Fi> | Streamline ML workflows using GitHub Actions and integrate W&B experiment tracking. |\r\n| [Data Validation in Production ML Pipelines](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fdata-validation-for-machine-learning) | \u003Cb>Shreya Shankar\u003C\u002Fb>\u003Cbr>\u003Ci>PhD student @ UC Berkeley\u003C\u002Fi> | Build robust production ML pipelines, detect data drift, and manage data quality. |\r\n| [ML for Business Decision Optimization](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fdecision-optimization) | \u003Cb>Dan Becker\u003C\u002Fb>\u003Cbr>\u003Ci>\u003C\u002Fi> | Optimize business decisions and translate ML predictions into actionable insights. |\r\n\r\n## 📊 W&B Tools\r\n\r\n| Course | Instructor | Description |\r\n|--------|------------|-------------|\r\n| [W&B 101](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fwandb-101) | \u003Cb>Scott Condron\u003C\u002Fb>\u003Cbr>\u003Ci>MLE @ W&B\u003C\u002Fi> | Introduction to W&B with a focus on experiment tracking, visualization, and optimization. |\r\n| [W&B 201: Model Registry](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002F201-model-registry) | \u003Cb>Ken Lee\u003C\u002Fb>\u003Cbr>\u003Ci>MLE @ W&B\u003C\u002Fi> | Advanced model management using W&B for logging, registering, and managing ML models. |\r\n\r\n## 🌍 International Courses\r\n\r\n| Course | Language | Description |\r\n|--------|----------|-------------|\r\n| [효율적인 MLOps: 모델 개발](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Feffective-mlops-model-development-ko) | Korean | Comprehensive program on bringing ML models to life, optimizing performance, and preparing for primetime. |\r\n| [効果的なMLOps: モデル開発](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Feffective-mlops-model-development-jp) | Japanese | Learn to accelerate and scale model development, improve productivity, and ensure reproducibility. |\r\n\r\n## 🏫 Resources for Educators\r\n\r\n- [Materials for Educators, TAs, and Students](https:\u002F\u002Fgithub.com\u002Fwandb\u002Fedu\u002Ftree\u002Fmain\u002Fedu_resources\u002F)\r\n\r\n## 🧮 Math for ML\r\n\r\n- [Math refresher for Machine Learning](https:\u002F\u002Fgithub.com\u002Fwandb\u002Fedu\u002Ftree\u002Fmain\u002Fmath-for-ml)\r\n\r\nFor more information and to enroll in courses, visit the [W&B AI Academy website](https:\u002F\u002Fwandb.courses).\r\n","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwandb_edu_readme_a1eb36db7f58.png\" width=\"600\" alt=\"Weights & Biases\"\u002F>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwandb_edu_readme_c04d58b1ccb7.png\" width=\"600\" alt=\"Weights & Biases\"\u002F>\n\u003C\u002Fp>\n\n# Weights & Biases AI 学院\n\n欢迎来到 W&B AI 学院！本仓库按主题整理了各类 AI 学习资料。这些资料旨在与我们的在线课程相辅相成，但亦可独立使用，为学习者提供丰富的学习资源。\n\n## 🤖 大语言模型（LLMs）\n\n| 课程 | 教授 | 说明 |\n|--------|------------|-------------|\n| 🆕 [RAG++](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Frag-in-production) | \u003Cb>巴拉特·拉马纳森\u003C\u002Fb>\u003Cbr>\u003Ci>W&B MLE\u003C\u002Fi>\u003Cbr>\u003Cbr>\u003Cb>阿尤什·塔库尔\u003C\u002Fb>\u003Cbr>\u003Ci>W&B MLE\u003C\u002Fi>\u003Cbr>\u003Cbr>\u003Cb>梅奥尔·阿默\u003C\u002Fb>\u003Cbr>\u003Ci>Cohere 开发者倡导者\u003C\u002Fi>\u003Cbr>\u003Cbr>\u003Cb>查尔斯·皮尔斯\u003C\u002Fb>\u003Cbr>\u003Ci>Weaviate 实验室负责人\u003C\u002Fi> | 面向工程师的实用 RAG 技术：通过生产级解决方案优化性能、降低成本并提升准确度。 |\n| 🆕 [开发者指南：LLM 提示词](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fprompting) | \u003Cb>阿尼什·沙赫\u003C\u002Fb>\u003Cbr>\u003Ci>W&B MLE\u003C\u002Fi>\u003Cbr>\u003Cbr>\u003Cb>特奥多拉·达尼洛维奇\u003C\u002Fb>\u003Cbr>\u003Ci>AutogenAI 提示词工程师\u003C\u002Fi> | 从系统提示词到针对特定模型的策略，掌握开启提示词工程之旅所需的一切知识。 |\n| [LLM 工程：结构化输出](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fsteering-language-models) | \u003Cb>杰森·刘\u003C\u002Fb>\u003Cbr>\u003Ci>独立顾问\u003C\u002Fi> | 提升 LLM 工程技能，了解结构化 JSON 输出的处理方式、函数调用以及复杂验证机制。 |\n| [构建 LLM 助力的应用程序](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fbuilding-llm-powered-apps) | \u003Cb>达雷克·克莱切克\u003C\u002Fb>\u003Cbr>\u003Ci>W&B MLE\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>巴拉特·拉马纳森\u003C\u002Fb>\u003Cbr>\u003Ci>W&B MLE\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>托马斯·卡佩勒\u003C\u002Fb>\u003Cbr>\u003Ci>W&B MLE\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>施雷亚·拉杰帕尔\u003C\u002Fb>\u003Cbr>\u003Ci>Guardrails AI 创始人\u003C\u002Fb>\u003Cbr>\u003Cbr>\u003Cb>安东·特罗伊尼科夫\u003C\u002Fb>\u003Cbr>\u003Ci>Chroma 联合创始人\u003C\u002Fb>\u003Cbr>\u003Cbr>\u003Cb>沙赫拉姆·安韦尔\u003C\u002Fb>\u003Cbr>\u003Ci>Rebuff 的联合创作者\u003C\u002Fi> | 学习如何利用 LLM API、Langchain 以及 W&B LLM 工具，打造由 LLM 执行的各类应用程序。 |\n| [训练与微调 LLM](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Ftraining-fine-tuning-LLMs) | \u003Cb>达雷克·克莱切克\u003C\u002Fb>\u003Cbr>\u003Ci>W&B MLE\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>阿尤什·塔库尔\u003C\u002Fb>\u003Cbr>\u003Ci>W&B MLE\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>乔纳森·弗兰克尔\u003C\u002Fb>\u003Cbr>\u003Ci>摩赛尔 ML 首席科学家\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>魏伟·杨\u003C\u002Fb>\u003Cbr>\u003Ci>微软研究院首席 SDE 管理员\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>马克·萨鲁菲姆\u003C\u002Fb>\u003Cbr>\u003Ci>Meta PyTorch 工程师\u003C\u002Fi> | 探索 LLM 架构、训练技术以及微调方法，包括 LoRA 和 RLHF。 |\n| [评估与调试生成式 AI](http:\u002F\u002Fwandb.me\u002Feval-debugging-gen-ai) | \u003Cb>凯莉·费普斯\u003C\u002Fb>\u003Cbr>\u003Ci>W&B 创始产品经理\u003C\u002Fi> | 通过 W&B AI 开发者平台，实践生成式 AI 工作的评估与调试。 |\n\n## 🚀 MLOps\n\n| 课程 | 教授 | 说明 |\n|--------|------------|-------------|\n| [模型 CI\u002FCD](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fenterprise-model-management) | \u003Cb>诺娅·施瓦茨\u003C\u002Fb>\u003Cbr>\u003Ci>W&B 产品经理\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>达雷克·克莱切克\u003C\u002Fb>\u003Cbr>\u003Ci>W&B MLE\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>哈梅尔·胡赛因\u003C\u002Fb>\u003Cbr>\u003Ci>Parlance Labs 创始人\u003C\u002Fi> | 克服模型混乱，实现工作流自动化，确保治理规范，并简化端到端的模型生命周期。 |\n| [高效 MLOps：模型开发](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Feffective-mlops-model-development) | \u003Cb>托马斯·卡佩勒\u003C\u002Fb>\u003Cbr>\u003Ci>W&B MLE\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>达雷克·克莱切克\u003C\u002Fb>\u003Cbr>\u003Ci>W&B MLE\u003C\u002Fi> \u003Cbr>\u003Cbr>\u003Cb>哈梅尔·胡赛因\u003C\u002Fb>\u003Cbr>\u003Ci>Parlance Labs 创始人\u003C\u002Fi> | 学习如何加速并扩展模型开发，提升生产力，并确保结果可重复性。 |\n| [机器学习的 CI\u002FCD（GitOps）](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fci-cd-for-machine-learning) | \u003Cb>哈梅尔·胡赛因\u003C\u002Fb>\u003Cbr>\u003Ci>Parlance Labs 创始人\u003C\u002Fi> | 利用 GitHub Actions 简化 ML 工作流，并集成 W&B 实验跟踪功能。 |\n| [生产 ML 流程中的数据验证](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fdata-validation-for-machine-learning) | \u003Cb>施雷亚·桑卡尔\u003C\u002Fb>\u003Cbr>\u003Ci>加州大学伯克利分校博士生\u003C\u002Fi> | 构建稳健的生产 ML 流程，检测数据漂移，并管理数据质量。 |\n| [面向业务决策优化的 ML](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fdecision-optimization) | \u003Cb>丹·贝克尔\u003C\u002Fb>\u003Cbr>\u003Ci>\u003C\u002Fi> | 优化业务决策，将 ML 预测转化为切实可行的洞见。 |\n\n## 📊 W&B 工具\n\n| 课程 | 教授 | 说明 |\n|--------|------------|-------------|\n| [W&B 101](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Fwandb-101) | \u003Cb>斯科特·康德隆\u003C\u002Fb>\u003Cbr>\u003Ci>W&B MLE\u003C\u002Fi> | 介绍 W&B，重点讲解实验跟踪、可视化及优化等内容。 |\n| [W&B 201：模型注册表](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002F201-model-registry) | \u003Cb>肯·李\u003C\u002Fb>\u003Cbr>\u003Ci>W&B MLE\u003C\u002Fi> | 通过 W&B 进行高级模型管理，实现 ML 模型的记录、注册与管理。 |\n\n## 🌍 国际课程\n\n| 课程 | 语言 | 说明 |\n|--------|----------|-------------|\n| [高效 MLOps：模型开发](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Feffective-mlops-model-development-ko) | 韩语 | 一套全面的课程，帮助您将 ML 模型落地应用，优化性能，并为黄金时段做好准备。 |\n| [高效 MLOps：模型开发](https:\u002F\u002Fwww.wandb.courses\u002Fcourses\u002Feffective-mlops-model-development-jp) | 日语 | 学习如何加速并扩展模型开发，提升生产力，并确保结果可重复性。 |\n\n## 🏫 教育工作者资源\n\n- [教育工作者、助教及学生学习资料](https:\u002F\u002Fgithub.com\u002Fwandb\u002Fedu\u002Ftree\u002Fmain\u002Fedu_resources\u002F)\n\n## 🧮 ML 数学基础\n\n- [ML 数学复习手册](https:\u002F\u002Fgithub.com\u002Fwandb\u002Fedu\u002Ftree\u002Fmain\u002Fmath-for-ml)\n\n如需了解更多详情或报名参加课程，请访问 [W&B AI 学院官网](https:\u002F\u002Fwandb.courses)。","# Weights & Biases AI Academy (edu) 快速上手指南\n\n**项目说明**：`edu` 是 Weights & Biases (W&B) 官方推出的 AI 学院资源库，并非一个需要本地安装运行的软件包。它主要包含大语言模型（LLM）、MLOps 及数学基础等课程的教材、代码示例和学习路径。本指南将指导您如何访问这些资源并在本地环境中开始学习。\n\n## 环境准备\n\n由于本项目主要是课程资料和代码示例的集合，您需要准备一个标准的 Python 开发环境来运行其中的示例代码。\n\n*   **操作系统**：Windows, macOS, 或 Linux\n*   **Python 版本**：建议 Python 3.8 或更高版本\n*   **前置依赖**：\n    *   `git`：用于克隆仓库\n    *   `pip` 或 `conda`：用于管理 Python 包\n    *   W&B 账号：部分实验跟踪功能需要注册免费账号 (https:\u002F\u002Fwandb.ai)\n\n> **国内加速建议**：\n> 1. **代码克隆**：如果直接克隆 GitHub 速度较慢，建议使用国内镜像源（如 Gitee 镜像，若有）或配置代理。\n> 2. **包安装**：推荐使用国内 PyPI 镜像源（如清华源、阿里源）安装依赖。\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n\n将教育资源库克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fwandb\u002Fedu.git\ncd edu\n```\n\n### 2. 安装基础依赖\n\n进入您感兴趣的具体课程目录（例如 `math-for-ml` 或某个 LLM 课程文件夹），查看该目录下的 `requirements.txt` 并安装依赖。\n\n以通用的 W&B 核心库为例，您可以使用以下命令安装（推荐配置国内镜像源）：\n\n```bash\n# 使用清华源安装 wandb 及相关常用数据科学库\npip install wandb pandas numpy matplotlib -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*注意：不同课程可能有特定的依赖需求，请务必检查具体课程文件夹内的 `README.md` 或 `requirements.txt`。*\n\n### 3. 登录 W&B (可选但推荐)\n\n如果您希望运行涉及实验跟踪的代码示例，需要先登录您的 W&B 账号：\n\n```bash\nwandb login\n```\n按提示输入您的 API Key（可在 https:\u002F\u002Fwandb.ai\u002Fauthorize 获取）。\n\n## 基本使用\n\n本项目的使用方式主要是**阅读文档**和**运行示例代码**。以下是开始学习的简单流程：\n\n### 1. 浏览课程主题\n\n项目内容按主题分类，您可以直接在本地或网页端浏览以下核心板块：\n*   **🤖 大语言模型 (LLMs)**：包含 RAG、提示工程 (Prompting)、微调 (Fine-tuning) 等实战课程。\n*   **🚀 MLOps**：涵盖模型 CI\u002FCD、数据验证及生产环境部署。\n*   **📊 W&B 工具**：学习如何使用 Experiment Tracking 和 Model Registry。\n*   **🧮 机器学习数学基础**：提供数学复习材料。\n\n### 2. 运行示例代码\n\n假设您想学习 \"W&B 101\" 中的实验跟踪功能，找到对应的示例脚本（通常位于课程子目录中），直接运行即可。\n\n**最简单的使用示例（Python）：**\n\n创建一个名为 `quick_start.py` 的文件，输入以下代码来体验基础的实验跟踪功能：\n\n```python\nimport wandb\nimport random\n\n# 初始化 W&B 运行\nwandb.init(project=\"edu-quick-start\", name=\"my-first-run\")\n\n# 模拟训练过程\nfor epoch in range(5):\n    # 模拟损失和准确率\n    loss = random.random()\n    accuracy = random.random()\n    \n    # 记录指标\n    wandb.log({\"epoch\": epoch, \"loss\": loss, \"accuracy\": accuracy})\n\n# 结束运行\nwandb.finish()\n```\n\n在终端运行该脚本：\n\n```bash\npython quick_start.py\n```\n\n运行结束后，终端会输出一个 URL，点击即可在浏览器中查看可视化的实验结果面板。\n\n### 3. 深入学习\n\n访问具体的课程链接（在仓库的 README 表格中列出），跟随讲师的步骤深入学习和实践。所有课程材料均旨在配合 W&B 在线平台使用，帮助您构建生产级的 AI 应用。","某初创公司的算法团队正急于将一个大语言模型（LLM）应用从实验阶段推向生产环境，但在构建检索增强生成（RAG）系统和优化提示词时遇到了重重阻碍。\n\n### 没有 edu 时\n- 团队成员在网络上零散搜索 RAG 最佳实践，花费数周时间试错，仍无法解决生产环境中的延迟高和成本失控问题。\n- 缺乏系统的提示工程指导，开发人员仅凭直觉编写 Prompt，导致模型输出不稳定且难以通过结构化验证。\n- 面对模型微调（Fine-tuning）和 RLHF 等高级技术，团队因缺乏权威教程而不敢轻易尝试，只能使用效果受限的基础模型。\n- 调试生成式 AI 时缺乏标准评估流程，无法量化模型表现，导致上线后频繁出现“幻觉”却无从排查。\n\n### 使用 edu 后\n- 团队直接学习 W&B AI Academy 中的\"RAG++\"课程，快速落地了生产级的优化方案，显著降低了推理成本并提升了响应速度。\n- 通过\"Developer's guide to LLM prompting\"课程，成员掌握了从系统提示到特定模型策略的完整方法论，实现了稳定的结构化 JSON 输出。\n- 借助\"Training and Fine-tuning LLMs\"课程中关于 LoRA 和 RLHF 的实战讲解，团队成功对开源模型进行了定制化微调，大幅提升了垂直领域准确率。\n- 利用\"Evaluate and Debug Generative AI\"模块建立的评估体系，团队能够系统化地监控模型指标，迅速定位并修复了生成内容的质量问题。\n\nedu 将碎片化的深度学习知识转化为结构化的实战路径，帮助团队在短时间内跨越了从理论探索到工程落地的巨大鸿沟。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwandb_edu_3ef20af1.png","wandb","Weights & Biases","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwandb_da272741.png","Building the best tools for ML practitioners",null,"https:\u002F\u002Fwandb.ai","https:\u002F\u002Fgithub.com\u002Fwandb",[83,87,91,95,99,102],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",88.9,{"name":88,"color":89,"percentage":90},"Python","#3572A5",11,{"name":92,"color":93,"percentage":94},"HTML","#e34c26",0.1,{"name":96,"color":97,"percentage":98},"JavaScript","#f1e05a",0,{"name":100,"color":101,"percentage":98},"Dockerfile","#384d54",{"name":103,"color":104,"percentage":98},"Shell","#89e051",672,288,"2026-03-31T19:13:00","GPL-2.0",1,"","未说明",{"notes":113,"python":111,"dependencies":114},"该仓库（edu）并非可执行的 AI 工具或代码库，而是 Weights & Biases (W&B) AI Academy 的课程资料索引和目录。它主要包含指向在线课程、教程文档和教育资源的链接（涵盖 LLM、MLOps 等主题）。因此，该仓库本身没有特定的操作系统、GPU、内存、Python 版本或依赖库要求。用户需根据具体学习的课程内容，参考对应课程页面或相关代码示例的具体环境需求。",[],[26,13],"2026-03-27T02:49:30.150509","2026-04-06T05:37:19.106260",[119,124,129,134,139,144,149,154],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},6222,"在 Docker 构建成功后，运行 Notebook 时仍出现 `ImportError` 无法导入 `wandb` 怎么办？","这通常是由于 `wandb` 版本不兼容导致的。解决方法是在用于 Docker 构建的 `requirements.txt` 文件中明确指定 `wandb` 的版本号，例如设置为 `wandb==0.10.33`，然后重新构建镜像。","https:\u002F\u002Fgithub.com\u002Fwandb\u002Fedu\u002Fissues\u002F162",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},6223,"在 Google Colab 中运行代码时遇到 `Resource punkt_tab not found` 错误如何解决？","这是因为缺少 NLTK 的必要数据资源。需要在代码中调用 `nltk.download('punkt_tab')` 来下载该资源。通常建议在导入相关库之后、使用之前执行此下载命令。","https:\u002F\u002Fgithub.com\u002Fwandb\u002Fedu\u002Fissues\u002F159",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},6224,"运行 `wandb.init()` 时出现 \"An unexpected error occurred\" 错误怎么办？","这通常是由于环境依赖包损坏或版本冲突引起的。最有效的解决方法是重新安装项目所需的所有依赖包（例如在 conda 环境中重新运行 `pip install -r requirements.txt` 或重新创建环境）。","https:\u002F\u002Fgithub.com\u002Fwandb\u002Fedu\u002Fissues\u002F104",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},6225,"教程视频中的代码与 GitHub 仓库中的代码不一致，导致运行报错该怎么办？","当视频教程与仓库代码出现冲突时，请以 GitHub 仓库中的最新代码为准。仓库代码通常经过修正和维护，而视频内容可能未及时更新。如果跟随视频代码报错，请切换回仓库中的实现方式。","https:\u002F\u002Fgithub.com\u002Fwandb\u002Fedu\u002Fissues\u002F89",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},6226,"如何在训练过程中自动将模型结构打印并记录到 Weights & Biases (wandb)？","可以在 Lightning Module 的生命周期钩子中调用 `print(model)`。注意不要在 `on_fit_start` 或 sanity check 阶段调用，因为此时 `wandb.init` 可能尚未完成。推荐在 `on_pretrain_routine_start` 钩子中执行此操作，以确保日志被正确捕获。","https:\u002F\u002Fgithub.com\u002Fwandb\u002Fedu\u002Fissues\u002F6",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},6227,"如何更好地保存和可视化 PyTorch 模型（特别是包含 `ModuleList` 的自定义模型）？","直接保存为 `.pt` 文件可能导致可视化工具（如 Netron）无法展开 `ModuleList`。建议使用 `torchviz` 生成模型计算图图像，并结合 `wandb.save` 将图像文件保存，或使用 `wandb.log` 直接记录。注意需在梯度计算开启时（即非 validation 步骤）生成图表，否则 `requires_grad` 为 False 会导致绘图失败。","https:\u002F\u002Fgithub.com\u002Fwandb\u002Fedu\u002Fissues\u002F7",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},6228,"在 Colab 中设置环境时，`git clone` 命令应该注意什么？","在执行 `git clone` 之前，务必先切换当前工作目录到 `\u002Fcontent`（即 `cd \u002Fcontent`），以确保文件存储在 Colab 的正确持久化路径下。同时，建议在脚本中统一使用双引号 `\"` 以避免字符串解析问题。","https:\u002F\u002Fgithub.com\u002Fwandb\u002Fedu\u002Fissues\u002F45",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},6229,"运行代码时提示 `graphviz` 依赖缺失，但 pip 安装无效怎么办？","`graphviz` 不仅是一个 Python 包，还需要系统级的二进制支持。如果是在本地或自定义 Docker 环境中运行，不能仅通过 `pip install graphviz` 解决，必须在系统层面安装 Graphviz 软件（例如在 Dockerfile 中添加 `apt-get install graphviz` 指令）。","https:\u002F\u002Fgithub.com\u002Fwandb\u002Fedu\u002Fissues\u002F41",[]]