[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-weihua916--powerful-gnns":3,"tool-weihua916--powerful-gnns":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",150037,2,"2026-04-10T23:33:47",[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。",108322,"2026-04-10T11:39:34",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":73,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":32,"env_os":89,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":94,"github_topics":95,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":99,"updated_at":100,"faqs":101,"releases":122},6488,"weihua916\u002Fpowerful-gnns","powerful-gnns","How Powerful are Graph Neural Networks?","powerful-gnns 是图神经网络领域经典论文《How Powerful are Graph Neural Networks?》的官方 PyTorch 实现代码库。该项目核心旨在探索并提升图神经网络（GNN）在图结构数据上的表达能力，特别是通过引入图同构网络（GIN）架构，解决了传统 GNN 模型难以区分某些复杂图结构、理论表达能力受限的关键问题。\n\n对于从事图深度学习的研究人员和开发者而言，powerful-gnns 提供了复现 ICLR 2019 顶会实验结果的完整环境。它不仅包含了从数据预处理到模型训练的全套流程，还详细展示了如何通过调整超参数（如将节点度作为输入特征）来优化在 COLLAB、IMDB 等基准数据集上的表现。其独特的技术亮点在于验证了 GIN 架构在理论上拥有与 Weisfeiler-Lehman 图核测试相当的判别能力，并在实际任务中证明了其优越性。此外，代码中还特别说明了针对小数据集采用的交叉验证策略，帮助使用者更严谨地评估模型性能。如果你希望深入理解图神经网络的理论边界，或需要在自己的研究中应用高表达力的 GNN 模型，powerful-gnns 是一","powerful-gnns 是图神经网络领域经典论文《How Powerful are Graph Neural Networks?》的官方 PyTorch 实现代码库。该项目核心旨在探索并提升图神经网络（GNN）在图结构数据上的表达能力，特别是通过引入图同构网络（GIN）架构，解决了传统 GNN 模型难以区分某些复杂图结构、理论表达能力受限的关键问题。\n\n对于从事图深度学习的研究人员和开发者而言，powerful-gnns 提供了复现 ICLR 2019 顶会实验结果的完整环境。它不仅包含了从数据预处理到模型训练的全套流程，还详细展示了如何通过调整超参数（如将节点度作为输入特征）来优化在 COLLAB、IMDB 等基准数据集上的表现。其独特的技术亮点在于验证了 GIN 架构在理论上拥有与 Weisfeiler-Lehman 图核测试相当的判别能力，并在实际任务中证明了其优越性。此外，代码中还特别说明了针对小数据集采用的交叉验证策略，帮助使用者更严谨地评估模型性能。如果你希望深入理解图神经网络的理论边界，或需要在自己的研究中应用高表达力的 GNN 模型，powerful-gnns 是一个极具参考价值的开源起点。","# How Powerful are Graph Neural Networks?\n\nThis repository is the official PyTorch implementation of the experiments in the following paper: \n\nKeyulu Xu*, Weihua Hu*, Jure Leskovec, Stefanie Jegelka. How Powerful are Graph Neural Networks? ICLR 2019. \n\n[arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.00826) [OpenReview](https:\u002F\u002Fopenreview.net\u002Fforum?id=ryGs6iA5Km) \n\nIf you make use of the code\u002Fexperiment or GIN algorithm in your work, please cite our paper (Bibtex below).\n```\n@inproceedings{\nxu2018how,\ntitle={How Powerful are Graph Neural Networks?},\nauthor={Keyulu Xu and Weihua Hu and Jure Leskovec and Stefanie Jegelka},\nbooktitle={International Conference on Learning Representations},\nyear={2019},\nurl={https:\u002F\u002Fopenreview.net\u002Fforum?id=ryGs6iA5Km},\n}\n```\n\n## Installation\nInstall PyTorch following the instuctions on the [official website] (https:\u002F\u002Fpytorch.org\u002F). The code has been tested over PyTorch 0.4.1 and 1.0.0 versions.\n\nThen install the other dependencies.\n```\npip install -r requirements.txt\n```\n\n## Test run\nUnzip the dataset file\n```\nunzip dataset.zip\n```\n\nand run\n\n```\npython main.py\n```\n\nThe default parameters are not the best performing-hyper-parameters used to reproduce our results in the paper. Hyper-parameters need to be specified through the commandline arguments. Please refer to our paper for the details of how we set the hyper-parameters. For instance, for the COLLAB and IMDB datasets, you need to add `--degree_as_tag` so that the node degrees are used for input node features.\n\nTo learn hyper-parameters to be specified, please type\n```\npython main.py --help\n```\n\n\n\n## Cross-validation strategy in the paper\nThe cross-validation in our paper only uses training and validation sets (no test set) due to small dataset size. Specifically, after obtaining 10 validation curves corresponding to 10 folds, we first took average of validation curves across the 10 folds (thus, we obtain an averaged validation curve), and then selected a single epoch that achieved the maximum averaged validation accuracy. Finally, the standard devision over the 10 folds was computed at the selected epoch. \n\n","# 图神经网络有多强大？\n\n本仓库是以下论文中实验的官方 PyTorch 实现：\n\nKeyulu Xu*、Weihua Hu*、Jure Leskovec、Stefanie Jegelka. 图神经网络有多强大？ICLR 2019.\n\n[arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.00826) [OpenReview](https:\u002F\u002Fopenreview.net\u002Fforum?id=ryGs6iA5Km)\n\n如果您在工作中使用了本代码、实验或 GIN 算法，请引用我们的论文（下方为 BibTeX 格式）。\n```\n@inproceedings{\nxu2018how,\ntitle={图神经网络有多强大？},\nauthor={Keyulu Xu 和 Weihua Hu 和 Jure Leskovec 和 Stefanie Jegelka},\nbooktitle={国际表征学习大会},\nyear={2019},\nurl={https:\u002F\u002Fopenreview.net\u002Fforum?id=ryGs6iA5Km},\n}\n```\n\n## 安装\n请按照 [官方网站](https:\u002F\u002Fpytorch.org\u002F) 的说明安装 PyTorch。代码已在 PyTorch 0.4.1 和 1.0.0 版本上测试通过。\n\n然后安装其他依赖项：\n```\npip install -r requirements.txt\n```\n\n## 测试运行\n解压数据集文件：\n```\nunzip dataset.zip\n```\n\n然后运行：\n```\npython main.py\n```\n\n默认参数并非用于复现论文结果的最佳超参数。超参数需要通过命令行参数指定。有关超参数的具体设置，请参阅我们的论文。例如，对于 COLLAB 和 IMDB 数据集，您需要添加 `--degree_as_tag` 参数，以便将节点度数用作输入节点特征。\n\n要了解需要指定的超参数，请输入：\n```\npython main.py --help\n```\n\n\n\n## 论文中使用的交叉验证策略\n由于数据集规模较小，我们论文中的交叉验证仅使用训练集和验证集（没有测试集）。具体来说，我们先得到对应 10 折的 10 条验证曲线，然后对这 10 折的验证曲线取平均，得到一条平均验证曲线；接着选择使平均验证准确率最高的单个 epoch。最后，在该选定的 epoch 上计算 10 折结果的标准差。","# powerful-gnns 快速上手指南\n\n本指南基于 ICLR 2019 论文《How Powerful are Graph Neural Networks?》的官方 PyTorch 实现，帮助开发者快速运行 GIN（Graph Isomorphism Network）算法实验。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：建议 Python 3.6+\n*   **PyTorch 版本**：代码已在 PyTorch 0.4.1 和 1.0.0 版本上测试通过。\n    *   推荐安装较新的稳定版以兼容现有硬件。\n    *   **国内加速**：推荐使用清华或中科大镜像源安装 PyTorch。\n    *   示例（CUDA 11.8 + pip）：\n        ```bash\n        pip install torch torchvision torchaudio --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n        ```\n*   **其他依赖**：需安装 `requirements.txt` 中列出的库。\n\n## 安装步骤\n\n1.  **克隆或下载项目代码**（假设已获取本项目文件夹）。\n2.  **安装 Python 依赖包**：\n    建议使用国内镜像源加速安装过程：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n3.  **准备数据集**：\n    解压项目目录下的数据集压缩包：\n    ```bash\n    unzip dataset.zip\n    ```\n\n## 基本使用\n\n### 1. 运行默认测试\n完成上述安装和数据解压后，可直接运行主脚本进行默认参数测试：\n\n```bash\npython main.py\n```\n\n> **注意**：默认参数并非论文中复现最佳结果所用的超参数，仅用于验证代码是否跑通。\n\n### 2. 查看可用参数\n要学习如何设置特定的超参数（如学习率、层数等），请查看帮助文档：\n\n```bash\npython main.py --help\n```\n\n### 3. 复现论文结果示例\n根据论文说明，某些数据集（如 COLLAB 和 IMDB-BINARY）需要将节点度（node degrees）作为输入特征。运行这些数据集时，必须添加 `--degree_as_tag` 标志。\n\n示例命令结构（具体参数值请参考 `--help` 或论文细节）：\n```bash\npython main.py --dataset COLLAB --degree_as_tag --num_layers 5 --hidden_dim 64\n```\n\n### 关于交叉验证策略\n本项目的交叉验证策略与论文保持一致：\n*   仅使用训练集和验证集（因数据集较小，未划分独立测试集）。\n*   采用 10 折交叉验证。\n*   最终结果选取 10 折平均验证准确率最高时的 epoch，并计算该 epoch 下的标准差。","某生物制药公司的算法团队正在利用分子图数据预测新化合物的药物活性，以加速候选药物的筛选流程。\n\n### 没有 powerful-gnns 时\n- **结构识别能力弱**：传统图神经网络难以区分具有不同化学结构但局部特征相似的分子，导致对异构体的预测准确率低下。\n- **理论上限模糊**：团队缺乏明确的理论依据来判断模型是否已触及表达能力天花板，只能在黑暗中盲目尝试各种网络层数和聚合策略。\n- **特征工程繁琐**：为了弥补模型缺陷，研究人员不得不手动设计复杂的节点标签（如强行引入度数列），增加了大量重复且易错的数据预处理工作。\n- **验证结果不稳定**：在小样本数据集上进行交叉验证时，由于缺乏标准的评估策略，选出的最优模型 epoch 往往过拟合，泛化表现波动极大。\n\n### 使用 powerful-gnns 后\n- **精准捕捉拓扑差异**：基于 GIN（Graph Isomorphism Network）架构，powerful-gnns 能像 Weisfeiler-Lehman 测试一样精确区分细微的结构差异，显著提升了异构分子的分类精度。\n- **理论指导明确**：该工具提供了经过 ICLR 验证的理论框架，让团队确信当前模型已达到图神经网络表达能力的理论上限，无需再做无效的架构堆叠。\n- **自动化特征适配**：通过简单的命令行参数（如 `--degree_as_tag`），即可自动将节点度数作为输入特征，省去了繁琐的手工特征构造过程。\n- **评估流程标准化**：内置了论文同款的交叉验证策略，能够自动从 10 折验证曲线中锁定最佳训练轮次并计算标准差，确保了实验结果的可复现性和稳健性。\n\npowerful-gnns 不仅解决了分子结构识别的难题，更用严谨的数学理论为图神经网络的选型与优化提供了坚实的决策依据。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fweihua916_powerful-gnns_44499857.png","weihua916","Weihua Hu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fweihua916_424d5fdd.jpg","Graphs. Deep learning. CS Ph.D. at Stanford.",null,"https:\u002F\u002Fweihua916.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fweihua916",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,1279,226,"2026-04-07T13:02:10","MIT","未说明",{"notes":91,"python":89,"dependencies":92},"代码已在 PyTorch 0.4.1 和 1.0.0 版本上测试通过。运行前需解压 dataset.zip 数据集文件。默认参数并非论文中的最佳超参数，复现结果需通过命令行指定特定超参数（例如针对 COLLAB 和 IMDB 数据集需添加 --degree_as_tag 参数）。",[93],"torch (0.4.1 或 1.0.0)",[14],[96,97,98],"deep-learning","graph-neural-networks","graph-convolutional-neural-networks","2026-03-27T02:49:30.150509","2026-04-11T10:03:11.663315",[102,107,112,117],{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},29363,"如何复现论文中报告的实验结果？需要哪些超参数设置？","大多数数据集不需要运行完整的 350 个 epoch 即可达到论文中的结果。对于 COLLAB 数据集，务必添加 '--degree_as_tag' 参数，将节点的度作为特征向量使用，否则无法复现正确结果。","https:\u002F\u002Fgithub.com\u002Fweihua916\u002Fpowerful-gnns\u002Fissues\u002F2",{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},29364,"在图分类任务中，节点 ID（Node ID）是在所有图之间共享还是仅在单个图内唯一？","节点 ID 在所有图之间是共享的。因为这是图分类任务（例如分子分类），节点 ID 代表的是节点的特征类型（如原子类型：碳或氮），而不是图中节点的索引编号。","https:\u002F\u002Fgithub.com\u002Fweihua916\u002Fpowerful-gnns\u002Fissues\u002F1",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},29365,"论文中提到的\"使用 LIB-SVM 进行 10 折交叉验证\"具体是指什么？代码中并未直接使用 LIB-SVM。","是的，这指的是采用与 LIB-SVM 相同的交叉验证策略（即 README 中描述的划分方式），而不是在代码中直接调用 LIB-SVM 库进行分类。","https:\u002F\u002Fgithub.com\u002Fweihua916\u002Fpowerful-gnns\u002Fissues\u002F18",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},29366,"论文表格中显示 MUTAG 数据集有 2 个类别，但附录中却提到有 7 个离散标签，这两者是否矛盾？","不矛盾。表格中的\"2\"指的是图分类任务的类别数量（标签为 1 或 -1）；而附录中提到的\"7\"指的是输入节点特征中离散类别标签的数量（即节点属性的种类数）。","https:\u002F\u002Fgithub.com\u002Fweihua916\u002Fpowerful-gnns\u002Fissues\u002F17",[]]