[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-whylabs--langkit":3,"tool-whylabs--langkit":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",156033,2,"2026-04-14T23:32:00",[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":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":77,"owner_twitter":72,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":97,"env_os":98,"env_gpu":99,"env_ram":98,"env_deps":100,"category_tags":105,"github_topics":106,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":152},7670,"whylabs\u002Flangkit","langkit","🔍 LangKit: An open-source toolkit for monitoring Large Language Models (LLMs). 📚 Extracts signals from prompts & responses, ensuring safety & security. 🛡️ Features include text quality, relevance metrics, & sentiment analysis. 📊 A comprehensive tool for LLM observability. 👀","LangKit 是一款专为大型语言模型（LLM）打造的开源监控工具包，旨在帮助开发者从复杂的对话数据中提取关键信号，确保模型应用的安全与稳定。在将大模型投入生产环境时，面对海量的输入组合和非结构化文本，开发者往往难以洞察模型的实时表现，这可能引发安全隐患或服务质量下降。LangKit 正是为了解决这一“可观测性”难题而生。\n\n它提供了一套丰富的现成指标，涵盖文本质量（如可读性、复杂度）、内容相关性、安全隐私（如检测越狱攻击、提示词注入、幻觉及拒绝服务）以及情感与毒性分析。LangKit 的独特亮点在于其与开源数据日志库 whylogs 的无缝集成，用户只需导入模块并实例化架构，即可自动收集多维度的文本特征指标，无需编写繁琐的代码。这些指标既可以在 WhyLabs 平台上进行可视化监控，也支持本地深度分析。\n\nLangKit 非常适合正在构建或维护大模型应用的 AI 工程师、数据科学家及研究人员使用。无论是需要快速验证模型效果的原型开发，还是对安全性要求极高的生产系统，LangKit 都能提供轻量级且高效的监控方案，让模型行为更加透明可控。","# LangKit\n\n![LangKit graphic](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwhylabs_langkit_readme_04ece4b85dab.png)\n\nLangKit is an open-source text metrics toolkit for monitoring language models. It offers an array of methods for extracting relevant signals from the input and\u002For output text, which are compatible with the open-source data logging library [whylogs](https:\u002F\u002Fwhylogs.readthedocs.io\u002Fen\u002Flatest).\n\n> 💡 Want to experience LangKit? Go to this [notebook](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fexamples\u002FIntro_to_Langkit.ipynb)!\n\n## Table of Contents 📖\n\n- [Motivation](#motivation-)\n- [Features](#features-)\n- [Installation](#installation-)\n- [Usage](#usage-)\n- [Modules](#modules-)\n\n## Motivation 🎯\n\nProductionizing language models, including LLMs, comes with a range of risks due to the infinite amount of input combinations, which can elicit an infinite amount of outputs. The unstructured nature of text poses a challenge in the ML observability space - a challenge worth solving, since the lack of visibility on the model's behavior can have serious consequences.\n\n## Features 🛠️\n\nThe out of the box metrics include:\n\n- [Text Quality](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fdocs\u002Ffeatures\u002Fquality.md)\n  - readability score\n  - complexity and grade scores\n- [Text Relevance](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fdocs\u002Ffeatures\u002Frelevance.md)\n  - Similarity scores between prompt\u002Fresponses\n  - Similarity scores against user-defined themes\n- [Security and Privacy](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fdocs\u002Ffeatures\u002Fsecurity.md)\n  - patterns - count of strings matching a user-defined regex pattern group\n  - jailbreaks - similarity scores with respect to known jailbreak attempts\n  - prompt injection - similarity scores with respect to known prompt injection attacks\n  - hallucinations - consistency check between responses\n  - refusals - similarity scores with respect to known LLM refusal of service responses\n- [Sentiment and Toxicity](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fdocs\u002Ffeatures\u002Fsentiment.md)\n  - sentiment analysis\n  - toxicity analysis\n\n## Installation 💻\n\nTo install LangKit, use the Python Package Index (PyPI) as follows:\n\n```\npip install langkit[all]\n```\n\n## Usage 🚀\n\nLangKit modules contain UDFs that automatically wire into the collection of UDFs on String features provided by whylogs by default. All we have to do is import the LangKit modules and then instantiate a custom schema as shown in the example below.\n\n```python\nimport whylogs as why\nfrom langkit import llm_metrics\n\nresults = why.log({\"prompt\": \"Hello!\", \"response\": \"World!\"}, schema=llm_metrics.init())\n```\n\nThe code above will produce a set of metrics comprised of the default whylogs metrics for text features and all the metrics defined in the imported modules. This profile can be visualized and monitored in the [WhyLabs platform](https:\u002F\u002Fwhylabs.ai\u002Fsafeguard-large-language-models?utm_source=github&utm_medium=referral&utm_campaign=langkit) or they can be further analyzed by the user on their own accord.\n\nMore examples are available [here](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Ftree\u002Fmain\u002Flangkit\u002Fexamples).\n\n## Modules 📦\n\nYou can have more information about the different modules and their metrics [here](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fdocs\u002Fmodules.md).\n\n## Benchmarks\n\n| AWS Instance Type | Metric Module |     Throughput |\n| ----------------- | :-----------: | -------------: |\n| c5.xlarge         | Light metrics | 2335 chats\u002Fsec |\n|                   |  LLM metrics  |  8.2 chats\u002Fsec |\n|                   |  All metrics  | 0.28 chats\u002Fsec |\n| g4dn.xlarge       | Light metrics | 2492 chats\u002Fsec |\n|                   |  LLM metrics  | 23.3 chats\u002Fsec |\n|                   |  All metrics  | 1.79 chats\u002Fsec |\n\n## Frequently Asked Questions\n\nYou can check some frequently asked questions on our [FAQs section](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fdocs\u002Ffaq.md)\n","# LangKit\n\n![LangKit 图形](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwhylabs_langkit_readme_04ece4b85dab.png)\n\nLangKit 是一个用于监控语言模型的开源文本指标工具包。它提供了一系列从输入和\u002F或输出文本中提取相关信号的方法，这些方法与开源数据日志记录库 [whylogs](https:\u002F\u002Fwhylogs.readthedocs.io\u002Fen\u002Flatest) 兼容。\n\n> 💡 想体验 LangKit 吗？请访问这个 [notebook](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fexamples\u002FIntro_to_Langkit.ipynb)！\n\n## 目录 📖\n\n- [动机](#motivation-)\n- [特性](#features-)\n- [安装](#installation-)\n- [使用](#usage-)\n- [模块](#modules-)\n\n## 动机 🎯\n\n将包括大语言模型在内的语言模型投入生产环境，会面临一系列风险，这是因为输入组合的可能性是无限的，从而可能导致无限种输出。文本的非结构化特性给机器学习可观测性领域带来了挑战——这一挑战值得解决，因为缺乏对模型行为的可见性可能会带来严重后果。\n\n## 特性 🛠️\n\n开箱即用的指标包括：\n\n- [文本质量](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fdocs\u002Ffeatures\u002Fquality.md)\n  - 可读性评分\n  - 复杂度和年级评分\n- [文本相关性](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fdocs\u002Ffeatures\u002Frelevance.md)\n  - 提示词与响应之间的相似度评分\n  - 与用户自定义主题的相似度评分\n- [安全与隐私](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fdocs\u002Ffeatures\u002Fsecurity.md)\n  - 模式匹配——符合用户自定义正则表达式模式组的字符串数量\n  - 越狱检测——与已知越狱尝试的相似度评分\n  - 提示注入检测——与已知提示注入攻击的相似度评分\n  - 幻觉检测——响应之间的一致性检查\n  - 拒绝服务检测——与已知大语言模型拒绝服务响应的相似度评分\n- [情感与毒性](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fdocs\u002Ffeatures\u002Fsentiment.md)\n  - 情感分析\n  - 毒性分析\n\n## 安装 💻\n\n要安装 LangKit，请使用 Python 包索引 (PyPI)，命令如下：\n\n```\npip install langkit[all]\n```\n\n## 使用 🚀\n\nLangKit 的模块包含 UDF，这些 UDF 会自动接入 whylogs 默认提供的字符串特征 UDF 集合中。我们只需导入 LangKit 模块，然后按照下面的示例实例化一个自定义 schema 即可。\n\n```python\nimport whylogs as why\nfrom langkit import llm_metrics\n\nresults = why.log({\"prompt\": \"Hello!\", \"response\": \"World!\"}, schema=llm_metrics.init())\n```\n\n上述代码将生成一组指标，其中包括 whylogs 对于文本特征的默认指标，以及所有在导入模块中定义的指标。该分析结果可以在 [WhyLabs 平台](https:\u002F\u002Fwhylabs.ai\u002Fsafeguard-large-language-models?utm_source=github&utm_medium=referral&utm_campaign=langkit) 上进行可视化和监控，也可以由用户自行进一步分析。\n\n更多示例请参见 [这里](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Ftree\u002Fmain\u002Flangkit\u002Fexamples)。\n\n## 模块 📦\n\n您可以在此处了解有关不同模块及其指标的更多信息：[这里](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fdocs\u002Fmodules.md)。\n\n## 基准测试\n\n| AWS 实例类型 | 指标模块 |     吞吐量 |\n| ----------------- | :-----------: | -------------: |\n| c5.xlarge         | 轻量级指标 | 2335 次对话\u002F秒 |\n|                   |  LLM 指标  |  8.2 次对话\u002F秒 |\n|                   |  所有指标  | 0.28 次对话\u002F秒 |\n| g4dn.xlarge       | 轻量级指标 | 2492 次对话\u002F秒 |\n|                   |  LLM 指标  | 23.3 次对话\u002F秒 |\n|                   |  所有指标  | 1.79 次对话\u002F秒 |\n\n## 常见问题解答\n\n您可以在我们的 [FAQs 部分](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fblob\u002Fmain\u002Flangkit\u002Fdocs\u002Ffaq.md) 查看一些常见问题的答案。","# LangKit 快速上手指南\n\nLangKit 是一个开源的文本指标工具包，专为监控语言模型（LLM）设计。它能从输入和输出文本中提取关键信号，并与开源数据日志库 [whylogs](https:\u002F\u002Fwhylogs.readthedocs.io\u002Fen\u002Flatest) 无缝集成，帮助开发者解决非结构化文本在可观测性方面的挑战。\n\n## 环境准备\n\n*   **系统要求**：支持 Linux、macOS 和 Windows。\n*   **前置依赖**：\n    *   Python 3.8 或更高版本。\n    *   建议在使用前安装 `whylogs`（安装 LangKit 时会自动处理依赖，但了解其生态有助于后续使用）。\n*   **网络提示**：部分预训练模型或嵌入服务可能需要访问外部资源。若在国内网络环境下遇到下载缓慢问题，建议配置全局代理或寻找相关的国内镜像源加速 Python 包下载。\n\n## 安装步骤\n\n通过 PyPI 安装 LangKit 及其所有可选依赖（推荐安装 `all` 以启用全部功能模块）：\n\n```bash\npip install langkit[all]\n```\n\n> **提示**：如果下载速度较慢，可以使用国内镜像源加速安装：\n> ```bash\n> pip install langkit[all] -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 基本使用\n\nLangKit 的模块包含用户定义函数（UDF），会自动挂载到 whylogs 默认的字符串特征收集流程中。只需导入相应模块并初始化自定义 Schema 即可开始监控。\n\n以下是最简单的使用示例，用于记录提示词（prompt）和响应（response）的各项指标：\n\n```python\nimport whylogs as why\nfrom langkit import llm_metrics\n\n# 记录单次对话数据\nresults = why.log({\"prompt\": \"Hello!\", \"response\": \"World!\"}, schema=llm_metrics.init())\n\n# results 包含默认文本指标及 LangKit 扩展指标（如安全性、情感分析、相关性等）\n# 生成的 Profile 可上传至 WhyLabs 平台可视化，或在本地进一步分析\n```\n\n**功能说明**：\n上述代码将自动计算包括文本质量（可读性、复杂度）、相关性（提示词与响应相似度）、安全隐私（越狱检测、注入攻击检测、幻觉检查）以及情感毒性分析在内的多项指标。\n\n更多高级用法和模块组合请参考官方 [示例仓库](https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Ftree\u002Fmain\u002Flangkit\u002Fexamples)。","某金融科技公司正在运营一款面向客户的智能理财顾问聊天机器人，需要确保其回答既专业准确又符合合规要求。\n\n### 没有 langkit 时\n- **安全隐患难察觉**：无法自动识别用户恶意的“越狱”提示词注入攻击，导致模型可能输出违规建议或泄露内部指令。\n- **回答质量不可控**：缺乏对回复内容可读性和复杂度的量化指标，难以发现模型是否在用过于晦涩的术语误导普通投资者。\n- **合规审计靠人工**：面对海量对话日志，只能依靠人工抽检来发现情绪负面或带有毒性的回复，效率极低且漏报率高。\n- **相关性评估缺失**：无法计算用户提问与模型回答之间的语义相似度，难以判断模型是否在“胡言乱语”或偏离主题。\n\n### 使用 langkit 后\n- **实时拦截攻击**：利用内置的越狱检测和提示词注入相似度分析，自动标记并拦截恶意尝试，筑牢安全防线。\n- **量化文本质量**：通过可读性评分和等级分数，实时监控回复难度，确保理财建议通俗易懂，适合大众阅读。\n- **自动化风险预警**：借助情感分析和毒性检测模块，自动筛选出负面情绪或不当言论，将合规审查效率提升数倍。\n- **精准监控偏离度**：利用提示词与回复的相似度指标，快速定位答非所问的“幻觉”案例，及时优化模型表现。\n\nlangkit 将非结构化的对话文本转化为可量化的安全与质量指标，让大模型在生产环境中的行为真正变得透明、可控且可信。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwhylabs_langkit_22d04c57.png","whylabs","WhyLabs","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwhylabs_5a69dff6.png","Observability for AI pipelines and applications. Instrument data pipelines, analyze data quality and drift, catch deviations before they cause model failures.",null,"github@whylabs.ai","http:\u002F\u002Fwww.whylabs.ai\u002F","https:\u002F\u002Fgithub.com\u002Fwhylabs",[81,85,89],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",89.8,{"name":86,"color":87,"percentage":88},"Python","#3572A5",10.2,{"name":90,"color":91,"percentage":92},"Makefile","#427819",0,982,73,"2026-04-14T17:42:30","Apache-2.0",1,"未说明","非必需。基准测试显示在 CPU (AWS c5.xlarge) 和 GPU (AWS g4dn.xlarge, NVIDIA T4) 上均可运行。启用 'LLM metrics' 或 'All metrics' 模块时建议使用 GPU 以提升吞吐量（从 8.2 chats\u002Fsec 提升至 23.3 chats\u002Fsec）。具体显存和 CUDA 版本未在文档中明确指定。",{"notes":101,"python":98,"dependencies":102},"该工具是一个文本指标提取套件，需与 whylogs 库配合使用。安装命令为 'pip install langkit[all]'。根据基准测试，若仅需基础指标（Light metrics），CPU 即可满足高吞吐需求；若需使用涉及大模型的高级指标（如越狱检测、幻觉检测等），建议配置 GPU 以获得可用性能。具体支持的 Python 版本及底层深度学习框架依赖（如 torch, transformers）未在提供的 README 片段中列出，通常隐含在 'langkit[all]' 的安装依赖中。",[103,104],"whylogs","langkit[all]",[35,14],[107,108,109,110,111,112,113],"large-language-models","machine-learning","nlg","nlp","observability","prompt-engineering","prompt-injection","2026-03-27T02:49:30.150509","2026-04-15T12:56:11.057480",[117,122,127,132,137,142,147],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},34332,"在 Mac 上运行 injections 模块时 Jupyter 内核崩溃怎么办？","该问题已在最新版本中修复。请尝试升级到 langkit 0.0.30 或更高版本。如果问题仍然存在，可能与 OpenAI API 密钥配置或其他依赖项有关，建议检查环境配置并确保所有依赖项已正确安装。","https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fissues\u002F225",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},34333,"为什么无法在 profile view 中找到 'injection:distribution\u002Fmean' 指标？","这通常是因为使用了过时的预发布版本（如 0.0.1b6）。请更新到至少 0.0.3 或更高版本（推荐使用最新稳定版），该指标即可正常显示在 profile summary 字典中。注意：仅执行 `pip install langkit[all]` 可能会安装旧版本，建议明确指定版本号。","https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fissues\u002F83",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},34334,"使用 response_hallucination.consistency_check 时出现 'TypeError: unsupported operand type(s) for +=: 'int' and 'NoneType'' 错误如何解决？","此错误通常是由于未正确配置 OpenAI API 密钥导致的。请确保在代码中设置环境变量并赋值给 openai 库：\n```python\nimport openai\nimport os\nos.environ[\"OPENAI_API_KEY\"] = \"sk-xxx\"\nopenai.api_key = os.getenv(\"OPENAI_API_KEY\")\n```\n注意：response_hallucination 功能需要调用 OpenAI LLM，因此必须提供有效的 API 密钥。","https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fissues\u002F244",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},34335,"如何将 LangKit 部署到 Heroku 时避免 slug size 过大（超过 2.4GB）的问题？","从 langkit 0.0.1 版本开始，大部分大型依赖包（如 transformers、torch 等）已改为可选依赖。建议使用最小化安装方式：\n```bash\npip install langkit\n```\n而不是 `pip install langkit[all]`。这样只会安装核心依赖，显著减小部署包体积，使其适合 Heroku 等平台部署。","https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fissues\u002F48",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},34336,"运行本地模型示例时提示 'unrecognized model' 错误怎么办？","该功能仅在 main 分支中可用，未包含在 0.0.31 发布版本中。请升级到 0.0.32 或更高版本以支持本地模型功能。同时请参考更新后的示例 notebook 中的 pip 安装命令：\n```bash\npip install langkit==0.0.32\n```","https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fissues\u002F300",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},34337,"什么是 response_hallucination 中的 consistency_check？如何使用？","consistency_check 用于检测大模型响应是否存在幻觉（即事实性错误）。它通过向 LLM 发送多个采样请求，比较不同响应之间的一致性来评估可靠性。使用示例：\n```python\nfrom langkit import response_hallucination\nfrom langkit.openai import OpenAILegacy\n\nresponse_hallucination.init(llm=OpenAILegacy(model=\"gpt-3.5-turbo-instruct\"), num_samples=3)\nresult = response_hallucination.consistency_check(\n    prompt=\"谁是美国第一任总统？\",\n    response=\"乔治·华盛顿是美国第一任总统。\"\n)\nprint(result)\n```\n注意：需配置 OpenAI API 密钥，且会增加额外的 LLM 调用成本。","https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fissues\u002F262",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},34338,"运行负载测试时不同测试互相干扰导致失败怎么办？","这是由于 UDF（用户定义函数）状态未在测试间重置导致的。虽然部分噪声日志仍存在，但自 PR #117 合并后，整体负载测试已可正常运行。长期解决方案是重构测试设置\u002F清理助手以隔离各 UDF 配置，或考虑弃用 UdfMetric 转而使用更强大的其他 UDF 类型。","https:\u002F\u002Fgithub.com\u002Fwhylabs\u002Flangkit\u002Fissues\u002F109",[153,158,163,168,173,178,183,188,193,198,203,208,213,218,223,228,233,238,243,248],{"id":154,"version":155,"summary_zh":156,"released_at":157},271637,"v0.0.35","## LangKit 发布 v0.0.35\n🔍 LangKit：一款用于监控语言模型（LLMs）的开源工具包。📚 从提示和响应中提取信号，确保安全与可靠性。🛡️ 功能包括文本质量、相关性指标和情感分析。📊 是一款全面的语言模型可观测性工具。👀\n此版本包含：\n\n- 修复滚动日志记录器模式 #318 [@jamie256]\n- 更新 Notebook，支持在 log() 时选择性上传 #313 [@richard-rogers]\n- 版本升级至 0.0.34 #317 [@w0-automator]\n","2024-11-06T19:12:50",{"id":159,"version":160,"summary_zh":161,"released_at":162},271638,"v0.0.34","## LangKit 发布 v0.0.34\n🔍 LangKit：一款用于监控语言模型（LLMs）的开源工具包。📚 从提示和响应中提取信号，确保安全与可靠性。🛡️ 功能包括文本质量、相关性指标及情感分析。📊 是一款全面的语言模型可观测性工具。👀\n本版本包含：\n\n- 更新 whylogs 至 1.5 #316 [@richard-rogers]\n- 版本升级至 0.0.33 #312 [@w0-automator]\n","2024-10-29T16:49:23",{"id":164,"version":165,"summary_zh":166,"released_at":167},271639,"v0.0.33","## LangKit 发布 v0.0.33\n🔍 LangKit：一款用于监控语言模型（LLMs）的开源工具包。📚 从提示和响应中提取信号，确保安全与可靠性。🛡️ 功能包括文本质量、相关性指标和情感分析。📊 是一款全面的语言模型可观测性工具。👀\n此版本包含：\n\n- 将 textstat 替换为 whylabs-textstat #311 [@jamie256]\n- 添加更新后的 LangKit 说明文档图片 #309 [@jamie256]\n- 更新 Local_Models 示例，使其安装 0.0.32 或更高版本 #308 [@jamie256]\n- 版本号提升至 0.0.32 #307 [@w0-automator]\n","2024-08-12T15:37:42",{"id":169,"version":170,"summary_zh":171,"released_at":172},271640,"v0.0.32","## LangKit 发布 v0.0.32\n🔍 LangKit：一款用于监控语言模型（LLMs）的开源工具包。📚 从提示和响应中提取信号，确保安全与可靠性。🛡️ 功能包括文本质量、相关性指标和情感分析。📊 是一款全面的语言模型可观测性工具。👀\n本版本包含：\n\n- 更新 textstat 代码片段 #306 [@jamie256]\n- 更新注入示例中的 pip 安装命令 #305 [@catel22]\n- 本地模型 #233 [@FelipeAdachi]\n- 版本升级至 0.0.31 #248 [@w0-automator]\n","2024-05-28T20:36:33",{"id":174,"version":175,"summary_zh":176,"released_at":177},271641,"v0.0.31","## LangKit 发布 v0.0.31\n🔍 LangKit：一款用于监控语言模型（LLMs）的开源工具包。📚 从提示和响应中提取信号，确保安全与可靠性。🛡️ 功能包括文本质量、相关性指标和情感分析。📊 是一款全面的语言模型可观测性工具。👀\n本版本包含：\n\n- 更新响应一致性笔记本示例，以使用 GPT 3.5 #247 [@jamie256]\n- 响应幻觉——暴露调用 OpenAI 时捕获的错误 #246 [@FelipeAdachi]\n- 向毒性检测模块添加可配置的去毒模型 #224 [@FelipeAdachi]\n- 版本升级至 0.0.30 #229 [@w0-automator]\n","2024-03-05T20:17:34",{"id":179,"version":180,"summary_zh":181,"released_at":182},271642,"v0.0.30","## LangKit 发布 v0.0.30\n🔍 LangKit：一款用于监控语言模型（LLMs）的开源工具包。📚 从提示和响应中提取信号，确保安全与可靠性。🛡️ 功能包括文本质量、相关性指标以及情感分析。📊 是一款全面的语言模型可观测性工具。👀\n本版本包含：\n\n- injections - 移除 Faiss 依赖，引入嵌入向量 v2 #227 [@FelipeAdachi]\n- 版本升级至 0.0.29 #219 [@w0-automator]\n","2024-02-06T23:50:02",{"id":184,"version":185,"summary_zh":186,"released_at":187},271643,"v0.0.29","## LangKit 发布 v0.0.29\n🔍 LangKit：一款用于监控语言模型（LLMs）的开源工具包。📚 从提示和响应中提取信号，确保安全与可靠性。🛡️ 功能包括文本质量、相关性指标以及情感分析。📊 是一款全面的语言模型可观测性工具。👀\n此版本包含：\n\n- 添加 vader_sentiment 支持 #218 [@jamie256]\n- 弃用 OpenAIDavinci 并新增 OpenAILegacy #216 [@FelipeAdachi]\n- 添加 PII 模块 #217 [@FelipeAdachi]\n- 注入示例——替换已弃用的 OpenAI 模型 #214 [@FelipeAdachi]\n- 增加在 UDF 处理后生成的验证列上进行分段的示例 #153 [@richard-rogers]\n- 越狱与提示注入示例笔记本 #211 [@FelipeAdachi]\n- 版本升级至 0.0.28 #210 [@w0-automator]\n","2024-01-23T00:52:01",{"id":189,"version":190,"summary_zh":191,"released_at":192},271644,"v0.0.28","\n## LangKit 发布 v0.0.28\n🔍 LangKit：一款用于监控语言模型（LLMs）的开源工具包。📚 从提示和响应中提取信号，确保安全与可靠性。🛡️ 功能包括文本质量、相关性指标以及情感分析。📊 是一款全面的语言模型可观测性工具。👀\n本版本包含：\n\n- 更新说明、对 README.md 和测试的少量清理 #209 [@jamie256]\n- OpenAI 客户端兼容 v0 和 v1 版本 #208 [@FelipeAdachi]\n- 主动注入检测 #201 [@FelipeAdachi]\n- 改进语言模型一致性检查的提示 #206 [@FelipeAdachi]\n- 在 Logging_Text.ipynb 中添加场景提取功能 #203 [@FelipeAdachi]\n- 版本号升级至 0.0.27 #202 [@w0-automator]\n","2023-12-08T22:30:44",{"id":194,"version":195,"summary_zh":196,"released_at":197},271645,"v0.0.27","\n## LangKit 发布 v0.0.27\n🔍 LangKit：一款用于监控语言模型（LLMs）的开源工具包。📚 从提示和响应中提取信号，确保安全与可靠性。🛡️ 功能包括文本质量、相关性指标和情感分析。📊 是一款全面的语言模型可观测性工具。👀\n本版本包含：\n\n- 特征提取——基于 schema.apply_udf 的封装 #198 [@FelipeAdachi]\n- CUDA 基准测试 #194 [@richard-rogers]\n- 版本升级至 0.0.26 #200 [@w0-automator]\n","2023-11-27T18:39:01",{"id":199,"version":200,"summary_zh":201,"released_at":202},271646,"v0.0.26","## LangKit 发布 v0.0.26\n🔍 LangKit：一款用于监控语言模型（LLMs）的开源工具包。📚 从提示和响应中提取信号，确保安全与可靠性。🛡️ 功能包括文本质量、相关性指标和情感分析。📊 是一款全面的语言模型可观测性工具。👀\n此版本包含：\n\n- 增加对 Azure OpenAI 托管模型的支持 #199 [@jamie256]\n- 在注入模块中控制 GPU 使用 #193 [@richard-rogers]\n- 版本升级至 0.0.25 #192 [@w0-automator]\n","2023-11-22T01:02:39",{"id":204,"version":205,"summary_zh":206,"released_at":207},271647,"v0.0.25","\r\n## LangKit release v0.0.25\r\n🔍 LangKit: An open-source toolkit for monitoring Language Learning Models (LLMs). 📚 Extracts signals from prompts & responses, ensuring safety & security. 🛡️ Features include text quality, relevance metrics, & sentiment analysis. 📊 A comprehensive tool for LLM observability. 👀\r\nThis version includes:\r\n\r\n- Optionally disable CUDA for Encoder metric modules #191 [@richard-rogers]\r\n- Update release workflow to use whylabs automator #190 [@jamie256]\r\n- Add conditional CUDA support with env variable #189 [@richard-rogers]\r\n- Preliminary benchmarking #185 [@richard-rogers]\r\n- Bump version: 0.0.23 → 0.0.24 #187 [@jamie256]\r\n","2023-11-17T03:20:09",{"id":209,"version":210,"summary_zh":211,"released_at":212},271648,"v0.0.24","\r\n## LangKit release v0.0.24\r\n🔍 LangKit: An open-source toolkit for monitoring Language Learning Models (LLMs). 📚 Extracts signals from prompts & responses, ensuring safety & security. 🛡️ Features include text quality, relevance metrics, & sentiment analysis. 📊 A comprehensive tool for LLM observability. 👀\r\nThis version includes:\r\n\r\n- Add langkit metadata to schema for inclusion in whylogs profiles #186 [@jamie256]\r\n- security features doc update to include hallucinations #182 [@FelipeAdachi]\r\n- Link reference paper for Hallucinations metric module doc. #181 [@jamie256]\r\n- Add hallucinations to README and update modules list to fix formatting #180 [@jamie256]\r\n- add hallucination docs #179 [@FelipeAdachi]\r\n-  Bump version: 0.0.22 → 0.0.23 #183 [@jamie256]\r\n","2023-11-10T22:27:50",{"id":214,"version":215,"summary_zh":216,"released_at":217},271649,"v0.0.23","\r\n## LangKit release v0.0.23\r\n🔍 LangKit: An open-source toolkit for monitoring Language Learning Models (LLMs). 📚 Extracts signals from prompts & responses, ensuring safety & security. 🛡️ Features include text quality, relevance metrics, & sentiment analysis. 📊 A comprehensive tool for LLM observability. 👀\r\nThis version includes:\r\n\r\n- Fix duplicate init ResolverSpec registration warning in has_patterns #178 [@jamie256]\r\n- cleanup push-release workflow #176 [@jamie256]\r\n- Allow regexes UDF metric name to be configured in LangKitConfig #173 [@jamie256]\r\n- Fix typo in classname for langkit\u002Fresponse_hallucination.py #172 [@richard-rogers]\r\n- Update injection examples and tests #170 [@jamie256]\r\n- Align injections score name with column it is targeting #168 [@jamie256]\r\n- Hallucination example - small fixes #167 [@FelipeAdachi]\r\n- Bump version: 0.0.21 → 0.0.22 #169 [@jamie256]\r\n","2023-10-30T20:34:30",{"id":219,"version":220,"summary_zh":221,"released_at":222},271650,"v0.0.22","\r\n## LangKit release v0.0.22\r\n🔍 LangKit: An open-source toolkit for monitoring Language Learning Models (LLMs). 📚 Extracts signals from prompts & responses, ensuring safety & security. 🛡️ Features include text quality, relevance metrics, & sentiment analysis. 📊 A comprehensive tool for LLM observability. 👀\r\nThis version includes:\r\n\r\n- Add nltk.download of punkt to the response_hallucination init #166 [@jamie256]\r\n- response_hallucination v0 #163 [@FelipeAdachi]\r\n- Remove xformers as it breaks injections module on mac #162 [@jamie256]\r\n- Choosing an LLM example notebook #165 [@jamie256]\r\n- Update guardrails_openai_example_llm_schema.py #164 [@murilommen]\r\n- Bump version: 0.0.20 → 0.0.21 #160 [@w0-automator]\r\n","2023-10-24T21:38:50",{"id":224,"version":225,"summary_zh":226,"released_at":227},271651,"v0.0.21","\r\n## LangKit release v0.0.21\r\n🔍 LangKit: An open-source toolkit for monitoring Language Learning Models (LLMs). 📚 Extracts signals from prompts & responses, ensuring safety & security. 🛡️ Features include text quality, relevance metrics, & sentiment analysis. 📊 A comprehensive tool for LLM observability. 👀\r\nThis version includes:\r\n\r\n- Dependency updates: allow python 3.7, update whylogs, examples cleanup #158 [@jamie256]\r\n- Bump version: 0.0.19 → 0.0.20 #157 [@jamie256]\r\n- update sentiment and toxicity example and update modules documentation #156 [@FelipeAdachi]\r\n","2023-10-12T22:57:38",{"id":229,"version":230,"summary_zh":231,"released_at":232},271652,"v0.0.20","\r\n## LangKit release v0.0.20\r\n🔍 LangKit: An open-source toolkit for monitoring Language Learning Models (LLMs). 📚 Extracts signals from prompts & responses, ensuring safety & security. 🛡️ Features include text quality, relevance metrics, & sentiment analysis. 📊 A comprehensive tool for LLM observability. 👀\r\nThis version includes:\r\n\r\n- Injection refactor #154 [@FelipeAdachi]\r\n- add FrequentItemsMetric on blocked column #152 [@richard-rogers]\r\n- Add homepage link to pyproject.toml #151 [@jamie256]\r\n- More config cleanup #145 [@richard-rogers]\r\n- docs refactor #144 [@FelipeAdachi]\r\n- bump to 0.0.19 #149 [@FelipeAdachi]\r\n","2023-10-02T21:47:01",{"id":234,"version":235,"summary_zh":236,"released_at":237},271653,"v0.0.19","\r\n## LangKit release v0.0.19\r\n🔍 LangKit: An open-source toolkit for monitoring Language Learning Models (LLMs). 📚 Extracts signals from prompts & responses, ensuring safety & security. 🛡️ Features include text quality, relevance metrics, & sentiment analysis. 📊 A comprehensive tool for LLM observability. 👀\r\nThis version includes:\r\n\r\n- rolling logger in safeguards example from 30 min to 5 min #148 [@FelipeAdachi]","2023-09-07T20:29:28",{"id":239,"version":240,"summary_zh":241,"released_at":242},271654,"v0.0.18","\r\n## LangKit release v0.0.18\r\n🔍 LangKit: An open-source toolkit for monitoring Language Learning Models (LLMs). 📚 Extracts signals from prompts & responses, ensuring safety & security. 🛡️ Features include text quality, relevance metrics, & sentiment analysis. 📊 A comprehensive tool for LLM observability. 👀\r\nThis version includes:\r\n\r\n- guardrails example with openai api #146 [@FelipeAdachi]\r\n- Add configuration example notebook #139 [@richard-rogers]\r\n- Add test for empty string on toxicity #142 [@jamie256]","2023-09-06T21:18:18",{"id":244,"version":245,"summary_zh":246,"released_at":247},271655,"v0.0.17","\r\n## LangKit release v0.0.17\r\n🔍 LangKit: An open-source toolkit for monitoring Language Learning Models (LLMs). 📚 Extracts signals from prompts & responses, ensuring safety & security. 🛡️ Features include text quality, relevance metrics, & sentiment analysis. 📊 A comprehensive tool for LLM observability. 👀\r\nThis version includes:\r\n\r\n- Safeguard example refactor #140 [@FelipeAdachi]\r\n- Quieter logs in LanKit test suite #135 [@richard-rogers]\r\n- safeguard example fix #137 [@FelipeAdachi]\r\n","2023-08-28T21:24:42",{"id":249,"version":250,"summary_zh":251,"released_at":252},271656,"v0.0.16","\r\n## LangKit release v0.0.16\r\n🔍 LangKit: An open-source toolkit for monitoring Language Learning Models (LLMs). 📚 Extracts signals from prompts & responses, ensuring safety & security. 🛡️ Features include text quality, relevance metrics, & sentiment analysis. 📊 A comprehensive tool for LLM observability. 👀\r\nThis version includes:\r\n\r\n- Allow has_patterns to be called on strings #136 [@richard-rogers]\r\n- make clean #134 [@jamie256]\r\n- Simplify create pull-request-action workflow #133 [@jamie256]\r\n","2023-08-22T21:21:50"]