[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-xviniette--FlappyLearning":3,"tool-xviniette--FlappyLearning":61},[4,18,28,37,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"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":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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",161147,"2026-04-19T23:31:47",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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。",109154,"2026-04-18T11:18:24",[14,15,13],{"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":75,"owner_location":76,"owner_email":77,"owner_twitter":72,"owner_website":78,"owner_url":79,"languages":80,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":101,"github_topics":102,"view_count":24,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":138},10018,"xviniette\u002FFlappyLearning","FlappyLearning","Program learning to play Flappy Bird by machine learning (Neuroevolution)","FlappyLearning 是一个基于机器学习的开源项目，旨在让计算机通过自我进化学会玩经典游戏《Flappy Bird》。它解决了传统游戏 AI 需要人工编写复杂规则或手动调整参数的痛点，转而利用“神经进化”（Neuroevolution）算法，让程序在不断的试错中自动摸索出最佳通关策略。\n\n该项目非常适合对人工智能、遗传算法或强化学习感兴趣的开发者与研究人员使用。同时，由于提供了直观的在线演示和清晰的代码结构，它也适合作为高校教学案例，帮助学生理解神经网络如何通过迭代优化来解决问题。对于普通技术爱好者而言，观察 AI 从“乱飞”到“精通”的过程也极具趣味性。\n\nFlappyLearning 的核心亮点在于其轻量级的实现方式。它内置了 NeuroEvolution.js 库，无需庞大的深度学习框架即可运行。该算法模拟生物进化过程，通过保留每代中的优胜者（精英策略）、引入随机变异以及杂交繁殖，持续优化神经网络权重。用户不仅可以查看源码学习如何构建感知器结构，还能灵活调整种群数量、变异率等参数，实时观察不同设置对学习效果的影响，是探索演化计算原理的绝佳入门工具。","# Flappy Learning ([Demo](http:\u002F\u002Fxviniette.github.io\u002FFlappyLearning\u002F))\n\nProgram that learns to play Flappy Bird by machine learning ([Neuroevolution](http:\u002F\u002Fwww.scholarpedia.org\u002Farticle\u002FNeuroevolution))\n\n![alt tag](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxviniette_FlappyLearning_readme_dcbba9cb64d5.png)\n\n### [NeuroEvolution.js](http:\u002F\u002Fgithub.com\u002Fxviniette\u002FFlappyLearning\u002Fblob\u002Fgh-pages\u002FNeuroevolution.js) : Utilization\n```javascript\n\u002F\u002F Initialize\nvar ne = new Neuroevolution({options});\n\n\u002F\u002FDefault options values\nvar options = {\n    network:[1, [1], 1],    \u002F\u002F Perceptron structure\n    population:50,          \u002F\u002F Population by generation\n    elitism:0.2,            \u002F\u002F Best networks kepts unchanged for the next generation (rate)\n    randomBehaviour:0.2,    \u002F\u002F New random networks for the next generation (rate)\n    mutationRate:0.1,       \u002F\u002F Mutation rate on the weights of synapses\n    mutationRange:0.5,      \u002F\u002F Interval of the mutation changes on the synapse weight\n    historic:0,             \u002F\u002F Latest generations saved\n    lowHistoric:false,      \u002F\u002F Only save score (not the network)\n    scoreSort:-1,           \u002F\u002F Sort order (-1 = desc, 1 = asc)\n    nbChild:1               \u002F\u002F number of child by breeding\n}\n\n\u002F\u002FUpdate options at any time\nne.set({options});\n\n\u002F\u002F Generate first or next generation\nvar generation = ne.nextGeneration();\n\n\u002F\u002FWhen an network is over -> save this score\nne.networkScore(generation[x], \u003Cscore = 0>);\n```\n\nYou can see the NeuroEvolution integration in Flappy Bird in [Game.js](http:\u002F\u002Fgithub.com\u002Fxviniette\u002FFlappyLearning\u002Fblob\u002Fgh-pages\u002Fgame.js).\n","# Flappy Learning ([演示](http:\u002F\u002Fxviniette.github.io\u002FFlappyLearning\u002F))\n\n通过机器学习（[神经进化](http:\u002F\u002Fwww.scholarpedia.org\u002Farticle\u002FNeuroevolution)）来学习玩《Flappy Bird》的程序。\n\n![alt tag](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxviniette_FlappyLearning_readme_dcbba9cb64d5.png)\n\n### [NeuroEvolution.js](http:\u002F\u002Fgithub.com\u002Fxviniette\u002FFlappyLearning\u002Fblob\u002Fgh-pages\u002FNeuroevolution.js)：使用方法\n```javascript\n\u002F\u002F 初始化\nvar ne = new Neuroevolution({options});\n\n\u002F\u002F 默认选项值\nvar options = {\n    network: [1, [1], 1],    \u002F\u002F 感知器结构\n    population: 50,          \u002F\u002F 每代种群数量\n    elitism: 0.2,            \u002F\u002F 下一代中保持不变的最佳网络比例\n    randomBehaviour: 0.2,    \u002F\u002F 下一代中新生成的随机网络比例\n    mutationRate: 0.1,       \u002F\u002F 突变率，作用于突触权重\n    mutationRange: 0.5,      \u002F\u002F 突触权重突变的变化范围\n    historic: 0,             \u002F\u002F 保存的最新几代\n    lowHistoric: false,      \u002F\u002F 只保存得分，不保存网络本身\n    scoreSort: -1,           \u002F\u002F 排序方式（-1 = 降序，1 = 升序）\n    nbChild: 1               \u002F\u002F 每次繁殖产生的子代数量\n}\n\n\u002F\u002F 随时更新选项\nne.set({options});\n\n\u002F\u002F 生成第一代或下一代\nvar generation = ne.nextGeneration();\n\n\u002F\u002F 当某个网络游戏结束时 -> 保存该得分\nne.networkScore(generation[x], \u003Cscore = 0>);\n```\n\n您可以在 [Game.js](http:\u002F\u002Fgithub.com\u002Fxviniette\u002FFlappyLearning\u002Fblob\u002Fgh-pages\u002Fgame.js) 中查看神经进化的集成实现。","# FlappyLearning 快速上手指南\n\nFlappyLearning 是一个基于**神经进化（Neuroevolution）**算法的开源项目，能够教会 AI 自动玩 Flappy Bird 游戏。其核心逻辑封装在 `Neuroevolution.js` 中，可独立用于其他需要强化学习的场景。\n\n## 环境准备\n\n本项目主要基于 JavaScript 运行，无需复杂的后端环境。\n\n- **系统要求**：任意支持现代浏览器的操作系统（Windows, macOS, Linux）。\n- **前置依赖**：\n  - 现代浏览器（推荐 Chrome, Firefox, Edge）。\n  - 可选：Node.js（若需在本地服务器运行或进行构建）。\n  - 代码编辑器（VS Code, WebStorm 等）。\n\n> **提示**：由于该项目纯前端实现，国内开发者可直接下载源码包或使用本地静态服务器运行，无需特殊网络加速即可加载核心逻辑。\n\n## 安装步骤\n\n你可以通过克隆仓库或直接下载源码的方式获取项目。\n\n### 方式一：使用 Git 克隆（推荐）\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fxviniette\u002FFlappyLearning.git\ncd FlappyLearning\n```\n\n### 方式二：直接运行演示\n\n如果你只想查看效果或测试核心逻辑，可以直接在浏览器打开官方 Demo，或本地启动一个静态服务器：\n\n```bash\n# 如果已安装 http-server (npm install -g http-server)\nhttp-server .\n\n# 然后在浏览器访问 http:\u002F\u002Flocalhost:8080\n```\n\n核心算法文件位于根目录下的 `Neuroevolution.js`，游戏逻辑位于 `game.js`。你可以直接将 `Neuroevolution.js` 引入到你自己的 HTML 项目中。\n\n## 基本使用\n\n以下是如何在你的项目中初始化并配置神经进化算法的最简示例。\n\n### 1. 引入库文件\n\n在你的 HTML 文件中引入核心脚本：\n\n```html\n\u003Cscript src=\"Neuroevolution.js\">\u003C\u002Fscript>\n```\n\n### 2. 初始化与配置\n\n在 JavaScript 中创建实例并设置参数。默认配置如下：\n\n```javascript\n\u002F\u002F 初始化神经进化实例\nvar ne = new Neuroevolution({options});\n\n\u002F\u002F 默认配置选项\nvar options = {\n    network:[1, [1], 1],    \u002F\u002F 感知机结构 (输入层，隐藏层，输出层)\n    population:50,          \u002F\u002F 每代种群数量\n    elitism:0.2,            \u002F\u002F 精英保留率 (表现最好的网络直接保留到下一代)\n    randomBehaviour:0.2,    \u002F\u002F 随机行为率 (下一代中随机生成的新网络比例)\n    mutationRate:0.1,       \u002F\u002F 突变率 (突触权重的变异概率)\n    mutationRange:0.5,      \u002F\u002F 突变范围 (突触权重变异的区间)\n    historic:0,             \u002F\u002F 保存最近几代的历史记录 (0 为不保存)\n    lowHistoric:false,      \u002F\u002F 是否仅保存分数而不保存网络结构\n    scoreSort:-1,           \u002F\u002F 分数排序方式 (-1 降序，1 升序)\n    nbChild:1               \u002F\u002F 每次繁殖产生的子代数量\n}\n\n\u002F\u002F 随时更新配置\nne.set({options});\n```\n\n### 3. 运行世代循环\n\n生成新一代网络，并在游戏结束时记录分数：\n\n```javascript\n\u002F\u002F 生成第一代或下一代网络群体\nvar generation = ne.nextGeneration();\n\n\u002F\u002F 当某个网络（玩家）游戏结束时，记录其得分\n\u002F\u002F generation[x] 代表第 x 个网络实例，\u003Cscore> 为该实例的最终得分\nne.networkScore(generation[x], \u003Cscore = 0>);\n```\n\n### 4. 集成参考\n\n完整的 Flappy Bird 游戏集成逻辑（包括如何获取游戏状态作为输入、如何输出跳跃指令）请参考项目中的 `game.js` 文件。该文件展示了如何将 `Neuroevolution` 实例与实际的游戏循环（Game Loop）相结合。","一位独立游戏开发者希望为网页版《Flappy Bird》复刻项目添加智能演示模式，让 AI 自动展示高超的游戏技巧以吸引玩家。\n\n### 没有 FlappyLearning 时\n- 开发者必须手动编写复杂的规则算法（如硬编码判断管道距离），导致代码臃肿且难以适应随机生成的关卡。\n- 调整游戏难度极其耗时，每次修改参数都需要人工反复测试并微调阈值，无法实现自适应平衡。\n- 缺乏“进化”概念，所有演示行为千篇一律，玩家很快发现规律并感到枯燥，失去观看兴趣。\n- 若想引入机器学习，需从零搭建神经网络和遗传算法框架，开发周期长达数周，远超项目预算。\n\n### 使用 FlappyLearning 后\n- 只需配置简单的感知机结构和种群数量，FlappyLearning 即可通过神经进化自动训练出策略灵活的 AI，无需人工设定规则。\n- 利用内置的变异率和精英保留机制，AI 能在几十代内自我迭代优化，轻松应对各种突发管道布局，实现动态难度平衡。\n- 每一代进化的网络表现都不同，有的激进有的保守，为演示模式提供了丰富多变的观赏性内容，显著提升用户留存。\n- 集成过程极简，几行 JavaScript 代码即可调用 `nextGeneration()` 和 `networkScore()`，半天内便完成了智能模块的开发与部署。\n\nFlappyLearning 将原本需要数周研发的智能决策系统简化为小时级的配置任务，让开发者能专注于游戏创意而非底层算法实现。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxviniette_FlappyLearning_dcbba9cb.png","xviniette","Vincent Bazia","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fxviniette_afb982a8.jpg",null,"France, Montpellier","vincent.bazia@gmail.com","https:\u002F\u002Fsmooth.video\u002F","https:\u002F\u002Fgithub.com\u002Fxviniette",[81,85],{"name":82,"color":83,"percentage":84},"JavaScript","#f1e05a",97,{"name":86,"color":87,"percentage":10},"HTML","#e34c26",3994,501,"2026-04-16T23:06:44","MIT",1,"未说明 (基于浏览器运行，支持所有现代浏览器)","不需要","未说明 (轻量级网页应用，常规内存即可)",{"notes":97,"python":94,"dependencies":98},"该工具是一个纯前端 JavaScript 项目，无需安装 Python、GPU 驱动或任何后端依赖。直接在浏览器中打开 index.html 或通过本地服务器运行即可。核心算法包含在 Neuroevolution.js 文件中，利用神经进化算法在浏览器端训练 Flappy Bird 游戏 AI。",[99,100],"Neuroevolution.js (内置)","现代 Web 浏览器 (Chrome, Firefox 等)",[14],[103,104,105],"neuroevolution","machine-learning","flappybird","2026-03-27T02:49:30.150509","2026-04-20T16:46:50.689104",[109,114,119,124,129,134],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},45001,"为什么 Neuroevolution.js 文件的缩进看起来乱了？","这是由于混用了空格和制表符（tabs）导致的。原始代码使用的是制表符，而新的更改使用了空格，导致格式化显示不一致。建议统一使用制表符或空格进行修复。","https:\u002F\u002Fgithub.com\u002Fxviniette\u002FFlappyLearning\u002Fissues\u002F23",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},45002,"如果想让神经网络接收更多参数（如间隙大小、柱子距离）该怎么办？","目前的实现中除了间隙位置外其他参数是固定的。若要增加挑战性，可以修改代码以改变间隙大小和柱子间距，并将这些新参数输入神经网络。此外，最终版本应尝试使用图形输入（像人类一样），这样网络将不依赖于特定游戏，并能学习玩新游戏。","https:\u002F\u002Fgithub.com\u002Fxviniette\u002FFlappyLearning\u002Fissues\u002F14",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},44998,"感知结构（perception structure）是什么？它是如何工作的？","隐藏层中的神经元数量决定了网络的适应能力。一般来说，(输入数 + 输出数)\u002F2 是一个不错的解决方案。例如在你的案例中，设置为 3 个神经元是合适的。","https:\u002F\u002Fgithub.com\u002Fxviniette\u002FFlappyLearning\u002Fissues\u002F25",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},44999,"如何加快游戏运行速度以更快达到完美水平？","可以通过添加一个加速按钮来实现。只需在 index.html 文件的第 12 行后添加以下代码：\u003Cbutton onclick=\"speed(600)\">x10\u003C\u002Fbutton>。这将允许用户以 10 倍速运行游戏，从而缩短训练时间。","https:\u002F\u002Fgithub.com\u002Fxviniette\u002FFlappyLearning\u002Fissues\u002F7",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},45000,"Neuroevolution.js 第 203 行使用 this.genomes[0] 是否是变量 'i' 的错误？","不是错误。这里通过 JSON.parse(JSON.stringify(...)) 的方式复制感知器架构，随后所有的权重都会被随机化，因此直接引用索引 0 是预期的行为。","https:\u002F\u002Fgithub.com\u002Fxviniette\u002FFlappyLearning\u002Fissues\u002F19",{"id":135,"question_zh":136,"answer_zh":137,"source_url":118},45003,"是否有类似但使用不同方法（如非神经进化）的 Flappy Bird AI 项目？","有一个类似的项目使用深度学习而非神经进化方法，地址为：https:\u002F\u002Fgithub.com\u002Fyenchenlin\u002FDeepLearningFlappyBird。不过请注意，该项目的方法与本项目的神经进化方法不同。",[]]