[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yanshengjia--artificial-intelligence":3,"tool-yanshengjia--artificial-intelligence":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",154349,2,"2026-04-13T23:32:16",[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":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":110,"forks":111,"last_commit_at":112,"license":113,"difficulty_score":114,"env_os":115,"env_gpu":116,"env_ram":116,"env_deps":117,"category_tags":120,"github_topics":121,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":127,"updated_at":128,"faqs":129,"releases":130},7295,"yanshengjia\u002Fartificial-intelligence","artificial-intelligence","Awesome Artificial Intelligence Projects","artificial-intelligence 是一个专注于实战的人工智能项目合集，旨在为学习者提供一个动手探索 AI 核心概念的“游乐场”。它通过一系列具体的代码示例，直观地展示了人工智能如何解决从经典逻辑谜题到现代深度学习应用中的各类问题。\n\n该项目涵盖了广泛的技术场景：既有利用遗传算法求解函数极值、挑战百万皇后难题等经典搜索与优化任务，也包含基于神经网络的人脸识别、邮件垃圾过滤等实用应用，甚至深入探讨了针对深度神经网络的对抗性攻击这一前沿安全议题。每个项目都独立成篇，方便用户深入理解算法背后的原理与实现细节。\n\nartificial-intelligence 特别适合计算机专业的学生、AI 初学者以及希望巩固基础的开发者使用。对于想要跳出理论公式，通过阅读和运行真实代码来掌握算法逻辑的研究人员而言，这也是一个极佳的参考资源。其独特的亮点在于将抽象的 AI 理论转化为可执行的项目，让用户能在解决具体问题的过程中，轻松跨越从理论知识到工程实践的距离，是入门人工智能领域不可多得的实操指南。","# Artificial Intelligence (AI)\n\nA project-based Artificial Intelligence (AI) playground.\n\n## Projects\n\n* [24 Puzzle](https:\u002F\u002Fgithub.com\u002Fyanshengjia\u002Fartificial-intelligence\u002Ftree\u002Fmaster\u002F24-puzzle)\n* [Adversarial Attacks on DNN](https:\u002F\u002Fgithub.com\u002Fyanshengjia\u002Fartificial-intelligence\u002Ftree\u002Fmaster\u002Fadversarial-attacks-on-dnn)\n* [Email Spam Filter](https:\u002F\u002Fgithub.com\u002Fyanshengjia\u002Fartificial-intelligence\u002Ftree\u002Fmaster\u002Femail-spam-filter)\n* [Genetic Algorithm for Functional Maximum Problem](https:\u002F\u002Fgithub.com\u002Fyanshengjia\u002Fartificial-intelligence\u002Ftree\u002Fmaster\u002Fgenetic-algorithm-for-functional-maximum-problem)\n* [Million Queens](https:\u002F\u002Fgithub.com\u002Fyanshengjia\u002Fartificial-intelligence\u002Ftree\u002Fmaster\u002Fmillion-queens)\n* [Neural Networks for Face Recognition](https:\u002F\u002Fgithub.com\u002Fyanshengjia\u002Fartificial-intelligence\u002Ftree\u002Fmaster\u002Fneural-networks-for-face-recognition)\n\n## Contribution\n\nMost contributions are welcomed.\n\n## Contacts\n\nIf you have any question, please feel free to contact me (i@yanshengjia.com).","# 人工智能（AI）\n\n一个基于项目的人工智能（AI）实践平台。\n\n## 项目\n\n* [24点游戏](https:\u002F\u002Fgithub.com\u002Fyanshengjia\u002Fartificial-intelligence\u002Ftree\u002Fmaster\u002F24-puzzle)\n* [针对深度神经网络的对抗攻击](https:\u002F\u002Fgithub.com\u002Fyanshengjia\u002Fartificial-intelligence\u002Ftree\u002Fmaster\u002Fadversarial-attacks-on-dnn)\n* [电子邮件垃圾邮件过滤器](https:\u002F\u002Fgithub.com\u002Fyanshengjia\u002Fartificial-intelligence\u002Ftree\u002Fmaster\u002Femail-spam-filter)\n* [用于函数最值问题的遗传算法](https:\u002F\u002Fgithub.com\u002Fyanshengjia\u002Fartificial-intelligence\u002Ftree\u002Fmaster\u002Fgenetic-algorithm-for-functional-maximum-problem)\n* [百万皇后问题](https:\u002F\u002Fgithub.com\u002Fyanshengjia\u002Fartificial-intelligence\u002Ftree\u002Fmaster\u002Fmillion-queens)\n* [用于人脸识别的神经网络](https:\u002F\u002Fgithub.com\u002Fyanshengjia\u002Fartificial-intelligence\u002Ftree\u002Fmaster\u002Fneural-networks-for-face-recognition)\n\n## 贡献\n\n我们欢迎大多数形式的贡献。\n\n## 联系方式\n\n如果您有任何问题，请随时联系我（i@yanshengjia.com）。","# Artificial Intelligence 快速上手指南\n\n本项目是一个基于实践的人工智能实验场，包含多个经典的 AI 算法与模型实现（如 24 点谜题、对抗样本攻击、垃圾邮件过滤、遗传算法、百万皇后问题及人脸识别神经网络等）。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 WSL)\n*   **Python 版本**：Python 3.6 或更高版本\n*   **前置依赖**：\n    *   `git`：用于克隆代码仓库\n    *   `pip`：Python 包管理工具\n    *   基础科学计算库（具体依赖视所选子项目而定，通常包括 `numpy`, `scipy`, `tensorflow` 或 `pytorch`）\n\n> **国内加速建议**：安装 Python 依赖时，推荐使用清华或阿里云镜像源以提升下载速度。\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1.  **克隆仓库**\n    将项目代码下载到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fyanshengjia\u002Fartificial-intelligence.git\n    cd artificial-intelligence\n    ```\n\n2.  **创建虚拟环境（推荐）**\n    为避免依赖冲突，建议为每个子项目或整体项目创建独立的虚拟环境：\n    ```bash\n    python -m venv venv\n    source venv\u002Fbin\u002Factivate  # Windows 用户请使用: venv\\Scripts\\activate\n    ```\n\n3.  **安装依赖**\n    由于本项目包含多个独立子项目，请进入您想要运行的具体项目目录安装依赖。例如，运行“垃圾邮件过滤”项目：\n    ```bash\n    cd email-spam-filter\n    pip install -r requirements.txt\n    ```\n    *注：若根目录存在全局 `requirements.txt`，也可在根目录直接安装，但建议优先查看各子项目目录下的具体说明。*\n\n## 基本使用\n\n本项目采用“一案一例”的结构，每个子项目均为独立的可运行示例。以下以 **Email Spam Filter (垃圾邮件过滤)** 为例展示最简使用流程：\n\n1.  **进入项目目录**\n    ```bash\n    cd email-spam-filter\n    ```\n\n2.  **运行脚本**\n    执行主程序脚本（通常为 `main.py` 或 `run.py`，具体文件名请参考该目录下的文件列表）：\n    ```bash\n    python main.py\n    ```\n\n3.  **查看其他项目**\n    您可以切换至其他目录体验不同功能，例如运行遗传算法求解函数最大值：\n    ```bash\n    cd ..\u002Fgenetic-algorithm-for-functional-maximum-problem\n    python main.py\n    ```\n\n**提示**：每个子项目的具体输入数据格式和参数配置，请直接参考该项目文件夹内的 `README.md` 或代码注释。","某高校人工智能实验室的研究员正在指导学生从零构建经典 AI 算法模型，以完成课程期末的大作业。\n\n### 没有 artificial-intelligence 时\n- 学生需花费大量时间在网上零散搜索代码片段，难以找到结构完整、可运行的基准项目（如 N 皇后或 24 点谜题）。\n- 面对对抗性攻击（Adversarial Attacks）等前沿课题，缺乏现成的 DNN 攻击演示代码，导致理论验证周期被大幅拉长。\n- 在实现遗传算法或神经网络人脸识别时，常因基础架构搭建错误而陷入调试困境，严重打击学习信心。\n- 不同项目的代码风格和数据格式不统一，增加了团队内部代码审查和整合的难度。\n\n### 使用 artificial-intelligence 后\n- 直接复用仓库中成熟的\"Million Queens\"和\"24 Puzzle\"项目作为起点，让学生能立即专注于核心逻辑优化而非环境配置。\n- 利用现成的“对抗性攻击”模块快速复现论文效果，将原本需要数周的实验验证缩短至几天内完成。\n- 参考“垃圾邮件过滤”和“人脸识别”的标准实现，快速理解数据预处理与模型训练的最佳实践，显著降低试错成本。\n- 所有项目遵循统一的代码规范，便于导师进行批量指导，也方便学生在不同算法间迁移学习经验。\n\nartificial-intelligence 通过提供一站式、项目制的代码库，将 AI 学习从繁琐的“造轮子”过程转变为高效的“站在巨人肩膀上”的创新探索。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyanshengjia_artificial-intelligence_ec2a83f7.png","yanshengjia","Shengjia Yan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyanshengjia_bf4734cc.jpg","SDE@Amazon | Master@NYU\r\n","@amzn","New York","i@yanshengjia.com",null,"yanshengjia.com","https:\u002F\u002Fgithub.com\u002Fyanshengjia",[83,87,91,95,99,103,107],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",44.2,{"name":88,"color":89,"percentage":90},"C","#555555",40.1,{"name":92,"color":93,"percentage":94},"C++","#f34b7d",9.6,{"name":96,"color":97,"percentage":98},"Python","#3572A5",3.8,{"name":100,"color":101,"percentage":102},"MATLAB","#e16737",1.6,{"name":104,"color":105,"percentage":106},"Makefile","#427819",0.7,{"name":108,"color":79,"percentage":109},"QMake",0.1,515,398,"2026-04-05T05:16:08","Apache-2.0",4,"","未说明",{"notes":118,"python":116,"dependencies":119},"README 仅列出了项目清单（如 24 谜题、对抗攻击、垃圾邮件过滤、遗传算法、百万皇后问题、人脸识别神经网络），未提供具体的运行环境配置、依赖库版本或硬件需求。建议查看各子项目的独立文档以获取详细信息。",[],[14,15],[64,122,123,124,125,126],"genetic-algorithm","neural-network","heuristic-search","face-recognition","tensorflow","2026-03-27T02:49:30.150509","2026-04-14T12:30:12.019384",[],[]]