[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yusufcanb--tlm":3,"tool-yusufcanb--tlm":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",140436,2,"2026-04-05T23:32:43",[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":80,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":81,"languages":82,"stars":110,"forks":111,"last_commit_at":112,"license":113,"difficulty_score":23,"env_os":114,"env_gpu":115,"env_ram":116,"env_deps":117,"category_tags":123,"github_topics":124,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":133,"updated_at":134,"faqs":135,"releases":166},3984,"yusufcanb\u002Ftlm","tlm","Local CLI Copilot, powered by Ollama. 💻🦙","tlm 是一款运行在本地的命令行智能助手，依托 Ollama 引擎，让你无需联网或订阅 API 即可在终端获得强大的 AI 支持。它专为解决开发者在日常操作中“记不住复杂命令”或“不理解报错信息”的痛点而生，能够根据自然语言描述自动生成 Shell 命令，或反向解释现有命令的具体含义。\n\n无论是 macOS、Linux 还是 Windows 用户，tlm 都能自动识别你的 Shell 环境（如 Bash、Zsh 或 PowerShell）并提供精准建议。其核心优势在于完全本地化运行，数据不出本机，既保护隐私又节省成本。此外，tlm 支持灵活的模型切换，你可以自由选择 Llama 3.3、DeepSeek-R1、Qwen 等开源大模型，甚至通过简单的参数配置实现基于当前目录上下文的问答（RAG 功能），让 AI 更懂你的项目结构。\n\n这款工具非常适合经常与终端打交道的开发者、运维工程师及技术研究人员。对于希望提升命令行效率、又不愿依赖云端服务的极客用户而言，tlm 是一个轻量、安全且高度可定制的得力伙伴。只需一行安装脚本，你就能拥有一个随叫随到的本地编程副驾驶。","# tlm - Local CLI Copilot, powered by Ollama. 💻🦙\n\n![Latest Build](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Factions\u002Fworkflow\u002Fstatus\u002Fyusufcanb\u002Ftlm\u002Fbuild.yaml?style=for-the-badge&logo=github)\n[![Sonar Quality Gate](https:\u002F\u002Fimg.shields.io\u002Fsonar\u002Fquality_gate\u002Fyusufcanb_tlm?server=https%3A%2F%2Fsonarcloud.io&style=for-the-badge&logo=sonar)](https:\u002F\u002Fsonarcloud.io\u002Fproject\u002Foverview?id=yusufcanb_tlm)\n[![Latest Release](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002Fyusufcanb\u002Ftlm?display_name=release&style=for-the-badge&logo=github&link=https%3A%2F%2Fgithub.com%2Fyusufcanb%2Ftlm%2Freleases)](https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Freleases)\n\ntlm is your CLI companion which requires nothing except your workstation. It uses most efficient and powerful open-source models like [Llama 3.3](https:\u002F\u002Follama.com\u002Flibrary\u002Fllama3.3), [Phi4](https:\u002F\u002Follama.com\u002Flibrary\u002Fphi4), [DeepSeek-R1](https:\u002F\u002Follama.com\u002Flibrary\u002Fdeepseek-r1), [Qwen](https:\u002F\u002Follama.com\u002Flibrary\u002Fqwen2.5-coder) of your choice in your local environment to provide you the best possible command line assistance.\n\n| Get a suggestion                 | Explain a command                |\n| -------------------------------- | -------------------------------- |\n| ![Suggest](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyusufcanb_tlm_readme_8d8660ddb976.gif) | ![Explain](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyusufcanb_tlm_readme_746be680d47a.gif) |\n\n| Ask with context (One-liner RAG) | Configure your favorite model  |\n| -------------------------------- | ------------------------------ |\n| ![Ask](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyusufcanb_tlm_readme_aab735ed1b60.gif)         | ![Config](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyusufcanb_tlm_readme_7bc2c41d0a4e.gif) |\n\n## Features\n\n- 💸 No API Key (Subscription) is required. (ChatGPT, Claude, Github Copilot, Azure OpenAI, etc.)\n\n- 📡 No internet connection is required.\n\n- 💻 Works on macOS, Linux and Windows.\n\n- 👩🏻‍💻 Automatic shell detection. (Powershell, Bash, Zsh)\n\n- 🚀 One liner generation and command explanation.\n\n- 🖺 No-brainer RAG (Retrieval Augmented Generation)\n\n- 🧠 Experiment any model. ([Llama3](https:\u002F\u002Follama.com\u002Flibrary\u002Fllama3.3), [Phi4](https:\u002F\u002Follama.com\u002Flibrary\u002Fphi4), [DeepSeek-R1](https:\u002F\u002Follama.com\u002Flibrary\u002Fdeepseek-r1), [Qwen](https:\u002F\u002Follama.com\u002Flibrary\u002Fqwen2.5-coder)) with parameters of your choice.\n\n## Installation\n\nInstallation can be done in two ways;\n\n- [Installation script](#installation-script) (recommended)\n- [Go Install](#go-install)\n\n### Installation Script\n\nInstallation script is the recommended way to install tlm.\nIt will recognize the which platform and architecture to download and will execute install command for you.\n\n#### Linux and macOS;\n\nDownload and execute the installation script by using the following command;\n\n```bash\ncurl -fsSL https:\u002F\u002Fraw.githubusercontent.com\u002Fyusufcanb\u002Ftlm\u002F1.2\u002Finstall.sh | sudo -E bash\n```\n\n#### Windows (Powershell 5.5 or higher)\n\nDownload and execute the installation script by using the following command;\n\n```powershell\nInvoke-RestMethod -Uri https:\u002F\u002Fraw.githubusercontent.com\u002Fyusufcanb\u002Ftlm\u002F1.2\u002Finstall.ps1 | Invoke-Expression\n```\n\n### Go Install\n\nIf you have Go 1.22 or higher installed on your system, you can easily use the following command to install tlm;\n\n```bash\ngo install github.com\u002Fyusufcanb\u002Ftlm@1.2\n```\n\nYou're ready! Check installation by using the following command;\n\n```bash\ntlm\n```\n\n## Usage\n\n```\n$ tlm\nNAME:\n   tlm - terminal copilot, powered by open-source models.\n\nUSAGE:\n   tlm suggest \"\u003Cprompt>\"\n   tlm s --model=qwen2.5-coder:1.5b --style=stable \"\u003Cprompt>\"\n\n   tlm explain \"\u003Ccommand>\" # explain a command\n   tlm e --model=llama3.2:1b --style=balanced \"\u003Ccommand>\" # explain a command with a overrided model\n\n   tlm ask \"\u003Cprompt>\" # ask a question\n   tlm ask --context . --include *.md \"\u003Cprompt>\" # ask a question with a context\n\nVERSION:\n   1.2\n\nCOMMANDS:\n   ask, a      Asks a question (beta)\n   suggest, s  Suggests a command.\n   explain, e  Explains a command.\n   config, c   Configures language model, style and shell\n   version, v  Prints tlm version.\n   help, h     Shows a list of commands or help for one command\n\nGLOBAL OPTIONS:\n   --help, -h     show help\n   --version, -v  print the version\n```\n\n### Ask - Ask something with or without context\n\nAsk a question with context. Here is an example question with a context of this repositories Go files under ask package.\n\n```\n$ tlm ask --help\nNAME:\n   tlm ask - Asks a question (beta)\n\nUSAGE:\n   tlm ask \"\u003Cprompt>\" # ask a question\n   tlm ask --context . --include *.md \"\u003Cprompt>\" # ask a question with a context\n\nOPTIONS:\n   --context value, -c value                                context directory path\n   --include value, -i value [ --include value, -i value ]  include patterns. e.g. --include=*.txt or --include=*.txt,*.md        \n   --exclude value, -e value [ --exclude value, -e value ]  exclude patterns. e.g. --exclude=**\u002F*_test.go or --exclude=*.pyc,*.pyd\n   --interactive, --it                                      enable interactive chat mode (default: false)\n   --model value, -m value                                  override the model for command suggestion. (default: qwen2 5-coder:3b)\n   --help, -h                                               show help\n```\n\n### Suggest - Get Command by Prompt\n\n```\n$ tlm suggest --help\nNAME:\n   tlm suggest - Suggests a command.\n\nUSAGE:\n   tlm suggest \u003Cprompt>\n   tlm suggest --model=llama3.2:1b \u003Cprompt>\n   tlm suggest --model=llama3.2:1b --style=\u003Cstable|balanced|creative> \u003Cprompt>\n\nDESCRIPTION:\n   suggests a command for given prompt.\n\nCOMMANDS:\n   help, h  Shows a list of commands or help for one command\n\nOPTIONS:\n   --model value, -m value  override the model for command suggestion. (default: qwen2.5-coder:3b)\n   --style value, -s value  override the style for command suggestion. (default: balanced)        \n   --help, -h               show help\n```\n\n### Explain - Explain a Command\n\n```\n$ tlm explain --help\nNAME:\n   tlm explain - Explains a command.\n\nUSAGE:\n   tlm explain \u003Ccommand>\n   tlm explain --model=llama3.2:1b \u003Ccommand>\n   tlm explain --model=llama3.2:1b --style=\u003Cstable|balanced|creative> \u003Ccommand>\n\nDESCRIPTION:\n   explains given shell command.\n\nCOMMANDS:\n   help, h  Shows a list of commands or help for one command\n\nOPTIONS:\n   --model value, -m value  override the model for command suggestion. (default: qwen2.5-coder:3b)\n   --style value, -s value  override the style for command suggestion. (default: balanced)        \n   --help, -h               show help\n```\n\n## Uninstall\n\nOn Linux and macOS;\n\n```bash\nrm \u002Fusr\u002Flocal\u002Fbin\u002Ftlm\nrm ~\u002F.tlm.yml\n```\n\nOn Windows;\n\n```powershell\nRemove-Item -Recurse -Force \"C:\\Users\\$env:USERNAME\\AppData\\Local\\Programs\\tlm\"\nRemove-Item -Force \"$HOME\\.tlm.yml\"\n```\n","# tlm - 本地 CLI 拍档，由 Ollama 提供支持。💻🦙\n\n![最新构建](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Factions\u002Fworkflow\u002Fstatus\u002Fyusufcanb\u002Ftlm\u002Fbuild.yaml?style=for-the-badge&logo=github)\n[![Sonar 质量门控](https:\u002F\u002Fimg.shields.io\u002Fsonar\u002Fquality_gate\u002Fyusufcanb_tlm?server=https%3A%2F%2Fsonarcloud.io&style=for-the-badge&logo=sonar)](https:\u002F\u002Fsonarcloud.io\u002Fproject\u002Foverview?id=yusufcanb_tlm)\n[![最新发布](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002Fyusufcanb\u002Ftlm?display_name=release&style=for-the-badge&logo=github&link=https%3A%2F%2Fgithub.com%2Fyusufcanb%2Ftlm%2Freleases)](https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Freleases)\n\ntlm 是您的 CLI 伴侣，只需您的工作站即可运行。它在您的本地环境中使用最高效、最强大的开源模型，如 [Llama 3.3](https:\u002F\u002Follama.com\u002Flibrary\u002Fllama3.3)、[Phi4](https:\u002F\u002Follama.com\u002Flibrary\u002Fphi4)、[DeepSeek-R1](https:\u002F\u002Follama.com\u002Flibrary\u002Fdeepseek-r1)、[Qwen](https:\u002F\u002Follama.com\u002Flibrary\u002Fqwen2.5-coder)，为您提供最佳的命令行协助。\n\n| 获取建议                 | 解释命令                |\n| -------------------------------- | -------------------------------- |\n| ![Suggest](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyusufcanb_tlm_readme_8d8660ddb976.gif) | ![Explain](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyusufcanb_tlm_readme_746be680d47a.gif) |\n\n| 带上下文提问（单行 RAG） | 配置您喜欢的模型  |\n| -------------------------------- | ------------------------------ |\n| ![Ask](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyusufcanb_tlm_readme_aab735ed1b60.gif)         | ![Config](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyusufcanb_tlm_readme_7bc2c41d0a4e.gif) |\n\n## 特性\n\n- 💸 无需 API 密钥（订阅）。（ChatGPT、Claude、Github Copilot、Azure OpenAI 等）\n\n- 📡 无需互联网连接。\n\n- 💻 支持 macOS、Linux 和 Windows。\n\n- 👩🏻‍💻 自动检测 shell。（Powershell、Bash、Zsh）\n\n- 🚀 生成单行命令并解释命令。\n\n- 🖺 简单易用的 RAG（检索增强生成）。\n\n- 🧠 可以尝试任何模型。（[Llama3](https:\u002F\u002Follama.com\u002Flibrary\u002Fllama3.3)、[Phi4](https:\u002F\u002Follama.com\u002Flibrary\u002Fphi4)、[DeepSeek-R1](https:\u002F\u002Follama.com\u002Flibrary\u002Fdeepseek-r1)、[Qwen](https:\u002F\u002Follama.com\u002Flibrary\u002Fqwen2.5-coder)）并根据您的需求设置参数。\n\n## 安装\n\n安装有两种方式：\n\n- [安装脚本](#installation-script)（推荐）\n- [Go Install](#go-install)\n\n### 安装脚本\n\n推荐使用安装脚本来安装 tlm。\n它会自动识别平台和架构进行下载，并为您执行安装命令。\n\n#### Linux 和 macOS；\n\n使用以下命令下载并执行安装脚本：\n\n```bash\ncurl -fsSL https:\u002F\u002Fraw.githubusercontent.com\u002Fyusufcanb\u002Ftlm\u002F1.2\u002Finstall.sh | sudo -E bash\n```\n\n#### Windows（Powershell 5.5 或更高版本）\n\n使用以下命令下载并执行安装脚本：\n\n```powershell\nInvoke-RestMethod -Uri https:\u002F\u002Fraw.githubusercontent.com\u002Fyusufcanb\u002Ftlm\u002F1.2\u002Finstall.ps1 | Invoke-Expression\n```\n\n### Go Install\n\n如果您系统上已安装 Go 1.22 或更高版本，可以使用以下命令轻松安装 tlm：\n\n```bash\ngo install github.com\u002Fyusufcanb\u002Ftlm@1.2\n```\n\n现在您已经准备好了！请使用以下命令检查安装是否成功：\n\n```bash\ntlm\n```\n\n## 使用\n\n```\n$ tlm\n名称：\n   tlm - 终端拍档，基于开源模型。\n\n用法：\n   tlm suggest \"\u003Cprompt>\"\n   tlm s --model=qwen2.5-coder:1.5b --style=stable \"\u003Cprompt>\"\n\n   tlm explain \"\u003Ccommand>\" # 解释命令\n   tlm e --model=llama3.2:1b --style=balanced \"\u003Ccommand>\" # 使用覆盖模型解释命令\n\n   tlm ask \"\u003Cprompt>\" # 提问\n   tlm ask --context . --include *.md \"\u003Cprompt>\" # 带上下文提问\n\n版本：\n   1.2\n\n命令：\n   ask, a      提问（测试版）\n   suggest, s  建议命令。\n   explain, e  解释命令。\n   config, c   配置语言模型、风格和 shell\n   version, v  打印 tlm 版本。\n   help, h     显示命令列表或某个命令的帮助\n\n全局选项：\n   --help, -h     显示帮助\n   --version, -v  打印版本号\n```\n\n### Ask - 带或不带上下文提问\n\n带上下文提问。以下是一个示例，问题的上下文是此仓库中 ask 包下的 Go 文件。\n\n```\n$ tlm ask --help\n名称：\n   tlm ask - 提问（测试版）\n\n用法：\n   tlm ask \"\u003Cprompt>\" # 提问\n   tlm ask --context . --include *.md \"\u003Cprompt>\" # 带上下文提问\n\n选项：\n   --context value, -c value                                上下文目录路径\n   --include value, -i value [ --include value, -i value ]  包含模式。例如 --include=*.txt 或 --include=*.txt,*.md        \n   --exclude value, -e value [ --exclude value, -e value ]  排除模式。例如 --exclude=**\u002F*_test.go 或 --exclude=*.pyc,*.pyd\n   --interactive, --it                                      启用交互式聊天模式（默认：关闭）\n   --model value, -m value                                  覆盖用于命令建议的模型。（默认：qwen2.5-coder:3b）\n   --help, -h                                               显示帮助\n```\n\n### Suggest - 根据提示获取命令\n\n```\n$ tlm suggest --help\n名称：\n   tlm suggest - 建议命令。\n\n用法：\n   tlm suggest \u003Cprompt>\n   tlm suggest --model=llama3.2:1b \u003Cprompt>\n   tlm suggest --model=llama3.2:1b --style=\u003Cstable|balanced|creative> \u003Cprompt>\n\n描述：\n   根据给定的提示建议一个命令。\n\n命令：\n   help, h  显示命令列表或某个命令的帮助\n\n选项：\n   --model value, -m value  覆盖用于命令建议的模型。（默认：qwen2.5-coder:3b）\n   --style value, -s value  覆盖用于命令建议的风格。（默认：balanced）        \n   --help, -h               显示帮助\n```\n\n### Explain - 解释命令\n\n```\n$ tlm explain --help\n名称：\n   tlm explain - 解释命令。\n\n用法：\n   tlm explain \u003Ccommand>\n   tlm explain --model=llama3.2:1b \u003Ccommand>\n   tlm explain --model=llama3.2:1b --style=\u003Cstable|balanced|creative> \u003Ccommand>\n\n描述：\n   解释给定的 shell 命令。\n\n命令：\n   help, h  显示命令列表或某个命令的帮助\n\n选项：\n   --model value, -m value  覆盖用于命令建议的模型。（默认：qwen2.5-coder:3b）\n   --style value, -s value  覆盖用于命令建议的风格。（默认：balanced）        \n   --help, -h               显示帮助\n```\n\n## 卸载\n\n在 Linux 和 macOS 上：\n\n```bash\nrm \u002Fusr\u002Flocal\u002Fbin\u002Ftlm\nrm ~\u002F.tlm.yml\n```\n\n在 Windows 上：\n\n```powershell\nRemove-Item -Recurse -Force \"C:\\Users\\$env:USERNAME\\AppData\\Local\\Programs\\tlm\"\nRemove-Item -Force \"$HOME\\.tlm.yml\"\n```","# tlm 快速上手指南\n\ntlm 是一款基于 Ollama 的本地命令行 AI 助手（Copilot）。它无需 API 密钥、无需联网，即可利用本地大模型为你提供命令建议、解释及上下文问答。\n\n## 环境准备\n\n在开始之前，请确保满足以下条件：\n\n1.  **操作系统**：支持 macOS、Linux 或 Windows (PowerShell 5.5+)。\n2.  **核心依赖**：必须安装并运行 **[Ollama](https:\u002F\u002Follama.com)**。\n    *   安装 Ollama 后，请先拉取一个模型（例如 `qwen2.5-coder` 或 `llama3.3`），否则 tlm 无法工作。\n    *   示例：`ollama pull qwen2.5-coder`\n3.  **可选依赖**：若选择通过 Go 安装，需安装 Go 1.22 或更高版本。\n\n> **国内用户提示**：由于 Ollama 官方服务器访问可能受限，建议配置国内镜像源或使用国内加速节点拉取模型。\n\n## 安装步骤\n\n推荐使用官方安装脚本，它会自动识别你的系统架构并完成安装。\n\n### 方式一：使用安装脚本（推荐）\n\n**Linux \u002F macOS:**\n```bash\ncurl -fsSL https:\u002F\u002Fraw.githubusercontent.com\u002Fyusufcanb\u002Ftlm\u002F1.2\u002Finstall.sh | sudo -E bash\n```\n\n**Windows (PowerShell):**\n```powershell\nInvoke-RestMethod -Uri https:\u002F\u002Fraw.githubusercontent.com\u002Fyusufcanb\u002Ftlm\u002F1.2\u002Finstall.ps1 | Invoke-Expression\n```\n\n### 方式二：使用 Go 安装\n\n如果你已安装 Go 1.22+，可执行：\n```bash\ngo install github.com\u002Fyusufcanb\u002Ftlm@1.2\n```\n\n### 验证安装\n安装完成后，运行以下命令检查是否成功：\n```bash\ntlm\n```\n\n## 基本使用\n\ntlm 主要提供三个核心功能：命令建议 (`suggest`)、命令解释 (`explain`) 和上下文问答 (`ask`)。\n\n### 1. 获取命令建议 (Suggest)\n告诉 tlm 你想做什么，它会生成对应的 Shell 命令。\n\n```bash\n# 基础用法\ntlm suggest \"列出当前目录下所有大于 100MB 的文件\"\n\n# 指定模型和风格 (stable\u002Fbalanced\u002Fcreative)\ntlm s --model=qwen2.5-coder:1.5b --style=stable \"查找并删除所有 .log 结尾的空文件\"\n```\n\n### 2. 解释命令 (Explain)\n将复杂的命令粘贴给 tlm，它会用自然语言解释其作用。\n\n```bash\n# 基础用法\ntlm explain \"grep -r 'error' \u002Fvar\u002Flog | awk '{print $1}' | sort | uniq -c\"\n\n# 指定模型\ntlm e --model=llama3.2:1b \"docker ps -a --filter status=exited --format '{{.ID}}'\"\n```\n\n### 3. 带上下文的问答 (Ask)\n基于当前目录或特定文件内容提问（轻量级 RAG 功能）。\n\n```bash\n# 询问当前目录下的代码逻辑\ntlm ask \"这个项目是如何处理数据库连接的？\"\n\n# 指定上下文范围和文件类型\ntlm ask --context . --include *.md \"总结 README 中的主要安装步骤\"\n\n# 开启交互式对话模式\ntlm ask --interactive \"帮我优化这段代码\"\n```\n\n### 常用配置\n你可以随时修改默认模型、风格或 Shell 设置：\n```bash\ntlm config\n```","某后端工程师在断网的隔离开发环境中，急需处理复杂的日志文件并生成特定的统计报表，但一时想不起繁琐的 `awk` 和 `sed` 组合命令。\n\n### 没有 tlm 时\n- **查阅受阻**：因无外网连接，无法搜索 StackOverflow 或查阅在线文档，只能凭模糊记忆尝试命令。\n- **效率低下**：手动编写多管道组合命令时极易出错，需反复运行测试并调试语法，耗时数十分钟。\n- **理解困难**：面对同事留下的复杂历史脚本，难以快速理清其逻辑意图，不敢随意修改。\n- **隐私顾虑**：若切换至有网环境使用在线 AI，担心将包含敏感信息的日志路径或数据结构上传至云端。\n\n### 使用 tlm 后\n- **离线即时响应**：直接调用本地 Ollama 部署的 Llama 3.3 模型，无需联网即可秒级生成精准的 `awk` 统计命令。\n- **一键生成与解释**：输入自然语言需求（如“提取过去一小时错误码并计数”），tlm 立即输出可执行命令；对陌生命令使用 `tlm explain` 即可获知逐行逻辑。\n- **上下文感知**：利用 `tlm ask --context .` 功能，结合当前目录下的日志样例文件，让模型生成更符合实际数据格式的处理方案。\n- **数据安全可控**：所有推理过程均在本地工作站完成，确保敏感运维数据和内部脚本逻辑绝不外泄。\n\ntlm 将孤立的终端变成了具备离线专家能力的智能工作台，彻底解决了断网环境下命令行操作“查不到、写不出、看不懂”的难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyusufcanb_tlm_c09bd2f8.png","yusufcanb","Yusuf Can Bayrak","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyusufcanb_d1d807f5.png","Working on IoT and sometimes LLMs.",null,"Munich, Germany","https:\u002F\u002Fgithub.com\u002Fyusufcanb",[83,87,91,95,99,103,106],{"name":84,"color":85,"percentage":86},"Go","#00ADD8",64.3,{"name":88,"color":89,"percentage":90},"RobotFramework","#00c0b5",14.2,{"name":92,"color":93,"percentage":94},"Shell","#89e051",8.1,{"name":96,"color":97,"percentage":98},"PowerShell","#012456",7.4,{"name":100,"color":101,"percentage":102},"Python","#3572A5",3.5,{"name":104,"color":85,"percentage":105},"Go Template",2.4,{"name":107,"color":108,"percentage":109},"Dockerfile","#384d54",0.1,1478,52,"2026-04-05T13:19:46","Apache-2.0","Linux, macOS, Windows","未说明 (依赖后端 Ollama 及所选模型的具体需求)","未说明 (取决于运行的本地大语言模型大小)",{"notes":118,"python":119,"dependencies":120},"该工具本身是一个 CLI 客户端，核心依赖是本地安装的 Ollama 服务来运行大模型。它不需要 API 密钥或互联网连接即可使用。支持自动检测 Shell 环境（Powershell, Bash, Zsh）。实际硬件需求（GPU\u002F内存）完全取决于用户在 Ollama 中选择运行的具体模型（如 Llama 3.3, Phi4, DeepSeek-R1 等）。","未说明 (工具由 Go 语言编写，非 Python 项目)",[121,122],"Ollama","Go 1.22+ (仅源码安装时需要)",[26,13],[125,126,127,128,129,130,131,132],"llm","bash","powershell","llama3","zsh","deepseek-r1","qwen2-5","phi4","2026-03-27T02:49:30.150509","2026-04-06T08:52:42.809807",[136,141,146,151,156,161],{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},18185,"如何更改 tlm 使用的底层模型？","tlm 的设计初衷是让用户无需关心底层模型，由维护者选择最高效且低资源的 LLM。不过，在 v1.2 预发布版本中已添加了模型选择功能。如果您想尝试其他模型（如 dolphincoder），建议升级到最新版本：https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Freleases\u002Ftag\u002F1.2-pre","https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fissues\u002F14",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},18186,"为什么运行 tlm suggest 时提示模型未找到或发生 panic 错误？","这通常是因为未正确安装或拉取所需的模型。请确保已安装 Ollama 并拉取了相应模型。如果通过 `go install` 安装出现问题，建议直接从 GitHub Releases 页面下载编译好的二进制文件使用。此外，v1.2 版本将弃用 Modelfile 方式，支持用户自由选择基础模型，可解决此类兼容性问题。","https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fissues\u002F8",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},18187,"在 Windows PowerShell 7 中无法执行命令怎么办？","这是由于 PowerShell 的执行策略限制导致的。即使显示为 Unrestricted，也可能因配置文件加载失败而报错。请以管理员身份打开 PowerShell，运行以下命令放宽策略：\nSet-ExecutionPolicy -ExecutionPolicy Unrestricted\n另外，建议升级到 tlm v1.2 预发布版本，该版本已修复在 PowerShell 7.5.0 上的兼容性问题。","https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fissues\u002F27",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},18188,"tlm deploy 创建 Modelfile 失败如何解决？","此问题出现在使用远程 Ollama 服务器时。维护者已在 v1.2 版本中重构了架构，弃用了 Modelfile 方式，改为直接支持用户选择的任意基础模型。请升级至 v1.2 预发布版本以解决该问题：https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Freleases\u002Ftag\u002F1.2-pre","https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fissues\u002F33",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},18189,"是否支持连接 LM Studio 或其他非 Ollama 的本地大模型服务？","目前不支持。维护者明确表示，由于这是个人维护的开源项目，为避免范围过大导致维护困难，暂无计划支持 LM Studio 或任何专有 LLM 服务。tlm 专注于与 Ollama 集成，以确保稳定性和社区可持续性。","https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fissues\u002F30",{"id":162,"question_zh":163,"answer_zh":164,"source_url":165},18190,"为什么 tlm suggest 命令返回'No command found'但 explain 命令正常？","该问题可能由模型响应格式不符合预期引起，特别是在通过 `go install` 安装的最新版本中。已知解决方案是直接从 GitHub Releases 下载预编译的二进制文件而非使用 go install。此外，检查 Ollama 服务端日志确认模型输出是否包含有效的 shell 命令上下文也有助于排查。","https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fissues\u002F29",[167,172,177,182,187],{"id":168,"version":169,"summary_zh":170,"released_at":171},108704,"1.2","# 单行 RAG 已在 `tlm` v1.2 中上线！🎉\n\n`tlm` 1.2 版本引入了全新的 `tlm ask` 命令，实现了单行检索增强生成（RAG）。这项测试版功能让你可以直接在代码库和文档中提问，并获得与上下文相关的答案。\n\n受 [Repomix](https:\u002F\u002Fgithub.com\u002Fyamadashy\u002Frepomix) 项目启发，`tlm ask` 提供了类似的上下文收集机制，且以高效的方式用 Go 语言实现。不过，`tlm` 更进一步，将上下文检索与本地及开源大模型的提示相结合，在终端中即可安全、私密地完成操作。\n\n**`tlm ask` 的主要特性：**\n\n* **即时解答：** 使用 `tlm ask \"\u003Cprompt>\"` 快速获取对直接问题的回答。\n* **上下文理解：** 通过提供上下文来提升回答的准确性。使用 `--context` 标志并指定要分析的目录，例如：`tlm ask --context . \"\u003Cprompt>\"`。\n* **精细的上下文控制：** 还可以通过 `--include` 和 `--exclude` 标志结合文件模式进一步细化上下文。你可以定向选择特定文件或排除无关文件，例如：`tlm ask --context . --include *.md \"\u003Cprompt>\"` 或 `tlm ask --context . --exclude **\u002F*_test.go \"\u003Cprompt>\"`。\n\n**使用示例：**\n\n* `tlm ask \"这个函数的主要目的是什么？\"`\n* `tlm ask --context .\u002Fsrc --include *.go \"认证是如何工作的？\"`\n* `tlm ask --context .\u002Fdocs --include *.md --exclude README.md \"请总结关键概念。\"`\n* `tlm ask --interactive \"有哪些依赖项？\"`\n\n![Ask](https:\u002F\u002Fraw.githubusercontent.com\u002Fyusufcanb\u002Ftlm\u002Frefs\u002Fheads\u002Frelease\u002F1.2\u002Fassets\u002Fask.gif)","2025-02-11T23:07:55",{"id":173,"version":174,"summary_zh":175,"released_at":176},108705,"1.2-pre","# 使用你喜欢的模型吧！🥳🎉\n\n现在，从 1.2-pre 版本开始，tlm 将弃用 Modelfile 的使用方式，并且可以直接与任何基础模型配合工作，而无需创建专属模型。这正是早期讨论中大家最期待的功能。起初，我希望能将用户与底层模型抽象开来，让他们只需专注于获得优质结果。然而，随着新兴开源模型的蓬勃发展，我决定不再对具体使用哪种模型发表意见。用户可以自行选择，决定哪款模型最适合！\n\n![模型选择](https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fraw\u002Fmain\u002Fassets\u002Fconfig.gif)\n\n## 更改日志\n\n- 移除了 Modelfile 方式。`tlm` 现在将直接使用基础模型，无需自定义模型的创建。\n- `tlm config` 将列出所有可用的 Ollama 模型，并允许你选择一个默认模型进行工作。\n- 默认模型现已更新为 `qwen2.5-coder:3b`，它既准确又极速。\n\n**完整更改日志**：https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fcompare\u002F1.1...1.2-pre","2025-01-31T01:43:43",{"id":178,"version":179,"summary_zh":180,"released_at":181},108706,"1.1","## 1.1 版本发布啦！🥳 🎉\n\n非常感谢所有对初版发布感兴趣的朋友。你们的支持真是太棒了！短短两周内，tlm 就从零星标一路飙升至 231 颗星。这样的热烈反响让我既谦卑又备受鼓舞。\n\n正是得益于大家的积极参与，我非常高兴地宣布 1.1 版本正式上线。本次更新旨在提升项目的健壮性和可维护性，为后续的持续发展奠定基础，并让协作变得更加便捷。\n\n```bash\n$ tlm s '给我生成一句 cowsay，表达对 tlm 1.1 发布的兴奋之情'\n\n┃ > 思考中... (1.198秒)\n┃ > cowsay \"tlm 1.1 已发布！让我们一起庆祝吧！\"\n┃ > 执行中...\n\n ----------------------------------\n\u003C tlm 1.1 已发布！让我们一起庆祝吧！ >\n ----------------------------------\n        \\   ^__^\n         \\  (oo)\\_______\n            (__)\\       )\\\u002F\\\n                ||----w |\n                ||     ||\n```\n\n## 更改日志\n\n- 新增覆盖自动检测 Shell 的功能，并支持为不同 Shell 生成建议。\n- 优化了提示\u002F解释的预设配置（精确\u002F平衡\u002F创意）。\n- 支持非交互式配置。\n- 添加了端到端验收测试。\n- 在有新版本发布时通知用户。\n\n**完整更改日志**: https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fcompare\u002F1.0...1.1\n\n## 讨论\n\n- 与 Homebrew、Scoop 和 Snap 应用商店集成，以实现更便捷的分发。\n- 代码签名。","2024-03-13T17:02:30",{"id":183,"version":184,"summary_zh":185,"released_at":186},108707,"1.0","## 变更内容\n* 发布\u002F1.0 由 @yusufcanb 在 https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fpull\u002F9 中完成\n\n## 新贡献者\n* @sadikkuzu 在 https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fpull\u002F7 中完成了他们的首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fcompare\u002F1.0-rc3...1.0","2024-03-02T02:02:44",{"id":188,"version":189,"summary_zh":190,"released_at":191},108708,"1.0-rc3","## 变更内容\n* 安装脚本进行了小幅更新，由 @slim-abid 在 https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fpull\u002F4 中完成\n* 更新了 README，并新增了贡献，由 @eomeragic1 在 https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fpull\u002F5 中完成\n* 1.0 版本的候选发布 3，由 @yusufcanb 在 https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fpull\u002F6 中完成\n\n## 新贡献者\n* @slim-abid 在 https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fpull\u002F4 中完成了首次贡献\n* @eomeragic1 在 https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fpull\u002F5 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fyusufcanb\u002Ftlm\u002Fcompare\u002F1.0-rc2...1.0-rc3","2024-02-27T23:34:24"]