[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-zkywsg--Daily-LLM":3,"tool-zkywsg--Daily-LLM":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",138956,2,"2026-04-05T11:33:21",[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":78,"owner_location":79,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":23,"env_os":94,"env_gpu":95,"env_ram":94,"env_deps":96,"category_tags":110,"github_topics":111,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":128,"updated_at":129,"faqs":130,"releases":131},2668,"zkywsg\u002FDaily-LLM","Daily-LLM","🔥机器学习\u002F深度学习\u002FPython\u002F大模型\u002F多模态\u002FLLM\u002Fdeeplearning\u002FPython\u002FAlgorithm interview\u002FNLP Tutorial","Daily-LLM 是一份系统化的深度学习与大模型学习指南，旨在帮助开发者从零开始掌握从经典神经网络到前沿大语言模型（LLM）的完整技术栈。它通过梳理 2012 年至 2025 年的技术演进时间线，清晰展示了每一项关键技术（如 AlexNet、Transformer、RLHF 等）是如何为解决前一代技术的局限而诞生的，让学习者不仅知其然，更知其所以然。\n\n该项目解决了 AI 领域知识碎片化、技术迭代快导致的学习路径模糊问题。它将庞杂的知识体系划分为视觉、语言、多模态、对齐优化及工程落地等六大模块，提供了从理论基础到企业级实战项目的端到端路线。独特的“历史驱动”视角是其核心亮点，帮助用户建立连贯的技术认知框架，而非孤立地记忆算法。\n\nDaily-LLM 非常适合希望系统入门或进阶的 AI 开发者、研究人员以及计算机专业学生。无论是想理解底层原理，还是寻求构建生产级 RAG 应用与 Agent 系统的工程指导，都能在这里找到对应的代码示例与教程。项目采用开源模式，支持按需安装依赖，是通往大模型精通之路的实用地图。","\u003Cdiv align=\"center\">\n\n\u003Cimg src=\".github\u002Fassets\u002Freadme-banner.svg\" alt=\"Daily-LLM banner\" width=\"100%\" \u002F>\n\n# 深度学习与大模型精通之路\n\n### Deep Learning & LLM Mastery\n\n\u003Cp>\n  深度学习与大模型的完整工程路线——从 2012 年 AlexNet 到 2025 年推理模型，每一个技术都是被前一代局限逼出来的。\n\u003C\u002Fp>\n\n\u003Cp>\n  \u003Ca href=\"README_EN.md\">\u003Cstrong>English\u003C\u002Fstrong>\u003C\u002Fa>\n  ·\n  \u003Ca href=\"#timeline\">\u003Cstrong>时间线\u003C\u002Fstrong>\u003C\u002Fa>\n  ·\n  \u003Ca href=\"#modules\">\u003Cstrong>模块索引\u003C\u002Fstrong>\u003C\u002Fa>\n  ·\n  \u003Ca href=\"#quick-start\">\u003Cstrong>快速开始\u003C\u002Fstrong>\u003C\u002Fa>\n  ·\n  \u003Ca href=\"CONTRIBUTING.md\">\u003Cstrong>贡献指南\u003C\u002Fstrong>\u003C\u002Fa>\n\u003C\u002Fp>\n\n[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-0F172A.svg?style=flat-square)](LICENSE)\n[![Python 3.8+](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.8%2B-2563EB.svg?style=flat-square)](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F)\n[![Phases](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPhases-6%2BTimeline-059669.svg?style=flat-square)](.\u002F)\n[![Bilingual](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDocs-English%20%7C%20%E4%B8%AD%E6%96%87-D97706.svg?style=flat-square)](README_EN.md)\n\n\u003C\u002Fdiv>\n\n---\n\n\u003Ca id=\"timeline\">\u003C\u002Fa>\n\n## 时间线：被逼出来的历史（2012–2025）\n\n| 年份 | 核心突破 | 之前卡在哪 |\n|------|---------|-----------|\n| 2012 | **AlexNet** — Top-5 错误率 15.3%，比第二名低 11 个百分点 | 视觉特征靠手工设计（SIFT\u002FHOG），识别率多年停滞在 25–26% |\n| 2013 | **Word2Vec** — `king − man + woman ≈ queen` | One-Hot 无语义，\"猫\"与\"狗\"的距离等于\"猫\"与\"飞机\" |\n| 2014 | **GAN + Seq2Seq + Attention + Adam** — 四个基础件同年到位 | 模型只能分类不能生成；翻译靠规则对齐表；学习率需手动调 |\n| 2015 | **ResNet + Batch Norm** — 152 层，Top-5 低于人类水平 | 网络超 20 层后训练反而变差（退化问题） |\n| 2016 | **AlphaGo** — 4:1 击败世界冠军李世石 | 围棋搜索空间天文数字，专家预测 AI 至少还需十年 |\n| 2017 | **Transformer** — 纯 Attention 取代 RNN，完全并行 | LSTM 天生串行，句子越长训练越慢 |\n| 2018 | **BERT + GPT-1** — 预训练 + 微调范式，一词多义解决 | 静态词向量每词只有一个表示，下游任务需从头训练 |\n| 2019 | **GPT-2 + T5** — 1.5B 参数，NLP 任务统一为文本到文本 | BERT 路线内卷，无人知道单纯放大模型会发生什么 |\n| 2020 | **GPT-3 + Scaling Laws** — 175B 参数涌现 Few-shot 能力 | 普遍认为大模型必须在每个任务上微调才有效 |\n| 2021 | **CLIP + Codex + LoRA** — 图文对齐 \u002F 代码生成 \u002F 低成本微调 | 视觉与语言完全割裂；大模型微调只有巨头能做 |\n| 2022 | **ChatGPT + RLHF** — 5 天百万用户，史上最快消费应用增长 | GPT-3 是文本补全工具；无对齐机制，有害内容照单全说 |\n| 2023 | **GPT-4 + LLaMA** — 多模态推理质变，开源社区全面爆发 | 大模型权重是少数闭源公司专利，研究者无法触及 |\n| 2024 | **MoE + 长上下文 + o1** — 激活参数比例下降；推理时慢思考 | 大模型推理成本线性上涨；复杂推理一步错满盘皆输 |\n| 2025 | **DeepSeek R1 + Test-Time Compute** — 开源追平闭源推理能力 | 推理模型是 OpenAI 独门武器；\"只有砸钱才能做\"无人挑战 |\n\n→ 完整展开（发生了什么 · 解决了什么 · 每年 10 个关键工作）见 [00-Timeline\u002F](00-Timeline\u002F)\n\n---\n\n\u003Ca id=\"modules\">\u003C\u002Fa>\n\n## 模块索引\n\n| Phase | 主题 | 时间段 | 入口 |\n|-------|------|--------|------|\n| 00 | Timeline — 被逼出来的历史 | 2012–2025 | [00-Timeline\u002F](00-Timeline\u002F) |\n| 00 | 前置准备 — 神经网络基础 | — | [00-Prerequisites\u002F](00-Prerequisites\u002F) |\n| 01 | 视觉线 — AlexNet → ResNet → GAN | 2012–2017 | [01-Visual-Intelligence\u002F](01-Visual-Intelligence\u002F) |\n| 02 | 语言线 — Word2Vec → Transformer → BERT | 2013–2019 | [02-Language-Transformers\u002F](02-Language-Transformers\u002F) |\n| 03 | 汇流：规模与多模态 — GPT-3 · ViT · CLIP | 2020–2021 | [03-Scale-Multimodal\u002F](03-Scale-Multimodal\u002F) |\n| 04 | 对齐与开源 — RLHF · DPO · LLaMA | 2022–2023 | [04-Alignment-OpenSource\u002F](04-Alignment-OpenSource\u002F) |\n| 05 | 系统与生产 — RAG · Agent · vLLM · MLOps | 2023–2025 | [05-Systems-Production\u002F](05-Systems-Production\u002F) |\n| 06 | 实战项目 — 企业级端到端系统 | 跨阶段 | [06-Capstone-Projects\u002F](06-Capstone-Projects\u002F) |\n\n---\n\n\u003Ca id=\"quick-start\">\u003C\u002Fa>\n\n## 快速开始\n\n### 1. 克隆仓库\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fzkywsg\u002FDaily-LLM.git\ncd Daily-LLM\n```\n\n### 2. 安装依赖\n\n```bash\npip install -r requirements.txt\n```\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>按阶段选择性安装依赖\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n```bash\n# Phase 00-01（前置 + 视觉线）\npip install torch numpy scikit-learn matplotlib\n\n# Phase 02-03（语言线 + 规模多模态）\npip install transformers datasets sentence-transformers\n\n# Phase 04（对齐与微调）\npip install peft trl\n\n# Phase 05（系统与生产）\npip install sentence-transformers faiss-cpu chromadb langchain vllm fastapi mlflow wandb\n```\n\n\u003C\u002Fdetails>\n\n---\n\n## 贡献\n\n欢迎贡献改进内容、补充案例、修正文档或完善结构。提交前请先阅读 [CONTRIBUTING.md](CONTRIBUTING.md)。\n\n## 许可证\n\n本项目采用 [MIT License](LICENSE)。\n","\u003Cdiv align=\"center\">\n\n\u003Cimg src=\".github\u002Fassets\u002Freadme-banner.svg\" alt=\"Daily-LLM banner\" width=\"100%\" \u002F>\n\n# 深度学习与大模型精通之路\n\n### Deep Learning & LLM Mastery\n\n\u003Cp>\n  深度学习与大模型的完整工程路线——从 2012 年 AlexNet 到 2025 年推理模型，每一个技术都是被前一代局限逼出来的。\n\u003C\u002Fp>\n\n\u003Cp>\n  \u003Ca href=\"README_EN.md\">\u003Cstrong>English\u003C\u002Fstrong>\u003C\u002Fa>\n  ·\n  \u003Ca href=\"#timeline\">\u003Cstrong>时间线\u003C\u002Fstrong>\u003C\u002Fa>\n  ·\n  \u003Ca href=\"#modules\">\u003Cstrong>模块索引\u003C\u002Fstrong>\u003C\u002Fa>\n  ·\n  \u003Ca href=\"#quick-start\">\u003Cstrong>快速开始\u003C\u002Fstrong>\u003C\u002Fa>\n  ·\n  \u003Ca href=\"CONTRIBUTING.md\">\u003Cstrong>贡献指南\u003C\u002Fstrong>\u003C\u002Fa>\n\u003C\u002Fp>\n\n[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-0F172A.svg?style=flat-square)](LICENSE)\n[![Python 3.8+](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.8%2B-2563EB.svg?style=flat-square)](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F)\n[![Phases](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPhases-6%2BTimeline-059669.svg?style=flat-square)](.\u002F)\n[![Bilingual](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDocs-English%20%7C%20%E4%B8%AD%E6%96%87-D97706.svg?style=flat-square)](README_EN.md)\n\n\u003C\u002Fdiv>\n\n---\n\n\u003Ca id=\"timeline\">\u003C\u002Fa>\n\n## 时间线：被逼出来的历史（2012–2025）\n\n| 年份 | 核心突破 | 之前卡在哪 |\n|------|---------|-----------|\n| 2012 | **AlexNet** — Top-5 错误率 15.3%，比第二名低 11 个百分点 | 视觉特征靠手工设计（SIFT\u002FHOG），识别率多年停滞在 25–26% |\n| 2013 | **Word2Vec** — `king − man + woman ≈ queen` | One-Hot 无语义，\"猫\"与\"狗\"的距离等于\"猫\"与\"飞机\" |\n| 2014 | **GAN + Seq2Seq + Attention + Adam** — 四个基础件同年到位 | 模型只能分类不能生成；翻译靠规则对齐表；学习率需手动调 |\n| 2015 | **ResNet + Batch Norm** — 152 层，Top-5 低于人类水平 | 网络超 20 层后训练反而变差（退化问题） |\n| 2016 | **AlphaGo** — 4:1 击败世界冠军李世石 | 围棋搜索空间天文数字，专家预测 AI 至少还需十年 |\n| 2017 | **Transformer** — 纯 Attention 取代 RNN，完全并行 | LSTM 天生串行，句子越长训练越慢 |\n| 2018 | **BERT + GPT-1** — 预训练 + 微调范式，一词多义解决 | 静态词向量每词只有一个表示，下游任务需从头训练 |\n| 2019 | **GPT-2 + T5** — 1.5B 参数，NLP 任务统一为文本到文本 | BERT 路线内卷，无人知道单纯放大模型会发生什么 |\n| 2020 | **GPT-3 + Scaling Laws** — 175B 参数涌现 Few-shot 能力 | 普遍认为大模型必须在每个任务上微调才有效 |\n| 2021 | **CLIP + Codex + LoRA** — 图文对齐 \u002F 代码生成 \u002F 低成本微调 | 视觉与语言完全割裂；大模型微调只有巨头能做 |\n| 2022 | **ChatGPT + RLHF** — 5 天百万用户，史上最快消费应用增长 | GPT-3 是文本补全工具；无对齐机制，有害内容照单全说 |\n| 2023 | **GPT-4 + LLaMA** — 多模态推理质变，开源社区全面爆发 | 大模型权重是少数闭源公司专利，研究者无法触及 |\n| 2024 | **MoE + 长上下文 + o1** — 激活参数比例下降；推理时慢思考 | 大模型推理成本线性上涨；复杂推理一步错满盘皆输 |\n| 2025 | **DeepSeek R1 + Test-Time Compute** — 开源追平闭源推理能力 | 推理模型是 OpenAI 独门武器；\"只有砸钱才能做\"无人挑战 |\n\n→ 完整展开（发生了什么 · 解决了什么 · 每年 10 个关键工作）见 [00-Timeline\u002F](00-Timeline\u002F)\n\n---\n\n\u003Ca id=\"modules\">\u003C\u002Fa>\n\n## 模块索引\n\n| Phase | 主题 | 时间段 | 入口 |\n|-------|------|--------|------|\n| 00 | Timeline — 被逼出来的历史 | 2012–2025 | [00-Timeline\u002F](00-Timeline\u002F) |\n| 00 | 前置准备 — 神经网络基础 | — | [00-Prerequisites\u002F](00-Prerequisites\u002F) |\n| 01 | 视觉线 — AlexNet → ResNet → GAN | 2012–2017 | [01-Visual-Intelligence\u002F](01-Visual-Intelligence\u002F) |\n| 02 | 语言线 — Word2Vec → Transformer → BERT | 2013–2019 | [02-Language-Transformers\u002F](02-Language-Transformers\u002F) |\n| 03 | 汇流：规模与多模态 — GPT-3 · ViT · CLIP | 2020–2021 | [03-Scale-Multimodal\u002F](03-Scale-Multimodal\u002F) |\n| 04 | 对齐与开源 — RLHF · DPO · LLaMA | 2022–2023 | [04-Alignment-OpenSource\u002F](04-Alignment-OpenSource\u002F) |\n| 05 | 系统与生产 — RAG · Agent · vLLM · MLOps | 2023–2025 | [05-Systems-Production\u002F](05-Systems-Production\u002F) |\n| 06 | 实战项目 — 企业级端到端系统 | 跨阶段 | [06-Capstone-Projects\u002F](06-Capstone-Projects\u002F) |\n\n---\n\n\u003Ca id=\"quick-start\">\u003C\u002Fa>\n\n## 快速开始\n\n### 1. 克隆仓库\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fzkywsg\u002FDaily-LLM.git\ncd Daily-LLM\n```\n\n### 2. 安装依赖\n\n```bash\npip install -r requirements.txt\n```\n\n\u003Cdetails>\n\u003Csummary>\u003Cstrong>按阶段选择性安装依赖\u003C\u002Fstrong>\u003C\u002Fsummary>\n\n```bash\n# Phase 00-01（前置 + 视觉线）\npip install torch numpy scikit-learn matplotlib\n\n# Phase 02-03（语言线 + 规模多模态）\npip install transformers datasets sentence-transformers\n\n# Phase 04（对齐与微调）\npip install peft trl\n\n# Phase 05（系统与生产）\npip install sentence-transformers faiss-cpu chromadb langchain vllm fastapi mlflow wandb\n```\n\n\u003C\u002Fdetails>\n\n---\n\n## 贡献\n\n欢迎贡献改进内容、补充案例、修正文档或完善结构。提交前请先阅读 [CONTRIBUTING.md](CONTRIBUTING.md)。\n\n## 许可证\n\n本项目采用 [MIT License](LICENSE)。","# Daily-LLM 快速上手指南\n\nDaily-LLM 是一份涵盖从 2012 年 AlexNet 到 2025 年推理模型的深度学习与大模型完整工程路线指南。本指南将帮助你快速搭建环境并开启学习之旅。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 WSL2)\n*   **Python 版本**：3.8 或更高版本\n*   **包管理工具**：pip\n*   **Git**：用于克隆代码仓库\n\n> **国内开发者建议**：为避免下载依赖包时速度过慢，建议配置国内镜像源（如清华源、阿里源）。\n> ```bash\n> pip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n\n使用 Git 将项目代码下载到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fzkywsg\u002FDaily-LLM.git\ncd Daily-LLM\n```\n\n### 2. 安装依赖\n\n你可以根据学习路径选择**全量安装**或**按阶段安装**。\n\n#### 方案 A：全量安装（推荐初学者）\n直接安装所有模块所需的依赖：\n\n```bash\npip install -r requirements.txt\n```\n\n#### 方案 B：按阶段选择性安装\n如果你只想专注于特定领域，可运行以下命令：\n\n```bash\n# Phase 00-01：前置基础 + 视觉线 (AlexNet -> ResNet -> GAN)\npip install torch numpy scikit-learn matplotlib\n\n# Phase 02-03：语言线 + 规模多模态 (Transformer -> GPT-3 -> CLIP)\npip install transformers datasets sentence-transformers\n\n# Phase 04：对齐与微调 (RLHF -> LLaMA -> LoRA)\npip install peft trl\n\n# Phase 05：系统与生产 (RAG -> Agent -> vLLM)\npip install sentence-transformers faiss-cpu chromadb langchain vllm fastapi mlflow wandb\n```\n\n## 基本使用\n\nDaily-LLM 是一个结构化的学习与工程实践路线图，而非单一的命令行工具。最简单的使用方式是进入对应的模块目录，运行其中的示例代码或阅读文档。\n\n### 示例：开启视觉智能学习 (Phase 01)\n\n1.  进入视觉智能模块目录：\n    ```bash\n    cd 01-Visual-Intelligence\u002F\n    ```\n2.  查看该阶段包含的笔记与代码示例（具体文件名请以实际目录内容为准）：\n    ```bash\n    ls\n    ```\n3.  运行第一个示例脚本（假设存在 `alexnet_demo.py`）：\n    ```bash\n    python alexnet_demo.py\n    ```\n\n### 示例：体验大模型微调 (Phase 04)\n\n1.  进入对齐与开源模块：\n    ```bash\n    cd 04-Alignment-OpenSource\u002F\n    ```\n2.  按照目录下的教程文档，使用 `peft` 和 `trl` 库加载预训练模型并进行 LoRA 微调实验。\n\n> **提示**：每个模块文件夹内均包含详细的技术演进说明、核心代码实现及实验指导，请按 `00-Timeline` -> `00-Prerequisites` -> `01` 至 `06` 的顺序循序渐进。","某科技公司的算法团队正计划从传统的 CNN 架构迁移至多模态大模型，以构建新一代智能客服系统，但团队成员对技术演进路线和工程落地细节存在认知断层。\n\n### 没有 Daily-LLM 时\n- **知识碎片化严重**：工程师需自行在海量论文和博客中拼凑从 AlexNet 到 Transformer 的演进逻辑，难以理解为何旧方案会被淘汰，导致技术选型犹豫不决。\n- **学习曲线陡峭**：缺乏系统化的代码实战指引，新手在面对 ResNet 退化问题或 Attention 机制并行优势时，往往因不懂历史背景而陷入理论死胡同。\n- **工程落地脱节**：团队清楚模型原理，却不知如何将 RLHF 对齐、LoRA 微调与 vLLM 推理部署串联成完整的生产级流水线，试错成本极高。\n- **视野局限**：仅关注当前热门的闭源模型接口，忽视了开源社区在 MoE 架构和长上下文处理上的最新突破，错失低成本自研机会。\n\n### 使用 Daily-LLM 后\n- **脉络清晰可循**：通过\"被逼出来的历史”时间线，团队迅速掌握每项技术突破背后的痛点（如 LSTM 串行瓶颈催生 Transformer），统一了技术演进共识。\n- **模块化实战进阶**：依托分阶段的模块索引，成员按图索骥，从视觉线到语言线再到系统生产，配合可运行的代码示例快速补齐技能短板。\n- **端到端路径明确**：直接参考 Phase 05 和 06 的企业级项目案例，顺利打通了从数据清洗、RAG 检索增强到 Agent 代理部署的全流程，缩短研发周期。\n- **前沿技术同步**：及时获取 2024-2025 年关于推理模型和测试时计算的最新开源方案，让团队能以更低算力实现媲美闭源模型的复杂推理能力。\n\nDaily-LLM 不仅是一份教程，更是一张将零散技术点串联成完整工程地图的导航，帮助团队在深度学习与大模型的浪潮中少走弯路，精准落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzkywsg_Daily-LLM_ef6a9f59.png","zkywsg","Aron Lau","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fzkywsg_ea62d9c7.jpg",null,"GUANGZHOU，CHINA","https:\u002F\u002Fgithub.com\u002Fzkywsg",[82,86],{"name":83,"color":84,"percentage":85},"Python","#3572A5",74.5,{"name":87,"color":88,"percentage":89},"Jupyter Notebook","#DA5B0B",25.5,825,159,"2026-04-02T17:33:19","MIT","未说明","未说明（但依赖库包含 torch, vllm, faiss-cpu，通常暗示需要 NVIDIA GPU 以进行深度学习训练或高性能推理，具体显存和 CUDA 版本未在文中指定）",{"notes":97,"python":98,"dependencies":99},"该项目是一个涵盖 2012-2025 年深度学习与大模型技术路线的学习仓库。依赖库可按阶段选择性安装（如视觉线、语言线、对齐微调、系统生产等）。部分高级功能（如 vLLM）可能需要特定的 GPU 环境支持，但 README 中未给出具体硬件指标。","3.8+",[100,101,102,103,104,105,106,107,108,109],"torch","numpy","scikit-learn","matplotlib","transformers","datasets","sentence-transformers","peft","trl","vllm",[14,13,26],[112,113,114,115,116,117,118,119,120,121,122,123,124,125,126,127],"python","pytorch","deep-learning","machine-learning","nlp","tensorflow","tensorflow-tutorials","tensorflow-examples","pytorch-tutorial","pytorch-tutorials","pytorch-nlp","leetcode","leetcode-solutions","leetcode-python","cv","llm","2026-03-27T02:49:30.150509","2026-04-06T07:11:47.457618",[],[]]