[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-zou-group--virtual-lab":3,"tool-zou-group--virtual-lab":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",153609,2,"2026-04-13T11:34:59",[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":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":32,"env_os":95,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":103,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":137},7197,"zou-group\u002Fvirtual-lab","virtual-lab","A virtual lab of LLM agents for science research","Virtual Lab 是一个专为科学研究打造的 AI 虚拟实验室，旨在构建人类研究者与大语言模型（LLM）智能体团队的高效协作模式。它解决了传统科研中思路发散难、跨学科协作成本高以及实验设计迭代慢的痛点，通过模拟真实的科研讨论环境，加速从假设提出到方案验证的全过程。\n\n该平台特别适合生物计算、药物研发领域的科研人员及希望探索 AI 辅助科学发现的研究团队使用。其核心亮点在于独特的“双重会议机制”：在“团队会议”中，多个具备不同专长的 AI 智能体围绕研究者提出的科学议题进行集体研讨，激发多维度的创新思路；在“个人会议”中，研究者可指派特定智能体深入执行具体的计算或分析任务。此外，Virtual Lab 已成功整合 ESM、AlphaFold-Multimer 和 Rosetta 等主流生物计算工具，并在 SARS-CoV-2 纳米抗体设计的实际案例中，成功辅助设计了 92 种经实验验证的有效分子，证明了其在处理复杂科学问题上的可靠性与实用性。","# Virtual Lab\n\n[![PyPI - Python Version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fvirtual-lab)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fvirtual-lab)\n[![PyPI version](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fvirtual-lab.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fvirtual-lab)\n[![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzou-group_virtual-lab_readme_d8b656683a87.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fvirtual-lab)\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fzou-group\u002Fvirtual-lab.svg)](https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual-lab\u002Fblob\u002Fmain\u002FLICENSE.txt)\n\n![Virtual Lab](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzou-group_virtual-lab_readme_e44c519c57e0.png)\n\nThe **Virtual Lab** is an AI-human collaboration for science research. In the Virtual Lab, a human researcher works with a team of large language model (LLM) **agents** to perform scientific research. Interaction between the human researcher and the LLM agents occurs via a series of **team meetings**, where all the LLM agents discuss a scientific agenda posed by the human researcher, and **individual meetings**, where the human researcher interacts with a single LLM agent to solve a particular scientific task.\n\nPlease see our paper [The Virtual Lab of AI agents designs new SARS-CoV-2 nanobodies](https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41586-025-09442-9) for more details on the Virtual Lab and an application to nanobody design for SARS-CoV-2.\n\nIf you use the Virtual Lab, please cite our work as follows:\n\nSwanson, K., Wu, W., Bulaong, N.L. et al. The Virtual Lab of AI agents designs new SARS-CoV-2 nanobodies. *Nature* (2025). https:\u002F\u002Fdoi.org\u002F10.1038\u002Fs41586-025-09442-9\n\n\n## Virtual Lab for nanobody design\n\nAs a real-world demonstration, we applied the Virtual Lab to design nanobodies for one of the latest variants of SARS-CoV-2 (see [nanobody_design](https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual-lab\u002Ftree\u002Fmain\u002Fnanobody_design)). The Virtual Lab built a computational pipeline consisting of [ESM](https:\u002F\u002Fwww.science.org\u002Fdoi\u002F10.1126\u002Fscience.ade2574), [AlphaFold-Multimer](https:\u002F\u002Fwww.biorxiv.org\u002Fcontent\u002F10.1101\u002F2021.10.04.463034v2), and [Rosetta](https:\u002F\u002Frosettacommons.org\u002Fsoftware\u002F) and used it to design 92 nanobodies that were experimentally validated.\n\nPlease see the notebook [nanobody_design\u002Frun_nanobody_design.ipynb](https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual-lab\u002Fblob\u002Fmain\u002Fnanobody_design\u002Frun_nanobody_design.ipynb) for an example of how to use the Virtual Lab to create agents and run team and individual meetings.\n\n\n## Installation\n\nThe Virtual Lab can be installed using pip or by cloning the repo and installing the required packages. Installation should only take a couple of minutes.\n\nOptionally, first create a conda environment.\n\n```bash\nconda create -y -n virtual_lab python=3.14\nconda activate virtual_lab\n```\n\nThe Virtual Lab can be installed via pip.\n\n```bash\npip install virtual-lab\n```\n\nTo install the latest version of the Virtual Lab locally, clone the repo and then install the package.\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual_lab.git\ncd virtual_lab\npip install -e .\n```\n\n\n## OpenAI API Key\n\nThe Virtual Lab currently uses GPT-5.2 from OpenAI by default. Save your OpenAI API key as the environment variable `OPENAI_API_KEY`. For example, add `export OPENAI_API_KEY=\u003Cyour_key>` to your `.bashrc` or `.bash_profile`.\n","# 虚拟实验室\n\n[![PyPI - Python 版本](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fvirtual-lab)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fvirtual-lab)\n[![PyPI 版本](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fvirtual-lab.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fvirtual-lab)\n[![下载量](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzou-group_virtual-lab_readme_d8b656683a87.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fvirtual-lab)\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fzou-group\u002Fvirtual-lab.svg)](https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual-lab\u002Fblob\u002Fmain\u002FLICENSE.txt)\n\n![虚拟实验室](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzou-group_virtual-lab_readme_e44c519c57e0.png)\n\n**虚拟实验室**是一种用于科学研究的人工智能与人类协作平台。在虚拟实验室中，一位研究人员与一组大型语言模型（LLM）代理共同开展科研工作。研究人员与 LLM 代理之间的交互通过一系列 **团队会议** 和 **个人会议** 进行：在团队会议上，所有 LLM 代理会讨论由研究人员提出的科学议题；而在个人会议上，研究人员则与单个 LLM 代理互动，以解决特定的科学任务。\n\n有关虚拟实验室及其在 SARS-CoV-2 纳米抗体设计中的应用，请参阅我们的论文《AI 代理虚拟实验室设计新型 SARS-CoV-2 纳米抗体》（Nature, 2025）。doi:10.1038\u002Fs41586-025-09442-9。\n\n如果您使用了虚拟实验室，请按以下方式引用我们的工作：\n\nSwanson, K., Wu, W., Bulaong, N.L. 等. AI 代理虚拟实验室设计新型 SARS-CoV-2 纳米抗体. *Nature* (2025). https:\u002F\u002Fdoi.org\u002F10.1038\u002Fs41586-025-09442-9\n\n\n## 虚拟实验室在纳米抗体设计中的应用\n\n作为实际应用示例，我们将虚拟实验室应用于设计针对 SARS-CoV-2 最新变体之一的纳米抗体（详见 [nanobody_design](https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual-lab\u002Ftree\u002Fmain\u002Fnanobody_design)）。虚拟实验室构建了一条由 [ESM](https:\u002F\u002Fwww.science.org\u002Fdoi\u002F10.1126\u002Fscience.ade2574)、[AlphaFold-Multimer](https:\u002F\u002Fwww.biorxiv.org\u002Fcontent\u002F10.1101\u002F2021.10.04.463034v2) 和 [Rosetta](https:\u002F\u002Frosettacommons.org\u002Fsoftware\u002F) 组成的计算流程，并利用该流程设计出 92 种经实验验证的纳米抗体。\n\n请参阅笔记本 [nanobody_design\u002Frun_nanobody_design.ipynb](https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual-lab\u002Fblob\u002Fmain\u002Fnanobody_design\u002Frun_nanobody_design.ipynb)，了解如何使用虚拟实验室创建代理并组织团队会议和个人会议的示例。\n\n\n## 安装\n\n虚拟实验室可以通过 pip 安装，也可以通过克隆仓库并安装所需依赖来完成安装。整个安装过程通常只需几分钟。\n\n可选步骤：首先创建一个 Conda 环境。\n\n```bash\nconda create -y -n virtual_lab python=3.14\nconda activate virtual_lab\n```\n\n然后，您可以通过 pip 安装虚拟实验室：\n\n```bash\npip install virtual-lab\n```\n\n若需在本地安装最新版本的虚拟实验室，可先克隆仓库，再进行安装：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual_lab.git\ncd virtual_lab\npip install -e .\n```\n\n\n## OpenAI API 密钥\n\n目前，虚拟实验室默认使用 OpenAI 的 GPT-5.2 模型。请将您的 OpenAI API 密钥保存为环境变量 `OPENAI_API_KEY`。例如，您可以将 `export OPENAI_API_KEY=\u003Cyour_key>` 添加到您的 `.bashrc` 或 `.bash_profile` 文件中。","# Virtual Lab 快速上手指南\n\nVirtual Lab 是一个用于科学研究的 AI 与人协作平台。在该系统中，人类研究者与一组大型语言模型（LLM）**智能体（Agents）**协同工作。交互通过两种会议形式进行：\n*   **团队会议 (Team Meetings)**：所有 LLM 智能体共同讨论由人类研究者提出的科学议程。\n*   **个人会议 (Individual Meetings)**：人类研究者与单个 LLM 智能体互动，以解决特定的科学任务。\n\n## 环境准备\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows (WSL 推荐)\n*   **Python 版本**：3.10 及以上（官方示例使用 Python 3.14）\n*   **依赖项**：\n    *   `pip` 包管理工具\n    *   (可选) `conda` 用于创建隔离环境\n*   **API 密钥**：需要有效的 OpenAI API Key（默认使用 GPT-5.2 模型）\n\n## 安装步骤\n\n### 1. 创建虚拟环境（推荐）\n建议使用 Conda 创建独立的 Python 环境以避免依赖冲突。\n\n```bash\nconda create -y -n virtual_lab python=3.14\nconda activate virtual_lab\n```\n\n### 2. 安装 Virtual Lab\n\n**方式一：通过 PyPI 安装（稳定版）**\n\n```bash\npip install virtual-lab\n```\n\n**方式二：从源码安装（最新版）**\n如需获取最新功能或进行开发，可克隆仓库并本地安装。\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual_lab.git\ncd virtual_lab\npip install -e .\n```\n\n> **提示**：国内用户若遇到下载缓慢，可添加清华或阿里镜像源加速安装：\n> `pip install virtual-lab -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 基本使用\n\n### 1. 配置 API 密钥\nVirtual Lab 默认调用 OpenAI 的 GPT-5.2 模型。请将您的 API Key 设置为环境变量。\n\n**临时设置（当前终端会话有效）：**\n```bash\nexport OPENAI_API_KEY=\u003Cyour_key>\n```\n\n**永久设置（写入配置文件）：**\n将以下内容添加到 `~\u002F.bashrc` 或 `~\u002F.bash_profile` 中：\n```bash\nexport OPENAI_API_KEY=\u003Cyour_key>\n```\n*注意：请将 `\u003Cyour_key>` 替换为您实际的 OpenAI API 密钥。*\n\n### 2. 运行示例\n安装完成后，您可以参考官方提供的纳米抗体设计示例来学习如何创建智能体并召开会议。\n\n查看示例 Notebook：\n```bash\n# 进入示例目录（如果是源码安装）\ncd nanobody_design\n\n# 启动 Jupyter Notebook 查看 run_nanobody_design.ipynb\njupyter notebook run_nanobody_design.ipynb\n```\n\n在该 Notebook 中，您将看到如何：\n1.  初始化不同的科学任务智能体。\n2.  发起**团队会议**让智能体们讨论实验方案。\n3.  发起**个人会议**指派特定任务给单个智能体执行。\n\n更多详细应用场景请参考项目仓库中的 `nanobody_design` 目录及相关论文。","某生物制药研发团队正致力于针对新型流感病毒变异株快速设计高亲和力的纳米抗体，以应对潜在的公共卫生威胁。\n\n### 没有 virtual-lab 时\n- **协作割裂低效**：研究人员需手动在文献调研、序列生成（ESM）、结构预测（AlphaFold-Multimer）和能量优化（Rosetta）等不同工具间切换，数据流转依赖人工复制粘贴，极易出错且耗时。\n- **思维盲区难破**：单人或小团队的知识储备有限，难以全面覆盖跨学科的最新算法组合，常因陷入局部最优解而错过更具潜力的候选分子。\n- **迭代周期漫长**：从提出假设到完成一轮计算验证往往需要数天，面对病毒快速变异，研发速度远远滞后于疫情发展需求。\n- **实验验证成本高**：由于缺乏系统性的多轮模拟筛选，送入湿实验验证的候选物成功率低，导致昂贵的试剂和人力被大量浪费在无效样本上。\n\n### 使用 virtual-lab 后\n- **智能流水线协同**：virtual-lab 自动组建由多个 LLM 专家代理构成的虚拟团队，无缝串联 ESM、AlphaFold-Multimer 和 Rosetta，实现从靶点分析到分子生成的全自动化闭环。\n- **群体智慧决策**：通过“团队会议”机制，不同代理基于各自专长进行辩论与互补，能主动探索人类研究者未曾设想的突变组合，显著拓宽了设计空间。\n- **敏捷迭代加速**：研究人员只需在“个别会议”中下达指令，virtual-lab 即可在数小时内完成数十轮干湿结合的逻辑推演与预筛选，将研发周期压缩至原来的十分之一。\n- **命中率大幅提升**：依托严密的计算筛选流程，virtual-lab 成功设计出 92 个高潜力纳米抗体并获实验验证，极大降低了湿实验的试错成本。\n\nvirtual-lab 通过将单一研究者升级为\"AI 科学家团队”，彻底重构了生物发现的范式，让新药研发跑赢了病毒变异的速度。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzou-group_virtual-lab_7f001722.png","zou-group","Zou Group","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fzou-group_89327581.png","James Zou Lab at Stanford University, Departments of Biomedical Data Science, Computer Science, and Electrical Engineering.",null,"https:\u002F\u002Fgithub.com\u002Fzou-group",[79,83,87],{"name":80,"color":81,"percentage":82},"Jupyter Notebook","#DA5B0B",95.3,{"name":84,"color":85,"percentage":86},"Python","#3572A5",4.4,{"name":88,"color":89,"percentage":90},"Shell","#89e051",0.3,662,172,"2026-04-12T04:59:06","MIT","未说明",{"notes":97,"python":98,"dependencies":99},"默认使用 OpenAI GPT-5.2 模型，必须配置 OPENAI_API_KEY 环境变量。该工具是一个 AI 与人类协作的科学研发平台，实际应用案例中结合了 ESM、AlphaFold-Multimer 和 Rosetta 进行纳米抗体设计，这些外部工具可能需要独立的安装配置及计算资源（如 GPU）。建议使用 conda 创建虚拟环境进行安装。","3.14",[64,100,101,102],"ESM","AlphaFold-Multimer","Rosetta",[35,13,104],"其他","2026-03-27T02:49:30.150509","2026-04-14T03:09:21.961308",[108,113,118,123,128,133],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},32298,"OpenAI Assistants API 即将弃用，项目是否有迁移计划？","代码已从 Assistants API 迁移到 Chat Completions API（提交记录：92c9816dece169b76b6015a0685536f9875b79fd），现在默认使用 GPT-5.2 模型。如果在使用新 API 时遇到任何问题，请提交新的 Issue。","https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual-lab\u002Fissues\u002F11",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},32299,"如何从头开始复现论文中的纳米抗体（nanobody）结果，特别是第 0 轮的评分数据缺失问题？","对于第 0 轮（ROUND_NUM=0），不应直接运行 `esm.py` 脚本，而应先运行生成初始数据的代码，然后立即合并 ESM 评分。具体步骤如下：\n1. 确保运行流程后生成了 `nanobody_design\u002Fdesigned\u002Fround_0\u002Fesm\u002F${NANOBODY}` 文件夹。\n2. 运行以下命令合并 CSV 文件以生成包含所有列的评分文件：\n```bash\nROUND_NUM=0\nfor NANOBODY in Ty1 H11-D4 Nb21 VHH-72\ndo\npython -c \"from pathlib import Path;import pandas as pd\ndata = pd.concat([pd.read_csv(path).assign(name=path.stem) for path in Path('nanobody_design\u002Fdesigned\u002Fround_${ROUND_NUM}\u002Fesm\u002F${NANOBODY}').glob('*.csv')])\ndata.to_csv('nanobody_design\u002Fdesigned\u002Fround_${ROUND_NUM}\u002Fesm\u002F${NANOBODY}.csv', index=False)\"\ndone\n```\n对于第 1 轮及以后，则正常运行 `esm.py` 脚本。","https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual-lab\u002Fissues\u002F3",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},32300,"运行纳米抗体设计笔记本时遇到 'ValueError: Run failed: failed' 错误怎么办？","该错误通常是由于 OpenAI API 账户余额（Credits）不足导致的。一般每次运行只需几美元，建议检查账户余额并充值（例如 5 美元通常足以进行测试）。充值后重试即可解决。","https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual-lab\u002Fissues\u002F8",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},32301,"项目是否支持最新的 GPT-5 模型？","是的，代码已迁移至 Chat Completions API，支持使用 GPT-5。目前默认模型已设置为 GPT-5.2。如果遇到使用问题，请确保代码已更新到最新版本。","https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual-lab\u002Fissues\u002F15",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},32302,"虚拟实验室中的团队成员是手动添加的还是动态生成的？最终输出的代码如何执行？","1. 团队成员是由“首席研究员（PI）”代理在团队选择步骤中动态创建的，结果保存在 `discussions\u002Fteam_selection\u002Fmerged.md` 文件中。笔记本中看似手动定义的代理实际上是从此文件复制粘贴而来的。\n2. 虚拟实验室框架本身不直接运行 ESM、AlphaFold 和 Rosetta 等重型工具（需要特定环境和解释器）。代理生成的是运行这些工具的 Python 代码脚本，用户需要将这些脚本复制到计算集群或本地环境中手动执行，或者自行扩展框架来集成这些工具的执行逻辑。","https:\u002F\u002Fgithub.com\u002Fzou-group\u002Fvirtual-lab\u002Fissues\u002F2",{"id":134,"question_zh":135,"answer_zh":136,"source_url":112},32303,"代码中哪些文件仍在使用已弃用的 `client.beta.*` (Assistants API)？","根据社区检查，以下三个文件中可能仍涉及相关调用，迁移时需重点关注：\n- `src\\virtual_lab\\run_meeting.py`\n- `src\\virtual_lab\\utils.py`\n- `nanobody_design\\finetune_agents.ipynb`\n建议利用 `nanobody_design\\discussions\\` 子文件夹中的现有讨论文件（如 `team_selection\\discussion_2.json`）作为黄金参考（Golden Reference），对比新旧 API 生成的文件以确保迁移正确性。",[]]