登录
主页
 文章
集中版本控制工具（KitOps）
KitOps是用于AI/ML项目的集中版本控制工具，通过可重用组件、集中版本管理和安全的ModelKit打包格式来简化ML工作流。它与Docker、Terraform和Kubernetes等工具无缝集成，支持多种云端存储，如AWS S3和Azure Blob，可在不增大Git仓库的情况下对大型数据集进行版本管理。项目地址：https://github.com/jozu-ai/kitops
2025-07-23
1053
6
11
BaaS平台（Supabase）
Supabase 是一个开源的后端即服务（Backend-as-a-Service, BaaS）平台，常被称为“开源版 Firebase”。它旨在为开发者提供快速搭建后端所需的核心工具，无需从零构建数据库、认证、存储等基础设施。Supabase 的核心目标是：“提供开源的 Firebase 替代方案”，让开发者通过简单的 API 即可使用企业级后端功能，同时保持数据控制权和开源自由。它强调“无供应商锁定”，支持自托管或使用其托管服务，数据存储在开源的 PostgreSQL 中，避免被单一平台绑定。
2025-07-23
1063
9
4
开源协作办公工具（AppFlowy）
AppFlowy 是一个开源的协作办公工具，定位为“开源版 Notion”，旨在为用户提供一个隐私优先、可自定义且本地优先的笔记与协作平台。它支持跨平台使用，包括桌面端（Windows、macOS、Linux）和移动端（iOS、Android），核心特点是开源免费、数据本地存储、高度可定制以及支持离线使用。
2025-07-23
1002
2
1
对象存储系统（RustFS）
国产开源对象存储系统RustFS在具备高性能、小体积、良好的兼容性等优势。其读写速度吊打同类工具 92% 以上，数据读写成功率达到 99.99%，二进制包仅 100MB，还全量支持 S3 协议，对 ARM 架构设备原生支持。项目地址：https://github.com/rustfs/rustfs一、技术原理1.Rust语言的底层支撑
2025-07-21
733
3
9
工作流自动化平台（n8n）
n8n是一款开源的工作流自动化平台，它提供了一个低代码平台，允许用户通过拖放操作创建复杂的工作流，无需编写大量代码。n8n由Jan Oberhauser于2019年在德国柏林创建。n8n采用公平代码（Fair Code）许可证，支持本地部署或云端使用，数据可控性高，适合对隐私敏感的企业。可用于个人效率提升，如聚合信息、定时提醒等；也适用于企业自动化，如复杂业务流程整合、数据备份与监控等；还能作为开发者工具，通过自定义代码扩展节点，快速对接内部API。用户可在n8n中创建复杂工作流，连接多个应用和数据源，实现任务自动化执行，如自动收集数据、整理成报告并发送，同时在通讯工具中发送通知。提供超过400种预制节点，支持与各种应用和服务集成，包括CRM、数据库、社交媒体平台、邮件服务等，还能对接各种第三方API。
2025-07-21
724
6
1
大模型管理平台（CSGHub）
CSGHub是一个开源大模型管理平台，提供高效管理大模型及其数据集、空间和代码等资产的方法，可简化大型语言模型的管理和部署，用户可根据自身需求进行定制。CSGHub由OpenCSG团队开发的开源、可信的大模型资产管理平台。为用户提供一个开源开放的、针对大模型原生设计的资产管理平台，支持私有化部署和离线运行，帮助用户治理LLM和LLM应用生命周期中涉及到的资产，如数据集、模型文件、代码等。
2025-07-20
911
3
14
文本结构化工具（GraphRAG）
GraphRAG利用 LLM 的功能从非结构化文本中提取有意义的结构化数据，利用知识图谱记忆结构来增强 LLM 的输出，已被证明可以显著提高 LLM 在事实准确性和关系推理方面的性能。将输入文本分割为多个可分析单元TextUnits，使用LLM提取实体、关系和关键声明，然后通过层次聚类技术对图谱进行社区划分，并生成每个社区的摘要。
2025-07-20
510
1
7
智能体强化训练器（ART）
智能体强化训练器（Agent Reinforcement Trainer，ART），使用GRPO算法训练多步骤智能体完成现实任务，支持Qwen2.5、Qwen3、Llama、Kimi等模型的强化学习训练。ART用在提高大型语言模型（LLM）在智能体工作流程中的性能，它允许开发者在现有的代码库中执行智能体运行，并将强化学习训练循环的复杂性卸载到ART后端。该平台使用GRPO算法训练多步骤智能体完成现实任务，支持Qwen2.5、Qwen3、Llama、Kimi等模型的强化学习训练。通过允许LLM从经验中学习，ART能够提高智能体的可靠性，适用于多种场景下智能体的强化训练。
2025-07-19
838
9
2
物联网云平台（Kaa IoT Platform）
Kaa IoT Platform是一个开源的、跨平台的物联网应用框架，为开发者提供了一套完整的工具集，用于构建和管理各种规模的IoT解决方案。通过提供服务器和SDK组件，可实现对连接对象和后端基础设施的数据管理，能管理无限数量的设备，支持收集和分析传感器数据、分析用户行为等功能。
2025-07-19
533
1
5
实时知识图谱构建工具（graphiti）
Graphiti是一个用于构建和查询时间感知知识图谱的开源框架。它专为在动态环境中运行的AI智能体设计，能够持续整合用户交互、结构化与非结构化企业数据以及外部信息，形成一个连贯且可查询的图谱。项目地址：https://github.com/getzep/graphiti一、技术原理Graphiti的技术原理围绕动态知识图谱构建与时间感知能力展开，核心设计包括以下关键机制：
2025-07-18
718
5
14
蓝牙设备固件升级技术（OTA）
蓝牙OTA（Over-the-Air）是一种通过蓝牙无线通信技术实现设备固件（Firmware）远程升级的技术。它允许厂商或用户通过蓝牙连接，无需物理接口（如USB线）即可为蓝牙设备推送固件更新，从而修复漏洞、优化性能或新增功能。随着物联网（IoT）设备的普及，蓝牙OTA已成为智能硬件维护和迭代的核心技术之一。
2025-07-18
609
8
10
AI查询引擎（mindsdb）
mindsdb是一个用于构建AI系统的平台，能够对大规模联邦数据进行智能问答，提供了唯一需要的MCP（Model-Controller-Predictor）服务端解决方案。2017年，MindsDB由Adam Carrigan和Jorge Torres联合创立，总部位于美国旧金山。两人此前曾创办Real Life Analytics，致力于用AI技术实现广告精准投放，但以失败告终。之后，他们怀揣着“AI普惠”的理念，创立了MindsDB，旨在简化AI的上手难度，让普通软件开发者也能方便使用AI能力。
2025-07-17
962
3
9
机器学习模型部署与管理框架（BentoML）
BentoML 是一个开源的机器学习模型部署与生命周期管理框架，旨在解决机器学习模型从训练完成到生产环境部署的全流程痛点，支持多种模型格式、部署场景和协作模式。其核心目标是让数据科学家和工程师能够快速、可靠地将模型转化为可生产的服务，同时简化模型版本管理、 scaling 和监控等运维工作。
2025-07-16
937
3
1
深度交叉网络模型（DCN）
Deep & Cross Network（DCN）是谷歌和斯坦福大学在2017年提出的，用于广告点击预测（Ad Click Prediction）的模型，主要解决CTR（点击率）预估问题。它是对Wide&Deep模型的进一步改进，能够自动学习特征交叉，有效捕获有限阶上的有效特征交叉，无需人工特征工程或暴力搜索，且计算代价较低。
2025-07-16
695
7
14
云原生应用监控系统（Prometheus）
Prometheus是由SoundCloud开发的开源监控系统，2016年被CNCF纳入为第二大开源项目，现已成为独立的开源项目，拥有活跃的开发人员和用户社区。它是一个针对云原生应用和分布式系统的监控和报警工具，提供了从监控数据搜集、存储、处理到可视化和告警的完整解决方案。项目地址：https://github.com/prometheus/prometheus
2025-07-15
618
9
3
梯度提升机（GBM）
Gradient Boosting Machine（GBM，梯度提升机）是集成学习（Ensemble Learning）中Boosting 框架下的经典算法，核心思想是通过串行训练多个弱学习器（通常为决策树），逐步纠正前序模型的预测误差，最终构建一个强学习器。它凭借优异的预测性能，在分类、回归、排序等任务中被广泛应用，也是数据科学竞赛中的常用工具。
2025-07-15
803
0
13
梯度提升决策树机器学习库（CatBoost）
CatBoost是由俄罗斯搜索引擎巨头Yandex开发的高性能梯度提升决策树机器学习库，于2017年开源，采用Apache 2.0许可证，可免费开源使用。它是GBDT算法框架下的一种改进实现，主要用于解决分类和回归问题。基于对称决策树（oblivious trees）算法，通过构建多个简单预测器来逐步改进目标函数，从而形成一个强大的模型。
2025-07-14
1180
4
4
机器学习模型（Wide&Deep）
Wide&Deep 是 Google 于 2016 年在论文《Wide & Deep Learning for Recommender Systems》中提出的机器学习模型，旨在解决推荐系统中“记忆性（Memorization）”与“泛化性（Generalization）”的平衡问题。该模型通过融合线性模型（Wide 部分）和深度学习模型（Deep 部分）的优势，在 Google Play 应用推荐等场景中取得了显著效果，成为推荐系统领域的经典模型之一。
2025-07-14
652
4
6
点击率预测的深度学习模型（DeepFM）
DeepFM（Deep Factorization Machine）是一种用于点击率（CTR）预测的深度学习模型，它结合了因子分解机（FM）和深度神经网络（DNN）的优点，能够自动学习低阶和高阶的特征交叉，无需复杂的人工特征工程。一、模型架构DeepFM 主要包含 FM 部分和 Deep 部分。FM 部分用于学习低阶的交叉特征，能够有效捕捉数据中的一阶和二阶特征关系。Deep 部分则是一个全连接神经网络，用于学习高阶的交叉特征，通过多层神经元的非线性变换，挖掘数据中更复杂的特征组合。
2025-07-13
1161
9
0
分布式梯度提升库（XGBoost）
XGBoost（eXtreme Gradient Boosting）是一个开源的、高度优化的分布式梯度提升库。XGBoost 基于决策树算法，通过集成多个弱分类器以提升整体模型的性能。它在训练速度和模型表现上相比传统的梯度提升算法都有显著提升，是一种高效的、可扩展的梯度提升框架。该框架被广泛用于解决分类、回归、排序、推荐系统等各种类型的问题，在机器学习和数据科学领域应用十分广泛。同时，XGBoost 具有高性能和可扩展性，支持并行计算和分布式训练，能高效处理大规模特征和样本，可在多种分布式环境中运行，还能在 C++、Python、R、Java、Scala 等多种编程语言中使用。
2025-07-13
888
9
3
- -
© 2021 - 现在 杭州极深数据有限公司 版权所有 （深数据® DEEPDATA® 极深®） 联系我们 
浙公网安备 33018302001059号  浙ICP备18026513号-1号