找到 7 篇与 新项目 相关的结果
-
LuoshuOS {card-default label="📦 项目信息"} 🔧 项目名称：LuoshuOS 💻 开发语言：C ⭐ Star数：1 | 🍴 Fork数：1 📅 创建时间：2026-07-23 📜 开源协议：Apache-2.0 🔗 项目地址：https://gitee.com/tenonos/luoshuos {/card-default} 项目介绍 洛书智能体操作系统，一切皆“为”智能体 项目详情 LuoshuOS 介绍 洛书智能体操作系统，一切皆“为”智能体 软件架构 软件架构说明 安装教程 xxxx xxxx xxxx 使用说明 xxxx xxxx xxxx 参与贡献 Fork 本仓库 新建 Feat_xxx 分支 提交代码 新建 Pull Request 特技 使用 Readme\_XXX.md 来支持不同的语言，例如 Readme\_en.md, Readme\_zh.md Gitee 官方博客 blog.gitee.com 你可以 https://gitee.com/explore 这个地址来了解 Gitee 上的优秀开源项目 GVP 全称是 Gitee 最有价值开源项目，是综合评定出的优秀开源项目 Gitee 官方提供的使用手册 https://gitee.com/help Gitee 封面人物是一档用来展示 Gitee 会员风采的栏目 https://gitee.com/gitee-stars/ ⬇️ 下载地址 下载后请先检查文件完整性，如有问题请在评论区反馈
-
lib-ethercat {card-default label="📦 项目信息"} 🔧 项目名称：lib-ethercat 💻 开发语言：C ⭐ Star数：0 | 🍴 Fork数：0 📅 创建时间：2026-09-24 📜 开源协议：Apache-2.0 🔗 项目地址：https://gitee.com/tenonos/lib-ethercat {/card-default} 项目介绍 本仓库用于提供EtherCAT 从站驱动支持 项目详情 lib-ethercat 介绍 本仓库用于提供EtherCAT 从站驱动支持 软件架构 软件架构说明 安装教程 xxxx xxxx xxxx 使用说明 xxxx xxxx xxxx 参与贡献 Fork 本仓库 新建 Feat_xxx 分支 提交代码 新建 Pull Request 特技 使用 Readme\_XXX.md 来支持不同的语言，例如 Readme\_en.md, Readme\_zh.md Gitee 官方博客 blog.gitee.com 你可以 https://gitee.com/explore 这个地址来了解 Gitee 上的优秀开源项目 GVP 全称是 Gitee 最有价值开源项目，是综合评定出的优秀开源项目 Gitee 官方提供的使用手册 https://gitee.com/help Gitee 封面人物是一档用来展示 Gitee 会员风采的栏目 https://gitee.com/gitee-stars/ ⬇️ 下载地址 下载后请先检查文件完整性，如有问题请在评论区反馈
-
rust-onnx-infer {card-default label="📦 项目信息"} 🔧 项目名称：rust-onnx-infer 💻 开发语言：Rust ⭐ Star数：12 | 🍴 Fork数：14 📅 创建时间：2026-09-07 📜 开源协议：Apache-2.0 🔗 项目地址：https://gitee.com/javpower/rust-onnx-infer {/card-default} 项目介绍 Production-grade ONNX Runtime inference in pure Rust — from YOLO detection and SAM segmentation to Grounding DINO, BiRefNet matting, ArcFace face recognition and RoMaV2 matching. Every engine behind one unified sync/async API, compiled into a single self-contained binary. 项目详情 rust-onnx-infer 一个 crate，40+ 视觉引擎，零原生依赖。 基于 ONNX Runtime 的生产级纯 Rust 推理库 —— 从 YOLO 检测、SAM 分割到 Grounding DINO 开放词表、BiRefNet 抠图、ArcFace 人脸识别、RoMaV2 特征匹配，40+ 引擎共享同一套 同步/异步 API，编译产物为单个自包含可执行文件。 crates.io docs.rs License: MIT OR Apache-2.0 Rust English | 简体中文 亮点 静态链接 ONNX Runtime —— 基于 ort + 预编译静态库，产物为完全自包含的可执行文件， 无需 LD_LIBRARY_PATH、无需环境配置、无运行时下载。 纯 Rust 图像处理栈 —— image + fast_image_resize + 内置颜色空间/形态学/阈值等原语， 无 OpenCV、无 C++ 工具链、无跨编译负担。 一套 API 打通所有引擎 —— 同步 predict / predict_batch + tokio 原生 predict_async / predict_batch_async，40+ 引擎接口完全一致。 类别标签零配置 —— 自动从 ONNX 元数据解析类别名（YOLO names / labels / categories，或逗号分隔格式）。 内置 SAHI 切片推理 —— 大图小目标场景提升召回，支持 GREEDYNMM / NMM / NMS 合并 与 IoU / IOS 度量。 GPU 加速 + 优雅回退 —— 执行提供器由引入方按目标平台通过 feature 启用：macOS 加 coreml（Apple Silicon 可走 ANE/NPU）、NVIDIA 加 cuda，另有 tensorrt / directml / openvino / rocm；未启用对应 feature 时该设备类型自动回退 CPU。 安装 cargo add rust-onnx-infer或在 Cargo.toml 中添加： [dependencies] rust-onnx-infer = "0.1"快速上手 use rust_onnx_infer::{core::factory::create_detection_engine, DeviceType, Image}; let image = Image::load("input.jpg")?; let engine = create_detection_engine("yolo11n.onnx", DeviceType::Cpu, 0.5, 0.45)?; let detections = engine.predict(&image)?; for d in &detections { println!("{d}"); }异步只需一行（tokio）： let out = engine.predict_async(&img).await?;运行完整示例： cargo run --example onnx_inference_example支持的模型 类别说明图像分类YOLO-CLS（pixel/255）、ImageNet 系（ResNet/MobileNet/EfficientNet/ViT，mean/std 归一化）、自定义归一化目标检测YOLOv5/v8/v9/v10/v11/v26（自动识别 End2End 与传统布局）、RT-DETR、DETR、RF-DETR实例分割YOLO-Seg（传统 + End2End）、RF-DETR-Seg、YOLOE（运行时视觉提示 / 运行时文本提示 / 烘焙提示）交互式分割SAM、SAM2（单文件合并 ONNX）开放词表Grounding DINO（BERT 分词）、Grounded-SAM（DINO + SAM2 流水线）、DART v2（SAM3 骨干，文本/视觉概念提示，掩码输出）显著性抠图BiRefNet（soft alpha 输出）超分 / 增强Real-ESRGAN（2x/4x 重叠分块）、去噪（DnCNN）、低光增强（Zero-DCE）、去雾（DehazeFormer）、多步增强流水线特征匹配LightGlue（含批量）、DeDoDe-G、LoMa-R、RoMaV2（密集对应场）姿态估计YOLOv8/11/26-Pose（COCO 17 点，传统+End2End）、RTMO 实时姿态（一阶段 SimCC）人脸YuNet 检测（5 地标）、SFace/ArcFace 识别（512/128 维）、年龄性别、8 类表情、106 精细关键点、活体检测（CDCN 分割式）文字识别PaddleOCR v4/v5 det+rec 流水线（DBNet 检测 + SVTR 识别 + CTC 解码，中英文）深度估计Depth Anything V2 / MiDaS（相对深度图，原图分辨率输出）风格迁移fast-neural-style（candy/mosaic 等，任意尺寸，动/静态自适应）行人重识别OSNet-x1.0（512 维 embedding + 图库检索）表格识别SLANet-plus（结构 token + 单元框，HTML 输出，配合 OCR 回填文本）旋转框检测YOLOv8/11-OBB（传统）+ YOLO26-OBB（End2End），旋转 IoU NMS，DOTA 15 类语义分割SegFormer-B0（ADE20K 150 类），类别直方图 + 调色板叠加人体解析SegFormer-B2 人衣 18 类（帽/发/上衣/裤/鞋/四肢部件占比）人像分割PP-HumanSeg / MODNet（实时 alpha 抠人，BGRA 输出）去模糊NafNet（512 对齐输入，输出同尺寸）图像质量QualityAssessor 纯算法（清晰度/亮度/对比度/噪声）+ FIQA 深度 IQA 挂载（352 输入）二维码检测+解码WeChat QR Detector（SSD 先验）+ rqrr 内容解码动作识别ST-GCN 骨架动作分类（COCO17 帧序列输入，配合姿态引擎）姿态规则零模型几何规则（躺卧/站立/举手判别）手势分类手部 21 点纯几何规则（握拳/手掌/胜利/点赞等）车牌mnet 检测（四角透视矫正）+ LPRNet 识别（中国单行/绿牌）人脸精细关键点insightface 2d106det（106 点，YuNet 串联）手部MediaPipe Palm 检测（≤4 手）+ RTMPose-hand 21 关键点全身关键点RTMPose-m WholeBody 133 点（body17+foot6+face68+hand42）模块结构 模块内容core引擎接口 / 基础引擎 / 会话工厂 / 运行配置 / 引擎工厂 / 异步批处理优化器engines各模型引擎实现sahi切片推理：Slicer / Postprocess / Adapters / SlicedPredictorutilMattingUtils（抠图结果合成）modelDetection / Segmentation / ClassificationResult / MatchResult / MattingResult 等结果类型imagingImage / resize / cvtColor / threshold / morphologyEx / boundingRect / FloatMask 等图像原语构建说明 首次构建时 ort 会自动下载 ONNX Runtime 预编译静态库（需网络），之后离线可重复构建。 项目内 .cargo/config.toml 清空了 PKG_CONFIG_PATH / PKG_CONFIG_LIBDIR：防止 ort-sys 通过 pkg-config 找到系统的 onnxruntime 动态库，确保静态链接、产物自包含。 加速后端（Execution Provider）：默认 CPU，按需启用（透传至 ort 同名 feature）： features = ["coreml"]（Apple Silicon 可走 ANE/NPU）、features = ["cuda"]（NVIDIA）， 以及 tensorrt / directml / openvino / rocm。启用后 DeviceType 枚举与工厂入口 即已就绪；未启用 feature 时选择该设备类型会回退 CPU 并给出警告。 注意：同时启用多个无单一预编译二进制覆盖的 EP（如 cuda + coreml）时 ort 会在 链接期报错，可另加 lax-feature-matching 回退最接近的二进制。 二进制获取方式同样由引入方决定：默认 download-binaries（自动下载静态库）；改为 default-features = false 并启用 load-dynamic 可在运行时动态加载 onnxruntime 库。 所有模型的 NMS/CTC 解码/坐标还原等后处理在 CPU 纯 Rust 执行，EP 只加速模型前向。 产物为自包含二进制，运行时仅依赖 macOS 系统自带框架，无 OpenCV / ONNX Runtime 动态库依赖（可用 otool -L target/release/examples/onnx_inference_example 验证）。 模型目录（models/） 所有引擎所需模型按引擎名子目录组织（testmodels/ 仅为测试散件）： 子目录内容classification/ConvNeXt-tinydetection/yolov8n / yolo26n / rtdetr-l / rfdetr_basesegmentation/yolov8n-seg / yolo26n-seg / rfdetr_seg_smallyoloe/11s/26n 文本烘焙版、rt 编码器+检测器、文本编码器（text_encoder/tpe_head/clip_tokenizer）sam/ sam2/mobile_sam、sam2_fusedgrounding_dino/dinor50 tiny + BERT tokenizerpose/ pose_rt/yolov8n-pose、yolo26n-pose、rtmo_sface_detection/ face_recognition/ face_attribute/ face_liveness/ face_landmark106/yunet、sface、age_gender+emotion、CDCN 活体、2d106dethand/ wholebody/palm 检测 + rtmpose-hand 21 点、rtmpose-wholebody 133 点obb/yolov8n-obb / yolo26n-obbsemantic_segmentation/ human_parsing/ portrait_matting/segformer b0/b2、pp_humansegocr/PP-OCRv4/v5 det+rec+字典table_recognition/ reid/slanet-plus、osnet_x1_0deblur/ depth/ style_transfer/ image_quality/ qr_detector/nafnet、depth_anything_v2、candy/mosaic、FIQA、wechat_qrbirefnet/ real_esrgan/ image_enhance/ lightglue/ dedode/ lomar/ roma_v2/对应模型dart/DART v2 全套（骨干 1.8GB，SAM License）test_images/各引擎共用测试图测试 测试无需任何标志：cargo test 自动运行全部用例，模型/测试资产缺失的用例自动 SKIP （控制台打印缺失清单）；设 MODEL_TESTS=1 可强制缺失即失败（CI 用）。 模型路径默认搜索 models/ 与 testmodels/ 两棵树，也可用 MODEL_DIR=models/、 TESTMODELS_DIR=models/、DART_MODELS_DIR=models/dart 指定。 已知限制 手部 21 点定位的 MediaPipe 官方模型仅 tflite 格式，库内使用 RTMPose-hand 替代（已完整支持） OBB 的 SAHI 合并以轴对齐近似（官方 sahi 不支持旋转框），精确角度场景请关闭 SAHI DART 引擎内存约 3.5GB，CPU 单类推理约 45s（推荐 GPU EP） 许可证 基于 MIT License 或 Apache License 2.0 双协议开源， 使用者可任选其一。 ⬇️ 下载地址 下载后请先检查文件完整性，如有问题请在评论区反馈
-
aegis-vision {card-default label="📦 项目信息"} 🔧 项目名称：aegis-vision 💻 开发语言：Rust ⭐ Star数：0 | 🍴 Fork数：0 📅 创建时间：2026-09-14 📜 开源协议：Apache-2.0 🔗 项目地址：https://gitee.com/javpower/aegis-vision {/card-default} 项目介绍 Object Detection · Instance Segmentation · Oriented Bounding Boxes · Keypoints · Classification — five tasks, one training system 项目详情 AegisVision Rust 原生多任务视觉训练与推理框架 目标检测 · 实例分割 · OBB 旋转框 · 关键点 · 图像分类 —— 五任务共享一套训练体系 English | 简体中文 为什么是 AegisVision 深度学习工程长期被 Python 生态垄断：训练靠 Python 脚本，部署靠导出链，系统边界靠胶水。 AegisVision 选择另一条路——用 Rust 从零实现 YOLO 级训练体系，把整条链路收敛为一个 内存安全、可审计、无解释器依赖的二进制。 AegisVision传统 Python 方案运行时单二进制，零 PythonPython + 数百依赖包内存安全全 Rust（unsafe 面 = tch FFI）依赖 C/C++ 扩展部署拷贝即用环境重建可审计性每个损失/算法手写 + 手算对照单测黑盒高层 API实测结果（全部可复现，配置随仓库交付） 五任务真实数据基线 任务数据集结果目标检测coco128（COCO 真实子集，300ep，CPU，从零）mAP50 0.846 / mAP50:95 0.521实例分割coco8-seg（COCO 真实子集）掩码 mIoU 0.978 / R@0.5 1.000图像分类ImageNette（9469 图真实数据）top1 0.623（44 秒训练）关键点coco8-pose（COCO 真实子集）PCK@0.5 0.815OBB 旋转框dota8（真实航拍）管线全通，GPU 收敛骨干与预训练七臂对照研究（汽车零部件实例分割，526/93 图，2219 实例，120ep） 骨干预训练val mIoUR@0.5P@0.5ResNet18ImageNet 全量导入（1120 万参数）0.8550.9850.980CSP-ELAN（YOLOv8 同构）YOLOv8n 完整骨干（320 万参数）0.8460.9790.974ResNet18无0.8290.9740.974simple-cnnYOLOv8n stem0.7990.9500.883simple-cnn无0.7860.9300.893DINOv2 ViT-S/14DINOv2（448px / 672px）0.746 / 0.786——完整分类别指标与口径说明见 runs/COMPARISON.md。 工程性能 实例分割数据管线重写后 288 秒 → 3 秒/epoch（96 倍）：内容贴片缓存 + rayon 并行编码 + 双缓冲预取 + 显存驻留与 GPU 张量增强（[data].cache） 同卡同数据同 batch 吞吐对照：3.0 秒/epoch vs Ultralytics YOLO11n-seg 4.0 秒/epoch 训练吞吐基准（同协议 csp-elan@640）：tch 7.5 秒/epoch，burn-wgpu 27 秒/epoch （跨厂商 GPU 轨道，M2 报告） 核心特性 五任务一套训练体系——TAL + CIoU + DFL（检测）、YOLACT 原型掩码 + Dice（分割）、 KFIoU + 旋转 NMS（OBB）、OKS（关键点）、分类；每个损失均带手算对照单测 CSP-ELAN 正式骨干——与 ultralytics YOLOv8 backbone 逐层同构，官方 yolov8n.pt 完整骨干权重（162 张量）经单条映射全量导入；另有 ResNet18（ImageNet 全量导入实测 100/100）、DINOv2 ViT-S/14（pos_embed 网格插值 + QKV 融合导入） 预训练权重双向通道——导入：safetensors + 正则层映射（部分加载 + 完整报告）； 导出：safetensors（Python 生态实测可读） GPU 训练——RTX 50 系（Blackwell/sm_120）实测，仅需显卡驱动，无需 CUDA Toolkit； 内建 Windows 特有两个上游缺陷的运行时修复 数据管线 v2——[data].cache = auto/gpu/ram/off 四档缓存；--resume 断点续训； 周期性 last.ckpt 存盘；评测协议含 mIoU / recall / precision / 分类别指标 双后端路线——tch（性能轨，NVIDIA）+ burn-wgpu（零安装轨，NVIDIA/AMD/Intel， spike 已验证可训练，17/17 测试） 工程完备——.avpack 单文件数据容器（blake3 校验）、SAHI 式大图切片推理、 SSE 实时观测面板、ONNX 导出（规划）、一键环境脚本（Windows/Linux） 插件化——自定义骨干/头三步接入：实现 trait → 注册 → 配置选用 快速开始 环境要求：Rust stable + MSVC 构建工具（Windows）。CPU 路径零额外配置 （首次构建自动下载 CPU libtorch）；GPU 路径一条命令自动配置。 # Windows：自动探测 GPU 并配置（Linux: ./scripts/setup-env.sh） .\scripts\setup-env.ps1 cargo build --release -p av-runtime # 产出 target\release\av-runtime.exe # 从数据目录生成配置 → 训练 → 推理 set AV=target\release\av-runtime.exe %AV% init --task seg --data E:\data\my_dataset --out configs\my.toml %AV% train -c configs\my.toml %AV% infer -w runs\my\best.ckpt --input sample.png %AV% eval -w runs\my\best.ckpt --report report.json数据格式与 Ultralytics 官方目录约定兼容（images/ + labels/）， YOLO txt、COCO-seg 多边形、COCO-pose、ImageFolder、DOTA 四角点开箱即读。 工作区结构 crate职责依赖 libtorchav-core配置/几何/类型/格式工具否av-pretrain预训练权重导入适配（safetensors + 层映射）可选av-tasks骨干/头/损失/增强/分配器可选（feature torch）av-plugins骨干插件注册可选av-runtime训练/推理引擎、CLI、面板、avpack是av-burnburn-wgpu 后端技术验证 spike否（burn）文档 docs/USAGE.md —— CLI 全命令、五任务数据格式、GPU 配置、 基准详表、已知问题档案 runs/COMPARISON.md —— 骨干与预训练七臂对照研究 runs/M2-BURN-BENCHMARK.md —— 双后端吞吐基准 scripts/setup-env.ps1 / setup-env.sh —— 一键环境 诚实边界 本项目的每个能力声明都对应可复现的实测与单测，同时如实标注未完成项： mosaic/mixup 目前仅检测任务；AMP/多卡按里程碑排期；burn-wgpu 训练吞吐为 tch 的 约 1/3.6（部署/跨厂商轨定位）；DINOv2 受 patch-14 网格约束限定分辨率。 完整档案见 USAGE §8 已知问题。 License MIT OR Apache-2.0 双许可。 ⬇️ 下载地址 下载后请先检查文件完整性，如有问题请在评论区反馈
-
LiveStream {card-default label="📦 项目信息"} 🔧 项目名称：LiveStream 💻 开发语言：Python ⭐ Star数：3 | 🍴 Fork数：0 📅 创建时间：2026-07-19 📜 开源协议：None 🔗 项目地址：https://gitee.com/lipku/LiveStream {/card-default} 项目介绍 数字人直播工具 项目详情 基于LiveTaking的数字人直播工具 根据添加的话术循环播放，中间能够插入弹幕回复。支持根据知识库回答问题 项目截图 后端 git clone https://github.com/lipku/LiveStream.git cd LiveStream conda create -n livestream python=3.12 conda activate livestream cd backend pip install -r requirements.txt python app/main.py前端 (Web) cd frontend && npm run build 运行 运行LiveTalking服务 浏览器打开http://livetalking-server:8010/index.html 连接视频 如果livetalking以虚拟摄像头输出模式（--transport virtualcam）启动，则不需要打开页面连接视频 浏览器打开http://127.0.0.1:8020 在系统设置项里配置livetalking服务器地址，大模型的apikey 在话术管理项里添加需要播放的带货话术，支持文字和音频文件。 在直播控制项里选择livetalking sessionid和直播平台，点击开始直播。 用obs或直播伴侣抓屏或者采集虚拟摄像头推送数字人画面 弹幕抓取工具 抖音 https://github.com/ape-byte/DouyinBarrageGrab 视频号 https://github.com/fire4nt/wxlivespy ⬇️ 下载地址 下载后请先检查文件完整性，如有问题请在评论区反馈
-
apipig {card-default label="📦 项目信息"} 🔧 项目名称：apipig 💻 开发语言：Go ⭐ Star数：23 | 🍴 Fork数：13 📅 创建时间：2026-07-31 📜 开源协议：AGPL-3.0 🔗 项目地址：https://gitee.com/aizuda/apipig {/card-default} 项目介绍 free ai gateway 免费 ai 网关，企业级内部 AI 中转服务（ai中转站）。 项目详情 apipig free ai gateway 免费 ai 网关，企业级内部 AI 中转服务（ai中转站）。 APIPIG AI 网关 https://apipig.aizuda.com/ APIPIG 把多模型接入、账号池、API Key 托管、路由策略、权限控制和调用审计收进同一套 AI 网关与控制台。业务系统只对接一个入口，上游模型切换、渠道调整和安全治理都在平台侧完成。 统一 OpenAI 兼容协议入口 路由策略、权限校验、限流熔断 上游模型适配、通道切换、失败回退 请求日志、异常追踪、审计留痕 ⭕本项目采用 AGPL-3.0 协议开源 完全开放 任何人可免费使用，必须遵守开源协议使用规范。 🔴附加协议：不允许删除源码注释申明，不允许山寨换皮商用，否则视为侵权（索赔100万）。 使用必须遵守国家法律法规，⛔不允许非法项目使用，后果自负❗ 企业版💎演示地址 打开官方开发文档 国外 国内点击设计器在线演示 点击设计器源码下载 💎特别用户 项目截图 项目截图 模型接入与协议统一 OpenAI、Gemini、Qwen、DeepSeek、Ollama 等上游接口统一收口，业务只维护一个网关入口。账号池与密钥托管 集中管理 API Key、组织账号和渠道配置，让高风险凭证留在平台侧而不是散落到服务和脚本里。权限策略与调用审计 对访问主体、模型权限、路由命中、异常响应和调用日志统一留痕，方便排障、归因和合规复核。可视化功能界面 展示相关功能演示效果图登录页 项目截图 仪表盘 项目截图 总览 项目截图 供应商管理 项目截图 渠道管理 项目截图 渠道账号管理 项目截图 Token 管理 项目截图 代码审查 项目截图 菜单 项目截图 Token 用量统计 项目截图 API Token 登录页 项目截图 API Token 用量统计 项目截图 打包发布 首次使用安装 go install github.com/goreleaser/goreleaser@latestgoreleaser release --snapshot --clean无 Git tag 的 snapshot 版本从 version/version.go 的 version.Default 读取；正式版本仍以发布 tag 为准，二者通过同一份 GoReleaser 配置注入到两个二进制中。 发布正式版本时，先确保 tag 与 version.Default 一致，再创建对应的 Git tag（例如 v1.2.3），并执行 goreleaser release --clean。发布前校验会阻止 tag 与源码版本不一致的构建；通过后会从同一个 tag 和 commit 同时产出 apipig 与 apipig-remote-agent，并生成一份包含全部资产的校验文件。 打包无 cmd 窗口命令 go build -ldflags "-s -w -H=windowsgui" Docker 编译部署 详细说明见 docs/docker-deployment.md镜像采用三阶段构建：node:22-bookworm 编译前端 → golang:1.26.6-alpine 静态编译后端 → alpine:3.20 运行时（约 48MB，无 Node/Go 运行时依赖）。 # 一键构建并启动（推荐，需 Docker >= 24 与 Docker Compose v2） docker compose up -d --build # 或纯 Docker 命令 docker build -t apipig:latest . docker run -d --name apipig -p 9527:9527 \ -e APIPIG_AI_ENCRYPTION_KEY= \ -v $PWD/data:/app/data -v $PWD/logs:/app/logs \ --restart unless-stopped apipig:latest数据持久化约定： 宿主机路径容器路径说明./data/app/dataconfig.yaml 与 SQLite 数据库./logs/app/logs运行日志注意事项： 容器内配置文件路径为 /app/data/config.yaml（通过 CONFIG 环境变量指向），首次启动可直接预置该文件，避免初始化页暴露到公网。 使用 SQLite 时必须在配置中设置 database.sqlite-path 为卷内绝对路径（如 /app/data/apipig.db），否则数据库文件写到容器层，重建容器后丢失。 生产环境必须设置 APIPIG_AI_ENCRYPTION_KEY（≥32 字符、独立于 JWT 密钥），否则无法加密新增的渠道 API Key。 首次运行初始化 当配置文件不存在或为空时，启动 apipig.exe 会在 9527 端口开启初始化服务，并自动打开 web/init.html 对应的初始化页面。 页面支持 SQLite、MySQL 和 PostgreSQL，可配置服务端口、数据库连接、管理员账号密码及 Swagger 等开关。 提交后程序会校验数据库连接、执行建表和基础数据初始化，自动生成缺失或为空的 logger.json，原子写入配置文件，然后自动切换到正式服务；已有非空日志配置不会被覆盖。 配置文件路径遵循 -c 参数、CONFIG 环境变量、默认 config.yaml 的优先级；已有非空配置不会被初始化流程覆盖。 默认账号与访问地址 项值管理控制台http://localhost:9527/（服务器部署替换为对应 IP，默认端口见 system.port）默认账号admin默认密码初始化时配置的Swagger 文档http://localhost:9527/swagger/index.html健康检查http://localhost:9527/healthzAI 网关入口http://localhost:9527/v1/chat/completions 等协议端点，使用 sk-apipig- 开头的访问 Token 鉴权默认账号说明： 通过初始化页面部署时，管理员账号密码由页面自行设置（用户名默认 admin，密码至少 6 位），此时不存在固定默认密码。 直接预置配置文件启动（未走初始化页面）时，系统使用内置种子账号 admin / 123456，首次登录后请立即修改密码。 AI 协议网关 支持双协议接入 协议端点说明OpenAIPOST /v1/chat/completions聊天补全（流式/非流式） POST /v1/embeddings文本嵌入 POST /v1/images/generations图片生成 POST /v1/rerank重排 POST /v1/audio/speech语音合成 POST /v1/audio/transcriptions语音识别 GET /v1/models模型列表AnthropicPOST /v1/messagesClaude 消息（Claude Code 直接接入，流式事件转换）项目使用 github.com/zendev-sh/goai v0.9.8 作为统一大模型协议层，对外同时提供 OpenAI 与 Anthropic 兼容接口： POST /v1/chat/completions：OpenAI Chat Completions 协议，支持普通响应、SSE 流式响应、图片输入和工具调用。 POST /v1/embeddings：OpenAI Embeddings 协议，支持文本或 Token 数组输入。 POST /v1/images/generations：OpenAI Images Generations 协议，原样透传图片生成参数与响应。 POST /v1/rerank：OpenAI 兼容生态常用的 Rerank 扩展协议，原样透传查询、文档和排序结果。 POST /v1/audio/speech：OpenAI Audio Speech 协议，原样透传生成的音频内容与媒体类型。 POST /v1/audio/transcriptions：OpenAI Audio Transcriptions 协议，支持 multipart 文件上传（文件最大 25 MiB）。 POST /v1/messages：Anthropic Messages 协议，支持普通响应、SSE 流式响应、图片输入和工具调用。 GET /v1/models：返回当前访问 Token 有权使用且存在启用渠道的模型。 GET /healthz：应用与数据库存活检查，不需要网关 Token。 除健康检查外，上述协议接口使用 AI 网关访问 Token 鉴权，支持以下任一请求头： Authorization: Bearer sk-apipig-xxx X-API-Key: sk-apipig-xxx请求头名称不区分大小写，因此 Anthropic 等 SDK 使用的 x-api-key 写法同样支持。如果同时提供两个请求头，优先使用 Authorization。 当 /v1/audio/transcriptions 选中 qwen 或 dashscope 渠道时，网关会把 multipart 文件转换为 Qwen ASR 的 chat/completions + input_audio 请求，并将聊天结果还原为转写响应。支持标准 language 字段，以及可选的 enable_itn 和 JSON asr_options 扩展字段；Qwen 渠道的 response_format 支持 json、text。旧的 chat/completions + input_audio 调用方式继续保留。 供应商的 protocol 字段决定 GoAI 上游实现： protocol上游实现BaseURL 示例openai、codexOpenAIhttps://api.openai.com/v1anthropicAnthropichttps://api.anthropic.comgrok、xaixAIhttps://api.x.ai/v1gemini、googleGoogle Geminihttps://generativelanguage.googleapis.comqwen、dashscopeOpenAI 兼容https://dashscope.aliyuncs.com/compatible-mode/v1custom、其他值通用 OpenAI 兼容对应服务的 /v1 地址模型调用仍复用现有供应商、渠道、访问 Token、代理、限流、熔断、额度和调用日志能力。RPM、TPM 和熔断状态使用本地内存原子计数，不依赖 Redis；多实例部署时各实例独立计数。渠道密钥从 ap_ai_channel.api_key 读取，模型列表使用英文逗号分隔。 Git WebHook AI 代码评审 项目支持 GitHub、GitLab、Gitee 的 Push 与 Pull Request/Merge Request WebHook。系统完成验签、幂等去重、异步拉取、增量 Diff、AI 评审、任务恢复和报告持久化，并复用现有 AI 网关的模型授权、限流、熔断、计费与调用日志。配置与交互流程见 docs/ai-applications/code-review-webhook.md。 计费使用微美元整数账本，支持输入、输出、缓存读取、缓存写入、无 Token 固定价格和渠道成本倍率。调用日志保存倍率前标准成本、倍率快照及最终有效成本；Access Token 会累计成功/失败次数、细分 Token 用量、最后调用时间和有效成本。只有成功请求扣费，缓存读写默认分别按输入价格的 0.1 和 1.25 倍计价，也可以在供应商配置中显式覆盖。 访问 Token 创建或轮换后只返回一次明文，数据库仅保存哈希；管理端查询中的 Token、渠道 API Key 和代理密码均为脱敏值。渠道 API Key 和代理密码使用 AES-256-GCM 加密存储，生产环境应设置： APIPIG_AI_ENCRYPTION_KEY=新建或轮换上游凭据必须配置该环境变量。旧明文凭据会在配置主密钥后读取时自动迁移；主密钥轮换需要完成数据迁移并重启应用。更完整的模块边界、安全策略和扩展方式见 docs/ai-gateway-architecture.md。 压缩执行包 下载 https://upx.github.io/ 添加到环境变量 例如，你可以使用 -9 参数进行最大压缩 upx -9 apipig.exe⬇️ 下载地址 下载后请先检查文件完整性，如有问题请在评论区反馈
-
nop-app-iot {card-default label="📦 项目信息"} 🔧 项目名称：nop-app-iot 💻 开发语言：Java ⭐ Star数：1 | 🍴 Fork数：0 📅 创建时间：2026-09-06 📜 开源协议：None 🔗 项目地址：https://gitee.com/canonical-entropy/nop-app-iot {/card-default} 项目介绍 基于吸引子引导工程和Nop平台，使用AI全自动开发的IOT后端平台 项目详情 nop-app-iot 基于 Nop Platform 构建的物联网（IoT）平台参考应用，采用 Attractor-Guided Engineering（AGE）工作流进行 AI 辅助应用开发。 核心原则：最大化复用 nop-entropy 平台已有能力（MQTT Server、流处理引擎、多租户、规则引擎、定时任务等），自研代码聚焦 IoT 业务逻辑。 项目状态 当前阶段：十域核心功能已落地（M0~M5 收官），八个专项 roadmap 已全部收官（2026-09-20：61 工作项全勾，权限 enforcement 测试态开启）；ai-check r3 五维符合性审计收官（2026-09-21：22 finding 全 fixed）与优化加固批次收官（2026-09-22：WI1~WI9 全勾）；JVM 基线以 docs/testing/known-good-baselines.md 最新行为准（2026-09-22 行 162 套件/525 用例/9 skip，Playwright 58 用例）。工作队列见 docs/backlog/README.md。 技术栈 应用框架：Nop Platform（nop-entropy）+ Quarkus（最大化复用平台能力） 设备接入：nop-vertx-mqtt-server（平台自带 MQTT Server） 流式处理：nop-stream CEP 引擎（平台自带） 时序存储：PostgreSQL / TimescaleDB / TDengine（三后端经 ITelemetryStore 抽象切换） 关系型数据库：PostgreSQL（nop-orm） 消息中间件：nop-message Kafka/Pulsar（平台自带） 多租户：nop-auth（平台自带） 前端：AMIS + Flux 核心域 域说明device设备管理telemetry遥测数据rule-engine规则引擎protocol协议适配alarm告警管理asset资产管理edge边缘计算dashboard看板可视化integration集成对接tenant租户管理快速开始 # 构建项目 mvn clean install -DskipTests # 运行应用 java -Dfile.encoding=UTF8 -Dquarkus.profile=dev -jar app-iot-all/target/app-iot-all-1.0-SNAPSHOT-runner.jar文档 AGENTS.md — AI 代理指南 产品范围 — 产品能力清单 架构概览 — 系统架构设计 实现路线图 — 开发路线图 参考项目 调研报告见 docs/input/opensource-iot-survey.md，参考代码见 ~/sources/iot/。 License Apache License 2.0 ⬇️ 下载地址 下载后请先检查文件完整性，如有问题请在评论区反馈
