[9/22 - 9/28] GitHub Weekly Digest

📌 Gar-b-age/CookLikeHOC

簡介

這個專案名為「像老鄉雞那樣做飯」（CookLikeHOC），核心為彙整《老鄉雞菜品溯源報告》中的菜品資訊。專案由貢獻者於2024年完成，與老鄉雞官方無關，旨在提供一個平臺供大眾查閱及補充菜品資料。

主要功能

• 完整收錄《老鄉雞菜品溯源報告》中公佈的所有菜品資料，並經過編輯與整理。
• 提供線上網頁端，方便使用者直接點選訪問與查閱。
• 支援 Docker 執行，為使用者提供部署解決方案。
• 推出由 AI 繪製的手繪圖版及 AI 配圖流程版網頁。
• 歡迎使用者貢獻菜品的實拍圖。
• 鼓勵使用者查閱並補充現有菜品資訊。

如何使用

• 點選提供的連結直接訪問專案的線上網頁端。
• 若需本地部署，請查閱 Docker 支援頁面或相關 PR 以獲取執行指引。
• 透過網頁端瀏覽所有已錄入的《老鄉雞菜品溯源報告》菜品資料。
• 可提交實拍圖，豐富菜品視覺內容。
• 參與補充或修正菜品文字資訊，提升資料的完整性。
• 探索 AI 手繪圖版及 AI 配圖流程版網頁，體驗不同風格的呈現。
• 參考鄰近的「How To Cook」專案以獲取更詳細的烹飪指導。

📌 Alibaba-NLP/DeepResearch

簡介

Tongyi DeepResearch 是由通義實驗室開發的代理式大型語言模型，擁有 305 億總引數，每 token 僅啟用 33 億。此模型專為長時間、深度資訊探索任務而設計，並在 Humanity's Last Exam、BrowserComp 等多個代理式搜尋基準測試中展現頂尖效能。

主要功能

• 自動化合成資料生成管道： 設計高度可擴充套件的資料合成管道，實現全自動化，支援代理式預訓練、監督式微調及強化學習。
• 大規模代理式資料持續預訓練： 利用多樣化、高品質的代理式互動資料，有效擴充套件模型能力，保持新穎性並強化推理效能。
• 端到端強化學習： 採用基於客製化 Group Relative Policy Optimization 框架的嚴格 on-policy RL 方法，包含 token-level 策略梯度及負樣本選擇性過濾等。
• 代理式推理正規化相容性： 在推理時，Tongyi DeepResearch 相容兩種正規化：ReAct 用於嚴格評估模型核心內在能力；基於 IterResearch 的 'Heavy' 模式則透過測試時擴充套件策略釋放模型最大潛力。
• 模型下載： Tongyi-DeepResearch-30B-A3B 模型（30B-A3B 引數，128K 上下文長度）可從 🤗 HuggingFace 和 🤖 ModelScope 下載。

如何使用

1. 環境設定：
   • 推薦使用 Python 3.10.0。
   • 強烈建議使用 conda 或 virtualenv 建立隔離環境，例如：

     conda create -n react_infer_env python=3.10.0
     conda activate react_infer_env

2. 安裝依賴： 執行 pip install -r requirements.txt 安裝所需套件。
3. 環境配置與評估資料準備：
   • 複製 .env.example 為 .env 檔案，並配置您的 API keys (例如 SERPER_KEY_ID, JINA_API_KEYS, DASHSCOPE_API_KEY) 及路徑 (MODEL_PATH, DATASET, OUTPUT_PATH)。
   • 評估資料支援 JSONL (推薦) 或 JSON 格式，每個物件需包含 "question" 和 "answer" 鍵。
   • 若使用檔案解析工具，請將參考檔案置於 eval_data/file_corpus/ 目錄，並在問題欄位前置檔案名 (例如：{"question": "report.pdf What are the key findings?", ...})。
4. 配置推理指令碼： 開啟 run_react_infer.sh，根據註釋修改 MODEL_PATH, DATASET, OUTPUT_PATH 等變數，並提供所需工具的 API keys。
5. 執行推理指令碼： 執行 bash run_react_infer.sh 以執行模型推理。
6. 透過 OpenRouter API 呼叫模型 (選用)：
   • 修改 inference/react_agent.py 中的 call_server 函式，設定您的 OpenRouter API key 和 URL。
   • 將模型名稱更改為 alibaba/tongyi-deepresearch-30b-a3b。
   • 根據註釋調整內容的連線方式 (約 88-90 行)。

📌 gin-gonic/gin

簡介

Gin 是一個用 Go 語言編寫的高效能 HTTP web framework，提供類似 Martini 的 API 但效能卓越，比其快上 40 倍。它專為構建 REST APIs、web applications 和 microservices 而設計，特別注重速度與開發者生產力。Gin 結合了 Express.js 風格路由的簡潔性與 Go 的高效能，非常適合處理高吞吐量及快速原型開發。

主要功能

• Zero allocation router：提供極致記憶體效率的路由功能，運作時無堆疊記憶體分配。
• High performance：在 Go web framework 中展現優異的速度表現。
• Middleware support：具備可擴充套件的中介軟體系統，支援 authentication, logging, CORS 等多種功能。
• Crash-free：內建 recovery middleware，有效防止程式 panic 導致伺服器崩潰。
• JSON validation：提供自動化的請求/回應 JSON 繫結與驗證機制。
• Route grouping：方便地組織相關路由，並為它們應用共同的中介軟體。
• Error management：提供集中式的錯誤處理和日誌記錄功能。
• Built-in rendering：支援 JSON, XML, HTML templates 等多種資料呈現方式。

如何使用

• 環境要求 (Prerequisites)
  • 需要 Go version 1.23 或以上版本。
  • 建議具備基本的 Go 語言知識。
• 安裝 (Installation)
  • Go's module support 讓安裝變得簡單，只需在 Go 程式碼中引入 Gin 即可自動下載：

    import "github.com/gin-gonic/gin"

• 你的第一個 Gin 應用程式 (Your First Gin Application)
  • 以下是一個完整的簡單範例：

    package main
    
    import (
      "net/http"
    
      "github.com/gin-gonic/gin"
    )
    
    func main() {
      // 建立一個 Gin 路由器，預設帶有 logger 和 recovery middleware
      r := gin.Default()
    
      // 定義一個簡單的 GET endpoint
      r.GET("/ping", func(c *gin.Context) {
        // 回傳 JSON 回應
        c.JSON(http.StatusOK, gin.H{
          "message": "pong",
        })
      })
    
      // 在 8080 埠啟動伺服器
      r.Run()
    }

• 執行應用程式 (Running the application)
  • 將上述程式碼儲存為 main.go。
  • 在終端機中執行 go run main.go。
  • 在瀏覽器中開啟 http://localhost:8080/ping，您將看到 {"message":"pong"}。
• 進一步學習資源 (Next Steps)
  • 查閱 Gin Quick Start Guide 以獲取詳盡的教學和 API 範例。
  • 瀏覽 Example Repository 探索各種 Gin 用例，如 REST API 開發、Authentication & middleware、檔案上傳下載、WebSocket connections 和 Template rendering。
  • 參考 Go.dev API Documentation 獲取完整的 API 參考資料。
  • 訪問 gin-gonic.com 上的多語言使用者指南，以及 Go.dev Tutorial: Developing a RESTful API with Go and Gin。

📌 microsoft/AI-For-Beginners

簡介

本課程提供一個為期12週、共24堂課的入門級人工智慧(AI)學習體驗。它結合了實用的課程、測驗和實驗，旨在幫助初學者探索AI的世界，涵蓋了從基礎概念到進階的深度學習框架，如TensorFlow和PyTorch，並觸及AI倫理。此課程亦支援多種語言，透過GitHub Action自動更新翻譯內容。

主要功能

• 全面的AI學習路徑：涵蓋AI的不同方法，從符號AI（如Knowledge Representation, GOFAI）到現代的Neural Networks和Deep Learning。
• 實用的框架應用：使用業界流行的TensorFlow和PyTorch框架，透過程式碼範例深入說明Neural Networks和Deep Learning的概念。
• 專業的影像與文書處理：介紹Neural Architectures應用於Computer Vision（如CNN、GAN）和Natural Language Processing（如Word2Vec、Transformer、BERT、LLM）。
• 探索非主流AI技術：涵蓋Genetic Algorithms和Multi-Agent Systems等較少見的AI方法。
• 專為初學者設計：提供豐富的學習資源，包括預讀材料、可執行的Jupyter Notebooks、實驗（Labs）以及相關的Microsoft Learn模組連結。
• 多語言支援：透過GitHub Action實現自動化更新，支援繁體中文等多種語言，確保全球學習者的可及性。
• AI倫理考量：課程包含關於AI倫理和Responsible AI的專題，引導學習者思考AI應用的社會影響。
• 課堂內容結構化：課程分為七個主要單元，從AI簡介到符號AI、神經網路、電腦視覺、自然語言處理、其他AI技術及AI倫理。

如何使用

• 環境設定：提供專門的課程（Lesson 0: Course Setup）協助您設定開發環境。教育工作者也有專用的課程設定指南。
• 執行程式碼：課程內容包含可執行的Jupyter Notebooks，可以直接在VSCode或Codespaces中執行。
• 取得課程內容：
  • 首先，您需要 Fork the Repository 到您的GitHub帳戶。
  • 然後，克隆（clone）您fork出的儲存庫到本地環境。
• 參與實作：部分主題提供實驗（Labs），讓您有機會將所學知識應用於實際問題。
• 利用學習資源：每個課程包含預讀材料、針對特定框架（PyTorch或TensorFlow）的Jupyter Notebooks，以及相關的Microsoft Learn模組連結。
• 課堂學習：依循12週、24堂課的學習路徑，逐步探索AI的各個層面。

📌 tldraw/tldraw

簡介

• tldraw 是一個用於在 React 中建立無限畫布 (infinite canvas) 體驗的函式庫。
• 它是數位白板 tldraw.com 背後的軟體，以公共 monorepo 的形式提供。
• 欲瞭解更多資訊及閱讀檔案，請造訪 tldraw.dev。
• tldraw SDK 在遵守 tldraw 許可證的前提下，允許在商業或非商業專案中使用，但需保留 "Made with tldraw" 浮水印。
• 若要移除浮水印，可購買 business license。

主要功能

• 提供建立無限畫布 (infinite canvas) 體驗的 React 函式庫。
• 支援 AI 代理程式使用專案中的 CONTEXT.md 檔案來快速建立上下文。
• 提供 yarn context 指令，用於定位並顯示最相關的 CONTEXT.md 檔案。
• yarn context 支援多種選項，例如 -v 或 --verbose 顯示完整內容，以及 -r 或 --recursive 尋找所有相關檔案。

如何使用

• 安裝: 使用 npm 安裝 tldraw 函式庫：

  npm i tldraw

• 基本用法: 在 React 應用程式中匯入並使用 Tldraw 元件：

  import { Tldraw } from 'tldraw'
  import 'tldraw/tldraw.css'
  
  export default function App() {
      return (
          <div style={{ position: 'fixed', inset: 0 }}>
              <Tldraw />
          </div>
      )
  }

• 本地開發環境設定:
  • 首先，複製此 monorepo。
  • 啟用 corepack 以確保使用正確的 Yarn 版本：npm i -g corepack
  • 安裝專案依賴：yarn
  • 啟動本地開發伺服器：yarn dev
  • 開啟範例專案於 localhost:5420。
• 更多詳細資訊請參閱 tldraw.dev 上的檔案。