Posts on TPOW Lab

BioDiscoveryAgent 完整教學

Tue, 14 Jul 2026 00:00:00 +0000

Repository: https://github.com/snap-stanford/BioDiscoveryAgent Stars: 113 | Forks: 26 | Language: Python | License: MIT 最後更新: 2026-07-12 | 論文: arXiv:2405.17631

1. 專案概覽 (Project Overview)

1.1 這是什麼

BioDiscoveryAgent 是一個由 大型語言模型 (LLM; Large Language Model) 驅動的 AI 代理人 (AI agent; 人工智慧代理人)，用途是自動設計 基因擾動實驗 (genetic perturbation experiment; 基因擾動實驗)。簡單講，它要回答的問題是：

Biomni 完整教學

Tue, 14 Jul 2026 00:00:00 +0000

Repository: https://github.com/snap-stanford/Biomni Stars: 3399 | Forks: 618 | Language: Python | License: Apache License 2.0 官網: https://biomni.stanford.edu | 論文: bioRxiv 2025.05.30.656746

1. 專案概覽 (Project Overview)

1.1 這是什麼

Biomni 是史丹佛大學 SNAP（Stanford Network Analysis Project）團隊開發的一個通用型生物醫學 AI agent (general-purpose biomedical AI agent)。它的核心主張很簡單：把 large language model (LLM; 大型語言模型) 的推理能力、retrieval-augmented planning (檢索增強規劃) 與 code-based execution (基於程式碼的執行) 三者結合，讓一個 agent 能夠自主執行橫跨多個生物醫學次領域的研究任務——從設計 CRISPR screen (CRISPR 篩選實驗)、進行 scRNA-seq annotation (單細胞 RNA 定序註解)，到預測藥物的 ADMET properties (Absorption, Distribution, Metabolism, Excretion, Toxicity; 吸收/分布/代謝/排泄/毒性性質)。

cs224w-notes 完整教學

Tue, 14 Jul 2026 00:00:00 +0000

Repository: https://github.com/snap-stanford/cs224w-notes Stars: 323 | Forks: 75 | 主要語言: CSS（Jekyll 靜態網站；核心內容為 Markdown 講義）授權: MIT License Homepage: https://snap-stanford.github.io/cs224w-notes/ 最後更新: 2026-07-02

1. 專案概覽 (Project Overview)

1.1 這是什麼

cs224w-notes 是史丹佛大學 CS224W: Machine Learning with Graphs（圖機器學習） 課程的官方講義筆記庫，由該課程的助教（TA）群持續撰寫與維護。這門課由 Jure Leskovec 教授開設，是圖神經網路（Graph Neural Network; GNN）與網路科學（Network Science）領域公認的入門聖經課程之一，全球有大量線上自學者透過公開的講義與投影片來學習這個領域。

GEARS 完整教學

Tue, 14 Jul 2026 00:00:00 +0000

Repository: https://github.com/snap-stanford/GEARS Stars: 381 | Forks: 85 | Language: Python | License: MIT 論文: Roohani, Huang, Leskovec. Predicting transcriptional outcomes of novel multigene perturbations with GEARS. Nature Biotechnology, 2023.

1. 專案概覽 (Project Overview)

1.1 專案背景、研究團隊與動機

GEARS（Genetic Effects Analysis using Relational Structure，官方全稱為「Predicting transcriptional outcomes of novel multi-gene perturbations」）出自史丹佛大學 Jure Leskovec 實驗室（SNAP — Stanford Network Analysis Platform），作者為 Yusuf Roohani、Kexin Huang 與 Jure Leskovec。這篇論文於 2023 年發表在 Nature Biotechnology，是 geometric deep learning (GDL; 幾何深度學習) 應用於單細胞擾動預測 (single-cell perturbation prediction; 單細胞擾動預測) 領域的代表作。

GraphRNN 完整教學

Tue, 14 Jul 2026 00:00:00 +0000

Repository: https://github.com/snap-stanford/GraphRNN Stars: 430 | Language: Python | License: MIT 論文: GraphRNN: Generating Realistic Graphs with Deep Auto-regressive Model（ICML 2018）作者: Jiaxuan You*, Rex Ying*, Xiang Ren, William L. Hamilton, Jure Leskovec（Stanford SNAP Group）

KGReasoning 完整教學

Tue, 14 Jul 2026 00:00:00 +0000

Repository: https://github.com/snap-stanford/KGReasoning Stars: 312 | Forks: 63 | Language: Python | License: MIT Topics: knowledge-graph, knowledge-base, embedding, reasoning

1. 專案概覽 (Project Overview)

1.1 專案背景與研究團隊

KGReasoning 是史丹佛大學 SNAP (Stanford Network Analysis Platform; 史丹佛網路分析平台) 實驗室釋出的官方程式碼庫，核心作者為 Hongyu Ren 與 Jure Leskovec 教授。這個 repo 是論文《Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs (BetaE; Beta 嵌入式多跳邏輯推理)》(NeurIPS 2020) 的官方 PyTorch 實作，同時也整合了同系列另外兩個經典模型 —— Query2box (2020) 與 GQE (Graph Query Embedding; 圖查詢嵌入, 2018) —— 讓使用者能在同一套框架下比較三種 knowledge graph (KG; 知識圖譜) 多跳推理方法。

med-flamingo 完整教學

Tue, 14 Jul 2026 00:00:00 +0000

Repository: https://github.com/snap-stanford/med-flamingo Stars: 451 | Forks: 39 | Language: Python | License: 未標示（repo 未附 LICENSE 檔）論文: Med-Flamingo: A Multimodal Medical Few-shot Learner (Moor et al., 2023)

1. 專案概覽 (Project Overview)

1.1 專案背景與研究團隊

med-flamingo 是史丹佛大學 SNAP（Stanford Network Analysis Platform，社群網路分析平台）實驗室與相關合作團隊（Jure Leskovec 教授、Pranav Rajpurkar 教授等）在 2023 年發表的醫療多模態基礎模型 (medical multimodal foundation model)。專案核心貢獻者包含 Michael Moor、Qian Huang、Shirley Wu、Michihiro Yasunaga 等人，論文掛名於 arXiv:2307.15189。

ogb 完整教學

Tue, 14 Jul 2026 00:00:00 +0000

Repository: https://github.com/snap-stanford/ogb Stars: 2090 | Forks: 409 | Language: Python | License: MIT Homepage: https://ogb.stanford.edu Topics: graph-machine-learning, graph-neural-networks, deep-learning, datasets

1. 專案概覽 (Project Overview)

1.1 專案背景與研究團隊

OGB（Open Graph Benchmark; 開放圖形基準)是由 Stanford SNAP (Stanford Network Analysis Project; 史丹佛網路分析專案) 實驗室——由 Jure Leskovec 教授領導——所發起的圖機器學習 (graph machine learning; GML) 基準資料集集合。核心作者群包含 Weihua Hu、Matthias Fey（同時也是 PyTorch Geometric 的創建者)、Marinka Zitnik、Yuxiao Dong、Hongyu Ren、Bowen Liu、Michele Catasta 與 Jure Leskovec，論文〈Open Graph Benchmark: Datasets for Machine Learning on Graphs〉發表於 NeurIPS 2020。

pretrain-gnns 完整教學

Tue, 14 Jul 2026 00:00:00 +0000

Repository: https://github.com/snap-stanford/pretrain-gnns Stars: 1067 | Forks: 174 | Language: Python | License: MIT 論文: Hu, Liu, Gomes, Zitnik, Liang, Pande, Leskovec. Strategies for Pre-training Graph Neural Networks. ICLR 2020. arXiv:1905.12265 | OpenReview

1. 專案概覽 (Project Overview)

1.1 背景與團隊

pretrain-gnns 是史丹佛大學 SNAP（Stanford Network Analysis Project）實驗室在 2020 年 ICLR 發表的代表作之一，作者群包含 Jure Leskovec（圖神經網路領域重量級學者，也是 GraphSAGE、OGB(Open Graph Benchmark) 的主要推動者）與 Marinka Zitnik（生醫圖學習專家）。這篇論文回答的核心問題是：

stark 完整教學

Tue, 14 Jul 2026 00:00:00 +0000

Repository: https://github.com/snap-stanford/stark Stars: 334 | Language: Python | License: MIT 論文: STaRK: Benchmarking LLM Retrieval on Textual and Relational Knowledge Bases（NeurIPS 2024 Datasets & Benchmarks Track）官網: https://stark.stanford.edu/ ｜ PyPI: stark-qa ｜ Leaderboard: HuggingFace Space

1. 專案概覽 (Project Overview)

1.1 專案背景、研究團隊與動機

STaRK（Semi-structured Retrieval Benchmark，STaRK; 半結構化檢索基準）是由 Stanford SNAP（Stanford Network Analysis Project; 史丹佛網路分析計畫）實驗室（Jure Leskovec 團隊）與 Amazon 合作發表的大規模檢索評測基準（benchmark; 基準測試），於 2024 年 NeurIPS Datasets & Benchmarks Track 發表。

AutoScientists 教學文件

Fri, 10 Jul 2026 00:00:00 +0000

Repository: mims-harvard/AutoScientists Stars: 688 · Forks: 111 · 語言: Python 一句話簡介：Self-Organizing Agent Teams for Long-Running Scientific Experimentation（自組織 agent (代理人) 團隊，用於長時間執行的科學實驗）論文：Gao, Fang, Zitnik. AutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation. arXiv:2605.28655 出處：Harvard Medical School, Zitnik Lab (mims-harvard)

Decagon 教學：多關係圖卷積網路的藥物交互作用預測

Fri, 10 Jul 2026 00:00:00 +0000

Decagon 教學：多關係圖卷積網路的藥物交互作用預測

Repository: mims-harvard/decagon · ⭐ 472 · MIT License 論文：Zitnik M, Agrawal M, Leskovec J. Modeling polypharmacy side effects with graph convolutional networks. Bioinformatics. 2018;34(13):i457–i466. DOI: 10.1093/bioinformatics/bty294

mims-harvard/TDC 完整教學：Therapeutics Data Commons (TDC; 治療科學資料共享平台)

Fri, 10 Jul 2026 00:00:00 +0000

Repository: mims-harvard/TDC Stars: 1263 · Forks: 219 · Language: Jupyter Notebook · License: MIT 官網：tdcommons.ai · PyPI: PyTDC

1. 專案概述 (Project Overview)

1.1 一句話說明

Therapeutics Data Commons (TDC; 治療科學資料共享平台) 是哈佛醫學院 Marinka Zitnik 實驗室（mims-harvard）主導的開源專案，把「藥物發現與開發」這個極度分散、格式混亂的資料世界，整理成一套可直接餵給機器學習模型的標準化資料集、評測基準 (benchmark) 與排行榜 (leaderboard) 系統。它的 PyPI 套件叫 PyTDC，安裝後只要三行程式碼就能拿到一份乾淨、已切分好訓練/驗證/測試集的生醫資料。

PINNACLE：讓蛋白質表徵「知道自己在哪個細胞裡」的情境感知 AI 模型

Fri, 10 Jul 2026 00:00:00 +0000

Repository: mims-harvard/PINNACLE Stars: 109 · Forks: 26 · Language: Python · License: MIT 論文：Li et al., Contextual AI models for single-cell protein biology, Nature Methods (2024)（前身為 bioRxiv 2023.07.18.549602）專案首頁：zitniklab.hms.harvard.edu/projects/PINNACLE Demo：huggingface.co/spaces/michellemli/PINNACLE 分類：Molecular & Protein Science（分子與蛋白質科學）

PrimeKG 完整教學：精準醫療知識圖譜 (Precision Medicine Knowledge Graph)

Fri, 10 Jul 2026 00:00:00 +0000

Repository: mims-harvard/PrimeKG Stars: 791 · Forks: 154 · Language: Jupyter Notebook · License: MIT Lab: Harvard Medical School — Marinka Zitnik Lab (MIMS = Machine Intelligence for Medicine and Science) 論文: Chandak, Huang, Zitnik. “Building a knowledge graph to enable precision medicine.” Nature Scientific Data, 2023.

Note

官方 README 目前在最上方明確標註：PrimeKG 已被 OptimusKG 取代。OptimusKG 包含 PrimeKG 的完整超集 (superset) 資料，並持續更新，官方建議幾乎所有情境都改用 OptimusKG。本教學仍以 PrimeKG 為主體撰寫（因為它是目前生態系中被最多下游工具、論文與教材引用的版本，且 API/資料結構是理解 OptimusKG 的基礎），但在第 7 節會完整說明這個世代交替對使用者的實際意義。

ProCyon：蛋白質表型的多模態基礎模型完整教學

Fri, 10 Jul 2026 00:00:00 +0000

Repository: mims-harvard/ProCyon Stars: 60 · Language: Python · License: MIT 分類：分子與蛋白質科學 (Molecular & Protein Science; 分子與蛋白質科學) 論文：Queen et al., ProCyon: A multimodal foundation model for protein phenotypes, bioRxiv 2024.12.10.627665

1. 專案概述 (Project Overview)

1.1 一句話說明

ProCyon 是由 Harvard Medical School 的 Zitnik Lab（也就是 mims-harvard 團隊）開發的多模態基礎模型 (multimodal foundation model; 多模態基礎模型)，目標是「看懂蛋白質的表型 (phenotype; 表型)」——也就是一個蛋白質在細胞裡實際扮演的角色、跟什麼藥物結合、跟什麼疾病有關、屬於哪個功能分類。

SHEPHERD 完整教學：用少樣本圖神經網路做罕見疾病表型驅動診斷

Fri, 10 Jul 2026 00:00:00 +0000

Repository: mims-harvard/SHEPHERD Stars: 83 · Language: HTML（文件/專案頁）；核心程式碼為 Python + PyTorch + PyTorch Geometric 論文：npj Digital Medicine 8, 1–22 (2025) ——「Few shot learning for phenotype-driven diagnosis of patients with rare genetic diseases」線上 Demo：Hugging Face Space · 專案頁：zitniklab.hms.harvard.edu/projects/SHEPHERD 出處實驗室：Harvard MIMS Lab（Marinka Zitnik 實驗室）+ 波士頓兒童醫院/UDN 臨床團隊 License：MIT

ToolUniverse 教學文件：用 1000+ 科學工具打造 AI 科學家

Fri, 10 Jul 2026 00:00:00 +0000

Repository: mims-harvard/ToolUniverse Stars: 1554 · Forks: 235 · License: Apache-2.0 · Language: Python 論文: Democratizing AI Scientists using ToolUniverse (arXiv:2509.23426, 2025) 官網: https://aiscientist.tools · 文件: https://zitniklab.hms.harvard.edu/ToolUniverse/

1. 專案概述 (Project Overview)

1.1 一句話說明

ToolUniverse 是由哈佛醫學院 Marinka Zitnik 實驗室（Zitnik Lab, MIMS — Machine Intelligence for Manufacturing and Science）打造的一個「科學工具超市」：它把 1000 多個機器學習模型 (machine learning model; 機器學習模型)、資料庫 API、以及科學計算套件，全部包裝成統一格式的「工具 (tool; 工具)」，讓任何大型語言模型 (large language model; LLM; 大型語言模型) 都能像使用手機 App 一樣，直接呼叫這些科學能力。

TxAgent 完整教學：跨工具宇宙的治療推理 AI Agent (AI Agent for Therapeutic Reasoning)

Fri, 10 Jul 2026 00:00:00 +0000

Repository: mims-harvard/TxAgent｜Stars: 640｜Language: Python｜License: MIT 論文：Gao et al., TxAgent: An AI Agent for Therapeutic Reasoning Across a Universe of Tools, arXiv:2503.10970 (2025) 團隊：Harvard Medical School — Zitnik Lab (mims-harvard)

TxGNN 完整教學：用幾何深度學習做零樣本藥物再利用預測

Fri, 10 Jul 2026 00:00:00 +0000

Repository: mims-harvard/TxGNN Stars: 276 · Language: Jupyter Notebook · License: MIT 論文預印本：medRxiv 2023.03.19.23287458 線上 Explorer：txgnn.org 出處實驗室：Harvard MIMS Lab（Marinka Zitnik 實驗室）

Agent Orchestrator (代理編排器) 教學 — 平行 AI Coding Agent 監督平台

Tue, 07 Jul 2026 00:00:00 +0000

Agent Orchestrator (代理編排器) 教學 — 平行 AI Coding Agent 監督平台

1. 專案定位

Agent Orchestrator（以下簡稱 AO）是一套 Agentic IDE (代理式整合開發環境)，專門解決「同時跑多個 AI coding agent (AI 編碼代理)」會遇到的管理混亂問題。當你同時開好幾個 Claude Code / Codex / Cursor 終端機工作在同一個 repo，很快就會遇到：分支互相覆蓋、終端機視窗迷失、CI 失敗沒人跟進、review 留言沒人回、merge conflict (合併衝突) 不知道該丟給哪個 agent 處理。

claude-real-video 教學 — 讓 Claude 真正看懂影片

Tue, 07 Jul 2026 00:00:00 +0000

claude-real-video (Claude 實時影片) 教學

1. 專案定位

claude-real-video (Claude 實時影片)，CLI 指令別名 crv，解決的是一個很具體的痛點：LLM 沒辦法真正「看」影片。

現況盤點：

教學：diffusionstudio/lottie — 用 Claude Code / Codex 生成 Lottie 動畫

Tue, 07 Jul 2026 00:00:00 +0000

教學：diffusionstudio/lottie — 用編碼代理生成 Lottie 動畫

1. 專案定位

diffusionstudio/lottie（專案內部代號 Text-to-Lottie）解決的問題是：讓 Claude Code、Codex 這類「支援 Agent Skills 的編碼代理」直接產出可用於生產環境的 Lottie (動畫格式; 又稱 Bodymovin JSON) 動畫檔，而不是讓人工在 After Effects 裡逐幀調整。

Agent Reach + Sherlock 完整教學 — AI Agent 全網能力 × OSINT 使用者搜尋深度解析

Fri, 03 Jul 2026 00:00:00 +0000

Agent Reach + Sherlock 完整教學

1. 專案定位：它們各自解決什麼問題？

1.1 Agent Reach — 給 AI Agent 裝上「眼睛」

一句話定義：Agent Reach 是一個 capability layer（能力層），讓 AI coding assistant 能夠讀取全網 15 個平台的內容。

OpenMontage 完整教學 — AI 代理影片製作系統深度解析

Wed, 01 Jul 2026 00:00:00 +0000

OpenMontage 完整教學 — AI 代理影片製作系統深度解析

1. 專案定位：它解決什麼問題？

一句話定義

OpenMontage 是全球第一個開源的 agentic video production system（代理式影片製作系統），它讓你的 AI coding assistant（如 Claude Code、Cursor、Copilot）變成一整個影片製作團隊。

AIKT 完整教學 — BD 使用者指南

Tue, 30 Jun 2026 00:00:00 +0000

Ch 1：歡迎 – 什麼是 Vibe Coding？

本章目標：讓從未接觸過 CLI 或程式碼的 BD（Business Development; 商務開發）人員，在 20 分鐘內理解三件事：(1) 什麼是 vibe coding，(2) Claude Code 是什麼，(3) AIKT 這套工具箱能幫你做什麼。讀完本章，你會知道為什麼你不需要學寫程式，也能讓 AI 幫你完成過去需要整個團隊才能做到的事。

Kami — AI Document Design System Complete Tutorial

Mon, 29 Jun 2026 00:00:00 +0000

Kami — AI Document Design System Complete Tutorial

Kami (紙, かみ) means paper in Japanese. It is a constraint-based design system that turns AI-generated content into professionally typeset documents. This tutorial covers the upstream open-source project and the custom extensions built on top of it for enterprise use.

1. What is Kami? (專案定位)

The Problem

AI models like Claude and GPT can write content that rivals professional human writers. But every time you ask an AI to “make a PDF,” you get a different layout, a different font, a different shade of gray. The output is competent but forgettable. You would never send it to an investor, a hiring committee, or a conference audience without extensive manual cleanup.

Kami — AI 文件設計系統完整教學

Mon, 29 Jun 2026 00:00:00 +0000

Kami — AI 文件設計系統完整教學

Kami (紙, かみ) 在日文裡就是「紙」的意思。它是一套以約束為核心的設計系統 (constraint-based design system)，能把 AI 生成的內容轉成專業排版的文件。這份教學涵蓋上游開源專案本身，以及在上面打造的企業級客製化延伸。

MinerU 完整教學 — 高精度文件解析引擎與 AIKT 整合指南

Mon, 29 Jun 2026 00:00:00 +0000

MinerU 完整教學 — 高精度文件解析引擎與 AIKT 整合指南

1. 專案定位

什麼是 MinerU？

MinerU 是一款由 OpenDataLab 開發的開源 document parsing (文件解析) 工具，專門將複雜的 PDF、圖片、DOCX、PPTX、XLSX 等文件轉為 LLM-ready 的 Markdown / JSON 結構化格式。專案誕生於 InternLM 大模型預訓練過程中，目前是 GitHub 上最受歡迎的文件解析專案之一（~72K stars）。

Agent Browser 完整教學

Fri, 26 Jun 2026 00:00:00 +0000

Agent Browser 完整教學

1. 專案定位與核心價值

什麼是 Agent Browser

Agent Browser 是 Vercel Labs 開發的瀏覽器自動化 CLI 工具，以 Rust 原生編譯，透過 Chrome DevTools Protocol (CDP) 直接控制 Chrome/Chromium，專為 AI agent 設計。

Anthropic-Cybersecurity-Skills 完整教學

Fri, 26 Jun 2026 00:00:00 +0000

Anthropic-Cybersecurity-Skills 完整教學

1. 專案定位與核心價值

解決什麼問題

根據 ISC2 報告，2024 年全球資安人才缺口達 480 萬人。AI agent 可以協助填補這個缺口，但前提是必須具備結構化的領域知識。現有的資安工具庫提供的是 wordlist、payload 或 exploit 程式碼，而非資深分析師的決策工作流程。

Data Engineer Handbook 完整教學

Fri, 26 Jun 2026 00:00:00 +0000

Data Engineer Handbook 完整教學

1. 專案定位與核心價值

Data Engineer Handbook 是由 DataExpert.io 創辦人 Zach Wilson 主導的開源資料工程學習資源彙整專案，在 GitHub 上累積超過 41,900 顆星，是目前資料工程領域最大的社群驅動學習導覽。

html-slides 完整教學 — Claude Code Skill 讓你用講的做出 HTML 簡報

Fri, 26 Jun 2026 00:00:00 +0000

html-slides 完整教學

Claude Code Skill：用自然語言描述需求，自動產出可直接瀏覽器開啟的單檔 HTML 簡報。

1. 專案定位

1.1 這個專案解決什麼問題？

做簡報最常見的瓶頸不是內容不夠，而是「排版太花時間」和「工具學習成本太高」。PowerPoint 要調字型、對齊、配色；Marp 或 reveal.js 要懂 markdown 或前端框架。html-slides 的核心主張是：你只需要用自然語言說出需求，Claude Code 就幫你完成從草案到成品的全流程。

Marp 完整教學

Fri, 26 Jun 2026 00:00:00 +0000

Marp 完整教學

1. 專案定位與核心價值

什麼是 Marp？

Marp（Markdown Presentation Ecosystem）是一個以純 Markdown 撰寫簡報的完整生態系。它的核心理念是「內容與樣式分離（Separation of Content and Style）」——你只需要專注於簡報的文字內容與邏輯結構，視覺呈現則交由 CSS 主題系統處理。

Medical Research Skills 完整教學

Fri, 26 Jun 2026 00:00:00 +0000

Medical Research Skills 完整教學

1. 專案定位與核心價值

這是什麼？

Medical Research Skills 是由 AIPOCH 團隊開發的開源醫學研究 AI Agent Skill 庫，收錄 554+ 個結構化 SKILL.md 檔案。這些 skill 並非傳統意義上的「程式碼套件」，而是為 AI agent 提供的領域知識指令集：每個 SKILL.md 定義了一個特定醫學研究任務的完整工作流程、判斷邏輯與品質檢核標準。

OpenFate Bazi MCP 完整教學

Fri, 26 Jun 2026 00:00:00 +0000

OpenFate Bazi MCP 完整教學

1. 專案定位與核心價值

解決什麼問題

大型語言模型（LLM）在面對八字（四柱）排盤計算時，往往會產生曆法運算幻覺。八字排盤並非文字推理題，而是涉及確定性曆法計算的精密工程，包含：

PPT Master 完整教學 — AI 生成原生可編輯 PowerPoint

Fri, 26 Jun 2026 00:00:00 +0000

PPT Master 完整教學 — AI 生成原生可編輯 PowerPoint

從「一份文件」到「一副完整投影片」的端到端 AI 工作流

Seurat v5 完整教學：單細胞 RNA-seq 分析從零到進階

1. 專案定位與生態系統

1.1 什麼是 Seurat？

Seurat 是一套以 R 語言開發的 single-cell genomics (單細胞基因體學) 分析工具套件，由 New York Genome Center 的 Satija Lab 維護。它提供了從原始 count matrix (計數矩陣) 到生物學詮釋的完整分析流程。

AGI（Agentic Guideline Intelligence）完整教學

Tue, 23 Jun 2026 00:00:00 +0000

AGI（Agentic Guideline Intelligence）完整教學

第 1 章：專案定位與核心價值

1.1 什麼是 AGI？

AGI（Agentic Guideline Intelligence; 代理式規範智慧）是一套從 128 份國際品牌 Brand Guideline（品牌規範手冊）蒸餾而成的知識圖譜系統。它不是傳統的 Web 應用程式，也不是單純的文件範本庫——而是一套結合結構化知識庫 + AI Agent Skill + 推理引擎的完整工作流，目標是讓 AI 代理人能模擬高階設計師的決策順序，為新客戶規劃並撰寫 Brand Guideline 初稿。

Deep-Research-Agent 完整教學

Tue, 23 Jun 2026 00:00:00 +0000

Deep Research Agent 完整教學

1. 專案定位與核心價值

這是什麼？

Deep Research Agent（又名 Deep Science Writer）是一套工業等級的端到端 scientific research pipeline (科學研究管線)，專為 Hermes/ECC framework (Hermes/ECC 框架) 打造的 AI agent skill。它完全自動化學術 literature review (文獻回顧) 流程 — 從主題規劃、跨資料庫論文蒐集、全文深度閱讀、反幻覺驗證，到 APA 第 7 版 .docx 產出與知識庫匯入。

due-diligence-agents 完整教學

Tue, 23 Jun 2026 00:00:00 +0000

due-diligence-agents 完整教學

zoharbabin/due-diligence-agents — 開源法醫式 M&A 盡職調查工具：13 個 AI agent 平行分析資料室，跨 9 個領域交叉比對，每個發現追溯到確切引文。

1. 專案定位與核心價值

1.1 解決什麼問題

在併購（M&A; Mergers & Acquisitions）盡職調查（Due Diligence; DD）流程中，企業發展團隊面臨三大瓶頸：

hush 完整教學

Tue, 23 Jun 2026 00:00:00 +0000

1. 專案定位與核心價值

問題背景

傳統開發流程中，.env 檔案是管理環境變數的主流方式，但在 AI 編碼代理（如 Claude Code、OpenAI Codex）日益普及的今天，.env 檔案已成為嚴重的安全隱患：

OpenPencil 完整教學

Tue, 23 Jun 2026 00:00:00 +0000

OpenPencil 完整教學

1. 專案定位與核心價值

這是什麼？

OpenPencil 是一款 AI 原生的開源設計編輯器 (AI-native open-source design editor)，定位為 Figma 的開源替代方案。它不只是一個設計工具，更是一個 可程式化的設計平台 (programmable design platform)，讓設計工作能被 CLI 腳本、AI Agent、自動化 pipeline 所驅動。

AlphaDev：以深度強化學習發現更快排序演算法的完整教學

Sat, 20 Jun 2026 00:00:00 +0000

AlphaDev：以深度強化學習發現更快排序演算法

論文：Mankowitz, D.J. et al. “Faster sorting algorithms discovered using deep reinforcement learning.” Nature 618, 257–263 (2023). DOI: 10.1038/s41586-023-06004-9

AlphaFold 3 完整教學 — 生物分子結構預測推論管線

Sat, 20 Jun 2026 00:00:00 +0000

AlphaFold 3 完整教學 — 生物分子結構預測推論管線

來源: google-deepmind/alphafold3 | 8,239 stars | 1,270 forks | Python | Apache-2.0

論文: Abramson, J. et al. “Accurate structure prediction of biomolecular interactions with AlphaFold 3.” Nature 630, 493-500 (2024). doi:10.1038/s41586-024-07487-w

1. 專案概述 (Project Overview)

1.1 什麼是 AlphaFold 3？

AlphaFold 3 (AF3) 是 Google DeepMind 開發的第三代 biomolecular structure prediction (生物分子結構預測) 系統。相較於 AlphaFold 2 僅能預測蛋白質結構，AF3 將預測範圍大幅擴展至所有生物分子的交互作用 (biomolecular interaction)，包括：

AlphaGenome -- Google DeepMind DNA 調控密碼統一模型完整教學

Sat, 20 Jun 2026 00:00:00 +0000

AlphaGenome – Google DeepMind DNA 調控密碼統一模型完整教學

AlphaGenome 是 Google DeepMind 開發的統一基因體模型 (unified genomic model)，能從 DNA 序列 (DNA sequence) 同時預測 gene expression (基因表現)、splicing patterns (剪接模式)、chromatin features (染色質特徵) 與 contact maps (接觸圖譜)，最長可分析 100 萬鹼基對，並達到 single base-pair resolution (單鹼基解析度)。

AlphaGeometry2 - AI 幾何定理證明系統完整教學

Sat, 20 Jun 2026 00:00:00 +0000

AlphaGeometry2 - 金牌等級的 AI 幾何定理自動證明系統

1. 專案概述 (Project Overview)

1.1 什麼是 AlphaGeometry2

AlphaGeometry2 是 Google DeepMind 開發的 幾何定理自動證明系統 (automated geometry theorem prover)，為 2024 年發表的 AlphaGeometry 之重大升級版本。該系統在解決 國際數學奧林匹克 (International Mathematical Olympiad, IMO) 幾何問題上，已達到甚至超越 金牌得主 (gold medalist) 的平均水準。

AlphaMissense 完整技術教學

Sat, 20 Jun 2026 00:00:00 +0000

AlphaMissense 完整技術教學

AlphaMissense — Google DeepMind 發佈的 missense variant pathogenicity (錯義變異致病性) 預測模型，基於 AlphaFold 2 架構修改而成，可對人類蛋白質體中所有可能的單胺基酸替換進行致病性評分。

Concordia -- Google DeepMind 生成式社會模擬框架完整教學

Sat, 20 Jun 2026 00:00:00 +0000

Concordia – Google DeepMind 生成式社會模擬框架完整教學

Concordia 是由 Google DeepMind 開發的開源 Python 函式庫，用於建構以大型語言模型 (Large Language Model; LLM) 驅動的多代理人 (Multi-Agent) 生成式社會模擬 (Generative Social Simulation)。它採用桌上角色扮演遊戲 (Tabletop Role-Playing Game; TRPG) 的互動模式，讓代理人以自然語言 (Natural Language) 描述行動意圖，再由遊戲主持人 (Game Master; GM) 判定行動結果與環境變化。

Gemma — Google DeepMind 開放權重大型語言模型家族完整教學

Sat, 20 Jun 2026 00:00:00 +0000

Gemma — Google DeepMind 開放權重大型語言模型家族完整教學

Gemma 是 Google DeepMind 基於 Gemini 研究與技術推出的 open-weight LLM (開放權重大型語言模型) 家族。本教學涵蓋 Gemma 1 至 Gemma 4 的完整生態系統，包含純文字、多模態 (multimodal)、Mixture-of-Experts (MoE; 混合專家) 及 Diffusion LLM (擴散語言模型) 等變體。

GNoME Materials Discovery - AI 驅動的新材料探索完整教學

Sat, 20 Jun 2026 00:00:00 +0000

GNoME Materials Discovery - AI 驅動的新材料探索完整教學

Graph Networks for Materials Exploration (GNoME) 是 Google DeepMind 開發的材料探索專案，利用 Graph Neural Network (圖神經網路; GNN) 大規模預測無機晶體 (inorganic crystal) 的穩定性，已發現超過 381,000 種新型穩定材料 (stable materials)，並於 2024 年 8 月擴展至 520,000+ 種距 convex hull (凸包) 1 meV/atom 以內的材料。研究成果發表於 Nature (2023)。

GraphCast 教學：基於圖神經網路的全球天氣預報 AI 模型

Sat, 20 Jun 2026 00:00:00 +0000

GraphCast 教學：基於圖神經網路的全球天氣預報 AI 模型

Google DeepMind GraphCast – 以 Graph Neural Network (圖神經網路) 在 Icosahedral Mesh (正二十面體網格) 上建模大氣動力學，實現 10 天全球天氣預報，精度超越 ECMWF 的 HRES 數值天氣預測系統。發表於 Science (2023)。

SynthID Text 完整教學：AI 生成文字浮水印嵌入與偵測

Sat, 20 Jun 2026 00:00:00 +0000

SynthID Text 完整教學：AI 生成文字浮水印嵌入與偵測

SynthID Text (合成識別文字) 是 Google DeepMind 發表於 Nature 期刊的 AI watermarking (AI 浮水印) 技術參考實作。本教學涵蓋從原理到實務的完整流程，適用於需要辨識 AI-generated text (AI 生成文字) 的研究者、合規人員與開發者。

Agent SOP 完整教學

Thu, 18 Jun 2026 00:00:00 +0000

Repository: https://github.com/strands-agents/agent-sop Stars: 1015 | Forks: 96 | Language: Python | License: Apache-2.0 Tags: SOP, Workflows, Multi-step Homepage: https://aws.amazon.com/blogs/opensource/introducing-strands-agent-sops-natural-language-workflows-for-ai-agents/

1. 專案概覽 (Project Overview)

1.1 這是什麼

Agent SOP 是 Strands Agents 生態系中的自然語言工作流引擎 (Natural Language Workflow Engine)。它將複雜的多步驟任務定義為標準化的 Markdown 文件（副檔名 .sop.md），讓 AI Agent 能夠以一致且可靠的方式執行軟體開發、程式碼審查、文件撰寫等專業工作流程。

extension-template 完整教學

Thu, 18 Jun 2026 00:00:00 +0000

Repository: https://github.com/strands-agents/extension-template Stars: 2 | Forks: 2 | Language: Python + TypeScript License: Apache-2.0 | Updated: 2026-06-01 Tags: Template, Extension

1. 專案概覽 (Project Overview)

1.1 這是什麼

extension-template 是 Strands Agents 官方提供的 Extension (擴充套件) 起始模板，讓開發者能以標準化的方式建立自訂元件，並發佈到 PyPI (Python) 或 npm (TypeScript)。它是一個 Monorepo (單一儲存庫) 結構，同時包含 Python 與 TypeScript 兩種語言的模板，覆蓋 Strands Agents 框架的五大擴充點 (Extension Point)。

Strands Agent Builder 完整教學

Thu, 18 Jun 2026 00:00:00 +0000

Repository: https://github.com/strands-agents/agent-builder Stars: 419 | Forks: 89 | Language: Python | License: Apache-2.0 Tags: Builder, Streaming, Interactive PyPI: strands-agents-builder | Python: >=3.10 Updated: 2026-06-16

1. 專案概覽 (Project Overview)

這是什麼

Strands Agent Builder 是 Strands Agents 生態系中的互動式 AI Agent 建構工具包 (interactive AI agent toolkit)，由 AWS 開源團隊開發。它提供一個終端機介面 (terminal interface)，讓開發者能夠即時建立、測試、擴充自訂 AI agent 與 tool — 而且 agent 可以在執行期間自行撰寫新工具並即時載入，無須重啟。

Strands Agents Harness SDK 完整教學

Thu, 18 Jun 2026 00:00:00 +0000

Repository: https://github.com/strands-agents/harness-sdk Stars: 6,187 | Forks: 887 | License: Apache-2.0 Languages: Python, TypeScript | Tags: SDK, Agent Framework, Agentic AI, MCP, Multi-Agent Systems Homepage: https://strandsagents.com/

1. 專案概覽 (Project Overview)

1.1 這是什麼

Strands Agents Harness SDK 是由 AWS 開源的 AI Agent (AI 代理) 開發框架，採用 model-driven (模型驅動) 的設計哲學，讓開發者只需數行程式碼就能建立功能完整的 AI Agent。這是一個 monorepo (單一程式碼倉庫)，同時包含 Python SDK 與 TypeScript SDK，以及文件網站、WebAssembly bindings (WASM 綁定) 和開發者 CLI 工具。

Strands Agents Samples 完整教學

Thu, 18 Jun 2026 00:00:00 +0000

Repository: https://github.com/strands-agents/samples Stars: 793 | Forks: 420 | Language: Python | License: Apache-2.0 Tags: Examples, Python, Demos, agentic-ai, multi-agent-systems, mcp, opentelemetry, bedrock, llm Official Site: https://strandsagents.com Last Updated: 2026-06-17

1. 專案概覽 (Project Overview)

1.1 這是什麼

Strands Agents Samples 是 Strands Agents 生態系的官方範例庫 (official sample repository)，由 AWS 團隊維護。它收錄了超過 50 個實作範例，涵蓋從「三行程式碼建立第一個 Agent」到「多 Agent Swarm 協作」、「邊緣裝置機器人控制」等完整應用場景。

Strands Agents SDK TypeScript 完整教學

Thu, 18 Jun 2026 00:00:00 +0000

Repository: https://github.com/strands-agents/sdk-typescript Stars: 699 | Forks: 103 | License: Apache-2.0 語言: TypeScript | NPM: @strands-agents/sdk 官網: https://strandsagents.com Tags: agents, ai, autonomous-agents, bedrock, genai, llm, mcp, multi-agent-systems, openai, opentelemetry, typescript, javascript, strands-agents

注意: 此 repo 已 archived，TypeScript SDK 已遷移至 strands-agents/harness-sdk monorepo 的 strands-ts/ 目錄。本教學內容基於遷移前的完整原始碼，API 與架構仍然有效。

Strands Agents 生態系完整比較論述

Thu, 18 Jun 2026 00:00:00 +0000

涵蓋範圍：12 個 GitHub 專案的深度比較分析 適用對象：生物資訊分析師（Bioinformatics Analyst）、藥物開發團隊、AI 工具整合者 分析日期：2026-06-18 總星數：10,949 stars（合計 12 個 repo）

Strands Evals 完整教學

Thu, 18 Jun 2026 00:00:00 +0000

Repository: https://github.com/strands-agents/evals Stars: 144 | Forks: 39 | Language: Python | License: Apache-2.0 Tags: Evaluation, Testing, LLM, Agentic AI, Machine Learning PyPI: strands-agents-evals | Python: 3.10+ Homepage: https://strandsagents.com

1. 專案概覽 (Project Overview)

1.1 這是什麼

Strands Evals 是 Strands Agents 生態系 中的綜合評估框架 (Comprehensive Evaluation Framework)，由 AWS 開源團隊開發維護。它為 AI Agent 與 LLM 應用提供從簡單的輸出驗證 (Output Validation) 到複雜的多 Agent 互動分析 (Multi-Agent Interaction Analysis)、軌跡評估 (Trajectory Evaluation)、自動化實驗生成 (Automated Experiment Generation) 等全方位評估能力。

Strands Shell 完整教學

Thu, 18 Jun 2026 00:00:00 +0000

Repository: https://github.com/strands-agents/shell Stars: 103 | Forks: 12 | Language: Rust License: Apache-2.0 | Last Updated: 2026-06-17 Homepage: https://strandsagents.com Tags: Shell, Rust, Sandboxing

1. 專案概覽 (Project Overview)

1.1 這是什麼

Strands Shell 是一個完全在 userspace (使用者空間) 中執行的 Bourne-compatible shell (Bourne 相容 shell)，專為 AI agent (AI 代理人) 設計。它的核心理念是：給 agent 一個 shell，但不給它你機器的鑰匙。

strands-agents/devtools 完整教學

Thu, 18 Jun 2026 00:00:00 +0000

Repository: https://github.com/strands-agents/devtools Stars: 13 | Forks: 15 | Language: Python License: Apache-2.0 | Last Updated: 2026-06-15 Tags: agentic, agents, ai, strands-agents Homepage: https://strandsagents.com

1. 專案概覽 (Project Overview)

1.1 這是什麼

strands-agents/devtools 是 Strands Agents 生態系的 共用 DevOps 基礎設施 (shared DevOps infrastructure)，提供跨組織 (cross-organization) 的 GitHub Actions、可重用工作流 (reusable workflows)、以及 AI agent 執行引擎。它讓 Strands Agents 旗下所有 12 個 repo 能夠透過統一的 CI/CD 管線 (pipeline) 運行 AI agent、自動化 issue 分類、以及執行評估 (evaluation) 基準測試。

strands-agents/docs 完整教學

Thu, 18 Jun 2026 00:00:00 +0000

Repository: https://github.com/strands-agents/docs Stars: 197 | Forks: 225 | Primary Language: MDX License: Apache-2.0 | Website: https://strandsagents.com Tags: agentic, agentic-ai, agents, ai, anthropic, autonomous-agents, genai, litellm, llm, machine-learning, mcp, multi-agent-systems, ollama, opentelemetry, python, bedrock, llama, openai, strands-agents

1. 專案概覽 (Project Overview)

1.1 這是什麼？

strands-agents/docs 是 Strands Agents SDK 的官方文件網站 (documentation site) 原始碼。它使用 Astro 靜態站點產生器 (static site generator; SSG) 搭配 Starlight 文件主題，將 Markdown / MDX 格式的技術文件編譯為部署在 https://strandsagents.com 的完整文件站。

strands-agents/mcp-server 完整教學

Thu, 18 Jun 2026 00:00:00 +0000

Repository: https://github.com/strands-agents/mcp-server Stars: 286 | Forks: 72 | Language: Python License: Apache-2.0 | Last Updated: 2026-06-14 PyPI: strands-agents-mcp-server | Python: 3.10+ Tags: MCP, Documentation, GenAI, Agentic AI, Agents, Bedrock, LiteLLM, Ollama, OpenAI

1. 專案概覽 (Project Overview)

1.1 這是什麼？

strands-agents/mcp-server 是一個 MCP Server (Model Context Protocol Server; 模型上下文協議伺服器)，專門為 AI 程式碼助手 (AI coding assistant; AI 編碼助理) 提供 Strands Agents 框架的完整文件存取能力。

strands-agents/tools 完整教學

Thu, 18 Jun 2026 00:00:00 +0000

Repository: https://github.com/strands-agents/tools Stars: 1,092 | Forks: 308 | Language: Python | License: Apache-2.0 Tags: agentic, agentic-ai, agents, ai, anthropic, autonomous-agents, genai, litellm, llm, machine-learning, mcp, multi-agent-systems, ollama, opentelemetry, python, bedrock, llama, openai, strands-agents Last Updated: 2026-06-14

1. 專案概覽 (Project Overview)

1.1 這是什麼

Strands Agents Tools 是 Strands Agents 生態系中的官方工具集合 (tool collection)，由 AWS 開源團隊維護。它提供超過 50 種即用型工具 (ready-to-use tools)，涵蓋檔案操作、Shell 執行、網路搜尋、記憶體系統、多 Agent 協調、數學運算、影像生成、AWS 整合等面向，讓開發者只需幾行 Python 程式碼就能賦予 AI Agent 強大的實際操作能力。

Agent Starter Pack (ASP) 完整教學 — Google Cloud 生產級 AI Agent 模板工具

Wed, 17 Jun 2026 00:00:00 +0000

Agent Starter Pack (ASP) 完整教學

Google Cloud 生產級 AI Agent 模板工具 — 從原型到部署的一站式腳手架

項目	內容
GitHub	GoogleCloudPlatform/agent-starter-pack
版本	v0.41.3 (2026-04-25)
語言	Python (支援 Go / TypeScript / Java 模板)
授權	Apache 2.0
Stars / Forks	6,479 / 1,486

⚠️ MAINTENANCE MODE 警告

Ponytail 完整教學 — 讓 AI Agent 像最懶的資深工程師一樣寫程式

Wed, 17 Jun 2026 00:00:00 +0000

Ponytail 完整教學

讓 AI Agent 像最懶的資深工程師一樣寫程式 — 最好的程式碼，就是你從來沒寫的那段。

1. 專案定位

這是什麼？

Ponytail 是一個跨平台的 AI agent skill / plugin，它把一個理念灌輸到你的 AI coding assistant 裡：寫程式之前，先問「這段程式碼真的需要存在嗎？」。

Drug Repositioning Pre-IND 完整教學（下篇）：候選分子落地、決策框架與附錄

Sun, 14 Jun 2026 12:01:00 +0800

本文為密碼保護文章，需輸入密碼才能閱讀。

上篇連結：Drug Repositioning Pre-IND 完整教學（上篇）

§6 4 LILO 落地 — 候選人履歷表

chmod 600 — 僅以 LILO-A / LILO-B / LILO-C / LILO-D 代號出現

Drug Repositioning Pre-IND 完整教學（上篇）：概念、法規與管線分析

Sun, 14 Jun 2026 12:00:00 +0800

本文為密碼保護文章，需輸入密碼才能閱讀。

下篇連結：Drug Repositioning Pre-IND 完整教學（下篇）

§1 執行摘要：一分鐘掌握本案

機密邊界：4 candidate 僅以 LILO-A / LILO-B / LILO-C / LILO-D 代號出現；禁止出現任何真名、ChEMBL ID、SMILES chmod 600

PAL MCP Server 完整教學 — 多模型 AI 協作 MCP 伺服器

Sun, 14 Jun 2026 00:00:00 +0000

1. 專案定位與核心價值

1.1 PAL MCP 是什麼

PAL MCP Server（Provider Abstraction Layer for Model Context Protocol）是一個開源 MCP 伺服器，讓你在 Claude Code、Gemini CLI、Codex CLI、Cursor 等 AI 開發工具內同時調度多個 AI 模型，實現真正的多模型協作開發。

agentsview 完整教學 — Coding Agent Session 智慧分析平台

Fri, 12 Jun 2026 00:00:00 +0000

agentsview 完整教學 — Coding Agent Session 智慧分析平台

1. 專案定位

1.1 是什麼？

agentsview 是一個 local-first (本地優先) 的 coding agent session intelligence (session 智慧分析) 平台。它以單一 Go binary 自動發現你機器上所有 AI coding agent 的 session 資料，建立本地 SQLite 索引，提供跨 agent 的瀏覽、搜尋、token usage (token 用量) 追蹤與 cost tracking (成本追蹤) 功能。

Blog Publisher — 從 GitHub Tutorial 到 Hugo Blog 的自動發佈工作流教學

Fri, 12 Jun 2026 00:00:00 +0000

Blog Publisher — 從 GitHub Tutorial 到 Hugo Blog 的自動發佈工作流教學

1. 概述

本教學說明如何將 AI-Knowledge Template (AIKT) 產出的 GitHub tutorial markdown 自動轉換為 Hugo blog post 並部署到 Netlify。

1.1 解決的問題

AIKT 的 gh-tutorial-qd workflow 會產出大量高品質的 GitHub 專案教學文件（目前已有 161 份 tutorial markdown），但這些內容只存在本地。Blog Publisher 將這些內容自動轉成 blog 文章，讓知識可被搜尋引擎索引、可分享、可累積。

claude-swap 完整教學 — Claude Code 多帳號切換工具

Fri, 12 Jun 2026 00:00:00 +0000

claude-swap 完整教學 — Claude Code 多帳號切換工具

1. 專案定位

1.1 是什麼？

claude-swap 是一個 Python CLI 工具，讓你在多個 Claude Code 帳號之間快速切換，無需反覆登出登入。支援 Claude Code CLI 與 VS Code extension (VS Code 擴充套件)，以單一指令 cswap 操作所有帳號管理功能。

google/skills 完整教學 — Google Agent Skills for AI Coding Agents

Fri, 12 Jun 2026 00:00:00 +0000

§1 專案定位與背景

這是什麼？

google/skills 是 Google 官方的 Agent Skills（代理技能） 開源知識庫。它不是傳統的程式庫或框架，而是一組結構化的 Markdown 描述檔（SKILL.md），專門設計給 AI coding agent（如 Gemini CLI、Claude Code、Cursor、Windsurf 等）閱讀，讓 agent 在協助開發者操作 Google Cloud 服務時，能遵循官方最佳實踐、避免常見錯誤、並使用正確的 SDK 與 CLI 指令。

SkillSpector 完整教學 — AI Agent Skill 安全掃描器

Fri, 12 Jun 2026 00:00:00 +0000

SkillSpector 完整教學 — AI Agent Skill 安全掃描器

§1 專案定位

1.1 解決什麼問題

AI agent skill（如 Claude Code skill、Codex CLI skill、Gemini CLI skill）在安裝時幾乎沒有審查機制。根據 NVIDIA 引用的研究 “Agent Skills in the Wild”（Liu et al., 2026），在 42,447 個 skill 樣本中：

claude-skill-social-post 完整教學 — 深層邏輯分析、架構剖析與藍海策略

Thu, 11 Jun 2026 00:00:00 +0000

一個由駱君昊 (Hao) 開發的 Claude Code skill，學使用者的 Facebook 語氣、排 14 天內容日曆、自動發文到 FB / IG / Threads / X。首篇貼文即創 mega-viral (mega-viral; 超級爆紅)：75,071 瀏覽 / 96.5% 非追蹤者觸及。

AbLang 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

AbLang 完整教學

Repository: https://github.com/oxpig/AbLang Stars: 165 | Forks: 31 | License: BSD 3-Clause Tags: antibody, language-model, semantic, protein-sequences Language: Python | Version: 0.2.4 Paper: AbLang: An antibody language model for completing antibody sequences (Olsen et al., 2022)

2. 核心架構

2.1 模型整體架構


graph TD
    subgraph Input["輸入層 Input Layer"]
        SEQ["抗體序列
Antibody Sequence
e.g. EVQLVESGPG..."]
        TOK["ABtokenizer
20 AA + 特殊 token
（   ）"]
    end

    subgraph AbRep["AbRep 表徵模型"]
        EMB["AbEmbeddings
AA Embedding + Position Embedding
→ LayerNorm → Dropout"]
        ENC["EncoderBlocks
N 層 Transformer Encoder
（MultiHeadAttention + IntermediateLayer）"]
        HST["Last Hidden States
768-dim per residue"]
    end

    subgraph AbHead["AbHead 預測頭"]
        DENSE["Dense Layer (768 → 768)"]
        ACT["Activation (GELU)"]
        LN["LayerNorm"]
        DEC["Decoder (768 → vocab_size)"]
        LOGIT["Token Logits
每個位置的 AA 機率分布"]
    end

    subgraph Outputs["四種輸出模式"]
        SEQC["seqcoding
Mean pooling → 768-dim/seq"]
        RESC["rescoding
768-dim/residue"]
        REST["restore
MLM 預測填回 mask"]
        LIKE["likelihood
20 AA 機率矩陣"]
    end

    SEQ --> TOK --> EMB --> ENC --> HST
    HST --> SEQC
    HST --> RESC
    HST --> AbHead
    DENSE --> ACT --> LN --> DEC --> LOGIT
    LOGIT --> REST
    LOGIT --> LIKE

    style Input fill:#e8f4f8,stroke:#2c3e50
    style AbRep fill:#fdf2e9,stroke:#e67e22
    style AbHead fill:#f5eef8,stroke:#8e44ad
    style Outputs fill:#eafaf1,stroke:#27ae60

2.2 原始碼模組結構

 1ablang/
 2├── __init__.py          # 匯出 ABtokenizer, AbLang, AbRep, AbHead, pretrained
 3├── tokenizers.py        # ABtokenizer — AA 字元 ↔ token ID 雙向轉換
 4├── embedding.py         # AbEmbeddings — AA 嵌入 + 位置嵌入 + LayerNorm + Dropout
 5├── encoderblocks.py     # EncoderBlocks → EncoderBlock → MHA + IntermediateLayer
 6├── fairseq_mha.py       # MultiheadAttention（改自 fairseq，支援逐 head 權重輸出）
 7├── extra_fns.py         # 啟動函數對照表 ACT2FN（GELU 等）
 8├── model.py             # AbLang = AbRep + AbHead；AbRep = Embeddings + Encoder
 9├── pretrained.py        # pretrained class — 模型下載、推論介面、四種模式
10└── model-weights-*/     # 自動下載的預訓練權重（heavy / light 各一組）

2.3 Transformer Encoder 內部結構

每個 EncoderBlock 包含：

agent-process-guard 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

Repository: https://github.com/yanowo/agent-process-guard Stars: 14 | Language: PowerShell / Bash | License: MIT 最後更新: 2026-06-10

1. 專案概覽 (Project Overview)

1.1 這個工具解決什麼問題？

當 AI 編碼代理（如 Codex、Claude Code）在終端機執行指令時，經常遭遇兩個根本問題：

biomed-multi-alignment (MAMMAL) 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

biomed-multi-alignment (MAMMAL) 完整教學

Repository: https://github.com/BiomedSciAI/biomed-multi-alignment Stars: 109 | Tags: IBM, multimodal, foundation License: Apache-2.0 | Language: Jupyter Notebook / Python arXiv: 2410.22367 Model Weights: ibm/biomed.omics.bl.sm.ma-ted-458m

2. 核心架構

2.1 整體架構圖


graph TB
    subgraph Input["輸入模態 (Input Modalities)"]
        P["Protein Sequence
蛋白質序列
AA tokenizer"]
        S["Small Molecule
小分子 SMILES
SMILES tokenizer"]
        G["Gene Expression
基因表現
Gene tokenizer + Scalars"]
    end

    subgraph MT["Modular Tokenizer
模組化分詞器"]
        M1["AA Tokenizer"]
        M2["SMILES Tokenizer"]
        M3["Gene Tokenizer"]
        M4["Unified ID Space
統一 ID 空間"]
    end

    subgraph Prompt["Task Prompt Syntax
任務提示語法"]
        TP["<@TOKENIZER-TYPE=AA>

...
"]
    end

    subgraph Model["MAMMAL Model (458M params)"]
        ENC["T5 Encoder
編碼器"]
        DEC["T5 Decoder
解碼器"]
        EH["Encoder Head
ClassifierMLP"]
        SH["Scalars Prediction Head
標量預測頭"]
    end

    subgraph Output["輸出模式"]
        CLS["Classification
分類 (token generation)"]
        REG["Regression
回歸 (scalar prediction)"]
        EMB["Embeddings
嵌入向量 (vLLM pooling)"]
    end

    P --> M1
    S --> M2
    G --> M3
    M1 --> M4
    M2 --> M4
    M3 --> M4
    M4 --> TP
    TP --> ENC

    ENC -->|"Encoder-Decoder mode"| DEC --> CLS
    ENC -->|"Encoder-only mode"| EH --> REG
    ENC -->|"Encoder-only mode"| SH --> REG
    ENC -->|"vLLM pooling"| EMB

2.2 Task Prompt 格式

MAMMAL 的核心設計哲學是用統一的 prompt 格式將不同模態與任務編碼為 token 序列。以下是各任務的 prompt 結構：

BioMedLM 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

BioMedLM 完整教學

Repository: https://github.com/stanford-crfm/BioMedLM Stars: 640 | Forks: 66 | Language: Python Tags: biomedical, LLM, Stanford Model Hub: https://huggingface.co/stanford-crfm/pubmedgpt Blog: https://crfm.stanford.edu/2022/12/15/pubmedgpt.html

2. 核心架構

2.1 整體架構圖


graph TB
    subgraph "Pre-training Pipeline"
        A["PubMed Abstracts
+ PubMed Central Full-text"] --> B["自訂 BPE Tokenizer
(vocab=28,896)"]
        B --> C["GPT-2 2.7B 架構
(MosaicML Composer)"]
        C --> D["BioMedLM
Pre-trained Checkpoint"]
    end

    subgraph "Fine-tuning Pipeline"
        D --> E["NLU: Sequence Classification
(PubMedQA / BioASQ)"]
        D --> F["NLU: Multiple Choice
(MedQA-USMLE)"]
        D --> G["NLG: Text Generation
(MeQSum Summarization)"]
    end

    subgraph "Downstream 應用"
        E --> H["生物醫學問答系統"]
        F --> I["醫學考試評估"]
        G --> J["醫學文獻摘要"]
        D --> K["Synthetic Data Generation
(SDG 基礎模型)"]
    end

    subgraph "工具與依賴"
        L["HuggingFace Transformers"] --> C
        M["DeepSpeed CPU Offloading"] --> E & F & G
        N["PyTorch Distributed"] --> E & F & G
    end

    style A fill:#e1f5fe
    style D fill:#fff3e0
    style K fill:#fce4ec

2.2 專案目錄結構

 1BioMedLM/
 2├── README.md                          # 專案說明與快速使用範例
 3├── demo.py                            # 最簡推論 demo
 4├── tokenize/
 5│   └── train_bpe.py                   # 自訂 BPE tokenizer 訓練腳本
 6├── finetune/
 7│   ├── README.md                      # Fine-tuning 完整說明
 8│   ├── setup/
 9│   │   └── requirements.txt           # 依賴套件
10│   ├── deepspeed/
11│   │   └── cpu_offload.json           # DeepSpeed 記憶體優化設定
12│   ├── mc/                            # Multiple Choice (多選題 QA)
13│   │   ├── README.md
14│   │   ├── preprocess_medqa.py        # MedQA 資料前處理
15│   │   ├── run_multiple_choice.py     # 多選微調主程式
16│   │   ├── run_experiments.py         # 批次實驗腳本
17│   │   └── data/medqa_usmle_hf/      # MedQA-USMLE 範例資料
18│   ├── seqcls/                        # Sequence Classification (序列分類)
19│   │   ├── README.md
20│   │   ├── preprocess_blurb_seqcls.py # BLURB 資料前處理
21│   │   ├── run_seqcls_gpt.py          # 序列分類微調主程式
22│   │   └── data/                      # PubMedQA / BioASQ 範例資料
23│   ├── textgen/                       # Text Generation (文本生成)
24│   │   ├── data/meqsum/               # MeQSum 摘要任務資料
25│   │   └── gpt2/
26│   │       ├── finetune_for_summarization.py  # 摘要微調
27│   │       ├── generate_demo.py               # 生成 demo
28│   │       ├── run_generation_batch.py        # 批次生成
29│   │       ├── sum_data_collator.py           # 資料 collator
30│   │       └── sum_dataset.py                 # 資料集類別
31│   └── utils/
32│       ├── custom_modeling_gpt2.py    # 自訂 GPT-2（加 Token Classification）
33│       ├── custom_modeling_gpt_neo.py # GPT-Neo 相容層
34│       └── hf_flash_gpt_2.py         # Flash Attention 支援

2.3 Fine-tuning 任務架構


graph LR
    subgraph "NLU Tasks"
        direction TB
        MC["Multiple Choice
(MedQA-USMLE)
4 選 1 醫學考題"]
        SC["Sequence Classification
(PubMedQA / BioASQ)
yes/no/maybe 分類"]
    end

    subgraph "NLG Tasks"
        direction TB
        TG["Text Generation
(MeQSum)
醫療問題摘要"]
    end

    BM["BioMedLM
Pre-trained"] --> MC
    BM --> SC
    BM --> TG

    MC -->|"MultipleChoiceModelOutput"| R1["Accuracy on
USMLE 4-option"]
    SC -->|"SequenceClassifierOutput"| R2["Accuracy on
PubMedQA / BioASQ"]
    TG -->|"Causal LM"| R3["ROUGE / BLEU
on MeQSum"]

    style BM fill:#fff3e0
    style MC fill:#e8f5e9
    style SC fill:#e8f5e9
    style TG fill:#e3f2fd

2.4 Tokenizer 設計

BioMedLM 使用自訂的 BPE（Byte-Pair Encoding; 位元組對編碼）tokenizer，這是整個系統的關鍵差異化設計：

brain-synthesis-lesion-segmentation 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

brain-synthesis-lesion-segmentation 完整教學

Repository: https://github.com/harshitAgr/brain-synthesis-lesion-segmentation Stars: 40 | Fork: 33 | Language: Python (TensorFlow) Tags: brain, GAN, NVIDIA-DLI 論文: Medical Image Synthesis for Data Augmentation and Anonymization using Generative Adversarial Networks 最後更新: 2025-12-01

2. 核心架構

2.1 整體管線


graph TD
    subgraph 資料準備
        A[ISLES'18 原始 NIfTI] -->|預處理 Notebook| B[2D PNG 切片
或 3D PKL 體積]
    end

    subgraph 模型訓練
        B --> C{選擇模式}
        C -->|無條件| D[GAN 2D
gan2d.py]
        C -->|條件式 2D| E[pix2pix 2D
pix2pix2d.py]
        C -->|條件式 3D| F[pix2pix 3D
pix2pix3d.py]
    end

    subgraph Generator 架構
        G[Input Image
CT Perfusion] --> H[U-Net Encoder
8 層 Downsample]
        H --> I[Bottleneck
1x1x512]
        I --> J[U-Net Decoder
7 層 Upsample + Skip]
        J --> K[Output
合成病灶標籤]
    end

    subgraph Discriminator 架構
        L[Input + Target
或 Input + Generated] --> M[PatchGAN
70x70 patches]
        M --> N[Real / Fake
判別]
    end

    subgraph 後處理
        E --> O[2D 預測 PNG]
        F --> P[3D 預測 PKL]
        O -->|merge_2d_test_to_nii.py| Q[NIfTI 輸出]
        P -->|convert_3d_test_to_nii.py| Q
    end

    style G fill:#e1f5fe
    style K fill:#c8e6c9
    style Q fill:#fff3e0

2.2 Generator 詳細架構（U-Net + Skip Connections）

Generator（生成器）採用經典 U-Net（U 型網路）架構，包含：

conditional_DDPM 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

conditional_DDPM 完整教學

Repository: https://github.com/junbopeng/conditional_DDPM Stars: 74 | Tags: DDPM, CBCT-CT, Medical-Physics License: MIT | Language: Python | Last Updated: 2026-04-29 論文: Peng J, Qiu RLJ, Wynne JF, et al. CBCT-Based synthetic CT image generation using conditional denoising diffusion probabilistic model. Med Phys. 2023; 1-13. DOI: 10.1002/mp.16704

2. 核心架構

2.1 系統架構圖


graph TB
    subgraph "Forward Process (訓練時)"
        CT["pCT 影像
(Ground Truth)"]
        NOISE["Gaussian Noise ε"]
        T_STEP["Random Timestep t
t ∈ [0, T)"]
        X_T["噪聲化 CT: x_t
x_t = √ᾱ_t · CT + √(1-ᾱ_t) · ε"]
        CT --> X_T
        NOISE --> X_T
        T_STEP --> X_T
    end

    subgraph "Conditional Input (條件輸入)"
        CBCT["CBCT 影像
(Condition)"]
        CONCAT["Channel Concatenation
[x_t, CBCT] → 2-ch"]
        X_T --> CONCAT
        CBCT --> CONCAT
    end

    subgraph "U-Net Backbone"
        UNET["Conditional U-Net
Input: 2-ch | Output: 1-ch"]
        TIME_EMB["Sinusoidal Time Embedding
t → MLP → t_emb"]
        CONCAT --> UNET
        T_STEP --> TIME_EMB
        TIME_EMB --> UNET
        PRED["Predicted Noise ε̂"]
        UNET --> PRED
    end

    subgraph "Training Loss"
        LOSS["MSE Loss
L = Σ||ε - ε̂||²"]
        NOISE --> LOSS
        PRED --> LOSS
    end

    subgraph "Reverse Process (推論時)"
        PURE_NOISE["Pure Noise x_T
~ N(0, I)"]
        CBCT2["CBCT 影像"]
        DENOISE["Iterative Denoising
t = T → 0"]
        SCT["Synthetic CT
(合成 CT 輸出)"]
        PURE_NOISE --> DENOISE
        CBCT2 --> DENOISE
        UNET -.->|"Trained Model"| DENOISE
        DENOISE --> SCT
    end

    style CT fill:#4CAF50,color:#fff
    style CBCT fill:#FF9800,color:#fff
    style CBCT2 fill:#FF9800,color:#fff
    style SCT fill:#2196F3,color:#fff
    style LOSS fill:#f44336,color:#fff

2.2 U-Net 架構細節

模型採用經典的 U-Net with Skip Connections (帶跳躍連接的 U-Net)，各層規格如下：

CTGAN 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

CTGAN 完整教學

Repository: https://github.com/sdv-dev/CTGAN Stars: 1,560 | Forks: 331 | Language: Python | License: Business Source License (BSL) Tags: synthetic-data, generative-adversarial-network, tabular-data, data-generation 最後更新: 2026-06-08 | 目前版本: v0.12.1 論文: Modeling Tabular data using Conditional GAN — NeurIPS 2019

2. 核心架構 (Core Architecture)

2.1 整體資料流


flowchart TB
    subgraph INPUT["輸入層"]
        RAW["原始表格資料
pandas DataFrame"]
        DC["離散欄位清單
discrete_columns"]
    end

    subgraph TRANSFORM["資料轉換層 DataTransformer"]
        direction TB
        CONT["連續欄位
ClusterBasedNormalizer
(Bayesian GMM)"]
        DISC["離散欄位
OneHotEncoder"]
        CONT --> |"scalar [-1,1] + mode softmax"| ENCODED["轉換後矩陣
float32 ndarray"]
        DISC --> |"one-hot vector"| ENCODED
    end

    subgraph SAMPLER["條件取樣層 DataSampler"]
        CONDVEC["Conditional Vector
條件向量"]
        LOGFREQ["Log-Frequency
對數頻率取樣"]
    end

    subgraph GAN["GAN 訓練核心"]
        direction LR
        subgraph GEN["Generator 生成器"]
            NOISE["z ~ N(0,1)
噪聲向量"]
            RESIDUAL["Residual Layers
殘差層 × N"]
            ACTIVATE["Activation
tanh + Gumbel-Softmax"]
        end
        subgraph DIS["Discriminator 鑑別器"]
            PAC["PacGAN (pac=10)
多樣本打包"]
            WGANGP["WGAN-GP Loss
梯度懲罰"]
        end
        GEN -->|"fake data"| DIS
        DIS -->|"gradient"| GEN
    end

    subgraph OUTPUT["輸出層"]
        INVERSE["逆轉換
inverse_transform"]
        SYNTH["合成表格資料
pandas DataFrame"]
    end

    RAW --> TRANSFORM
    DC --> TRANSFORM
    ENCODED --> SAMPLER
    SAMPLER --> GAN
    ENCODED -->|"real data"| DIS
    CONDVEC -->|"concat with z"| NOISE
    GAN -->|"fakeact"| INVERSE
    INVERSE --> SYNTH

    style INPUT fill:#e8f4f8,stroke:#2196F3
    style TRANSFORM fill:#fff3e0,stroke:#FF9800
    style SAMPLER fill:#f3e5f5,stroke:#9C27B0
    style GAN fill:#fce4ec,stroke:#E91E63
    style OUTPUT fill:#e8f5e9,stroke:#4CAF50

2.2 模組拆解

CTGAN 的程式碼結構十分精簡，核心僅 6 個檔案：

DenseDiffusion 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

DenseDiffusion 完整教學

Repository: https://github.com/naver-ai/DenseDiffusion Stars: 507 | Forks: 35 | License: Apache-2.0 Tags: diffusion, dense-control, ICCV 論文: Dense Text-to-Image Generation with Attention Modulation (ICCV 2023) 作者: Yunji Kim, Jiyoung Lee, Jin-Hwa Kim, Jung-Woo Ha (NAVER AI Lab), Jun-Yan Zhu (CMU)

2. 核心架構

2.1 系統架構圖


graph TD
    A["使用者輸入"] --> B["Layout Masks
空間佈局遮罩"]
    A --> C["Segment Prompts
區段文字描述"]
    A --> D["Master Prompt
全局文字描述"]

    B --> E["Mask Preprocessing
遮罩前處理"]
    C --> F["CLIP Tokenizer
文字分詞"]
    D --> F

    F --> G["CLIP Text Encoder
文字編碼器"]
    G --> H["Text Embeddings
文字嵌入"]

    E --> I["Self-Attention Reg Maps
自注意力調控圖"]
    E --> J["Cross-Attention Reg Maps
交叉注意力調控圖"]
    E --> K["Size Reg Maps
面積調控圖"]

    H --> L["Modified UNet Forward
修改後的 UNet 前向傳播"]
    I --> L
    J --> L
    K --> L

    L --> M["DDIM Scheduler
DDIM 排程器"]
    M --> N["Generated Image
生成影像"]

    style A fill:#e1f5fe
    style L fill:#fff3e0
    style N fill:#e8f5e9

2.2 注意力調變機制

DenseDiffusion 的核心是 mod_forward 函式，它替換了 UNet 中所有 Attention 層的 __call__ 方法。調變邏輯如下：

distilabel 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

distilabel 完整教學

Repository: https://github.com/argilla-io/distilabel Stars: 3248 | Tags: LLM, synthetic-data, AI-feedback License: Apache-2.0 | Language: Python | Requires: Python 3.9+ Homepage: https://distilabel.argilla.io Topics: ai, huggingface, llms, openai, python, rlaif, rlhf, synthetic-data, synthetic-dataset-generation

2. 核心架構

2.1 整體架構圖


graph TB
    subgraph Input["Input Layer (輸入層)"]
        HF["HuggingFace Dataset
HuggingFace 資料集"]
        CSV["CSV / JSON / JSONL"]
        GEN["GeneratorStep
生成器步驟"]
    end

    subgraph Pipeline["Pipeline Engine (管線引擎)"]
        direction TB
        DAG["DAG Scheduler
有向無環圖排程器"]
        BM["BatchManager
批次管理器"]
        SW["StepWrapper
步驟包裝器"]
        WB["WriteBuffer
寫入緩衝區"]
        
        DAG --> BM
        BM --> SW
        SW --> WB
    end

    subgraph Models["Models Layer (模型層)"]
        direction TB
        LLM["LLM Integrations
15+ providers"]
        EMB["Embedding Models
嵌入模型"]
        IMG["Image Generation
圖像生成"]
    end

    subgraph Steps["Steps Layer (步驟層)"]
        direction TB
        TASK["Task Steps
任務步驟"]
        PROC["Processing Steps
處理步驟"]
        FILT["Filtering Steps
過濾步驟"]
        FMT["Formatting Steps
格式化步驟"]
    end

    subgraph Tasks["Built-in Tasks (內建任務)"]
        TG["TextGeneration
文本生成"]
        UF["UltraFeedback
多維度評分"]
        EI["EvolInstruct
指令進化"]
        SI["SelfInstruct
自我指令"]
        PM["PrometheusEval
評估"]
        CL["CLAIR
修訂回饋"]
        MG["Magpie
合成對話"]
        SG["StructuredGeneration
結構化生成"]
    end

    subgraph Output["Output Layer (輸出層)"]
        DS["Distiset
distilabel 資料集"]
        ARG["Argilla Export
Argilla 標注平台"]
        PUSH["Push to HF Hub
推送到 HuggingFace"]
    end

    Input --> Pipeline
    Models --> Steps
    Steps --> Pipeline
    Tasks --> TASK
    Pipeline --> Output

    style Input fill:#e1f5fe,stroke:#0288d1
    style Pipeline fill:#fff3e0,stroke:#f57c00
    style Models fill:#f3e5f5,stroke:#7b1fa2
    style Steps fill:#e8f5e9,stroke:#388e3c
    style Tasks fill:#fce4ec,stroke:#c62828
    style Output fill:#f1f8e9,stroke:#558b2f

2.2 模組結構

distilabel 的原始碼組織如下：

FORTE 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

FORTE 完整教學

Repository: https://github.com/charlierabea/FORTE Stars: 49 | Fork: 6 | License: MIT Tags: multimodal, LLM, brain-CT, report 論文: Nature Communications 16, 2258 (2025) 最後更新: 2026-05-27 Zenodo DOI: 10.5281/zenodo.14852686

2. 核心架構

2.1 系統全貌


flowchart TB
    subgraph INPUT["輸入層"]
        CT["3D Brain CT
(N 張 2D Slice)"]
        INST["Structured Instruction
(MIIT 格式)"]
    end

    subgraph MODEL["BrainGPT 模型"]
        CLIP["CLIP Vision Encoder
(影像編碼器)"]
        PERC["Perceiver Resampler
(跨模態橋接)"]
        MPT["MPT-7B LLM
(語言生成器)"]
        
        CLIP --> PERC
        PERC --> MPT
    end

    subgraph EVAL["FORTE 評估框架"]
        AUTO["Automatic Evaluation
(BLEU / METEOR / ROUGE / CIDEr)"]
        SP["Sentence Pairing
(語義相似度配對)"]
        KW["FORTE Keyword Extraction
(4 類關鍵字擷取)"]
        NEG["Negation Removal
(否定句移除)"]
        
        SP --> KW
        KW --> NEG
    end

    CT --> CLIP
    INST --> MPT
    MPT -->|"Generated Report"| EVAL
    AUTO -.->|"NLG Metrics"| RESULT["Evaluation Result
(Excel)"]
    NEG -->|"Clinical Precision/Recall"| RESULT

    style INPUT fill:#e1f5fe,stroke:#0288d1
    style MODEL fill:#fff3e0,stroke:#f57c00
    style EVAL fill:#e8f5e9,stroke:#388e3c

2.2 目錄結構

 1FORTE/
 2├── MIIT/                          # 訓練框架（基於 Otter）
 3│   ├── flamingo/                  # OpenFlamingo 模型定義
 4│   │   ├── modeling_flamingo.py   #   Flamingo 條件生成模型
 5│   │   └── mpt/                   #   MPT backbone
 6│   ├── otter/                     # Otter 模型（BrainGPT 基底）
 7│   │   └── modeling_otter.py      #   OtterForConditionalGeneration
 8│   └── pipeline/
 9│       ├── train/
10│       │   ├── instruction_following.py  # 主訓練腳本
11│       │   ├── data.py                   # 資料載入器
12│       │   └── train_utils.py            # 訓練工具
13│       ├── eval/                  # COCO 風格評估
14│       ├── serve/                 # Gradio demo 伺服器
15│       └── mimicit_utils/         # MIIT 資料集工具
16├── evaluation/                    # 推論框架（結構同 MIIT，用於 eval mode）
17│   └── pipeline/train/eval.py     # 推論主腳本
18├── data/
19│   ├── CQ500p_instruction.json    # CQ500 外部驗證指令
20│   ├── FORTE_brain.json           # 腦 CT 關鍵字詞典（4 類 × N 同義詞組）
21│   ├── FORTE_chestCT.json         # 胸 CT 關鍵字詞典
22│   ├── FORTE_abdomen.json         # 腹 CT 關鍵字詞典
23│   └── FORTE_CXR.json             # 胸 X 光關鍵字詞典
24├── Automatic_evaluation.py        # Step 1: NLG 自動評估
25├── Sentence_pairing.py            # Step 2: 語義句子配對
26├── FORTE.py                       # Step 3: FORTE 關鍵字評估
27├── Negation_removal.py            # Step 4: 否定移除
28├── train.sh                       # 訓練腳本入口
29├── eval.sh                        # 推論腳本入口
30├── environment.yml                # Conda 環境
31└── requirements.txt               # pip 依賴

2.3 FORTE 評估 Pipeline 流程


flowchart LR
    A["Generated Reports
(Excel: gt + parsed_output)"] --> B["Step 1
Automatic Evaluation
(BLEU/METEOR/ROUGE/CIDEr)"]
    B --> C["Step 2
Sentence Pairing
(all-mpnet-base-v2
cosine similarity)"]
    C --> D["Step 3
FORTE Keyword Extraction
(4 類: degree/landmark/
feature/impression)"]
    D --> E["Step 4
Negation Removal
(移除含 'no' 的 degree 句)"]
    E --> F["Final Metrics
per-category
Precision & Recall"]

    style A fill:#fff9c4,stroke:#f9a825
    style F fill:#c8e6c9,stroke:#2e7d32

四類 FORTE 關鍵字（以 Brain CT 為例）：

foundation-cancer-image-biomarker 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

foundation-cancer-image-biomarker 完整教學

Repository: https://github.com/AIM-Harvard/foundation-cancer-image-biomarker Stars: 132 | Tags: cancer, imaging, biomarker 論文: Nature Machine Intelligence 2024 授權: MIT License | 語言: Python (Jupyter Notebook / PyTorch) 作者: Suraj Pai, AIM Lab @ Harvard

2. 核心架構

2.1 系統架構總覽


flowchart TB
    subgraph INPUT["輸入層 Input Layer"]
        CSV["CSV 檔案
image_path, coordX, coordY, coordZ"]
        NIFTI["NIfTI / NRRD
3D 醫學影像"]
    end

    subgraph PREPROCESS["前處理 Preprocessing"]
        LOAD["LoadImage
(ITKReader)"]
        ORIENT["Orientation
LPS 標準化"]
        SPACING["Spacing
1x1x1 mm 重採樣"]
        NORM["NormalizeIntensity
(-1024 ~ 2048 HU)"]
        CROP["SeedBasedPatchCrop
50x50x50 voxels"]
    end

    subgraph MODEL["基礎模型 Foundation Model"]
        TRUNK["3D ResNet-50
(widen_factor=2)"]
        FEAT["Feature Vector
4096-dim"]
    end

    subgraph DOWNSTREAM["下游應用 Downstream Tasks"]
        LINEAR["Linear Probe
(LogisticRegression)"]
        FINETUNE["Fine-tuning
(project-lighter)"]
        CUSTOM["自定義 Pipeline"]
    end

    subgraph OUTPUT["輸出層 Output Layer"]
        CLASS["病灶分類"]
        MALIG["惡性度預測"]
        SURV["存活期預測"]
        BIOM["定量生物標記"]
    end

    CSV --> LOAD
    NIFTI --> LOAD
    LOAD --> ORIENT --> SPACING --> NORM --> CROP
    CROP --> TRUNK --> FEAT
    FEAT --> LINEAR --> CLASS
    FEAT --> LINEAR --> MALIG
    FEAT --> FINETUNE --> SURV
    FEAT --> CUSTOM --> BIOM

    style INPUT fill:#e8f4fd,stroke:#1e88e5
    style PREPROCESS fill:#fff3e0,stroke:#ff9800
    style MODEL fill:#fce4ec,stroke:#e53935
    style DOWNSTREAM fill:#e8f5e9,stroke:#43a047
    style OUTPUT fill:#f3e5f5,stroke:#8e24aa

2.2 SSL 預訓練架構


flowchart LR
    subgraph DATA["資料準備"]
        IMG["3D CT Image"]
        POS1["Positive View 1
(RandomResizedCrop)"]
        POS2["Positive View 2
(RandomResizedCrop)"]
        NEG["Negative Patch
(Background Region)"]
    end

    subgraph AUG["資料增強"]
        FLIP["RandAxisFlip"]
        HIST["RandHistogramShift"]
        GAUSS["RandGaussianSmooth"]
    end

    subgraph SIMCLR["ExNeg SimCLR"]
        ENC["3D ResNet-50
Encoder"]
        PROJ["Projection Head
(4096 → 2048 → 128)"]
        LOSS["NegativeMiningInfoNCE
Loss"]
    end

    IMG --> POS1 & POS2 & NEG
    POS1 --> AUG
    POS2 --> AUG
    AUG --> ENC --> PROJ --> LOSS
    NEG --> ENC

    style SIMCLR fill:#fce4ec,stroke:#e53935

2.3 專案目錄結構

 1foundation-cancer-image-biomarker/
 2├── fmcib/                          # 核心 Python 套件
 3│   ├── models/                     # 模型定義
 4│   │   ├── load_model.py           # LoadModel — 權重載入 + trunk/heads 架構
 5│   │   ├── autoencoder.py          # Autoencoder baseline
 6│   │   └── models_genesis.py       # Models Genesis UNet3D baseline
 7│   ├── ssl/                        # 自監督學習模組
 8│   │   ├── modules/
 9│   │   │   ├── simclr.py           # Standard SimCLR
10│   │   │   ├── exneg_simclr.py     # Extended Negative SimCLR (核心)
11│   │   │   ├── nnclr.py            # NNCLR variant
12│   │   │   └── swav.py             # SwAV variant
13│   │   └── losses/
14│   │       ├── ntxent_loss.py      # NT-Xent loss
15│   │       └── neg_mining_info_nce_loss.py  # 負樣本挖掘 InfoNCE
16│   ├── datasets/
17│   │   └── ssl_radiomics_dataset.py  # SSL 資料集 (positive + negative pairs)
18│   ├── preprocessing/
19│   │   └── seed_based_crop.py      # SeedBasedPatchCrop (核心前處理)
20│   ├── transforms/                 # 3D 資料增強
21│   ├── callbacks/                  # 預測儲存 callback
22│   └── run.py                      # 高階 API 入口 (get_features)
23├── experiments/                    # 實驗設定 (YAML)
24│   ├── pretraining/                # 預訓練設定
25│   ├── inference/                  # 推論設定
26│   ├── adaptation/                 # 線性探測 fine-tuning
27│   └── baselines/                  # Med3D / Models Genesis 比較
28├── analysis/                       # 結果分析 notebooks
29├── tutorials/                      # 教學 notebooks
30├── docs/                           # MkDocs 文件網站
31├── tests/                          # 測試
32├── pyproject.toml                  # Poetry 設定 + 依賴
33└── Makefile                        # 開發工具指令

3. 安裝與設定

3.1 快速安裝 (推論用)

1# 建立虛擬環境 (推薦)
2conda create -n fmcib python=3.10 -y
3conda activate fmcib
4
5# pip 安裝
6pip install foundation-cancer-image-biomarker
7
8# 驗證安裝
9python -c "from fmcib.models import fmcib_model; print('FMCIB installed successfully')"

3.2 開發者安裝 (含完整原始碼)

 1# Clone repo
 2git clone https://github.com/AIM-Harvard/foundation-cancer-image-biomarker.git
 3cd foundation-cancer-image-biomarker
 4
 5# 使用 Poetry 安裝
 6make setup
 7make install
 8
 9# 或手動 Poetry
10pip install poetry
11poetry install
12
13# 安裝 pre-commit hooks
14make pre-commit-install

3.3 系統需求

項目	推論最低需求	訓練建議需求
RAM	4 GB	12 GB+
CPU	4 cores	4+ cores
GPU VRAM	4 GB (可無)	12 GB+
OS	Linux / macOS / Windows	Linux (Ubuntu 20.04/22.04)
Python	3.9 ~ 3.11	3.9 ~ 3.11

3.4 預訓練權重下載

1# 自動下載 (呼叫 fmcib_model() 時自動觸發)
2# 手動下載
3wget https://zenodo.org/records/10528450/files/model_weights.torch?download=1 -O model_weights.torch

權重檔案約 ~200 MB，來自 Zenodo，首次呼叫 fmcib_model() 會自動下載至工作目錄。

HyenaDNA 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

HyenaDNA 完整教學

Repository: https://github.com/HazyResearch/hyena-dna Stars: 791 | Fork: 108 | License: Apache-2.0 Tags: genomics, foundation-models, language-models Paper: arXiv:2306.15794 | HuggingFace: LongSafari Primary Language: Python (含 CUDA C++ 加速核心) 最後更新: 2026-06-10

2. 核心架構

2.1 整體架構圖


graph TB
    subgraph Input["輸入層 Input Layer"]
        DNA["DNA 序列
ATCGATCG..."]
        TOK["Character Tokenizer
{A=0, C=1, G=2, T=3, N=4, PAD=5}"]
        EMB["DNA Embedding Layer
nn.Embedding(6, d_model)"]
    end

    subgraph Backbone["Hyena Backbone (N Layers)"]
        direction TB
        subgraph Layer["Hyena Block x N"]
            HYENA["Hyena Operator
(Long Convolution + Gating)"]
            FF["Feed-Forward Network
(GLU / GatedMLP)"]
            NORM1["LayerNorm"]
            NORM2["LayerNorm"]
            RES1["Residual Connection"]
            RES2["Residual Connection"]
        end
    end

    subgraph HyenaOp["Hyena Operator 內部"]
        direction LR
        PROJ["Linear Projections
Q, K, V 投影"]
        FILTER["Implicit Filter
(Parameterized Conv Kernel)"]
        FFT["FFT Convolution
O(N log N)"]
        GATE["Element-wise Gating
(Multiplicative)"]
    end

    subgraph Output["輸出層 Output Layer"]
        POOL["Pooling / Last Token"]
        DEC["Task Decoder
(MLP Head)"]
        PRED["Prediction
(Classification / Regression / LM)"]
    end

    DNA --> TOK --> EMB
    EMB --> NORM1 --> HYENA --> RES1
    RES1 --> NORM2 --> FF --> RES2
    RES2 --> |"Repeat N times"| NORM1

    HYENA -.-> PROJ
    PROJ -.-> FILTER
    FILTER -.-> FFT
    FFT -.-> GATE

    RES2 --> POOL --> DEC --> PRED

    style Input fill:#e1f5fe,stroke:#0288d1
    style Backbone fill:#fff3e0,stroke:#f57c00
    style HyenaOp fill:#fce4ec,stroke:#c62828
    style Output fill:#e8f5e9,stroke:#2e7d32

2.2 Hyena Operator 運作原理

Hyena operator 的核心思想是以 隱式參數化的長卷積 (implicit long convolution) 取代 Transformer 中的 self-attention：

mcp-cli 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

Repository: https://github.com/doggy8088/mcp-cli Stars: 113 | Forks: 14 | Language: Rust | License: MIT npm: @willh/mcp-cli 最後更新: 2026-06-10

1. 專案概覽 (Project Overview)

1.1 什麼是 mcp-cli？

mcp-cli 是一套以 Rust 撰寫的輕量級 CLI (Command-Line Interface; 命令列介面) 工具與函式庫，專門用來與 MCP (Model Context Protocol; 模型上下文協定) 伺服器互動。

medSynthesisV1 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

medSynthesisV1 完整教學

Repository: https://github.com/ginobilinie/medSynthesisV1 Stars: 195 | Fork: 45 | Language: Python | License: MIT Tags: medical-synthesis, WGAN-GP, PyTorch 論文: Medical Image Synthesis with Deep Convolutional Adversarial Networks (IEEE TBME 2018) 作者: Dong Nie et al., UNC Chapel Hill / Shen Lab

2. 核心架構

2.1 系統總覽


graph TD
    subgraph 資料準備
        A[原始醫學影像
NIfTI / Analyze / MetaImage] --> B[extract23DPatch
擷取 2D/2.5D/3D patch]
        B --> C[HDF5 檔案
dataMR + dataCT keys]
    end

    subgraph 訓練迴路
        C --> D[Generator_2D_slices
批次資料載入器]
        D --> E{Generator 選擇}
        E -->|whichNet=1| F1[UNet]
        E -->|whichNet=2| F2[ResUNet]
        E -->|whichNet=3| F3[UNet_LRes]
        E -->|whichNet=4| F4[ResUNet_LRes
預設 推薦]

        F1 & F2 & F3 & F4 --> G[合成影像 y_hat]

        G --> H{損失函數組合}
        H --> H1[L1 / RTL1 / MSE]
        H --> H2[GDL 梯度差異損失]
        H --> H3[Adversarial Loss
WGAN-GP / BCE]

        G --> I[Discriminator
CNN 3-layer + FC]
        I --> H3
    end

    subgraph 推論
        J[測試影像] --> K[載入訓練好的 Generator]
        K --> L[合成輸出 CT/PET]
        L --> M[SSIM / MAE / PSNR 評估]
    end

    style F4 fill:#e1f5fe,stroke:#0288d1,stroke-width:2px
    style H3 fill:#fff3e0,stroke:#f57c00,stroke-width:2px

2.2 四種 Generator 架構比較

架構	編號	Encoder Block	Decoder Block	Long-skip Residual	適用情境
UNet	1	UNetConvBlock	UNetUpBlock	無	跨模態差異大（MRI→CT）
ResUNet	2	residualUnit	UNetUpResBlock	無	同上 + 更深網路需求
UNet_LRes	3	UNetConvBlock	UNetUpBlock	有 `out = last + input`	同模態增強（low→high dose）
ResUNet_LRes	4	residualUnit	UNetUpResBlock	有 `out = last + input` + Dropout	同模態增強（預設推薦）

Long-skip Residual Connection (長跳殘差連接) 的設計邏輯：當輸入與輸出模態相似時（如 low-dose PET → standard PET），網路只需學習「差異量」(residual)，而非完整重建，收斂更快且品質更高。

MONAI GenerativeModels 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

MONAI GenerativeModels 完整教學

Repository: https://github.com/Project-MONAI/GenerativeModels Stars: 760 | Forks: 109 | License: Apache-2.0 Tags: anomaly-detection, diffusion-models, generative-adversarial-network, generative-models, image-synthesis, image-translation, medical-imaging, monai, mri-reconstruction 語言: Python (Jupyter Notebook) | 最後更新: 2026-06-05

2. 核心架構

2.1 整體模組架構


graph TB
    subgraph MONAI_Generative["monai-generative 套件架構"]
        subgraph Networks["generative.networks 網路層"]
            direction TB
            Nets["nets/
AutoencoderKL
VQVAE
DiffusionModelUNet
PatchGAN Discriminator
ControlNet
SPADE Networks
Transformer"]
            Blocks["blocks/
SelfAttention
TransformerBlock
EncoderModules
SPADE Norm"]
            Layers["layers/
VectorQuantizer"]
            Schedulers["schedulers/
DDPM
DDIM
PNDM"]
        end

        subgraph Inferers["generative.inferers 推論引擎"]
            DiffInf["DiffusionInferer"]
            LDMInf["LatentDiffusionInferer"]
            VQInf["VQ-VAE + Transformer Inferer"]
            CtrlInf["ControlNetInferer"]
        end

        subgraph Losses["generative.losses 損失函數"]
            AdvLoss["AdversarialLoss
(hinge / vanilla / least-squares)"]
            PercLoss["PerceptualLoss
(LPIPS / RadImageNet /
3DMedicalNet)"]
            SpecLoss["SpectralLoss"]
        end

        subgraph Metrics["generative.metrics 評估指標"]
            FID["FID
(Frechet Inception Distance)"]
            MSSSIM["MS-SSIM
(Multi-Scale Structural
Similarity)"]
            MMD["MMD
(Maximum Mean Discrepancy)"]
            SSIM2["SSIM"]
        end

        subgraph Engines["generative.engines 訓練引擎"]
            Trainer["AdversarialTrainer
(Ignite-based)"]
            PrepBatch["PrepareBatch"]
        end

        subgraph ModelZoo["model-zoo/ 預訓練模型"]
            Brain["Brain LDM"]
            CXR["Chest X-ray LDM"]
            MedNIST["MedNIST DDPM"]
        end
    end

    MONAI_Core["MONAI Core
(transforms, data, metrics)"] --> Networks
    PyTorch["PyTorch"] --> Networks
    Networks --> Inferers
    Losses --> Engines
    Inferers --> Engines
    Metrics -.-> Engines

    style MONAI_Generative fill:#1a1a2e,color:#eaeaea
    style Networks fill:#16213e,color:#eaeaea
    style Inferers fill:#0f3460,color:#eaeaea
    style Losses fill:#533483,color:#eaeaea
    style Metrics fill:#e94560,color:#eaeaea
    style Engines fill:#2b6777,color:#eaeaea
    style ModelZoo fill:#52796f,color:#eaeaea

2.2 Latent Diffusion Model (LDM) 流程

LDM 是目前醫學影像合成的主流架構，MONAI GenerativeModels 的 LDM 實作流程如下：

nnU-Net 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

nnU-Net 完整教學

Repository: https://github.com/MIC-DKFZ/nnUNet Stars: 8,527 | Language: Python | License: Apache-2.0 Tags: segmentation, self-configuring 最新版本: v2.8.0 (pyproject.toml) / v2.4.1 (GitHub Release, 2024-04) 維護單位: German Cancer Research Center (DKFZ) — Helmholtz Imaging Applied Computer Vision Lab (ACVL)

2. 核心架構

2.1 自配置管線總覽


flowchart TB
    subgraph INPUT["輸入層"]
        RAW["nnUNet_raw/
原始影像 + 標注"]
    end

    subgraph FINGERPRINT["Stage 1: Dataset Fingerprint
資料集指紋分析"]
        FP1["影像間距 Spacing"]
        FP2["體素尺寸 Voxel Size"]
        FP3["通道數 Channels"]
        FP4["強度分佈 Intensity Distribution"]
        FP5["類別比例 Class Ratios"]
    end

    subgraph PLANNING["Stage 2: Experiment Planning
實驗規劃"]
        PL1["選擇網路拓撲
2D / 3D_fullres / 3D_lowres / 3D_cascade"]
        PL2["決定 Patch Size"]
        PL3["決定 Batch Size"]
        PL4["決定 Normalization Scheme"]
        PL5["決定 Resampling Strategy"]
    end

    subgraph PREPROCESS["Stage 3: Preprocessing
前處理"]
        PP1["Cropping 裁剪"]
        PP2["Resampling 重採樣"]
        PP3["Normalization 正規化"]
    end

    subgraph TRAINING["Stage 4: Training
訓練"]
        TR1["5-Fold Cross Validation"]
        TR2["Data Augmentation
batchgeneratorsv2"]
        TR3["Dice + CE Loss
Deep Supervision"]
        TR4["SGD / Adam Optimizer
PolyLR Scheduler"]
    end

    subgraph POSTPROCESS["Stage 5: Model Selection & Inference
模型選擇與推論"]
        MS1["Best Configuration Selection"]
        MS2["Optional Ensembling"]
        MS3["Postprocessing
Connected Components"]
        MS4["Sliding Window Inference"]
    end

    INPUT --> FINGERPRINT
    FINGERPRINT --> PLANNING
    PLANNING --> PREPROCESS
    PREPROCESS --> TRAINING
    TRAINING --> POSTPROCESS

    style INPUT fill:#e1f5fe
    style FINGERPRINT fill:#f3e5f5
    style PLANNING fill:#fff3e0
    style PREPROCESS fill:#e8f5e9
    style TRAINING fill:#fce4ec
    style POSTPROCESS fill:#f1f8e9

2.2 原始碼模組結構

模組	路徑	功能
Dataset Conversion	`nnunetv2/dataset_conversion/`	將各挑戰賽資料集轉為 nnU-Net 格式
Experiment Planning	`nnunetv2/experiment_planning/`	指紋分析 + 實驗規劃（含 ResEnc Planner）
Preprocessing	`nnunetv2/preprocessing/`	Cropping、Normalization、Resampling
Training	`nnunetv2/training/`	Trainer、DA、Loss、LR Scheduler、DataLoader
Inference	`nnunetv2/inference/`	Sliding Window、Export Prediction
Evaluation	`nnunetv2/evaluation/`	Dice/IoU 計算、Best Configuration 搜尋
Ensembling	`nnunetv2/ensembling/`	多模型集成
Postprocessing	`nnunetv2/postprocessing/`	Connected Component Removal
ImageIO	`nnunetv2/imageio/`	NIfTI / SimpleITK / TIFF / 自然影像讀寫
Utilities	`nnunetv2/utilities/`	Label Handling、Plans Handling、DDP

2.3 Trainer 變體繼承樹

nnU-Net v2 的核心設計是以 nnUNetTrainer 為基底類別，透過繼承覆寫來客製化行為：

PyFeat 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

PyFeat 完整教學

Repository: https://github.com/RafsanjaniHub/PyFeat Stars: 97 | Fork: 32 | Language: Python | License: GPL-3.0 Tags: computational-biology, bioinformatics, genomics, proteomics Homepage: http://rafsanjani.pythonanywhere.com/ 最後更新: 2025-11-30

2. 核心架構

2.1 整體流程架構


flowchart TD
    A["FASTA 序列檔案
(DNA / RNA / Protein)"] --> B["read.py
讀取 FASTA + Label"]
    B --> C["generateFeatures.py
特徵擷取引擎"]

    C --> D1["pseudoKNC
k-mer 頻率"]
    C --> D2["k-Gap 特徵
monoMono ~ triDi
(8 種組合)"]
    C --> D3["Z-Curve
(x, y, z 軸)"]
    C --> D4["GC Content
AT/GC Ratio
Cumulative Skew"]

    D1 --> E["合併特徵矩陣
numpy array"]
    D2 --> E
    D3 --> E
    D4 --> E

    E --> F{"輸出選擇"}
    F -->|"fullDataset=1"| G1["fullDataset.csv
全部特徵"]
    F -->|"optimumDataset=1"| G2["selectedImportantFeatures.py
AdaBoost 特徵選擇"]
    F -->|"testDataset=1"| G3["testDataset.csv
獨立測試集"]

    G2 --> G4["optimumDataset.csv
篩選後特徵"]

    G1 --> H["runClassifiers.py
10 種 ML 分類器
k-Fold CV"]
    G4 --> H

    H --> I1["evaluationResults.txt"]
    H --> I2["auROC.png"]
    H --> I3["Accuracy_boxPlot.png"]

    G4 --> J["trainModel.py
訓練最終模型"]
    J --> K["dumpModel.pkl"]
    K --> L["evaluateModel.py
獨立驗證"]

2.2 特徵類型詳解

PyFeat 支援的特徵可分為四大類：

R2GenGPT 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

R2GenGPT 完整教學

Repository: https://github.com/wang-zhanyu/R2GenGPT Stars: 125 | Tags: radiology, report-generation, LLM License: BSD 3-Clause | Language: Python | Last Updated: 2025-05-18

2. 核心架構

2.1 整體管線


flowchart TB
    subgraph Input["輸入層"]
        CXR["Chest X-Ray Image
(胸部 X 光影像)"]
    end

    subgraph VE["Vision Encoder (視覺編碼器)"]
        SWIN["Swin-Base Transformer
patch4-window7-224"]
        LORA_V["LoRA Adapter
(Delta 模式啟用)"]
        SWIN --> LORA_V
    end

    subgraph AL["Alignment Layer (對齊層)"]
        PROJ["Linear Projection
Swin hidden → LLaMA hidden"]
        LN["LayerNorm
(層正規化)"]
        PROJ --> LN
    end

    subgraph PW["Prompt Wrapping (提示包裝)"]
        PROMPT["'Human: {img_embeds}
Generate a comprehensive...
Assistant:'"]
    end

    subgraph LLM["Frozen LLM (凍結語言模型)"]
        EMBED["Embedding Layer
(嵌入層)"]
        LLAMA["LLaMA-2-7B-Chat"]
        LORA_L["LoRA Adapter
(Deep 模式啟用)"]
        EMBED --> LLAMA
        LLAMA --> LORA_L
    end

    subgraph Output["輸出層"]
        REPORT["Radiology Report
(放射報告文字)"]
    end

    CXR --> SWIN
    LORA_V --> PROJ
    LN --> PROMPT
    PROMPT --> EMBED
    LORA_L --> REPORT

    style Input fill:#e1f5fe,stroke:#0288d1
    style VE fill:#f3e5f5,stroke:#7b1fa2
    style AL fill:#fff3e0,stroke:#ef6c00
    style PW fill:#e8f5e9,stroke:#2e7d32
    style LLM fill:#fce4ec,stroke:#c62828
    style Output fill:#e0f2f1,stroke:#00695c

2.2 資料流詳解


sequenceDiagram
    participant IMG as X-Ray Image
    participant SWIN as Swin Encoder
    participant PROJ as Linear Projection
    participant LN as LayerNorm
    participant WRAP as Prompt Wrapper
    participant EMB as LLaMA Embedding
    participant LLM as LLaMA-2-7B

    IMG->>SWIN: pixel_values [B, 3, 224, 224]
    SWIN->>SWIN: Hierarchical feature extraction
    SWIN-->>PROJ: last_hidden_state [B, 49, 1024]
    Note over SWIN,PROJ: 或 pooler_output [B, 1, 1024]
(global_only=True)
    PROJ->>LN: projected [B, 49, 4096]
    LN->>WRAP: normalized img_embeds
    WRAP->>WRAP: Concatenate: [BOS] + p_before + img_embeds + p_after
    WRAP->>EMB: text tokens → embeddings
    EMB->>LLM: [bos_embeds, img_embeds, text_embeds]
    LLM->>LLM: Autoregressive generation
    LLM-->>IMG: Generated report text

2.3 專案檔案結構

 1R2GenGPT/
 2├── train.py                      # 訓練/驗證/測試主入口
 3├── configs/
 4│   └── config.py                 # Argparse 超參數定義 (~60 個參數)
 5├── models/
 6│   └── R2GenGPT.py               # 核心模型 (PyTorch Lightning Module)
 7├── dataset/
 8│   ├── data_module.py            # Lightning DataModule
 9│   └── data_helper.py            # 資料解析 + 報告清洗
10├── evalcap/                      # 評估指標 (BLEU/ROUGE/METEOR/CIDEr)
11│   ├── bleu/
12│   ├── cider/
13│   ├── meteor/
14│   ├── rouge/
15│   └── tokenizer/
16├── lightning_tools/
17│   ├── callbacks.py              # ModelCheckpoint + TensorBoard Logger
18│   └── optim.py                  # 最佳化設定
19├── scripts/
20│   ├── 1-*.sh ~ 3-*.sh          # IU X-Ray 訓練/測試腳本
21│   └── 4-*.sh ~ 6-*.sh          # MIMIC-CXR 訓練/測試腳本
22├── data/                         # (需自行下載)
23│   ├── iu_xray/
24│   └── mimic_cxr/
25└── requirements.txt

3. 安裝與設定

3.1 環境需求

項目	最低需求	建議配置
GPU	1x NVIDIA GPU (24GB)	4x A100 (40/80GB)
CUDA	11.7+	12.1+
Python	3.8+	3.10
RAM	32GB	64GB+
磁碟	~50GB (模型+資料)	~100GB

3.2 安裝步驟

 1# 1. Clone 專案
 2git clone https://github.com/wang-zhanyu/R2GenGPT.git
 3cd R2GenGPT
 4
 5# 2. 建立虛擬環境 (推薦使用 uv)
 6uv venv .venv --python 3.10
 7source .venv/bin/activate
 8
 9# 3. 安裝依賴
10uv pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121
11uv pip install -r requirements.txt
12
13# requirements.txt 包含：
14# torch, peft, tensorboardX, transformers==4.30.2,
15# lightning==2.0.5, Pillow, numpy, gradio

3.3 資料集準備

IU X-Ray

1# 從 Google Drive 下載 annotation + images
2# https://drive.google.com/file/d/1c0BXEuDy8Cmm2jfN0YYGkQxFZd2ZIoLg/view
3mkdir -p data/iu_xray
4# 解壓後放入 data/iu_xray/

MIMIC-CXR (需 PhysioNet 帳號)

1# 1. 下載預處理 annotation (作者提供)
2# https://drive.google.com/file/d/14689ztodTtrQJYs--ihB_hgsPMMNHX-H/view
3mkdir -p data/mimic_cxr
4
5# 2. 下載影像 (需先申請 PhysioNet credentialed access)
6# https://physionet.org/content/mimic-cxr-jpg/2.0.0/
7# 解壓後影像放入 data/mimic_cxr/images/

Annotation JSON (註解 JSON) 格式：

RadFact 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

RadFact 完整教學

Repository: https://github.com/microsoft/RadFact Stars: 98 | Fork: 12 | License: MIT Tags: radiology, evaluation, LLM, Microsoft 語言: Python | 最後更新: 2026-06-02

2. 核心架構

2.1 整體流程架構


flowchart TB
    subgraph INPUT["輸入層"]
        NAR["敘述性報告
(Narrative Text)"]
        GND["定位報告
(Grounded Phrases + Boxes)"]
    end

    subgraph PREPROCESS["前處理層"]
        R2P["Report-to-Phrases
報告拆句
(LLM: GPT-4)"]
        NEG["Negative Filtering
負面發現過濾
(僅 CT)"]
    end

    subgraph CORE["核心評估層"]
        direction TB
        NLI_FWD["正向 NLI 驗證
Prediction → Ground Truth
(計算 Precision)"]
        NLI_BWD["反向 NLI 驗證
Ground Truth → Prediction
(計算 Recall)"]
        BOX["Bounding Box
空間蘊含計算
(Pixel Precision ≥ 0.5)"]
    end

    subgraph ENGINE["平行處理引擎"]
        LLM_ENG["LLMEngine
多端點平行處理"]
        CACHE["中間結果快取
(Batch Outputs)"]
        SHARD["資料分片
(Speed Factor)"]
    end

    subgraph OUTPUT["輸出層"]
        METRICS["RadFactScore
6 項指標"]
        BOOT["Bootstrap CI
信賴區間"]
        JSON["outputs.json
完整結果"]
    end

    NAR --> R2P
    R2P --> NEG
    NEG --> NLI_FWD
    GND --> NLI_FWD
    NLI_FWD --> BOX
    NLI_BWD --> BOX
    R2P --> NLI_BWD
    GND --> NLI_BWD

    NLI_FWD -.->|"透過"| LLM_ENG
    NLI_BWD -.->|"透過"| LLM_ENG
    LLM_ENG --> CACHE
    LLM_ENG --> SHARD

    BOX --> METRICS
    METRICS --> BOOT
    BOOT --> JSON

2.2 NLI 蘊含驗證流程

RadFact 的核心是雙向 NLI (Bidirectional NLI)。對每一對 (prediction, ground_truth)，執行兩次蘊含驗證：

S&D Messenger 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

S&D Messenger 完整教學

Repository: https://github.com/xmed-lab/SD-Messenger Stars: 3 | Tags: stable-diffusion, medical, cross-modal 語言: Python | 授權: 未標示論文: arXiv:2407.07763 (2024) 最後更新: 2025-08-27

2. 核心架構

2.1 整體架構圖


graph TB
    subgraph Input["輸入層"]
        IL["Labeled Images
標註影像"]
        IU["Unlabeled Images
未標註影像"]
    end

    subgraph Backbone["Backbone: MiT-B5"]
        E0["Stage 0
64-ch features"]
        E1["Stage 1
128-ch features"]
        E2["Stage 2
320-ch features"]
        E3["Stage 3
512-ch features"]
    end

    subgraph SDM["S&D Messenger Modules"]
        direction TB
        U2L3["U2L Module
(512-ch, cross-attn ON)"]
        U2L2["U2L Module
(320-ch, optional)"]
        U2L1["U2L Module
(128-ch, optional)"]
        U2L0["U2L Module
(64-ch, optional)"]
    end

    subgraph Decoder["SegFormer Decoder Head"]
        MLP4["MLP c4 → 768-d"]
        MLP3["MLP c3 → 768-d"]
        MLP2["MLP c2 → 768-d"]
        MLP1["MLP c1 → 768-d"]
        FUSE["Conv1x1 Fuse
3072 → 768"]
        PRED["Conv1x1 Predict
768 → num_class"]
    end

    subgraph Loss["損失函數"]
        CE["Cross-Entropy Loss
+ Difficulty Weighting"]
        DICE["Dice Loss"]
        PL["Pseudo-Label Loss
(unlabeled)"]
    end

    IL --> Backbone
    IU --> Backbone
    E3 --> U2L3
    E2 --> U2L2
    E1 --> U2L1
    E0 --> U2L0
    U2L3 --> MLP4
    U2L2 --> MLP3
    U2L1 --> MLP2
    U2L0 --> MLP1
    MLP4 --> FUSE
    MLP3 --> FUSE
    MLP2 --> FUSE
    MLP1 --> FUSE
    FUSE --> PRED
    PRED --> CE
    PRED --> DICE
    PRED --> PL

    style SDM fill:#e8f4fd,stroke:#1e88e5
    style Decoder fill:#fff3e0,stroke:#ff9800
    style Loss fill:#fce4ec,stroke:#e91e63

2.2 CrossAttnMem — 核心跨注意力模組

S&D Messenger 的核心是 CrossAttnMem 模組，實現 labeled-to-unlabeled 的雙向知識傳遞：

scGen 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

scGen 完整教學

Repository: https://github.com/theislab/scgen Stars: 348 | Forks: 70 | Language: Python | License: GPL-3.0 Tags: single-cell, perturbation, VAE, transcriptomics, deep-learning, generative-model, bioinformatics, scrna-seq, single-cell-genomics 文件: https://scgen.readthedocs.io 論文: Lotfollahi et al., “scGen predicts single-cell perturbation responses.” Nature Methods, 2019.

2. 核心架構

2.1 整體架構圖


flowchart TB
    subgraph INPUT["輸入層 Input Layer"]
        A["scRNA-seq AnnData
(control + stimulated
× multiple cell types)"]
    end

    subgraph PREPROCESS["前處理 Preprocessing"]
        B1["Normalize (正規化)"]
        B2["Log1p 轉換"]
        B3["HVG Selection
(高變異基因篩選
~7000 genes)"]
        B4["setup_anndata()
註冊 batch_key +
labels_key"]
    end

    subgraph VAE["SCGENVAE 模型"]
        direction TB
        subgraph ENCODER["Encoder (編碼器)"]
            E1["FCLayers
(n_layers × n_hidden)"]
            E2["LeakyReLU + BatchNorm
+ Dropout"]
            E3["mu (均值) / var (變異數)"]
            E4["Reparameterization
(重參數化取樣)"]
        end
        Z["Latent Space z
(n_latent = 100)"]
        subgraph DECODER["Decoder (解碼器)"]
            D1["FCLayers
(n_layers × n_hidden)"]
            D2["Linear Output
(n_latent → n_genes)"]
        end
        LOSS["Loss = MSE + KL_weight × KL_divergence"]
    end

    subgraph PREDICT["預測 / 推論 Prediction"]
        P1["avg(z_stim) - avg(z_ctrl)
= delta vector"]
        P2["z_target_ctrl + delta"]
        P3["Decoder → predicted
gene expression"]
    end

    subgraph OUTPUT["輸出 Output"]
        O1["Predicted AnnData
(擾動預測結果)"]
        O2["Corrected AnnData
(批次校正結果)"]
        O3["R² Plots
(驗證圖表)"]
    end

    A --> B1 --> B2 --> B3 --> B4
    B4 --> ENCODER
    ENCODER --> Z
    Z --> DECODER
    DECODER --> LOSS
    LOSS -->|"訓練完成"| PREDICT
    Z --> P1
    P1 --> P2
    P2 --> P3
    P3 --> O1
    Z -->|"batch_removal()"| O2
    O1 --> O3

2.2 模組結構

scGen 的程式碼結構極為精簡，僅包含 5 個核心檔案：

scGPT 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

scGPT 完整教學

Repository: https://github.com/bowang-lab/scGPT Stars: 1577 | Tags: single-cell, foundation-model License: MIT | Language: Python (Jupyter Notebook) | Version: 0.2.5 Documentation: https://scgpt.readthedocs.io/en/latest/ Paper: scGPT: Towards Building a Foundation Model for Single-Cell Multi-omics Using Generative AI (Nature Methods, 2024)

2. 核心架構

2.1 整體架構圖


flowchart TB
    subgraph INPUT["輸入層 Input Layer"]
        RAW["scRNA-seq / scATAC-seq
Raw Count Matrix"]
        PREP["Preprocessor
normalize + log1p + binning"]
        RAW --> PREP
    end

    subgraph TOKENIZE["Token 化 Tokenization"]
        GV["GeneVocab
基因詞彙表
gene name → token ID"]
        GE["GeneEncoder
Gene Embedding"]
        VE["ValueEncoder
Expression Value Embedding"]
        BE["BatchEncoder
Batch Label Embedding
(optional)"]
        GV --> GE
        PREP --> VE
        PREP --> GV
    end

    subgraph TRANSFORMER["Transformer Backbone"]
        EMB["Gene Emb + Value Emb + Batch Emb
→ Combined Embedding"]
        CLS["[CLS] Token
Cell-level Representation"]
        LAYERS["N × Transformer Encoder Layer
(Flash Attention optional)"]
        DSBN["DSBN
Domain-Specific
Batch Normalization"]
        GE --> EMB
        VE --> EMB
        BE --> EMB
        CLS --> LAYERS
        EMB --> LAYERS
        DSBN -.-> LAYERS
    end

    subgraph HEADS["下游任務頭 Task Heads"]
        MVC["MVC Head
Masked Value
Prediction"]
        DAB["DAB Head
Domain Adaptation
via Batch Discriminator"]
        CLF["Classification Head
Cell Type Annotation"]
        GRN_H["GRN Head
Attention-based
Gene Regulation"]
        PERT["Perturbation Head
Gene Perturbation
Prediction"]
    end

    LAYERS --> MVC
    LAYERS --> DAB
    LAYERS --> CLF
    LAYERS --> GRN_H
    LAYERS --> PERT

    style INPUT fill:#e8f4f8,stroke:#2196F3
    style TOKENIZE fill:#fff3e0,stroke:#FF9800
    style TRANSFORMER fill:#f3e5f5,stroke:#9C27B0
    style HEADS fill:#e8f5e9,stroke:#4CAF50

2.2 關鍵設計決策

基因作為 Token (Gene-as-Token)：與 NLP 中的 word token 類似，scGPT 將每個基因視為一個 token。每個細胞的基因表達譜就是一條「句子」，其中 token 順序由非零基因的排列決定。

SDMetrics 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

SDMetrics 完整教學

Repository: https://github.com/sdv-dev/SDMetrics Stars: 261 | Forks: 52 | License: MIT Language: Python | Last Updated: 2026-06-09 Tags: synthetic-data, metrics, quality Documentation: https://docs.sdv.dev/sdmetrics DOI: 10.5281/zenodo.14279167

2. 核心架構 (Core Architecture)

2.1 四層指標體系

SDMetrics 的指標 (metric) 架構分為四個粒度層級 (granularity levels)，從單一欄位到多表關聯：

Simulants 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

Simulants 完整教學

Repository: https://github.com/mdsol/Simulants Stars: 2 | Language: Python | License: MIT Tags: clinical-trial, baseline, Medidata 最後更新: 2024-09-20 維護者: Mandis Beigi — Medidata Solutions (Dassault Systemes)

2. 核心架構

2.1 系統架構圖


graph TD
    subgraph 輸入層 Input Layer
        A[CSV 原始資料
Raw Tabular Data] --> B[uci_config.py
設定檔 Config]
    end

    subgraph 前處理層 Preprocessing
        B --> C[preprocessor_lib.py]
        C --> C1[Label Encoding
標籤編碼]
        C --> C2[One-Hot Encoding
獨熱編碼]
        C --> C3[Imputation
缺值填補]
        C --> C4[k-Anonymity
K 匿名化]
    end

    subgraph 合成核心 Synthesis Core
        C1 --> D[synthesis_wrapper.py]
        C2 --> D
        C3 --> D
        C4 --> D
        D --> E[synthesis_lib.py]
        E --> E1[相關性分析
Correlation Analysis]
        E --> E2[降維嵌入
Dim Reduction]
        E --> E3[KNN 鄰域抽樣
Neighbor Sampling]
        E --> E4[噪音注入
Noise Injection]
        E --> E5[去重保護
Deduplication]
    end

    subgraph 降維引擎 dimanalysis_lib.py
        E2 --> F1[t-SNE + Gower]
        E2 --> F2[PCA]
        E2 --> F3[ICA]
        E2 --> F4[CCA]
    end

    subgraph 驗證層 Analytics
        E5 --> G[analytics_wrapper.py]
        G --> G1[analytics_lib.py]
        G1 --> H1[Fisher Exact Test
費雪精確檢定]
        G1 --> H2[KS Test
KS 檢定]
        G1 --> H3[Silhouette Score
輪廓係數]
        G1 --> H4[RF / ET Classifier
分類器鑑別]
        G1 --> H5[BOW Histogram
直方圖距離]
        G --> G2[visualization_lib.py]
        G2 --> I1[PCA Scatter Plot]
        G2 --> I2[Correlation Heatmap]
        G2 --> I3[PDF Report]
    end

    subgraph 輸出層 Output
        E5 --> J1[合成 CSV
Synthetic CSV]
        I3 --> J2[驗證報告 PDF
Validation Report]
        G1 --> J3[統計 CSV
Statistics CSVs]
    end

    style E fill:#e1f5fe,stroke:#0288d1
    style G fill:#fff3e0,stroke:#ef6c00

2.2 檔案結構

 1Simulants/
 2├── uci_demo.py              # 主程式進入點 (Entry Point)
 3├── uci_config.py            # 設定檔：路徑、演算法參數、驗證開關
 4├── synthesis_wrapper.py     # 合成流程協調器 (Orchestrator)
 5├── synthesis_lib.py         # 核心合成演算法 (Core Synthesis)
 6├── analytics_wrapper.py     # 驗證流程協調器
 7├── analytics_lib.py         # 統計檢定與分類器驗證
 8├── preprocessor_lib.py      # 前處理：編碼、填補、型別判斷
 9├── dimanalysis_lib.py       # 降維方法集合 (t-SNE/PCA/ICA/CCA)
10├── k_anonymity.py           # k-Anonymity 實作
11├── bow_lib.py               # Bag-of-Words 直方圖表示
12├── visualization_lib.py     # 視覺化：散佈圖、相關熱圖
13├── utilities_lib.py         # 通用工具函式
14├── requirements.txt         # Python 依賴
15├── uci-heart-disease/       # 範例資料集 (UCI Heart Disease)
16│   ├── processed.cleveland.csv
17│   └── heart-disease.names.txt
18└── factbook.yaml            # 專案聯絡資訊

2.3 合成演算法流程


flowchart LR
    A[原始 CSV] --> B[k-Anonymity
移除低頻類別]
    B --> C[Label Encoding
+ Imputation]
    C --> D[One-Hot
Encoding]
    D --> E[相關性偵測
Pearson / PB / Chi2 / Cramer V]
    E --> F[t-SNE / PCA
降維至 2D]
    F --> G[KNN 找
K 近鄰]
    G --> H{是否為
離群值?}
    H -->|是| I[跳過]
    H -->|否| J[逐欄位從
鄰域隨機取值]
    J --> K[Co-Segregation
高相關欄位綁定]
    K --> L[Gaussian Noise
乘性雜訊]
    L --> M[移除與原始
重複的紀錄]
    M --> N[One-Hot
Decode]
    N --> O[合成 CSV 輸出]

3. 安裝與設定

3.1 環境需求

Python 3.8 以上
建議使用虛擬環境隔離

3.2 安裝步驟

 1# 1. Clone 專案
 2git clone https://github.com/mdsol/Simulants.git
 3cd Simulants
 4
 5# 2. 建立虛擬環境（推薦使用 uv）
 6uv venv .venv --python 3.10
 7source .venv/bin/activate
 8
 9# 3. 安裝依賴
10# 注意：requirements.txt 鎖定了較舊的版本，建議手動安裝核心套件
11uv pip install numpy pandas scikit-learn scipy matplotlib seaborn \
12    gower lifelines umap-learn sas7bdat pynndescent

注意：requirements.txt 中的版本較舊（如 numpy==1.22、pandas==1.2.4、scikit-learn==1.0.1），在 Python 3.11+ 可能無法直接安裝。建議去除版本鎖定或使用上述手動安裝方式。

SmartNoise SDK 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

SmartNoise SDK 完整教學

Repository: https://github.com/opendp/smartnoise-sdk Stars: 296 | Language: Python | License: MIT Tags: differential-privacy, privacy, opendp, smartnoise Python: 3.10 - 3.14 | 最後更新: 2026-05

2. 核心架構

2.1 整體架構圖


graph TB
    subgraph "SmartNoise SDK"
        direction TB

        subgraph SQL["smartnoise-sql
差分隱私 SQL 查詢"]
            SQL_PARSER["SQL Parser
(ANTLR4 語法剖析)"]
            SQL_REWRITER["Private Rewriter
(查詢改寫引擎)"]
            SQL_MECH["DP Mechanisms
(Laplace / Gaussian)"]
            SQL_ODO["Odometer
(隱私預算追蹤)"]
            SQL_PARSER --> SQL_REWRITER
            SQL_REWRITER --> SQL_MECH
            SQL_MECH --> SQL_ODO
        end

        subgraph SYNTH["smartnoise-synth
差分隱私合成器"]
            SYNTH_BASE["Base Synthesizer
(統一介面)"]
            SYNTH_STAT["統計方法"]
            SYNTH_DL["深度學習方法"]
            SYNTH_BASE --> SYNTH_STAT
            SYNTH_BASE --> SYNTH_DL
            SYNTH_STAT --> MWEM["MWEM"]
            SYNTH_STAT --> MST["MST"]
            SYNTH_STAT --> AIM["AIM"]
            SYNTH_DL --> DPCTGAN["DP-CTGAN"]
            SYNTH_DL --> PATECTGAN["PATE-CTGAN"]
            SYNTH_DL --> PATEGAN["PATE-GAN"]
            SYNTH_STAT --> QUAIL["QUAIL"]
        end

        subgraph EVAL["sneval
品質評估"]
            EVAL_SINGLE["Single-Table Metrics
(平均值/中位數偏差)"]
            EVAL_COMPARE["Comparison Metrics
(MAE / MPE in Count)"]
        end

        subgraph TRANSFORM["Transform Pipeline
資料前處理"]
            T_BIN["Bin (離散化)"]
            T_LABEL["Label Encode"]
            T_ONEHOT["One-Hot Encode"]
            T_CLAMP["Clamp (截斷)"]
            T_ANON["Anonymization"]
        end
    end

    subgraph BACKENDS["後端資料來源"]
        PD["Pandas DataFrame"]
        PG["PostgreSQL"]
        SPARK["Apache Spark"]
        BQ["BigQuery"]
        MYSQL["MySQL"]
        SQLITE["SQLite"]
    end

    subgraph OPENDP["OpenDP Library
(底層 DP 演算法)"]
        DP_CORE["核心 DP 機制"]
    end

    BACKENDS --> SQL
    SQL --> OPENDP
    SYNTH --> OPENDP
    TRANSFORM --> SYNTH
    SYNTH --> EVAL

    style SQL fill:#e1f5fe,stroke:#0288d1
    style SYNTH fill:#f3e5f5,stroke:#7b1fa2
    style EVAL fill:#e8f5e9,stroke:#388e3c
    style TRANSFORM fill:#fff3e0,stroke:#f57c00
    style OPENDP fill:#fce4ec,stroke:#c62828

2.2 合成器演算法比較

SmartNoise 提供 7 種差分隱私合成器，依底層技術分為三大類：

synthcity 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

synthcity 完整教學

Repository: https://github.com/vanderschaarlab/synthcity Stars: 664 | Fork: 94 | License: Apache-2.0 Tags: synthetic-data, privacy, fairness, pytorch, tabular-data, generative-model 最新版本: v0.2.12 (2025-05-08) 論文: arXiv:2301.07573

2. 核心架構

2.1 系統架構圖


graph TB
    subgraph Input["輸入層 Input Layer"]
        RAW["原始資料
Raw Data"]
        RAW --> GDL["GenericDataLoader"]
        RAW --> SDL["SurvivalAnalysisDataLoader"]
        RAW --> TDL["TimeSeriesDataLoader"]
        RAW --> IDL["ImageDataLoader"]
    end

    subgraph PluginRegistry["Plugin 註冊中心"]
        PR["Plugins()"]
        PR -->|"categories=generic"| GEN["Generic Plugins
CTGAN, TVAE, NFlow, ARF,
DDPM, GReaT, BN, RTVAE..."]
        PR -->|"categories=privacy"| PRIV["Privacy Plugins
AdsGAN, DP-GAN, PATEGAN,
PrivBayes, DECAF, AIM"]
        PR -->|"categories=survival"| SURV["Survival Plugins
SurvivalGAN, SurVAE,
Survival-CTGAN"]
        PR -->|"categories=time_series"| TS["Time Series Plugins
TimeGAN, FourierFlows,
TimeVAE"]
    end

    subgraph Training["訓練與生成"]
        FIT["model.fit(dataloader)"]
        GEN2["model.generate(count=N)"]
        FIT --> GEN2
    end

    subgraph Evaluation["評估引擎 Metrics Engine"]
        BENCH["Benchmarks.evaluate()"]
        BENCH --> M1["eval_sanity
基本健全性"]
        BENCH --> M2["eval_statistical
統計一致性"]
        BENCH --> M3["eval_privacy
隱私風險"]
        BENCH --> M4["eval_detection
合成偵測"]
        BENCH --> M5["eval_performance
下游效能"]
        BENCH --> M6["eval_attacks
攻擊模擬"]
    end

    GDL --> FIT
    SDL --> FIT
    TDL --> FIT
    IDL --> FIT
    GEN2 --> BENCH

    style Input fill:#e1f5fe,stroke:#0288d1
    style PluginRegistry fill:#f3e5f5,stroke:#7b1fa2
    style Training fill:#e8f5e9,stroke:#388e3c
    style Evaluation fill:#fff3e0,stroke:#f57c00

2.2 Plugin 機制

synthcity 的核心設計是 Plugin Pattern (插件模式)：每個生成器都是一個繼承自 Plugin 基底類別的獨立模組。所有生成器共享相同的介面：

synthEHRella 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

synthEHRella 完整教學

Repository: https://github.com/chenxran/synthEHRella Stars: 18 | Language: Python | License: MIT Tags: EHR, benchmark, synthetic 論文: Chen X, Wu Z et al. (2025). Generating synthetic electronic health record data: a methodological scoping review with benchmarking on phenotype data and open-source software. JAMIA, 32(7), 1227-1240. 最後更新: 2026-04-09

2. 核心架構

2.1 四步驟 Pipeline

SynthEHRella 的核心設計是一條四步驟的標準化 pipeline，每個步驟都有獨立的 CLI 入口：

Synthetic Data Generator (SDG) 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

Synthetic Data Generator (SDG) 完整教學

Repository: https://github.com/SDM-TIB/Synthetic-Data-Generator Stars: 3 | Language: Python | License: MIT Tags: breast-cancer, csv, data-generator, process-based, rdf, sql 最後更新: 2025-11-20

2. 核心架構

2.1 系統架構圖


graph TB
    subgraph Input["輸入參數"]
        N["患者數量
-n patients"]
        P["突變機率
-p mutation_prob"]
    end

    subgraph Docker["Docker Container (MySQL 8.1)"]
        subgraph Init["初始化階段"]
            SQL_SCHEMA["table_structure.sql
建立 11 張表 +
66 種化療方案 +
30 種 CUI 描述"]
            DB["MySQL 8.1
synth database"]
            SQL_SCHEMA --> DB
        end

        subgraph Gen["資料生成階段 (SDG.py)"]
            direction TB
            DEMO["1. 人口統計
年齡 ~ N(57, 10)"]
            TUMOR["2. 腫瘤分型
PP/PN/NP/NN"]
            STAGE["3. TNM 分期
Stage 0-IV"]
            IHC["4. IHC 標記
ER/PR/HER2/Ki67"]
            NEO["5. 新輔助化療
3-5 週期"]
            SURG["6. 手術
Mastectomy/Partial"]
            ADJ["7. 輔助化療
3-20 週期"]
            RADIO["8. 放射治療
劑量 ~ N(46, 8.4) Gy"]
            COMOR["9. 共病症
17 類"]
            ORAL["10. 口服藥物
15 種"]
            FAM["11. 家族史
30 種 CUI"]

            DEMO --> TUMOR --> STAGE --> IHC
            IHC --> NEO --> SURG --> ADJ --> RADIO
            RADIO --> COMOR --> ORAL --> FAM
        end

        Gen -->|INSERT| DB
    end

    N --> Gen
    P --> Gen

    subgraph Output["三格式輸出 → ./data/"]
        CSV["CSV
每表一個 .csv"]
        RDF_OUT["RDF (N-Triples)
synth_data.nt
via SDM-RDFizer"]
        SQL_DUMP["SQL Dump
synth_data.sql.gz"]
    end

    DB -->|mysqldump| SQL_DUMP
    DB -->|SELECT *| CSV
    DB -->|RML mapping.ttl
+ SDM-RDFizer| RDF_OUT

    style Input fill:#e1f5fe,stroke:#0288d1
    style Docker fill:#fff3e0,stroke:#f57c00
    style Output fill:#e8f5e9,stroke:#388e3c
    style Gen fill:#fce4ec,stroke:#c62828

2.2 關鍵機率分佈參數

SDG 的核心是一組 來自真實族群統計的機率分佈，以下列出最重要的幾個：

Synthetic-CT-generation-from-MRI-using-3D-transformer-based-denoising-diffusion-model 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

Synthetic-CT-generation-from-MRI-using-3D-transformer-based-denoising-diffusion-model 完整教學

Repository: https://github.com/shaoyanpan/Synthetic-CT-generation-from-MRI-using-3D-transformer-based-denoising-diffusion-model Stars: 67 | Fork: 8 | License: MIT Tags: diffusion, 3D-transformer, MRI-CT 論文: Medical Physics (2024) | arXiv 預印本 主要語言: Python 3.8 | 框架: PyTorch + MONAI 最後更新: 2026-05-10

2. 核心架構

2.1 整體管線


flowchart TB
    subgraph Input["輸入準備"]
        MRI["MRI 影像
(Condition)"]
        NOISE["高斯雜訊
x_T ~ N(0,I)"]
    end

    subgraph Forward["Forward Process
(訓練時)"]
        CT_REAL["真實 CT 影像
x_0"]
        ADD_NOISE["逐步加噪
q(x_t | x_0)"]
        CT_REAL --> ADD_NOISE
        NOISE_SCHED["Linear Beta Schedule
1000 steps"]
        NOISE_SCHED --> ADD_NOISE
    end

    subgraph Model["3D Swin-Transformer UNet"]
        direction TB
        ENC1["Encoder Block 1
64ch, ResBlock x2"]
        ENC2["Encoder Block 2
128ch, SwinTransformer"]
        ENC3["Encoder Block 3
192ch, SwinTransformer"]
        ENC4["Encoder Block 4
256ch, SwinTransformer"]
        MID["Middle Block
256ch, SwinTransformer"]
        DEC4["Decoder Block 4
256ch + Skip"]
        DEC3["Decoder Block 3
192ch + Skip"]
        DEC2["Decoder Block 2
128ch + Skip"]
        DEC1["Decoder Block 1
64ch + Skip"]
        
        ENC1 --> ENC2 --> ENC3 --> ENC4 --> MID
        MID --> DEC4 --> DEC3 --> DEC2 --> DEC1
        ENC4 -.->|skip| DEC4
        ENC3 -.->|skip| DEC3
        ENC2 -.->|skip| DEC2
        ENC1 -.->|skip| DEC1
    end

    subgraph TimeEmb["Timestep Embedding"]
        T["t (當前步驟)"]
        SINCOS["Sinusoidal Encoding"]
        MLP_T["MLP Projection"]
        T --> SINCOS --> MLP_T
    end

    subgraph Reverse["Reverse Process
(推論時)"]
        DENOISE["反覆去噪
p(x_{t-1} | x_t, MRI)"]
        SYNTH_CT["合成 CT
x_0"]
        DENOISE --> SYNTH_CT
    end

    MRI --> Model
    ADD_NOISE --> Model
    NOISE --> DENOISE
    MRI --> DENOISE
    MLP_T --> Model
    Model --> |"預測 noise ε_θ"| Reverse

2.2 3D Swin Transformer 在 UNet 中的角色

傳統 DDPM UNet 在低解析度 feature map 使用 global self-attention，但這在 3D 體積中記憶體開銷極大。本專案以 3D Swin Transformer Block 取代：

T-SYNTH (tsynth-release) 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

T-SYNTH (tsynth-release) 完整教學

Repository: https://github.com/DIDSR/tsynth-release Stars: 6 | Tags: breast-cancer, medical-imaging, synthetic-data 授權: CC0 1.0 Universal (Creative Commons Zero; 公眾領域貢獻) 主要語言: Jupyter Notebook / Python 資料集: https://huggingface.co/datasets/didsr/tsynth 論文: https://arxiv.org/abs/2507.04038 (MICCAI Open Data 2025) FDA RST 編號: RST26AI04.01

2. 核心架構

2.1 系統整體架構


flowchart TB
    subgraph VICTRE ["VICTRE Toolkit (上游)"]
        A1[虛擬乳房模型
KB Phantom] --> A2[Monte Carlo
X-ray 模擬]
        A2 --> A3[原始 DBT
3D Volume]
    end

    subgraph TSYNTH ["T-SYNTH Pipeline"]
        A3 --> B1[C-View 合成
DBT → 2D]
        A3 --> B2[像素級分割
Segmentation]
        B1 --> B3[HuggingFace
Dataset 發佈]
        B2 --> B3
        B3 --> C1[下載腳本
download_data.py]
    end

    subgraph TRAIN ["訓練與評估"]
        C1 --> D1[YAML 配置
real / synth / mixed]
        D1 --> D2[custom_datasets.py
EmbedDataset + DbtSynthDataset]
        D2 --> D3[train_detector.py
Faster R-CNN
ResNet-50-FPN]
        D3 --> D4[evaluate_detectors.py
FROC / AUC]
        D4 --> D5[Jupyter Notebooks
視覺化 + 分析]
    end

    subgraph DATA ["外部真實資料"]
        E1[EMBED Dataset
Emory Breast Imaging
AWS Open Data] --> D2
    end

    style VICTRE fill:#e8f4fd,stroke:#1e88e5
    style TSYNTH fill:#fff3e0,stroke:#f57c00
    style TRAIN fill:#e8f5e9,stroke:#43a047
    style DATA fill:#fce4ec,stroke:#e53935

2.2 實驗配置對應圖


flowchart LR
    subgraph EXP ["實驗類型"]
        direction TB
        R[Real Only
20%~100%]
        RS[Real + Synth
混合比例]
        S[Synth Only]
        D[Diffusion
比較實驗]
    end

    subgraph CFG ["YAML 配置"]
        direction TB
        C1["cfg/train/real*.yaml"]
        C2["cfg/train/real*_and_synth*.yaml"]
        C3["cfg/train/synth.yaml"]
        C4["cfg/train/genAI/*.yaml"]
    end

    subgraph MOD ["模態"]
        direction TB
        M1["DBT C-View"]
        M2["DM 2D"]
    end

    R --> C1
    RS --> C2
    S --> C3
    D --> C4
    C1 & C2 & C3 & C4 --> M1
    C1 & C2 & C3 --> M2

    style EXP fill:#e3f2fd,stroke:#1565c0
    style CFG fill:#fff8e1,stroke:#f9a825
    style MOD fill:#f3e5f5,stroke:#8e24aa

2.3 檔案結構

 1tsynth-release/
 2├── LICENSE                          # CC0 1.0
 3├── README.md
 4├── images/
 5│   ├── poster.pdf                   # MICCAI 海報
 6│   └── summary_figure.png
 7└── code/
 8    ├── README.md                    # 安裝與使用說明
 9    ├── requirements.txt             # Python 套件依賴
10    ├── config_global.py             # 全域路徑設定 (dir_global)
11    ├── custom_datasets.py           # Dataset 類別 (EmbedDataset, DbtSynthDataset)
12    ├── train_detector.py            # 訓練 Faster R-CNN
13    ├── evaluate_detectors.py        # 模型推論與評估
14    ├── cfg/                         # YAML 實驗配置
15    │   ├── train/                   # 訓練配置 (25+ 種組合)
16    │   │   ├── real.yaml
17    │   │   ├── synth.yaml
18    │   │   ├── real_and_synth.yaml
19    │   │   ├── real100_and_synth*.yaml
20    │   │   └── genAI/              # Diffusion 比較實驗
21    │   ├── val/                     # 驗證配置
22    │   ├── test/                    # 測試配置
23    │   └── DM/                      # Digital Mammography 專用配置
24    ├── download_scripts/
25    │   ├── download_data.py         # 從 HuggingFace 下載合成資料
26    │   ├── download_embed_metadata.py
27    │   ├── download_models.py       # 下載預訓練模型
28    │   ├── download_results.py      # 下載評估結果
29    │   └── download_volumes.py      # 下載原始 DBT volumes
30    ├── notebooks/                   # 分析與視覺化
31    │   ├── create_cview.ipynb       # DBT → C-View 轉換
32    │   ├── synthetic_detection.ipynb
33    │   ├── data_augmentation_experiments.ipynb
34    │   ├── diffusion_experiments.ipynb
35    │   ├── tsynth_breast_density.ipynb
36    │   ├── tsynth_lesion_density.ipynb
37    │   ├── tsynth_lesion_size.ipynb
38    │   └── comparison_of_FROC_AUC.ipynb
39    └── utils/
40        ├── duke_dbt_data.py         # DICOM 讀取工具
41        ├── eval_utils.py            # FROC 計算工具
42        └── model_utils.py           # Faster R-CNN 建構

3. 安裝與設定

3.1 環境需求

需求	說明
Python	3.9
GPU	CUDA 11.8 (NVIDIA GPU 強烈建議)
磁碟空間	C-View 資料 ~數十 GB；完整 DBT volumes 需 PrecisionFDA 下載，更大
HuggingFace 帳號	下載資料需要 token
套件	PyTorch 2.3.1+cu118, torchvision 0.18.1, MONAI 1.3.1, pydicom 等

3.2 安裝步驟

 1# 1. Clone repository
 2git clone https://github.com/DIDSR/tsynth-release.git
 3cd tsynth-release
 4
 5# 2. 建立 conda 環境（官方建議 Python 3.9）
 6conda create -n tsynth python=3.9
 7conda activate tsynth
 8
 9# 3. 安裝套件依賴
10pip install -r code/requirements.txt
11
12# 4. 設定 HuggingFace token（下載資料需要）
13huggingface-cli login
14# 貼上你的 HuggingFace Access Token
15
16# 5. （可選）手動下載 pretrained COCO 權重
17#    如果自動下載失敗才需要
18mkdir -p ~/.cache/torch/hub/checkpoints
19cd ~/.cache/torch/hub/checkpoints
20wget https://download.pytorch.org/models/fasterrcnn_resnet50_fpn_coco-258fb6c6.pth
21wget https://download.pytorch.org/models/resnet50-0676ba61.pth

3.3 關鍵配置：config_global.py

1# 修改此路徑為你的本地資料目錄
2dir_global = '/path/to/your/tsynth_data/'

此路徑是所有下載腳本與訓練/評估腳本的全域根目錄。下載的資料會存放在 {dir_global}/data/ 下。

TabGAN (Tabular-data-generation) 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

TabGAN (Tabular-data-generation) 完整教學

Repository: https://github.com/Diyago/Tabular-data-generation Stars: 570 | Forks: 83 | License: Apache-2.0 Language: Python | PyPI: tabgan Tags: GAN, tabular-data, adversarial-filtering, deep-learning, machine-learning Paper: Tabular GANs for uneven distribution (arXiv:2010.00638) Live Demo: HuggingFace Spaces | Colab Notebook

2. 核心架構 (Core Architecture)

2.1 整體管線架構

TabGAN 的所有 Generator 共享統一的四階段管線 (Four-Stage Pipeline)：

TemporAI 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

TemporAI 完整教學

Repository: https://github.com/vanderschaarlab/temporai Stars: 130 | Forks: 24 | Language: Python | License: Apache-2.0 Tags: machine-learning, medicine, time-series, automl Homepage: https://www.temporai.vanderschaar-lab.com/ Paper: arXiv:2301.12260 Last Updated: 2026-05-28

2. 核心架構

2.1 整體架構圖


graph TB
    subgraph Input["Data Input Layer (資料輸入層)"]
        RAW["Raw Data
原始醫療時序資料"]
        DS["DataSource Plugin
資料來源插件
(PBC, PKPD, MIMIC, UCI, Sine...)"]
        DATASET["TemporalDataset
統一資料格式"]
    end

    subgraph Core["Plugin Core (插件核心)"]
        PL["plugin_loader
插件載入器"]
        REG["Plugin Registry
插件註冊表"]
    end

    subgraph Preprocessing["Preprocessing Layer (前處理層)"]
        IMP["Imputation
缺失值填補"]
        SCALE["Scaling
標準化"]
        ENC["Encoding
特徵編碼"]
    end

    subgraph Methods["ML Methods Layer (ML 方法層)"]
        TTE["Time-to-Event
存活分析"]
        TX["Treatment Effects
治療效果估計"]
        PRED["Prediction
預測"]
    end

    subgraph AutoML["AutoML Layer (自動化層)"]
        TUNER["Tuner
超參數調校"]
        SEEKER["PipelineSeeker
管線搜尋"]
        BENCH["Benchmarks
基準測試"]
    end

    subgraph Output["Output Layer (輸出層)"]
        RISK["Risk Predictions
風險預測"]
        CF["Counterfactuals
反事實結果"]
        FORECAST["Forecasts
時序預測"]
        SERIAL["Serialization
模型序列化"]
    end

    RAW --> DS --> DATASET
    DATASET --> PL
    PL --> REG
    REG --> Preprocessing
    Preprocessing --> Methods
    Methods --> AutoML
    Methods --> Output
    AutoML --> Output

    style Input fill:#e8f5e9,stroke:#2e7d32
    style Core fill:#fff3e0,stroke:#e65100
    style Preprocessing fill:#e3f2fd,stroke:#1565c0
    style Methods fill:#fce4ec,stroke:#c62828
    style AutoML fill:#f3e5f5,stroke:#6a1b9a
    style Output fill:#e0f2f1,stroke:#00695c

2.2 Plugin 系統架構

TemporAI 的核心設計是 Plugin-based Architecture (插件式架構)。所有方法（模型、前處理器、資料來源）都以 Plugin 的形式註冊到全域的 plugin_loader，透過字串路徑存取：

Treeffuser 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

Treeffuser 完整教學

Repository: https://github.com/blei-lab/treeffuser Stars: 56 | Forks: 10 | License: MIT Paper: NeurIPS 2024 — arXiv:2406.07658 Tags: diffusion-models, gradient-boosting, probabilistic-prediction, tabular-data, lightgbm, heteroscedasticity 最後更新: 2026-04-28 作者群: David Blei Lab @ Columbia University（Nicolas Beltran-Velez, Alessandro Grande, Achille Nazaret, Alp Kucukelbir, David Blei）

VICTRE 完整教學

Wed, 10 Jun 2026 00:00:00 +0000

VICTRE 完整教學

Repository: https://github.com/DIDSR/VICTRE Stars: 74 | Tags: virtual-clinical-trial, FDA, imaging License: CC0-1.0 (Creative Commons Zero v1.0 Universal) Primary Language: Python / C / CUDA Forks: 16 | Last Updated: 2026-06-09 自動化管線: https://github.com/DIDSR/VICTRE_PIPELINE (29 stars) FDA RST 編號: RST24MD10.01

2. 核心架構

2.1 VICTRE 九步管線總覽


flowchart TD
    subgraph PhantomGen["Phase 1: Phantom Generation (幻像生成)"]
        A["breastPhantom
程序式乳房模型生成"]
        B["breastCompress
FEBio 有限元素壓縮"]
        C["breastCrop
體積裁切 (GPU 記憶體限制)"]
    end

    subgraph LesionPhase["Phase 2: Lesion Processing (病灶處理)"]
        D["breastMass
程序式腫瘤生成"]
        E["Lesion Insertion
病灶植入 (Python)"]
    end

    subgraph ImagingPhase["Phase 3: Imaging (影像擷取)"]
        F["MC-GPU
Monte Carlo X 光傳輸
(DM + DBT)"]
        G["FBP Reconstruction
濾波反投影重建 (DBT)"]
    end

    subgraph AnalysisPhase["Phase 4: Analysis (分析)"]
        H["ROI/VOI Extraction
感興趣區域擷取 (Python)"]
        I["Reader Models
虛擬讀片模型 (Matlab)"]
    end

    A --> B --> C --> E
    D --> E
    E --> F --> G --> H --> I

    style PhantomGen fill:#e8f4e8,stroke:#2d5016
    style LesionPhase fill:#fff3e0,stroke:#e65100
    style ImagingPhase fill:#e3f2fd,stroke:#0d47a1
    style AnalysisPhase fill:#fce4ec,stroke:#880e4f

2.2 各元件與對應儲存庫

步驟	元件名稱	語言	獨立 Repo
1	breastPhantom（乳房幻像生成）	C++	DIDSR/breastPhantom
2	breastCompress（乳房壓縮）	C++	DIDSR/breastCompress
3	breastCrop（體積裁切）	C++	DIDSR/breastCrop
4	breastMass（腫瘤模型生成）	C++	DIDSR/breastMass
5	Lesion Insertion（病灶植入）	Python	含於本 repo
6	MC-GPU（X 光傳輸）	C/CUDA	DIDSR/VICTRE_MCGPU
7	FBP DBT Reconstruction（重建）	C	含於本 repo
8	ROI Extraction（ROI 擷取）	Python	含於本 repo
9	Reader Models（讀片模型）	Matlab	DIDSR/VICTRE_MO

2.3 專案檔案結構

 1VICTRE/
 2├── FBP DBT reconstruction in C/    # 濾波反投影重建（C 語言）
 3│   ├── FBP_DBTrecon.c / .h
 4│   ├── Makefile
 5│   ├── reconFBP_script.sh
 6│   └── cbct_code/                  # 修改自 Leeser 的 CBCT 重建碼
 7├── Lesion Insertion/               # 病灶植入（Python）
 8│   ├── lesionInsertion.py
 9│   ├── build/lesionInsertion_script.sh
10│   └── VICTRE_LesionModels/       # 預製病灶模型（.raw）
11│       ├── heteroCalc2_121_100.raw       # 微鈣化簇
12│       └── mass_-308854003_cropped_166.raw # 針刺狀腫塊
13├── ROI Extraction/                 # ROI 擷取（Python）
14│   ├── roiExtraction_mammo_SP.py   # DM 信號存在
15│   ├── roiExtraction_mammo_SA.py   # DM 信號不存在
16│   ├── roiExtraction_DBT_FBP_SP.py # DBT 信號存在
17│   └── roiExtraction_DBT_FBP_SA.py # DBT 信號不存在
18├── Raw to DICOM conversion/        # Raw → DICOM 轉換（Matlab）
19├── Sample-phantom-data/            # 四種密度樣本資料
20│   ├── Dense/
21│   ├── Fatty/
22│   ├── Hetero/
23│   └── Scattered/
24├── VICTRE Configuration Files and Parameters/  # 參考設定
25│   ├── breastPhantom/              # 4 種密度 .cfg 檔
26│   ├── breastCompress/
27│   ├── breastCrop/
28│   ├── LesionInsertion/
29│   ├── MCGPU/
30│   ├── ROIExtraction/
31│   └── DBTReconstruction/
32└── Locations/                      # 病灶位置資料（.tar.gz）

2.4 資料流與檔案格式


flowchart LR
    CFG[".cfg
幻像設定檔"] --> RAW1["p_SEED.raw.gz
原始幻像"]
    RAW1 --> RAW2["pc_SEED_crop.raw.gz
壓縮裁切幻像"]
    LESION[".raw
病灶模型"] --> RAW3["pcl_SEED_crop.raw.gz
含病灶幻像"]
    RAW2 --> RAW3
    RAW3 --> PROJ["投影影像
(32-bit RAW)"]
    PROJ --> RECON["重建體積
(64-bit RAW)"]
    RECON --> ROI["ROI/VOI
(子影像)"]
    ROI --> AUC["AUC 分析
(效能指標)"]
    PROJ --> DICOM["DICOM 影像
(Cancer Imaging Archive)"]

    style CFG fill:#f9f,stroke:#333
    style DICOM fill:#bbf,stroke:#333
    style AUC fill:#fbb,stroke:#333

3. 安裝與設定

3.1 方式一：使用自動化管線 VICTRE_PIPELINE（建議）

VICTRE_PIPELINE 將所有 9 個步驟封裝為單一 Python class，大幅降低整合複雜度。

anthropic-cli (ant) 完整教學

Mon, 08 Jun 2026 00:00:00 +0000

1. 專案定位

anthropic-cli（指令名稱 ant）是 Anthropic 官方為 Claude Developer Platform 提供的命令列工具。它直接對接 Claude API，讓開發者能從終端機發送 Messages、管理認證、操作 Beta 資源（Sessions / Agents / Environments / Vaults / Skills / Memory Stores），以及執行 self-hosted worker 輪詢工作。

Bio Agent 生態系完整比較論述

Mon, 08 Jun 2026 00:00:00 +0000

Bio Agent 生態系完整比較論述

34 個 GitHub 專案的綜合分析與比較日期：2026-06-08 版本：v2.0（擴充版）資料來源：GitHub 公開 repository、arXiv 論文、各專案 README 與教學文件

html-video 完整教學：用 HTML 在本機生成真實 MP4 影片

Mon, 08 Jun 2026 00:00:00 +0000

html-video 完整教學：用 HTML 在本機生成真實 MP4 影片

1. 專案總覽

這是什麼？

html-video 是由 nexu-io（Open Design 團隊）開發的開源「HTML 轉影片」meta-layer 框架。它不是另一個渲染引擎，而是坐在所有渲染引擎之上的抽象層 — 讓你用自然語言描述影片內容，由 AI coding agent 自動挑選模板、填入內容、渲染為真實 MP4。

ingestr 完整教學 — 跨資料庫零程式碼資料搬遷 CLI

Mon, 08 Jun 2026 00:00:00 +0000

ingestr 完整教學

跨資料庫零程式碼資料搬遷 CLI 工具

§1 專案概述與定位

1.1 是什麼

ingestr 是由 Bruin Data 開發的開源命令列工具，用一條指令就能將資料從任意來源複製到任意目的地。以 Go 語言實作，底層採用 Apache Arrow 作為記憶體內中間格式，實現高效能的跨系統資料搬遷。

OpenFlow 完整教學：本地優先的 Coding-Agent 工作流編排器

Mon, 08 Jun 2026 00:00:00 +0000

OpenFlow 完整教學：本地優先的 Coding-Agent 工作流編排器

§1 專案總覽與定位

1.1 OpenFlow 是什麼

OpenFlow 是一個本地優先 (local-first) 的命令列工作流執行器，專門用於編排外部 coding-agent CLI（如 OpenAI Codex CLI 的 codex exec、Google Gemini CLI 的 gemini -p）。它的核心設計理念是：

pg_durable 深度教學 — PostgreSQL 內建持久化執行引擎

Mon, 08 Jun 2026 00:00:00 +0000

pg_durable 深度教學 — PostgreSQL 內建持久化執行引擎

§1 專案定位與解決的問題

1.1 pg_durable 是什麼

pg_durable 是 Microsoft 推出的 PostgreSQL 擴充套件（extension），以 Rust 語言（透過 pgrx 框架）實作，將 durable execution（持久化執行） 模式直接嵌入 PostgreSQL 資料庫內部。

Recordly 深度教學：開源螢幕錄影與影片編輯利器

Mon, 08 Jun 2026 00:00:00 +0000

Recordly 深度教學：開源螢幕錄影與影片編輯利器

1. 專案概覽

Recordly 是一款開源跨平台桌面螢幕錄影與影片編輯應用程式，目標是讓使用者在錄製螢幕後，不需要專業影片編輯軟體（如 After Effects、Premiere），就能直接在 app 內產出具有「自動縮放 (auto-zoom)」、「游標美化 (cursor polish)」、「網路攝影機疊加 (webcam overlay)」等專業效果的展示影片。

turbovec 完整教學：基於 TurboQuant 的高效向量搜尋引擎

Mon, 08 Jun 2026 00:00:00 +0000

turbovec 完整教學：基於 TurboQuant 的高效向量搜尋引擎

1. 專案定位

這是什麼？

turbovec 是一個以 Rust 撰寫、提供 Python bindings 的向量索引引擎。它實作了 Google Research 在 ICLR 2026 發表的 TurboQuant 演算法（arXiv:2504.19874），能將高維 embedding 向量壓縮到每座標 2-4 bits，同時保持接近 Shannon 理論下界的失真率。

Pi AI Agent Toolkit — 完整教學

Sun, 07 Jun 2026 00:00:00 +0000

Pi AI Agent Toolkit — 完整教學

Pi 是一個開源 AI agent harness (代理框架)，提供可自我擴展的 coding agent (編碼代理) CLI、統一的多供應商 LLM API、以及完整的 extension / skill / SDK 生態系統。60K+ Stars，MIT 授權，TypeScript monorepo (單倉庫)。

Pi AI Agent Toolkit — 完整教學

Sun, 07 Jun 2026 00:00:00 +0000

Pi AI Agent Toolkit — 完整教學

Pi 是一個開源 AI agent harness (代理框架)，提供可自我擴展的 coding agent (編碼代理) CLI、統一的多供應商 LLM API、以及完整的 extension / skill / SDK 生態系統。60K+ Stars，MIT 授權，TypeScript monorepo (單倉庫)。

Doctor 專案改進建議 — 基於 7 個同領域專案的綜合比較分析

Sat, 06 Jun 2026 00:00:00 +0000

Doctor 專案改進建議 — 基於 7 個同領域專案的綜合比較分析

本文基於 8 個 GitHub 專案的完整教學分析，提出 Doctor 專案的系統性改進方案。

1. 現狀診斷：Doctor 的定位與核心問題

1.1 Doctor 做了什麼

Doctor 是一個 Streamlit + Google Gemini 的醫病角色扮演模擬器。核心概念：

MIMIC_RL_COACH 完整教學 — 用強化學習為 ICU 敗血症患者建立治療決策 AI

Sat, 06 Jun 2026 00:00:00 +0000

MIMIC_RL_COACH 完整教學

從概念理解到實作：如何用 Batch Reinforcement Learning 從真實加護病房資料學習敗血症最佳治療策略。

1. 專案定位

什麼是 MIMIC_RL_COACH？

MIMIC_RL_COACH 是一個 batch reinforcement learning（批次強化學習） pipeline，利用 MIMIC-III（Medical Information Mart for Intensive Care） 加護病房臨床資料庫的真實病歷資料，訓練 RL agent 學習敗血症（sepsis；感染）患者的最佳治療策略（optimal treatment policy）。

Tutorial: 2023Anita/MedicalAI-Platform — 多智慧體醫療分析平台

Sat, 06 Jun 2026 00:00:00 +0000

Tutorial: 2023Anita/MedicalAI-Platform — 多智慧體醫療分析平台

S1 專案定位與背景

1.1 這是什麼

MedicalAI-Platform（Med Agentic-AI）是一個基於多智慧體協作（Multi-Agent Collaboration）架構的智慧醫療分析平台，由江陰市人民醫院「睡眠魔法師 Team」開發。平台以 Google Gemini 2.5 Flash/Pro 為底層 LLM，透過四個專業 AI 代理的分工協作，對體檢報告進行全面分析並生成結構化的中文醫療評估報告。

Tutorial: bcefghj/medical-multi-agent-system — 企業級多 Agent 醫療 CDSS

Sat, 06 Jun 2026 00:00:00 +0000

Tutorial: medical-multi-agent-system — 企業級多 Agent 醫療臨床輔助決策系統

§1 專案定位與背景

1.1 這是什麼

medical-multi-agent-system 是一個面向面試展示與架構學習的企業級多 Agent 臨床輔助決策系統（Clinical Decision Support System, CDSS）。它以 5 個專業化 Agent 組成 Pipeline，覆蓋「接診 → 診斷 → 治療 → 編碼 → 審計」完整臨床工作流，並以 Python / Java / Go 三種語言同時實作同一套架構。

Tutorial: Doctor — Doubt-Driven 醫病動態認知博弈引擎

Sat, 06 Jun 2026 00:00:00 +0000

Tutorial: Doctor — Doubt-Driven 醫病動態認知博弈引擎

1. 專案定位

這個專案是什麼

Doctor 是一個基於 Streamlit + Google Gemini 的醫病互動模擬應用程式。它不是一個真正的臨床決策支援系統（CDSS），而是一個 LLM 角色扮演引擎：透過精心設計的 9 步驟 system prompt 框架，讓 Gemini 扮演一位具有多層心理防禦機制的醫師角色，與使用者（扮演病患）進行對話。

Tutorial: Md-Emon-Hasan/MediGenius — LangGraph 多 Agent 醫療 AI 助手完整教學

Sat, 06 Jun 2026 00:00:00 +0000

Tutorial: MediGenius — LangGraph 多 Agent 醫療 AI 助手

一份「讀完就能理解架構 + 知道怎麼改 + 清楚資安邊界」的內部技術手冊。目標讀者：已會 Python + FastAPI，想學 LangGraph multi-agent 編排、RAG pipeline、和 fallback chain 設計模式的工程師。

Tutorial: stanfordmlgroup/MedAgentBench — 醫療 LLM Agent 基準測試虛擬 EHR 環境

Sat, 06 Jun 2026 00:00:00 +0000

Tutorial: stanfordmlgroup/MedAgentBench — 醫療 LLM Agent 基準測試虛擬 EHR 環境

§1 專案定位與背景

1.1 這是什麼

MedAgentBench 是 Stanford ML Group 開發並發表於 NEJM AI 的醫療 LLM Agent 基準測試平台。它提供一個基於 FHIR（Fast Healthcare Interoperability Resources；快速醫療互通資源）標準的虛擬 EHR（Electronic Health Record；電子健康紀錄）環境，讓 LLM Agent 透過真實世界規格的 FHIR R4 API 與合成病人資料互動，藉此量化評估 Agent 在臨床工作流程中的實際執行能力。

AI Retrosynthesis 開源工具全景教學 — Lead Optimization Analog 的合成規劃指南

Fri, 05 Jun 2026 00:00:00 +0000

AI Retrosynthesis 開源工具全景教學

為 lead optimization（先導化合物優化）產出的 analog（類似物）規劃最短、最可行的合成路線：6 大開源工具比較與實戰指南。

AiZynthFinder 完整教學 — AI 逆合成規劃工具

Fri, 05 Jun 2026 00:00:00 +0000

AiZynthFinder 完整教學 — AI 逆合成規劃工具

1. 專案概述

AiZynthFinder 是 AstraZeneca Molecular AI 團隊開源的逆合成規劃工具（retrosynthetic planning tool），也是該領域目前最成熟的開源方案（845 stars，MIT 授權）。

CausalBench 完整教學 — 從 AWS 連線到因果網路推論的全方位指南

Fri, 05 Jun 2026 00:00:00 +0000

CausalBench 完整教學

從 AWS EC2 連線到 causal network inference（因果網路推論）：用淺顯易懂的方式理解如何在真實 Perturb-seq 資料上跑基因調控網路推論。

1. 專案定位 — 這到底是什麼？

用一個比喻來理解

想像你有一座巨大的工廠（cell；細胞），裡面有數千台機器（gene；基因）在運作。你想知道：哪台機器會影響哪台機器？ 例如，當你關掉機器 A 時，機器 B 和 C 是否也會跟著改變？

Firecrawl 完整教學 — 從 API 呼叫到 Self-Host 部署的 Web Scraping 全攻略

Fri, 05 Jun 2026 00:00:00 +0000

Firecrawl 完整教學

從 API 呼叫到 Self-Host 部署：如何用 Firecrawl 將整個 Web 轉換成 LLM-ready 的乾淨資料。

1. 專案定位

這是什麼？

Firecrawl 是一個開源 web scraping API（網頁抓取 API）平台，核心使命是：將網頁轉換成 AI agent 可直接使用的乾淨 Markdown 或 structured data（結構化資料）。

NVIDIA OmniDreams 完整教學 — 自駕模擬 World Model 的後訓練與擬真影像生成

Fri, 05 Jun 2026 00:00:00 +0000

NVIDIA OmniDreams 完整教學

從概念理解到 post-training 實作：如何用 NVIDIA 的 world model 為自駕模擬生成擬真影像。

1. 專案定位

什麼是 OmniDreams？

OmniDreams 是 NVIDIA Research 開發的 world model（世界模型），專為 autonomous-driving simulation（自動駕駛模擬）設計。它能從一張真實照片出發，搭配道路資訊和行車軌跡，即時生成逼真的多鏡頭駕駛影片。

SynPlanner 完整教學 — 電腦輔助逆合成規劃

Fri, 05 Jun 2026 00:00:00 +0000

SynPlanner 完整教學 — 電腦輔助逆合成規劃

第 1 章：專案定位與核心價值

逆合成規劃 (Retrosynthetic Planning) 是什麼？

逆合成分析 (retrosynthetic analysis) 是有機化學中最核心的策略思維：從目標分子 (target molecule) 出發，反向推導出一系列可行的合成步驟，最終到達可商業購買的起始原料 (building blocks)。

Syntheseus 完整教學：模組化逆合成規劃框架

Fri, 05 Jun 2026 00:00:00 +0000

Syntheseus 完整教學：模組化逆合成規劃框架

1. 專案定位與核心價值

1.1 什麼是 Syntheseus？

Syntheseus 是 Microsoft Research 開發的 Python 套件，專為逆合成規劃 (retrosynthetic planning) 設計。逆合成分析的目標是：給定一個目標分子 (target molecule)，反向推導出一條或多條從商業可購買的起始物料 (building blocks) 到目標分子的合成路線 (synthesis route)。

Tutorial: deepforestsci/DeepRetro — LLM 驅動遞歸逆合成完整解析

Fri, 05 Jun 2026 00:00:00 +0000

DeepRetro 完整教學

本文目的：把 DeepRetro 的「為什麼要用 LLM 做逆合成」、「整個 pipeline 怎麼運作」、「怎麼跑起來然後接進你的 lead optimization 工作流」一次講清楚。重點放在架構理解、實務操作、幻覺防護機制、以及對你場景的適用性評估。

教學：microsoft/retrochimera — 前沿 Ensemble 逆合成模型完整指南

Fri, 05 Jun 2026 00:00:00 +0000

教學：microsoft/retrochimera — 前沿 Ensemble 逆合成模型完整指南

第 1 章：專案定位與價值主張

這個專案解決什麼問題？

在 drug discovery（藥物發現）的 lead optimization（先導化合物優化）流程中，medicinal chemist（藥物化學家）設計出新的 analog（類似物）後，最關鍵的問題是：這個分子做得出來嗎？ Retrosynthesis（逆合成分析）就是回答這個問題的核心技術——從目標分子反推可行的合成路徑，直到所有起始物料（building block）都能商業購買。

agents-best-practices 完整教學 — 從零開始建構 Provider-Neutral Agent Harness

Thu, 04 Jun 2026 00:00:00 +0000

agents-best-practices 完整教學

從零理解如何用 provider-neutral（供應商中立）的方式設計、建構、審計與維運 agentic harness（代理人控制面板）。

AnythingLLM 完整教學 — All-in-One Self-Hosted AI Application（含 Odysseus 詳細比較）

Thu, 04 Jun 2026 00:00:00 +0000

AnythingLLM 完整教學 — All-in-One Self-Hosted AI Application

1. 專案定位

AnythingLLM 是 Mintplex Labs 開發的 all-in-one (一站式) self-hosted AI application (自建 AI 應用)，定位為「你一直在找的那個 AI app」——私有、功能完整、無需複雜設定。它解決的核心問題是：讓非技術使用者也能在幾分鐘內部署一個功能齊全的私有 ChatGPT，支援文件 RAG (Retrieval-Augmented Generation; 檢索增強生成)、AI agent、多用戶管理。

bookMDViewer 完整教學 — 用 Tauri v2 打造極輕量 Markdown 檢視器

Thu, 04 Jun 2026 00:00:00 +0000

bookMDViewer 完整教學

從安裝使用到原始碼解析：一款 4 MB 的跨平台 Markdown 檢視器如何做到 GFM + Mermaid + 即時編輯 + HTML 匯出。

1. 專案定位

這是什麼？

bookMDViewer 是一款輕量、完全本機的 Markdown viewer（檢視器）與 editor（編輯器），以 Tauri v2 打造。它使用作業系統內建的 WebView（而非內嵌 Chromium），因此：

Claude Chat Exporter 完整教學

Thu, 04 Jun 2026 00:00:00 +0000

Claude Chat Exporter 完整教學

1. 專案定位

Claude Chat Exporter 是一個純 JavaScript 瀏覽器腳本，用於將 Claude.ai 網頁版的對話匯出 (export) 為格式完整的 Markdown 檔案。

核心價值：不同於傳統的 HTML 解析 (parsing) 匯出工具，此專案透過攔截 (intercept) Claude 原生複製按鈕 (copy button) 的 clipboard 寫入來擷取內容，因此能 100% 保留表格、LaTeX 數學公式、程式碼區塊等所有複雜格式元素。

Claude Memory Compiler 完整教學

Thu, 04 Jun 2026 00:00:00 +0000

Claude Memory Compiler 完整教學

1. 專案定位與背景

這是什麼？

Claude Memory Compiler 是一套將 Claude Code 對話自動轉化為結構化知識庫的系統。靈感來自 Andrej Karpathy 提出的 LLM Knowledge Base 架構，但不是擷取網路文章，而是從你自己與 Claude Code 的對話中萃取知識。

Claude 個人帳號轉 Team 完整教學 — 對話、Memory、設定的移轉策略與實作 SOP

Thu, 04 Jun 2026 00:00:00 +0000

Claude 個人帳號轉 Team 完整教學

從決策評估到實際操作：如何安全地將 Claude 個人帳號的對話紀錄、Memory、Projects 與 Claude Code 設定遷移到 Team 方案。

1. 專案定位與核心結論

這份文件解決什麼問題？

當公司從個人 Claude 帳號（Free / Pro / Max）轉換到 Team plan（團隊方案）時，使用者面臨一個關鍵問題：個人帳號累積的對話紀錄、memory（記憶）、projects（專案）和 Claude Code 本機設定，能否直接轉移到 Team 帳號？

Claude 個人帳號轉 Team 完整教學 — 對話、Memory、設定的移轉策略與實作 SOP

Thu, 04 Jun 2026 00:00:00 +0000

Claude 個人帳號轉 Team 完整教學

從決策評估到實際操作：如何安全地將 Claude 個人帳號的對話紀錄、Memory、Projects 與 Claude Code 設定遷移到 Team 方案。

1. 專案定位與核心結論

這份文件解決什麼問題？

claude-code-memory-setup 完整教學

Thu, 04 Jun 2026 00:00:00 +0000

claude-code-memory-setup 完整教學

1. 專案定位與價值

這是什麼？

claude-code-memory-setup 是一套開源設定指南（MIT 授權），教你如何將 Claude Code 從「每次開 session 都失憶」的狀態，改造為具備 persistent memory（持久記憶） 和 codebase awareness（程式碼感知） 的智慧 agent。

ECC 完整教學 — Agent Harness Performance Optimization System

Thu, 04 Jun 2026 00:00:00 +0000

ECC 完整教學 — Agent Harness Performance Optimization System

第 1 章：專案定位

ECC 是什麼？

ECC 是一套開源的 agent harness performance optimization system (代理人工具鏈效能最佳化系統)，專為 AI coding agents 設計。它不只是一堆設定檔——而是一個涵蓋 skills (技能)、agents (代理)、hooks (鉤子)、rules (規則)、memory (記憶)、learning (學習)、security (安全) 的完整生態系統。

Headroom 完整教學 — AI Agent Context Compression Layer

Thu, 04 Jun 2026 00:00:00 +0000

Headroom 完整教學 — AI Agent Context Compression Layer

1. 專案定位

Headroom 是一套 AI agent 的 context compression (上下文壓縮) layer (層)，目標是把 LLM 收到的所有輸入——tool output (工具輸出)、log (日誌)、RAG chunk (檢索增強生成區塊)、檔案內容、對話歷史——在送達 LLM provider 之前進行智慧壓縮，達成 60–95% 的 token (語元) 節省，同時維持回答品質不變。

Impeccable 完整教學 — 讓 AI 生成的前端設計脫離「AI 味」

Thu, 04 Jun 2026 00:00:00 +0000

Impeccable 完整教學 — 讓 AI 生成的前端設計脫離「AI 味」

1. 專案定位

問題：AI 生成的 UI 千篇一律

每個 LLM（大型語言模型）都在相同的 SaaS template（SaaS 模板）上訓練。不加引導，AI 生成的前端介面總會出現相同的設計慣性：

Kaggle CLI 完整教學 — 從認證設定到競賽提交的全方位操作指南

Thu, 04 Jun 2026 00:00:00 +0000

Kaggle CLI 完整教學

從安裝認證到競賽提交、資料集管理、模型上傳與 LLM 基準測試：Kaggle 官方 CLI 的全方位操作指南。

1. 專案定位

這是什麼？

Kaggle CLI 是 Kaggle 官方維護的 Python command-line interface（命令列介面），讓你在終端機中完成 Kaggle 平台上的所有操作：下載競賽資料、提交預測、管理資料集、執行 notebook、上傳模型、瀏覽論壇、甚至跑 LLM benchmark（基準測試）。

my-claude-code-setup 完整教學

Thu, 04 Jun 2026 00:00:00 +0000

my-claude-code-setup 完整教學

centminmod/my-claude-code-setup — Claude Code 起步模板、Memory Bank 系統、Hooks、Skills 與 Subagents 全解析

1. 專案定位與核心價值

這是什麼

my-claude-code-setup 是一個 Claude Code 的起步模板倉庫 (starter template repository)，由 George Liu 維護，在 GitHub 上獲得 2,387 stars 與 227 forks。它不是一個應用程式，而是一組可直接複製到任何專案的設定檔、模板與工具集。

Odysseus 完整教學 — Self-Hosted AI Workspace

Thu, 04 Jun 2026 00:00:00 +0000

Odysseus 完整教學 — Self-Hosted AI Workspace

1. 專案定位

Odysseus 是一個 self-hosted (自建) AI workspace (工作空間)，目標是成為 ChatGPT 和 Claude 的自建替代品。它運行在使用者自己的硬體上，所有資料本地儲存，不外送任何內容至第三方服務（除非使用者主動設定 API provider）。

OpenDataLoader PDF 完整教學 — AI-ready PDF 解析與無障礙自動標記

Thu, 04 Jun 2026 00:00:00 +0000

OpenDataLoader PDF 完整教學

第 1 章：專案定位 (Project Positioning)

解決什麼問題

OpenDataLoader PDF 解決兩個核心痛點：

Supermemory 完整教學 — AI 記憶與上下文引擎

Thu, 04 Jun 2026 00:00:00 +0000

Supermemory 完整教學 — AI 記憶與上下文引擎

第 1 章：專案定位與價值主張

核心問題：AI 的「失憶症」

每一次對話結束，AI 都會遺忘一切。你反覆告訴它你的偏好、你正在做的專案、你的技術棧——但下一次對話，它又從零開始。

教學：microsoft/coreutils — Windows 原生 UNIX 工具集完整指南

Thu, 04 Jun 2026 00:00:00 +0000

教學：microsoft/coreutils — Windows 原生 UNIX 工具集完整指南

第 1 章：專案定位與價值主張

這個專案解決什麼問題？

長久以來，Windows 使用者若想使用 ls、grep、find、cat 等 UNIX 核心指令，必須仰賴 WSL (Windows Subsystem for Linux)、Cygwin、Git Bash 或 MSYS2 等額外環境。這些方案各有限制：WSL 需要完整 Linux 子系統、Cygwin 相容層效能開銷大、Git Bash 指令集有限。

NVIDIA Cosmos 教學手冊 — Physical AI 的 World Foundation Model 入門

Tue, 02 Jun 2026 00:00:00 +0000

NVIDIA Cosmos 教學手冊

這份手冊把 nvidia/cosmos 從「Physical AI 入口 hub」拆成可讀、可實作、可資安審查的內部知識文件。對應 gh-save metadata 報告：inbox/2026-06-02-github-nvidia-cosmos.md 對應姊妹文件（NVIDIA 生態系）：inbox/2026-06-02-tutorial-Nemotron.md

NVIDIA digital-biology-examples 完整教學：6 個生物 NIM × 1 個 Blueprint × 1 個 PyPI client 的端到端 cookbook

Tue, 02 Jun 2026 00:00:00 +0000

⚠️ 本文件為 NVIDIA/digital-biology-examples 的深度教學與資安審查報告。資安掃描章節（§6）含紅黃綠燈分級；商用部署前務必審視 §4 NIM 授權條款。

1. 專案定位

1.1 一句話

NVIDIA/digital-biology-examples 是 NVIDIA BioNeMo 平台官方的「生物 NIM 微服務 cookbook + Blueprint 端到端範例 + 單細胞 GPU 入門資源」整合倉，是把 BioNeMo Framework 訓練好的模型「包成 NIM 容器、暴露成 OpenAPI 服務、做成 Python client / Jupyter notebook、再串接成藥物發現工作流」的最終端使用者出口。

NVIDIA Isaac GR00T N1.7 — 人形機器人 VLA 基礎模型完整教學

Tue, 02 Jun 2026 00:00:00 +0000

NVIDIA Isaac GR00T N1.7 — 人形機器人 VLA 基礎模型完整教學

本教學針對「想把人形機器人 VLA 模型整合進 sim-to-real 管線、或想在自家機器人上 finetune 的工程師」撰寫。涵蓋安裝、架構、實際應用、資安、整合進 NVIDIA Physical AI 全家桶（Cosmos / Nemotron / Isaac Sim）的工作流。

NVlabs/alpamayo 教學手冊：Vision-Language-Action 自動駕駛模型

Tue, 02 Jun 2026 00:00:00 +0000

NVlabs/alpamayo 教學手冊

一份「拿到 repo → 跑出第一條軌跡 → 接入既有 pipeline」全程指引。對應論文：Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail（NVIDIA, 2025）

NVlabs/Nemotron-Labs-Diffusion 詳細教學 — 擴散 LM × Linear 自推測 × DGX Spark serving 完整實作指南

Tue, 02 Jun 2026 00:00:00 +0000

NVlabs/Nemotron-Labs-Diffusion — Tri-Mode 擴散語言模型完整教學

本教學針對 NVlabs/Nemotron-Labs-Diffusion（commit 2026-05-28，stars 32，dual license: Apache-2.0 code + NOML weights）撰寫，為內部知識庫的「擴散 LM 工程化 reference」。

Tutorial: NVIDIA-BioNeMo/bionemo-framework — 完整解讀（biopharma foundation model 訓練引擎，含 ESM-2 / AMPLIFY / Evo2 / Geneformer / CodonFM / MoCo 全套 recipes）

Tue, 02 Jun 2026 00:00:00 +0000

NVIDIA-BioNeMo/bionemo-framework 完整教學

一句話定位：NVIDIA Clara BioPharma 平台的訓練引擎開源層 — GPU 高度最佳化的 recipe 與工具集，把 NVIDIA 在 LLM 上的全套絕活（TransformerEngine FP8/MXFP8/NVFP4 低精度、megatron-FSDP、context parallel、sequence packing、Hopper / Blackwell 架構優化）搬到 biopharma 領域：從 蛋白質（ESM-2 8M→15B、AMPLIFY）、單細胞 RNA（Geneformer）、基因體（Evo2 1B→40B，1M+ nt context）、codon（CodonFM 1B/5B）、生成式小分子（MoCo 系列 interpolant：DDPM/VDM/CFM/D3PM/MDLM/DFM），到通用 LLM（Llama3 144K context、Mixtral MoE、Qwen2.5/3）的 biopharma 適配版。整合 NVIDIA AI 全家桶（Megatron-Bridge / Automodel / TransformerEngine / NIM），是 NVIDIA/BioNeMo Blueprint hub 的底層引擎。

Tutorial: NVIDIA-BioNeMo/bionemo-framework — 完整解讀（biopharma foundation model 訓練引擎，含 ESM-2 / AMPLIFY / Evo2 / Geneformer / CodonFM / MoCo 全套 recipes）

Tue, 02 Jun 2026 00:00:00 +0000

NVIDIA-BioNeMo/bionemo-framework 完整教學

一句話定位：NVIDIA Clara BioPharma 平台的訓練引擎開源層 — GPU 高度最佳化的 recipe 與工具集，把 NVIDIA 在 LLM 上的全套絕活（TransformerEngine FP8/MXFP8/NVFP4 低精度、megatron-FSDP、context parallel、sequence packing、Hopper / Blackwell 架構優化）搬到 biopharma 領域：從 蛋白質（ESM-2 8M→15B、AMPLIFY）、單細胞 RNA（Geneformer）、基因體（Evo2 1B→40B，1M+ nt context）、codon（CodonFM 1B/5B）、生成式小分子（MoCo 系列 interpolant：DDPM/VDM/CFM/D3PM/MDLM/DFM），到通用 LLM（Llama3 144K context、Mixtral MoE、Qwen2.5/3）的 biopharma 適配版。整合 NVIDIA AI 全家桶（Megatron-Bridge / Automodel / TransformerEngine / NIM），是 NVIDIA/BioNeMo Blueprint hub 的底層引擎。

Tutorial: NVIDIA-NeMo/Nemotron — 完整解讀（Nemotron 3 Super/Nano/Ultra/Omni 訓練 recipes、15 個 steps、9 個 cookbook、7 個 use-case、`nemotron-customize` Claude 插件）

Tue, 02 Jun 2026 00:00:00 +0000

NVIDIA Nemotron 完整教學

一句話定位：NVIDIA 官方為 Nemotron 模型家族（Nano / Super / Ultra 三層 + Nano Omni 多模態變體）建的 Developer Asset Hub — 一站式包含 (1) 可重現的訓練 recipes（pretrain → SFT → RL）、(2) 部署 cookbook、(3) RAG / Agent / SQL LoRA / Voice 等完整 use-case、(4) nemotron-customize Claude Code 插件讓自然語言組合 pipeline，整合 NVIDIA AI 全家桶（NeMo-Curator / NeMo-RL / Megatron-Bridge / Automodel / Evaluator / DataDesigner）。

Tutorial: NVIDIA/BioNeMo — BioPharma Developer Asset Hub 完整解讀（生物製藥版 Nemotron：25+ 開源模型 / 10+ NIM 微服務 / 8 個 GPU 函式庫 / 完整藥物開發流程）

Tue, 02 Jun 2026 00:00:00 +0000

NVIDIA BioNeMo（Hub Repo）完整教學

一句話定位：NVIDIA 在 BioPharma 領域的官方 Developer Asset Hub — 不是程式庫、不是模型、不是框架，而是一份集中索引 README，把散落在 NVIDIA-Digital-Bio / NVIDIA/bionemo-framework / clara-parabricks-workflows / NVlabs / build.nvidia.com 的 5 大支柱（資料 / 模型 / 函式庫 / 訓練 / NIM 推論） 串成一條可導覽的入口路徑。

Tutorial: OpenBMB/VoxCPM — Tokenizer-Free Diffusion AR TTS 完整解讀（VoxCPM 2 / 1.5 / 0.5B、Voice Cloning / Design、LoRA 微調、生態系）

Tue, 02 Jun 2026 00:00:00 +0000

VoxCPM 完整教學

一句話定位：OpenBMB（清華大學 NLP / 面壁智能 ModelBest 主導）旗下旗艦 TTS (text-to-speech; 文字轉語音) 開源項目；採 tokenizer-free + diffusion autoregressive 架構、基於 MiniCPM-4 language model + AudioVAE V2 latent space，最新版 VoxCPM 2 以 2B 參數支援 30 種語言、48 kHz 高保真合成、voice design（純文字描述生聲）、voice cloning（參考音複製）、controllable cloning（風格調整）、streaming，Apache-2.0 可商用。

Tutorial: stefan-jansen/machine-learning-for-trading — 24 章完整精讀（ML4T 工作流 / 演算法交易 / 量化研究教材）

Tue, 02 Jun 2026 00:00:00 +0000

Machine Learning for Trading 2nd Edition — 完整教學

一句話定位：Stefan Jansen《Machine Learning for Algorithmic Trading》（ML4T 縮寫；機器學習演算法交易）2nd Edition 一整本書的官方配套程式碼倉庫，含 24 章 / 156 個 Jupyter notebook / 420MB，從原始市場資料一路走到深度強化學習（deep reinforcement learning, DRL；深度強化學習）交易代理人，是該領域 GitHub 上影響力最大的單一教學資產（17.8k stars / 5.2k forks）。

claude-code-slack-channel 完整教學

Mon, 01 Jun 2026 00:00:00 +0000

claude-code-slack-channel 完整教學

把 Claude Code 跟 Slack 雙向接起來，但用「企業級 governance」的方式做：每一個 tool call 都過 policy engine、每一筆決策都進 Ed25519 簽章的 audit journal、五層 prompt-injection 防禦。本教學帶你從 0 到生產級使用。

Tutorial: D4Vinci/Scrapling — 自我調整型 Python 爬蟲框架完整教學

Mon, 01 Jun 2026 00:00:00 +0000

Scrapling 完整教學：從單次 HTTP 請求到 AI agent 爬蟲管線

一份「讀完就能上手 + 進得了管線 + 知道資安邊界」的內部技術手冊。目標讀者：已會 Python，正在評估 Scrapy / Playwright / BeautifulSoup 的替代方案，或要把爬蟲整進 AI agent 的工程師。

Tutorial: D4Vinci/Scrapling — 自我調整型 Python 爬蟲框架完整教學

Mon, 01 Jun 2026 00:00:00 +0000

Scrapling 完整教學：從單次 HTTP 請求到 AI agent 爬蟲管線

一份「讀完就能上手 + 進得了管線 + 知道資安邊界」的內部技術手冊。目標讀者：已會 Python，正在評估 Scrapy / Playwright / BeautifulSoup 的替代方案，或要把爬蟲整進 AI agent 的工程師。

Tutorial: healthymind-tech/Taiwan-Health-MCP — 台灣醫療資料 MCP 伺服器完整教學

Mon, 01 Jun 2026 00:00:00 +0000

Taiwan-Health-MCP 完整教學

把台灣健保 / TFDA / 國際醫療編碼資料一次整合給 LLM agent 用的生產級 MCP 伺服器深度教學。

1. 專案定位

Taiwan-Health-MCP 是一個 Model Context Protocol (MCP) 伺服器，目的是讓 Claude / GPT 等 LLM agent 能透過標準工具呼叫介面，查詢以下台灣與國際醫療健康資料：

Tutorial: healthymind-tech/Taiwan-Health-MCP — 台灣醫療資料 MCP 伺服器完整教學

Mon, 01 Jun 2026 00:00:00 +0000

Taiwan-Health-MCP 完整教學

把台灣健保 / TFDA / 國際醫療編碼資料一次整合給 LLM agent 用的生產級 MCP 伺服器深度教學。

1. 專案定位

Taiwan-Health-MCP 是一個 Model Context Protocol (MCP) 伺服器，目的是讓 Claude / GPT 等 LLM agent 能透過標準工具呼叫介面，查詢以下台灣與國際醫療健康資料：

Tutorial: LocalSend — 跨平台 AirDrop 開源替代品的完整解讀（協定、架構、資安）

Mon, 01 Jun 2026 00:00:00 +0000

LocalSend 完整教學

LocalSend 是一個用 Flutter（UI / 平台整合）+ Rust（core/ 網路核心） 寫的跨平台 P2P 檔案傳輸 app，主打「只用區網、不需網際網路、不需第三方伺服器」的 AirDrop 替代品。 8.2 萬星、Apache-2.0、官方 protocol 文件公開。

Tutorial: pi-dynamic-workflows — Claude-Code-style 動態工作流移植到 Pi 的完整解讀

Mon, 01 Jun 2026 00:00:00 +0000

pi-dynamic-workflows 完整教學

把 Anthropic 在 Claude Code 推出的 dynamic workflows (DWF; 動態工作流) 概念，移植到 earendil-works/pi 編程代理框架。一個 Pi extension，註冊 workflow 工具；主模型寫一段 JavaScript script，工具會在 vm sandbox 沙箱裡跑，期間 fan-out 多個 isolated subagent 並行做事，最後把結果合回。

Tutorial: TraderAlice/OpenAlice — 一人華爾街 AI Trading Agent 完整解析

Mon, 01 Jun 2026 00:00:00 +0000

OpenAlice 完整教學

本文目的：把 OpenAlice 的「為什麼這樣設計」、「該怎麼跑起來」、「能怎麼接進你既有的 AI 工作流」一次講清楚。不是逐行 source walkthrough，重點放在架構、運維、資安、整合面。

Horizon 完整教學

Sat, 30 May 2026 00:00:00 +0000

Horizon 完整教學

把多源新聞（Hacker News / Reddit / Twitter / RSS / GitHub / Telegram / OpenBB）一鍵變成「個人化每日中英雙語簡報」的開源 AI 雷達工具。架在自家機器、用自家的 LLM key，從此不再被資訊洪流追趕。

agent-sprite-forge 詳細教學 — Codex 2D 遊戲資產雙 skill 完整指南

Fri, 29 May 2026 00:00:00 +0000

agent-sprite-forge 詳細教學

Codex-first 2D 遊戲資產 skill：generate2dsprite + generate2dmap，從自然語言到 engine-ready PNG / GIF 的雙 skill 工作流完整剖析。

HyperFrames 完整教學

Fri, 29 May 2026 00:00:00 +0000

HyperFrames 完整教學

一份「HTML 寫到一半，影片就出來了」的開源框架 — 把 Web 標準作為 video composition (影片合成) 的權威介面，並把整個 production loop (製作流程) 設計成 AI agent 也能上手。

MoneyPrinterTurbo 教學手冊（v1.2.8）

Fri, 29 May 2026 00:00:00 +0000

MoneyPrinterTurbo 教學手冊

對應版本：v1.2.8（2026-05-28）適用場景：團隊要評估「能不能用它替代自家短視頻 pipeline」/「能不能 fork 拆出 LLM + TTS + 自動剪輯三個 module 重用」

RedditVideoMakerBot 完整教學 — 從 Reddit 文到 TikTok 短影片的一鍵自動化

Fri, 29 May 2026 00:00:00 +0000

RedditVideoMakerBot 完整教學

對應 repo：elebumm/RedditVideoMakerBot（v3.4.0, GPLv3, ⭐12.3K / 🍴2.88K）對應 metadata：inbox/2026-05-29-github-elebumm-RedditVideoMakerBot.md

Remotion 完整教學

Fri, 29 May 2026 00:00:00 +0000

Remotion 完整教學

「用 React 寫影片」這個流派的標竿與最成熟的實作，把 component composition (元件合成) / state / hook 全部搬進 video timeline (影片時間軸)，再用 Rust-based compositor (合成器) + Lambda / Cloud Run 解掉大型 production (生產) 的渲染瓶頸。

agent-skill-creator — 跨平台 Agent Skill 工廠完整教學

Thu, 28 May 2026 00:00:00 +0000

agent-skill-creator — 跨平台 Agent Skill 工廠完整教學

一句話定位：把任意工作流（描述 / 連結 / code / PDF / 轉錄稿）丟進去，5 分鐘內產出一份「validated + security-scanned + 自帶 install.sh」的跨 14+ 平台 agent skill。

CC Workflow Studio — 視覺化 AI Agent Workflow 編輯器深度教學

Thu, 28 May 2026 00:00:00 +0000

CC Workflow Studio — 視覺化 AI Agent Workflow 編輯器深度教學

把腦中的 multi-agent workflow 拖拉成圖，匯出給 Claude Code / Copilot / Cursor / Codex / Gemini 直接執行。
同一份 workflow.json 同時驅動 VSCode extension、CLI、MCP server — 沒有「VSCode-only」路徑。

Claude-Code-Game-Studios 完整教學

Thu, 28 May 2026 00:00:00 +0000

Claude-Code-Game-Studios 完整教學

一個把 Claude Code 變成「49 名 AI 員工 + 73 個 slash command」的 indie game studio template。

1. 專案定位

1.1 它解決的問題

獨立遊戲開發者用 AI 寫遊戲時，single chat session 沒有結構：

glab 教學：GitLab 官方 CLI 從安裝到日常工作流

Thu, 28 May 2026 00:00:00 +0000

glab 教學：GitLab 官方 CLI 從安裝到日常工作流

內容覆蓋上游 gitlab.com/gitlab-org/cli（kaisenlinux/glab 是 Debian 打包鏡像）。適用 GitLab 16.0+ / GitLab.com / Self-Managed / Dedicated。

Hivemind 深度教學 — Cross-Agent 共享記憶與 Skill 自動沉澱引擎

Thu, 28 May 2026 00:00:00 +0000

Hivemind 深度教學

把 6 種 coding agent（Claude Code / Codex / OpenClaw / Cursor / Hermes / pi）的 session trace 統一捕捉到 Deeplake，背景 worker 自動挖 pattern → 寫 SKILL.md → 跨 agent 注入。在 LoCoMo benchmark 上省 25% cost / 1.7× token / 31% turn。

llm-neuron-atlas 詳細教學 — 3D LLM Neuron Atlas Tutorial

Thu, 28 May 2026 00:00:00 +0000

llm-neuron-atlas 詳細教學

Live demo: https://charenix.com/qwen3b-atlas Repo: https://github.com/norika1207-lab/llm-neuron-atlas 作者: Norika Oda (ORCID 0009-0006-6816-9891) License: MIT

1. 專案定位

llm-neuron-atlas 屬於 mechanistic interpretability (機械式可解釋性) 工具範疇，但與既有工具有結構性的差異：

工具	視角	規模	互動
BertViz	attention 矩陣	單 head / 單層	2D
Neuronpedia	SAE feature dashboard	單 feature	2D 圖卡
Anthropic circuits	手繪電路圖	局部 (~10 nodes)	靜態
llm-neuron-atlas	per-neuron + 全層 + cross-arch	73,728 nodes / 716K edges	3D 即時

核心定位：把整個 transformer 的「神經元城市」(neuron-as-city / weight-as-road) 一次性渲染出來，讓使用者用空間導航的方式探索 LLM 的內部結構。

rekipedia 完整教學 — Codebase 變成 AI-Ready 知識庫

Thu, 28 May 2026 00:00:00 +0000

rekipedia 完整教學 — Codebase 變成 AI-Ready 知識庫

一份「裝起來就能用」的 internal tutorial，給團隊內部準備把 rekipedia 跑進工作流的同事看。目標版本：v0.17.29 (2026-05-28)，MIT License。

SkillOpt 詳細教學 — 訓練 frozen LLM agent 的 natural-language skill

Thu, 28 May 2026 00:00:00 +0000

SkillOpt 詳細教學

一份足以讓團隊評估「能不能整合進我們的 agent pipeline」的精讀教學。對應 paper：arXiv 2605.23904（Yang et al., 2026）

spritefusion-pixel-snapper 詳細教學

Thu, 28 May 2026 00:00:00 +0000

spritefusion-pixel-snapper — 完整教學

把 AI 生成的「不工整 pixel art」對齊到真正的整數 grid，並量化到限定色盤；單檔 870 行 Rust，可同時編譯成 CLI 與 WASM 模組。

1. 專案定位

1.1 一句話定位

Pixel Snapper 是 Sprite Fusion（線上 tilemap editor）團隊釋出的 AI pixel art 後處理工具。它接收一張 AI 生成、解析度通常為 1024×1024 的「看起來像 pixel art 但 pixel 邊界其實亂飄」的圖，輸出一張 pixel 大小一致、grid 對齊、色盤受限的乾淨 sprite。

tw-legal-rag 詳細教學 — Taiwan Legal RAG CLI 從安裝到 bundle 層級引用檢查

Thu, 28 May 2026 00:00:00 +0000

tw-legal-rag 詳細教學 — Taiwan Legal RAG CLI

Open-source CLI for semantic Taiwan legal judgment retrieval。由法律偵探（Dr.Lawbot）建置 22M+ 台灣裁判語義檢索後端 → 開源 CLI 接 retrieval-only endpoint → 打包 bundle 交給你自己的 AI → 對 AI 答案做 bundle 層級引用檢查。

Understand-Anything 深度教學 — 把 codebase 變成互動式 knowledge graph 的 Claude Code plugin

Thu, 28 May 2026 00:00:00 +0000

Understand-Anything — 深度教學

對應 gh-save metadata 報告：inbox/2026-05-28-github-Lum1104-Understand-Anything.md 對應 repo: https://github.com/Lum1104/Understand-Anything（v2.7.3, 42.3k stars, MIT）

Webwright 完整教學 — 把 LLM 當寫程式的 SWE 來操作瀏覽器

Thu, 28 May 2026 00:00:00 +0000

Webwright 完整教學

Microsoft Research 出品的極簡瀏覽器 agent framework — 用 ~1.5k LoC 在 Online-Mind2Web 拿下 86.7% SOTA，在 Odysseys long-horizon benchmark 上比前一 SOTA 高 15.6 點。

1. 專案定位

1.1 一句話

Webwright 不是另一個「點擊機器人」，是「會寫 Playwright 程式的 LLM 工程師」。

map3d 完整教學 — 從 OSM bounding box 到可下載 GLB 的 R3F 工作流

Mon, 25 May 2026 00:00:00 +0000

map3d 完整教學 — 從 OSM bounding box 到可下載 GLB 的 R3F 工作流

本文件是 cartesiancs/map3d 的深度技術教學，配對的 gh-save 報告請見 2026-05-25-github-cartesiancs-map3d.md。

建議閱讀順序：先讀本檔 §1–§2 建立心智模型，再依需求跳讀 §3（架構）/ §4（工作流細節）/ §6（資安）。

ReClip 完整教學 — Self-Hosted 影音下載器（Flask + yt-dlp）

Mon, 25 May 2026 00:00:00 +0000

ReClip 完整教學 — Self-Hosted 影音下載器（Flask + yt-dlp）

把 yt-dlp 的全部能力包成「貼 URL → 下載 MP4 / MP3」的網頁介面，後端 ~170 行 Python，零前端 framework。

Reversa — 詳細教學與資安審查

Mon, 25 May 2026 00:00:00 +0000

Reversa — 詳細教學與資安審查

Reversa 是把「legacy system (傳統系統)」變成「executable specifications (可執行規格)」的逆向工程框架。本教學帶你從零理解、安裝、實際跑一輪、評估資安、整合進現有工作流。

Stirling-PDF 深度導讀 — Self-Hosted PDF 平台的架構、部署與資安審查

Mon, 25 May 2026 00:00:00 +0000

Stirling-PDF 深度導讀

把一支 GitHub 上 79K stars 的開源專案，從定位到資安一次講完。適合：想為團隊 / 客戶導入 self-hosted PDF 處理平台的工程師、IT 與資安人員。

1. 專案定位

Stirling-PDF 在 PDF 工具光譜上的座標：

jo-inc/camofox-browser 詳細教學

Sat, 23 May 2026 00:00:00 +0000

jo-inc/camofox-browser 詳細教學

對 jo-inc/camofox-browser 從「定位」→「跑起來」→「整合進 AI agent」的完整 onboarding。補充 inbox/2026-05-23-github-jo-inc-camofox-browser.md（gh-save metadata），請搭配閱讀。

web-infra-dev/midscene 詳細教學

Sat, 23 May 2026 00:00:00 +0000

web-infra-dev/midscene 詳細教學

對 web-infra-dev/midscene 從「定位」→「跑起來」→「整合進產品」的完整 onboarding。補充 inbox/2026-05-23-github-web-infra-dev-midscene.md（gh-save metadata），請搭配閱讀。

30-seconds-of-code 詳細教學 — Curated Snippet Site：內容資產、Astro Pipeline、寫作 SOP 三層解析

Fri, 22 May 2026 00:00:00 +0000

30-seconds-of-code 詳細教學

§1 定位

30-seconds-of-code (30soc) 是 Angelos Chalaris 自 2017 年起獨自維護的 curated coding snippets 教學站。三句話說清楚它是什麼、不是什麼：

是：每篇「30 秒讀完」的短文 + code block + 解釋，分 JavaScript / CSS / Python / React / Git / HTML 六大類，由單一作者把關品質
不是：cheatsheet（沒有解釋）、不是社群 wiki（PR 只收 bug 不收新內容）、不是教材（沒有循序漸進的學習路徑）
128k stars / 12.5k forks / CC-BY-4.0 內容授權 — 是「solo-maintainer 高品質知識站」的代表

兩條使用線：

AAIF goose 詳細教學 — Rust 原生 AI agent（desktop + CLI + server + 30 provider + 70 MCP extension）

Fri, 22 May 2026 00:00:00 +0000

AAIF goose 詳細教學

對應 repo: https://github.com/aaif-goose/goose（45.6k stars / 4.7k forks / v1.34.1 stable / Apache-2.0，截至 2026-05-22）

1. 專案定位

1.1 它是什麼

goose 是 AAIF (Agentic AI Foundation, Linux Foundation) 治理的 Rust 原生通用 AI agent。三種形態：

Aider-AI aider 完整教學 — 16 種 Coder / repo map / architect mode 的 terminal AI 結對程式設計

Fri, 22 May 2026 00:00:00 +0000

Aider-AI aider 完整教學

對應 gh-save：inbox/2026-05-22-github-Aider-AI-aider.md 來源 repo：https://github.com/Aider-AI/aider (45.1k stars / Apache-2.0) 版本基準：v0.86.0 (2025-08-09) + main HEAD 6435cb8 (2026-05-16)

build-your-own-x 深度教學手冊

Fri, 22 May 2026 00:00:00 +0000

build-your-own-x 深度教學手冊

從零實作世界知名系統的權威 curated list —— 50 萬 stars 的學習路徑入口。

§1. 定位與一句話介紹

codecrafters-io/build-your-own-x 是一份高品質、社群維護的 awesome-list 風格教程索引，主題明確：「親手從零實作一個你每天在用的技術」。它不是框架、不是工具，而是一份「學習路徑地圖」—— 把散落在 blog post、GitHub repo、線上書籍、YouTube playlist 中的「step-by-step from scratch」教學依技術類別整理成 30+ 大類，共數百個外部教程連結。

ChatGPT 提問助手詳細教學（重點：快速樣板使用全攻略）

Fri, 22 May 2026 00:00:00 +0000

ChatGPT 提問助手詳細教學

把「跟 LLM 對話」從「每次都要打整段提問」升級成「點兩下按鈕填欄位就送出」。本教學特別詳述「快速樣板」的三種形態與參數語法。

Codeman 詳細教學 — Claude Code / OpenCode 跨 tmux session 的 Web 控制面（含 respawn / ralph-loop / 遠端存取）

Fri, 22 May 2026 00:00:00 +0000

Codeman 詳細教學

對應 repo: https://github.com/Ark0N/Codeman（402 stars / 49 forks / v0.6.11 / MIT / 4 個月生命週期，截至 2026-05-22）

1. 專案定位

1.1 它是什麼

arkon 開源的 Claude Code + OpenCode control plane — 一個 Web 控制面板，把 N 個 tmux session 內跑的 AI coding agent 統一管理：

CRISPE Prompt Template 與安全加強版 Prompt Generator 完整教學

Fri, 22 May 2026 00:00:00 +0000

本文件整理本次對話中所有核心討論、範例、模板語法、CRISPE 提示詞設計邏輯、React 網頁產生器、資訊安全檢查與安全加強版完整程式碼。
適用對象：想建立可長期使用的 ChatGPT Prompt Template、Prompt Generator、CRISPE 教學工具，或內部安全版提示詞產生器的使用者。

github/gitignore 詳細教學 — 從模板選擇到多語言組合的完整指南

Fri, 22 May 2026 00:00:00 +0000

github/gitignore 詳細教學

物件：github/gitignore — GitHub 官方維護的 .gitignore 模板倉庫規模：174k stars / 82k forks / 312 個 .gitignore 模板 / CC0-1.0 公共領域適用對象：所有用 git 的工程師（不分語言）

huggingface/transformers — 完整教學（架構、應用、資安）

Fri, 22 May 2026 00:00:00 +0000

huggingface/transformers — 完整教學

本文針對的版本：v5.9.0（2026-05-20），主分支 main；以高層架構與實務應用為主，不深入模型實作細節。

1. 專案定位

Hugging Face Transformers 是當前 AI 生態系最重要的 model-definition framework (模型定義框架)，定位上扮演三個角色：

Maigret 完整教學（繁中台灣用語）

Fri, 22 May 2026 00:00:00 +0000

Maigret 完整教學（繁中台灣用語）

⚠️ 必讀首節：本工具為 OSINT (Open-Source Intelligence; 開源情資) recon (reconnaissance; 偵察) 用途，屬於 dual-use security tool (雙用安全工具)。教學內容僅供 defensive security (防禦性資安)、授權滲透測試、自我足跡盤點與資安教育。任何用於 stalking (跟騷)、騷擾、人肉搜索、未授權競業情報、未成年人身分聚合的行為，皆違反工具使用條款與當地法律（GDPR、台灣個資法、美國 CFAA 等）。讀者使用本教學進行任何測試前，必須先取得書面授權或限定範圍為自己 / 公開虛構帳號。

mem0ai/mem0 詳細教學 — Universal Memory Layer for AI Agents

Fri, 22 May 2026 00:00:00 +0000

mem0ai/mem0 詳細教學

把 mem0 從「給 AI 加記憶」這句口號，拆成可實作、可評估、可資安審查的工程文件。

1. 專案定位（Project Positioning）

1.1 解決什麼問題

大型語言模型 (LLM; Large Language Model) 在單次 context window 內非常聰明，但跨 session 之間沒有狀態。每次對話結束，使用者所有偏好、之前的決定、實體關係都會消失。傳統解法有兩種：

NVLabs/Sana 詳細教學

Fri, 22 May 2026 00:00:00 +0000

NVLabs/Sana 詳細教學

對 NVlabs/Sana 從「定位」到「跑起來」到「整合進其他工作流」的完整 onboarding。補充 inbox/2026-05-22-github-NVlabs-Sana.md（gh-save metadata），請搭配閱讀。

open-slide 詳細教學 — Agent-native React 簡報框架完整解析

Fri, 22 May 2026 00:00:00 +0000

open-slide 詳細教學

對應 repo: https://github.com/1weiho/open-slide（3.5k stars / 248 forks / @open-slide/core@1.6.0，截至 2026-05-22）

1. 專案定位

1.1 它是什麼

1weiho (Yiwei Ho) 開源的 agent-native React 簡報框架。核心理念：「slides are visual code, agents are great at writing code; the missing runtime turns ‘make slides about X’ into a polished deck」。一行 npx @open-slide/cli init scaffold workspace，餘下交給 agent + 內建 5 個 skill。

PozzettiAndrea/ComfyUI-LiTo 詳細教學 — 把 Apple LiTo 變成 ComfyUI 一鍵 image-to-3D

Fri, 22 May 2026 00:00:00 +0000

ComfyUI-LiTo 詳細教學

一張圖 → 524K 個 3D Gaussian Splats，4.7 秒（H100）。把 Apple ICLR 2026 的研究模型包成 ComfyUI 可拖拉的 5 個 node。

1. 專案定位（Project Positioning）

1.1 解決什麼問題

傳統 image-to-3D 流程多步驟、容易斷鏈：

Stable Diffusion WebUI (A1111) 詳細教學

Fri, 22 May 2026 00:00:00 +0000

Stable Diffusion WebUI (A1111) 詳細教學

§1. 專案定位與適用情境

stable-diffusion-webui (常稱 A1111 / WebUI) 是 stable diffusion (SD; 穩定擴散) 模型的本地圖形化操作介面，以 gradio (Gradio; 一個快速 web UI 框架) 為前端、PyTorch 為後端推論引擎。

tech-interview-handbook 詳細教學（11 章節繁中）

Fri, 22 May 2026 00:00:00 +0000

tech-interview-handbook 詳細教學

「不是 library，是一本書」——本教學文件帶你把這個 139k stars 的內容型 repo，當成一份可規劃、可追蹤、可整合的「個人面試準備工作系統」。

Ruflo 詳細教學

本教學對應 repo commit 6d50dd8（2026-05-20，v3.7.0-alpha.72），最後驗證日 2026-05-21。 涵蓋專案定位、安裝（雙路設計）、核心架構、CLI 詳細用法、應用場景、資安、FAQ、進階技巧、整合 9 個章節，重點放在「33 個 plugin 工程模式 + lite/full 雙路安裝設計」。

text-to-cad / CAD Skills 詳細教學 — 自然語言 → build123d → STEP / URDF / SDF 的 agent skill 集

Thu, 21 May 2026 00:00:00 +0000

text-to-cad 詳細教學

對應 repo: https://github.com/earthtojake/text-to-cad（3.7k stars / 428 forks / MIT，截至 2026-05-21）

1. 專案定位

1.1 它是什麼

earthtojake (Jake Brukhman) 開源的 7 個跨 agent CAD skill 集合，把 coding agent（Claude Code / Codex / Cursor）變成 CAD 工程師：

Anthropic Financial Services 詳細教學 — Cowork / Claude Code plugins + Managed Agents

Wed, 20 May 2026 00:00:00 +0000

Anthropic Financial Services 詳細教學

本教學對應 repo commit 3edda1c (2026-05-19)，最後驗證日 2026-05-20。 涵蓋專案定位、安裝、核心架構（“one source, two wrappers”）、scripts CLI、應用場景、資安、FAQ、進階技巧、整合 9 個章節，重點放在「可移植到其他領域的 plugin 工程模式」。

daily_stock_analysis 詳細教學 — LLM 股票分析全棧系統

Wed, 20 May 2026 00:00:00 +0000

daily_stock_analysis (DSA) 詳細教學

本教學對應 repo commit 8be6546 (2026-05-20, v3.17.1 之後)，最後驗證日 2026-05-20。 涵蓋專案定位、安裝（4 種方案）、核心架構、CLI 詳細用法、應用場景、資安、FAQ、進階技巧、整合 9 個章節，重點是「多供應商抽象 + GitHub Actions 排程 + 多通道通知」三個可移植 pattern。

GenCAD 詳細教學 — 影像條件 CAD 生成（TMLR 2025）

Wed, 20 May 2026 00:00:00 +0000

GenCAD 詳細教學

本教學對應 repo commit f5484cf (2025-07-14)，最後驗證日 2026-05-20。 涵蓋專案定位、安裝、核心架構、CLI 詳細用法、應用情境、資安掃描、FAQ、進階技巧、整合建議共 11 個章節。

paper-qa 詳細教學 — Agentic RAG for Scientific Literature

Wed, 20 May 2026 00:00:00 +0000

paper-qa 詳細教學 — Agentic RAG for Scientific Literature

⚠️ 資安警示（讀者必看）：本專案最新 OPEN issue #1325 揭露「pickle 反序列化遠端程式碼執行」風險。永遠不要載入第三方分享、來路不明、或從網路下載的 pre-built pqa index；index 是含 zlib-compressed pickle 的目錄，攻擊者可放毒。詳見 §6。

paper-qa 詳細教學 — Agentic RAG for Scientific Literature

Wed, 20 May 2026 00:00:00 +0000

paper-qa 詳細教學 — Agentic RAG for Scientific Literature

⚠️ 資安警示（讀者必看）：本專案最新 OPEN issue #1325 揭露「pickle 反序列化遠端程式碼執行」風險。永遠不要載入第三方分享、來路不明、或從網路下載的 pre-built pqa index；index 是含 zlib-compressed pickle 的目錄，攻擊者可放毒。詳見 §6。

RTK (Rust Token Killer) 完整教學 — Claude Code / Copilot / Cursor 的 token 殺手

Wed, 20 May 2026 00:00:00 +0000

RTK (Rust Token Killer) 完整教學

一句話：在 LLM agent 跑 shell 命令前先過濾、分群、去重、截斷輸出，把 token 消耗砍 60–90%。

1. 專案定位

RTK (Rust Token Killer; Rust token 殺手) 是 Rust 寫的 CLI proxy，定位是「AI agent 與 shell 之間的壓縮層」。和其他類似工具比較：

SwiftClip 詳細教學 — Remotion 影片模板 + Claude/Codex Plugin

Wed, 20 May 2026 00:00:00 +0000

SwiftClip 詳細教學

本教學對應 repo commit 1ab3903 (2026-05-11)，最後驗證日 2026-05-20。 涵蓋專案定位、安裝、核心架構、CLI 詳細用法、應用情境、資安、FAQ、進階技巧、整合建議共 11 章。

CLIProxyAPI 完整教學 — 把 CLI 訂閱配額變成 OpenAI 相容 API（含 koc 灰色市場深度討論）

Tue, 19 May 2026 00:00:00 +0000

CLIProxyAPI 完整教學

一個 Go proxy，把你買的 Claude Pro / ChatGPT Plus / Gemini Pro CLI 訂閱重新打包成 OpenAI 相容 API。同時也是 「中國地下 API 中轉站經濟」（koc.com.tw 2026-05-18 報導）的關鍵元件 — 這份教學會把技術與爭議同時講清楚。

RFdiffusion 完整教學 — 從零開始用擴散模型設計蛋白質

Tue, 19 May 2026 00:00:00 +0000

RFdiffusion 完整教學

把 protein design (蛋白質設計; PD) 從「修改既有結構」推進到「從噪音開始 generate 全新功能蛋白質」。這份教學涵蓋：原理、安裝、6 種主要 design task、實際 contig 寫法、資安考量、與 ProteinMPNN + AlphaFold pipeline 整合。

academic-research-skills (ARS) 完整教學 — Claude Code 學術全流程 plugin

Mon, 18 May 2026 00:00:00 +0000

Academic Research Skills (ARS) 完整教學

一個 plugin，把學術研究從「找文獻」到「投稿、修審回覆」全部包進 Claude Code。設計哲學：AI 是副駕，不是駕駛。LLM 結構性缺陷（frame-lock / sycophancy / intent misdetection）由 mandatory integrity gate 強制管控。

agent-skills 完整教學 — 安全可信的 AI Agent Skill 註冊中心

Mon, 18 May 2026 00:00:00 +0000

agent-skills 完整教學

一份不浪費你時間的 quick reference + 深度解析。適合：想知道「能不能用」、「怎麼用」、「會不會中招」三件事的工程師。

1. 專案定位

1.1 一句話介紹

agent-skills 是一個 可信任的 AI agent skill (技能) 註冊中心 — 你可以把它想成 AI coding agent 版的 npm registry，但每個 skill 都經過資安掃描、人工審核與內容雜湊鎖定 (content hashing lockfile)。

Articraft 完整教學 — Agentic 系統做 articulated 3D asset 生成

Mon, 18 May 2026 00:00:00 +0000

Articraft 完整教學 — Agentic 系統做 articulated 3D asset 生成

⚠️ 重要資安提醒：Articraft 會把 LLM 生成的 model.py 當 Python 程式碼直接執行（local compile + probe + viewer materialization）。絕對不要直接跑來源不明的 record / 對抗性 prompt 生成的 record。建議用 disposable VM / Docker container / 雲端隔離環境。詳見第 6 節。

awesome-design-md 完整教學 — 用 DESIGN.md 讓 AI agent 生出對的 UI

Mon, 18 May 2026 00:00:00 +0000

awesome-design-md 完整教學 — 用 DESIGN.md 讓 AI agent 生出對的 UI

📁 對應 metadata 報告：2026-05-18-github-VoltAgent-awesome-design-md.md 🌐 對應 HTML：projects/awesome-design-md/quarkdown-out/02-tutorial/index.html

broadinstitute/depmap_omics 完整教學指南

Mon, 18 May 2026 00:00:00 +0000

broadinstitute/depmap_omics 完整教學指南

一句話定位：depmap_omics 是 Broad Institute 維護的官方 DepMap 季度資料生產 pipeline。每季把 CCLE 細胞株的 WGS/WES/RNAseq raw data，透過 Terra cloud workflows 處理成 DepMap portal 對外發佈的標準矩陣（CN、Mutation、Expression、Fusion、Dependency）。

cell2sentence (C2S / C2S-Scale) 完整教學

Mon, 18 May 2026 00:00:00 +0000

cell2sentence (C2S / C2S-Scale) — 完整教學

把單細胞 RNA-seq 表達矩陣轉成 LLM 看得懂的「cell sentence (細胞句子)」，用大型語言模型做 cell type prediction (細胞類型預測)、cell generation (細胞生成)、perturbation response prediction (擾動反應預測) 等任務。

celltype-agent 完整教學指南

Mon, 18 May 2026 00:00:00 +0000

celltype-agent 完整教學指南

一句話定位：celltype-agent（CLI：ct）是藥物探索版的 AI coding agent——輸入自然語言問題，AI 自動規劃並呼叫 190+ 計算生物學工具，輸出完整研究報告。

fireworks-tech-graph 詳細安裝與使用教學（含資安掃描報告）

Mon, 18 May 2026 00:00:00 +0000

fireworks-tech-graph 詳細安裝與使用教學

本文件 deep-dive 整理 yizhiyanhua-ai/fireworks-tech-graph 的安裝、設定、API 使用、應用情境，並附上對所有 scripts/ 與 SKILL.md 的資安審查結果。閱讀對象：想把這個 skill 納入個人 / 團隊 Claude Code 工作流的開發者。

img-hosting 完整教學 — Cloudflare 全家桶私人圖床（含 Claude Code skill）

Mon, 18 May 2026 00:00:00 +0000

img-hosting 完整教學

用一個 Worker、一顆 API_KEY、Cloudflare R2 + D1 + Access 做一個只有自己能寫、任何人能讀的 Imgur-shaped 圖床。多送你：bash CLI 跟 Claude Code skill 各一份。

last30days-skill 完整教學 — 跨 13+ 平台社群研究 AI agent skill

Mon, 18 May 2026 00:00:00 +0000

⚠️ 使用前先理解信任邊界：本 skill 的價值就在於「打通 walled garden」。為了打通，它會 (a) 讀取你瀏覽器的 X / Twitter cookie、(b) 接受多個第三方 API key (ScrapeCreators / OpenRouter / Brave / 等)、(c) 透過內嵌 JS 客戶端對 X 做未授權的 API 呼叫（X TOS 灰色地帶）。本教學第 6 章會詳細說明每個信任面。

mattpocock/skills 完整教學

Mon, 18 May 2026 00:00:00 +0000

mattpocock/skills 完整教學

89,000+ 星的 AI 工程技能套件，把軟體工程實務轉化成可重複執行的 slash commands。

1. 專案定位

這個套件是什麼？

mattpocock/skills 是 Matt Pocock（Total TypeScript 作者）開源的 Claude Code skill 集合。與 GSD、BMAD、Spec-Kit 等「接管整個流程」的方案不同，這套 skills 刻意保持：

nuclei 完整教學 — YAML-based 漏洞掃描器從零到上線

Mon, 18 May 2026 00:00:00 +0000

⚠️ 使用授權警示：nuclei 是主動式漏洞掃描器，會對目標發送可能觸發漏洞的請求。未經書面授權對他人系統執行掃描，在許多司法管轄區屬於違法行為（台灣：刑法 §358 / §359；美國：CFAA；歐盟：CDA / NIS2）。本教學僅用於：(a) 你擁有的系統，(b) 你以書面合約被授權測試的系統，(c) 公開 Bug Bounty Program 範圍內的標的。

NVIDIA VSS Blueprint 完整教學 — Video Search and Summarization (v3.1.0)

Mon, 18 May 2026 00:00:00 +0000

NVIDIA VSS Blueprint 完整教學 — Video Search and Summarization (v3.1.0)

本教學以 2026-05-15 main 分支快照 為基礎，搭配 v3.1.0 release 對照撰寫。對應的 metadata 報告：2026-05-17-github-NVIDIA-AI-Blueprints-video-search-and-summarization.md 對應的 quarkdown HTML：projects/video-search-and-summarization/quarkdown-out/02-tutorial/index.html

OpenHuman 詳細安裝與使用教學（含資安掃描報告）

Mon, 18 May 2026 00:00:00 +0000

OpenHuman 詳細安裝與使用教學

本文件 deep-dive 整理 tinyhumansai/openhuman 的安裝、設定、核心架構、應用情境，並附上對 scripts/ 與 install pipeline 的資安審查結果。閱讀對象：想把 OpenHuman 納入個人 / 團隊日常工作流的開發者與 power user。

PyRAG 完整教學 — 把多跳 RAG 當 Python 程式來執行

Mon, 18 May 2026 00:00:00 +0000

⚠️ 重要警示：PyRAG 的核心機制是用 exec() 執行 LLM 產生的 Python code。研究 / lab 環境完全可用，但任何 non-research 部署必須先沙箱化 — README 作者已主動聲明，本教學會在 §6 詳細說明風險與緩解。

supervision 完整教學 — Roboflow 開源 Computer Vision 工具集從零到上線

Mon, 18 May 2026 00:00:00 +0000

supervision 完整教學

30 分鐘從安裝到能寫出「車流計數 / 區域進出告警 / 速度估計」這類 production 級 CV pipeline。

1. 專案定位

1.1 一句話總結

supervision 是 Roboflow 開源的 model-agnostic computer vision toolkit。把任何 detection / segmentation / classification model 的輸出 標準化 成統一資料結構（sv.Detections / sv.KeyPoints / sv.Classifications），然後用一套乾淨 API 做視覺化、ROI 計數、速度估算、tracking、dataset 轉換、metric 計算。

taiwan-legal-plugin 完整教學 — Claude Code 內查台灣裁判書與法規

Mon, 18 May 2026 00:00:00 +0000

taiwan-legal-plugin 完整教學

把 Claude Code 變成「會查台灣裁判書與法規」的法律助理 — 安裝、使用、設計理念、資安審查全套說明。

1. 專案定位

1.1 一句話總結

taiwan-legal-plugin 是一個 Claude Code plugin marketplace，讓 Claude 直接在 IDE / chat 中查詢三個台灣公開法律資料來源：裁判書、法規、（v0.2 預計）憲法法庭釋字。

ClusterProfiler 分析教學：從差異基因表現到功能富集分析

Mon, 30 Jun 2025 00:00:00 +0000

前言

這份文件是一個完整的生物資訊分析流程教學，主要目標是利用 Seurat 套件進行差異基因表現 (Differentially Expressed Genes, DEGs) 分析，並接著使用 clusterProfiler 套件對找出的差異基因進行基因功能富集分析 (Gene Ontology, GO)。

給阿公阿嬤的寶寶手冊：我們家小寶貝的一天 (八個月)

Sat, 28 Jun 2025 00:00:00 +0000

前言

親愛的爸爸媽媽：

想跟你們分享一下我們家小寶貝（目前已經 8 個月又 2 天 大囉！）現在每天的作息和一些成長小紀錄。知道你們很關心他，所以整理了這份簡單的「育嬰日誌」，讓你們隨時都能知道小傢伙過得怎麼樣，也讓我們能一起記錄他成長的每一刻！

微陣列數據(Microarray)分析教學

Fri, 27 Jun 2025 00:00:00 +0000

前言

本教學文件旨在詳細解說一份用於分析人類間質幹細胞 (Mesenchymal Stem Cells, MSCs) 在 2D 與 3D 培養環境下基因表現差異的 R 腳本。我們將使用 Affymetrix HTA 2.0 微陣列平台的數據，並透過一系列生物資訊學工具，從原始數據讀取、標準化、註解，到最終的數據可視化，一步步完成整個分析流程。

Seurat PBMC3K tutorial

Thu, 26 Jun 2025 00:00:00 +0000

教學來源

https://satijalab.org/seurat/articles/pbmc3k_tutorial

本教學以 PBMC3K 資料為例，介紹 Seurat 進行單細胞 RNA 分析的完整流程。

1. 建立 Seurat 物件

 1# 清除環境變數，避免影響後續分析
 2rm(list = ls(all = TRUE))
 3
 4# 載入必要套件
 5library(dplyr)
 6## 
 7## Attaching package: 'dplyr'
 8## The following objects are masked from 'package:stats':
 9## 
10##     filter, lag
11## The following objects are masked from 'package:base':
12## 
13##     intersect, setdiff, setequal, union
14library(Seurat)
15## Loading required package: SeuratObject
16## Warning: package 'SeuratObject' was built under R version 4.4.3
17## Loading required package: sp
18## Warning: package 'sp' was built under R version 4.4.2
19## 
20## Attaching package: 'SeuratObject'
21## The following objects are masked from 'package:base':
22## 
23##     intersect, t
24library(patchwork)
25## Warning: package 'patchwork' was built under R version 4.4.3
26library(ggplot2)
27## Warning: package 'ggplot2' was built under R version 4.4.3
28
29# 設定資料目錄並載入 10X 格式的資料
30setwd("C:/Users/TPOW31714/Desktop/20250224 Human microarray for CY_add cell/4. RDS/filtered_gene_bc_matrices/hg19/")
31data_dir <- "C:/Users/TPOW31714/Desktop/20250224 Human microarray for CY_add cell/4. RDS/filtered_gene_bc_matrices/hg19/"
32pbmc.data <- Read10X(data.dir = data_dir)
33
34# 建立 Seurat 物件，並過濾掉少於 200 個基因表現或出現在少於 3 個細胞的基因
35pbmc <- CreateSeuratObject(counts = pbmc.data, project = "pbmc3k", min.cells = 3, min.features = 200)
36## Warning: Feature names cannot have underscores ('_'), replacing with dashes
37## ('-')
38
39# 可選：轉換原始 count 矩陣與 metadata 為 data.frame 形式
40X1 <- pbmc@assays[["RNA"]]@layers[["counts"]] %>% as.data.frame()
41X2 <- pbmc@meta.data

2. 品質控制與細胞篩選

 1# 計算每個細胞的粒線體基因比例 (以 MT- 開頭的基因表示)
 2pbmc[["percent.mt"]] <- PercentageFeatureSet(pbmc, pattern = "^MT-")
 3
 4# 使用 VlnPlot 觀察 nFeature、nCount 與 percent.mt 分布
 5VlnPlot(pbmc, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3)
 6## Warning: Default search for "data" layer in "RNA" assay yielded no results;
 7## utilizing "counts" layer instead.
 8## Warning: The `slot` argument of `FetchData()` is deprecated as of SeuratObject 5.0.0.
 9## ℹ Please use the `layer` argument instead.
10## ℹ The deprecated feature was likely used in the Seurat package.
11##   Please report the issue at .
12## This warning is displayed once every 8 hours.
13## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
14## generated.
15## Warning: `PackageCheck()` was deprecated in SeuratObject 5.0.0.
16## ℹ Please use `rlang::check_installed()` instead.
17## ℹ The deprecated feature was likely used in the Seurat package.
18##   Please report the issue at .
19## This warning is displayed once every 8 hours.
20## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
21## generated.

1
2# 使用 FeatureScatter 檢查 feature 之間的相關性
3plot1 <- FeatureScatter(pbmc, feature1 = "nCount_RNA", feature2 = "percent.mt")
4plot2 <- FeatureScatter(pbmc, feature1 = "nCount_RNA", feature2 = "nFeature_RNA")
5plot1 + plot2

1
2# 篩選細胞：去除少於 200 或大於 2500 基因表現 & 粒線體比例 > 5% 的細胞
3pbmc <- subset(pbmc, subset = nFeature_RNA > 200 & nFeature_RNA < 2500 & percent.mt < 5)

3. 正規化資料

1# 將每個細胞表現值進行 LogNormalize
2pbmc <- NormalizeData(pbmc, normalization.method = "LogNormalize", scale.factor = 10000)
3## Normalizing layer: counts
4
5# 轉出正規化後的資料矩陣
6X3 <- pbmc@assays[["RNA"]]@layers[["data"]] %>% as.data.frame()

4. 高變異基因篩選

 1# 尋找 2000 個高變異基因 (用於 PCA 分析)
 2pbmc <- FindVariableFeatures(pbmc, selection.method = "vst", nfeatures = 2000)
 3## Finding variable features for layer counts
 4
 5# 顯示最變異的前 10 個基因
 6top10 <- head(VariableFeatures(pbmc), 10)
 7plot1 <- VariableFeaturePlot(pbmc)
 8plot2 <- LabelPoints(plot = plot1, points = top10, repel = TRUE)
 9## When using repel, set xnudge and ynudge to 0 for optimal results
10plot1 + plot2
11## Warning in scale_x_log10(): log-10 transformation introduced infinite values.
12## log-10 transformation introduced infinite values.

5. 資料標準化（scaling）

1# 對所有基因進行中心化與標準差轉換
2all.genes <- rownames(pbmc)
3pbmc <- ScaleData(pbmc, features = all.genes)
4## Centering and scaling data matrix

6. PCA 降維分析

 1# 使用高變異基因進行 PCA
 2pbmc <- RunPCA(pbmc, features = VariableFeatures(object = pbmc))
 3## PC_ 1 
 4## Positive:  CST3, TYROBP, LST1, AIF1, FTL, FTH1, LYZ, FCN1, S100A9, TYMP 
 5## 	   FCER1G, CFD, LGALS1, S100A8, CTSS, LGALS2, SERPINA1, IFITM3, SPI1, CFP 
 6## 	   PSAP, IFI30, SAT1, COTL1, S100A11, NPC2, GRN, LGALS3, GSTP1, PYCARD 
 7## Negative:  MALAT1, LTB, IL32, IL7R, CD2, B2M, ACAP1, CD27, STK17A, CTSW 
 8## 	   CD247, GIMAP5, AQP3, CCL5, SELL, TRAF3IP3, GZMA, MAL, CST7, ITM2A 
 9## 	   MYC, GIMAP7, HOPX, BEX2, LDLRAP1, GZMK, ETS1, ZAP70, TNFAIP8, RIC3 
10## PC_ 2 
11## Positive:  CD79A, MS4A1, TCL1A, HLA-DQA1, HLA-DQB1, HLA-DRA, LINC00926, CD79B, HLA-DRB1, CD74 
12## 	   HLA-DMA, HLA-DPB1, HLA-DQA2, CD37, HLA-DRB5, HLA-DMB, HLA-DPA1, FCRLA, HVCN1, LTB 
13## 	   BLNK, P2RX5, IGLL5, IRF8, SWAP70, ARHGAP24, FCGR2B, SMIM14, PPP1R14A, C16orf74 
14## Negative:  NKG7, PRF1, CST7, GZMB, GZMA, FGFBP2, CTSW, GNLY, B2M, SPON2 
15## 	   CCL4, GZMH, FCGR3A, CCL5, CD247, XCL2, CLIC3, AKR1C3, SRGN, HOPX 
16## 	   TTC38, APMAP, CTSC, S100A4, IGFBP7, ANXA1, ID2, IL32, XCL1, RHOC 
17## PC_ 3 
18## Positive:  HLA-DQA1, CD79A, CD79B, HLA-DQB1, HLA-DPB1, HLA-DPA1, CD74, MS4A1, HLA-DRB1, HLA-DRA 
19## 	   HLA-DRB5, HLA-DQA2, TCL1A, LINC00926, HLA-DMB, HLA-DMA, CD37, HVCN1, FCRLA, IRF8 
20## 	   PLAC8, BLNK, MALAT1, SMIM14, PLD4, P2RX5, IGLL5, LAT2, SWAP70, FCGR2B 
21## Negative:  PPBP, PF4, SDPR, SPARC, GNG11, NRGN, GP9, RGS18, TUBB1, CLU 
22## 	   HIST1H2AC, AP001189.4, ITGA2B, CD9, TMEM40, PTCRA, CA2, ACRBP, MMD, TREML1 
23## 	   NGFRAP1, F13A1, SEPT5, RUFY1, TSC22D1, MPP1, CMTM5, RP11-367G6.3, MYL9, GP1BA 
24## PC_ 4 
25## Positive:  HLA-DQA1, CD79B, CD79A, MS4A1, HLA-DQB1, CD74, HIST1H2AC, HLA-DPB1, PF4, SDPR 
26## 	   TCL1A, HLA-DRB1, HLA-DPA1, HLA-DQA2, PPBP, HLA-DRA, LINC00926, GNG11, SPARC, HLA-DRB5 
27## 	   GP9, AP001189.4, CA2, PTCRA, CD9, NRGN, RGS18, CLU, TUBB1, GZMB 
28## Negative:  VIM, IL7R, S100A6, IL32, S100A8, S100A4, GIMAP7, S100A10, S100A9, MAL 
29## 	   AQP3, CD2, CD14, FYB, LGALS2, GIMAP4, ANXA1, CD27, FCN1, RBP7 
30## 	   LYZ, S100A11, GIMAP5, MS4A6A, S100A12, FOLR3, TRABD2A, AIF1, IL8, IFI6 
31## PC_ 5 
32## Positive:  GZMB, NKG7, S100A8, FGFBP2, GNLY, CCL4, CST7, PRF1, GZMA, SPON2 
33## 	   GZMH, S100A9, LGALS2, CCL3, CTSW, XCL2, CD14, CLIC3, S100A12, RBP7 
34## 	   CCL5, MS4A6A, GSTP1, FOLR3, IGFBP7, TYROBP, TTC38, AKR1C3, XCL1, HOPX 
35## Negative:  LTB, IL7R, CKB, VIM, MS4A7, AQP3, CYTIP, RP11-290F20.3, SIGLEC10, HMOX1 
36## 	   LILRB2, PTGES3, MAL, CD27, HN1, CD2, GDI2, CORO1B, ANXA5, TUBA1B 
37## 	   FAM110A, ATP1A1, TRADD, PPA1, CCDC109B, ABRACL, CTD-2006K23.1, WARS, VMO1, FYB
38
39# 輸出 PCA 結果，檢視前 5 個主成分
40print(pbmc[["pca"]], dims = 1:5, nfeatures = 5)
41## PC_ 1 
42## Positive:  CST3, TYROBP, LST1, AIF1, FTL 
43## Negative:  MALAT1, LTB, IL32, IL7R, CD2 
44## PC_ 2 
45## Positive:  CD79A, MS4A1, TCL1A, HLA-DQA1, HLA-DQB1 
46## Negative:  NKG7, PRF1, CST7, GZMB, GZMA 
47## PC_ 3 
48## Positive:  HLA-DQA1, CD79A, CD79B, HLA-DQB1, HLA-DPB1 
49## Negative:  PPBP, PF4, SDPR, SPARC, GNG11 
50## PC_ 4 
51## Positive:  HLA-DQA1, CD79B, CD79A, MS4A1, HLA-DQB1 
52## Negative:  VIM, IL7R, S100A6, IL32, S100A8 
53## PC_ 5 
54## Positive:  GZMB, NKG7, S100A8, FGFBP2, GNLY 
55## Negative:  LTB, IL7R, CKB, VIM, MS4A7
56
57# 顯示載重圖、降維圖與熱圖
58VizDimLoadings(pbmc, dims = 1:2, reduction = "pca")

1DimPlot(pbmc, reduction = "pca") + NoLegend()

1DimHeatmap(pbmc, dims = 1, cells = 500, balanced = TRUE)

7. 選擇最佳維度數量（Elbow Plot）

1ElbowPlot(pbmc)

8. 建立近鄰圖與群集分析

 1pbmc <- FindNeighbors(pbmc, dims = 1:10)
 2## Computing nearest neighbor graph
 3## Warning: package 'future' was built under R version 4.4.3
 4## Computing SNN
 5pbmc <- FindClusters(pbmc, resolution = 0.5)
 6## Modularity Optimizer version 1.3.0 by Ludo Waltman and Nees Jan van Eck
 7## 
 8## Number of nodes: 2638
 9## Number of edges: 95927
10## 
11## Running Louvain algorithm...
12## Maximum modularity in 10 random starts: 0.8728
13## Number of communities: 9
14## Elapsed time: 0 seconds

9. 非線性降維：UMAP

 1pbmc <- RunUMAP(pbmc, dims = 1:10)
 2## Warning: The default method for RunUMAP has changed from calling Python UMAP via reticulate to the R-native UWOT using the cosine metric
 3## To use Python UMAP via reticulate, set umap.method to 'umap-learn' and metric to 'correlation'
 4## This message will be shown once per session
 5## 19:27:19 UMAP embedding parameters a = 0.9922 b = 1.112
 6## 19:27:19 Read 2638 rows and found 10 numeric columns
 7## 19:27:19 Using Annoy for neighbor search, n_neighbors = 30
 8## 19:27:19 Building Annoy index with metric = cosine, n_trees = 50
 9## 0%   10   20   30   40   50   60   70   80   90   100%
10## [----|----|----|----|----|----|----|----|----|----|
11## **************************************************|
12## 19:27:20 Writing NN index file to temp file C:\Users\TPOW31~1\AppData\Local\Temp\RtmpM1mnaL\file74a4f381b69
13## 19:27:20 Searching Annoy index using 1 thread, search_k = 3000
14## 19:27:20 Annoy recall = 100%
15## 19:27:20 Commencing smooth kNN distance calibration using 1 thread with target n_neighbors = 30
16## 19:27:21 Initializing from normalized Laplacian + noise (using RSpectra)
17## 19:27:21 Commencing optimization for 500 epochs, with 105140 positive edges
18## 19:27:21 Using rng type: pcg
19## 19:27:26 Optimization finished
20DimPlot(pbmc, reduction = "umap")

1
2# 儲存結果
3saveRDS(pbmc, file = "pbmc_tutorial.rds")

10. 差異表現基因分析

 1# cluster 2 與其他 cluster 的差異表現基因
 2cluster2.markers <- FindMarkers(pbmc, ident.1 = 2)
 3## Warning: The `slot` argument of `GetAssayData()` is deprecated as of SeuratObject 5.0.0.
 4## ℹ Please use the `layer` argument instead.
 5## ℹ The deprecated feature was likely used in the Seurat package.
 6##   Please report the issue at .
 7## This warning is displayed once every 8 hours.
 8## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
 9## generated.
10
11# cluster 5 與 cluster 0 與 3 的差異
12cluster5.markers <- FindMarkers(pbmc, ident.1 = 5, ident.2 = c(0, 3))
13
14# 全部 cluster 的 marker gene
15pbmc.markers <- FindAllMarkers(pbmc, only.pos = FALSE)
16## Calculating cluster 0
17## Calculating cluster 1
18## Calculating cluster 2
19## Calculating cluster 3
20## Calculating cluster 4
21## Calculating cluster 5
22## Calculating cluster 6
23## Calculating cluster 7
24## Calculating cluster 8
25pbmc.markers_1 <- pbmc.markers %>% group_by(cluster) %>% filter(avg_log2FC > 1)
26write.table(pbmc.markers, "pbmc_Findallmarkers_250610.txt", sep = "\t", row.names = TRUE)
27
28# 使用不同檢定法，例如 ROC
29cluster0.markers <- FindMarkers(pbmc, ident.1 = 0, test.use = "roc", only.pos = TRUE)
30
31# 可視化 marker gene
32VlnPlot(pbmc, features = c("MS4A1", "CD79A"))

1FeaturePlot(pbmc, features = c("MS4A1", "GNLY", "CD3E", "CD14", "FCER1A", "FCGR3A", "LYZ", "PPBP", "CD8A"))

1
2# 熱圖顯示每群前 10 個基因
3top10 <- pbmc.markers %>% group_by(cluster) %>% filter(avg_log2FC > 1) %>% slice_head(n = 10)
4DoHeatmap(pbmc, features = top10$gene) + NoLegend()

11. 命名各群細胞類型

1new.cluster.ids <- c("Naive CD4 T", "CD14+ Mono", "Memory CD4 T", "B", "CD8 T", "FCGR3A+ Mono", "NK", "DC", "Platelet")
2names(new.cluster.ids) <- levels(pbmc)
3pbmc <- RenameIdents(pbmc, new.cluster.ids)
4
5# 畫出標註細胞類型的 UMAP 圖
6DimPlot(pbmc, reduction = "umap", label = TRUE, pt.size = 0.5) + NoLegend()

1
2# 儲存高解析圖檔
3plot <- DimPlot(pbmc, reduction = "umap", label = TRUE, label.size = 4.5) +
4  xlab("UMAP 1") + ylab("UMAP 2") +
5  theme(axis.title = element_text(size = 18))
6
7ggsave(filename = "pbmc3k_umap.jpg", height = 7, width = 12, plot = plot)

更多視覺化方法請參考官方文件：https://satijalab.org/seurat/articles/visualization_vignette