ImgBB是轻量无门槛的免费图床（图像托管）平台，核心是快速上传、生成可嵌入链接并灵活分享，支持免注册即用，适配博客、论坛、开发者与内容创作者，兼顾免费基础能力与付费Pro的企业级扩展。
| 功能模块 | 免费版 | Pro版（付费） | 关键价值 |
|---|---|---|---|
| 基础上传 | 单图≤32MB，支持JPG/PNG/GIF/WEBP/HEIC/PDF等 | 单图≤64MB，无广告，无限存储空间 | 适配多数网页场景，Pro支持高清大图与批量管理 |
| 分享与嵌入 | 直链、BBCode、HTML代码、缩略图链接，支持自动删除（10分钟-1个月） | 支持图片替换、永久直链、无广告嵌入 | 一键嵌入论坛、博客、网页，灵活控制生命周期 |
| 管理能力 | 匿名上传无管理；注册后可建相册、管理历史上传 | 无限相册、批量管理、图片替换 | 组织素材，适配长期内容运营与团队协作 |
| 开发集成 | 基础API（有限调用） | 完整API权限，支持插件与自定义集成 | 嵌入网站/应用，实现用户直传与自动化托管 |
| 存储与带宽 | 免费版无明确存储上限（合规前提下），无限带宽 | 无限存储+带宽，专属资源保障 | 无需担心流量与容量，适合规模化分享 |
| 优势 | 局限 |
|---|---|
| 无需注册即可使用，上传与分享流程极简，速度快 | 无内置图片编辑功能，需第三方工具处理 |
| 支持格式全面，免费版32MB单图上限满足多数场景 | 免费版有广告，部分嵌入场景可能受影响 |
| 无限带宽，注册后可建相册，适合长期管理 | 无本地客户端，依赖网页/App操作 |
| API与插件丰富，适配开发与网站集成场景 | 合规审核严格，违规内容会被删除，匿名上传无申诉通道 |
| 方案 | 价格 | 核心权益 | 适合人群 |
|---|---|---|---|
| 免费版 | 永久免费 | 单图≤32MB、基础分享、无限带宽、注册后可建相册 | 临时分享、个人轻度使用 |
| Pro月付 | $12.99/月 | 64MB单图、无广告、无限存储、图片替换、API访问 | 短期项目、临时扩容需求 |
| Pro年付 | $7.99/月（年付$95.88） | 同月付，38%折扣 | 长期内容运营、团队协作 |
| Pro3年付 | $3.99/月（3年付$143.64） | 同月付，69%折扣 | 长期稳定使用，最大化成本效益 |
部署方式：云端SaaS托管，数据存储于ImgBB全球节点，支持API/Webhook与第三方系统集成。
ImgBB以极简体验与灵活功能，成为快速分享、轻量托管与开发嵌入的优选图床，免费版足够满足个人与临时需求，Pro版则适配长期运营与团队协作，适合论坛用户、博主、开发者与中小企业快速落地图片托管需求。
免责声明：本网站仅提供网址导航服务，对链接内容不负任何责任或担保。
6 个月前
2025年10月29日，苹果公司发布了名为Pico-Banana-400K的大规模研究数据集，旨在推动文本引导图像编辑技术的发展。 数据集概况：Pico-Banana-400K包含40万张图像，其研究论文题为《Pico-Banana-400K：面向文本引导图像编辑的大规模数据集》。该数据集采用非商业性研究许可发布，学术机构和研究人员可免费使用。 构建过程：研究团队首先从OpenImages数据集中选取大量真实照片，以确保图像内容的多样性，涵盖人物、物体及含文字场景等。然后设计了35种不同类型的图像修改指令，将其归入像素与光度调整、以人为中心的编辑、场景构成与多主体编辑等八大类别。接着，把原始图像与编辑指令输入至Nanon-Banana模型进行图像编辑，生成结果由Gemini 2.5-Pro模型进行自动评估，只有通过双重验证的结果才会被纳入最终数据集。 数据集构成： 单轮监督微调整子集：包含25.8万个成功的单轮图像编辑示例，涵盖了35种编辑分类法的全部范围，为模型训练提供强大的监督信号。 多轮编辑集：包含7.2万个按顺序进行的编辑交互示例，序列长度从2到5轮不等，用于研究连续修改中的顺序编辑、推理与规划。 偏好集：包含5.6万个示例，由原始图像、指令、成功编辑和失败编辑组成的三联体，可用于训练奖励模型和应用直接偏好优化等对齐技术。 长短指令配对集：用于发展指令重写与摘要能力。 发布意义：尽管Nanon-Banana在精细空间控制、布局外推和文字排版处理方面仍存在局限，但Pico-Banana-400K为下一代文本引导图像编辑模型提供了一个坚实、可复现的训练与评测基础。目前，相关研究论文已发布于预印本平台arXiv，完整的Pico-Banana-400K数据集也已在GitHub上向全球研究者免费开放。 （新闻来源：github.com/apple/pico-banana-400k ）
1 年前
语言大模型（LLM）能够生成图片和视频的能力主要依赖于其多模态学习和生成技术。
21 天前
AiPPT: 一句话、一分钟、一键搞定
28 天前
Ralph 就是一个让 AI "自己干活直到做完"的循环机制，特别适合复杂的编程任务，解放人力。这里介绍具体怎么搭建和使用 Ralph 循环。 📋 前置准备 你需要准备以下内容： 工具 用途 Claude Code Anthropic 的 AI 编程助手 CLI Docker Desktop 提供隔离的沙盒环境 Anthropic API Key 调用 Claude API 🛠️ 搭建步骤 方法一：使用 Claude Code 插件（推荐） Step 1: 安装 Claude Code # 安装 Claude Code CLI npm install -g @anthropic-ai/claude-code Step 2: 初始化项目 mkdir my-ralph-project cd my-ralph-project claude init Step 3: 添加插件市场 claude plugins add-marketplace Step 4: 安装 Ralph Wiggum 插件 claude plugins install ralph-wiggum Step 5: 配置 Stop Hook 在 .claude/hooks/ 目录下创建 stop-hook.json： { "hook_type": "stop", "decision": "block", "conditions": { "check_tests": true, "check_type_errors": true, "check_git_changes": true }, "max_iterations": 20, "prompt": "任务未完成，请继续迭代修复问题" } 方法二：手动搭建（完全控制） Step 1: 创建项目结构 my-ralph-project/ ├── .claude/ │ ├── hooks/ │ │ └── stop-hook.sh │ ├── skills/ │ │ └── ralph-loop.json │ └── config.json ├── prd/ │ └── requirements.json └── workspace/ Step 2: 配置核心文件 config.json - 核心配置 { "max_iterations": 15, "auto_commit": true, "run_tests_after_each_iteration": true, "stop_conditions": { "all_tests_pass": true, "no_type_errors": true, "prd_completed": true } } skills/ralph-loop.json - 技能定义 { "name": "ralph-loop", "description": "自主迭代循环实现 PRD 任务", "trigger": "when_task_incomplete", "actions": [ "analyze_current_state", "identify_blockers", "fix_issues", "run_tests", "commit_if_passing" ] } hooks/stop-hook.sh - Stop Hook 脚本 #!/bin/bash # 检查测试是否通过 TESTS_PASS=$(npm test 2>&1 | grep -c "passed") # 检查是否有类型错误 TYPE_ERRORS=$(npx tsc --noEmit 2>&1 | grep -c "error") # 检查 PRD 是否完成 PRD_COMPLETE=$(node check-prd.js) if [ "$TESTS_PASS" -eq 0 ] || [ "$TYPE_ERRORS" -gt 0 ] || [ "$PRD_COMPLETE" = "false" ]; then echo "BLOCK: 任务未完成，继续迭代" exit 1 else echo "ALLOW: 任务已完成" exit 0 fi Step 3: 准备 PRD 文件 prd/requirements.json { "project_name": "My Feature", "tasks": [ { "id": 1, "description": "创建用户登录页面", "criteria": ["表单验证正常", "API 调用成功", "错误处理完善"], "status": "pending" }, { "id": 2, "description": "实现用户注册功能", "criteria": ["邮箱验证", "密码强度检查", "重复密码确认"], "status": "pending" } ] } 🚀 使用方法 启动 RALPH 循环 # 方法一：插件方式 claude run --skill ralph-loop --prd ./prd/requirements.json # 方法二：Docker 隔离环境 docker run -it \ -v $(pwd):/workspace \ -e ANTHROPIC_API_KEY=$ANTHROPIC_API_KEY \ claude-ralph:latest 监控循环状态 # 查看当前迭代次数 cat .ralph/iteration_count # 查看任务完成状态 cat .ralph/task_status.json # 查看日志 tail -f .ralph/loop.log 🔧 高级配置 1. 自定义 Stop Hook 规则 { "stop_conditions": { "all_tests_pass": { "enabled": true, "command": "npm test", "success_pattern": "all tests passed" }, "no_lint_errors": { "enabled": true, "command": "npm run lint", "success_pattern": "no problems" }, "coverage_threshold": { "enabled": true, "threshold": 80 } } } 2. 添加代码审查步骤 { "after_each_iteration": [ "run_tests", "run_linter", "code_review", "commit_if_passing" ], "code_review_prompt": "审查代码质量、安全性、性能问题" } 3. 设置成本控制 { "cost_limits": { "max_tokens_per_iteration": 50000, "max_total_cost": 50, "alert_at_cost": 30 } } 📊 典型工作流程 ┌─────────────────────────────────────────────┐ │ 1. Claude 读取 PRD 任务列表 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 2. 选择下一个待完成任务 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 3. 实现代码、编写测试 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 4. 运行测试套件 │ └─────────────────┬───────────────────────────┘ ↓ ┌─────────────────────────────────────────────┐ │ 5. Stop Hook 检查是否完成 │ │ • 测试通过？ │ │ • 无类型错误？ │ │ • PRD 要求满足？ │ └─────────────────┬───────────────────────────┘ ↓ ┌───────┴───────┐ ↓ ↓ 未完成 完成 ↓ ↓ 返回步骤 2 结束循环 💡 最佳实践 建议 说明 PRD 要清晰 任务描述具体、可验证，避免模糊需求 设置最大迭代 防止无限循环消耗过多成本 使用 Docker 隔离环境，避免污染本地系统 定期检查 每 10 轮查看一次进度和日志 成本监控 设置预算警报，避免超支 ⚠️ 注意事项 成本控制：每次迭代消耗 tokens，长时间运行成本较高 质量检查：AI 可能"认为"完成但实际有 bug，需要严格测试 安全边界：在沙盒环境运行，避免 AI 误删重要文件 人工介入：复杂任务仍需人工审查结果
28 天前
Ralph Loop 是一种让 AI 自主迭代的机制，主要用于解决 AI 编程助手"半途而废"的问题。
1 个月前
OpenClaw 本质是“开发者基础设施”，而非面向大众的 SaaS 产品。
2 个月前
用 OpenClaw 搭建一个本地 Agent 中枢（完整方案） 不是再做一个 ChatGPT，而是建立一个真正“可控、可组合、可扩展”的本地 AI Agent 中枢。 当越来越多团队开始意识到： 云端 LLM 成本不可控 数据隐私存在风险 单一 Agent 无法解决真实业务 “本地 Agent 中枢” 正在成为一个更现实的选择。 本文将完整讲清楚： 👉 如何用 OpenClaw 搭建一个真正可用的本地 Agent 中枢 👉 它适合谁，不适合谁 👉 与 LangGraph / CrewAI 的核心差异 什么是「本地 Agent 中枢」？ 先明确一个概念，避免误解。 ❌ 不是： 一个本地 ChatGPT 一个简单的 Prompt 管理器 ✅ 而是： 一个能够统一管理多个 Agent、模型、工具和任务流程的本地系统 一个合格的本地 Agent 中枢，至少要解决 5 件事： 多 Agent 协作（不是单轮对话） 任务调度与状态管理 模型可替换（本地 / API） 工具调用（搜索、代码、文件等） 可长期运行、可追溯 OpenClaw 的定位，正是这个“中枢层”。 为什么选择 OpenClaw？ 在进入部署前，必须先回答一个现实问题： 为什么不是 LangGraph / CrewAI / AutoGen？ 简要结论（非常重要） 框架 更适合 LangGraph 开发者写 Agent 流程 CrewAI 小规模角色协作 AutoGen 对话驱动实验 OpenClaw 长期运行的 Agent 中枢 OpenClaw 的核心优势 1️⃣ 架构清晰，不是“脚本拼装” 有明确的 Agent 管理层 有任务执行与状态机制 不是写完一次就丢的 Demo 2️⃣ 原生支持多模型策略 本地模型 云 API fallback / 优先级策略 3️⃣ 更接近“生产环境思维” 可持续运行 可复用 Agent 可演进 如果你的目标是： “做一个长期使用的 AI 中枢，而不是一段实验代码” 那 OpenClaw 是目前更合理的选择之一。 整体架构：OpenClaw 本地 Agent 中枢怎么搭？ 这是一个最小可用但可扩展的架构方案。 🧩 架构拆解 ┌─────────────────────────┐ │ 用户 / 系统 │ └──────────┬──────────────┘ │ ┌──────────▼──────────┐ │ OpenClaw 中枢层 │ │ - Agent Registry │ │ - Task Orchestrator│ │ - Memory / State │ └──────────┬──────────┘ │ ┌─────────▼─────────┐ │ Agent 集群 │ │ - Research Agent │ │ - Coding Agent │ │ - Planning Agent │ │ - Tool Agent │ └─────────┬─────────┘ │ ┌─────────▼─────────┐ │ 模型 & 工具层 │ │ - 本地 LLM │ │ - API LLM │ │ - Search / FS / DB │ └───────────────────┘ 部署准备（实战级） 1️⃣ 基础环境 推荐环境（已验证）： Linux / WSL / macOS Docker + Docker Compose Python 3.10+ 2️⃣ 模型选择建议（非常现实） 场景 推荐 本地推理 Qwen / LLaMA 稳定输出 GPT / Claude API 混合方案 本地 + API fallback 👉 关键不是模型多，而是“可切换” 核心步骤：搭建 OpenClaw 本地 Agent 中枢 Step 1：部署 OpenClaw 核心 git clone https://github.com/xxx/openclaw cd openclaw docker compose up -d 启动后，你将拥有： Agent 管理入口 任务调度服务 统一配置中心 Step 2：定义你的第一个 Agent 一个 Agent ≠ 一个 Prompt 而是一个职责明确的“角色” 示例： agent: name: research_agent role: 信息调研 model: local_llm tools: - web_search - file_reader 建议起步 Agent： Research Agent（信息收集） Planner Agent（任务拆解） Executor Agent（执行） Step 3：建立 Agent 协作流程 例如一个典型任务： “调研某行业 → 输出分析 → 给出建议” 流程是： Planner 拆解任务 Research Agent 收集信息 Executor Agent 输出结果 中枢保存状态与结果 👉 这一步，才是“中枢”的价值所在 一个真实可用的示例场景 🎯 场景：AI 工具评估中枢 你可以搭一个 Agent 中枢来做： 自动收集 AI 工具信息 对比功能 / 定价 输出结构化报告 长期更新 这类系统： 人工成本极高 用 Agent 非常合适 总结：什么时候该用 OpenClaw？ 当你意识到：AI 不再是“一次性回答”，而是“持续协作的系统” 那你就已经走在 OpenClaw 这条路上了。 OpenClaw 不是让你“更快用 AI”，而是让你“真正拥有 AI 能力”。
2 个月前
Asking User Question Tool（AI智能体版） 这是AI智能体必备的交互式工具，让Agent在执行任务时主动向用户提问、澄清需求、收集信息，避免瞎猜、减少返工、提升准确率。 一、核心定位 本质：Agent的“人在回路”交互接口，让AI在模糊/信息不足时暂停执行，向用户要明确输入。 作用：把“模糊指令→AI瞎做→反复修改”变成“AI提问→用户明确→一次做对”。 常见名称： AskUserQuestion 、 AskUserQuestionTool 、 ask_user_question 。 二、核心工作流（极简） 1. Agent判断信息不足：发现需求模糊、缺少参数、需要决策 2. 调用工具生成结构化问题：单选/多选+自定义输入+说明 3. 用户作答：在聊天/弹窗/终端选择或输入 4. Agent接收答案：解析结构化结果，补全上下文 5. 继续执行任务：基于完整信息推进，不再猜 三、关键能力（标配） 结构化提问：标题+问题+2–4个选项+单选/多选+ Other 自定义输入 上下文澄清：自动追问，直到需求完全明确 结构化返回：输出JSON，方便前端渲染（按钮/表单/弹窗） 人在回路：强制用户确认，避免AI自主决策风险 多轮交互：可连续提问，形成“需求访谈”流程 四、主流实现（你会遇到的版本） Claude Code（Anthropic） 原生内置，最成熟 支持多轮、单选/多选、自定义输入 常用于代码生成、需求梳理 Qwen-Agent（通义千问） 开源工具： qwen_agent/tools/ask_user_question.py 支持参数： question / options / explanations / multiSelect / allowFreeform Spring AI AskUserQuestionTool ，Java生态 模型无关，可对接GPT/Claude/Gemini OpenClaw / EasyClaw 集成到本地智能体，用于任务执行前确认 本地运行，隐私优先 五、典型使用场景（高频） 需求澄清：“做一个登录页”→AI问：技术栈？风格？是否第三方登录？ 偏好收集：“写报告”→AI问：正式/ casual？长度？受众？ 决策点确认：“部署服务”→AI问：云厂商？实例规格？环境？ 复杂任务拆解：多轮提问，把模糊需求变成可执行步骤 六、与普通聊天的区别 普通聊天：用户主动说，AI被动答；信息靠用户自己补全 AskUserQuestion：AI主动问、结构化问、按任务节点问；用户只需点选/填空，效率高、歧义少 七、为什么要用（价值） 减少返工：一次做对，节省时间与Token 提升准确率：AI不瞎猜，结果更贴合需求 降低门槛：用户不用写长Prompt，点选即可 安全可控：关键决策必须用户确认，避免误操作 八、一句话总结 Asking User Question Tool = AI智能体的“需求访谈官”，让Agent从“猜着做”变成“问清楚再做”，是构建可靠、实用AI助手的核心工具。
Minimax（海螺AI）已由大模型名Minimax替换原海螺AI。现海螺AI为Minimax视频生成产品名。
海螺AI