坑库
全部已收录条目的已知坑汇总——每一条都来自真实安装或人工核实，会同步注入对应条目的提示词。
这些坑从哪来、到哪去
- 1你装失败了 → 点条目页的「装失败了？」（免登录可用）
- 2机器去重归类 → 缺依赖 / 权限被拦 / 网络被墙 / 版本不匹配
- 3策展人核实后写回该条目（未核实的永远不会进提示词）
- 4下次别人复制提示词时，这个坑自动带上——别人的 AI 少踩一次
缺系统依赖 · 1权限被拦 · 2网络被墙 · 2版本不匹配 · 1其他 · 227
我们也是一条「试用 → 反馈 → 回到作者」的路
很多作品来自没有名气的个人开发者。我们的作用不是替你下结论，而是让你敢试，试出来的问题还能回到作者那里。
- ① 你在这里发现它 —— 每条都带官方来源与作者，不引流、不转存。
- ② 你直接装上试用 —— 复制提示词交给你自己的 AI，装在哪、装没装成你都看得见。
- ③ 有问题分成两路 —— 能用文字说清的坑写进这里（上面那条流程）；属于这个软件的 bug 走官方入口，那里才是作者真正收得到的地方。
- ④ 我们只做传递，不做仲裁 —— 不评价作者、不排名、不代替作者答问题。
判据：为了「让无名开发者的作品被试上」，我们必须不排名——一旦排名，没人试用的那批就永远不会有人试。
Presidio需要环境
- •检测不保证 100% 覆盖，任何时候都不要把"过了脱敏"当成"可以随便外传"。
- •中文文本的 PII 识别默认较弱，需额外配置，否则会大量漏检。
- •误报会把正常词也抹掉，脱敏策略要先用真实样本调优。
Awesome GitHub Copilot点开即用
- •由 GitHub 组织托管，但内容仍来自社区提交。
- •配置件质量由社区决定，用前先读它到底改了什么。
- •不同工具的配置格式不同，直接混用可能不生效。
Model Context Protocol需要环境
- •接了本地文件/数据库的 Server 等于给 AI 权限，要限制可访问范围。
- •每个客户端对 MCP 的支持程度不同，先查兼容列表。
Claude Code一条命令
- •全局安装可能需要处理 npm 权限（不要用 sudo 混装）。权限被拦
- •Windows 建议在 WSL 或 Git Bash 里用，原生终端体验有差异。
- •它会执行真实命令——别在重要且无备份的目录里跑，改代码前先 git 提交一次。
Graphite点开即用
- •功能仍在演进，交付前务必确认目标文件格式的导出是否完整。
- •自托管/本地构建需要 Rust 工具链，官方在线版才是"点开即用"的路径。
LM Evaluation Harness需要环境
- •不同版本的结果不可直接比较，记录版本号。
- •部分任务要额外下载数据集，注意网络与磁盘。
ComfyUI需要环境
- •模型权重放在 models/ 下对应子目录，放错位置会"看不到模型"。
- •Windows 上装依赖最容易卡在 PyTorch 版本与 CUDA 不匹配。
- •工作流与模型版本强绑定，换模型要检查兼容性。
- •显存不足时会爆 OOM，先降分辨率或换量化模型。
- •自定义节点装多了容易报错，出问题先用官方节点复现。
Obsidian点开即用
- •纯本地文件要注意自己备份，误删无云端回收站。
- •插件质量参差，装之前看维护活跃度。
DeepChem一条命令
- •依赖冲突高发：强烈建议用独立 conda 环境，不要在系统 Python 里直接装。
- •RDKit 的安装对平台敏感，装不上时优先走 conda 而不是 pip。
- •教程与库版本可能不一致，报 API 找不到时先看官方 release 说明的变更点。缺系统依赖
nanoGPT需要环境
- •训练至少需要一块像样的 GPU，CPU 只能跑极小规模。
- •数据准备格式有要求，按仓库说明转成 memmap。
GPT Researcher需要环境
- •并行检索会消耗不少搜索 API 额度，先小规模试。
- •长报告里的事实仍要自己点回原文核，别直接发。
- •报告长度与引用数量受你配置的模型上下文限制。
Papers with Code下载即装
- •部分仓库长期不更新，先看最近提交时间。
- •榜单分数依赖评测设置，跨榜比较要谨慎。
ModelScope点开即用
- •同一模型在两地可能有版本差异，注意 commit/版本号。
- •下载前同样要核对许可证。
Toonflow需要折腾
- •服务默认在 3000 端口且没有登录鉴权，公网访问前必须加认证。
- •Docker 部署别用 down -v，那会把数据卷一起删掉。
- •生成能力取决于你接的模型，时长分辨率各家不同。
FLUX.1 [schnell]需要环境
- •出图分辨率直接决定显存占用，1024×1024 与 512×512 不是一回事。
- •首次要下载十几 GB 权重。
ChatGLM点开即用
- •涉及企业内部制度的问题建议先脱敏。
- •网页与开放平台的模型版本不同，效果不能直接照搬。
Dify点开即用
- •检索效果强依赖文档切片策略，默认值通常要调。
- •自托管同样要负责安全与备份。
Trae下载即装
- •让它改代码前先提交一次 git，回滚才有路。
- •首次启动会引导导入 VS Code 配置，注意别覆盖原有设置。
FFmpeg下载即装
- •参数顺序影响结果，-i 必须在输出文件前。
- •编码器选择决定速度与体积，h264 兼容性最好。
LangChain需要环境
- •抽象层更新快，长期项目要锁版本。
- •调试链式调用要开追踪，否则报错难定位。
Ollama一条命令
- •CPU 模式跑大模型很慢，小模型（1B/3B）更现实。
- •默认模型存放在用户目录 .ollama，换盘需要设置 OLLAMA_MODELS 环境变量。
Mem0需要环境
- •抽取质量依赖你接的模型，小模型容易抽出噪声事实。
- •开源版与官方榜单数字不同，别拿托管版分数当自建预期。
- •它只追加不删除，记忆会一直长，要自己规划清理。
Penpot点开即用
- •缺依赖会以"某个服务起不来"的形式表现，先看官方部署文档的前置条件。
- •自托管涉及多个容器（前端 / 后端 / 数据库 / 对象存储）
- •从其他设计工具导入复杂文件时格式会丢细节，迁移前先拿一个真实文件试导。
Jellyfin需要折腾
- •ARM 设备上部分编解码器不可用，转码会失败。
- •容器里的媒体路径要映射进容器，否则库里是空的。
- •媒体文件命名不规范会导致刮削不出封面和简介。
Awesome LLM Apps需要环境
- •每个示例依赖各不相同，要按各自的说明单独装环境。
- •示例迭代快，旧条目的依赖版本可能已经装不上。
- •它只给代码与教程，模型额度与密钥要自己准备。
Claude Legal Skill一条命令
- •把含个人或商业敏感信息的合同原文直接粘贴给在线模型，可能违反保密义务——先脱敏。
- •模型可能"编造"条款或判例，任何引用都必须回到原文核对。
- •技能清单是通用模板，不覆盖你所在法域的特殊规定，别当成合规结论。
Unitree G1点开即用
- •人形机器人的"能力"高度依赖演示条件，请以官方原帖为准；本站不做复现验证。
Stable Diffusion web UI需要环境
- •扩展装了之后容易互相冲突，出问题先禁用扩展排查。
- •依赖版本敏感，务必按官方说明装环境。
- •显存不足会直接报错，6GB 以下建议先试小模型。
Unitree Go2点开即用
- •开源的是软件与控制层，硬件本身仍需购买——这是我们不做提示词的原因（41 §1）。
Cline需要环境
- •务必先看清权限模式（自动执行命令有风险）。
- •接本地模型时显存不够会频繁超时，换小模型或减少上下文。网络被墙
OpenVoice需要折腾
- •需要自己下权重与配 Python 环境，不是双击即用。
- •克隆他人声音涉及人格权，商用前先确认授权。
- •音色克隆要一段干净参考音频，噪声会一路带进结果。
ESP32-S3 AI 桌面宠物（社区方案）点开即用
- •固件与开发板型号强绑定，买错板子会白折腾——这正是"线下核验"的部分，提示词帮不上。
MoneyPrinterTurbo需要折腾
- •下载模型与依赖体积不小，低配机器跑长视频会非常慢。
- •成片质量强依赖你接的模型档位，同一份模板换模型差别很大。
- •素材来自公开检索源，商用前要自己核一遍版权与授权。
- •要配大模型与素材源凭据，缺一个就卡在第一步。
ChatGPT点开即用
- •不要往对话里粘贴密码、令牌等敏感信息。
- •免费额度与可选模型随时调整，以官方页面为准（我们只标档位、不写价格）。
DSPy一条命令
- •版本迭代快，教程与已安装版本的 API 可能对不上，注意对照官方版本说明。
- •没配 API Key 时一调用就报错——先设好环境变量里的密钥。
- •优化器（optimizer）会多次调用模型，跑之前先估算调用量，避免额度超支。
Connected Papers点开即用
- •图的相似度基于引用，冷门领域可能很稀疏。
- •免费额度按月重置，别一次性刷完。
DeepSeek点开即用
- •高峰期可能排队或降速。
- •它偶尔会把不确定的答案说得很确定，重要结论要二次核实。
FreshRSS需要折腾
- •要自己维护服务器与数据库，升级与备份都得管。
- •抓取频率设太高容易被目标站限流。
- •装在自己的机器上，暴露公网前先配好认证与 HTTPS。
Aider需要环境
- •本地小模型理解大仓库吃力，先限定文件范围。
- •要先用 git 初始化仓库，它靠提交点回滚。
LM Studio下载即装
- •开本地 API 后注意端口不要暴露到公网。
- •量化等级越低越省显存但越「笨」，别一上来选 4bit 以下。
Qwen3-30B-A3B需要环境
- •MoE 的显存门槛按总参数量算，不要按激活量 3B 估——这是最常见的一次误判。
- •内存不足时速度会断崖式下降（要来回换权重分片）。
DeepSeek-R1-Distill-Qwen-7B需要环境
- •会输出思考链，长回答耗时长；显存紧时先降上下文长度而不是降量化档。
Talemate需要环境
- •长团跑久了对上下文与记忆管理要求高，容易前后矛盾。
- •多 Agent 各自要指定模型，配置比单一聊天客户端复杂。
- •面向角色扮演内容，产物是否合规要自己把关。
Semantic Scholar下载即装
- •API 有速率限制，批量抓取要加间隔。
- •AI 摘要可能丢关键限定条件，正式引用要回到原文。
Stability AI点开即用
- •官网服务的额度与本地权重是两回事，别搞混。
- •不同版本许可差别很大，切忌混用表述。
Fooocus需要环境
- •预设虽然省心，但想复现特定风格仍需固定种子。
- •对显存仍有要求，8GB 以下出 1024 图可能吃力。
LlamaIndex需要环境
- •检索质量取决于切片策略，默认参数未必适合你的文档。
- •集成包版本与核心包要匹配，混装容易冲突。
- •起步包会带进不少用不到的依赖。
OpenRouter点开即用
- •免费模型的可用时段有限，别用在关键链路上。
- •不同模型的价格/上下文差别大，长任务先小规模试。
MONAI一条命令
- •医学影像格式（DICOM / NIfTI）与普通图片不同，直接喂 JPG 会报错，需要先把数据转成支持的格式。
- •PyTorch 与 CUDA 版本不匹配是最常见的启动失败原因——先确定显卡驱动支持的 CUDA 版本再装。
- •医疗数据受隐私法规约束：样例数据可以公开跑，真实患者数据务必先确认授权与伦理审批。
Tracecat需要环境
- •接生产凭证前先在隔离环境验证，误处置真实告警的代价远高于多花半天测试。
- •AGPL-3.0 对网络分发有额外义务，对外提供服务前先确认合规边界。
- •自托管部署涉及数据库与多个服务，缺依赖会以"某个容器起不来"的形式表现，先看官方文档的部署前置条件。
Zotero点开即用
- •免费云空间很小，附件多要配 WebDAV。
- •浏览器抓取插件版本要与客户端匹配。
Awesome LangChain点开即用
- •清单靠社区提交，条目新旧参差不齐。
- •只给链接与一句话，好不好用要自己点进去看。
- •LangChain 自身迭代快，部分条目的写法可能已过期。
Portkey AI Gateway需要折腾
- •它只做转发，各家模型的参数差异仍要自己对齐。
- •多一层代理意味着多一个要监控的环节。网络被墙
- •官方主推托管版，自托管版的更新滞后于托管版。
Docling一条命令
- •首次运行会下载模型权重，离线环境需要提前准备缓存。
- •扫描件解析需要额外的 OCR 组件，没装时只会得到空内容或乱码。
- •复杂表格与双栏排版可能被拆错顺序，务必用真实文档抽检后再批量跑。
Typst点开即用
- •投稿前先确认期刊是否接受 Typst 或需转 PDF。
- •生态包比 LaTeX 少，特殊排版需求先找社区包。
Super Productivity下载即装
- •它是个人效率工具，多人大规模协作/审批流不是它的强项——先确认需求边界。
- •第三方同步需要你自己配置账号与权限，配置错误会表现为"数据不同步"而不是报错。
Guardrails AI一条命令
- •校验规则写得太松等于没写，太严又会让正常输出被拦——建议先用真实样本反复调。
- •护栏只约束"输出形态"，不保证"内容正确"，事实性错误仍需人工或外部数据核对。
- •依赖版本与 hub 规则的版本要匹配，装规则报错时先对齐版本。
Accessibility Insights for Web点开即用
- •自动检测通过 ≠ 无障碍达标：对比度、键盘可达性等仍需手动复核。
- •扩展只在浏览器里工作，检测不到需要真实屏幕阅读器才能暴露的交互问题。
vLLM需要环境
- •要装 CUDA 等驱动，环境不匹配会启动失败。
- •吃显存，先按模型大小估算并留余量。
n8n点开即用
- •自托管要自己管好密钥与升级，别裸奔在公网。
- •工作流复杂后调试麻烦，先用小流程验证单个节点。
Codex CLI需要环境
- •模型额度耗尽会中途停，长任务要分段。
- •先看清它默认的沙箱/审批模式，避免误改系统文件。
OpenAI Whisper需要环境
- •音频要先转 16kHz 单声道效果最好。
- •模型越大越准也越慢，先小后大。
arXiv下载即装
- •同名/同题论文多，注意版本号 v1/v2。
- •预印本未经同行评审，引用前先看有没有正式发表版本。
Ollama Library需要环境
- •CPU 跑大模型很慢，先从小模型试。
- •默认模型存用户目录，换盘要设 OLLAMA_MODELS。
Qwen2.5 7B Instruct需要环境
- •7B 级模型做长文档摘要容易漏信息，超长文档先分段。
Crawl4AI一条命令
- •抓取要守目标站条款与 robots，别默认可以随便抓。
- •首次安装要额外下载浏览器内核，离线环境会失败。
- •目标站反爬策略随时会变，抓不到不等于它坏了。
FinRobot需要环境
- •多智能体流程会多次调用模型，跑长流程前先估算调用量。
- •没配 LLM API Key 时大部分示例无法运行——先把环境变量配好。
- •模型对金融数据的处理可能出错（幻觉、口径混淆），任何输出都必须人工核实后才能使用。
Folo下载即装
- •源太多时时间线仍然会压人，要自己定筛选规则。
- •桌面与移动端版本节奏不同，遇到问题先确认客户端版本。
- •AI 摘要需要服务端支持，离线时只剩普通阅读。
Qwen Chat点开即用
- •云端对话默认用于改进服务的开关要自己确认，敏感内容先脱敏。
- •同一问题在不同模型版本上答案差别大，注意页面标注的模型名。
Milvus需要折腾
- •分布式部署要一整套依赖，单机试装别直接用集群配置。
- •索引类型与参数选错会明显拖慢召回与速度。
- •吃内存与磁盘，亿级数据前先算容量。
Hugging Face点开即用
- •大模型动辄几十 GB，先确认硬盘与显存再下。
- •下载前一定要看模型卡里的许可证，很多是「非商用」。
OBS Studio下载即装
- •硬件编码器不同机器差别大，掉帧先换编码器。
- •录制前先单独测一次音轨，事后发现没声音很常见。
Stable Audio点开即用
- •生成音频的商用许可要单独确认。
- •时长越长越难保持一致，分段生成再拼。
Qlib一条命令
- •历史行情数据需要自行获取：直接跑示例会因缺数据而失败，先按官方文档准备数据。
- •Python 与依赖版本较敏感，建议用独立虚拟环境，避免与系统包冲突。
- •回测收益与实盘差异巨大（滑点、手续费、流动性），任何回测结果都不可直接外推。
GPT-SoVITS需要折腾
- •训练与推理都要显卡，显存不够会在合成阶段中断。
- •官方基准是特定显卡下的数字，你的机器会更慢。
- •克隆他人声音涉及肖像与人格权，用前先确认授权。
OpenMAIC需要环境
- •MP4 导出依赖独立的渲染服务，本地不启该服务时导出会失败。
- •中文长文档解析对文件格式有要求，音频/视频提取需额外依赖（如 FunASR）。
- •没配 LLM API Key 时启动会报错——先按官方 .env.example 至少填一家。
LocalSend下载即装
- •Windows 首次运行可能被 SmartScreen 拦截，需点"仍要运行"。权限被拦
- •两台设备必须在同一局域网且路由器未开 AP 隔离。
- •安卓 13+ 需要授予"附近设备"权限，否则发现不了对方。
Open WebUI需要折腾
- •直接暴露公网端口等于把模型给别人用，务必先设账号与反代。
- •容器里连宿主机 Ollama 时，localhost 指向容器自己——要改写为宿主地址。
- •首次启动会拉取镜像，几个 GB，慢多半是网络问题。
PPTist一条命令
- •AGPL 许可，二次分发前先看清条款。
- •官方在线版是演示用途，正式用建议自己部署。
- •复杂动画与母版细节和 PowerPoint 不完全等价。
Kimi点开即用
- •超长文档上传前先去掉无关附件，否则上下文被稀释。
- •上传的文档会离开你的设备，涉密文件不要上传。
- •免费档有调用频率限制，以官方页面为准。
- •长文摘要容易丢细节，关键结论要求它给原文定位。
fzf一条命令
- •fzf 本体装好后，shell 集成（Ctrl-R）需要额外一行配置。
- •资产文件名版本号不带 v 前缀（fzf-0.74.3-...）。
- •Linux 下载时注意架构（amd64/arm64）与 libc 差异。版本不匹配
- •下载路径的 tag 却带 v（v0.74.3）——拼 URL 最容易错这里。
Qwen2.5-VL 7B需要环境
- •多模态额外占显存，按纯文本的经验估门槛会低估；高分辨率图片会显著增加显存占用。
Notion AI点开即用
- •团队空间里 AI 会读到你有权限的页面，注意分享范围。
- •AI 结果默认直接插入正文，改前先复制原稿。
RAGFlow需要折腾
- •文档解析质量决定上限，扫描件与复杂版式要先试切片效果。
- •版本迭代快，升级前先看 release notes 的破坏性变更。
- •本地部署吃资源，模型与解析器各自要占内存。
Stirling PDF需要折腾
- •容器首次启动会下载语言与 OCR 数据，网络差会比较久。
- •处理超大 PDF 时内存占用高，VPS 要留足内存。
Cursor点开即用
- •索引大仓库会占内存，卡顿时排除 node_modules 等目录。
- •自动补全偶尔引入不存在的 API，提交前看 diff。
Anki下载即装
- •iOS 官方客户端付费（约 25 美元），安卓端免费——先按平台决定。
- •卡片制作贪多必崩，一次建 20 张比一次建 500 张有用。
- •同步需要注册免费账号，数据在官方服务器上。
LeKiwi点开即用
- •3D 打印件精度与舵机一致性直接影响成功率——这是硬件课，不是软件课。
Qwen2.5-7B需要环境
- •基座没有对话模板，套错模板会明显掉效果。
- •它是基座不是助手：直接对话会答非所问，不是模型坏了。
- •官方仓只放 transformers 权重，GGUF 是社区转的。
Doubao点开即用
- •多模态上传的图片/录音同样离开本机，涉密素材别传。
- •App 与网页的能力不完全一致，长文档优先用网页。
Llama 3.3 70B Instruct需要环境
- •下载体积 80GB 级，先确认磁盘空间。
- •40GB 显存以下不要指望"凑合跑"——量化到 Q2 会明显降智，不如直接用更小的模型。
whisper.cpp需要环境
- •音频必须是 16kHz 单声道 WAV，其他格式要先转。
- •首次要单独下载模型文件，跑得慢多半是选了过大的模型。
- •macOS 编译需先装 Xcode Command Line Tools。
LibreOffice下载即装
- •极复杂的 docx 排版转换仍可能错位，重要文件转完要肉眼过一遍。
- •命令行转换（soffice --headless）适合批处理。
Llama 3.1 8B Instruct需要环境
- •8B 是"能用"的起点，不要拿它当写作/长链路推理的主力；需要更强就上 14B 以上，代价是显存翻倍。
GraphRAG需要折腾
- •官方明说这是方法演示，不是受支持的产品。
- •建索引很贵，官方自己提醒先读文档、从小规模开始。
- •抽取质量依赖模型，实体与关系抽错会一路错到答案。
Berkeley Humanoid Lite点开即用
- •开源 ≠ 零门槛：零件采购、机械装配、标定都需要线下条件，这不是提示词能解决的（41 §1）。
InvokeAI需要环境
- •模型目录与其它工具不共享，重复下载费硬盘。
- •安装脚本对 Python 版本敏感，按官方文档来。
Reachy Mini点开即用
- •需求在官方页随时变化，以官方为准；本站只记录"它存在、它开源"这件事。
没有匹配的条目，试着放宽条件