Smile 是 AI Skill Hub 本期精选AI工具之一。已获得 6.4k 颗 GitHub Star，综合评分 8.0 分，整体质量较高。我们强烈推荐将其纳入你的 AI 工具库，帮助提升工作效率。
📚 深度解析
**为什么要使用开源工具而非商业 SaaS？**
对于个人开发者和有隐私需求的用户，本地部署的开源工具意味着数据不离本机，不受第三方服务商的数据政策约束。同时，开源工具通常没有使用次数限制和月度费用，一次安装即可长期使用，对于高频使用场景的总拥有成本（TCO）远低于订阅制商业工具。
**安装与环境准备**
Smile 依赖 Java 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 Java 版本，避免全局环境污染。对于新手用户，推荐先创建虚拟环境（python -m venv venv && source venv/bin/activate），再安装依赖，这样即使出现问题也可以随时删除虚拟环境重新开始，不影响系统稳定性。
**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues（已关闭的问题），大多数常见问题都已有解答。遇到 Bug 时，提供 pip list 的输出、完整错误堆栈和最小可复现示例，能显著提高开发者响应速度。AI Skill Hub 将持续追踪 Smile 的版本更新，及时通知重要功能变化。
📋 工具概览
Smile 是一款基于 Java 开发的开源工具，专注于 机器学习、数据科学、Java 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
📖 中文文档
Smile 是一款基于 Java 开发的开源工具，专注于 机器学习、数据科学、Java 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
# 克隆仓库 git clone https://github.com/haifengl/smile cd smile # 查看安装说明 cat README.md # 按 README 完成环境依赖安装后即可使用
- 访问 GitHub 仓库页面
- 按照 README 文档完成依赖安装
- 根据系统环境完成初始化配置
- 参考官方示例或文档开始使用
- 遇到问题可在 GitHub Issues 中查找解答
# 查看帮助 smile --help # 基本运行 smile [options] <input> # 详细使用说明请查阅文档 # https://github.com/haifengl/smile
# smile 配置说明 # 查看配置选项 smile --config-example > config.yml # 常见配置项 # output_dir: ./output # log_level: info # workers: 4 # 环境变量（覆盖配置文件） export SMILE_CONFIG="/path/to/config.yml"
Statistical Machine Intelligence & Learning Engine <img align="left" width="40" src="/website/src/images/smile.png" alt="SMILE">
SMILE (Statistical Machine Intelligence & Learning Engine) is a comprehensive, high-performance machine learning framework for the JVM. SMILE v5+ requires Java 25; v4.x requires Java 21; all previous versions require Java 8. SMILE also provides idiomatic APIs for Scala and Kotlin. With advanced data structures and algorithms, SMILE delivers state-of-the-art performance across every aspect of machine learning.
SMILE Studio is an agentic IDE for data science using Python, Java, or Scala. See studio/README.md how to get your first project up and start interacting with your data with natural language in a few minutes.
---
Features
| Area | Highlights |
|---|---|
| **LLM** | LLaMA-3 inference, tiktoken BPE tokenizer, OpenAI-compatible REST server, SSE chat streaming |
| **Deep Learning** | LibTorch/GPU backend, EfficientNet-V2 image classification, custom layer API |
| **Classification** | SVM, Decision Trees, Random Forest, AdaBoost, Gradient Boosting, Logistic Regression, Neural Networks, RBF Networks, MaxEnt, KNN, Naïve Bayes, LDA/QDA/RDA |
| **Regression** | SVR, Gaussian Process, Regression Trees, GBDT, Random Forest, RBF, OLS, LASSO, ElasticNet, Ridge |
| **Clustering** | BIRCH, CLARANS, DBSCAN, DENCLUE, Deterministic Annealing, K-Means, X-Means, G-Means, Neural Gas, Growing Neural Gas, Hierarchical, SIB, SOM, Spectral, Min-Entropy |
| **Manifold Learning** | IsoMap, LLE, Laplacian Eigenmap, t-SNE, UMAP, PCA, Kernel PCA, Probabilistic PCA, GHA, Random Projection, ICA |
| **Feature Engineering** | Genetic Algorithm selection, Ensemble selection, TreeSHAP, SNR, Sum-Squares ratio, data transformations, formula API |
| **NLP** | Sentence / word tokenization, Bigram test, Phrase & Keyword extraction, Stemmer, POS tagging, Relevance ranking |
| **Association Rules** | FP-growth frequent itemset mining |
| **Sequence Learning** | Hidden Markov Model, Conditional Random Field |
| **Nearest Neighbor** | BK-Tree, Cover Tree, KD-Tree, SimHash, LSH |
| **Numerical Methods** | Linear algebra, numerical optimization (BFGS, L-BFGS), interpolation, wavelets, RBF, distributions, hypothesis tests |
| **Visualization** | Swing plots (scatter, line, bar, box, histogram, surface, heatmap, contour, …) and declarative Vega-Lite charts |
---
Installation
Quick Start
import smile.classification.RandomForest;
import smile.data.formula.Formula;
import smile.io.Read;
// Load data
var data = Read.csv("src/test/resources/iris.csv");
// Train a random forest
var forest = RandomForest.fit(Formula.lhs("species"), data);
// Predict
int label = forest.predict(data.get(0));
System.out.println("Predicted class: " + label);For deep learning and LLM examples, see deep/README.md. For visualization examples, see plot/README.md.
---
Gallery
Scatterplot Matrix |
||
Scatter Plot |
Line Plot |
Surface Plot |
Bar Plot |
Box Plot |
Histogram Heatmap |
Rolling Average |
Geo Map |
UMAP |
Text Plot |
Heatmap with Contour |
Hexmap |
IsoMap |
LLE |
Kernel PCA |
Neural Network |
SVM |
Hierarchical Clustering |
SOM |
DBSCAN |
Neural Gas |
Wavelet |
Exponential Family Mixture |
Teapot Wireframe |
Grid Interpolation |
||
`scala/` — Scala API
Idiomatic Scala shim — concise wrappers, symbolic operators, Scala collections integration
| Document | Topics |
|---|---|
| [README](scala/README.md) | API overview, smile.classification, smile.regression, smile.clustering, smile.plot in Scala |
`kotlin/` — Kotlin API
Idiomatic Kotlin shim — extension functions, named parameters, builder DSLs
| Document | Topics |
|---|---|
| [README](kotlin/README.md) | API overview, extension functions, Kotlin-style builders |
| [packages.md](kotlin/packages.md) | Full package-by-package listing of all Kotlin extension functions |
Module Map
Each module has its own detailed user guide. Click the README link for the module overview, or drill into individual topic guides.
`spark/` — Apache Spark Integration
Use SMILE models inside Spark ML pipelines
| Document | Topics |
|---|---|
| [README](spark/README.md) | SmileTransformer, SmileClassifier, SmileRegressor; training and scoring in Spark DataFrames |
---
SMILE (Statistical Machine Intelligence & Learning Engine) 是一个全面且高性能的统计机器学习与学习引擎。它为开发者提供了强大的计算能力，旨在处理复杂的机器学习任务，是构建智能应用的高效工具。
SMILE 涵盖了广泛的算法领域：在 LLM 方面，支持 LLaMA-3 推理、tiktoken BPE tokenizer 以及兼容 OpenAI 的 REST server 和 SSE chat streaming；在 Deep Learning 领域，集成 LibTorch/GPU 后端并支持 EfficientNet-V2 图像分类及自定义 layer API；在 Classification 领域，提供了从 SVM、Decision Trees 到 Random Forest、Gradient Boosting 等丰富的经典机器学习算法。
本项目提供了快速上手示例。对于传统的机器学习任务，如使用 RandomForest 进行分类，可以通过 smile.io.Read 加载数据并利用 Formula 进行模型训练与预测。针对 Deep Learning 和 LLM 的高级应用，建议参考专门的示例代码以实现更复杂的推理流程。
SMILE 为不同语言提供了原生的 API 支持。scala/ 目录提供了符合 Scala 习惯的封装（Idiomatic Scala shim），支持符号运算符和 Scala collections 集成；kotlin/ 目录则通过扩展函数（extension functions）和 Builder DSLs 为 Kotlin 开发者提供流畅的开发体验。
项目采用模块化设计，每个模块都配有详细的用户指南。开发者可以通过点击各模块下的 README 进行概览，或深入查看具体的 Topic guides。此外，通过 spark/ 模块，用户可以将 SMILE 模型无缝集成到 Apache Spark ML pipelines 中，实现在 Spark DataFrames 上的训练与评分。
Smile是一个高质量的开源AI工具
- 需要 smile 解决具体问题的开发者与运营人员
- 先在测试环境跑通最小用例，再接入生产数据
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 开源免费，支持本地部署，数据完全自主可控
- 活跃的 GitHub 开源社区，持续迭代更新
- 提供详细文档和使用示例，新手友好
- 支持自定义配置，灵活适配不同使用环境
- 可作为基础组件集成进现有技术栈或进行二次开发
- 需要 smile 解决具体问题的开发者与运营人员
- 先在测试环境跑通最小用例，再接入生产数据
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
👥 适合人群
🎯 使用场景
- 本地部署运行，保护数据隐私，满足合规要求
- 自定义集成到现有系统，扩展技术栈能力
- 作为开源基础组件进行商业化二次开发
⚖️ 优点与不足
- +GitHub 6.4k Star，社区高度认可
- +完全开源免费，无授权费用
- +本地部署，数据完全自主可控
- +开发者社区支持，遇问题可查可问
- −安装和初始配置可能需要一定技术基础
- −功能完整性通常不如成熟商业产品
- −技术支持主要依赖开源社区，响应速度不稳定
该工具使用 NOASSERTION 协议，商用场景请仔细阅读协议条款，必要时咨询法律意见。
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
📄 NOASSERTION — 请查阅原始协议条款了解具体使用限制。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，Smile 在AI工具赛道中表现稳健，质量优秀。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | smile |
| 原始描述 | 开源AI工具：Statistical Machine Intelligence & Learning Engine。⭐6.4k · Java |
| Topics | 机器学习数据科学Java |
| GitHub | https://github.com/haifengl/smile |
| License | NOASSERTION |
| 语言 | Java |
收录时间：2026-06-05 · 更新时间：2026-06-06 · License：NOASSERTION · AI Skill Hub 不对第三方内容的准确性作法律背书。