#retrieval-augmented-generation Repositories
Entdecke 254 aktive Open-Source-GitHub-Repositories, die mit #retrieval-augmented-generation getaggt sind und insgesamt 1,102,453 Sterne gesammelt haben (durchschnittlich 4,340 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist infiniflow/ragflow mit 94,501 Sternen.
Insgesamt 254 Repositories
RAGFlow ist eine agent-native Datenbank: eine Retrieval-Augmented-Generation-Engine (RAG), die sich zu einer Kontextinfrastruktur weiterentwickelt hat.
Ein No-Code-RAG-Server, der Antworten mit Ihren Dokumenten synchron hält. Funktioniert mit 8 Vektordatenbanken. Entwickelt mit Pathway.
Eine Sammlung von Notizbüchern/Rezepten, die einige unterhaltsame und effektive Möglichkeiten zur Nutzung von Claude zeigen.
📑 PageIndex: Dokumentenindex für RAG ohne Vektoren, basierend auf Beweisführung
DSPy: Das Framework für die Programmierung – nicht für die Eingabeaufforderung – von Sprachmodellen
Langchain-Chatchat (ehemals Langchain-ChatGLM), lokale wissensbasierte LLM (wie ChatGLM, Qwen und Llama) RAG und Agenten-App mit Langchain | Langchain-Chatchat (ehemals langchain-ChatGLM), lokale wissensbasierte LLM (wie ChatGLM, Qwen und Llama) RAG und Agenten-App mit Langchain
Ein LLM-gestütztes Wissenskurationssystem, das ein Thema recherchiert und einen vollständigen Bericht mit Referenzen erstellt.
Dieses Repository zeigt verschiedene fortgeschrittene Techniken für Retrieval-Augmented Generation (RAG)-Systeme. Jede Technik hat ein detailliertes Notebook-Tutorial.
Open-Source AI-Orchestrierungsframework zur Erstellung kontextbasierter, produktionsbereiter LLM-Anwendungen. Entwerfen Sie modulare Pipelines und Agenten-Workflows mit expliziter Kontrolle über Abruf, Routing, Speicher und Generierung. Entwickelt für skalierbare Agenten, RAG, multimodale Anwendungen, semantische Suche und Konversationssysteme.
Chatten Sie mit Ihren Dokumenten auf Ihrem lokalen Gerät unter Verwendung von GPT-Modellen. Keine Daten verlassen Ihr Gerät und 100% privat.
Speicherschicht für KI-Agenten. Ersetzen Sie komplexe RAG-Pipelines durch eine serverlose, ein-Dateien-Speicherschicht. Verleihen Sie Ihren Agenten sofortigen Abruf und Langzeitgedächtnis.
Einheitlicher Rahmen für den Aufbau von Enterprise-RAG-Pipelines mit kleinen, spezialisierten Modellen
[MLsys2026 Bestes Paper]: https://arxiv.org/abs/2506.08276. RAG auf allem mit LEANN. Profitieren Sie von 97 % Speicherplatzersparnis, während Sie eine schnelle, präzise und 100 % private RAG-Anwendung auf Ihrem persönlichen Gerät ausführen.
All-in-One-KI-Framework für semantische Suche, LLM-Orchestrierung und Sprachmodell-Workflows
Pocket Flow: Ein 100-zeiliges LLM-Framework. Lassen Sie Agenten Agenten bauen!
~95% bei SimpleQA (z.B. Qwen3.6-27B auf einer 3090). Unterstützt alle lokalen und Cloud-LLMs (llama.cpp, Ollama, Google, ...). 10+ Suchmaschinen - arXiv, PubMed, Ihre privaten Dokumente. Alles lokal & verschlüsselt.
"Context Engineering ist die delicate Kunst und Wissenschaft, das Kontextfenster mit genau den richtigen Informationen für den nächsten Schritt zu füllen." — Andrej Karpathy. Ein wegweisendes Handbuch nach ersten Prinzipien, inspiriert von Karpathy und 3Blue1Brown, um über das Prompt Engineering hinaus zur breiteren Disziplin des Kontextdesigns, der Orchestrierung und der Optimierung zu gelangen.
🧑🚀 Zusammenfassung der weltweit besten LLM-Ressourcen (Multimodale Generierung, Agenten, Programmierunterstützung, KI-Begutachtung, Datenverarbeitung, Modelltraining, Modellinferenz, o1-Modell, MCP, Kleine Sprachmodelle, Visuelle Sprachmodelle) | Summary of the world's best LLM resources.
SoTA produktionsreife KI-Abrufsystem. Agentisches Retrieval-Augmented Generation (RAG) mit einer RESTful API.
[EMNLP'23, ACL'24] Um die Inferenz von LLMs zu beschleunigen und die Wahrnehmung von Schlüsselinformationen durch LLMs zu verbessern, wird die Eingabeaufforderung und der KV-Cache komprimiert, was eine Komprimierung um das bis zu 20-fache bei minimalem Leistungsverlust erzielt.
Senden Sie einen Anruf von einem KI-Agenten in einem API-Aufruf. Oder rufen Sie den Bot direkt von der konfigurierten Telefonnummer an!
Erstellen Sie KI-generierte Romane mit mehreren Kapiteln, die den Kontext und die Handlungsstränge automatisch verknüpfen
🎙️🤖Erstellen, Anpassen und Unterhalten Sie sich in Echtzeit mit Ihrem KI-Charakter/Begleiter (Alles in einer Codebasis!). Führen Sie nahtlose natürliche Gespräche mit KI überall (mobil, Web und Terminal) unter Verwendung von LLM OpenAI GPT3.5/4, Anthropic Claude2, Chroma Vector DB, Whisper Speech2Text, ElevenLabs Text2Speech🎙️🤖
Ihr persönlicher Bibliotheksagent. Fragen Sie ihn alles auf Ihrem Computer, organisieren Sie Dateien und lassen Sie sich wichtige Informationen und Dateien merken.
KI-Begleiter mit Gedächtnis: ein schlanker Stack zum Erstellen und Hosten Ihrer eigenen KI-Begleiter
Search-R1: Ein effizientes, skalierbares RL-Trainingsframework für Reasoning & Suchmaschinenaufrufe, das auf veRL basierende LLMs interleaved nutzt
Das ultimative RAG für Ihr Monorepo. Fragen Sie mehrsprachige Codebasen mit der Kraft von KI und Wissensgraphen ab, verstehen Sie sie und bearbeiten Sie sie.
Dies ist eine Schritt-für-Schritt-Anleitung für den Einstieg in KI/LLM-große Modelle, die Tutorials und Demo-Code enthält. Sie führt Sie von APIs zur lokalen Bereitstellung und Feinabstimmung großer Modelle. Die Code-Dateien werden in Online-Versionen für Kaggle oder Colab bereitgestellt, sodass Sie auch ohne Grafikkarte lernen können. Das Projekt enthält außerdem einen kleinen Code-Spielplatz 🎡, auf dem Sie interessante KI-Skripte ausprobieren können. Gleichzeitig enthält es eine vollständige chinesische gespiegelte Version der Hausaufgaben aus Hung-Yi Lees "Einführung in die generative KI 2024"-Kurs.
Ein modulares Agentic RAG, aufgebaut mit LangGraph — lernen Sie Retrieval-Augmented Generation Agents in Minuten.
RAG (Retrieval Augmented Generation) Framework zum Erstellen modularer Open-Source-Anwendungen für die Produktion von TrueFoundry
Generative KI-Referenz-Workflows, optimiert für beschleunigte Infrastruktur und Microservice-Architektur.
Konvertieren Sie beliebigen Text in ein Wissensdiagramm. Dies kann für Graph Augmented Generation oder wissensbasiertes QnA verwendet werden.
Häufig gestellte Fragen
Welches ist das beliebteste #retrieval-augmented-generation-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#retrieval-augmented-generation-Projekt auf GitHub ist infiniflow/ragflow mit 94,501 Sternen. RAGFlow ist eine agent-native Datenbank: eine Retrieval-Augmented-Generation-Engine (RAG), die sich zu einer Kontextinfrastruktur weiterentwickelt hat.
Welche Programmiersprachen werden in #retrieval-augmented-generation-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #retrieval-augmented-generation-Projekten auf GitHub sind Python, Jupyter Notebook, TypeScript, Rust die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #retrieval-augmented-generation-Repositories berechnet?
Wir verfolgen 254 aktive Open-Source-Repositories, die mit #retrieval-augmented-generation getaggt sind (500+ Sterne), mit insgesamt 1,102,453 Sternen und durchschnittlich 4,340 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.