#hybrid-search Dépôts
Découvrez 22 dépôts GitHub open source actifs associés à #hybrid-search, cumulant 175,935 étoiles au total (soit une moyenne de 7,997 étoiles par projet). Le projet en tête de ce thème est meilisearch/meilisearch, avec 59,951 étoiles.
22 dépôts au total
Une API de moteur de recherche ultra-rapide qui apporte la recherche hybride alimentée par l'IA à vos sites et applications.
Qdrant – Base de données vectorielle et moteur de recherche vectorielle haute performance et à grande échelle pour la prochaine génération d'IA. Également disponible dans le cloud https://cloud.qdrant.io/
Moteur de recherche IA et serveur MCP pour bots et agents. Un seul binaire Rust indexe le code, les documents, les journaux, les fichiers JSONL/CSV et les PDF pour la recherche BM25 en texte intégral, vectorielle et hybride, la recherche de code sans grep, la mémoire des agents et le RAG. API compatible avec Elasticsearch ; Corpus Hub propose des centaines de corpus de mémoire de référence.
Weaviate est une base de données vectorielle open-source qui stocke à la fois des objets et des vecteurs, permettant la combinaison de la recherche vectorielle avec un filtrage structuré avec la tolérance aux pannes et l'évolutivité d'une base de données native du cloud.
Un Postgres pour les données de votre application, la recherche plein texte, la récupération vectorielle et les agrégations. Le foyer de l'extension pg_search.
Votre agent bibliothécaire personnel. Posez-lui des questions sur tout ce qui se trouve sur votre ordinateur, organisez vos fichiers et gardez en mémoire les informations et les fichiers importants.
La base de données native de l'IA conçue pour les applications LLM, offrant une recherche hybride incroyablement rapide de vecteurs denses, de vecteurs épars, de tenseurs (multi-vecteurs) et de texte intégral.
La couche de contexte open source pour les agents d’IA et la recherche d’entreprise par IA. Recherche tenant compte des autorisations et réponses avec citations dans plus de 30 sources, notamment Slack, Drive, Jira, GitHub et Microsoft 365, pour les utilisateurs et les agents via MCP, des SDK et des agents intégrés. Auto-hébergée ou dans le cloud.
La base de données de recherche native IA. Idéale pour le stockage d'agents, elle unifie les données vectorielles, textuelles, structurées et semi-structurées en un seul moteur. Cette base de données tout-en-un rend les agents plus intelligents, plus faciles à exécuter et plus stables.
Une couche de mémoire persistante et unifiée pour tous vos agents d'IA (par ex. Claude Code, Codex, DSH), optimisée par Markdown et Milvus.
SeekStorm : recherche vectorielle et lexicale - bibliothèque en processus et serveur multi-locataires, en Rust.
Une base de données vectorielle multi-modale qui prend en charge les insertions et les requêtes vectorielles à l'aide d'un SQL unifié (compatible MySQL) sur des données structurées et non structurées, tout en répondant aux exigences de haute concurrence et de latence ultra-faible.
Endee.io – Une base de données vectorielle haute performance, conçue pour gérer jusqu'à 1 milliard de vecteurs sur un nœud unique, offrant des gains de performance significatifs grâce à une indexation et une exécution optimisées. Également disponible sur le cloud https://endee.io/
Re-classement léger et ultra-rapide pour vos pipelines de recherche et de récupération. Prend en charge le re-classement Listwise et Pairwise de pointe basé sur les LLM et les cross-encodeurs, et plus encore. Créé par Prithivi Da, ouvert aux PRs et aux collaborations.
Référence RAG Python transparente avec récupération hybride FAISS + BM25, reranking, interface utilisateur Gradio et FastAPI.
La couche de récupération pour les systèmes d'IA en production. Recherche ultra-rapide (<10 ms) sans bases de données vectorielles. Conçue pour le navigateur, l'edge, l'appareil et le cloud.
Base de données embarquée, en mémoire, orientée documents avec une interface de constructeur de requêtes de haut niveau.
CLI d'intelligence de code basée sur Rust pour les agents de codage IA. Construit des graphes d'appels et des index de recherche sémantique hybrides (Dense + Sparse + RRF + Reranker) dans 7 langages. Livré en tant qu'outils MCP natifs pour Claude Code et Codex CLI.
Base de connaissances RAG d’entreprise privilégiant le chinois : analyse contrôlable, gouvernance, découpage, recherche hybride, reranking, citations, graphes de connaissances, évaluation et intégration avec Dify.
VectorRAG.Net est une bibliothèque de base de données vectorielle haute performance native .NET pour la recherche sémantique et le RAG (Génération augmentée par récupération). La recherche principale est basée sur la génération de candidats LSH par hyperplan aléatoire avec un réordonnancement exact par produit scalaire/cosinus.
Foire aux questions
Quel est le dépôt #hybrid-search le plus populaire sur GitHub ?
Le projet #hybrid-search open source le mieux classé sur GitHub est meilisearch/meilisearch, avec 59,951 étoiles. Une API de moteur de recherche ultra-rapide qui apporte la recherche hybride alimentée par l'IA à vos sites et applications.
Quels langages de programmation sont les plus utilisés dans les dépôts #hybrid-search ?
Parmi les projets #hybrid-search les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Rust, C++, Go.
Comment le classement des dépôts #hybrid-search est-il calculé ?
Nous suivons 22 dépôts open source actifs associés à #hybrid-search (500+ étoiles), totalisant 175,935 étoiles, avec une moyenne de 7,997 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.