#retrieval-augmented-generation Dépôts
Découvrez 254 dépôts GitHub open source actifs associés à #retrieval-augmented-generation, cumulant 1,102,453 étoiles au total (soit une moyenne de 4,340 étoiles par projet). Le projet en tête de ce thème est infiniflow/ragflow, avec 94,501 étoiles.
254 dépôts au total
RAGFlow est une base de données native pour les agents : un moteur de génération augmentée par récupération (RAG) qui a évolué pour devenir une infrastructure de contexte.
Un serveur RAG sans code qui synchronise les réponses avec vos documents. Compatible avec 8 bases de données vectorielles. Conçu avec Pathway.
Une collection de cahiers/recettes présentant des façons amusantes et efficaces d'utiliser Claude.
📑 PageIndex : Index de Document pour RAG basé sur le raisonnement sans vecteur
DSPy : Le framework pour programmer – et non pas pour interroger – les modèles linguistiques
Langchain-Chatchat (anciennement Langchain-ChatGLM), LLM basé sur les connaissances locales (comme ChatGLM, Qwen et Llama) RAG et application Agent avec Langchain | Langchain-Chatchat (anciennement langchain-ChatGLM), LLM basé sur les connaissances locales (comme ChatGLM, Qwen et Llama) RAG et application Agent avec Langchain
Un système de curation de connaissances alimenté par LLM qui recherche un sujet et génère un rapport complet avec citations.
Ce dépôt présente diverses techniques avancées pour les systèmes de Génération Augmentée par Récupération (RAG). Chaque technique dispose d'un tutoriel détaillé sous forme de notebook.
Cadre open‑source d’orchestration IA pour construire des applications LLM prêtes à la production, avec une conception contextuelle. Concevez des pipelines modulaires et des flux de travail d’agents avec un contrôle explicite sur la récupération, le routage, la mémoire et la génération. Conçu pour des agents évolutifs, RAG, applications multimodales, recherche sémantique et systèmes de conversation.
Discutez avec vos documents sur votre appareil local en utilisant les modèles GPT. Aucune donnée ne quitte votre appareil et 100% privé.
Couche de mémoire pour Agents d'IA. Remplacez les pipelines RAG complexes par une couche de mémoire sans serveur et à fichier unique. Offrez à vos agents une récupération instantanée et une mémoire à long terme.
Cadre unifié pour la création de pipelines RAG d'entreprise avec de petits modèles spécialisés
[Meilleur article MLsys2026] : https://arxiv.org/abs/2506.08276. Le RAG sur tout avec LEANN. Profitez de 97 % d'économie de stockage tout en exécutant une application RAG rapide, précise et 100 % privée sur votre appareil personnel.
Framework IA tout-en-un pour la recherche sémantique, l'orchestration LLM et les flux de travail de modèles linguistiques
Pocket Flow : Framework LLM de 100 lignes. Laissez les agents créer des agents !
~95 % sur SimpleQA (ex. Qwen3.6-27B sur une 3090). Prend en charge tous les LLM locaux et cloud (llama.cpp, Ollama, Google, ...). 10+ moteurs de recherche - arXiv, PubMed, vos documents privés. Tout Local & Chiffré.
« L'ingénierie de contexte est l'art délicat et la science de remplir la fenêtre de contexte avec juste la bonne information pour la prochaine étape. » — Andrej Karpathy. Un manuel à la frontière, basé sur les premiers principes, inspiré par Karpathy et 3Blue1Brown pour aller au-delà de l'ingénierie de prompt vers la discipline plus large de la conception, de l'orchestration et de l'optimisation du contexte.
🧑🚀 Résumé des meilleures ressources LLM au monde (Génération multimodale, Agents, Programmation assistée, Revue par IA, Traitement des données, Entraînement des modèles, Inférence des modèles, Modèle o1, MCP, Petits modèles de langage, Modèles de langage visuel) | Summary of the world's best LLM resources.
Système d'extraction d'IA de pointe prêt pour la production. Génération augmentée par récupération agentique (RAG) avec une API RESTful.
[EMNLP'23, ACL'24] Pour accélérer l'inférence des LLM et améliorer la perception des informations clés par les LLM, compresse le prompt et le KV-Cache, ce qui permet une compression jusqu'à 20 fois avec une perte de performance minimale.
Envoyez un appel téléphonique d'un agent IA, dans un appel API. Ou, appelez directement le bot depuis le numéro de téléphone configuré !
Utiliser l'IA pour générer des romans longs à plusieurs chapitres, en reliant automatiquement le contexte et les indices
🎙️🤖Créez, personnalisez et parlez avec votre personnage/compagnon IA en temps réel (Tout dans une seule base de code !). Ayez une conversation naturelle et fluide avec l'IA partout (mobile, web et terminal) en utilisant LLM OpenAI GPT3.5/4, Anthropic Claude2, Chroma Vector DB, Whisper Speech2Text, ElevenLabs Text2Speech🎙️🤖
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.
Compagnons IA avec mémoire : une pile légère pour créer et héberger vos propres compagnons IA
Search-R1: Un framework d'entraînement RL efficace et évolutif pour le raisonnement et l'appel de moteurs de recherche basé sur LLM entrelacés avec veRL
Le RAG ultime pour votre monorepo. Interrogez, comprenez et modifiez des bases de code multilingues avec la puissance de l'IA et des graphes de connaissances.
La plateforme open source pour le développement d'applications natives à l'IA.
Ceci est un guide étape par étape pour débuter avec les grands modèles d'IA/LLM, comprenant des tutoriels et du code de démonstration. Il vous emmène des API au déploiement et au réglage fin des grands modèles locaux. Les fichiers de code seront fournis en versions en ligne pour Kaggle ou Colab, vous permettant d'apprendre même sans carte graphique. Le projet comprend également un petit "terrain de jeu" de code 🎡, où vous pouvez expérimenter des scripts d'IA intéressants. Parallèlement, il inclut une version chinoise miroir complète des devoirs du cours "Introduction à l'IA générative 2024" de Hung-Yi Lee.
Un RAG Agentic modulaire construit avec LangGraph — apprenez les agents de génération augmentée par récupération en quelques minutes.
Framework RAG (Retrieval Augmented Generation) pour la construction d'applications open source modulaires pour la production par TrueFoundry
Flux de travail de référence d'IA générative optimisés pour une architecture de microservices et une infrastructure accélérées.
Convertissez n'importe quel texte en un graphe de connaissances. Ceci peut être utilisé pour la génération augmentée par graphe ou pour des questions-réponses basés sur des graphes de connaissances.
Infrastructure de vision pour transformer des documents complexes en données prêtes pour les LLM
Foire aux questions
Quel est le dépôt #retrieval-augmented-generation le plus populaire sur GitHub ?
Le projet #retrieval-augmented-generation open source le mieux classé sur GitHub est infiniflow/ragflow, avec 94,501 étoiles. RAGFlow est une base de données native pour les agents : un moteur de génération augmentée par récupération (RAG) qui a évolué pour devenir une infrastructure de contexte.
Quels langages de programmation sont les plus utilisés dans les dépôts #retrieval-augmented-generation ?
Parmi les projets #retrieval-augmented-generation les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, TypeScript, Rust.
Comment le classement des dépôts #retrieval-augmented-generation est-il calculé ?
Nous suivons 254 dépôts open source actifs associés à #retrieval-augmented-generation (500+ étoiles), totalisant 1,102,453 étoiles, avec une moyenne de 4,340 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.