#retrieval-augmented-generation Dépôts
254 dépôts au total
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.
Code officiel pour le papier : RecurrentGPT : Génération interactive de textes (arbitrairement) longs
Un guide complet pour débuter et améliorer vos compétences LLM en 2026, même avec peu d’expérience dans le domaine, et rester à jour avec les dernières actualités et les techniques de pointe !
Référence RAG Python transparente avec récupération hybride FAISS + BM25, reranking, interface utilisateur Gradio et FastAPI.
RAG-Fusion : génération multi-requêtes + fusion de rangs réciproques pour une meilleure génération augmentée par récupération. Inclut un harness d'évaluation avec NFCorpus/BEIR.
Ce dépôt partage des notebooks de bout en bout sur la façon d'utiliser diverses fonctionnalités et intégrations de Weaviate !
Créez un pipeline RAG (Retrieval Augmented Generation) à partir de zéro et faites-le fonctionner entièrement localement.
Donnez aux grands modèles de langage (LLM) le pouvoir de la génération augmentée par récupération basée sur des graphes de connaissances (KG-RAG) pour les tâches à forte intensité de connaissances
Un tutoriel Langchain RAG amélioré (v2) avec des LLM locaux, des mises à jour de base de données et des tests.
Permettre à l'IA de parcourir des OpenAPIs complexes à l'aide d'un langage simple
⚕️Chatbot médical multi-agents alimenté par GenAI pour le diagnostic médical et l'assistance à la recherche en soins de santé. 🏥 Conçu pour les professionnels de la santé, les chercheurs et les patients.
Parcours d'apprentissage du développement d'applications LLM de Xiao Li, couvrant le RAG, les agents, les essentiels d'entretien et la lecture rapide d'articles.
Un système de mémoire général pour agents, alimenté par la recherche approfondie
Créez votre propre chatbot IA serverless avec la génération augmentée par récupération en utilisant LangChain.js, TypeScript et Azure
Un système Graph RAG pour la recherche d'informations médicales basées sur des preuves [ACL 2025]
Ce modèle RAG NVIDIA sert de solution de référence pour un pipeline de génération augmentée par récupération (RAG) fondamental.
Indexation, requêtes et applications LLM agentiques rapides en streaming en Rust
Un lecteur assisté par l'IA avec une conception à trois colonnes, permettant la prise de notes, la lecture et la conversation en interaction sur le même écran, rendant la lecture approfondie plus efficace.
Context Portal (ConPort) : Un serveur MCP (Memory Bank) créant un graphe de connaissances spécifique au projet pour suralimenter les assistants IA. Permet une puissante génération augmentée par récupération (RAG) pour un développement contextuel dans votre IDE.
Ingérez des fichiers pour la génération aumentada par récupération (RAG) avec des grands modèles linguistiques (LLM) open-source, le tout sans que des tiers ou des données sensibles ne quittent votre réseau.
R1-chercheur : Incitation de la capacité de recherche dans les LLM via l'apprentissage par renforcement
Ce dépôt sert de guide complet pour les hackathons, offrant des informations et des ressources précieuses pour les débutants comme pour les participants expérimentés. Il couvre les éléments essentiels, tels que la manière de trouver les prochains hackathons, des conseils pour choisir le bon événement et des stratégies de préparation détaillées.
Framework rag générique pour appliquer la puissance des LLM à tout ensemble de données donné
Assistance locale Ollama et GPT de type OpenAI pour une confidentialité maximale et un accès hors ligne
[NeurIPS 2024 Spotlight] Buffer of Thoughts: Thought-Augmented Reasoning with Large Language Models
Serveur MCP pour la mémoire à long terme de l'agent avec Mem0. Utile également comme modèle pour vous aider à créer votre propre serveur MCP avec Python !
RAGLight est un framework modulaire pour la Génération Augmentée par Récupération (RAG). Il permet d'intégrer facilement différents LLM, embeddings et bases de données vectorielles, et inclut désormais une intégration MCP transparente pour connecter des outils externes et des sources de données.