#vector-embeddings Dépôts
Découvrez 16 dépôts GitHub open source actifs associés à #vector-embeddings, cumulant 17,649 étoiles au total (soit une moyenne de 1,103 étoiles par projet). Le projet en tête de ce thème est giancarloerra/SocratiCode, avec 3,382 étoiles.
16 dépôts au total
Intelligence de codebase de niveau entreprise (40m+ LOC), zéro configuration, local et privé Plugin/Skill/Extension ou MCP : recherche sémantique hybride, graphes de dépendances polyglottes, analyse d'impact au niveau des symboles & flux d'appels, visionneuse HTML interactive, recherche cross-projet & consciente des branches, connaissances DB/API/infra. 61% de tokens en moins, 84% d'appels en moins, 37x plus rapide. Cloud en bêta.
Une application Langchain qui vous permet de discuter avec plusieurs PDF
Le SDK AI Laravel fournit une API unifiée et expressive pour interagir avec des fournisseurs d'IA tels qu'OpenAI, Anthropic, Gemini et bien d'autres.
utilitaires pour décoder des représentations profondes (comme des plongements de phrases) en texte
Explorateur visuel de l'ensemble de données d'articles de recherche LAION 🔬 🧑🔬 👩🔬
Couche mémoire partagée dans un fichier unique pour tous vos agents, RAG en moins d’une milliseconde sur du texte, des photos et des vidéos sur Apple Silicon. Aucun serveur. Aucune API. Un seul fichier. Swift pur.
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.
Un SDK pour travailler avec les LLM et les agents d'IA depuis Apache Airflow, basé sur Pydantic AI
Transformez vos images et vidéos en une base de connaissances personnelle
🔎 SimilaritySearchKit est un package Swift qui fournit des intégrations de texte sur l'appareil et des fonctionnalités de recherche sémantique pour les applications iOS et macOS.
Foire aux questions
Quel est le dépôt #vector-embeddings le plus populaire sur GitHub ?
Le projet #vector-embeddings open source le mieux classé sur GitHub est giancarloerra/SocratiCode, avec 3,382 étoiles. Intelligence de codebase de niveau entreprise (40m+ LOC), zéro configuration, local et privé Plugin/Skill/Extension ou MCP : recherche sémantique hybride, graphes de dépendances polyglottes, analyse d'impact au niveau des symboles & flux d'appels, visionneuse HTML interactive, recherche cross-projet & consciente des branches, connaissances DB/API/infra. 61% de tokens en moins, 84% d'appels en moins, 37x plus rapide. Cloud en bêta.
Quels langages de programmation sont les plus utilisés dans les dépôts #vector-embeddings ?
Parmi les projets #vector-embeddings les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, TypeScript, Swift, Jupyter Notebook.
Comment le classement des dépôts #vector-embeddings est-il calculé ?
Nous suivons 16 dépôts open source actifs associés à #vector-embeddings (500+ étoiles), totalisant 17,649 étoiles, avec une moyenne de 1,103 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.