#vector-search Dépôts
Découvrez 109 dépôts GitHub open source actifs associés à #vector-search, cumulant 868,793 étoiles au total (soit une moyenne de 7,970 étoiles par projet). Le projet en tête de ce thème est ruvnet/ruflo, avec 82,196 étoiles.
109 dépôts au total
🌊 Le framework d’agents original. Déployez des essaims intelligents multi-agents, coordonnez des flux de travail autonomes et créez des systèmes d’IA conversationnelle. Il intègre une mémoire adaptative, une intelligence auto-apprenante, la fédération, l’intégration de RAG vectoriel, ainsi qu’une prise en charge native de Claude Code / Codex / Hermes et bien d’autres outils
Pour les développeurs qui construisent des applications pilotées par des données en temps réel, Redis est le cache préféré, le plus rapide et le plus riche en fonctionnalités, serveur de structures de données, et moteur de requête pour documents et vecteurs.
Une API de moteur de recherche ultra-rapide qui apporte la recherche hybride alimentée par l'IA à vos sites et applications.
Milvus est une base de données vectorielle haute performance et native du cloud, conçue pour la recherche ANN vectorielle scalable.
Plateforme open-source de connaissances LLM : transformez des documents bruts en RAG interrogable, un agent de raisonnement autonome et un Wiki auto-maintenu.
SeaweedFS est un système de stockage distribué pour le stockage d’objets (S3), les systèmes de fichiers, les buckets de tables Iceberg et les buckets de vecteurs Lance. Il est conçu pour gérer des milliards de fichiers avec un accès disque en O(1) et une évolutivité horizontale sans effort.
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/
Plateforme d'IA Open Source – Chat d'IA avec des fonctionnalités avancées qui fonctionne avec tous les LLM
TencentDB Agent Memory est un hub de mémoire au niveau de l'équipe pour les agents d'IA, transformant les conversations, les documents et le code en quatre actifs de mémoire réutilisables (Chat Memory, Skill, LLM-Wiki, Code-Graph) qui sont gouvernés, partagés et équipés entre les agents et les frameworks.
Le harnais d'IA n°1 pour créer des CV, PDF, lettres de motivation et plus, localement avec le support de plus de 100 LLM.
Alternative open source à Algolia + Pinecone et une alternative plus facile à utiliser qu'ElasticSearch ⚡ 🔍 ✨ Moteur de recherche rapide, tolérant aux fautes de frappe, en mémoire flou pour créer des expériences de recherche agréables
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.
Un index vectoriel construit sur TurboQuant, écrit en Rust avec des bindings Python
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.
[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
Une bibliothèque moderne d'indexation textuelle/numérique/géo-spatiale/vectorielle pour Go
Un moteur de recherche complet et un pipeline RAG dans votre navigateur, serveur ou réseau edge avec prise en charge de la recherche full-text, vectorielle et hybride en moins de 2 Ko.
OceanBase est la base de données distribuée unifiée pour l'ère de l'IA : open-source, multi-modèle, un moteur unique pour vos charges de travail les plus exigeantes.
MemoryBear : Équipez l'IA d'une mémoire semblable à celle des humains
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.
Data Agent Ready Warehouse : Un pour Analytics, Recherche, IA, Sandbox Python. — reconstruit à partir de zéro. Architecture unifiée sur votre S3.
Cache sémantique pour LLMs. Entièrement intégré avec LangChain et llama_index.
LLM Zoomcamp - un cours en ligne gratuit sur les applications réelles des LLM. En 10 semaines, vous apprendrez à créer un système d'IA qui répond aux questions sur votre base de connaissances. Inscrivez-vous ici 👇🏼
Apache Pinot : une base de données d’analyse en temps réel pour les requêtes SQL à faible latence et la recherche vectorielle, au service des applications destinées aux utilisateurs et aux agents
Moteur de recherche de texte/vecteurs en Go, open source, distribué, simple, rapide et efficace
Superduper : Framework de bout en bout pour la création d'applications et d'agents IA personnalisés.
Une bibliothèque de recherche distribuée de voisinage le plus proche approximative (ANN) qui fournit des kits d'outils de haute qualité pour la construction d'indices vectoriels, la recherche et la mise à disposition en ligne distribuée pour des scénarios de recherche vectorielle à grande échelle.
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.
Un moteur de mémoire cognitive bio-inspiré — un nouveau paradigme pour Graph RAG.
Un graphe de proximité pour la recherche vectorielle, les produits creux et l’attention sur RAM, VRAM et NVMe, appliqué aux vecteurs denses, séquences, formes et ensembles géospatiaux, en 14 langues 🔍
Recherche local-first dans tout votre espace de travail, conçue pour les humains et les agents d’IA.
ColBERT : recherche neuronale de pointe (SIGIR'20, TACL'21, NeurIPS'21, NAACL'22, CIKM'22, ACL'23, EMNLP'23)
Utilisez et entraînez facilement des méthodes de récupération à interaction tardive de pointe (ColBERT) dans n'importe quel pipeline RAG. Conçu pour la modularité et la facilité d'utilisation, soutenu par la recherche.
Serveur d'inférence open source et cluster de production pour tous les modèles dont votre agent a besoin.
OP Vault ChatGPT : Donnez à ChatGPT une mémoire à long terme en utilisant l'OP Stack (OpenAI + Pinecone Vector Database). Téléchargez vos propres fichiers de base de connaissances personnalisés (PDF, txt, epub, etc.) à l'aide d'un simple frontend React.
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.
Bibliothèque Python rapide, précise et légère pour créer des embeddings de pointe
Extension Postgres pour la recherche vectorielle (DiskANN), complétant pgvector en termes de performance et d'échelle. Sous licence OSS Postgres.
Outils open-source pour les tests et l'expérimentation de prompts, avec prise en charge des LLM (par ex. OpenAI, LLaMA) et des bases de données vectorielles (par ex. Chroma, Weaviate, LanceDB).
Carnets Jupyter pour vous aider à vous familiariser avec les bases de données vectorielles Pinecone
Un nouveau SOTA pour le RAG — une architecture de récupération originale et une base de connaissances open source pour les humains et les agents.
Lecteur de livres électroniques multiplateforme alimenté par l'IA avec recherche sémantique, chat RAG, stockage vectoriel local, notes, TTS et synchronisation WebDAV.
Plateforme tout-en-un pour la recherche, les recommandations, RAG et l'analyse proposées via API
🚀 Une librairie efficace de collections d'algorithmes de recherche approximative du plus proche voisin écrite en Rust 🦀 .
Foire aux questions
Quel est le dépôt #vector-search le plus populaire sur GitHub ?
Le projet #vector-search open source le mieux classé sur GitHub est ruvnet/ruflo, avec 82,196 étoiles. 🌊 Le framework d’agents original. Déployez des essaims intelligents multi-agents, coordonnez des flux de travail autonomes et créez des systèmes d’IA conversationnelle. Il intègre une mémoire adaptative, une intelligence auto-apprenante, la fédération, l’intégration de RAG vectoriel, ainsi qu’une prise en charge native de Claude Code / Codex / Hermes et bien d’autres outils
Quels langages de programmation sont les plus utilisés dans les dépôts #vector-search ?
Parmi les projets #vector-search les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Rust, TypeScript, Go.
Comment le classement des dépôts #vector-search est-il calculé ?
Nous suivons 109 dépôts open source actifs associés à #vector-search (500+ étoiles), totalisant 868,793 étoiles, avec une moyenne de 7,970 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.