#retrieval-augmented-generation Repository
Scopri 254 repository GitHub open source attivi contrassegnati con #retrieval-augmented-generation, che raccolgono un totale di 1,102,453 stelle (con una media di 4,340 stelle per progetto). Il progetto leader di questo argomento è infiniflow/ragflow, con 94,501 stelle.
254 repository in totale
RAGFlow è un database nativo per agenti: un motore di generazione aumentata dal recupero (RAG) che si è evoluto fino a diventare un’infrastruttura di contesto.
Un server RAG senza codice che mantiene le risposte sincronizzate con i tuoi documenti. Compatibile con 8 database vettoriali. Basato su Pathway.
Una raccolta di quaderni/ricette che mostrano alcuni modi divertenti ed efficaci di usare Claude.
DSPy: Il framework per programmare – non per il prompting – i modelli linguistici
Langchain-Chatchat (precedentemente Langchain-ChatGLM), LLM basato sulla conoscenza locale (come ChatGLM, Qwen e Llama) RAG e app Agent con Langchain | Langchain-Chatchat (precedentemente langchain-ChatGLM), LLM basato sulla conoscenza locale (come ChatGLM, Qwen e Llama) RAG e app Agent con Langchain
Un sistema di cura della conoscenza basato su LLM che ricerca un argomento e genera un rapporto completo con citazioni.
Questo repository presenta varie tecniche avanzate per i sistemi di Retrieval-Augmented Generation (RAG). Ogni tecnica ha un tutorial dettagliato in notebook.
Framework open‑source per l’orchestrazione dell’IA che consente di creare applicazioni LLM pronte per la produzione, progettate con un contesto. Progetta pipeline modulari e flussi di lavoro degli agenti con controlli espliciti su recupero, routing, memoria e generazione. Costruito per agenti scalabili, RAG, applicazioni multimodali, ricerca semantica e sistemi di conversazione.
Chatta con i tuoi documenti sul tuo dispositivo locale utilizzando i modelli GPT. Nessun dato lascia il tuo dispositivo e il 100% privato.
Livello di memoria per Agenti IA. Sostituisci complesse pipeline RAG con un livello di memoria serverless a file singolo. Dai ai tuoi agenti recupero istantaneo e memoria a lungo termine.
Framework unificato per la creazione di pipeline RAG aziendali con modelli piccoli e specializzati
[Miglior articolo MLsys2026]: https://arxiv.org/abs/2506.08276. RAG su tutto con LEANN. Goditi un risparmio di spazio di archiviazione del 97% mentre esegui un'applicazione RAG veloce, accurata e privata al 100% sul tuo dispositivo personale.
Framework AI all-in-one per la ricerca semantica, l'orchestrazione LLM e i flussi di lavoro dei modelli linguistici
Pocket Flow: Framework LLM da 100 righe. Lascia che siano gli agenti a costruire agenti!
~95% su SimpleQA (es. Qwen3.6-27B su una 3090). Supporta tutti i LLM locali e cloud (llama.cpp, Ollama, Google, ...). 10+ motori di ricerca - arXiv, PubMed, i tuoi documenti privati. Tutto Locale & Criptato.
"Il Context Engineering è l'arte e la scienza delicata di riempire la finestra di contesto con le giuste informazioni per il passo successivo." — Andrej Karpathy. Un manuale pionieristico, basato sui primi princìpi, ispirato da Karpathy e 3Blue1Brown per andare oltre il prompt engineering verso la più ampia disciplina della progettazione, orchestrazione e ottimizzazione del contesto.
🧑🚀 Riepilogo delle migliori risorse LLM al mondo (Generazione multimodale, Agent, Programmazione assistita, Revisione AI, Elaborazione dati, Addestramento modelli, Inferenza modelli, Modello o1, MCP, Piccoli modelli linguistici, Modelli linguistici visivi) | Summary of the world's best LLM resources.
Sistema di recupero AI pronto per la produzione all'avanguardia. Generazione potenziata dal recupero agentivo (RAG) con un'API RESTful.
[EMNLP'23, ACL'24] Per accelerare l'inferenza dei LLM e migliorare la percezione delle informazioni chiave da parte dei LLM, comprimiamo il prompt e la KV-Cache, ottenendo fino a 20 volte la compressione con una minima perdita di prestazioni.
Invia una telefonata da un agente IA, in una chiamata API. Oppure, chiama direttamente il bot dal numero di telefono configurato!
Genera romanzi lunghi con più capitoli utilizzando l'IA, collegando automaticamente il contesto e gli indizi
🎙️🤖Crea, personalizza e parla con il tuo personaggio/compagno IA in tempo reale (Tutto in un'unica codebase!). Avvia una conversazione naturale e fluida con l'IA ovunque (mobile, web e terminale) utilizzando LLM OpenAI GPT3.5/4, Anthropic Claude2, Chroma Vector DB, Whisper Speech2Text, ElevenLabs Text2Speech🎙️🤖
Il tuo assistente bibliotecario personale. Chiedigli qualsiasi cosa sul tuo computer, organizza i file e fagli ricordare informazioni e file importanti.
Compagni AI con memoria: uno stack leggero per creare e ospitare i tuoi compagni AI
Search-R1: Un framework di training RL efficiente e scalabile per il ragionamento e la chiamata di motori di ricerca basato su LLM intercalati con veRL
Il RAG definitivo per il tuo monorepo. Interroga, comprendi e modifica codebase multilingue con la potenza dell'IA e dei knowledge graph.
Questa è una guida passo passo per iniziare con i modelli AI/LLM di grandi dimensioni, che include tutorial e codice dimostrativo. Ti porterà dalle API all'implementazione e al fine-tuning locali di grandi modelli. I file di codice saranno forniti in versioni online per Kaggle o Colab, permettendoti di imparare anche senza una GPU. Il progetto include anche un piccolo "playground" di codice 🎡, dove puoi sperimentare script AI interessanti. Inoltre, include una versione cinese speculare completa dei compiti del corso "Introduzione all'intelligenza artificiale generativa 2024" di Hung-Yi Lee.
Un RAG Agentic modulare costruito con LangGraph — impara gli agenti di Generazione Aumentata dalla Ricerca in pochi minuti.
Framework RAG (Retrieval Augmented Generation) per la creazione di applicazioni open source modulari per la produzione di TrueFoundry
Flussi di lavoro di riferimento per l'IA generativa ottimizzati per un'architettura di microservizi e un'infrastruttura accelerate.
Converti qualsiasi testo in un grafo di conoscenza. Questo può essere utilizzato per la generazione aumentata da grafo o per QnA basati su grafi di conoscenza.
Infrastruttura di visione per trasformare documenti complessi in dati pronti per gli LLM
Domande frequenti
Qual è il repository #retrieval-augmented-generation più popolare su GitHub?
Il progetto open source #retrieval-augmented-generation più alto in classifica su GitHub è infiniflow/ragflow, con 94,501 stelle. RAGFlow è un database nativo per agenti: un motore di generazione aumentata dal recupero (RAG) che si è evoluto fino a diventare un’infrastruttura di contesto.
Quali linguaggi di programmazione sono più utilizzati nei repository #retrieval-augmented-generation?
Tra i progetti #retrieval-augmented-generation più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, TypeScript, Rust.
Come viene calcolata la classifica dei repository #retrieval-augmented-generation?
Monitoriamo 254 repository open source attivi contrassegnati con #retrieval-augmented-generation (500+ stelle), per un totale di 1,102,453 stelle e una media di 4,340 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.