#retrieval-augmented-generation リポジトリ
#retrieval-augmented-generationのタグが付いた、GitHub上の254件のアクティブなオープンソースリポジトリをご覧ください。合計スター数は1,102,453個で、プロジェクトあたりの平均は4,340個です。このトピックをリードしているのは、94,501個のスターを獲得しているinfiniflow/ragflowです。
リポジトリ合計254件
Langchain-Chatchat(旧Langchain-ChatGLM)、LangchainとChatGLM、Qwen、Llamaなどの言語モデルに基づくRAGおよびAgentアプリケーション | Langchain-Chatchat(舊langchain-ChatGLM)、Langchainを使用したローカルナレッジベースLLM(ChatGLM、Qwen、Llamaなど)RAGおよびAgentアプリ
このリポジトリは、Retrieval-Augmented Generation (RAG) システムのさまざまな高度な手法を展示しています。各手法には詳細なノートブックチュートリアルがあります。
コンテキスト設計に優れた、プロダクションレディなLLMアプリケーション構築のためのオープンソースAIオーケストレーションフレームワーク。検索、ルーティング、メモリ、生成を明確に制御できるモジュールパイプラインとエージェントワークフローを設計。スケーラブルなエージェント、RAG、マルチモーダルアプリケーション、セマンティック検索、会話システム向けに構築されています。
[MLsys2026 最優秀論文]: https://arxiv.org/abs/2506.08276。LEANN であらゆるものに RAG を。個人用デバイスで高速、高精度、かつ 100% プライベートな RAG アプリケーションを実行しながら、ストレージを 97% 節約できます。
SimpleQA で ~95%(例: Qwen3.6-27B を 3090 で)。すべてのローカルおよびクラウド LLM をサポート(llama.cpp、Ollama、Google など)。10+ 検索エンジン - arXiv、PubMed、あなたのプライベートドキュメント。すべてローカル&暗号化。
「コンテキストエンジニアリングとは、次のステップに必要な情報をコンテキストウィンドウに正確に詰め込む、繊細な技術であり科学です。」— Andrej Karpathy。Karpathyと3Blue1Brownに触発された、フロンティアの第一原理に基づくハンドブック。プロンプトエンジニアリングを超え、より広範なコンテキスト設計、オーケストレーション、最適化の分野へ。
🧑🚀 世界最高のLLMリソースのまとめ(マルチモーダル生成、エージェント、支援プログラミング、AIレビュー、データ処理、モデル訓練、モデル推論、o1モデル、MCP、小規模言語モデル、視覚言語モデル)| Summary of the world's best LLM resources.
[EMNLP'23, ACL'24] LLMの推論を高速化し、LLMの主要情報に対する認識を強化するために、プロンプトとKVキャッシュを圧縮し、パフォーマンスの低下を最小限に抑えながら最大20倍の圧縮を実現します。
🎙️🤖リアルタイムでAIキャラクター/コンパニオンを作成、カスタマイズ、会話(すべて1つのコードベースで!)。LLM OpenAI GPT3.5/4、Anthropic Claude2、Chroma Vector DB、Whisper Speech2Text、ElevenLabs Text2Speechを使用して、どこでも(モバイル、Web、ターミナル)AIと自然でシームレスな会話をしましょう🎙️🤖
これは、AI/LLM大規模モデル入門のためのステップバイステップガイドであり、チュートリアルとデモコードが含まれています。APIからローカルでの大規模モデルのデプロイとファインチューニングまでを案内し、コードファイルはKaggleまたはColabのオンラインバージョンで提供されるため、GPUがなくても学習できます。また、興味深いAIスクリプトを試すことができる小さなコードプレイグラウンド🎡も用意されています。同時に、李宏毅(HUNG-YI LEE)による2024年の生成AI入門コースの完全な中国語ミラー課題も含まれています。
LangGraph で構築されたモジュール式 Agentic RAG — 数分で Retrieval-Augmented Generation エージェントを学びましょう。
TrueFoundry による本番環境向けのモジュラー型オープンソース アプリケーション構築のための RAG (Retrieval Augmented Generation) フレームワーク
よくある質問
GitHubで最も人気のある#retrieval-augmented-generationリポジトリは何ですか?
GitHubで最も上位にランクインしているオープンソースの#retrieval-augmented-generationプロジェクトは、94,501個のスターを獲得しているinfiniflow/ragflowです。RAGFlowはエージェントネイティブなデータベースです。検索拡張生成(RAG)エンジンとして始まり、コンテキスト基盤へと発展しました。
#retrieval-augmented-generationリポジトリで最もよく使われているプログラミング言語は何ですか?
GitHubで上位にランクインしている#retrieval-augmented-generationプロジェクトでは、Python, Jupyter Notebook, TypeScript, Rustが最も一般的なプログラミング言語です。
#retrieval-augmented-generationリポジトリのランキングはどのように算出されていますか?
#retrieval-augmented-generationのタグが付いた254件のアクティブなオープンソースリポジトリ(スター500個以上)を追跡しています。合計スター数は1,102,453個で、リポジトリあたりの平均は4,340個です。ランキングはGitHub APIからのデータに基づいて毎日更新されます。