#retrieval-augmented-generation 저장소
#retrieval-augmented-generation 태그가 지정된 GitHub의 활성 오픈 소스 저장소 254개를 확인해 보세요. 총 1,102,453개의 스타를 획득했으며 프로젝트당 평균 4,340개입니다. 이 주제를 이끄는 저장소는 94,501개의 스타를 받은 infiniflow/ragflow입니다.
저장소 총 254개
Langchain-Chatchat (이전 Langchain-ChatGLM), Langchain 및 ChatGLM, Qwen, Llama와 같은 언어 모델의 RAG 및 에이전트 애플리케이션 | Langchain-Chatchat (이전 langchain-ChatGLM), Langchain을 사용한 로컬 지식 기반 LLM (ChatGLM, Qwen 및 Llama 등) RAG 및 에이전트 앱
이 저장소는 Retrieval-Augmented Generation (RAG) 시스템의 다양한 고급 기술을 소개합니다. 각 기술에는 상세한 노트북 튜토리얼이 있습니다.
컨텍스트 엔지니어링이 적용된 프로덕션 준비 LLM 애플리케이션을 구축하기 위한 오픈소스 AI 오케스트레이션 프레임워크. 검색, 라우팅, 메모리, 생성에 대해 명시적 제어를 제공하는 모듈식 파이프라인 및 에이전트 워크플로를 설계하세요. 확장 가능한 에이전트, RAG, 멀티모달 애플리케이션, 시맨틱 검색, 대화형 시스템용으로 구축되었습니다.
AI 에이전트를 위한 메모리 계층. 복잡한 RAG 파이프라인을 서버리스 단일 파일 메모리 계층으로 대체하세요. 에이전트에게 즉각적인 검색 및 장기 기억을 제공합니다.
[MLsys2026 최우수 논문]: https://arxiv.org/abs/2506.08276. LEANN으로 모든 것에 RAG 적용. 개인 기기에서 빠르고 정확하며 100% 프라이빗한 RAG 애플리케이션을 실행하면서 97%의 저장 공간 절감 효과를 누려보세요.
SimpleQA에서 ~95% (예: Qwen3.6-27B를 3090에서). 모든 로컬 및 클라우드 LLM 지원 (llama.cpp, Ollama, Google 등). 10+ 검색 엔진 - arXiv, PubMed, 개인 문서. 모든 로컬 & 암호화.
"컨텍스트 엔지니어링은 다음 단계를 위한 적절한 정보를 컨텍스트 창에 채우는 섬세한 예술이자 과학입니다." — Andrej Karpathy. Karpathy와 3Blue1Brown에서 영감을 받아 프롬프트 엔지니어링을 넘어 컨텍스트 설계, 오케스트레이션 및 최적화라는 더 넓은 분야로 나아가는 것을 목표로 하는 선구적인 원리 기반 핸드북.
🧑🚀 전 세계 최고의 LLM 자료 요약 (다중 모드 생성, 에이전트, 보조 프로그래밍, AI 심사, 데이터 처리, 모델 훈련, 모델 추론, o1 모델, MCP, 소형 언어 모델, 시각 언어 모델) | Summary of the world's best LLM resources.
[EMNLP'23, ACL'24] LLM의 추론 속도를 높이고 LLM의 주요 정보 인식을 향상시키기 위해 프롬프트와 KV-Cache를 압축하여 성능 손실을 최소화하면서 최대 20배의 압축률을 달성합니다.
🎙️🤖실시간으로 나만의 AI 캐릭터/동반자를 만들고, 맞춤 설정하고, 대화하세요 (모든 기능을 하나의 코드베이스에서!). LLM OpenAI GPT3.5/4, Anthropic Claude2, Chroma Vector DB, Whisper Speech2Text, ElevenLabs Text2Speech를 사용하여 어디서나(모바일, 웹, 터미널) AI와 자연스럽고 끊김 없는 대화를 나누세요🎙️🤖
이것은 AI/LLM 대규모 모델 입문자를 위한 단계별 가이드로, 튜토리얼과 데모 코드를 포함합니다. API부터 로컬 대규모 모델 배포 및 미세 조정까지 안내하며, 코드 파일은 Kaggle 또는 Colab 온라인 버전을 제공하여 그래픽 카드 없이도 학습할 수 있습니다. 또한, 흥미로운 AI 스크립트를 실험해볼 수 있는 작은 코드 놀이터🎡도 마련되어 있습니다. 동시에, 이홍의 (HUNG-YI LEE) 2024년 생성형 AI 입문 강의의 전체 중국어 미러 버전 과제도 포함되어 있습니다.
LangGraph로 구축된 모듈식 Agentic RAG — 몇 분 만에 Retrieval-Augmented Generation 에이전트를 배워보세요.
자주 묻는 질문
GitHub에서 가장 인기 있는 #retrieval-augmented-generation 저장소는 무엇인가요?
GitHub에서 가장 높은 순위의 오픈 소스 #retrieval-augmented-generation 프로젝트는 94,501개의 스타를 받은 infiniflow/ragflow입니다. RAGFlow는 에이전트 네이티브 데이터베이스입니다. 검색 증강 생성(RAG) 엔진으로 시작해 컨텍스트 인프라로 발전했습니다.
#retrieval-augmented-generation 저장소에서 가장 많이 사용되는 프로그래밍 언어는 무엇인가요?
GitHub에서 순위가 가장 높은 #retrieval-augmented-generation 프로젝트 중 가장 일반적으로 사용되는 프로그래밍 언어는 Python, Jupyter Notebook, TypeScript, Rust입니다.
#retrieval-augmented-generation 저장소 순위는 어떻게 계산되나요?
#retrieval-augmented-generation 태그가 지정된 활성 오픈 소스 저장소(254개, 스타 500개 이상)를 추적하고 있습니다. 총 스타 수는 1,102,453개이며 저장소당 평균 4,340개입니다. 순위는 GitHub API를 통해 매일 업데이트됩니다.