#hybrid-search Repositórios
Descubra 22 repositórios ativos de código aberto no GitHub marcados com #hybrid-search, acumulando um total de 175,935 estrelas (uma média de 7,997 por projeto). O líder deste tópico é meilisearch/meilisearch, com 59,951 estrelas.
22 repositórios no total
Uma API de motor de busca ultrarrápida que traz a pesquisa híbrida alimentada por IA para seus sites e aplicativos.
Qdrant - Banco de Dados Vetorial de alto desempenho e em escala massiva e Motor de Busca Vetorial para a próxima geração de IA. Também disponível na nuvem https://cloud.qdrant.io/
Motor de busca com IA e servidor MCP para bots e agentes. Um único binário Rust indexa código, documentos, logs, arquivos JSONL/CSV e PDFs para buscas de texto completo BM25, vetorial e híbrida, busca de código sem grep, memória de agentes e RAG. API compatível com Elasticsearch; o Corpus Hub oferece centenas de corpora de referência para memória.
Weaviate é um banco de dados vetorial de código aberto que armazena objetos e vetores, permitindo a combinação de busca vetorial com filtragem estruturada, com a tolerância a falhas e escalabilidade de um banco de dados nativo da nuvem.
Um Postgres para os dados da sua aplicação, pesquisa de texto completo, recuperação vetorial e agregações. O lar da extensão pg_search.
Seu agente bibliotecário pessoal. Pergunte qualquer coisa sobre o seu computador, organize arquivos e lembre-se de informações e arquivos importantes.
O banco de dados nativo de IA construído para aplicações LLM, fornecendo pesquisa híbrida incrivelmente rápida de vetores densos, vetores esparsos, tensores (multivetor) e texto completo.
A camada de contexto de código aberto para agentes de IA e pesquisa empresarial com IA. Pesquisa com controle de permissões e respostas com citações em mais de 30 fontes, incluindo Slack, Drive, Jira, GitHub e Microsoft 365, para pessoas e agentes por meio de MCP, SDKs e agentes integrados. Hospedado por você ou na nuvem.
O banco de dados de pesquisa nativo de IA. Melhor para armazenamento de agentes, unifica dados vetoriais, textuais, estruturados e semiestruturados em um único mecanismo. Esse banco de dados tudo-em-um torna os agentes mais inteligentes, mais fáceis de executar e mais estáveis.
Uma camada de memória unificada e persistente para todos os seus agentes de IA (ex.: Claude Code, Codex, DSH), suportada por Markdown e Milvus.
SeekStorm: busca vetorial e lexical - biblioteca em processo e servidor multi-tenant, em Rust.
Um banco de dados vetorial multimodal que suporta upserts e consultas de vetores usando SQL unificado (compatível com MySQL) em dados estruturados e não estruturados, ao mesmo tempo que atende aos requisitos de alta concorrência e latência ultrabaixa.
Endee.io – Um banco de dados vetorial de alto desempenho, projetado para lidar com até 1 bilhão de vetores em um único nó, oferecendo ganhos significativos de desempenho por meio de indexação e execução otimizadas. Também disponível na nuvem https://endee.io/
Reclassificação leve e super-rápida para seus pipelines de pesquisa e recuperação. Suporta reclassificação Listwise e Pairwise SoTA baseada em LLMs e cross-encoders e mais. Criado por Prithivi Da, aberto para PRs e Colaborações.
Referência transparente de RAG em Python com recuperação híbrida FAISS + BM25, reranking, interface Gradio e FastAPI.
A camada de recuperação para sistemas de IA em produção. Pesquisa ultrarrápida (<10 ms) sem bancos de dados vetoriais. Construída para navegador, edge, dispositivo e nuvem.
Banco de dados incorporável, em memória e orientado a documentos com uma interface de construtor de consultas de alto nível.
CLI de inteligência de código baseado em Rust para agentes de codificação de IA. Constrói grafos de chamada e índices de busca semântica híbrida (Denso + Esparso + RRF + Reranker) em 7 idiomas. É fornecido como ferramentas MCP nativas para Claude Code e Codex CLI.
Base de conhecimento RAG empresarial com prioridade para o chinês: análise controlável, governança, segmentação, recuperação híbrida, reranking, citações, grafos de conhecimento, avaliação e integração com o Dify.
VectorRAG.Net é uma biblioteca de banco de dados vetorial de alto desempenho nativa em .NET para busca semântica e RAG (Geração Aumentada por Recuperação). A busca principal é baseada na geração de candidatos LSH de hiperplano aleatório com reclassificação exata por produto escalar/cosseno.
Perguntas Frequentes
Qual é o repositório de #hybrid-search mais popular no GitHub?
O projeto de código aberto de #hybrid-search mais bem classificado no GitHub é meilisearch/meilisearch, com 59,951 estrelas. Uma API de motor de busca ultrarrápida que traz a pesquisa híbrida alimentada por IA para seus sites e aplicativos.
Quais linguagens de programação são mais usadas nos repositórios de #hybrid-search?
Entre os projetos de #hybrid-search mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Rust, C++, Go.
Como é calculada a classificação dos repositórios de #hybrid-search?
Acompanhamos 22 repositórios ativos de código aberto marcados com #hybrid-search (com mais de 500 estrelas), totalizando 175,935 estrelas e uma média de 7,997 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.