#retrieval-augmented-generation Repositórios
254 repositórios no total
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.
Código Oficial para o Artigo: RecurrentGPT: Geração Interativa de Texto (Arbitrariamente) Longo
Um guia completo para começar e aprimorar suas habilidades em LLM em 2026, mesmo com pouca experiência na área, e manter-se atualizado com as últimas notícias e as técnicas de ponta!
Referência transparente de RAG em Python com recuperação híbrida FAISS + BM25, reranking, interface Gradio e FastAPI.
RAG-Fusion: geração multi-consulta + Fusão de Rank Recíproco para melhor geração aumentada por recuperação. Inclui harness de avaliação com NFCorpus/BEIR.
Este repositório compartilha notebooks de ponta a ponta sobre como utilizar vários recursos e integrações do Weaviate!
Construa um pipeline RAG (Retrieval Augmented Generation) do zero e faça com que tudo seja executado localmente.
Potencializar Modelos de Linguagem Grandes (LLM) usando Geração Aumentada por Recuperação baseada em Grafos de Conhecimento (KG-RAG) para tarefas intensivas em conhecimento
Um Tutorial Aprimorado (v2) de Langchain RAG com LLMs locais, atualizações de banco de dados e testes.
Permita que a IA navegue por OpenAPIs complexas usando Linguagem Simples
⚕️Chatbot multiagente para diagnóstico médico e assistência à pesquisa em saúde, impulsionado por IA Generativa (GenAI). 🏥 Destinado a profissionais de saúde, pesquisadores e pacientes.
Roteiro de aprendizado de desenvolvimento de aplicações de LLM de Xiao Li, cobrindo RAG, agentes, fundamentos de entrevistas e leitura rápida de artigos.
Um sistema de memória geral para agentes, impulsionado por pesquisa aprofundada
Construa seu próprio Chat de IA serverless com Geração Aumentada por Recuperação, utilizando LangChain.js, TypeScript e Azure
Materiais para o curso Essenciais de Engenharia de LLM
Um Sistema RAG de Grafos para Recuperação de Informação Médica Baseada em Evidências [ACL 2025]
Este modelo NVIDIA RAG serve como uma solução de referência para um pipeline fundamental de Geração Aumentada por Recuperação (RAG).
Aplicações LLM (Large Language Model) agênticas, rápidas, de indexação por streaming e consulta em Rust
Um leitor assistido por IA com design de três colunas que permite a interação simultânea de anotações, leitura e conversação na mesma tela, tornando a leitura aprofundada mais eficiente.
Context Portal (ConPort): Um servidor MCP que atua como banco de memória, construindo um grafo de conhecimento específico do projeto para potencializar assistentes de IA. Permite uma poderosa Geração Aumentada por Recuperação (RAG) para um desenvolvimento sensível ao contexto no seu IDE.
Ingerir arquivos para geração aumentada por recuperação (RAG) com Modelos de Linguagem Grandes (LLMs) de código aberto, tudo sem que terceiros ou dados sensíveis saiam da sua rede.
Transforme Seu Conteúdo em um Assistente de Suporte de IA 24 horas por dia, 7 dias por semana
R1-searcher: Incentivando a Capacidade de Busca em LLMs via Aprendizado por Reforço
Este repositório serve como um guia abrangente para hackathons, oferecendo insights e recursos valiosos tanto para iniciantes quanto para participantes experientes. Ele cobre os aspectos essenciais, como encontrar hackathons futuros, dicas para selecionar o evento certo e estratégias detalhadas de preparação.
Estrutura genérica de 'rag' para aplicar o poder dos LLMs em qualquer conjunto de dados fornecido
Assistência de Ollama local e de GPTs semelhantes ao OpenAI para máxima privacidade e acesso offline
[Destaque NeurIPS 2024] Buffer de Pensamentos: Raciocínio Aumentado por Pensamento com Grandes Modelos de Linguagem
Servidor MCP para memória de longo prazo do agente com Mem0. Também útil como um modelo para você começar a construir seu próprio servidor MCP com Python!
RAGLight é uma estrutura modular para Geração Aumentada por Recuperação (RAG). Ela facilita a integração de diferentes LLMs, embeddings e armazenamento de vetores, e agora inclui integração MCP perfeita para conectar ferramentas e fontes de dados externas.