#vector-search Repositórios
Descubra 109 repositórios ativos de código aberto no GitHub marcados com #vector-search, acumulando um total de 868,793 estrelas (uma média de 7,970 por projeto). O líder deste tópico é ruvnet/ruflo, com 82,196 estrelas.
109 repositórios no total
🌊 O framework original para agentes. Implante enxames inteligentes multiagente, coordene fluxos de trabalho autônomos e crie sistemas de IA conversacional. Inclui memória adaptativa, inteligência de autoaprendizagem, federação, integração com RAG vetorial e suporte nativo ao Claude Code / Codex / Hermes, além de muitos outros recursos integrados
Para desenvolvedores que estão construindo aplicações orientadas a dados em tempo real, o Redis é o cache, servidor de estrutura de dados e motor de consulta de documentos e vetores preferido, mais rápido e com mais recursos.
Uma API de motor de busca ultrarrápida que traz a pesquisa híbrida alimentada por IA para seus sites e aplicativos.
Milvus é um banco de dados vetorial de alto desempenho e nativo da nuvem, construído para pesquisa ANN vetorial escalável
Plataforma open-source de conhecimento LLM: transforme documentos brutos em um RAG consultável, um agente de raciocínio autônomo e uma Wiki auto-mantida.
SeaweedFS é um sistema de armazenamento distribuído para armazenamento de objetos (S3), sistemas de arquivos, buckets de tabelas Iceberg e buckets de vetores Lance, projetado para lidar com bilhões de arquivos com acesso ao disco O(1) e escalabilidade horizontal descomplicada.
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/
Plataforma de IA de Código Aberto - Chat de IA com recursos avançados que funciona com todos os LLMs
TencentDB Agent Memory é um hub de memória em nível de equipe para Agentes de IA, transformando conversas, documentos e código em quatro ativos de memória reutilizáveis (Chat Memory, Skill, LLM-Wiki, Code-Graph) que são governados, compartilhados e equipados entre agentes e frameworks.
O melhor harness de IA para criar currículos, PDFs, cartas de apresentação e mais, localmente com suporte a mais de 100 LLMs.
Alternativa de código aberto a Algolia + Pinecone e uma alternativa mais fácil de usar ao ElasticSearch ⚡ 🔍 ✨ Mecanismo de busca difusa rápido, tolerante a erros de digitação e em memória para construir experiências de busca agradáveis
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.
Um índice vetorial construído sobre TurboQuant, escrito em Rust com bindings Python
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.
[Melhor artigo do MLsys2026]: https://arxiv.org/abs/2506.08276. RAG em tudo com o LEANN. Aproveite uma economia de armazenamento de 97% enquanto executa um aplicativo RAG rápido, preciso e 100% privado em seu dispositivo pessoal.
Framework de IA completo para pesquisa semântica, orquestração de LLM e fluxos de trabalho de modelos de linguagem
Uma moderna biblioteca de indexação de texto/numérica/geoespacial/vetorial para Go
🌌 Um mecanismo de busca completo e pipeline RAG no seu navegador, servidor ou rede de borda, com suporte para busca de texto completo, vetorial e híbrida, em menos de 2kb.
O OceanBase é o banco de dados distribuído unificado para a era da IA: de código aberto, multimodelo, um único mecanismo para suas cargas de trabalho mais exigentes.
MemoryBear: Equipe a IA com capacidade de memória semelhante à humana
Um Postgres para os dados da sua aplicação, pesquisa de texto completo, recuperação vetorial e agregações. O lar da extensão pg_search.
Data Agent Ready Warehouse: Um para Analytics, Busca, IA, Sandbox Python. — reconstruído do zero. Arquitetura unificada no seu S3.
LLM Zoomcamp - um curso online gratuito sobre aplicações reais de LLMs. Em 10 semanas, você aprenderá a construir um sistema de IA que responde a perguntas sobre sua base de conhecimento. Inscreva-se aqui 👇🏼
Apache Pinot: um banco de dados de análise em tempo real para SQL de baixa latência e busca vetorial, que atende a aplicações voltadas para usuários e agentes
Mecanismo de busca de texto/vetores em Go, de código aberto, distribuído, simples, rápido e eficiente
Superduper: Framework de ponta a ponta para a criação de aplicações e agentes de IA personalizados.
Uma biblioteca de busca de vizinhos mais próximos aproximados (ANN) distribuída que fornece ferramentas de alta qualidade para construção de índices vetoriais, busca e serviço online distribuído para cenários de busca vetorial em larga escala.
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.
Um motor de memória cognitiva bio-inspirado — um novo paradigma para Graph RAG.
Um grafo de proximidade para busca vetorial, produtos esparsos e atenção em RAM, VRAM e NVMe, aplicado a vetores densos, sequências, formas e conjuntos geoespaciais em 14 idiomas 🔍
Pesquisa local-first em todo o seu espaço de trabalho, criada para pessoas e agentes de IA.
ColBERT: busca neural de ponta (SIGIR'20, TACL'21, NeurIPS'21, NAACL'22, CIKM'22, ACL'23, EMNLP'23)
Use e treine facilmente métodos de recuperação de última geração de interação tardia (ColBERT) em qualquer pipeline RAG. Projetado para modularidade e facilidade de uso, apoiado por pesquisa.
Servidor de inferência de código aberto e cluster de produção para todos os modelos que seu agente precisa.
OP Vault ChatGPT: Dê ao ChatGPT memória de longo prazo usando o OP Stack (OpenAI + Pinecone Vector Database). Carregue seus próprios arquivos de base de conhecimento personalizados (PDF, txt, epub, etc) usando um frontend React simples.
Inteligência de codebase de nível enterprise (40m+ LOC), zero-setup, local e privado Plugin/Skill/Extension ou MCP: busca semântica híbrida, grafos de dependência poliglota, análise de impacto em nível de símbolo & fluxo de chamadas, visualizador HTML interativo, busca cross-projeto e consciente de branch, conhecimento DB/API/infra. 61% menos tokens, 84% menos chamadas, 37x mais rápido. Cloud em beta.
Extensão do Postgres para pesquisa vetorial (DiskANN), complementa o pgvector em termos de desempenho e escala. Licenciada como OSS do Postgres.
Ferramentas de código aberto para teste e experimentação de prompts, com suporte para LLMs (por exemplo, OpenAI, LLaMA) e bancos de dados vetoriais (por exemplo, Chroma, Weaviate, LanceDB).
Jupyter Notebooks para ajudar você a obter experiência prática com bancos de dados vetoriais Pinecone
Um novo SOTA para RAG — uma arquitetura de recuperação original e uma base de conhecimento de código aberto para humanos e agentes.
Leitor de e-books multiplataforma com inteligência artificial, incluindo pesquisa semântica, chat RAG, armazenamento vetorial local, notas, TTS e sincronização WebDAV.
Plataforma tudo-em-um para pesquisa, recomendações, RAG e análises oferecidas via API
🚀 Biblioteca eficiente de coleções de algoritmos de busca aproximada do vizinho mais próximo, escrita em Rust 🦀.
Perguntas Frequentes
Qual é o repositório de #vector-search mais popular no GitHub?
O projeto de código aberto de #vector-search mais bem classificado no GitHub é ruvnet/ruflo, com 82,196 estrelas. 🌊 O framework original para agentes. Implante enxames inteligentes multiagente, coordene fluxos de trabalho autônomos e crie sistemas de IA conversacional. Inclui memória adaptativa, inteligência de autoaprendizagem, federação, integração com RAG vetorial e suporte nativo ao Claude Code / Codex / Hermes, além de muitos outros recursos integrados
Quais linguagens de programação são mais usadas nos repositórios de #vector-search?
Entre os projetos de #vector-search mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Rust, TypeScript, Go.
Como é calculada a classificação dos repositórios de #vector-search?
Acompanhamos 109 repositórios ativos de código aberto marcados com #vector-search (com mais de 500 estrelas), totalizando 868,793 estrelas e uma média de 7,970 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.