#retrieval-augmented-generation Репозитории
Откройте для себя 254 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #retrieval-augmented-generation, с общим числом 1,102,453 звёзд (в среднем 4,340 на проект). Лидером этой темы является infiniflow/ragflow, набравший 94,501 звёзд.
Всего репозиториев: 254
RAGFlow — это база данных, изначально созданная для агентов: движок генерации с дополненной выборкой (RAG), который со временем превратился в инфраструктуру контекста.
Сервер RAG без программирования, который поддерживает синхронизацию ответов с вашими документами. Работает с 8 векторными базами данных. Создан на базе Pathway.
Коллекция блокнотов/рецептов, демонстрирующих некоторые интересные и эффективные способы использования Claude.
[EMNLP2025] LightRAG: простая и быстрая генерация с дополнением извлечённой информацией
Langchain-Chatchat (ранее Langchain-ChatGLM), RAG и приложение Agent на основе LLM с локальными знаниями (такими как ChatGLM, Qwen и Llama) с использованием Langchain | Langchain-Chatchat (ранее langchain-ChatGLM), RAG и приложение Agent на основе LLM с локальными знаниями (такими как ChatGLM, Qwen и Llama) с использованием Langchain
Система курации знаний на основе LLM, которая исследует тему и генерирует полный отчет с цитатами.
Этот репозиторий демонстрирует различные продвинутые техники для систем Retrieval-Augmented Generation (RAG). Каждая техника имеет подробный tutorial в виде notebook.
Открытая платформа AI‑оркестрации для создания контекстно‑ориентированных, готовых к использованию LLM‑приложений. Проектируйте модульные конвейеры и рабочие процессы агентов с явным управлением встраиванием, маршрутизацией, памятью и генерацией. Разработана для масштабируемых агентов, RAG, мультимодальных приложений, семантического поиска и разговорных систем.
Общайтесь с вашими документами на локальном устройстве, используя модели GPT. Никакие данные не покидают ваше устройство, и все на 100% конфиденциально.
Слой памяти для ИИ-агентов. Замените сложные RAG-конвейеры бессерверным однофайловым слоем памяти. Обеспечьте своим агентам мгновенное извлечение и долговременную память.
Единая структура для создания корпоративных RAG-конвейеров с использованием небольших специализированных моделей
[Лучшая статья MLsys2026]: https://arxiv.org/abs/2506.08276. RAG для всего с LEANN. Экономьте 97% дискового пространства, запуская быстрое, точное и на 100% конфиденциальное RAG-приложение на своем личном устройстве.
Универсальная ИИ-платформа для семантического поиска, оркестрации LLM и рабочих процессов языковых моделей
Agent S: передовые агенты с открытым исходным кодом для управления компьютером
~95% в SimpleQA (напр. Qwen3.6-27B на 3090). Поддерживает все локальные и облачные LLM (llama.cpp, Ollama, Google, ...). 10+ поисковых систем - arXiv, PubMed, ваши приватные документы. Всё локально и зашифровано.
«Инженерия контекста — это тонкое искусство и наука наполнения контекстного окна нужной информацией для следующего шага». — Андрей Карпатый. Передовой справочник, основанный на первых принципах, вдохновленный Карпатым и 3Blue1Brown, для перехода от инженерии подсказок к более широкой дисциплине проектирования, оркестровки и оптимизации контекста.
🧑🚀 Сводка лучших мировых ресурсов по LLM (Мультимодальная генерация, Агенты, Помощь в программировании, Проверка ИИ, Обработка данных, Обучение моделей, Вывод моделей, Модель o1, MCP, Малые языковые модели, Визуально-языковые модели) | Summary of the world's best LLM resources.
Производственная система ИИ для извлечения данных SoTA. Агентная генерация с расширенным извлечением (RAG) с RESTful API.
[EMNLP'23, ACL'24] Чтобы ускорить вывод LLM и улучшить восприятие LLM ключевой информации, сожмите промпт и KV-Cache, что обеспечит сжатие до 20 раз с минимальной потерей производительности.
Отправьте телефонный звонок от ИИ-агента в вызове API. Или позвоните боту напрямую с настроенного номера телефона!
Используйте ИИ для создания многоглавных длинных романов, автоматически связывая контекст и предзнаменования
🎙️🤖Создавайте, настраивайте и общайтесь со своим ИИ-персонажем/компаньоном в реальном времени (все в одной кодовой базе!). Ведите естественный плавный разговор с ИИ везде (на мобильных устройствах, в Интернете и в терминале), используя LLM OpenAI GPT3.5/4, Anthropic Claude2, Chroma Vector DB, Whisper Speech2Text, ElevenLabs Text2Speech🎙️🤖
Ваш персональный библиотекарь-агент. Спрашивайте о чём угодно на своём компьютере, упорядочивайте файлы и сохраняйте важную информацию и файлы в памяти.
AI-компаньоны с памятью: легкий стек для создания и размещения ваших собственных AI-компаньонов
Search-R1: Эффективная, масштабируемая структура обучения RL для рассуждений и вызовов поисковых систем с использованием LLM, основанных на veRL
Лучший RAG для вашего монорепозитория. Запрашивайте, понимайте и редактируйте многоязычные кодовые базы с помощью ИИ и графов знаний.
Это пошаговое руководство для начинающих в области больших моделей ИИ/LLM, включающее учебные пособия и демонстрационный код. Оно проведет вас от API к локальному развертыванию и тонкой настройке больших моделей. Файлы с кодом будут доступны в онлайн-версиях для Kaggle или Colab, что позволит вам учиться даже без графического процессора. В проекте также имеется небольшая "песочница" для кода 🎡, где вы можете экспериментировать с интересными ИИ-скриптами. Одновременно с этим, оно включает полную китайскую зеркальную версию заданий из курса Хунг-Йи Ли (HUNG-YI LEE) "Введение в генеративный ИИ 2024".
Модульный Agentic RAG, построенный с помощью LangGraph — изучите агенты Retrieval-Augmented Generation за минуты.
RAG (Retrieval Augmented Generation) Framework для создания модульных, открытых приложений для продакшена от TrueFoundry
Референсные рабочие процессы генеративного ИИ, оптимизированные для ускоренной инфраструктуры и архитектуры микросервисов.
Преобразуйте любой текст в граф знаний. Это может использоваться для генерации с дополненными графами или для ответов на вопросы на основе графов знаний.
Инфраструктура компьютерного зрения для преобразования сложных документов в данные, готовые для LLM
Часто задаваемые вопросы
Какой репозиторий по теме #retrieval-augmented-generation наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #retrieval-augmented-generation на GitHub — infiniflow/ragflow, набравший 94,501 звёзд. RAGFlow — это база данных, изначально созданная для агентов: движок генерации с дополненной выборкой (RAG), который со временем превратился в инфраструктуру контекста.
Какие языки программирования чаще всего используются в репозиториях по теме #retrieval-augmented-generation?
Среди наиболее высоко оценённых проектов по теме #retrieval-augmented-generation на GitHub чаще всего используются языки программирования Python, Jupyter Notebook, TypeScript, Rust.
Как рассчитывается рейтинг репозиториев по теме #retrieval-augmented-generation?
Мы отслеживаем 254 активных репозиториев с открытым исходным кодом, отмеченных тегом #retrieval-augmented-generation (500 и более звёзд), с общим числом 1,102,453 звёзд и в среднем 4,340 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.