#retrieval-augmented-generation 仓库
探索 254 个标记为 #retrieval-augmented-generation 的活跃开源 GitHub 仓库,它们累计获得 1,102,453 个 Star(平均每个项目 4,340 个)。该主题的领先项目是 infiniflow/ragflow,拥有 94,501 个 Star。
共 254 个仓库
Langchain-Chatchat(原Langchain-ChatGLM)基于 Langchain 与 ChatGLM, Qwen 与 Llama 等语言模型的 RAG 与 Agent 应用 | Langchain-Chatchat (formerly langchain-ChatGLM), local knowledge based LLM (like ChatGLM, Qwen and Llama) RAG and Agent app with langchain
开源 AI 编排框架,用于构建基于上下文的、可投入生产的 LLM 应用。设计模块化管道和代理工作流,明确控制检索、路由、记忆和生成。专为可扩展代理、RAG、多模态应用、语义搜索和对话系统而构建。
[MLsys2026 最佳论文]:https://arxiv.org/abs/2506.08276。使用 LEANN 实现万物皆可 RAG。在个人设备上运行快速、准确且 100% 私密的 RAG 应用程序,同时享受 97% 的存储空间节省。
~95% 在 SimpleQA 上(例如 Qwen3.6-27B 在 3090 上)。支持所有本地和云端 LLM(llama.cpp、Ollama、Google 等)。10+ 搜索引擎 - arXiv、PubMed、您的私人文档。一切本地且加密。
“上下文工程是填充上下文窗口以获取下一步所需信息的精妙艺术和科学。” — Andrej Karpathy。一本受 Karpathy 和 3Blue1Brown 启发的、基于第一原理的前沿手册,旨在超越提示工程,进入更广泛的上下文设计、编排和优化领域。
🧑🚀 全世界最好的LLM资料总结(多模态生成、Agent、辅助编程、AI审稿、数据处理、模型训练、模型推理、o1 模型、MCP、小语言模型、视觉语言模型) | Summary of the world's best LLM resources.
[EMNLP'23, ACL'24] 为了加速 LLM 的推理并增强 LLM 对关键信息的感知能力,压缩提示(prompt)和 KV-Cache,可实现高达 20 倍的压缩率,同时将性能损失降至最低。
🎙️🤖实时创建、自定义和与您的AI角色/伴侣交谈(全部在一个代码库中!)。使用LLM OpenAI GPT3.5/4、Anthropic Claude2、Chroma Vector DB、Whisper Speech2Text、ElevenLabs Text2Speech在任何地方(移动设备、网页和终端)与AI进行自然无缝的对话🎙️🤖
这是一份入门AI/LLM大模型的逐步指南,包含教程和演示代码,带你从API走进本地大模型部署和微调,代码文件会提供Kaggle或Colab在线版本,即便没有显卡也可以进行学习。项目中还开设了一个小型的代码游乐场🎡,你可以尝试在里面实验一些有意思的AI脚本。同时,包含李宏毅 (HUNG-YI LEE)2024生成式人工智能导论课程的完整中文镜像作业。
常见问题解答
GitHub 上最受欢迎的 #retrieval-augmented-generation 仓库是什么?
GitHub 上排名第一的开源 #retrieval-augmented-generation 项目是 infiniflow/ragflow,拥有 94,501 个 Star。RAGFlow 是一款原生面向智能体的数据库:它是一种逐步发展为上下文基础设施的检索增强生成(RAG)引擎。
#retrieval-augmented-generation 仓库中最常使用的编程语言有哪些?
在 GitHub 上排名靠前的 #retrieval-augmented-generation 项目中,最常见的编程语言是 Python, Jupyter Notebook, TypeScript, Rust。
#retrieval-augmented-generation 仓库的排名是如何计算的?
我们跟踪了 254 个标记为 #retrieval-augmented-generation 且拥有 500+ 个 Star 的活跃开源仓库,共计获得 1,102,453 个 Star,平均每个仓库拥有 4,340 个 Star。排名每日根据 GitHub API 更新。