rag

Bereitsstellung beliebiger KI-Modelle, Agenten, Datenbanken, RAGs und Pipelines lokal oder remote innerhalb von Minuten

Volltext- und semantische Suche für jedes Postgres.

End-to-End RAG-Systemdesign, -Evaluierung und -Optimierung. Umfassende Analyse von 10 RAG-Komponenten und 4 Praxisprojekte zur Beherrschung des gesamten RAG-Prozesses.

ARGO ist eine Open-Source-KI-Agenten-Plattform, die Local Manus auf Ihren Desktop bringt. Mit Ein-Klick-Modell-Downloads, nahtloser Integration geschlossener LLMs und Offline-First-RAG-Wissensdatenbanken wird ARGO zu einem DeepResearch-Kraftpaket für autonomes Denken und Aufgabenplanung, wobei 100% Ihrer Daten lokal bleiben. Unterstützt Win/Mac/Docker.

🔥 Dieses Repository enthält vollständige Anwendungsbeispiele, einschließlich Websites und anderer Projekte, die mit Firecrawl entwickelt wurden.

Die fortschrittlichste, vollständig offline arbeitende clientseitige KI-Suite für Android.

Dieses Repository enthält die Implementierung von AutoSchemaKG, einem neuartigen Framework zur automatischen Wissensgraphenkonstruktion, das die Generierung von Schemata durch Konzeptualisierung kombiniert.

Langzeitgedächtnis für KI-Assistenten. Graph- und Vektorspeicher, der Entscheidungen, Beziehungen und Kontext über Sitzungen hinweg abruft.

♾️ Private Agenten-Flotte mit Spec Coding. Jeder Agent erhält seinen eigenen GPU-beschleunigten Desktop. Führen Sie Claude, Codex, Gemini und offene Modelle auf einem vollständigen privaten AI Stack aus ♾️

Modelle kontrastiv trainieren in PyTorch

AI-First Album: Chatten Sie mit Ihrer Galerie in natürlicher Sprache! LLM Vision + RAG + Album/Gallery.

Gemeinsame, einteilige Speicherebene für alle Ihre Agenten, Sub-Millisekunden-RAG über Text, Foto und Video auf Apple Silicon. Kein Server. Keine API. Eine Datei. Reines Swift

Beispiele zur Erstellung von Java-Anwendungen mit generativer KI und LLMs unter Verwendung von Spring AI und Spring Boot.

Schnelle Streaming-Indizierung, Abfragen und agentenbasierte LLM-Anwendungen in Rust

Ein innovatives Agent Framework, angetrieben von einer KG Engine

Framework zur Verbesserung von LLMs für RAG-Aufgaben mittels Fine-Tuning.

Öffentliche Wiederholungsmaterialien für Java-Backend / AI Agent / Systemdesign / Algorithmen-Vorstellungsgespräche

Dateien für Retrieval Augmented Generation (RAG) mit Open-Source Large Language Models (LLMs) erfassen, ohne dass Drittanbieter oder sensible Daten Ihr Netzwerk verlassen.

Diese NVIDIA RAG-Blueprint dient als Referenzlösung für eine grundlegende Retrieval-Augmented-Generation-Pipeline (RAG).

Healthy Diet AI Agent ist ein Bun + TypeScript-Backend für Ernährungs-Chats, Lebensmittelbildanalyse, RAG-Dokumentenaufnahme und wissensbasierte Ernährungsberatung.

Generative AI Examples ist eine Sammlung von GenAI-Beispielen wie ChatQnA und Copilot, die die Pipeline-Fähigkeiten des Open Platform for Enterprise AI (OPEA)-Projekts demonstrieren.

Praxisprojekt für KI-Programmierung 2025 (von Programmer Yupi), basierend auf Spring Boot 3.5, Java 21, LangChain4j und KI. Entwickelt einen intelligenten Lern- und Karriere-Bot. Deckt Themen wie LLM-Integration, LangChain4j-Kernfunktionen, Streaming-Dialoge, Prompt-Engineering, RAG, Vektordatenbanken, Tool-Calling, MCP, Web-Scraping, Sicherheit, Vue.js und SSE ab. Unterstützt Entwickler dabei, KI-Kompetenzen für Unternehmen aufzubauen.

Lockerer Code-Intelligence-MCP-Server und CLI für KI-Coding-Agents

AI 小说创作软件：把灵感、角色、世界观、大纲、章节写作、审稿和修稿组织成可控流程；提供 Windows/macOS 桌面版、Ollama 与 DSH 插件预览。

Verleihe deinen KI-Agenten ein persistentes, kollektives Gedächtnis – mit deduplizierender Einbindung, Ablösungshistorie, semantischer Suche und einer Graph-Benutzeroberfläche. Unterstützt MCP.

Schnelle Erstellung von KI-Agenten für Unternehmenssysteme wie OA, ERP, CRM und Ticketsysteme, die es der KI ermöglichen, Geschäftsfunktionen unter Einhaltung von Berechtigungs-, Audit- und Governance-Vorgaben sicher auszuführen.

Ein Bildungsprojekt (Schritt für Schritt) zum Erstellen einer produktionsreifen RAG-Anwendung.

Lokal mit mehreren PDFs chatten

🔥 Rankify: Ein umfassendes Python-Toolkit für Retrieval, Re-Ranking und Retrieval-Augmented Generation 🔥. Unser Toolkit integriert 40 vorab abgerufene Benchmark-Datensätze und unterstützt 7+ Retrieval-Techniken, 24+ modernste Re-Ranking-Modelle und mehrere RAG-Methoden.

Dieses Repository enthält den Code für „VLM2Vec / MMEB“ [ICLR 2025], „VLM2Vec-V2 / MMEB-V2“ [TMLR 2026] und „MMEB-V3“ [COLM 2026].