rag

Cara termudah untuk menggunakan Agentic RAG di perusahaan mana pun

OpenKB: Basis Pengetahuan LLM Terbuka

Agen Anda di terminal, dilengkapi dengan alat lokal: menulis kode, menggunakan terminal, dan menjelajahi web. Buat agen otonom persisten Anda sendiri di atasnya!

Pelajari secara gratis cara membangun sistem LLM & RAG yang siap produksi menggunakan praktik terbaik LLMOps: kode sumber + 12 pelajaran praktik

Sumber daya teknis bagi pengembang AI untuk membangun aplikasi, agen, dan sistem menggunakan Oracle AI Database dan layanan OCI

🚀 Panduan Kilat AI Agent Paling Sistematis 2026｜Tutorial Praktis Smart Agent · Jalur Pembelajaran Lengkap + Proyek Praktis + Bank Soal Wawancara · Setara dengan Posisi Insinyur Pengembangan Aplikasi Large Model · Mencakup LangChain / LangGraph / Coze / Dify / MCP / skills / LLM / RAG / Prompt · Penerapan & Penyetelan Tingkat Perusahaan · Integrasi dari 0 ke Penerapan Perusahaan + Dari Pembelajaran ke Peluncuran Proyek + Persiapan Wawancara

Etalase AI Generatif MongoDB: koleksi lengkap contoh dan aplikasi sampel yang mencakup Retrieval-Augmented Generation (RAG), agen AI, dan kasus penggunaan khusus industri.

AdalFlow: Pustaka untuk membangun & mengoptimalkan aplikasi LLM secara otomatis.

Alur kerja referensi Generative AI yang dioptimalkan untuk infrastruktur terakselerasi dan arsitektur layanan mikro.

Semua yang perlu Anda ketahui untuk membangun aplikasi RAG Anda sendiri

Manfaatkan LLM dengan Pemrograman Multi-Agen

AI-powered virtual executive team — a single coherent executive persona backed by 8 specialist agents (FastAPI + Next.js).

Agentic RAG modular yang dibangun dengan LangGraph — pelajari Agen Retrieval-Augmented Generation dalam hitungan menit.

Implementasi GraphRAG yang sederhana dan mudah dimodifikasi

Hypergraph lebih kuat. Ubah teks tidak terstruktur menjadi pengetahuan terstruktur dengan LLM. Grafik, hipergraf, dan ekstraksi ruang-waktu — dengan satu perintah.

Cara termudah dan paling praktis untuk membangun aplikasi LLM multi-agen.

Agen RAG Agentic tingkat perusahaan - cakupan penuh untuk penguraian dokumen, pencarian multi-jalur, pengenalan niat, penulisan ulang pertanyaan, memori sesi, pemanggilan alat MCP, dan pemikiran mendalam. Dihadirkan untuk skenario bisnis nyata, implementasi teknik lengkap dari 0 hingga 1.

Runtime agen AI portabel untuk JVM. Satu kelas @Agent dapat berjalan di Spring AI, LangChain4j, Anthropic, atau 9 lainnya di balik satu SPI. Mendukung streaming token, pemanggilan alat, persetujuan manusia, dan tata kelola melalui WebSocket, SSE, gRPC, atau WebTransport/HTTP3. Mendukung protokol MCP, A2A, dan AG-UI.

Streamer-Sales 销冠 — LLM untuk streamer penjualan barang 🛒🎁, model yang mampu menjelaskan produk untuk memicu minat beli pengguna berdasarkan fitur produk. 🚀⭐ Termasuk alur pembuatan data yang mendetail ❗ 📦 Terintegrasi dengan LMDeploy untuk akselerasi inferensi 🚀, RAG untuk augmentasi pengambilan 📚, TTS untuk teks-ke-suara 🔊, pembuatan avatar digital 🦸, Agent untuk pencarian informasi real-time 🌐, ASR untuk suara-ke-teks 🎙️, frontend berbasis ekosistem Vue 🍍, backend FastAPI 🗝️, dan deployment Docker-compose 🐋

SimpleMem: Memori jangka panjang yang efisien untuk Agen LLM — Teks & Multimodal

Mesin pengambilan multimodal sumber terbuka (Morphik Core). Oleh Morphik — AI back office untuk perawatan terampil & hunian senior (morphik.ai).

PipesHub adalah lapisan konteks AI sumber terbuka yang sepenuhnya dapat diperluas yang menyatukan data bisnis Anda untuk pencarian perusahaan yang dapat dijelaskan dan otomatisasi alur kerja agen.

Kumpulan metode ilmiah, proses, algoritma, dan sistem untuk membangun cerita dan model.

Berinteraksi dengan basis data SQL Anda, konversi bahasa alami ke SQL menggunakan LLM.

Basis pengetahuan pribadi yang membangun dan memelihara dirinya sendiri. Masukkan sumber — Claude (atau Codex/Gemini) akan membacanya, mengekstrak pengetahuan, dan memelihara wiki terhubung yang persisten. Berfungsi dengan Claude Code, Codex, OpenCode, Gemini CLI. Tidak perlu API key.

AnyCrawl 🚀: Crawler Node.js/TypeScript yang mengubah situs web menjadi data siap-LLM dan mengekstrak hasil SERP terstruktur dari Google/Bing/Baidu/dll. Multithreading bawaan untuk pemrosesan massal.

Sistem rekayasa konten GEO sumber terbuka dan distribusi multi-situs dengan tugas AI, RAG/semantic chunking, analitik, GEOFlow Agent, dan publikasi target WordPress.

ReMe: Kit Manajemen Memori untuk Agen - Remember Me, Refine Me.

Kerangka kerja yang efisien dan dapat disesuaikan untuk evaluasi model besar (LLM, VLM, AIGC) serta tolok ukur performa.

[KDD'2026] "VideoRAG: Mengobrol dengan Video Anda"