一个不到 2KB 的轻量搜索引擎，能在浏览器、服务端或边缘网络里跑全文、向量和混合检索，还自带 RAG 流水线，适合做本地化搜索和轻量检索增强。

本地优先的深度研究问答系统，接 llama.cpp、Ollama 等本地或云端模型，聚合 arXiv、PubMed 及私有文档等十余个检索源，全程加密。

系统梳理深度研究（Deep Research）领域的综述项目，围绕大模型智能体与检索增强生成，整理该方向的方法体系与研究脉络。

不用搬数据就能做企业知识检索和 RAG，跨 100+ 应用联合搜索并直接生成答案，几分钟即可部署。

统一 RAG 检索环节的微调工具，覆盖 Embedding、ColBERT 和 ReRanker 三类模型，省去分别搭训练流程的麻烦。

基于知识图谱的模块化检索增强生成系统，把文档抽成实体关系图，让大模型在回答复杂问题时能跨文档做全局推理。

轻量级检索增强生成引擎，用图结构组织知识并支持增量更新，让 RAG 检索更快更省资源。

用 Jupyter Notebook 逐个演示 RAG 系统的进阶技巧，从嵌入、检索到重排都有可运行教程，适合动手搭建和优化检索增强生成流程。

用大模型对本地文档做检索问答，集成 HyDE、SPLADE、重排序和 Chroma 向量库，适合快速搭建 RAG 应用。

面向智能体的 RAG 检索引擎，把文档解析、知识编译和上下文管理整合成一套基础设施，帮 Agent 稳定拿到高质量检索结果。

基于 GPU 加速的视频分析智能体参考架构，用视觉语言模型、LLM 和 RAG 实现长视频的实时告警、视觉问答与自动报告生成。

浏览器里直接跑的极简 AI 搜索平台，聚合多个搜索源并调用本地大模型做问答，无需后端服务器。

面向 AI 应用的文档处理与 RAG 框架，把私有数据接入大模型，支持构建检索增强、智能体和多智能体应用。

基于 Azure AI Search 和 gpt-4o-realtime 的语音 RAG 示例，让语音助手能实时检索知识库并生成带依据的对话回答。

低代码 MCP 框架，用可视化方式快速搭建复杂 RAG 流水线，省去大量胶水代码，适合快速验证检索增强生成方案。

基于 GraphBLAS 稀疏邻接矩阵实现的高性能图数据库，主打为 LLM 提供知识图谱支撑，适合做 GraphRAG 检索增强。

基于 Langchain 和 ChatGLM、Qwen、Llama 等本地大模型搭建的知识库问答应用，支持 RAG 检索增强与 Agent 能力，可离线部署私有文档问答系统。

面向大模型应用开发的 RAG 全栈实战教程，覆盖文本向量化、检索、重排与多模态等环节，手把手带你搭建检索增强生成系统。

生产可用的智能体式 RAG 检索系统，提供 RESTful API，帮开发者快速搭建带检索增强的问答与搜索服务。

开源的 RAG 文档问答工具，上传文档后即可用大模型对话检索，快速搭建私有知识库问答。

一站式多模态 RAG 框架，把文本、图像等不同模态的检索与生成统一到同一套流程里，省去自己拼接多个组件的麻烦。

输入一个主题，就能自动联网检索并生成带引用的长篇调研报告，省去人工查资料和整理成文的时间。

开源企业级智能体平台，可快速搭建基于知识库的问答助手和 Agent，支持接入 DeepSeek、Llama 等大模型与 MCP 工具。

提供文本嵌入与重排模型，用于语义检索和 RAG 场景，把文档和查询转成向量并做相关性排序。

本地部署的 NotebookLM 替代品，AI 智能体能自动检索、改写和编辑你的文档，数据不出内网，适合对隐私敏感的研究场景。

一份面向 AI Agent 开发与大模型求职的系统指南，覆盖上下文工程、高级 RAG、MCP、Agentic RL 和 LangGraph 实战，并附 1.2 万+ 面试题。

面向科研文档的高精度 RAG 问答工具，能从论文中检索答案并给出引用出处，适合做文献调研和科学问答。

开源 LLM 应用编排框架，用模块化管道和智能体工作流显式控制检索、路由、记忆与生成，适合搭建 RAG、语义搜索和多模态对话系统。

用 LLM 从非结构化文本里自动抽取实体和关系，直接建成 Neo4j 知识图谱，省去手工建模和写 Cypher 的麻烦，适合做 GraphRAG 和知识库。

基于 Rust 和 PostgreSQL 的自托管企业级世界模型，用双时态知识图谱与 GraphRAG 为 LLM Agent 提供可追溯的长期记忆和知识检索。

面向 RAG 研究的 Python 工具包，内置多种检索增强生成算法、数据集和评测基准，方便快速复现和对比实验。

面向超长视频的检索增强生成框架，让大模型能直接和你上传的视频对话，解决长视频内容理解与精准问答的问题。

一套基于 LangChain 的 RAG 应用构建教程与代码集合，覆盖从基础检索增强到 Agentic RAG 的完整实现路径，帮你快速搭出带检索能力的问答机器人。

汇集各类 RAG（检索增强生成）框架、项目和资源的社区清单，方便快速找到并对比检索增强生成生态里的现成方案。

用 Python 构建并自动优化 LLM 应用的库，支持自动提示词调优、检索增强和 Agent 编排，帮开发者把大模型应用调得更准更省。

用 Python 编排多智能体协作来调用大模型，把任务拆给多个 Agent 分工完成，适合搭建需要工具调用和检索增强的 LLM 应用。

基于 Graph RAG 的对话式知识库工具，用 TiDB Serverless 向量存储做检索，能基于知识图谱回答提问。

用 LangGraph 搭建的模块化 Agentic RAG 教学项目，几分钟就能上手理解检索增强生成智能体的完整流程。

用 Rust 写的高性能 GraphRAG 引擎，灵感来自 LightRAG，把文档转成知识图谱，让检索和生成效果更好。

一种新的 RAG 检索架构，用知识图谱和向量检索构建知识库，让人和 Agent 都能高效查询结构化知识。