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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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 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。

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。

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 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。

面向 monorepo 的代码检索增强生成工具，用知识图谱和 AST 解析多语言代码库，支持自然语言查询、理解与编辑代码。

用小型开源语言模型搭建轻量级 RAG 系统，降低检索增强生成的硬件门槛和部署复杂度，让普通设备也能跑起来。

基于 OpenSPG 引擎和大模型构建的逻辑推理与检索框架，用逻辑形式引导专业领域知识库做事实问答，解决传统 RAG 向量相似度检索在多跳推理上不可靠的问题。

面向 LLM 的开源知识库，把文档整理成可检索的知识，为 RAG 和智能体提供可靠的检索来源。

系统梳理 Agentic RAG 的综述项目，讲清如何用 LLM 智能体增强检索增强生成，覆盖反思、工具调用、多智能体等模式。

TrustRAG 是一个强调可靠输入与可信输出的 RAG 框架，帮你在检索增强生成流程里控制数据质量、减少幻觉，适合搭建可溯源的知识问答系统。

轻量级 Python RAG 工具包，用 DuckDB 或 PostgreSQL 就能搭起检索增强生成，省去部署向量数据库的麻烦。

用 Rust 写的高性能 RAG 与 LLM 应用框架，支持流式索引、检索和智能体编排，适合构建低延迟的检索增强生成服务。

基于 FastAPI 的 RAG 服务，用 LangChain 对接 PostgreSQL 和 pgvector，按 ID 管理知识库，方便快速搭建检索增强生成后端。

在本地网络内用开源大模型完成文件摄取与检索增强生成，数据不出内网、不依赖第三方服务。

把 LLM 研究助手接进 Zotero 文献库，基于 RAG 和 MCP 让 AI 直接检索、阅读并分析你收藏的论文，省去手动翻找和整理。

微软出品的 5 周 RAG 学习路线，用 Jupyter Notebook 带你从索引、混合检索到量化压缩，系统掌握检索增强生成。

系统梳理多模态检索增强生成的研究进展，把图文音视频等跨模态检索与生成方法归拢成一份综述，帮研究者快速摸清这个方向的全貌。