：LLM应用栈工具、项目和供应商列表，旨在更全面地覆盖每个类别中的所有可用选项，涵盖了数据管道、嵌入模型、向量数据库、沙盒、编排

：LLM应用栈工具、项目和供应商列表，旨在更全面地覆盖每个类别中的所有可用选项，涵盖了数据管道、嵌入模型、向量数据库、沙盒、编排器、API / 插件、LLM缓存、日志/监视/评估、验证器、LLM API(专有)、LLM API(开源)、应用程序托管平台、云提供商、有见解的云项目列表等类别。

Zep: 适用于LLM应用的长期记忆库，可以存储、汇总、嵌入、索引和丰富LLM应用/聊天机器人的历史记录，并通过简单、低延迟的A

Zep: 适用于LLM应用的长期记忆库，可以存储、汇总、嵌入、索引和丰富LLM应用/聊天机器人的历史记录，并通过简单、低延迟的API公开这些信息。特点包括长期记忆持久性、基于可配置消息窗口的自动摘要、向量搜索、自动记忆令牌计数等 ||

vectordb是一个 Pythonic 矢量数据库，提供一整套CRUD（创建、读取、更新、删除）操作和强大的可扩展性选项，包括

vectordb是一个 Pythonic 矢量数据库，提供一整套CRUD（创建、读取、更新、删除）操作和强大的可扩展性选项，包括分片和复制。它可以轻松部署在从本地到内部部署和云的各种环境中。vectordb准确满足你的需求不多也不少。它证明了有效的 Pythonic 设计，无需过度设计，使其成为满足您所有需求的精益而强大的解决方案。 vectordb利用DocArray强大的检索能力以及Jina的可扩展性、可靠性和服务能力。神奇之处在于：DocArray 充当驱动向量搜索逻辑的引擎，而 Jina 则保证高效且可扩展的索引服务。这种协同作用最终带来了强大且用户友好的矢量数据库体验。 | #数据库

是一种用于生成人工智能应用程序的检索和长期记忆服务。

是一种用于生成人工智能应用程序的检索和长期记忆服务。 通过对上传到服务的新文档运行提取模型（例如嵌入、NER 等），索引始终保持最新。Indexify 有一个内置的分布式提取调度程序，允许为生产用例索引大量数据。 它还为 LLM 应用程序提供 API 以从索引中检索信息。代理可以存储长期记忆并实时查询它们，以个性化副驾驶或基于聊天的应用程序。 除了用于语义搜索的嵌入向量索引之外，Indexify 还可以构建包含 NER 模型、意图理解等提取的 K/V 或 JSON 文档的索引。

：一个对话式搜索和分析平台，适用于复杂的非结构化数据，例如文档、演示文稿、成绩单、嵌入式表格和内部知识存储库。

：一个对话式搜索和分析平台，适用于复杂的非结构化数据，例如文档、演示文稿、成绩单、嵌入式表格和内部知识存储库。 它通过将人工智能引入数据准备、索引和检索来检索和综合高质量的答案。 Sycamore 可以轻松准备用于搜索和分析的非结构化数据，提供用于数据清理、信息提取、丰富、汇总和生成封装数据语义的向量嵌入的工具包。 Sycamore 使用你选择的生成式 AI 模型来使这些操作变得简单而有效，并且可以实现快速实验和迭代。此外，Sycamore 使用 OpenSearch 进行索引，支持混合（向量 + 关键字）搜索、检索增强生成 (RAG) 管道、过滤、分析功能、会话记忆和其他功能来改进信息检索。 特征 自然语言、对话界面，可针对非结构化数据提出复杂问题。包括对来源段落和对话记忆的引用。 包括对非结构化数据的各种查询操作，包括混合搜索、检索增强生成 (RAG) 和分析函数。 通过高级数据分段、用于数据丰富的 LLM 支持的 UDF、使用 Python 进行的高性能数据操作以及使用各种 AI 模型的向量嵌入，准备和丰富用于搜索和分析的复杂非结构化数据。 自动数据爬虫（Amazon S3 和 HTTP）和 Jupyter 笔记本支持等有用的功能可用于创建和迭代数据准备脚本。 可扩展、安全且可定制的 OpenSearch 后端，用于索引和数据检索。