：高性能的macOS应用，将本地文档与一个个性化大型语言模型(LLM)连接起来。利用检索增强生成(RAG)，可有效地搜索和查询文

：LLM检索增强生成(RAG)相关资源大列表，包括论文、资源和工具等

：用于实验、评估和部署基于检索增强生成(RAG)的系统的工具包，支持各种大语言模型(LLM)，旨在减少LLM幻觉风险并提高可靠性

：一个开源项目，使用开源大预言模型(LLM)提取文件并进行检索增强生成(RAG)，无需第三方或敏感数据，在本地保持匿名

统一、开放、可扩展的框架，适用于基于LLM的应用模式，包括检索增强生成(RAG)。该项目提供了一套全面的工具，任何人都可以使用它

史料RAG：用向量数据库基于RAG(检索增强生成)方式搭建一个中国历史问答应用，这个应用接受用户的询问，从历史语料库中检索相关的

：用向量数据库基于RAG(检索增强生成)方式搭建一个中国历史问答应用，这个应用接受用户的询问，从历史语料库中检索相关的历史资料片段，利用大语言模型给出较为可靠的回答。相比于直接询问大模型，这种方式具有回答准确率高，不容易产生大模型的“幻觉”问题等优点。本项目实现了两种使用方式：“Milvus方案“在本地启动一个Milvus向量数据库的Docker服务，使用LlamaIndex框架和本地BAAI/bge-base-zh-v1.5Embedding模型实现RAG的业务逻辑。“ZillizCloudPipelines方案”使用云上的知识库检索服务ZillizCloudPipelines，该服务包括了RAG流程的文档切片、向量化、向量检索等功能。两种方案均使用OpenAI的GPT4作为大语言模型。

：高性能的macOS应用，将本地文档与一个个性化大型语言模型(LLM)连接起来。利用检索增强生成(RAG)，可有效地搜索和查询文

相关推荐

：LLM检索增强生成(RAG)相关资源大列表，包括论文、资源和工具等

：用于实验、评估和部署基于检索增强生成(RAG)的系统的工具包，支持各种大语言模型(LLM)，旨在减少LLM幻觉风险并提高可靠性

：一个开源项目，使用开源大预言模型(LLM)提取文件并进行检索增强生成(RAG)，无需第三方或敏感数据，在本地保持匿名

统一、开放、可扩展的框架，适用于基于LLM的应用模式，包括检索增强生成(RAG)。该项目提供了一套全面的工具，任何人都可以使用它

史料RAG：用向量数据库基于RAG(检索增强生成)方式搭建一个中国历史问答应用，这个应用接受用户的询问，从历史语料库中检索相关的

：PostgreSQL数据库的AI工作流助手，简化搜索和检索增强生成(RAG)AI应用构建过程，实现在PostgreSQL内通过