Retrieval-Augmented Generation (RAG) Project：这份开源资源帮你从零开始全面掌握RAG（检索增强生成）技术，实用且系统。
主要内容涵盖：
- 查询构建：将自然语言转成结构化查询（SQL、Cypher、向量检索）
- 查询翻译：分解、重构输入，提升检索效果
- 路由选择：动态选库或嵌入上下文，精准定位答案
- 检索优化：多种重排序算法+实时数据接入，确保结果相关性
- 索引管理：多重表征嵌入、分层摘要、结构化搜索提升效率
- 生成环节：自研Self-RAG和RRR，实现推理与检索的迭代闭环
每个笔记本都有详细的实操指导，适合入门到进阶，支持多查询、多模态等高级用法。
如果你从事机器学习、LLM或AI代理，强烈推荐收藏并实践。本资源极大降低了构建复杂RAG应用的门槛，助你快速搭建高效智能系统。
RAG的核心难题不只是架构，更是优质数据的积累与语料空白的补充。未来，递归推理与动态语料更新将成为关键突破点。
#资源参考 #RAG #开源RAG
主要内容涵盖：
- 查询构建：将自然语言转成结构化查询（SQL、Cypher、向量检索）
- 查询翻译：分解、重构输入，提升检索效果
- 路由选择：动态选库或嵌入上下文，精准定位答案
- 检索优化：多种重排序算法+实时数据接入，确保结果相关性
- 索引管理：多重表征嵌入、分层摘要、结构化搜索提升效率
- 生成环节：自研Self-RAG和RRR，实现推理与检索的迭代闭环
每个笔记本都有详细的实操指导，适合入门到进阶，支持多查询、多模态等高级用法。
如果你从事机器学习、LLM或AI代理，强烈推荐收藏并实践。本资源极大降低了构建复杂RAG应用的门槛，助你快速搭建高效智能系统。
RAG的核心难题不只是架构，更是优质数据的积累与语料空白的补充。未来，递归推理与动态语料更新将成为关键突破点。
#资源参考 #RAG #开源RAG
GitHub
GitHub - bragai/bRAG-langchain: Everything you need to know to build your own RAG application
Everything you need to know to build your own RAG application - bragai/bRAG-langchain
日常工作、学习和创作中，信息海量且杂乱，如何高效整理和利用上下文成为挑战。
MineContext 是一个开源的主动式上下文感知AI助手，通过截屏和内容理解（未来支持多模态多源信息），实时捕获你的数字世界全貌，自动生成日/周总结、待办事项和活动记录，帮助你理清思路，提升效率。
主要功能：
- 自动截屏，持续捕捉你的数字工作环境，轻松收集海量上下文；
- 智能重现相关内容，创作时快速调取关键资料；
- 主动推送洞见和总结，让信息主动找上你；
- 本地存储，隐私安全有保障；
- 支持多API接入，灵活定制，完美贴合你的需求。
适合知识工作者、内容创作者、项目经理等多种角色。无需频繁切换工具，MineContext让你的数字生活更智能、更高效。
#资源参考 #AI #开源
MineContext 是一个开源的主动式上下文感知AI助手，通过截屏和内容理解（未来支持多模态多源信息），实时捕获你的数字世界全貌，自动生成日/周总结、待办事项和活动记录，帮助你理清思路，提升效率。
主要功能：
- 自动截屏，持续捕捉你的数字工作环境，轻松收集海量上下文；
- 智能重现相关内容，创作时快速调取关键资料；
- 主动推送洞见和总结，让信息主动找上你；
- 本地存储，隐私安全有保障；
- 支持多API接入，灵活定制，完美贴合你的需求。
适合知识工作者、内容创作者、项目经理等多种角色。无需频繁切换工具，MineContext让你的数字生活更智能、更高效。
#资源参考 #AI #开源
Colette：面向技术文档的本地多模态检索增强生成（RAG）开源平台
• 核心采用视觉RAG（V-RAG）技术，将文档转为图像处理，完整保留图表、布局等视觉元素，提升对复杂技术文档的理解能力
• 支持文本RAG，结合非结构化文本抽取、嵌入和主流大语言模型，实现多模态融合检索与交互
• 多模型支持，兼容多种嵌入器与视觉语言模型，灵活适配不同场景
• 集成图像生成（diffusers），增强交互体验与内容创作能力
• 自托管部署，基于Docker，满足数据隐私需求，适合存储和处理敏感技术资料
• 适用环境配置明确（GPU≥24GB，内存≥16GB，磁盘≥50GB），确保性能稳定
• 详细命令行与Python API示例，方便快速集成与二次开发
• 困难排查指南助力优化检索准确性，支持社区反馈与持续迭代
从本质看，Colette围绕“视觉优先”的多模态理解方法，突破传统文本检索局限，提升技术文档智能交互的深度和精度，适合企业与研发机构构建安全、可控的知识管理系统。
#资源参考 #RAG
• 核心采用视觉RAG（V-RAG）技术，将文档转为图像处理，完整保留图表、布局等视觉元素，提升对复杂技术文档的理解能力
• 支持文本RAG，结合非结构化文本抽取、嵌入和主流大语言模型，实现多模态融合检索与交互
• 多模型支持，兼容多种嵌入器与视觉语言模型，灵活适配不同场景
• 集成图像生成（diffusers），增强交互体验与内容创作能力
• 自托管部署，基于Docker，满足数据隐私需求，适合存储和处理敏感技术资料
• 适用环境配置明确（GPU≥24GB，内存≥16GB，磁盘≥50GB），确保性能稳定
• 详细命令行与Python API示例，方便快速集成与二次开发
• 困难排查指南助力优化检索准确性，支持社区反馈与持续迭代
从本质看，Colette围绕“视觉优先”的多模态理解方法，突破传统文本检索局限，提升技术文档智能交互的深度和精度，适合企业与研发机构构建安全、可控的知识管理系统。
#资源参考 #RAG
GitHub
GitHub - jolibrain/colette: Multimodal RAG to search and interact locally with technical documents of any kind
Multimodal RAG to search and interact locally with technical documents of any kind - jolibrain/colette
创业大全
大学生创新创业资源库，包含 10,000+ 模板与 80+ 赛道，覆盖互联网+、挑战杯、国创赛、SYB、三创等主流双创赛事，支持文件搜索、全文搜索、AI 摘要等功能，下载方式为城通网盘，适合急需创业计划书或比赛方案的大学生，免费下载，无需注册。
资源来自于 @河狸创赛，也是为了引流售卖他们的付费资料，不建议购买。
https://cy.urongda.com/explore
频道 @WidgetChannel
