Generative AI for beginners with JavaScript开源项目 – JavaScript生成式AI入门教程

该项目是一个面向JavaScript开发者的生成式AI入门教程，通过一个有趣的时间旅行冒险故事，帮助开发者学习生成式AI技术。课程涵盖生成式AI和LLM的基础知识、Prompt工程、结构化输出、检索增强生成（RAG）等主题。每个课程包含书面材料、视频、练习题和答案，以及一个可以与历史人物互动的配套应用。项目还提供了GitHub Codespaces的在线开发环境，方便用户快速上手。

Generative AI for beginners with JavaScript的特点:

1. 通过时间旅行冒险故事学习生成式AI
2. 包含多个课程，涵盖生成式AI的多个核心主题
3. 提供与历史人物互动的配套应用
4. 支持GitHub Codespaces在线开发环境
5. 每个课程包含书面材料、视频、练习题和答案

Generative AI for beginners with JavaScript的功能:

1. 用于学习生成式AI和LLM的基础知识
2. 用于学习Prompt工程和结构化输出
3. 用于学习检索增强生成（RAG）技术
4. 用于开发与历史人物互动的AI应用
5. 用于快速上手生成式AI技术的实践

相关导航

bRAG-langchain开源项目 – RAG应用开发指南

本项目为开发者提供从基础到高级的RAG（检索增强生成）应用实现指南。通过多个Jupyter Notebook，项目详细介绍了RAG的架构搭建、多查询技术、自定义路由与查询构建、高级检索与重排等内容。开发者可以逐步学习RAG的核心概念，并实践从简单到复杂的实现过程。

Retrieval-Augmented Generation-通过检索外部知识提高答案准确性

检索增强生成（RAG）是指在大型语言模型回答问题之前，从外部知识库中检索相关信息，以提高答案的准确性和减少模型的幻觉现象。该方法结合了参数化知识与非参数化外部知识库，能够引用来源，从而增加答案的透明度，并支持知识的更新和特定领域知识的引入。

GenAI Showcase开源项目 – 生成式AI用例项目库

MongoDB开发的生成式AI用例项目库，包含RAG(检索增强生成)、AI代理、行业特定应用等多个实用示例。提供了与MongoDB集成的完整解决方案，包括向量数据库、操作数据库和记忆提供者等功能，支持LlamaIndex、Haystack和LangChain等主流框架的集成应用。

RAGFoundry开源项目 – 增强语言模型的检索生成框架

RAGFoundry是一个专注于增强大型语言模型在检索增强生成任务中表现的专业框架，通过微调技术实现快速原型设计与实验，旨在提高模型的生成质量和适应性。

RAG-Reward模型 – 优化RAG系统的RLHF框架

RAG-Reward是一个结合数据集和奖励模型的框架，旨在通过强化学习与人类反馈（RLHF）优化检索增强生成（RAG）系统。其核心包含35K偏好注释的数据集和基于此训练的奖励模型，用于提升大型语言模型（LLM）在问答、数据到文本和摘要等RAG任务中的性能。项目通过定义四个关键指标评估生成质量，并开发自动化基准测试管道，实验证明其奖励模型在保留测试集上达到最先进性能。

Verba: The Golden RAGtriever开源项目 – 简化RAG应用的端到端解决方案

Verba 是 Weaviate 开源的一个应用程序，旨在为检索增强生成（RAG）提供一个端到端、简化且用户友好的界面。它支持多种数据源和语言模型提供程序，如 HuggingFace、Ollama、OpenAI、Cohere 和 Google，帮助用户轻松构建和部署 RAG 应用。

Awesome-DragGAN开源项目 – DragGAN资源大全

Awesome-DragGAN是一个精心整理的列表，包含了与DragGAN相关的论文、教程和代码库。该项目由OpenGVLab维护，确保资源的质量和相关性，旨在为研究、学习和开发DragGAN技术提供全面的参考和支持。

所有RAG技术：更简单、直观的实践方法开源 – 20多种RAG技术的实践指南

该项目是一个以教育和实践为导向的开源项目，旨在通过清晰、实践的方式处理检索增强生成（RAG）技术。它将复杂的高级技术分解为简单易懂的实现，使用常见的Python库（如openai、numpy、matplotlib等），而非依赖复杂的框架（如LangChain或FAISS）。项目提供了21个Jupyter Notebook，每个专注于特定的RAG技术，包含技术解释、逐步实现、带注释的代码示例、评估与比较以及结果可视化。适合初学者和有实践需求的开发者，帮助理解RAG的核心概念。

Embedefy官网 – 简化获取嵌入的过程

Embedefy简化了获取嵌入的过程，使得增强各种AI应用变得更加容易。它提供了一个简单的API来检索文本的嵌入，适用于检索增强生成（RAG）、语义搜索等多种AI应用。此外，Embedefy的PostgreSQL扩展允许用户从数据库中直接访问嵌入，无需构建和维护额外的应用程序。

Multimodal-RAG-Survey开源项目 – 多模态RAG领域资源汇总

Multimodal-RAG-Survey是一个全面梳理多模态检索增强生成（Multimodal RAG）领域的GitHub项目，旨在解决多模态数据融合与生成中的检索难题。该项目为研究人员提供了丰富的资源和前沿进展，涵盖62篇相关论文，并持续更新。通过提供多种模态（如图像、文本、视频等）的热门数据集，深入分析多模态RAG的最新进展和应用领域，帮助研究人员更好地理解和应用多模态RAG技术。

LettuceDetect开源项目 – 高效检测AI文本幻觉

LettuceDetect是一款轻量高效的RAG系统幻觉检测工具，专门用于检测AI生成文本中的幻觉部分。它能够处理长达4K上下文的文本，速度快且成本低，精确定位幻觉文本到词级别。基于ModernBERT技术，LettuceDetect将AI生成的答案拆分成词，分析每个词与参考上下文的相符性，从而提供高精度的文本分析。

Galactic开源项目 – 处理大规模文本数据的强大工具

Galactic是一个用于处理大规模非结构化文本数据集的工具，提供清理和筛选功能，旨在筛选微调数据集、创建用于检索增强生成(RAG)的文档集合，甚至对LLM预训练Web规模数据集进行去重。

memorag-qwen2-7b-inst官网 – 处理超长上下文的记忆模块模型

memorag-qwen2-7b-inst 是 MemoRAG 项目中的记忆模块模型，基于 Qwen2-7B-Instruct，能够处理长达 600K 标记的上下文。该模型主要用于生成检索线索和压缩超长上下文信息，旨在提升检索增强生成（RAG）框架的性能。通过扩展上下文长度和压缩技术，该模型在长程任务中表现出色，适用于处理大量信息的场景。

Phi2-mini-Chinese开源项目 – 从零开始训练中文小模型

Phi2-mini-Chinese 是一个从零开始训练自己的Phi2中文小模型的项目，支持加载本地知识库进行检索增强生成（RAG），旨在提供强大的中文对话能力和灵活的训练选项。

spRAG开源项目 – 高性能非结构化数据处理框架

spRAG是一个专为非结构化数据设计的高性能检索增强生成（RAG）框架，特别擅长处理复杂查询，如财务报告和法律文件。它通过高效的检索和生成机制，帮助用户从大量非结构化数据中快速提取有用信息，提升数据分析和信息检索的效率。