"llama-index"

📦 开源项目

run-llama/llama_index

llama_index：领先的文档代理和OCR平台 — llama_index是基于Python的开源项目，提供了一个灵活的框架用于构建和fine-tuning多种agents和模型。它支持多种数据格式和vector-database，能够高效处理和分析大量文档数据。llama_index的出现使得文档处理和分析变得更加高效和智能

Python★ 50.8k⑂ 7.7kai-ml

☆

hiyouga/LlamaFactory

LlamaFactory：统一高效微调 — LlamaFactory实现了对100多个LLMs和VLMs的统一高效微调，支持多种微调方法，包括fine-tuning、instruction-tuning和Lora等。该项目使用Python语言开发，基于Transformers库，能够高效地微调大语言模型。LlamaFactory的出现对于自然语言处理（NLP）领域具有重要意义，能够帮助研究人员和开发人员更好地利用大语言模型

Python★ 73.1k⑂ 8.9kai-ml

☆

karpathy/llama2.c

llama2.c：纯C实现的Llama 2推理 — llama2.c是一个开源项目，旨在使用纯C语言实现Llama 2的推理功能。它提供了一个简单易用的接口，允许开发者轻松集成Llama 2的能力到自己的应用中。通过使用纯C语言，llama2.c能够在多种平台上运行，具有良好的可移植性和性能。

C★ 19.7k⑂ 2.6kother

☆

mozilla-ai/llamafile

llamafile：单文件LLM分发与运行 — llamafile通过提供单文件执行方式简化了LLM的分发和运行过程，使得用户可以更容易地在不同平台上部署和使用LLM。这种方法提高了效率和便捷性，特别是在跨平台和本地推理场景中。同时，llamafile作为开源项目，促进了人工智能的发展和应用。

C++★ 25.3k⑂ 1.6kai-ml

☆

huggingface/agents-course

agents-course：Hugging Face 智能代理课程 — agents-course 仓库提供了 Hugging Face 智能代理课程的相关内容和资源，包括 MDX 格式的教程和示例。该课程旨在帮助开发者了解和使用智能代理技术，例如 agentic-ai 和 LangChain。通过学习该课程，开发者可以更好地理解和应用智能代理技术，推动 AI 领域的发展。

MDX★ 29.9k⑂ 2.1kai-ml

☆

chroma-core/chroma

chroma：人工智能搜索基础设施 — chroma 提供了高效的搜索功能，用于人工智能代理和数据库的交互。它使用 Rust 语言开发，注重性能和可靠性。chroma 的出现可以提高人工智能应用的搜索能力和数据处理效率

Rust★ 28.8k⑂ 2.4kai-ml

☆

meta-llama/llama3

llama3：官方仓库 — llama3 是一个重要的开源项目，用于提供相关的代码和资源。它的主要目的是为了促进开发者之间的合作和交流。同时，llama3 也为开发者提供了一个学习和研究的平台

Python★ 29.3k⑂ 3.5kother

☆

haotian-liu/LLaVA

LLaVA：视觉指令调优模型 — LLaVA 是一个基于视觉指令调优的模型，旨在实现与 GPT-4V 相同甚至更高的能力。它通过将视觉和语言信息相结合，实现了多模态学习和推理的能力。这种模型在多模态任务中具有重要意义，能够更好地处理视觉和语言信息。

Python★ 24.9k⑂ 2.8kai-ml

☆

chatchat-space/Langchain-Chatchat

Langchain-Chatchat：基于Langchain的聊天应用 — Langchain-Chatchat是一个利用Langchain、ChatGLM、Qwen和Llama等语言模型的RAG和Agent应用，能够提供本地知识的聊天服务。它利用了Langchain的强大功能和多种语言模型的优势，实现了高效的知识检索和生成。该应用对于需要本地知识聊天服务的用户来说具有重要意义

Python★ 38.3k⑂ 6.2kai-ml

☆

vllm-project/vllm

vllm：高性能LLM推理和服务引擎 — vllm是一个高性能的LLM推理和服务引擎，能够支持多种硬件平台，包括CUDA、TPU等。它使用PyTorch等框架，提供高吞吐量和内存高效的推理和服务能力。vllm的出现可以帮助提高LLM的推理和服务效率，减少计算资源的消耗

Python★ 85.9k⑂ 19.2kai-ml

☆

ollama/ollama

ollama：基于Go的AI模型运行平台 — ollama提供了一个简单易用的方式来部署和运行各种AI模型，支持多种模型的集成和扩展。通过ollama，开发者可以快速地将AI模型应用于实际项目中，提高开发效率和模型的利用率。同时，ollama的开源性质也使得其可以被广泛定制和扩展，满足不同开发者的需求

Go★ 175.8k⑂ 16.9kai-ml

☆

open-webui/open-webui

open-webui：用户友好的AI界面 — open-webui是一个开源项目，提供了一个简单易用的界面来与AI模型交互，支持Ollama、OpenAI API等。它使得用户可以轻松地使用AI功能，而无需复杂的编程知识。同时，open-webui也是一个自托管的解决方案，用户可以在自己的服务器上部署和使用。

Python★ 144.9k⑂ 21kai-ml

☆

olimorris/codecompanion.nvim

codecompanion.nvim：AI 编程助手 — codecompanion.nvim 通过集成多种 AI 服务，如 Copilot 和 OpenAI，提供智能代码补全、代码审查和代码生成等功能。该插件使用 Lua 编写，支持 Neovim 和 nvim。其主要目的是提高编程效率和准确性，减少开发时间和成本。

Lua★ 6.7k⑂ 433ai-ml

☆

langfuse/langfuse

langfuse：开源AI工程平台 — langfuse是一个开源的AI工程平台，提供了LLM评估、可观察性、指标、提示管理、游乐场和数据集等功能。它与多个库和框架集成，包括OpenTelemetry、LangChain、OpenAI SDK和LiteLLM。langfuse的目标是为AI开发者提供一个统一的平台来评估、管理和优化他们的LLM模型。

TypeScript★ 30.9k⑂ 3.2kdevops

☆

khoj-ai/khoj

khoj：您的 AI 第二大脑 — khoj 是一个开源的 AI 平台，允许用户将任何在线或本地的大语言模型（LLM）转化为个人自主 AI。它支持多种 LLM 模型，包括 gpt、claude、gemini、llama、qwen 和 mistral。通过 khoj，用户可以构建自定义代理，安排自动化，进行深入研究，提高生产力。

Python★ 35.6k⑂ 2.3kai-ml

☆

sinaptik-ai/pandas-ai

pandas-ai：数据分析对话平台 — pandas-ai 项目利用 Python 语言和 pandas 库，实现了数据分析的对话式界面，支持 SQL、CSV、parquet 等多种数据格式。通过使用 LLMs 和 RAG 技术，pandas-ai 可以高效地处理数据查询和分析任务。同时，pandas-ai 还支持数据可视化和文本到 SQL 的转换，进一步扩展了其在数据分析领域的应用。

Python★ 23.6k⑂ 2.3kdata

☆

langchain-ai/langgraph

langgraph：构建强大的智能体 — langgraph是一个开源项目，用于构建能够执行复杂任务的智能体。它提供了一种灵活的框架，用于开发和部署基于AI的代理。langgraph的目标是让开发者能够轻松构建强大的智能体，从而推动AI技术的发展

Python★ 37k⑂ 6.2kai-ml

☆

Mintplex-Labs/anything-llm

anything-llm：本地人工智能代理解决方案 — anything-llm提供了一种本地优先的代理体验，允许用户自主控制自己的智能代理。它支持多模态交互和无代码开发，适用于需要自主AI解决方案的用户。anything-llm的出现标志着人工智能发展的一个新方向，即更加注重用户的自主性和数据隐私

JavaScript★ 63k⑂ 6.9kai-ml

☆

pathwaycom/llm-app

llm-app：云模板和实时数据集成 — llm-app 通过提供 Docker 友好型的云模板，实现了与 Sharepoint、Google Drive、S3、Kafka、PostgreSQL 等的实时数据同步。该项目支持 RAG、AI 流水线和企业搜索，具有广泛的应用前景。同时，llm-app 与多个流行的机器学习库和框架进行了集成，包括 Hugging Face 和 Open AI。

Jupyter Notebook★ 59.1k⑂ 1.4kai-ml

☆

andrewyng/context-hub

context-hub：上下文中心库 — context-hub提供了一个简单的方式来管理和共享上下文数据，使得开发者可以更容易地构建复杂的Web应用。它通过提供一个统一的接口来访问和更新上下文数据，从而简化了应用的开发和维护。同时，context-hub也支持多种数据存储和缓存机制，提高了应用的性能和可扩展性

JavaScript★ 13.8k⑂ 1.2kweb

☆

Hmbown/CodeWhale

CodeWhale：开源社区驱动代理工具 — CodeWhale是一个基于Rust语言开发的开源项目，旨在为命令行界面和终端用户提供更好的体验。它通过提供一个社区驱动的代理工具，来增强用户与系统之间的交互。这种方式可以提高用户的生产力和效率

Rust★ 39.7k⑂ 3.4ktools

☆

aristocratos/btop

btop：系统资源监控工具 — btop 是一个使用 C++ 编写的系统资源监控工具，用于显示系统的 CPU、内存、磁盘和网络资源使用情况。它可以帮助用户实时监控系统资源，快速发现和解决系统瓶颈。通过使用 btop，用户可以优化系统性能和资源利用率。

C++★ 33.4k⑂ 1.1kother

☆

microsoft/BitNet

BitNet：1位LLM推理框架 — BitNet是微软开发的官方1位LLM推理框架，用于支持低位深度神经网络的高效推理。它能够有效地优化1位LLM的性能，提高推理速度。BitNet的出现对推动低位深度神经网络的发展具有重要意义

Python★ 39.7k⑂ 3.6kai-ml

☆

sgl-project/sglang

sglang：高性能语言模型服务框架 — sglang提供了高效的模型服务能力，支持多种模型类型，包括语言模型和多模态模型。它使用Python语言开发，能够有效地提升模型的服务性能和扩展性。sglang的出现对于提高AI模型的服务能力和实用性具有重要意义。

Python★ 29.9k⑂ 6.9kai-ml

☆

prisma/prisma

prisma：下一代ORM框架 — prisma是一个强大的ORM框架，能够简化数据库操作，支持多种数据库，提供高性能和安全的数据访问。它能够帮助开发者快速构建数据驱动的应用程序，提高开发效率和数据安全性。同时，prisma还提供了丰富的生态系统和社区支持，能够帮助开发者快速解决问题和获取帮助。

TypeScript★ 47.1k⑂ 2.5kbackend

+376 ★☆

SillyTavern/SillyTavern

SillyTavern：大型语言模型前端 — SillyTavern是一个基于JavaScript的LLM前端，旨在为高级用户提供便捷的交互界面。它能够帮助用户更好地利用大型语言模型的能力，提高工作效率。同时，SillyTavern的开发也体现了开源精神，欢迎开发者参与贡献。

JavaScript★ 29.9k⑂ 5.7kai-ml

☆

NousResearch/hermes-agent

hermes-agent：智能代理 — hermes-agent是一个基于Python的智能代理，能够与用户一起成长和学习。它能够利用诸如AI和LLM等技术来提供更好的服务。hermes-agent的出现对智能代理领域具有重要意义

Python★ 212.5k⑂ 39.2kai-ml

☆

google/langextract

langextract：结构化信息提取库 — langextract是一个Python库，用于从非结构化文本中提取结构化信息。它利用大型语言模型（LLMs）实现精确的源码定位和交互式可视化，能够帮助开发者更好地理解和处理非结构化数据。langextract的应用包括信息提取、自然语言处理（NLP）等领域。

Python★ 37.1k⑂ 2.6kai-ml

☆

folke/tokyonight.nvim

tokyonight.nvim：一个干净的 Neovim 黑暗主题 — tokyonight.nvim 提供了一个干净的 Neovim 黑暗主题，支持 lsp、treesitter 和许多插件。它包括用于 Kitty、Alacritty、iTerm 和 Fish 的额外主题。该主题使用 Lua 编写，提供了一个简洁的编辑体验。

Lua★ 8.1k⑂ 546other

☆

unslothai/unsloth

unsloth：本地运行开放模型的网页界面 — unsloth 提供了一个用户友好的界面，用于训练和运行各种开放模型。它支持多种模型，如 Gemma 4、Qwen3.6、DeepSeek 和 gpt-oss，能够满足不同用户的需求。通过 unsloth，用户可以在本地环境中训练和运行这些模型，从而提高效率和安全性

Python★ 68k⑂ 6.1kai-ml

☆

vanna-ai/vanna

vanna：与SQL数据库交互的AI聊天工具 — vanna是一个基于Python的项目，利用大语言模型（LLMs）和Agentic Retrieval技术，实现了准确的Text-to-SQL生成。它允许用户通过自然语言与SQL数据库进行交互，简化了数据查询和管理的过程。这种技术可以提高数据分析的效率和准确性。

Python★ 23.8k⑂ 2.4kai-ml

☆

LMCache/LMCache

LMCache：快速的KV缓存层 — LMCache能够显著提高LLM的推理速度，通过提供一个快速的KV缓存层，减少内存访问延迟。它支持多种硬件平台，包括AMD、CUDA、ROCM等。通过使用LMCache，开发者可以更好地优化他们的LLM应用

Python★ 10k⑂ 1.4kai-ml

☆

cockroachdb/pebble

pebble：Go语言下的键值数据库 — pebble是一个高性能的键值数据库，受RocksDB和LevelDB的启发而设计，使用Go语言编写。它提供了一个简单的键值存储接口，支持高并发和高可用性。pebble的设计目标是提供一个可靠、可扩展的键值数据库，适用于各种应用场景。

Go★ 6k⑂ 569backend

☆

mongodb/mongo

mongo：MongoDB数据库 — mongo是一个使用C++编写的NoSQL数据库系统，提供高性能的数据存储和检索功能。它支持多种数据模型和查询语言，广泛应用于大数据和实时Web应用场景。mongo的高可用性和可扩展性使其成为许多企业和开发者的首选数据库解决方案

C++★ 28.4k⑂ 5.8kbackend

☆

ml-explore/mlx

mlx：苹果芯片阵列框架 — mlx是一个高性能的数组框架，专为Apple silicon设计，能够提供高效的数据处理和计算能力。它采用C++语言编写，具有良好的可扩展性和可维护性。mlx的出现为开发者提供了一个新的选择，能够更好地利用Apple silicon的能力

C++★ 27.5k⑂ 2kbackend

☆

langchain-ai/langchain

langchain：智能代理工程平台 — langchain是一个开源的Python平台，提供了一套完整的工具和框架，用于构建和管理复杂的AI代理系统。它支持多种AI模型和框架，包括OpenAI、Anthropic和LLM等。langchain的目的是为了简化AI代理的开发和部署过程，提高企业和开发者的效率。

Python★ 141.4k⑂ 23.5kai-ml

☆

smoltcp-rs/smoltcp

smoltcp：一个小型TCP/IP栈 — smoltcp是一个使用Rust语言编写的TCP/IP栈，设计用于资源受限的嵌入式系统。它提供了一个小型、可靠和高效的网络协议栈，能够满足各种网络应用的需求。smoltcp的实现简单、灵活和可扩展，使其成为嵌入式系统和网络开发的理想选择

Rust★ 4.5k⑂ 539other

☆

mem0ai/mem0

mem0：通用人工智能记忆层 — mem0为AI代理提供了一个通用记忆层，能够实现长期记忆和状态管理。这种能力对于AI代理的决策和学习能力至关重要。通过使用mem0，开发者可以更容易地构建智能的AI代理。

Python★ 60.5k⑂ 7kai-ml

☆

vadimdemedes/ink

ink：交互式命令行应用的React框架 — ink提供了一个简单的方式来构建交互式命令行应用，使用React的组件化和声明式编程模式。它使得开发命令行界面变得更容易和高效。ink的出现填补了命令行应用开发的空白，提供了一个强大的工具来创建复杂的交互式命令行应用

TypeScript★ 39.2k⑂ 1kweb

☆