rag-using-langchain-amazon-bedrock-and-opensearch

Ragna是一个RAG(检索增强生成)编排框架，旨在简化AI应用开发过程。该框架支持Python API、REST API和Web应用界面，方便开发者构建和部署基于RAG的智能系统。Ragna的设计注重灵活性和可扩展性，适应多种AI应用场景。该框架有助于加速智能解决方案的开发，促进AI技术在各领域的应用。

LangChain4j-AIDeepin是一个基于大语言模型和Langchain4j框架的开源RAG系统。该项目提供多会话、图片生成、知识库和智能搜索等功能，支持多种AI模型和搜索引擎。系统包含用户端和管理端，采用Java和Vue3技术栈开发，支持离线部署。这是一个功能丰富、灵活可定制的AI应用开发平台。

该项目提供了一个完整的解决方案，用于部署本地LLM和集成RAG技术。它利用免费的韩语微调模型，集成了Ollama、LangServe等工具，便于创建和管理语言模型服务。项目包含详细的安装指南、模型配置说明和远程访问方法，为开发者提供从模型部署到应用集成的全面指导。

该解决方案提供现成代码，允许在AWS账户中实验多种大型语言模型和多模态语言模型。支持的模型包括Amazon Bedrock、Amazon SageMaker自托管模型以及通过API的第三方模型，如Anthropic、Cohere、AI21 Labs和OpenAI。项目包含详细文档、部署指南和集成资源，加速生成式AI解决方案的开发。

Neum AI是一个数据平台，帮助开发者利用检索增强生成（RAG）技术。它从现有数据源提取数据，生成向量嵌入，并导入向量数据库进行相似性搜索。平台具有高吞吐量分布式架构，处理数十亿数据点，内置数据连接器和实时同步功能，确保数据最新，并支持元数据混合检索，提供全面的RAG解决方案。

GNN-RAG项目探索了图神经网络在大语言模型推理中的应用。该方法在密集子图上进行推理，检索候选答案和推理路径，结合了GNN的结构化推理和LLM的自然语言处理能力。项目提供了GNN实现和基于RAG的LLM问答系统的代码，以及实验结果。研究表明，这种方法在知识图谱问答任务中具有提升性能的潜力。

Autogen_GraphRAG_Ollama是一个将GraphRAG与AutoGen代理结合的开源项目。它利用Ollama的本地LLM实现免费离线嵌入和推理，通过函数调用整合GraphRAG的知识搜索方法。项目支持本地模型推理和嵌入，扩展了AutoGen以支持非OpenAI LLM的函数调用，并集成Chainlit UI处理持续对话和用户交互，打造了一个功能完备的本地化多智能体RAG系统。

创建一个基于Web的聊天应用，利用OpenAI模型回答PostgreSQL数据库中的问题。前端使用React和FluentUI，后端采用Python和FastAPI。该项目支持在Azure上部署，通过Azure Developer CLI工具进行操作。主要功能包括结合向量搜索与全文搜索的混合搜索，以及将用户查询转换为SQL条件等。可通过GitHub Codespaces或VS Code Dev Containers快速启动，本地开发需配置Azure CLI、Node.js、Python、PostgreSQL和Docker等工具。

KG-RAG，一种融合生物医学知识图谱SPOKE与大型语言模型的检索增强生成系统，专为提升特定领域的语义理解而设计。了解其配置、运行方法及在生物医学应用中的实例。

GraphRAG4OpenWebUI 为 Open WebUI 提供了一个强大而高效的信息检索系统，集成了微软研究院的 GraphRAG 技术，支持本地搜索、全球搜索和 Tavily 搜索。该项目专为需要精确和全面搜索结果的开放网络用户界面设计，并且支持本地语言模型和嵌入模型，增强了灵活性和隐私性。通过多个 API 接口，用户可以轻松实现复杂的信息检索需求。