本地素材AI语义搜索工具，能够通过自然语言快速定位图片和视频素材，支持以图搜图、文字描述匹配画面等多种搜索方式

功能
文字搜图
以图搜图
文字搜视频（会给出符合描述的视频片段）
以图搜视频（通过视频截图搜索所在片段）
图文相似度计算（只是给出一个分数，用处不大）
Pexels视频搜索

MaterialSearch | #工具

AI时代检索增强生成技术学习与实验工具，通过文档数据库检索信息引导生成过程，提升内容准确性和相关性，解决大型语言模型的幻觉问题。

LLM会产生误导性的 “幻觉”，依赖的信息可能过时，处理特定知识时效率不高，缺乏专业领域的深度洞察，同时在推理能力上也有所欠缺。

正是在这样的背景下，检索增强生成技术（Retrieval-Augmented Generation，RAG）应时而生，成为 AI 时代的一大趋势。

RAG 通过在语言模型生成答案之前，先从广泛的文档数据库中检索相关信息，然后利用这些信息来引导生成过程，极大地提升了内容的准确性和相关性。RAG 有效地缓解了幻觉问题，提高了知识更新的速度，并增强了内容生成的可追溯性，使得大型语言模型在实际应用中变得更加实用和可信。

此仓库用于学习大模型RAG的相关内容，目前为手搓实现，主要是llama-index和langchain不太好魔改。此仓库可以方便看论文的时候，实现一些小的实验。以下为本仓库的RAG整体框架图。

以下为作者所构思的RAG实现过程，这里面主要包括包括三个基本步骤：

索引 — 将文档库分割成较短的Chunk，并通过编码器构建向量索引。
检索 — 根据问题和 chunks 的相似度检索相关文档片段。
生成 — 以检索到的上下文为条件，生成问题的回答。

Hand on RAG | #工具

构建Agent型AI工作流的Python框架，提供结构化、面向开发者的工作流定义方式，将工作分配给大型语言模型（LLM），同时不牺牲控制或透明度

ControlFlow | #框架

一款低代码构建多Agent大模型应用的开发工具，协助开发者用极低的成本构建复杂的AI应用，并可以持续的迭代优化效果。LazyLLM提供了便捷的搭建应用的workflow，并且为应用开发过程中的各个环节提供了大量的标准流程和工具。

基于LazyLLM的AI应用构建流程是原型搭建 -> 数据回流 -> 迭代优化，即您可以先基于LazyLLM快速跑通应用的原型，再结合场景任务数据进行bad-case分析，然后对应用中的关键环节进行算法迭代和模型微调，进而逐步提升整个应用的效果。

LazyLLM | docs |#工具