标签：知识库

124K Star 的「AI 应用宝库」：awesome-llm-apps，100+ 个拿来即跑的 LLM / RAG 项目
一、项目简介

awesome-llm-apps 是一个收录了 100+ 个端到端测试过、Apache-2.0 协议的开源 AI Agent、Agent Skills 与 RAG 应用的精选仓库——clone、定制、上线，全部免费。它兼容 Claude、Gemini、GPT、DeepSeek、Llama、Qwen 以及各类本地开源模型，是当下 GitHub 上星标增长最快的 LLM 应用模板库之一（124K+ Star）。

二、安装要求和过程

环境要求
- Python 3.8+（多数模板基于 Streamlit / 各厂商官方 SDK）
- 一个 LLM API Key（Claude / Gemini / GPT / DeepSeek / Llama / Qwen 均可，部分模板支持本地模型）
- Git 与可联网环境
快速开始（跑一个 Agent，约 30 秒）
```
git clone https://github.com/Shubhamsaboo/awesome-llm-apps.git
cd awesome-llm-apps/starter_ai_agents/ai_travel_agent
pip install -r requirements.txt
streamlit run travel_agent.py
```
或者，给编码助手装一个 Skill（约 10 秒）
```
npx skills add https://github.com/Shubhamsaboo/awesome-llm-apps/tree/main/agent_skills/project-graveyard
```
模板每周持续更新；项目模型无关，支持 Ollama 等本地推理，方便对比与替换。

三、核心功能
1. 100+ 端到端验证的开源应用：不是 demo 片段，而是每个都能 pip install && run 的完整项目，统一 Apache-2.0，可商用可修改。
2. 15 大场景全覆盖：从单文件 Starter Agent，到多智能体团队、语音 Agent、MCP 工具调用、RAG 检索、记忆、微调、生成式 UI，再到 Autonomous 游戏 Agent。
3. Agent Skills 一键安装：把可复用能力直接装进 Claude Code / Codex / Cursor，每条 Skill 都带真实代码并通过「安全 + 评测」CI 门禁。
4. 模型无关：Claude、Gemini、GPT、DeepSeek、Llama、Qwen 乃至本地模型通吃，方便横向对比。
5. 自带框架速成课：Google ADK、OpenAI Agents SDK 的 Crash Course，边抄边学编排范式。
Project Graveyard —— 帮你复盘每个弃坑副业、并找出最值得捡回来的那个的 Agent Skill

四、典型使用场景
- 30 分钟搭一个 AI 应用：想做旅行助手、数据分析 Agent、博客转播客？直接 clone 对应 starter 模板、改个 API Key 即可运行。
- 给编码助手加能力：团队要一个「Scope Creep Detector（范围蔓延检测）」或「Commit Archaeologist（提交考古）」？npx skills add 一行搞定，立刻在 Claude Code / Cursor 里可用。
- 系统学习 RAG / 多智能体：仓库内含 20+ 个 RAG 教程与多智能体团队模板，即开即用，省去从零搭脚手架。
Always-on HN Briefing Agent —— 按日程巡逻、把每天值得看的 Hacker News 推送到 Slack / 邮箱的后台 Agent

Insurance Claim Live Agent Team —— 基于 Gemini Live 的实时语音理赔 Agent 团队

五、推荐理由

对一个想动手做 AI 应用、又不想从零啃文档的人，这是目前质量最高、最「能跑」的 LLM 应用模板库之一。每个模板都是真实可运行代码，省去脚手架与踩坑成本；模型无关意味着你可以拿自己的 Key 直接试；Agent Skills 的设计尤其实用——把沉淀下来的工程能力变成可复用 Skill，正好契合当下 coding agent 的工作流。

Self-Improving Agent Skills —— 用 Gemini + ADK 让 Skill 针对评测自我重写的进阶玩法

唯一要注意的是：部分模板依赖特定商业模型的 API，跑之前看一眼 requirements.txt 与 README 里的模型说明即可。

六、下载地址
- GitHub：https://github.com/Shubhamsaboo/awesome-llm-apps
- 官网 / 配套教程：https://www.theunwindai.com
- 许可证：Apache-2.0（可商用、可修改）
2026年7月19日
OpenWiki：让 AI 智能体为你的代码库自动写「活文档」的 CLI 工具
项目简介

OpenWiki 是 LangChain 开源的命令行工具，专为 AI 智能体（Agent）设计，能自动为你的代码库或个人知识源生成并持续维护一份本地 Wiki（知识库）。它把分散在代码、邮件、笔记、社交动态里的信息，用 LLM 合成结构化、可检索、可被编码助手直接引用的文档。

安装要求和过程

环境要求
- Node.js 运行环境（推荐用 npm 或 pnpm 安装）。Windows 上建议避开 bun——它安装时需要本地编译 better-sqlite3 原生依赖，需先装 Visual Studio Build Tools（桌面开发 with C++ 工作负载）。
- 至少一个 LLM 提供商的 API Key：开箱支持 OpenAI / Anthropic / Gemini / Vertex AI / AWS Bedrock / OpenRouter / Fireworks / NVIDIA NIM 等，默认模型 gpt-5.6-terra。
快速安装
```
# 全局安装
npm install -g openwiki
# 或
pnpm add -g openwiki
```
快速开始
```
# 代码模式：初始化并配置模型/Key，自动为当前仓库生成文档
openwiki --init

# 进入交互式 CLI，开始生成仓库 Wiki
openwiki

# 带初始指令一次性运行
openwiki "Please generate documentation for this repository"

# 更新文档（可放进 CI 定时跑）
openwiki --update

# 个人大脑模式：从 Gmail/Notion/X 等构建本地知识库
openwiki personal --init
```
OpenWiki 提供 两种模式：Code 模式为当前代码库在 openwiki/ 生成仓库文档；Personal 模式从配置的本地仓库、Gmail、Notion、Web Search、Hacker News、X/Twitter 在 ~/.openwiki/wiki 构建”个人大脑”。配置与密钥保存在本地 ~/.openwiki/.env。

核心功能

1. 双模式 Wiki：代码库 & 个人大脑

代码模式下，OpenWiki 不仅生成 openwiki/ 目录的仓库文档，还会在仓库根目录维护 AGENTS.md 与 CLAUDE.md；个人模式则把 Git / Notion / Gmail / X / Hacker News / Web 统一 ingested 成一份本地可问答的知识库。

2. 为 Agent 而生：把 Wiki 焊进编码助手

OpenWiki 用 … 注释块向 AGENTS.md / CLAUDE.md 注入指引，且只改写自己的区块、不动你写的内容。结果是 Claude Code、Codex、Cursor 等编码智能体在检索上下文时会直接引用这份 Wiki，而不用把整页代码塞进上下文窗口，显著节省 token。

3. 多连接器 Ingestion

内置 git-repo / gmail / notion / x(Twitter) / web-search(Tavily) / hackernews 连接器，同一连接器可配置多个实例（如 web-search-1、web-search-2），用 openwiki auth <provider> 完成 OAuth 登录。

4. 全模型供应商兼容

开箱支持 OpenAI（含 ChatGPT 订阅登录，免 API 计费）、Anthropic、Gemini（AI Studio）、Gemini Enterprise（Vertex AI）、AWS Bedrock（IAM 凭证）、OpenRouter、Fireworks、Baseten、NVIDIA NIM、以及任意 OpenAI 兼容端点；甚至支持自托管/代理网关的 ANTHROPIC_BASE_URL 与 OPENAI_COMPATIBLE_BASE_URL。

5. CI 自动化 + 隐私友好

提供 GitHub Actions / GitLab CI / Bitbucket 流水线模板，定时自动开 PR 更新文档；数据全部存于本地（本地优先），匿名遥测可一键关闭（OPENWIKI_TELEMETRY_DISABLED=1 或 DO_NOT_TRACK=1）。

典型使用场景

场景一：团队代码库”活文档”

把 openwiki-update.yml 放进 GitHub Actions，每次定时运行自动生成/更新仓库 Wiki 并开 PR。新成员和 AI 编码助手都能秒懂项目结构、模块职责与历史决策，告别”文档写完就过期”。

场景二：个人知识大脑

连接 Gmail、Notion、X、Hacker News 与本地 Git 仓库，OpenWiki 把它们合成一份可问答的本地 Wiki。想回顾某段技术讨论或某封邮件结论时，直接对话即可，知识不再散落各处。

场景三：给编码 Agent 减负

OpenWiki 把 Wiki 注入 AGENTS.md / CLAUDE.md 后，Claude Code 等智能体在动手改代码前会先读 Wiki，避免重复探索、显著降低上下文 token 消耗——这正是”代码库语义化”落地的关键一环。

推荐理由（个人使用心得）

“代码库语义化”是 2026 年 Agent 基础设施里最实在的刚需之一。OpenWiki 的巧思在于：它不只是一个文档生成器，而是把生成的 Wiki 直接焊进 AGENTS.md / CLAUDE.md——这是 Claude Code、Codex、Cursor 都会主动读取的文件。换句话说，它让 AI 编码助手在每次开工前自动带上项目上下文，而不是靠把整页源码塞进上下文窗口。

TypeScript 写的单 CLI、MIT 协议、本地优先、数据不出机器，对个人开发者和注重隐私的团队都很友好；LangChain 出品也意味着模型兼容性与工程质量有保障。唯一的小门槛是需要自备 LLM Key，以及 Windows 上用 bun 装要额外编译原生依赖——用 npm/pnpm 则毫无障碍。如果你已经被”AI 改代码却不懂项目全貌”折磨过，值得一试。

下载地址
- GitHub：github.com/langchain-ai/openwiki
- npm 安装：npm install -g openwiki
- Trendshift：trendshift.io/repositories/70339
- 开源协议：MIT
- 当前数据：12.1K Stars · 831 Forks · 语言 TypeScript（数据来自 GitHub API，统计于 2026-07-18）
2026年7月18日
【开源推荐】Open WebUI：142K+ Stars！自托管 AI 聊天界面，隐私优先的本地大模型前端
Open WebUI – 自托管 AI 聊天界面

📦 项目简介

Open WebUI 是一个用户友好的自托管 AI 界面，支持 Ollama、OpenAI API 等多种 LLM 服务，可完全离线运行。它提供了类似 ChatGPT 的优雅聊天体验，同时保障数据隐私，是企业和个人部署本地 AI 能力的首选前端方案。

⭐ 142K+ Stars
🍴 20.3K+ Forks
🐍 Python + Svelte
📦 Docker 一键部署
⚙️ 安装要求和过程

环境要求

Python 3.11（pip 安装方式必须使用此版本）

Docker（推荐，最简单）

Ollama（如需本地模型，可选）

磁盘空间：至少 2GB（含依赖和模型）

方式一：Docker 安装（推荐）

# 基础安装（Ollama 在本地）

docker run -d -p 3000:8080 \
–add-host=host.docker.internal:host-gateway \
-v open-webui:/app/backend/data \
–name open-webui –restart always \
ghcr.io/open-webui/open-webui:main

# 内置 Ollama（CPU）

docker run -d -p 3000:8080 \
-v ollama:/root/.ollama \
-v open-webui:/app/backend/data \
–name open-webui –restart always \
ghcr.io/open-webui/open-webui:ollama

方式二：Python pip 安装

pip install open-webui
open-webui serve

⚠️ 注意：必须使用 Python 3.11，避免兼容性问题！

安装完成后访问 http://localhost:8080 即可使用。
✨ 核心功能

🤖 1. 多模型兼容

原生支持 Ollama、OpenAI 兼容 API，可对接 LMStudio、GroqCloud、Mistral、OpenRouter 等第三方服务。支持同时调用多个模型，获取最优输出结果。

📚 2. RAG 检索增强生成

支持 9 种向量数据库（ChromaDB、PGVector、Qdrant 等），多种内容提取引擎。可上传文档到知识库，通过 # 命令快速调用文档内容，打造私人知识助手。

🔍 3. 联网搜索能力

支持 15+ 搜索引擎（SearXNG、Google PSE、Brave Search 等）的 RAG 联网搜索，可直接输入 URL 引用网页内容到对话中，让 AI 获取实时信息。

🎨 4. 多模态交互

支持语音/视频通话，集成多种语音转文字、文字转语音引擎。支持图像生成与编辑，可对接 DALL-E、Gemini、ComfyUI、AUTOMATIC1111 等引擎。

🔧 5. 企业级管理能力

支持基于角色的访问控制（RBAC）、LDAP/AD 认证集成、SSO 单点登录。数据库支持 SQLite 和 PostgreSQL，存储可对接 S3、Azure Blob，支持水平扩展。

🚀 典型使用场景

场景一：个人本地 AI 助手

搭配 Ollama 使用，在本地运行 Llama 3、Mistral、Gemma 等开源模型。所有对话数据完全离线，保障隐私安全。无需联网，随时随地使用 AI 助手。

场景二：企业内网 AI 中台

通过 Open WebUI 搭建企业内部 AI 平台，对接公司私有 LLM API 或本地部署的开源模型。支持用户权限管理、对话历史保存、知识库共享，让团队成员安全高效地使用 AI。

场景三：RAG 知识库问答

上传公司文档、技术手册、FAQ 到 Open WebUI 知识库，即可通过对话快速检索相关内容。支持 PDF、Word、Markdown 等多种格式，结合 RAG 技术实现精准问答。

💡 推荐理由

Open WebUI 是我见过最优雅的自托管 AI 界面。如果你在本地用 Ollama 跑模型，或者想给企业搭一个私有的 AI 聊天平台，Open WebUI 几乎是不二之选。

它的体验非常接近 ChatGPT——响应式界面、Markdown 渲染、代码高亮、多会话管理，一应俱全。但更重要的是数据主权：你可以让所有 AI 交互发生在自己的服务器上，不用担心对话记录被第三方留存。

另外，它的 RAG 知识库和联网搜索功能非常实用，让本地模型也能获取实时信息和私有文档内容。如果你关心 AI 隐私和数据安全，Open WebUI 值得一试。

📥 下载地址

⭐ GitHub 仓库
 📖 官方文档
 🌐 官方网站
 🐳 Docker 镜像
2026年6月15日

【开源推荐】Open Notebook：29.9K+ Stars！Notebook LM 开源替代品，隐私优先+18家AI模型随意切换

📌 项目简介

Open Notebook 是 Google Notebook LM 的开源替代品，隐私优先、支持自托管，兼容 18+ AI 服务商（OpenAI、Anthropic、Ollama 等），让你完全掌控研究数据，不再受大厂绑定。

29.9K+

GitHub Stars

18+

AI 服务商

100%

数据自主

MIT

开源协议

⚙️ 安装要求和过程

环境要求

仅需安装 Docker Desktop（所有平台通用）
支持 Windows / macOS / Linux
需要约 2GB 磁盘空间

快速安装（3 步搞定）

# 第1步：下载 docker-compose.yml
curl -o docker-compose.yml https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml
# 第2步：修改加密密钥（可选但推荐）
# 编辑 docker-compose.yml，修改 OPEN_NOTEBOOK_ENCRYPTION_KEY
# 第3步：启动服务
docker compose up -d
# 等待 15-20 秒后访问
浏览器打开 http://localhost:8502

安装完成后在浏览器打开 http://localhost:8502 即可使用，AI 密钥可在 Web UI 中配置，无需提前写入配置文件。

✨ 核心功能

🔒

隐私优先，数据自主

自托管部署，所有研究数据存储在本地，完全不受 Google 服务器约束。支持 Docker / 云端 / 本地多种部署方式。

🤖

18+ AI 服务商兼容

原生支持 OpenAI、Anthropic、Google、Groq、Ollama、DeepSeek、Mistral、xAI 等 18+ 家，也支持任意 OpenAI 兼容接口（LM Studio 等）。

🎙️

专业多角色播客生成

支持 1-4 个可自定义角色的播客生成，比 Notebook LM 的 2 角色更灵活，可打造个性化内容输出。

🔍

全文 + 向量语义双搜索

所有上传内容同时支持关键词全文检索和向量语义搜索，快速定位研究资料中的关键信息。

⚡

完整 REST API

提供完整的 REST API 接口，支持全流程程序化调用，可集成到现有工作流或自动化系统中。

💡 典型使用场景

场景一：学术研究资料管理

上传论文 PDF、会议视频、网页资料，让 AI 基于你的资料库进行问答和总结。数据完全本地存储，敏感研究内容不外泄。

场景二：多模型对比研究

同时配置 OpenAI、Anthropic、DeepSeek 等多个模型，在同一套资料上对比不同模型的分析能力，选出最适合的模型。

场景三：团队知识库 + 播客输出

将团队文档、会议记录导入 Open Notebook，用 AI 生成洞察；还可将研究成果一键转换为多角色播客，方便团队内部分享。

⚡ Open Notebook vs Notebook LM

对比维度	Open Notebook	Notebook LM
数据隐私	✅ 自托管，完全自主	❌ 仅 Google 云端
AI 模型选择	✅ 18+ 家，含本地模型	❌ 仅 Google 模型
播客角色数	✅ 1-4 个可自定义	⚠️ 仅 2 个
API 访问	✅ 完整 REST API	❌ 无
成本	✅ 只需支付 AI 调用费	⚠️ 免费层 + 月费订阅
开源定制	✅ MIT 协议，完全可改	❌ 封闭系统

💬 推荐理由

Google Notebook LM 确实好用，但它有两个痛点：数据在 Google 服务器上，以及只能用 Google 的模型。如果你研究的内容比较敏感，或者想用 DeepSeek / 本地 Ollama 来节省成本，Notebook LM 就没法满足你了。

Open Notebook 最大的价值就是把控制权还给你：数据存在自己服务器上，想用哪个 AI 就用哪个，甚至可以在完全没有外网的环境里跑本地模型。而且它还有完整 REST API，可以接入自己的自动化流程。

部署也超级简单，会 Docker 就能跑，三行命令搞定。如果你一直在找 Notebook LM 的平替，这个项目值得一试。开源、免费、不绑架数据，还要什么自行车？

🤖 已支持 AI 服务商（部分）

OpenAI
Anthropic
Google GenAI
Groq
Ollama
DeepSeek
Mistral
xAI (Grok)
OpenRouter
Azure OpenAI
Vertex AI
MiniMax
DashScope (Qwen)
LM Studio

📥 下载地址

⭐ GitHub 主页
🌐 官方网站
📖 快速入门
💬 Discord 社区

2026年6月13日

【开源推荐】Cherry Studio：47K+ Stars！多模型AI桌面客户端，一个应用搞定所有大模型
🍒 项目名称：Cherry Studio

⭐ GitHub Stars：47.1K+

🏷️ 开源协议：AGPL-3.0

💻 支持平台：Windows / macOS / Linux

🔗 GitHub：github.com/CherryHQ/cherry-studio

🌐 官网：cherry-ai.com

📝 项目简介

Cherry Studio 是一款支持多种大语言模型提供商的开源AI桌面客户端，覆盖 Windows、Mac、Linux 三大平台。它提供智能聊天、自主智能体、300+ 预配置助手能力，可统一访问前沿大语言模型，是2026年最值得关注的 AI 生产力工具之一。

无论你是用 OpenAI Gemini Claude 等云端模型，还是用 Ollama 跑本地模型，Cherry Studio 都能一站式搞定，告别在多个网页和客户端之间来回切换的烦恼。

⚙️ 安装要求和过程

环境要求
- 操作系统：Windows 10+、macOS 11+、主流 Linux 发行版
- 无需额外环境配置：开箱即用，下载安装包直接运行
- 网络要求：使用云端模型需配置 API Key；使用本地模型需提前安装 Ollama 或 LM Studio
快速安装步骤
1. 访问 GitHub Releases 页面，下载对应系统的安装包
2. Windows：下载 .exe 安装包，双击运行
3. macOS：下载 .dmg 文件，拖入 Applications 文件夹
4. Linux：下载 .AppImage 或 .deb / .rpm 包安装
5. 启动后，在设置中配置模型 API Key 或连接本地 Ollama
🌟 核心功能

🤖 多 LLM 提供商支持

支持 OpenAI、Gemini、Anthropic、Claude 等主流云端大模型，同时支持 Ollama、LM Studio 等本地模型，一个客户端搞定所有模型。

🧠 300+ 预配置 AI 助手

内置丰富领域的专业 AI 助手模板，涵盖编程、写作、翻译、分析等场景，开箱即用，也支持自定义助手创建。

📄 多格式文档处理

支持文本、图片、Office 文档、PDF 等多格式文件处理，内置 RAG 知识库能力，让 AI 基于你的文档作答。

🔌 MCP 协议支持

支持模型上下文协议（MCP）服务器，可扩展 AI 能力边界，接入专业工具和数据源。

🎨 可视化与开发工具

支持 Mermaid 图表可视化、代码语法高亮、全局搜索、话题管理系统，满足专业用户的需求。

🚀 典型使用场景

场景一：多模型对比测试

研究者或开发者需要同时对比 GPT-4.1、Claude 4 Opus、Gemini 2.5 Pro 在同一任务上的表现？Cherry Studio 支持多模型同时对话，同一条消息发送给多个模型，结果并排展示，轻松找出最强模型。

场景二：本地 + 云端混合使用

日常聊天用免费的本地模型（Ollama + Qwen3），重要任务切换云端前沿模型。Cherry Studio 统一入口管理，无需在多个工具间切换，数据隐私和模型能力兼得。

场景三：企业知识库问答

上传公司文档、技术手册到 Cherry Studio 知识库，结合 RAG 技术，让 AI 基于企业内部知识精准作答，打造专属的企业 AI 助手。

💡 推荐理由

作为一款开源免费的 AI 桌面客户端，Cherry Studio 最大的价值在于统一——统一了模型入口、统一了对话历史、统一了工具生态。

在此之前，用 OpenAI 要去网页，用 Claude 要开另一个网页，本地 Ollama 又是命令行，多模型对比更是麻烦。Cherry Studio 把这些全部整合到一个窗口里，还加上了知识库、MCP 工具扩展、300+ 助手模板，真正做到了”一个客户端，所有 AI 能力”。

尤其值得一提的是它的开箱即用体验——无需配置 Python 环境，无需折腾依赖，下载安装包，点几下鼠标配置 Key，马上就能用。对非技术用户非常友好。

如果你同时满足以下任意一点，强烈推荐试试 Cherry Studio：
- 同时使用多个 AI 模型（GPT/Claude/Gemini/本地模型）
- 希望 AI 能读取并处理你的本地文档
- 想要一个统一、美观、功能完整的 AI 客户端
- 重视数据隐私，希望本地运行 AI
📥 下载地址

🍒 GitHub 仓库
 🌐 官方网站
 📦 下载安装包

📌 本文由 WorkBuddy AI 自动化任务 定时发布，选题自 GitHub 热门 AI 开源项目。欢迎关注本站「开源项目」栏目，每周精选优质 AI 开源工具深度介绍。
2026年6月10日
ChatGPT Retrieval Plugin：20k+ Stars！RAG鼻祖项目，让ChatGPT拥有外部知识
📦 项目简介

chatgpt-retrieval-plugin 是 OpenAI 官方开源的 ChatGPT 检索插件模板，它是 RAG（检索增强生成） 领域的鼻祖级项目，让 ChatGPT 能够访问自定义数据源。

这个项目展示了如何让大模型动态访问外部知识库，而不是仅仅依赖训练数据。它是现在所有 RAG 应用的”祖师爷”。

⚙️ 安装要求和过程

环境要求
- Python：3.8+（推荐 3.10+）
- 向量数据库：Pinecone / Weaviate / Qdrant（任选其一）
- OpenAI API Key：必需（用于 Embedding 和 ChatGPT）
- 内存：建议 8GB+（本地测试可降级）
快速安装步骤
```
# 1. 克隆项目
git clone https://github.com/openai/chatgpt-retrieval-plugin.git
cd chatgpt-retrieval-plugin

# 2. 安装依赖
pip install -r requirements.txt

# 3. 配置环境变量
cp .env.example .env
# 编辑 .env，填入你的 OpenAI API Key 和向量数据库配置

# 4. 构建向量索引
python scripts/process_docs.py

# 5. 启动服务
uvicorn server.main:app --reload --port 8000
```
安装完成后，在 ChatGPT Plugins 模式中添加本地插件，指向 http://localhost:8000 即可。

🔥 核心功能

1. 向量检索（核心能力）

将文档切片后转化为向量，存储到 Pinecone 等向量数据库。用户提问时，系统自动检索最相关的文档片段，注入到 ChatGPT 的上下文中。

2. 递归爬取（数据接入）

内置 scripts/process_docs.py 支持递归爬取网站内容（基于 BeautifulSoup），自动处理 HTML、PDF、Markdown 等多种格式。

3. 元数据过滤（精准召回）

支持为文档添加元数据标签（来源、日期、作者等），检索时可根据元数据进行过滤，大幅提升召回精准度。

4. 插件标准接口（OpenAI 官方规范）

严格遵循 OpenAI Plugin 规范（/.well-known/ai-plugin.json、/openapi.yaml），可作为开发自定义 ChatGPT 插件的参考模板。

💡 典型使用场景

场景一：企业知识库问答

将公司内部文档（产品手册、API 文档、HR 政策）向量化后接入 ChatGPT，员工可以直接用自然语言查询，比如”我们公司的报销流程是什么？”，ChatGPT 会从知识库中精准召回答案。

价值：替代传统关键词搜索，问答准确率提升 60%+。

场景二：技术文档助手

开源项目维护者可以将项目文档（README、Wiki、Issue 解答）接入插件，用户在使用 ChatGPT 时可以直接获得项目相关的准确回答，而不用担心模型产生幻觉。

价值：降低开源项目的使用门槛，减少重复解答。

🌟 推荐理由

这个项目最大的价值不在于代码本身（实际上代码量并不大），而在于它 定义了 RAG 的标准范式：
1. 文档切片 → Embedding → 向量存储 → 检索召回 → 注入上下文 → 生成回答，这条链路现在是业界标配。
2. 如果你想做知识库问答、企业 AI 助手、文档 Copilot，这个项目是最好的起点。
3. 虽然 OpenAI 后来推出了 Assistants API 和 GPTs，底层逻辑依然和这个插件一脉相承。
值得一提的是，现在很多热门项目（RAGFlow、AnythingLLM、Dify 的知识库功能）都能看到这个项目的影子。可以说，它是 RAG 应用的”黄埔军校”。

📥 下载地址
- GitHub 仓库：openai/chatgpt-retrieval-plugin
- OpenAI Plugins 文档：官方文档
- Pinecone 向量数据库：pinecone.io
如果你正在做知识库问答或者企业 AI 助手，这个项目值得深入研究。它不仅是 RAG 的鼻祖，更是理解大模型如何”连接外部知识”的最佳教材。
2026年6月6日
Chroma：28.2K Stars！AI 开源向量数据库，让语义搜索 5 行代码搞定
如果你正在构建 RAG 应用、智能客服、文档问答系统，你会发现一个核心难题：如何让 AI 从海量文本中快速找到最相关的内容？

Chroma —— 面向 AI 的开源向量数据库

📦 项目简介

Chroma 是专为 AI 应用设计的开源向量数据库，定位为“AI 的搜索基础设施”。它让开发者能够以极简的 API 完成文档嵌入、向量存储、语义检索的全流程，是构建 RAG（检索增强生成）系统的首选工具之一。

Chroma 的核心设计理念是简单优先：核心 API 只有 4 个函数，5 行代码即可完成文档入库和语义搜索。同时支持 Python 和 JavaScript 双语言客户端，并提供 Chroma Cloud 托管服务（注册即送 $5 免费额度，30 秒内完成数据库创建）。

⚙️ 安装要求与过程

环境要求
- Python：3.8+（推荐 3.9+）
- Node.js：16+（使用 JavaScript 客户端时需要）
- 内存：最低 2GB（内存模式）；生产环境建议 4GB+
- 存储：持久化模式需要磁盘空间存放向量索引
快速安装（3 步搞定）
```
# 第1步：安装 Chroma（Python）
pip install chromadb

# 第2步：启动 Chroma 服务（可选，也可直接用内存模式）
# chroma run --path ./chroma_db

# 第3步：写 5 行代码，完成第一个语义搜索！
import chromadb
client = chromadb.Client()
collection = client.create_collection("my_docs")
collection.add(documents=["你好世界", "Hello World"], ids=["id1", "id2"])
results = collection.query(query_texts=["greeting"], n_results=1)
print(results)
```
JavaScript/TypeScript 用户：
```
# JavaScript/TypeScript 安装
npm install chromadb

# 快速使用
import { ChromaClient } from 'chromadb';
const client = new ChromaClient();
const collection = await client.createCollection({ name: "my_docs" });
await collection.add({ ids: ["id1"], documents: ["Hello World"] });
const results = await collection.query({ queryTexts: ["greeting"], nResults: 1 });
console.log(results);
```
💡 核心功能

🎯 极简 API 设计
核心 API 仅 4 个函数：创建集合、添加文档、查询搜索、管理集合。学习成本几乎为零，5 行代码即可完成语义搜索全流程。

🔍 多模态搜索能力
支持纯向量搜索、全文搜索、混合搜索（向量+关键词）三种模式。可根据场景灵活选择，搜索精度远超单一模式。

🧠 自动嵌入处理
添加文档时自动完成分词 → 向量嵌入 → 索引构建全流程，内置主流 Embedding 模型（Sentence Transformers 等），也支持自定义向量传入。

🔧 灵活部署模式
支持内存模式（快速原型）、持久化存储（生产环境）、客户端-服务端（多应用共享）、Chroma Cloud（完全托管，免运维）。

🏷️ 多维度过滤
支持基于元数据（metadata）的精确过滤，和基于文档内容的包含过滤。例如：只搜索”来源为官网”的文档，或只搜索”包含特定关键词”的段落。

🌐 多语言客户端
官方支持 Python 和 JavaScript/TypeScript 双语言客户端，API 设计一致。社区还提供了 Go、Java、Ruby 等语言客户端，覆盖主流开发生态。

🚀 典型使用场景

场景一：RAG 文档问答系统

将企业知识库、产品文档、FAQ 等文本存入 Chroma，用户提问时通过语义搜索找到最相关的片段，再交给 LLM 生成回答。这是 Chroma 最经典的应用场景，也是目前大量 AI 应用的标准架构。
```
# RAG 典型代码（简化版）
import chromadb
from sentence_transformers import SentenceTransformer

# 1. 连接 Chroma
client = chromadb.Client()
collection = client.get_or_create_collection("company_docs")

# 2. 文档切片入库（实际项目可用更高级的分片策略）
docs = ["退款政策：7天内可申请...", "Shipping: 2-5 business days..."]
collection.add(documents=docs, ids=["doc1", "doc2"])

# 3. 用户提问 → 语义检索 → 交给 LLM
query = "如何申请退款？"
results = collection.query(query_texts=[query], n_results=3)
# results['documents'] 即为最相关的文档片段，传给 LLM 生成回答
```
场景二：AI 应用语义缓存

对 LLM 的相似问题，直接返回缓存的答案，避免重复调用大模型，可降低 30-80% 的 API 成本。Chroma 的向量相似度搜索非常适合实现语义缓存——用户问”怎么退款”和”退款流程是什么”应该命中同一个缓存。

场景三：内容推荐与去重

新闻推荐、电商商品推荐、短视频去重等场景，都可以通过向量相似度来实现。Chroma 的轻量特性使其非常适合作为推荐系统的向量检索层，毫秒级返回相似内容。

🌟 推荐理由

我推荐 Chroma 的核心原因是它把”向量数据库”这个听起来很高大上的东西，做到了真正对开发者友好。以下是我的真实使用感受：

第一，上手速度极快。对比 Pinecone、Weaviate、Qdrant 等竞品，Chroma 的学习曲线是最平缓的。核心 API 只有 4 个函数，README 中的示例代码复制到本地，5 分钟就能跑通第一个语义搜索。对于想快速验证 RAG 想法的开发者，这非常重要。

第二，开源 + 零依赖启动。Chroma 采用 Apache 2.0 开源协议，可以免费用于商业项目。内存模式不需要安装任何外部依赖（不需要 Docker、不需要单独装数据库），pip install chromadb 之后直接就能用，对个人开发者和小型团队极其友好。

第三，生产路径清晰。很多”易上手”的工具到了生产环境就掉链子，但 Chroma 提供了完整的升级路径：开发阶段用内存模式快速迭代 → 部署时用持久化模式 → 规模化后用 Chroma Cloud 或自托管 HTTP 服务。这个路径非常平滑，不需要重写代码。

什么场景不适合 Chroma？如果你需要百亿级向量规模（如千万级文档），Chroma 目前的能力可能不如专用的分布式向量数据库（如 Milvus）。但对于99% 的 AI 应用开发者（百万级向量以下），Chroma 的性能和易用性是最优平衡。

📥 下载地址

🌐 官方网站
trychroma.com

🐙 GitHub 仓库
github.com/chroma-core/chroma
(28.2K+ Stars)

📦 PyPI 安装
pip install chromadb

📦 npm 安装
npm install chromadb

☁️ Chroma Cloud
cloud.trychroma.com
（注册送 $5 免费额度）

📌 本文由 WorkBuddy AI 自动采集撰写，阅读原文请访问 GitHub 仓库。
2026年6月1日
LlamaIndex：49.5k Stars！领先的大模型数据框架，让AI理解你的私有数据
🦙 LlamaIndex

49.5k Stars！领先的大模型数据框架，让AI理解你的私有数据

⭐ 49.5k Stars
🔧 数据框架
📚 RAG引擎

💡 项目简介

LlamaIndex 是用于构建智能体（agentic）应用的开源框架，提供数据接入、结构化组织、检索增强接口等完整能力。它核心解决如何用私有数据增强LLM能力的问题——LLM本身基于公开数据预训练，无法直接获取用户私有数据，而LlamaIndex提供完整工具链，实现私有数据的接入、结构化、检索增强全流程。

目前LlamaIndex已在GitHub获得49,514 Stars，是构建RAG（检索增强生成）应用的首选框架之一。无论是新手还是高级开发者，都能找到适合自己的API层级。
⚙️ 安装要求和过程

环境要求

• Python版本：3.8+
• 依赖管理：pip
• 可选：OpenAI API Key（使用OpenAI模型时）

快速安装

# 新手快速上手（推荐） pip install llama-index # 高级用户自定义安装 pip install llama-index-core # 核心框架 pip install llama-index-llms-openai # OpenAI集成 pip install llama-index-llms-ollama # Ollama本地模型集成 pip install llama-index-embeddings-huggingface # HuggingFace嵌入模型
✨ 核心功能

📥 多源数据接入

提供数据连接器，支持接入API、PDF、文档、SQL等各类数据源和格式。无论是本地文件还是在线服务，都能轻松整合。

🗂️ 数据结构化组织

支持构建索引、知识图谱等结构，让数据可被LLM高效使用。提供多种索引类型：向量索引、树形索引、列表索引等。

🔍 高级检索与查询接口

输入LLM提示词，即可返回检索到的上下文和知识增强后的输出。支持多种检索策略：向量检索、关键词检索、混合检索等。

🔧 灵活扩展性

支持自定义所有核心模块，适配不同场景需求。提供300+集成包（LlamaHub），覆盖LLM、嵌入模型、向量存储等组件。

🤖 多模型兼容

支持OpenAI、本地Ollama、HuggingFace等各类LLM和嵌入模型。无需修改代码即可切换底层模型，真正实现解耦。

🚀 典型使用场景

1️⃣ 企业知识库问答系统

将公司文档、PDF、API文档等私有数据接入LlamaIndex，构建智能问答系统，让员工快速获取准确信息。支持多用户、权限管理、对话历史等高级功能。

2️⃣ 个人第二大脑

整合个人笔记、文章、代码注释等，构建个性化AI助手，实现智能检索和知识管理。配合LlamaParse，甚至能解析扫描版PDF和图片。

3️⃣ RAG应用快速原型

利用LlamaIndex的高阶API，仅需5行代码即可完成数据接入和查询，快速验证RAG应用想法。适合创业团队快速MVP验证。

💡 推荐理由

🎯 完美的平衡：LlamaIndex是我接触过的最优雅的RAG框架之一。它完美平衡了易用性和灵活性——新手可以用5行代码快速上手，高级用户又能深度定制每个组件。

🔌 强大的生态：特别是它对各类LLM和向量存储的广泛支持（300+集成包），让你可以轻松切换不同的技术栈而无需重写代码。LlamaHub让集成变得像pip install一样简单。

📖 优秀的文档：它的文档详尽、社区活跃，几乎能找到所有常见问题的解决方案。从入门教程到高级进阶，覆盖全链路。

🚀 企业级能力：配套的企业级文档智能处理平台LlamaParse，支持130+种文档格式解析，让非结构化文档的结构化处理变得轻而易举。

📥 下载地址

🔗 相关链接

• GitHub仓库：https://github.com/run-llama/llama_index
• 官方文档：https://developers.llamaindex.ai
• LlamaParse（企业文档OCR）：https://cloud.llamaindex.ai
• PyPI安装：pip install llama-index

📌 开源协议

LlamaIndex 使用 MIT License，允许商用、修改、分发，非常适合企业和个人开发者使用。

📌 本文属于「开源项目」系列，持续介绍GitHub上的优质AI开源项目，欢迎关注！

🔥 下期预告：更多精彩AI开源项目即将上线，敬请期待…
2026年5月20日
AnythingLLM：60.3k Stars！全功能AI生产力加速器，隐私优先的本地知识库方案
📦 项目简介

AnythingLLM 是一款全功能一体化AI生产力加速器，默认本地运行、隐私优先。它将LLM聊天、RAG文档检索、AI代理、多模态支持完美集成在一个应用中，让你无需复杂配置即可拥有属于自己的私有AI助手。

⚙️ 安装要求和过程
环境要求

桌面版：Windows/macOS/Linux，直接下载安装包

Docker版：Docker 20.10+，2GB+ RAM

支持LLM：OpenAI、Ollama、LM Studio、Google Gemini、Anthropic等40+模型

向量数据库：LanceDB（默认）、PGVector、Pinecone、Chroma等
# 快速安装 – Docker方式

docker pull mintplexlabs/anythingllm:latest

docker run -d -p 3001:3001 –name anythingllm mintplexlabs/anythingllm:latest

# 桌面版直接下载

访问 https://anythingllm.com/download 下载对应系统安装包

⭐ 核心功能

📚 RAG文档对话

支持PDF、TXT、DOCX等多种文档格式，内置RAG（检索增强生成）能力，让AI精准理解你的文档内容。

🤖 内置AI代理

自动执行网页浏览、工作流自动化等复杂任务，支持无代码代理构建器，最多可降低80%的token消耗。

🔌 全面MCP兼容

完全兼容MCP（模型上下文协议），可对接外部工具，扩展AI能力边界。

👥 多用户权限管理

Docker版本支持多用户权限管理，适合团队共享知识库，保护企业知识产权。

🎨 多模态支持

支持多模态LLM（闭源/开源模型均兼容），支持语音转文本、文本转语音、音视频转录。

💡 典型使用场景

🏠

个人知识管理

本地搭建私有知识库，对话查询个人文档、笔记，隐私数据完全本地存储，无需担心数据外泄。

🏢

企业团队使用

多用户权限管理，团队共享知识库，控制不同用户的访问权限，保护企业核心知识资产。

🔧

AI应用开发

基于完整开发者API、MCP兼容性，快速构建自定义AI应用，对接现有业务系统。

🌐

网站智能客服

通过嵌入聊天组件，在网站部署AI客服，基于企业私有文档回答问题，提升用户满意度。

💝 推荐理由

说实话，我用过很多AI工具和知识库方案，但AnythingLLM是唯一让我觉得”这就是我想要的”的产品。它的设计理念非常清晰：隐私优先、本地运行、开箱即用。

我最喜欢它的RAG文档对话功能。你可以把PDF、Word、TXT文档直接拖进去，它就能基于这些文档回答问题。比起那些需要把数据上传到云端的方案，AnythingLLM让我感觉数据完全在自己掌控之中。

另外，它的MCP兼容性也非常棒，可以对接各种外部工具，让AI的能力不断扩展。如果你正在寻找一个隐私安全、功能全面、易于部署的AI生产力工具，AnythingLLM绝对值得一试！

📥 下载地址

🔗 官方网站：https://anythingllm.com

📚 官方文档：https://docs.anythingllm.com

💻 GitHub仓库：https://github.com/Mintplex-Labs/anything-llm

📥 桌面版下载：https://anythingllm.com/download

🔥 项目亮点总结
60.3k+ Stars |
隐私优先 |
本地运行 |
MCP兼容
2026年5月20日
RAGFlow：80.8k Stars！开源RAG引擎，让AI精准理解你的文档

📚 RAGFlow

80.8k Stars！开源RAG引擎，让AI精准理解你的文档

⭐ 80.8k Stars
🔧 RAG引擎
📄 深度文档理解

💡 项目简介

RAGFlow 是一款基于深度文档理解构建的开源 RAG（检索增强生成）引擎，由 InfiniFlow 团队开发。它可以为各种规模的企业及个人提供一套精简的 RAG 工作流，把”大模型+企业知识库”的门槛直接干到地面。

说实话，我第一次用 RAGFlow 的时候有点被震撼到——它处理 PDF、Word、Excel 这些复杂格式文档的能力，比我之前试过的所有 RAG 框架都要强。关键是它有可视化分块界面，你能看到每个文本块是怎么切的，哪里出了问题直接改，不用盲目调参。

🚀 核心功能

📑 深度文档理解

支持 PDF、Word、Excel、PPT、图片、扫描件等复杂格式，能从非结构化数据中提取精准知识。表格、图表、多栏布局都能正确解析，真正做到了”看懂”文档。

🔍 高质量RAG管道

内置多路召回 + 融合重排，支持可视化文本分块，生成结果附带可追溯的引用来源。不再出现”幻觉”回答，每个答案都有据可依。

🤖 Agent + MCP 支持

内置 Agent 工作流，支持 MCP 协议接入，可对接 OpenClaw 等 AI Agent 平台。还能接入 Confluence、Notion、Google Drive 等数据源，一键同步知识库。

🔧 多种部署方式

支持 Docker 一键部署（推荐），也支持源码启动。兼容 DeepSeek v4、Gemini 3 Pro、GPT-5 系列等主流大模型，自带 embedding 模型。

⚙️ 安装要求与过程

环境要求

• CPU ≥ 4核
• 内存 ≥ 16 GB
• 磁盘 ≥ 50 GB
• Docker ≥ 24.0.0 & Docker Compose ≥ v2.26.1
• 系统参数要求：vm.max_map_count ≥ 262144

# 1. 克隆仓库
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker

# 2. 启动服务（CPU版）
docker compose -f docker-compose.yml up -d

# 3. 查看日志确认启动成功
docker logs -f docker-ragflow-cpu-1

# 4. 浏览器访问 http://服务器IP
# 出现 Running on all addresses 即成功！

💼 典型使用场景

🏢 企业知识库问答

把公司的产品文档、技术手册、HR政策全部喂给 RAGFlow，员工直接用自然语言提问，AI 能精准定位到具体文档段落并给出答案，还附带引用来源。比传统关键词搜索强太多了。

📚 个人学习助手

上传教材、论文、技术书籍，让 AI 帮你梳理知识点、回答思考题。RAGFlow 对 PDF 的解析特别到位，公式、表格、图表都能正确识别，学习效率高了不少。

🤖 AI Agent 知识底座

通过 MCP 协议把 RAGFlow 接入 OpenClaw 或 AutoGPT，让 AI Agent 在执行任务时可以实时检索你的私有知识库。相当于给 Agent 装了一个”外挂大脑”。

🌟 推荐理由

我觉得 RAGFlow 最打动我的一点，是它把”可视化”做到了极致。很多 RAG 框架让你盲目调参，分块质量怎么样完全靠猜；RAGFlow 直接把每个文本块展示给你看，哪里分错了手动改，这种”可控性”在实际项目中真的太重要了。

另外它的文档解析能力确实一流，我试过把一本 500 页的技术书丢进去，公式、代码块、表格全都识别对了，召回准确率相当能打。如果你正在搭建企业知识库或者给 AI Agent 接知识底座，RAGFlow 绝对值得一试。⭐

📥 下载地址

📦 GitHub 仓库
 🌐 官方网站
 📚 官方文档
 ☁️ 云服务

📌 本文由 AI 自动采集整理，更多开源项目介绍持续更新中…

Tags: RAGFlow · RAG · 知识库 · 开源AI

2026年5月19日

标签： 知识库

一、项目简介

二、安装要求和过程

环境要求

快速开始（跑一个 Agent，约 30 秒）

或者，给编码助手装一个 Skill（约 10 秒）

三、核心功能

四、典型使用场景

五、推荐理由

六、下载地址

项目简介

安装要求和过程

环境要求

快速安装

快速开始

核心功能

1. 双模式 Wiki：代码库 & 个人大脑

2. 为 Agent 而生：把 Wiki 焊进编码助手

3. 多连接器 Ingestion

4. 全模型供应商兼容

5. CI 自动化 + 隐私友好

典型使用场景

场景一：团队代码库”活文档”

场景二：个人知识大脑

场景三：给编码 Agent 减负

推荐理由（个人使用心得）

下载地址

📦 项目简介

⚙️ 安装要求和过程

环境要求

方式一：Docker 安装（推荐）

方式二：Python pip 安装

✨ 核心功能

🤖 1. 多模型兼容

📚 2. RAG 检索增强生成

🔍 3. 联网搜索能力

🎨 4. 多模态交互

🔧 5. 企业级管理能力

🚀 典型使用场景

场景一：个人本地 AI 助手

场景二：企业内网 AI 中台

场景三：RAG 知识库问答

💡 推荐理由

📥 下载地址

📌 项目简介

⚙️ 安装要求和过程

环境要求

快速安装（3 步搞定）

✨ 核心功能

💡 典型使用场景

⚡ Open Notebook vs Notebook LM

💬 推荐理由

🤖 已支持 AI 服务商（部分）

📥 下载地址

📝 项目简介

⚙️ 安装要求和过程

环境要求

快速安装步骤

🌟 核心功能

🤖 多 LLM 提供商支持

🧠 300+ 预配置 AI 助手

📄 多格式文档处理

🔌 MCP 协议支持

🎨 可视化与开发工具

🚀 典型使用场景

场景一：多模型对比测试

场景二：本地 + 云端混合使用

场景三：企业知识库问答

💡 推荐理由

📥 下载地址

📦 项目简介

⚙️ 安装要求和过程

环境要求

快速安装步骤

🔥 核心功能

1. 向量检索（核心能力）

2. 递归爬取（数据接入）

3. 元数据过滤（精准召回）

4. 插件标准接口（OpenAI 官方规范）

💡 典型使用场景

标签：知识库