Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
GitHub AI Tools 404건필터 해제
ReLink-Inc/PropRAG
PropRAG는 LLM의 멀티홉 추론 능력을 강화하기 위해 설계된 새로운 RAG 프레임워크입니다. 문맥적 명제를 기본 단위로 활용하고 LLM-free 온라인 빔 서치 알고리즘을 통해 지연 시간과 비용을 줄이면서 복잡한 질의에 대한 성능을 극대화했습니다.
CRUD-RAG: 대규모 언어 모델의 검색 증강 생성 (RAG)을 위한 종합적인 중국어 벤치마크
RAG 시스템의 성능을 평가하기 위한 새로운 중국어 벤치마크인 CRUD-RAG를 소개합니다. 이 벤치마크는 데이터셋, 실험 튜토리얼, 평가 코드를 포함하며 RAG 시스템의 역량을 종합적으로 측정합니다.
LegalGraphRAG: 멀티 에이전트 그래프 검색을 통합한 법률 판결 예측 평가 프레임워크
LegalGraphRAG는 멀티 에이전트 그래프 검색을 통합하여 법률 판결을 예측하고 평가하는 프레임워크입니다. 다양한 LLM과 법률 데이터셋을 지원하며, 기존 베이스라인 모델들과의 재현 가능한 비교 기능을 제공합니다.
argoproj-labs/mcp-for-argocd
Argo CD를 위한 Model Context Protocol(MCP) 서버 구현체로, AI 어시스턴트가 자연어를 통해 Argo CD 애플리케이션을 관리할 수 있게 지원합니다. VS Code, Cursor, Claude Desktop 등 다양한 MCP 클라이언트와 통합하여 클러스터 조회, 앱 생성 및 동기화 등의 작업을 수행할 수 있습니다.
InditexTech/mcp-teams-server
Microsoft Teams와 연동할 수 있는 MCP(Model Context Protocol) 서버 구현체입니다. 메시지 읽기, 생성, 답장 및 멤버 언급 기능을 통해 AI 에이전트가 Teams 환경에서 상호작용할 수 있도록 지원합니다.
KiCAD MCP Server
KiCAD MCP Server는 Claude와 같은 AI 어시스턴트가 PCB 설계를 자동화할 수 있도록 지원하는 Model Context Protocol 서버입니다. 사용자의 자연어 명령을 통해 부품 배치, 배선, 심볼 생성 및 제조 파일 내보내기 등의 EDA 작업을 수행할 수 있습니다.
bytechefhq/bytechef
ByteChef는 드래그 앤 드롭 방식의 비주얼 에디터를 통해 AI 에이전트와 워크플로를 구축할 수 있는 프레임워크입니다. 모델 선택부터 도구 연결, 실행 및 관찰로 이어지는 에이전트 루프를 스트리밍 방식으로 지원하며 Docker를 통해 쉽게 설치할 수 있습니다.
josephleblanc/ploke
Ploke는 Rust 개발자를 위한 터미널 기반의 LLM 협업 도구입니다. Rust 코드베이스를 벡터-그래프 데이터베이스로 파싱하여 시맨틱 검색 및 편집 기능을 제공하며, Vim 스타일의 인터페이스를 지원합니다.
Agentic Workflow Patterns (에이전트 워크플로우 패턴)
Python을 사용하여 멀티 에이전트 및 에이전트 워크플로우를 구축하기 위한 디자인 패턴과 베스트 프랙티스를 제공하는 저장소입니다. Reflection, Web Access, Semantic Routing 등 다양한 아키텍처 패턴을 통해 지능형 자동화 시스템 설계 방법을 안내합니다.
garudust-org/garudust-agent
Rust로 작성된 경량화된 자기 개선형 AI 에이전트 런타임인 Garudust를 소개합니다. 약 10MB의 단일 바이너리로 구성되어 의존성 없이 실행 가능하며, MCP 서버 연결 및 다양한 LLM 제공업체 교체를 지원합니다.
liangdabiao/langgraph_multi-agent-rag-customer-support
LangGraph와 LangChain을 활용하여 다중 에이전트(Multi-Agent) 및 RAG 기반의 고객 지원 시스템을 구현한 프로젝트입니다. 항공, 호텔, 쇼핑몰 등 다양한 전문 보조자를 라우팅하며, 보안 가드레일과 인적 검토 프로세스를 통해 시스템의 안정성을 높였습니다.
athina-ai/rag-cookbooks
고급 및 에이전트 기반의 RAG(Retrieval-Augmented Generation) 기술을 다루는 종합 가이드 저장소입니다. RAG의 핵심 구성 요소인 색인화, 검색, 증강, 생성 과정을 설명하며, 구현체와 평가 방법을 제공합니다.
PlanRAG: 의사 결정자로서의 생성형 거대 언어 모델(LLM)을 위한 계획 후 검색 증강 생성 (Plan-then-Retrieval
NAACL 2024에 채택된 PlanRAG는 LLM이 의사 결정자로서 먼저 계획을 세운 뒤 검색을 수행하는 'Plan-then-Retrieval' 방식을 제안합니다. 관계형 및 그래프 데이터베이스 환경에서 기존 RAG 방식보다 향상된 성능을 목표로 합니다.
aiwaves-cn/agents
에이전트 학습 및 평가를 지원하는 Agents 2.0 프레임워크를 출시했습니다. 신경망의 역전파 원리를 언어 에이전트 파이프라인에 적용하여 기호 학습(Symbolic Learning)을 구현합니다.
dipanjanS/improving-RAG-systems-dhs2024
RAG 시스템 구축 시 발생하는 주요 실패 지점들을 분석하고 이를 해결하기 위한 실질적인 기술적 방안을 제시합니다. 데이터 클리닝부터 최신 Agentic RAG 기술까지 RAG 성능 최적화를 위한 포괄적인 가이드를 제공합니다.
whyhow-ai/rule-based-retrieval
Rule-based Retrieval은 고급 필터링 기능을 통해 RAG 애플리케이션을 구축하고 관리할 수 있게 돕는 Python 패키지입니다. OpenAI 및 Pinecone, Milvus, Qdrant와 같은 벡터 데이터베이스와 원활하게 통합됩니다.
cxcscmu/RAGViz
RAGViz는 LLM이 답변 생성 시 참조하는 컨텍스트의 문서 및 토큰 수준 어텐션을 시각화하는 도구입니다. 특정 문서의 추가 및 제거를 통해 검색된 정보가 답변 생성에 미치는 영향력을 진단할 수 있습니다.
Retrieval-Augmented Generation (RAG) 엔진을 활용한 ESG 분석
RAG 기술을 활용하여 CSRD, GRI 등 최신 ESG 규제 프레임워크를 분석하는 차세대 플랫폼입니다. 계층적 검색과 쿼리 분해 기술을 통해 복잡한 ESG 데이터를 정밀하게 분석하고 컴플라이언스 격차를 식별합니다.
문서 간 검색 증강 생성 (Retrieval-Augmented Generation) 평가를 위한 데이터셋
MultiHop-RAG는 RAG 파이프라인에서 문서 간 검색 및 추론 능력을 평가하기 위한 새로운 QA 데이터셋입니다. 2,556개의 쿼리를 포함하며, 메타데이터를 활용해 실제 서비스의 복잡한 시나리오를 반영합니다.
kroger-mcp
Model Context Protocol(MCP)을 활용하여 Claude와 같은 AI 어시스턴트가 Kroger의 식료품 데이터에 접근할 수 있게 해주는 FastMCP 서버입니다. 사용자는 이를 통해 매장 검색, 제품 찾기, 장바구니 관리 등의 기능을 AI와 함께 수행할 수 있습니다.
이 피드 구독하기
본 페이지의 콘텐츠는 AI가 공개된 소스를 기반으로 자동 수집·요약·번역한 것입니다. 원 저작권은 각 원저작자에게 있으며, 각 게시물의 “원문 바로가기” 링크를 통해 원문을 확인할 수 있습니다. 저작권자의 삭제 요청이 있을 경우 신속히 조치합니다.