Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
GitHub AI Tools 405건필터 해제
sergenes/mini_agent
이 프로젝트는 별도의 에이전트 프레임워크 없이 파이썬과 OpenAI SDK, while 루프만을 사용하여 최소한의 AI 에이전트를 구현하는 방법을 제시합니다. 로컬(Ollama), 원격(OpenAI/Anthropic/Gemini), 혼합 모드를 지원하며, 복잡한 작업 처리와 신뢰성 향상 방안을 다룹니다.
어떤 AI 에이전트든 3줄로 A2A 프로토콜 서버로 변환
이 SDK는 n8n, LangGraph, CrewAI 등 다양한 에이전트 프레임워크를 A2A(Agent-to-Agent) 프로토콜 서버로 단 3줄의 코드로 쉽게 변환할 수 있게 합니다. 이를 통해 사용자의 에이전트는 자동 생성된 AgentCard와 작업 관리 기능을 갖추게 되어 높은 호환성을 확보합니다.
LongLive-RAG: 장기 비디오 생성을 검색 문제로 변환
LongLive-RAG는 장기 비디오 생성 문제를 검색(retrieval) 문제로 접근하여, 기존의 자기회귀적(AR) 모델 한계를 극복합니다. 이 방법은 이미 생성된 전체 비디오를 컨텍스트로 활용해 오류 누적이나 정체성 이탈을 줄이며, 기본 생성기를 재학습할 필요 없이 플러그 앤 플레이 방식으로 적용 가능합니다.
AquibPy/Medical-RAG-LLM 프로젝트 개요
본 프로젝트는 오픈 소스 스택을 활용하여 RAG(Retrieval-Augmented Generation) 시스템을 구축하는 방법을 안내합니다. BioMistral 7B와 같은 의료 특화 LLM과 Qdrant 벡터 DB, Langchain 등의 프레임워크를 조합하여 의료 분야의 질문 답변, 보고서 생성 등 다양한 응용에 활용할 수 있습니다.
DonTizi/Swiftrag
이 프로젝트는 Swift로 구현된 RAG(Retrieval Augmented Generation) 시스템입니다. Ollama와 같은 로컬 LLM과 연동하여 iOS/macOS 앱에서 문서 검색 및 자연어 생성을 결합합니다. Apple의 NLP 프레임워크를 활용해 임베딩을 생성하고, 코사인 유사도를 이용해 관련 문서를 찾아 컨텍스트 기반 응답을 만듭니다.
DataArcTech/RagVL
본 문서는 'MLLM Is a Strong Reranker' 논문의 공식 레포지토리인 RagVL을 소개합니다. RagVL은 지식 강화 리랭킹과 노이즈 주입 훈련을 통해 멀티모달 검색 증강 생성(RAG) 성능을 향상시키는 방법을 제시합니다. 사용자는 LLaVA-v1.5-13B 등 다양한 모델로 Reranker와 Generator를 파인튜닝하고 WebQA/MultimodalQA에서 평가할 수 있습니다.
CAG (Cache-Augmented Generation)과 RAG 비교 프레임워크 구현
본 프로젝트는 Cache-Augmented Generation (CAG)과 전통적인 Retrieval-Augmented Generation (RAG)을 비교하는 시연 에이전트를 구현했습니다. 이 에이전트는 OpenAI, Anthropic 등 여러 LLM 제공업체를 지원하며, 성능 지표 측정 및 상세 보고서 생성을 통해 두 프레임워크의 차이를 분석합니다.
멀티모달 검색 증강 생성(RAG) 파이프라인 구현체
본 저장소는 이미지, 오디오, 텍스트를 통합하여 고급 멀티모달 질의응답을 구현하는 RAG 파이프라인을 제공합니다. CLIP, Whisper, SentenceTransformer 등을 활용해 각 모달리티별 임베딩을 생성하고 ChromaDB에 저장한 후, Qwen-VL로 최종 텍스트 응답을 생성하는 과정을 담고 있습니다.
ChinaYiqun/java-rag
이 프로젝트는 Spring Boot 같은 프레임워크 의존성 없이 순수 Java로 구현된 RAG(Retrieval-Augmented Generation) 파이프라인 및 Agent 패턴을 제공합니다. Redis, Elastic Search 등 주요 DB 통합과 다양한 청킹/검색 전략을 지원하여 엔터프라이즈 환경에 적합한 모듈형 아키텍처를 갖추고 있습니다.
LevelRAG: 다중 홉 논리 계획을 통한 재작성 증강 검색기 기반의 검색 증강 생성 향상
LevelRAG는 다중 홉 논리 계획과 하이브리드 검색을 결합한 RAG 프레임워크입니다. 이 시스템은 사용자의 복잡한 질의를 원자적 하위 질의로 분해하고, 각 하위 질의에 대해 여러 저수준 검색기를 활용하여 정확성과 완전성을 높여 답변을 생성합니다.
RL 기반 자체 개선 RAG 시스템 구현
본 프로젝트는 강화학습(RL)을 활용하여 검색 증강 생성(RAG) 시스템의 문서 검색 과정을 최적화하는 방법을 제시합니다. BERT 기반 보상 모델링과 정책 경사법을 결합하여, 의미론적 유사도와 문서 다양성을 고려한 최적의 검색 전략을 학습하고 구현했습니다.
다양한 파일 유형을 처리하는 Retrieval-Augmented Generation (RAG) 시스템 구현
본 프로젝트는 FastAPI, Qdrant, Streamlit 등을 활용하여 다양한 파일 유형을 처리하는 RAG 시스템 구현 가이드입니다. 이 시스템은 마이크로서비스 아키텍처로 설계되어 문서 처리, 임베딩, 검색 기능을 효율적으로 분리했습니다. Grafana를 통한 모니터링 기능까지 포함하여 확장성과 유지보수성을 높였습니다.
MegaGrindStone/go-light-rag: LightRAG 아키텍처 구현 Go 라이브러리
go-light-rag은 LightRAG 아키텍처를 Go 언어로 구현한 라이브러리로, 벡터 및 그래프 데이터베이스의 관계 검색을 결합합니다. 이 라이브러리는 문서 처리와 프롬프트 엔지니어링을 분리하여 개발자에게 높은 유연성과 제어권을 제공하며, 다양한 LLM과 스토리지 솔루션과의 통합이 가능합니다.
DyG-RAG: 이벤트 중심 동적 그래프 검색 증강 생성 프레임워크
DyG-RAG는 비정형 텍스트 데이터에서 시간적 지식을 포착하고 추론하는 최초의 이벤트 중심 동적 그래프 검색 증강 생성(RAG) 프레임워크입니다. 이 시스템은 이벤트를 그래프 구조로 명시적으로 모델링하여 시간적 질의응답(temporal QA) 작업의 정확도를 크게 향상시키며, Time-CoT 프롬프팅을 지원합니다.
K-ragrec: Knowledge Graph Retrieval-Augmented Generation for LLM-based
본 코드는 ACL 논문 'Knowledge Graph Retrieval-Augmented Generation for LLM-based Recommendation'을 구현한 PyTorch 코드입니다. 지식 그래프(KG)와 검색 증강 생성(RAG) 기법을 결합하여 추천 시스템에 적용하는 방법을 제시합니다. MovieLens-1M 데이터셋으로 학습 및 평가가 가능하며, 다양한 환경 설정과 명령어 예시를 제공합니다.
kebijuelun/weblangchain_chatglm
이 저장소는 LangChain을 기반으로 하며, OpenAI ChatGPT와 ChatGLM3 같은 다양한 LLM 호출을 지원합니다. 특히 Tavily를 활용한 RAG 기능을 구현하여 웹 검색을 통해 정보를 보강하고, 대규모 언어 모델의 환각 문제를 완화하는 방법을 제시합니다.
ruizguille/tech-trends-chatbot: 기술 트렌드 기반 RAG 챗봇 애플리케이션
이 저장소는 Python, FastAPI, React 및 OpenAI GPT-4o를 활용한 RAG 풀스택 챗봇 애플리케이션을 제공합니다. 세계은행 등 주요 기관의 보고서를 기반으로 기술 트렌드에 답변하며, 사용자가 자체 데이터 소스를 쉽게 통합하고 커스터마이징할 수 있도록 설계되었습니다.
OmniDaemon: 범용 이벤트 기반 AI 에이전트 런타임
OmniDaemon은 AI 에이전트를 위한 범용 이벤트 기반 런타임입니다. 이 시스템은 특정 프레임워크에 구애받지 않고, AI 에이전트가 분산 시스템 전반의 이벤트를 수신하고 반응하며 협업할 수 있도록 지원합니다. 이를 통해 에이전트를 프로덕션 수준의 자율 인프라 서비스로 구현하는 것을 목표로 합니다.
OpenAI API를 사용한 텍스트 임베딩 벡터 생성 프로젝트
본 프로젝트는 OpenAI API를 활용하여 텍스트 임베딩 벡터를 생성하는 방법을 안내합니다. 의존성 관리를 위해 uv를 사용하며, 환경 변수 설정 및 파이썬 스크립트 실행 과정을 포함하고 있습니다.
Azure OpenAI 및 Azure Cosmos DB for MongoDB vCore를 사용한 RAG 구현 Python 샘플
본 문서는 Azure OpenAI와 Azure Cosmos DB for MongoDB vCore를 활용하여 RAG(검색 증강 생성) 시스템을 구축하는 상세한 Python 샘플 및 배포 가이드를 제공합니다. 개발자는 필요한 리소스를 설정하고, 로컬 환경에서 종속성을 설치하며, 최종적으로 `quart` 프레임워크를 사용하여 애플리케이션을 실행할 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.