[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-AllAboutAI-YT--easy-local-rag":3,"tool-AllAboutAI-YT--easy-local-rag":61},[4,18,28,36,45,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":24,"last_commit_at":42,"category_tags":43,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",161147,"2026-04-19T23:31:47",[14,13,44],"语言模型",{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[27,13,15,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":24,"env_os":88,"env_gpu":89,"env_ram":88,"env_deps":90,"category_tags":96,"github_topics":76,"view_count":24,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":97,"updated_at":98,"faqs":99,"releases":130},9944,"AllAboutAI-YT\u002Feasy-local-rag","easy-local-rag","SuperEasy 100% Local RAG with Ollama + Email RAG","easy-local-rag 是一款旨在让用户在本地电脑上轻松搭建检索增强生成（RAG）系统的开源工具。它结合了 Ollama 平台，无需依赖云端服务或复杂的配置，即可实现 100% 本地化的 AI 问答功能。\n\n该工具主要解决了传统 RAG 系统部署门槛高、数据隐私担忧以及对外部 API 依赖性强等痛点。通过它，用户可以直接让 AI 读取本地的 PDF、TXT、JSON 文档，甚至连接个人 Gmail 邮箱，基于这些私有数据进行精准问答，确保数据完全留存于本地，安全可控。\n\neasy-local-rag 非常适合希望保护数据隐私的普通用户、想要快速验证 RAG 概念的开发者，以及对本地大模型应用感兴趣的研究人员。其技术亮点在于集成了先进的本地嵌入模型（如 mxbai-embed-large），并支持查询重写功能，能显著提升对模糊问题的检索准确率。此外，它还允许用户在命令行灵活切换不同的本地大模型（如 Llama3、Mistral），并支持带有历史记忆的多轮对话，让交互更加自然流畅。只需简单的几步安装和命令，即可拥有专属的本地智能助手。","# SuperEasy 100% Local RAG with Ollama + Email RAG\n\n### YouTube Tutorials\n- https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Oe-7dGDyzPM\n- https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=vFGng_3hDRk\n### Latest YouTube Updated Features\n[![IMAGE ALT TEXT HERE](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAllAboutAI-YT_easy-local-rag_readme_3a2423ad6e3c.jpg)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=0X7raD1kISQ)\n### Setup\n1. git clone https:\u002F\u002Fgithub.com\u002FAllAboutAI-YT\u002Feasy-local-rag.git\n2. cd dir\n3. pip install -r requirements.txt\n4. Install Ollama (https:\u002F\u002Follama.com\u002Fdownload)\n5. ollama pull llama3 (etc)\n6. ollama pull mxbai-embed-large\n7. run upload.py (pdf, .txt, JSON)\n8. run localrag.py (with query re-write)\n9. run localrag_no_rewrite.py (no query re-write)\n\n### Email RAG Setup\n1. git clone https:\u002F\u002Fgithub.com\u002FAllAboutAI-YT\u002Feasy-local-rag.git\n2. cd dir\n3. pip install -r requirements.txt\n4. Install Ollama (https:\u002F\u002Follama.com\u002Fdownload)\n5. ollama pull llama3 (etc)\n6. ollama pull mxbai-embed-large\n7. set YOUR email logins in .env (for gmail create app password (video))\n9. python collect_emails.py to download your emails\n10. python emailrag2.py to talk to your emails\n\n### Latest Updates\n- Added Email RAG Support (v1.3)\n- Upload.py (v1.2)\n   - replaced \u002Fn\u002Fn with \u002Fn \n- New embeddings model mxbai-embed-large from ollama (1.2)\n- Rewrite query function to improve retrival on vauge questions (1.2)\n- Pick your model from the CLI (1.1)\n  - python localrag.py --model mistral (llama3 is default) \n- Talk in a true loop with conversation history (1.1)\n   \n### My YouTube Channel\nhttps:\u002F\u002Fwww.youtube.com\u002Fc\u002FAllAboutAI\n\n### What is RAG?\nRAG is a way to enhance the capabilities of LLMs by combining their powerful language understanding with targeted retrieval of relevant information from external sources often with using embeddings in vector databases, leading to more accurate, trustworthy, and versatile AI-powered applications\n\n### What is Ollama?\nOllama is an open-source platform that simplifies the process of running powerful LLMs locally on your own machine, giving users more control and flexibility in their AI projects. https:\u002F\u002Fwww.ollama.com\n","# 超级简单 100% 本地 RAG：结合 Ollama 和邮件 RAG\n\n### YouTube 教程\n- https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Oe-7dGDyzPM\n- https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=vFGng_3hDRk\n### 最新 YouTube 更新功能\n[![这里填写图片的替代文本](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAllAboutAI-YT_easy-local-rag_readme_3a2423ad6e3c.jpg)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=0X7raD1kISQ)\n### 设置步骤\n1. 克隆仓库：`git clone https:\u002F\u002Fgithub.com\u002FAllAboutAI-YT\u002Feasy-local-rag.git`\n2. 进入目录：`cd dir`\n3. 安装依赖：`pip install -r requirements.txt`\n4. 安装 Ollama（https:\u002F\u002Follama.com\u002Fdownload）\n5. 拉取模型：`ollama pull llama3`（或其他模型）\n6. 拉取嵌入模型：`ollama pull mxbai-embed-large`\n7. 运行 `upload.py`（支持 PDF、TXT、JSON 文件）\n8. 运行 `localrag.py`（带查询重写功能）\n9. 运行 `localrag_no_rewrite.py`（不带查询重写）\n\n### 邮件 RAG 设置步骤\n1. 克隆仓库：`git clone https:\u002F\u002Fgithub.com\u002FAllAboutAI-YT\u002Feasy-local-rag.git`\n2. 进入目录：`cd dir`\n3. 安装依赖：`pip install -r requirements.txt`\n4. 安装 Ollama（https:\u002F\u002Follama.com\u002Fdownload）\n5. 拉取模型：`ollama pull llama3`（或其他模型）\n6. 拉取嵌入模型：`ollama pull mxbai-embed-large`\n7. 在 `.env` 文件中配置你的邮箱登录信息（Gmail 需创建应用专用密码，详见视频）\n9. 运行 `collect_emails.py` 下载你的邮件\n10. 运行 `emailrag2.py` 与你的邮件进行交互\n\n### 最新更新\n- 新增邮件 RAG 支持（v1.3）\n- `Upload.py`（v1.2）：\n  - 将 `\u002Fn\u002Fn` 替换为 `\u002Fn`\n- 引入 Ollama 的新嵌入模型 `mxbai-embed-large`（v1.2）\n- 增加查询重写功能，以提升对模糊问题的检索效果（v1.2）\n- 可在命令行中选择模型（v1.1）：\n  - 例如：`python localrag.py --model mistral`（默认使用 `llama3`）\n- 实现真正的对话循环，并保留对话历史（v1.1）\n\n### 我的 YouTube 频道\nhttps:\u002F\u002Fwww.youtube.com\u002Fc\u002FAllAboutAI\n\n### 什么是 RAG？\nRAG 是一种增强大语言模型能力的方法，它将 LLM 强大的语言理解能力与从外部数据源中精准检索相关信息相结合，通常借助向量数据库中的嵌入技术，从而构建出更准确、更可信、更灵活的 AI 应用。\n\n### 什么是 Ollama？\nOllama 是一个开源平台，旨在简化在本地设备上运行强大 LLM 的过程，让用户对自己的 AI 项目拥有更高的控制权和灵活性。https:\u002F\u002Fwww.ollama.com","# easy-local-rag 快速上手指南\n\n本指南帮助开发者在本地快速搭建基于 Ollama 的 RAG（检索增强生成）系统，支持文档问答与邮件知识库检索，全程离线运行。\n\n## 环境准备\n\n- **操作系统**：Windows \u002F macOS \u002F Linux\n- **Python 版本**：建议 Python 3.8+\n- **核心依赖**：\n  - [Ollama](https:\u002F\u002Follama.com\u002Fdownload)：用于本地运行大语言模型和嵌入模型\n  - Git：用于克隆项目代码\n- **网络要求**：首次安装需下载 Ollama 及模型文件（若网络受限，可配置代理或使用国内镜像加速下载）\n\n## 安装步骤\n\n1. **克隆项目代码**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FAllAboutAI-YT\u002Feasy-local-rag.git\n   cd easy-local-rag\n   ```\n\n2. **安装 Python 依赖**\n   ```bash\n   pip install -r requirements.txt\n   ```\n   > 💡 国内用户推荐使用清华或阿里镜像源加速安装：\n   > ```bash\n   > pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   > ```\n\n3. **安装并配置 Ollama**\n   - 访问 [Ollama 官网](https:\u002F\u002Follama.com\u002Fdownload) 下载并安装对应系统的客户端。\n   - 拉取所需的大语言模型（以 llama3 为例）和嵌入模型：\n     ```bash\n     ollama pull llama3\n     ollama pull mxbai-embed-large\n     ```\n\n## 基本使用\n\n### 场景一：本地文档问答（PDF\u002FTXT\u002FJSON）\n\n1. **上传文档构建知识库**\n   将你的 `.pdf`, `.txt` 或 `.json` 文件放入项目目录，运行：\n   ```bash\n   python upload.py\n   ```\n\n2. **启动问答交互（带查询重写优化）**\n   此模式适合模糊提问，系统会自动优化查询语句以提高检索准确率：\n   ```bash\n   python localrag.py\n   ```\n   *可选：指定其他模型（默认为 llama3）*\n   ```bash\n   python localrag.py --model mistral\n   ```\n\n3. **启动问答交互（无查询重写）**\n   适用于精确提问，直接检索：\n   ```bash\n   python localrag_no_rewrite.py\n   ```\n\n### 场景二：个人邮件知识库检索 (Email RAG)\n\n1. **配置邮箱凭证**\n   在项目根目录创建 `.env` 文件，填入你的邮箱账号信息。\n   > ⚠️ 注意：若使用 Gmail，需生成“应用专用密码”而非登录密码（参考项目关联视频教程）。\n\n2. **下载邮件数据**\n   ```bash\n   python collect_emails.py\n   ```\n\n3. **与邮件内容对话**\n   ```bash\n   python emailrag2.py\n   ```\n\n---\n*更多功能演示与更新细节，请参考项目官方 YouTube 频道教程。*","一位独立开发者需要在完全离线且保护隐私的环境下，快速从本地积累的数百份技术 PDF 文档和过往工作邮件中检索关键代码片段与决策记录。\n\n### 没有 easy-local-rag 时\n- **数据孤岛严重**：技术文档存储在本地文件夹，重要沟通细节散落在 Gmail 收件箱中，无法跨来源统一检索，查找信息需手动翻阅多个应用。\n- **隐私与成本两难**：若使用云端 RAG 服务担心代码泄露，而自建本地向量数据库和部署大模型门槛高、配置复杂，耗时数天仍难以跑通。\n- **查询效果不佳**：面对模糊的自然语言提问（如“上次那个报错怎么修的？”），传统关键词搜索无法理解语义，往往返回大量无关结果。\n- **交互体验割裂**：无法像聊天一样连续追问，每次搜索都是单次请求，缺乏上下文记忆，难以进行深度的多轮对话分析。\n\n### 使用 easy-local-rag 后\n- **全域本地聚合**：通过 `upload.py` 和 `collect_emails.py` 一键将本地 PDF、TXT 及 Gmail 邮件转化为本地向量库，实现文档与邮件内容的无缝统一检索。\n- **零门槛私有部署**：依托 Ollama 自动拉取 Llama3 和嵌入模型，仅需几条命令即可在本地搭建 100% 离线的 RAG 系统，无需担心数据出域或支付 API 费用。\n- **智能语义重写**：内置的查询重写功能自动优化模糊提问，精准定位到具体的邮件线程或文档段落，即使描述不清也能找到正确答案。\n- **流畅多轮对话**：支持带有历史记忆的循环对话模式，用户可以基于之前的回答继续追问细节，如同与一位熟悉所有资料的私人助手交谈。\n\neasy-local-rag 让开发者能以极简的配置，在绝对安全的环境中将沉睡的本地文档和邮件激活为可对话的智能知识库。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAllAboutAI-YT_easy-local-rag_3a2423ad.jpg","AllAboutAI-YT","Kris","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAllAboutAI-YT_b38fa54b.png","All About AI",null,"https:\u002F\u002Fwww.allabtai.com","https:\u002F\u002Fgithub.com\u002FAllAboutAI-YT",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,1221,338,"2026-04-17T14:17:18","MIT","未说明","未说明 (依赖 Ollama，通常支持 CPU 运行，GPU 为可选项)",{"notes":91,"python":88,"dependencies":92},"该项目主要依赖 Ollama 运行本地大模型。需先安装 Ollama 并拉取指定模型（如 llama3 和 mxbai-embed-large）。若使用 Email RAG 功能，需在 .env 文件中配置邮箱账号及应用专用密码。项目通过 requirements.txt 管理 Python 依赖，具体版本需查看该文件。",[93,94,95],"ollama","mxbai-embed-large","llama3",[44,14],"2026-03-27T02:49:30.150509","2026-04-20T10:35:03.286579",[100,105,110,115,120,125],{"id":101,"question_zh":102,"answer_zh":103,"source_url":104},44661,"运行脚本时出现 'failed to generate embedding' 错误怎么办？","这通常是因为缺少必要的嵌入模型。请确保已使用 Ollama 拉取了正确的模型。在终端执行以下命令：\nollama pull mxbai-embed-large\n如果模型已存在但仍报错，请检查模型名称是否与代码中调用的名称完全一致（例如 'mxbai-embed-large'）。","https:\u002F\u002Fgithub.com\u002FAllAboutAI-YT\u002Feasy-local-rag\u002Fissues\u002F9",{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},44662,"运行脚本后没有生成嵌入向量，程序直接结束且无后续动作，如何解决？","这个问题可能与数据文件中的空行格式有关。尝试检查你的 vault 文件，移除块（chunks）之间的多余空行。有用户反馈将代码中处理换行符的逻辑从 `\u002Fn\u002Fn` 修改为仅添加 `\u002Fn` 后解决了该问题。此外，也请确认是否已执行 `ollama pull mxbai-embed-large` 下载了模型。","https:\u002F\u002Fgithub.com\u002FAllAboutAI-YT\u002Feasy-local-rag\u002Fissues\u002F6",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},44663,"每次启动时都会重新生成嵌入向量吗？可以保存以便复用吗？","在这个简易版本中，嵌入向量确实是在每次启动时重新生成的。不过，代码逻辑支持修改以实现持久化存储。如果你需要复用嵌入向量以避免重复计算，可以自行扩展代码将生成的向量保存到本地文件中，并在下次启动时加载。","https:\u002F\u002Fgithub.com\u002FAllAboutAI-YT\u002Feasy-local-rag\u002Fissues\u002F4",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},44664,"安装依赖时提示 'yaml' 包错误，该如何修复？","这是 requirements.txt 文件中的一个已知问题。安装 YAML 支持的正确包名是 `pyyaml` 而不是 `yaml`。请手动编辑 requirements.txt 文件，将 `yaml` 替换为 `pyyaml`，然后重新运行安装命令（如 `pip install -r requirements.txt`）。","https:\u002F\u002Fgithub.com\u002FAllAboutAI-YT\u002Feasy-local-rag\u002Fissues\u002F16",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},44665,"如何在命令行中指定想要使用的 Ollama 模型？","项目已更新支持通过命令行参数传递模型名称。你现在可以在运行脚本时使用 `--model` 参数来指定模型，例如：\npython localrag.py --model 'phi3:instruct'\n这样就不需要硬编码模型名称，可以灵活切换不同的本地大模型。","https:\u002F\u002Fgithub.com\u002FAllAboutAI-YT\u002Feasy-local-rag\u002Fissues\u002F2",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},44666,"脚本在一次问答后就会退出，如何保持会话以进行多轮追问？","该功能已在最新版本中修复。现在脚本支持在同一上下文会话中进行多轮对话（follow-up prompts）。请确保你使用的是最新版本的代码，运行后无需重启即可连续输入问题进行追问，系统会保留之前的对话上下文。","https:\u002F\u002Fgithub.com\u002FAllAboutAI-YT\u002Feasy-local-rag\u002Fissues\u002F3",[131,136,141],{"id":132,"version":133,"summary_zh":134,"released_at":135},352064,"v1.3","# 更新 V1.3\n\n- 新增电子邮件 RAG 支持\n\n观看 YouTube 教程，获取更详细的信息和使用方法。","2024-05-12T14:13:02",{"id":137,"version":138,"summary_zh":139,"released_at":140},352065,"v1.2","# 更新 V1.2\n\n实现了查询重写功能，以提升对模糊问题的处理效果（当然也可以移除）。\n- def rewrite_query\n\n#5 引入了来自 Ollama 的新嵌入模型\n- mxbai-embed-large - ollama pull mxbai-embed-large\n\n#6 修改了 upload.py\n- 将 \u002Fn\u002Fn 替换为仅 \u002Fn","2024-04-24T14:32:51",{"id":142,"version":143,"summary_zh":144,"released_at":145},352066,"v1.1","# 更新 V1.1\n\n#2 增加了从命令行选择 Ollama 模型的功能  \n- python localrag.py --model mistral（默认为 llama3）\n\n#3 带对话历史与文档进行交互  \n- 现在可以基于上下文感知的对话历史，实现真正的循环交互。","2024-04-22T07:42:58"]