[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Azure--GPT-RAG":3,"tool-Azure--GPT-RAG":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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",140436,2,"2026-04-05T23:32:43",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74939,"2026-04-05T23:16:38",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70626,"2026-04-05T22:51:36",[15,14,13,36],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":76,"owner_website":81,"owner_url":82,"languages":83,"stars":100,"forks":101,"last_commit_at":102,"license":103,"difficulty_score":104,"env_os":105,"env_gpu":105,"env_ram":105,"env_deps":106,"category_tags":112,"github_topics":113,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":119,"updated_at":120,"faqs":121,"releases":152},3081,"Azure\u002FGPT-RAG","GPT-RAG","Sharing the learning along the way we been gathering to enable Azure OpenAI at enterprise scale in a secure manner. GPT-RAG core is a Retrieval-Augmented Generation pattern running in Azure, using Azure Cognitive Search for retrieval and Azure OpenAI large language models to power ChatGPT-style and Q&A experiences.","GPT-RAG 是一款专为 Azure 云环境打造的企业级开源解决方案，旨在帮助组织安全、高效地构建基于检索增强生成（RAG）技术的智能应用。它通过结合 Azure AI Search 的强大检索能力与 Azure OpenAI 的大语言模型，让用户能够基于自有数据构建类似 ChatGPT 的对话系统或智能问答服务，有效解决了通用大模型无法访问企业内部私有数据以及可能产生“幻觉”的痛点。\n\n该方案特别适合企业开发者、架构师及 IT 运维团队使用，尤其是那些希望在 Azure 上快速落地生成式 AI 项目，同时对数据安全、合规性及可扩展性有严格要求的组织。GPT-RAG 的核心亮点在于其原生采用的“零信任”安全架构，确保所有组件在隔离环境中运行，通信遵循最小权限原则，从而保障企业数据资产的安全。此外，它不仅提供成熟的部署模板和架构参考，还支持先进的 AI Agent 能力，例如将自然语言自动转换为数据库查询（NL2SQL），使系统能更精准地理解上下文并执行复杂任务。无论是构建客户服务助手还是自动化决策流程，GPT-RAG 都能为团队提供从开发到运营的全方位支持，让 generative ","GPT-RAG 是一款专为 Azure 云环境打造的企业级开源解决方案，旨在帮助组织安全、高效地构建基于检索增强生成（RAG）技术的智能应用。它通过结合 Azure AI Search 的强大检索能力与 Azure OpenAI 的大语言模型，让用户能够基于自有数据构建类似 ChatGPT 的对话系统或智能问答服务，有效解决了通用大模型无法访问企业内部私有数据以及可能产生“幻觉”的痛点。\n\n该方案特别适合企业开发者、架构师及 IT 运维团队使用，尤其是那些希望在 Azure 上快速落地生成式 AI 项目，同时对数据安全、合规性及可扩展性有严格要求的组织。GPT-RAG 的核心亮点在于其原生采用的“零信任”安全架构，确保所有组件在隔离环境中运行，通信遵循最小权限原则，从而保障企业数据资产的安全。此外，它不仅提供成熟的部署模板和架构参考，还支持先进的 AI Agent 能力，例如将自然语言自动转换为数据库查询（NL2SQL），使系统能更精准地理解上下文并执行复杂任务。无论是构建客户服务助手还是自动化决策流程，GPT-RAG 都能为团队提供从开发到运营的全方位支持，让 generative AI 的落地更加从容可信。","\u003C!-- \npage_type: sample\nlanguages:\n- azdeveloper\n- powershell\n- bicep\nproducts:\n- azure\n- azure-ai-foundry\n- azure-openai\n- azure-ai-search\nurlFragment: GPT-RAG\nname: Multi-repo ChatGPT and Enterprise data with Azure OpenAI and AI Search\ndescription: GPT-RAG core is a Retrieval-Augmented Generation pattern running in Azure, using Azure AI Search for retrieval and Azure OpenAI large language models to power ChatGPT-style and Q&A experiences.\n-->\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAzure_GPT-RAG_readme_d4cb09eff8ed.png\" alt=\"Enterprise RAG Logo\" width=\"80\" align=\"left\"\u002F>\n\n# GPT-RAG Solution Accelerator\n\nThis solution accelerator provides architecture templates and deployment assets to help organizations build secure, scalable, and enterprise-ready **Retrieval-Augmented Generation (RAG)** solutions powered by **AI Agents**. It applies proven Azure design patterns and incorporates **Zero-Trust security**, **Responsible AI**, and **end-to-end observability**, enabling teams to operationalize Generative AI with confidence.\n\nFor full documentation, visit the **[GPT-RAG documentation site](https:\u002F\u002Fazure.github.io\u002FGPT-RAG\u002F)**.\n\nGPT-RAG is built on a Zero-Trust architecture to ensure that all components operate within a controlled, isolated environment. Network access is tightly governed, and communication between services follows least-privilege principles.\n\n## Architecture\n\n![Zero Trust Architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAzure_GPT-RAG_readme_6c91c5a596ae.png)\n*Zero-Trust Architecture*\n\n## AI Agent Capabilities\n\nThe accelerator supports a broad range of enterprise scenarios—from customer support to decision automation—by enabling systems to process complex queries across large data collections. It is designed for seamless integration into existing environments and can be adapted to both straightforward and advanced operational patterns.\n\nA key capability of GPT-RAG is its support for **AI Agents**, enabling scenarios such as **NL2SQL query generation** and other context-aware interactions. This extensibility allows organizations to build intelligent workflows that retrieve, interpret, and act on data with contextual precision.\n\n![Zero Trust UI](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAzure_GPT-RAG_readme_a4fda61d5f79.png)\n*GPT-RAG UI*\n\n## Contributing\n\nWe welcome contributions! See the [contribution guidelines](https:\u002F\u002Fazure.github.io\u002FGPT-RAG\u002Fcontributing\u002F) for details on how to contribute.\n\n## Trademarks\n\nThis project may contain trademarks or logos. Authorized use of Microsoft trademarks or logos must follow [Microsoft’s Trademark & Brand Guidelines](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral). Modified versions must not imply sponsorship or cause confusion. Third-party trademarks are subject to their own policies.\n","\u003C!-- \npage_type: 示例\nlanguages:\n- azdeveloper\n- powershell\n- bicep\nproducts:\n- azure\n- azure-ai-foundry\n- azure-openai\n- azure-ai-search\nurlFragment: GPT-RAG\nname: 使用 Azure OpenAI 和 AI 搜索的多仓库 ChatGPT 与企业数据\ndescription: GPT-RAG 核心是一种在 Azure 中运行的检索增强生成模式，利用 Azure AI 搜索进行信息检索，并借助 Azure OpenAI 大型语言模型提供类似 ChatGPT 的聊天和问答体验。\n-->\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAzure_GPT-RAG_readme_d4cb09eff8ed.png\" alt=\"Enterprise RAG Logo\" width=\"80\" align=\"left\"\u002F>\n\n# GPT-RAG 解决方案加速器\n\n此解决方案加速器提供了架构模板和部署资产，帮助组织构建安全、可扩展且适合企业级使用的 **检索增强生成 (RAG)** 解决法，由 **AI 代理** 提供支持。它采用经过验证的 Azure 设计模式，并融入 **零信任安全**、**负责任的人工智能** 以及 **端到端可观测性**，使团队能够自信地将生成式 AI 投入生产环境。\n\n如需完整文档，请访问 **[GPT-RAG 文档网站](https:\u002F\u002Fazure.github.io\u002FGPT-RAG\u002F)**。\n\nGPT-RAG 基于零信任架构构建，以确保所有组件都在受控、隔离的环境中运行。网络访问受到严格管控，服务之间的通信遵循最小权限原则。\n\n## 架构\n\n![Zero Trust Architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAzure_GPT-RAG_readme_6c91c5a596ae.png)\n*零信任架构*\n\n## AI 代理能力\n\n该加速器通过使系统能够跨大型数据集处理复杂查询，支持从客户支持到决策自动化的广泛企业场景。它专为无缝集成到现有环境而设计，可适应简单和高级的运营模式。\n\nGPT-RAG 的一项关键能力是支持 **AI 代理**，从而实现诸如 **NL2SQL 查询生成** 等上下文感知交互。这种可扩展性使组织能够构建智能工作流，以精确的上下文信息检索、解释并采取行动。\n\n![Zero Trust UI](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAzure_GPT-RAG_readme_a4fda61d5f79.png)\n*GPT-RAG 用户界面*\n\n## 贡献\n\n我们欢迎贡献！有关如何贡献的详细信息，请参阅 [贡献指南](https:\u002F\u002Fazure.github.io\u002FGPT-RAG\u002Fcontributing\u002F)。\n\n## 商标\n\n该项目可能包含商标或徽标。对 Microsoft 商标的授权使用必须遵守 [Microsoft 商标与品牌指南](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral)。修改后的版本不得暗示赞助关系或造成混淆。第三方商标则受其各自政策约束。","# GPT-RAG 快速上手指南\n\nGPT-RAG 是一个基于 Azure 构建的检索增强生成（RAG）解决方案加速器。它利用 Azure AI Search 进行数据检索，结合 Azure OpenAI 大语言模型，为企业打造安全、可扩展且符合零信任架构的智能问答与对话系统。\n\n## 环境准备\n\n在开始部署之前，请确保满足以下系统与依赖要求：\n\n*   **操作系统**：Windows (PowerShell), macOS, 或 Linux。\n*   **核心工具**：\n    *   [Azure Developer CLI (azd)](https:\u002F\u002Flearn.microsoft.com\u002Fazure\u002Fdeveloper\u002Fazure-developer-cli\u002F)：版本需为最新稳定版。\n    *   [Git](https:\u002F\u002Fgit-scm.com\u002F)：用于克隆代码仓库。\n    *   [Node.js](https:\u002F\u002Fnodejs.org\u002F)：建议 LTS 版本（用于前端构建）。\n    *   [Python](https:\u002F\u002Fwww.python.org\u002F)：3.10 或更高版本（用于后端逻辑）。\n*   **云资源要求**：\n    *   有效的 **Azure 订阅**。\n    *   对订阅拥有 **Owner** 或 **Contributor** 权限。\n    *   已注册以下资源提供者（通常 `azd` 会自动处理，但需确保账户有权限）：\n        *   `Microsoft.CognitiveServices` (Azure OpenAI)\n        *   `Microsoft.Search` (Azure AI Search)\n        *   `Microsoft.ContainerRegistry`\n        *   `Microsoft.Web`\n*   **网络环境**：由于服务部署在 Azure 全球节点，国内开发者请确保网络能稳定访问 Azure 门户及 API 端点。目前该项目暂无官方提供的中国镜像源，建议使用稳定的国际网络环境进行部署。\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n\n打开终端，执行以下命令获取源代码：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG.git\ncd GPT-RAG\n```\n\n### 2. 初始化并部署环境\n\n使用 `azd` 工具一键完成基础设施创建、资源配置及应用部署。该过程将自动应用零信任安全架构。\n\n```bash\n# 登录 Azure 账号\nazd auth login\n\n# 初始化新环境（按提示输入环境名称和订阅 ID）\nazd init\n\n# 启动全流程部署（包含资源创建、代码构建与部署）\nazd up\n```\n\n> **注意**：`azd up` 执行时间较长（约 15-30 分钟），因为它需要创建 Azure OpenAI 实例、搜索服务、容器应用等复杂资源。请保持终端运行直至显示 \"SUCCESS\"。\n\n### 3. 上传企业数据\n\n部署完成后，您需要将自有数据索引到 Azure AI Search 中以便模型检索。进入后端目录并运行数据导入脚本：\n\n```bash\ncd .\u002Fsrc\u002Fbackend\n# 示例：上传本地 PDF 文档到向量索引\npython -m data_preparation --input_path ..\u002Fdata --search_service_name \u003CYOUR_SEARCH_SERVICE> --index_name \u003CYOUR_INDEX_NAME>\n```\n*(请将 `\u003CYOUR_SEARCH_SERVICE>` 和 `\u003CYOUR_INDEX_NAME>` 替换为 `azd up` 输出中显示的实际名称，或直接从 `.env` 文件中读取)*\n\n## 基本使用\n\n部署成功后，您可以通过以下方式体验 GPT-RAG 的核心功能：\n\n### 1. 访问 Web 界面\n\n在终端查看 `azd up` 的输出结果，找到 **Endpoint** 地址（通常以 `.azurecontainerapps.io` 结尾）。在浏览器中打开该链接，即可看到 GPT-RAG 的用户界面。\n\n*   **功能**：直接在对话框中输入自然语言问题（例如：“查询上个季度的销售数据”或“总结员工手册中的休假政策”）。\n*   **效果**：系统将自动检索您的企业数据，并结合 Azure OpenAI 生成带有引用来源的回答。\n\n### 2. 测试 AI Agent 能力 (NL2SQL)\n\n如果已配置数据库连接，您可以在聊天窗口尝试复杂的决策自动化查询。例如：\n\n```text\n请帮我找出过去一个月销售额超过 10 万的客户名单，并分析他们的购买偏好。\n```\n\n系统将调用内置的 AI Agent 能力，自动生成 SQL 查询（NL2SQL），从数据库提取数据并进行上下文分析，最终返回结构化的业务洞察。\n\n### 3. 本地调试（可选）\n\n如需在本地修改代码并测试，可分别启动前后端服务：\n\n```bash\n# 终端 1: 启动后端 API\ncd src\u002Fbackend\npython -m uvicorn main:app --reload --port 8000\n\n# 终端 2: 启动前端 UI\ncd src\u002Ffrontend\nnpm install\nnpm run dev\n```\n然后在浏览器访问 `http:\u002F\u002Flocalhost:5173` (默认前端端口) 进行开发测试。","某大型金融机构的合规团队每天需要从数万页的内部政策文档、监管法规和历史案例中快速提取信息，以回答业务部门关于贷款审批规则的复杂咨询。\n\n### 没有 GPT-RAG 时\n- 分析师需手动在多个孤立的文件服务器和 PDF 文档中关键词搜索，耗时数小时才能拼凑出完整答案。\n- 面对“过去三年针对中小企业的风控政策变化”等跨文档复杂问题，人工整理极易遗漏关键更新或产生理解偏差。\n- 敏感的内部风控数据直接暴露给公共大模型存在严重泄露风险，导致团队不敢使用外部 AI 工具辅助工作。\n- 缺乏审计追踪，无法追溯某个具体回答是依据哪一份文件的哪一章节生成的，难以满足金融行业的合规审计要求。\n\n### 使用 GPT-RAG 后\n- 员工通过自然语言提问，GPT-RAG 利用 Azure AI Search 毫秒级检索相关片段，由 Azure OpenAI 即时生成精准摘要，响应时间从小时级缩短至秒级。\n- 系统自动关联分散在不同文档中的政策条款，准确回答跨时间维度的复杂逻辑问题，并附带原文引用链接供人工核验。\n- 基于零信任架构部署，所有数据交互均在企业私有云内闭环完成，确保核心风控数据绝不流出安全边界。\n- 内置的全链路可观测性自动记录每次问答的数据来源与生成路径，轻松生成合规审计报告，让每一次决策都有据可查。\n\nGPT-RAG 将原本高风险、低效率的人工检索过程，转化为安全、可信且可审计的企业级智能问答服务。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAzure_GPT-RAG_d4cb09ef.png","Azure","Microsoft Azure","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAzure_6a5873eb.png","APIs, SDKs and open source projects from Microsoft Azure",null,"https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fazure\u002F","https:\u002F\u002Fgithub.com\u002FAzure",[84,88,92,96],{"name":85,"color":86,"percentage":87},"Python","#3572A5",52.8,{"name":89,"color":90,"percentage":91},"PowerShell","#012456",16.8,{"name":93,"color":94,"percentage":95},"Shell","#89e051",15.6,{"name":97,"color":98,"percentage":99},"Jinja","#a52a22",14.8,1142,294,"2026-04-03T15:59:14","MIT",4,"未说明",{"notes":107,"python":105,"dependencies":108},"该工具是基于 Azure 云平台的解决方案加速器，并非本地运行的开源模型。它依赖 Azure OpenAI（大语言模型）和 Azure AI Search（检索服务），采用零信任架构。部署主要涉及 Azure 基础设施即代码工具（如 Bicep、PowerShell、azdeveloper），无需本地 GPU 或特定 Python 环境，但需要拥有配置好的 Azure 订阅和相关服务访问权限。",[109,110,111],"azdeveloper","powershell","bicep",[15],[114,115,116,117,118],"azure","gpt-3","gpt-4","openai","azd-templates","2026-03-27T02:49:30.150509","2026-04-06T09:52:02.019916",[122,127,132,137,142,147],{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},14184,"上传文档到存储账户后，为什么前端提问时无法回答关于文件的内容？","这通常是因为索引未正确创建或摄入函数未启动。请检查以下几点：\n1. 确保 Python 环境配置正确，`setup.py` 脚本能成功运行以创建搜索索引。\n2. `azd up` 会通过 postdeploy hook 执行 `setup.py`，该脚本使用 `DefaultAzureCredential` 配置 AI Search。\n3. 如果脚执行失败，可以尝试手动修改 `setup.py`：注释掉第 39 行的 Authorization Bearer token 代码，并在第 41 行直接插入你的 API key ('api-key': 'xxxxx')。\n4. 确认运行后是否创建了 Datasources blob、Indexes、Skillsets 和 Indexers 组件。","https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F96",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},14185,"部署时出现 'failed packaging service dataIngest' 错误，提示源目录为空或不存在，如何解决？","该问题通常是因为缺少必要的子模块代码。文档中可能未明确说明需要克隆额外的仓库。\n解决方法：\n1. 确保已执行 `git clone https:\u002F\u002Fgithub.com\u002FAzure\u002Fgpt-rag-ingestion` 获取摄入服务代码。\n2. 根据 `azure.yaml` 配置，项目依赖于 `.azure\u002Fgpt-rag-ingestion` 等目录，如果这些目录为空会导致打包失败。\n3. 注意：该项目在 Release 2 版本中已更改部署步骤，如果是旧版教程遇到的此问题，建议参考最新的部署文档或使用新版本模板。","https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F295",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},14186,"该项目支持哪些 Python 版本？可以使用 Python 3.11 或 3.12 吗？","目前解决方案的函数（Azure Function App）最高支持 Python 3.11 版本。\n- Python 3.12 目前不受支持，因为部分依赖库可能没有对应的 wheels，且 Azure Functions 运行时限制。\n- 如果必须使用 Python 3.12，则需要将函数代码替换为自定义容器（custom containers）进行部署。\n- 建议开发环境使用 Python 3.10 或 3.11 以确保兼容性。","https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F98",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},14187,"在使用 text-embedding-3-large 模型进行向量搜索时，为什么无法选择该模型或报错维度不匹配？","这是一个已知的限制或配置问题：\n1. 在 Azure Portal 配置索引时，某些界面可能仅显示 `text-embedding-ada-002` 作为向量化器选项，而不允许直接选择 `text-embedding-3-large`。\n2. 向量维度必须匹配：`text-embedding-3-large` 支持高达 3072 维，但如果在创建索引字段时限制了最大维度（如只允许 2048），或者查询向量长度与字段定义的维度不一致，会报 'InvalidVectorQuery' 错误。\n3. 目前通过 Azure OpenAI Studio 创建 'on your data' 设置时，也可能仅支持选择 ada-002 模型。建议检查索引字段的维度定义是否与所选模型的输出维度完全一致。","https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F110",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},14188,"运行 'azd up' 部署时遇到位置（location）相关的错误消息，该如何修复？","该位置错误已在最新的代码提交中修复。\n解决方法：\n1. 拉取仓库的最新代码（pull latest commit），特别是涉及 `azure.yaml` 或部署脚本的更新。\n2. 参考修复提交：https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcommit\u002F43af5595a6f79166ec57cf4d328bb82197d5a80e\n3. 如果更新代码后仍然报错，请尝试重新初始化项目 (`azd init`) 并再次运行 `azd up`。部署过程可能需要较长时间（约 1 小时以上），请耐心等待完成。","https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F318",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},14189,"PDF 文件上传到存储账户后没有被搜索服务索引，需要手动触发吗？","正常情况下，`azd up` 部署成功后会自动配置摄入函数（dataIngest）和索引器，无需手动触发。\n如果文档未被索引，请排查以下情况：\n1. 检查资源组中是否存在 `dataIngest` 或 `orchestrator` 等服务，如果缺失说明部署不完整。\n2. 确认 `setup.py` 是否成功执行并创建了 Search Index、Skillsets 和 Indexers。\n3. 如果多次重试（包括删除资源组重新部署）仍无效，可能是项目版本问题。有用户反馈该项目可能存在维护滞后，建议尝试官方推荐的替代方案：https:\u002F\u002Fgithub.com\u002FAzure-Samples\u002Fazure-search-openai-demo，该仓库功能类似且维护更活跃。","https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F107",[153,158,163,168,173,178,183,188,193,198,203,208,213,218,223,228,233,238,243,248],{"id":154,"version":155,"summary_zh":156,"released_at":157},80933,"v2.6.2","### 变更\r\n- 将 `gpt-rag-orchestrator` 升级至 `v2.6.1`。\n\n### 测试的服务版本\n\n本次发布已联合验证以下服务版本：\n\n| 服务                | 测试版本 |\n|------------------------|----------------|\n| gpt-rag-ui             | `v2.3.1`       |\n| gpt-rag-orchestrator   | `v2.6.1`       |\n| gpt-rag-ingestion      | `v2.2.5`       |","2026-04-01T05:50:32",{"id":159,"version":160,"summary_zh":161,"released_at":162},80934,"v2.6.1","### 修复\n- 修复了因跳转主机自定义脚本扩展使用错误的发布标签而导致的零信任配置失败问题。在 `manifest.json` 中将 `install_script` URL 字段替换为 `ailz_tag`，从而可以从 landing zone 标签中派生安装脚本 URL 和发布参数。\n\n### 变更\n- 将 `infra` 子模块更新至 [bicep-ptn-aiml-landing-zone](https:\u002F\u002Fgithub.com\u002FAzure\u002Fbicep-ptn-aiml-landing-zone) 的 `v1.0.5` 标签。\n- 将 `gpt-rag-ui` 升级至 `v2.3.1`。\n- 将 `gpt-rag-ingestion` 升级至 `v2.2.5`。（修复了 https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F436）\n\n### 测试的服务版本\n\n本次发布共同验证了以下服务版本：\n\n| 服务                | 测试版本 |\n|------------------------|----------------|\n| gpt-rag-ui             | `v2.3.1`       |\n| gpt-rag-orchestrator   | `v2.6.0`       |\n| gpt-rag-ingestion      | `v2.2.5`       |","2026-04-01T03:30:07",{"id":164,"version":165,"summary_zh":166,"released_at":167},80935,"v2.6.0","## 变更内容\n* 更新组件版本（编排器 v2.6.0、UI v2.3.0、摄取 v2.2.4），将基础架构子模块升级至 v1.0.4\n* 在 Cosmos DB 容器定义中添加显式分区键（对话使用 \u002Fprincipal_id）\n* 添加对话文档存储容器，并在搜索索引中新增 conversationId 字段\n* 从默认部署中移除独立的 MCP 容器应用\n\n## 已测试服务版本\n\n本次发布已共同验证以下服务版本：\n\n| 服务                | 已测试版本 |\n|------------------------|----------------|\n| gpt-rag-ui             | `v2.3.0`       |\n| gpt-rag-orchestrator   | `v2.6.0`       |\n| gpt-rag-ingestion      | `v2.2.4`       |\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.5.3...v2.6.0","2026-03-31T12:05:05",{"id":169,"version":170,"summary_zh":171,"released_at":172},80936,"v2.5.3","## 变更内容\n* 杂项：将默认聊天模型更新为 gpt-5-nano，基础设施子模块升级至 v1.0.3，更新组件版本，添加 copilot-instructions\n\n## 已测试服务版本\n\n本次发布已共同验证以下服务版本：\n\n| 服务                | 已测试版本 |\n|------------------------|----------------|\n| gpt-rag-ui             | `v2.2.3`       |\n| gpt-rag-mcp            | `v0.3.5`       |\n| gpt-rag-orchestrator   | `v2.5.0`       |\n| gpt-rag-ingestion      | `v2.2.3`       |\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.5.2...v2.5.3","2026-03-24T19:54:16",{"id":174,"version":175,"summary_zh":176,"released_at":177},80937,"v2.5.2","## 变更内容\n* 修复：使 postProvision.sh 中的虚拟环境清理操作变为非致命错误 — 关闭 #426，由 @sihbher 在 https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F427 中完成\n* 功能：当组件仓库已存在时跳过克隆操作 (#428)，由 @sihbher 在 https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F429 中完成\n\n## 已测试的服务版本\n\n本次发布共同验证了以下服务版本：\n\n| 服务                | 已测试版本 |\n|------------------------|----------------|\n| gpt-rag-ui             | `v2.2.2`       |\n| gpt-rag-mcp            | `v0.3.5`       |\n| gpt-rag-orchestrator   | `v2.4.2`       |\n| gpt-rag-ingestion      | `v2.2.3`       |\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.5.1...v2.5.2\n\n## 新贡献者\n* @sihbher 在 https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F427 中完成了首次贡献","2026-03-17T00:32:24",{"id":179,"version":180,"summary_zh":181,"released_at":182},80938,"v2.5.1","## 变更\n- 更新 `infra` 子模块，引用外部 [bicep-ptn-aiml-landing-zone](https:\u002F\u002Fgithub.com\u002FAzure\u002Fbicep-ptn-aiml-landing-zone) 仓库的 `v1.0.1` 标签。\n- 通过将 Orchestrator 和 UI 组件分别升级至 `v2.4.2` 和 `v2.2.2`，提升了运行时性能：\n\t- 将 `gpt-rag-orchestrator` 升级至 `v2.4.2`。\n\t- 将 `gpt-rag-ui` 升级至 `v2.2.2`。\n- 将 `gpt-rag-ingestion` 升级至 `v2.2.3`。\n\n## 已测试服务版本\n\n本次发布中，以下服务版本经过联合验证：\n\n| 服务                | 已测试版本 |\n|------------------------|----------------|\n| gpt-rag-ui             | `v2.2.2`       |\n| gpt-rag-mcp            | `v0.3.5`       |\n| gpt-rag-orchestrator   | `v2.4.2`       |\n| gpt-rag-ingestion      | `v2.2.3`       |\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.5.0...v2.5.1","2026-03-06T23:08:33",{"id":184,"version":185,"summary_zh":186,"released_at":187},80939,"v2.5.0","## 变更内容\n* 由 @placerda 在 https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F424 中提交的 Infra 子模块\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.4.2...v2.5.0","2026-03-06T01:11:37",{"id":189,"version":190,"summary_zh":191,"released_at":192},80940,"v2.4.2","## 变更内容\n\n* 修复 Docker 构建问题，由 @placerda 在 https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F420 中完成\n* 修复 https:\u002F\u002Fgithub.com\u002FAzure\u002Fgpt-rag\u002Fissues\u002F419\n* 修复 https:\u002F\u002Fgithub.com\u002FAzure\u002Fgpt-rag\u002Fissues\u002F418\n\n## 测试的服务版本\n\n本次发布共同验证了以下服务版本：\n\n| 服务                | 测试版本 |\n|------------------------|----------------|\n| gpt-rag-ui             | `v2.2.1`       |\n| gpt-rag-mcp            | `v0.3.5`       |\n| gpt-rag-orchestrator   | `v2.4.1`       |\n| gpt-rag-ingestion      | `v2.2.2`       |\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.4.1...v2.4.2","2026-02-04T22:08:01",{"id":194,"version":195,"summary_zh":196,"released_at":197},80941,"v2.4.1","## 变更内容\n\n* 将数据摄入组件版本升级至最新，以包含针对大型电子表格摄入的可靠性改进。\n\n## 测试的服务版本\n\n本次发布已联合验证以下服务版本：\n\n| 服务                | 测试版本 |\n|------------------------|----------------|\n| gpt-rag-ui             | `v2.2.0`       |\n| gpt-rag-mcp            | `v0.3.4`       |\n| gpt-rag-orchestrator   | `v2.4.0`       |\n| gpt-rag-ingestion      | `v2.2.1`       |\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.4.0...v2.4.1","2026-01-20T12:05:53",{"id":199,"version":200,"summary_zh":201,"released_at":202},80942,"v2.4.0","## 变更内容\n\n* 引入了**基于 RBAC 的访问控制**，以在整个平台上实施细粒度的权限管理。\n* 在检索工作流中新增了对**文档级别授权过滤**的支持。\n* 集成了通过摄取层和编排层进行的**用户身份上下文传播**。\n* 进一步提升了与**企业级访问控制模式**的安全一致性。\n* 功能\u002FRBAC 由 @placerda 在 https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F417 中实现。\n\n## 测试的服务版本\n\n本次发布已联合验证了以下服务版本：\n\n| 服务                | 测试版本 |\n|------------------------|----------------|\n| gpt-rag-ui             | `v2.2.0`       |\n| gpt-rag-mcp            | `v0.3.4`       |\n| gpt-rag-orchestrator   | `v2.4.0`       |\n| gpt-rag-ingestion      | `v2.2.0`       |\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.3.0...v2.4.0","2026-01-16T01:51:41",{"id":204,"version":205,"summary_zh":206,"released_at":207},80943,"v2.3.0","## What's Changed\r\n\r\n* Added support for **SharePoint Lists** in the ingestion component.\r\n* Improved robustness of **Blob Storage indexing** in the data ingestion component.\r\n* Enhanced **data ingestion logging** for better observability and troubleshooting.\r\n* Refactored the **Single Agent Strategy** in the orchestrator to simplify citation handling.\r\n* Simplified the **MCP Strategy** in the orchestrator and MCP server components.\r\n* Tested compatibility with **Azure direct models for inference** in the orchestration layer.\r\n\r\n## Tested Service Versions\r\n\r\nThe following service versions were validated together for this release:\r\n\r\n| Service                | Tested Version |\r\n|------------------------|----------------|\r\n| gpt-rag-ui             | `v2.1.1`       |\r\n| gpt-rag-mcp            | `v0.3.4`       |\r\n| gpt-rag-orchestrator   | `v2.3.0`       |\r\n| gpt-rag-ingestion      | `v2.1.0`       |\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.2.6...v2.3.0","2025-12-15T22:35:18",{"id":209,"version":210,"summary_zh":211,"released_at":212},80944,"v2.2.6","## What's Changed\r\n\r\n* fix: updated the main Bicep template so the `SEARCH_CONNECTION_ID` app setting now points to the correct AI Search connection ID. It was previously referencing the AI Foundry AI Search dependency. This resolves Issue [#409](https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F409).\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.2.5...v2.2.6","2025-12-05T15:50:22",{"id":214,"version":215,"summary_zh":216,"released_at":217},80945,"v2.2.5","## What's Changed\r\n\r\n* fix: resolved the **cosmos_vnet_blocked** error for **Cosmos DB private-only** environments by updating networking, subnet configuration, and private endpoint routing. This fully addresses Issue [#406](https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F406). Pull Request: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F407\r\n\r\n* improvement: removed the manual workaround for Azure AI Search by automating the creation of the AI Search Connection in Foundry. Pull Request: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F407\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.2.4...v2.2.5","2025-12-03T03:26:35",{"id":219,"version":220,"summary_zh":221,"released_at":222},80946,"v2.2.4","## What's Changed \r\n* fix: **Blob storage** reindexing issue when AI Search Index has more than **1,000 chunks**. The fix updates the logic so that previously ingested documents are correctly detected even when the index exceeds 1,000 chunks. \r\n* improvement: normalize casing check for USE_CAPP_API_KEY in postProvision script by @segraef in https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F388\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.2.3...v2.2.4","2025-11-26T20:59:48",{"id":224,"version":225,"summary_zh":226,"released_at":227},80947,"v2.2.3","## What's Changed\r\n\r\n## Important\r\nIn this release, the connection to Azure AI Search with the RAG index is **not created automatically**.\r\nYou must create it **manually after provisioning**, following the two steps shown below (see screenshots).\r\n\r\n1) Create connection in AI Foundry Project\r\n\r\n\u003Cimg width=\"1475\" height=\"210\" alt=\"creating-connection-001\" src=\"https:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002Fcc9070c7-bf2d-4c84-83de-8c3f80b1f85a\" \u002F>\r\n\r\n2) Update connection id in App Configuration\r\n\r\n\u003Cimg width=\"1806\" height=\"313\" alt=\"creating-connection-002\" src=\"https:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002Fe107b336-c817-407a-be8b-e11a69727664\" \u002F>\r\n\r\n\r\n### Fixed\r\n\r\n* Addressed intermittent authentication timeouts during **AI Foundry post-provisioning setup** by increasing the process timeout for `AzureCliCredential` and `ManagedIdentityCredential` to **30 seconds** in `config\u002Faifoundry\u002Fsetup.py`. This improves reliability during the provisioning workflow.\r\n\r\n* Ensured **compatibility with older AZD versions** by removing string interpolation syntax from capability host connection arrays in the AI Foundry project module (`infra\u002Fmodules\u002Fai-foundry\u002Fmodules\u002Fproject\u002Fmain.bicep`, lines 229–231). This prevents schema parsing issues in environments using older AZD builds.\r\n\r\n### Changed\r\n\r\n* Suppressed **BCP081 warnings** for future-dated API versions (2025-01-01, 2025-04-01, 2025-05-01, 2025-06-01) in the AI Foundry Bicep module using `#disable-next-line` directives. This reduces noise in pipelines while maintaining forward compatibility.\r\n\r\n* Updated contributor templates and consolidated all documentation under **https:\u002F\u002Faka.ms\u002Fgpt-rag-docs**.\r\n\r\n* Updated **gpt-rag-mcp** to **v0.2.3**, bringing dependency alignment and internal improvements.\r\n\r\n## Tested Service Versions\r\n\r\nThe following service versions were validated together for this release:\r\n\r\n| Service                | Tested Version |\r\n|-------------------------|----------------|\r\n| gpt-rag-ui              | `v2.1.1`       |\r\n| gpt-rag-mcp             | `v0.2.3`       |\r\n| gpt-rag-orchestrator    | `v2.2.1`       |\r\n| gpt-rag-ingestion       | `v2.0.5`       |\r\n\r\n## PRs\r\n\r\n* Release\u002F2.2.3 by @placerda in https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F399\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.2.2...v2.2.3\r\n","2025-11-15T13:29:33",{"id":229,"version":230,"summary_zh":231,"released_at":232},80948,"v2.2.2","## What's Changed\r\n\r\n### Changed\r\n\r\n* Added creation of the **data** private endpoint for Azure Container Registry in **network isolation** mode. This fixes an issue where ACA could not pull images from a private ACR in ZTA deployments due to missing data-endpoint resolution.\r\n\r\n* Simplified the **client-side extensions** script that runs during the jumpbox VM setup, improving execution time and making the setup process more efficient.\r\n\r\n* Updated the jumpbox OS from **Windows Server** to **Windows Desktop Enterprise** to enable local builds using Docker Desktop.\r\n\r\n* Updated **Bastion** configuration so it no longer retrieves the VM credentials from **Key Vault**. Users can now set the `testvmuser` password manually when accessing the VM for the first time, removing the dependency on Key Vault secrets.\r\n\r\n* Updated the default vmSize parameter to **Standard_D8s_v5** for better performance. Users who do not have sufficient quota for that size can set vmSize to Standard_D4s_v3 to avoid quota limitations before deployment.\r\n\r\n* Updated the **AI Foundry Bicep deployment module**, switching from the standard-setup samples provided by the PG to the **AI Foundry module from AVM** to align with recommended architecture patterns.\r\n\r\n* Updated the **AZD CLI version** installed on the jumpbox as part of general reliability improvements.\r\n\r\n## PR's\r\n* release 2.2.2 by @placerda in https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F396\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.2.1...v2.2.2\r\n","2025-11-10T03:07:14",{"id":234,"version":235,"summary_zh":236,"released_at":237},80949,"v2.2.1","## What's Changed\r\n\r\n### Added\r\n- **additional debugging logs** to assist with troubleshooting and tracing execution flow across components.\r\n\r\n### Fixed\r\n- Citation links opens up new chat windows instead of rendering files. https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F387\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.2.0...v2.2.1","2025-10-22T02:19:15",{"id":239,"version":240,"summary_zh":241,"released_at":242},80950,"v2.2.0","## What's Changed\r\n\r\n### Added\r\n- Bring your own VNet. [#370](https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F370).\r\n- Agentic Retrieval. [#359](https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F359).\r\n\r\n### PR's\r\n* Bring Your Own Network by @v-cgivens in https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F375\r\n* Release\u002F2.2.0 by @placerda in https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F389\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.1.2...v2.2.0","2025-10-16T11:50:10",{"id":244,"version":245,"summary_zh":246,"released_at":247},80951,"v1.0.1","## What's Changed\r\n\r\n* SharePoint ingestion bug https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F382 fix in https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv1.0.0...v1.0.1","2025-10-03T03:55:00",{"id":249,"version":250,"summary_zh":251,"released_at":252},80952,"v2.1.2","## What's Changed\r\n* SharePoint ingestion bug https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fissues\u002F382 fix by @placerda in https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fpull\u002F381\r\n \r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002FAzure\u002FGPT-RAG\u002Fcompare\u002Fv2.1.1...v2.1.2","2025-10-03T03:42:32"]