[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-BUAADreamer--EasyRAG":3,"tool-BUAADreamer--EasyRAG":61},[4,18,26,36,44,53],{"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":10,"last_commit_at":24,"category_tags":25,"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":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"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",160015,2,"2026-04-18T11:30:52",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"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":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"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",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"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":77,"owner_email":75,"owner_twitter":75,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":10,"env_os":97,"env_gpu":98,"env_ram":97,"env_deps":99,"category_tags":105,"github_topics":107,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":123,"updated_at":124,"faqs":125,"releases":166},9231,"BUAADreamer\u002FEasyRAG","EasyRAG","Easy-to-Use RAG Framework; CCF AIOps International Challenge 2024 Top3 Solution; CCF AIOps 国际挑战赛 2024 季军方案","EasyRAG 是一款专为自动化网络运维打造的轻量级检索增强生成（RAG）框架，曾荣获 CCF AIOps 国际挑战赛 2024 季军。它旨在解决传统 RAG 系统在垂直领域问答中准确率不足、部署复杂以及推理延迟高的问题，帮助用户快速构建高效的知识问答系统。\n\n该工具非常适合需要处理专业文档库的开发者、算法研究人员及运维工程师使用。其核心优势在于“精准、简易、高效”：首先，通过独特的数据处理流程，结合双路稀疏检索进行粗排、大模型重排序及答案优化，显著提升了问答准确性；其次，架构设计极简，主要依赖 BM25 检索与 BGE 重排序，无需对任何模型进行微调，仅需少量显存即可轻松部署；最后，内置了针对全流程的推理加速方案，各模块支持“即插即用”，在保持高精度的同时大幅降低了响应延迟。此外，EasyRAG 提供了灵活的代码库和多种搜索策略，方便用户根据实际需求定制专属的 RAG 流程。","# EasyRAG: Efficient Retrieval-Augmented Generation Framework for Automated Network Operations\n\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmashape\u002Fapistatus.svg?maxAge=2592000)](https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fblob\u002Fmain\u002Flicence)\n[![arxiv badge](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Farxiv-2410.10315-red)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.10315)\n[![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FBUAADreamer\u002FEasyRAG?style=social)](https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fstargazers)\n[![zhihu blog](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fzhihu-Blog-informational)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F7272025344)\n## Table of Contents\n\n- [Overview](#Overview)\n- [Requirements](#Requirements)\n- [Reproduce](#Reproduce)\n- [Usage](#Usage)\n- [Project Structure](#Project-Structure)\n- [Citation](#Citation)\n- [Acknowledgement](#Acknowledgement)\n\n## Overview\n\nThis paper presents EasyRAG, a simple, lightweight, and efficient retrieval-augmented generation framework for automated network operations. Our framework has three advantages. The first is accurate question answering. We designed a straightforward RAG scheme based on (1) a specific data processing workflow (2) dual-route sparse retrieval for coarse ranking (3) LLM Reranker for reranking (4) LLM answer generation and optimization. This approach achieved first place in the GLM4 track in the preliminary round and second place in the GLM4 track in the semifinals. The second is simple deployment. Our method primarily consists of BM25 retrieval and BGE-reranker reranking, requiring no fine-tuning of any models, occupying minimal VRAM, easy to deploy, and highly scalable; we provide a flexible code library with various search and generation strategies, facilitating custom process implementation. The last one is efficient inference. We designed an efficient inference acceleration scheme for the entire coarse ranking, reranking, and generation process that significantly reduces the inference latency of RAG while maintaining a good level of accuracy; each acceleration scheme can be plug-and-play into any component of the RAG process, consistently enhancing the efficiency of the RAG system.\n\n\u003Cdiv align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBUAADreamer_EasyRAG_readme_465b22661060.png\" width=\"95%\" height=\"auto\" \u002F>\n\u003C\u002Fdiv>\n\n## Requirements\n\nEasyRAG needs Python3.10.14 and at least 1 GPU with 16GB. \n\nYou need to change `llm_keys` in `src\u002Feasyrag.yaml` to your GLM keys.\n\n```shell\npip install -r requirements.txt\ngit lfs install\nbash scripts\u002Fdownload.sh # download models\nbash scripts\u002Fprocess.sh # process zedx data\n\n```\n\n## Reproduce\n\n### 1. Run Directly\n\n```bash\ncd src\n# run challenge questions\npython3 main.py \n# copy answer file\ncp submit_result.jsonl ..\u002Fanswer.jsonl\n```\n\n### 2. Run with Docker\n\n```bash\nchmod +x scripts\u002Frun.sh\n.\u002Fscripts\u002Frun.sh\n```\n\n## Usage\n\n### 1. API\n\n```bash\ncd src\nuvicorn api:app --host 0.0.0.0 --port 8000 --workers 1\n```\n\n### 2.WebUI\n\nYou need to run the API first\n\n```bash\ncd src\nstreamlit run webui.py\n```\n\n## Project Structure\n\nOnly the code that may be used in the semi-final is explained.\n\n```yaml\n- src\n    - custom\n        - splitter.py # Custom Chunk Splitter\n        - hierarchical.py # hierarchical Chunk Splitter\n        - transformation.py # File path and title extraction\n        - embeddings # Implement a separate embedding class for the GTE\n            - ...\n        - retrievers.py # Implementation of a qdrant-based dense retriever, Chinese BM25 retriever, implementation of a fusion retriever with rrf and simple merge\n        - rerankers.py # Implement some classes separately for the bge series of rerankers for easy custom use\n        - template.py # QA Prompt Template\n    - pipeline\n        - ingestion.py # Data processing flow: data reader, metadata extraction, document chunking, document encoding, metadata filters, vector database creation\n        - pipeline.py # EasyRAG Pipeline class, containing initialisation of various data and models, custom RAG Pipeline definitions\n        - rag.py # Some tool functions for rag\n        - qa.py # Read the question file and save the answer\n    - utils # The hf-adapted custom llm for the usage in China and is copied directly from the code in the hf link of the corresponding model.\n        - ...\n    - configs\n        - easyrag.yaml # configuration file\n    - data\n        - nltk_data # stop word lists and tokenizer data in nltk\n        - hit_stopwords.txt # HIT Chinese Stop Word List\n        - imgmap_filtered.json # Processed by get_ocr_data.py\n        - question.jsonl # Semi-Final Test Set\n    - main.py # Main Functions, Entry Files\n    - api.py # FastAPI Service\n    - preprocess_zedx.py # zedx data preprocessing\n    - get_ocr_data.py # paddleocr+glm4v extracts image content\n    - submit.py # Submit Results to Challenge\n- requirements.txt # python requirements\n- run.sh # docker run script\n- Dockerfile # docker configuration file\n```\n\n## Citation\n\n```latex\n@article{feng2024easyrag,\n  title={EasyRAG: Efficient Retrieval-Augmented Generation Framework for Automated Network Operations},\n  author={Feng, Zhangchi, Kuang Dongdong, Wang Zhongyuan, Nie Zhijie, Zheng Yaowei and Zhang, Richong},\n  journal={arXiv preprint arXiv:2410.10315},\n  year={2024}\n}\n```\n\n## Acknowledgement\n\nThanks to the [CCF AIOps 2024 Challenge Organising Committee](https:\u002F\u002Fcompetition.aiops-challenge.com\u002Fhome\u002Fcompetition\u002F1780211530478944282) , they provide high quality data and a good atmosphere.\n\n## Star History\n\n![Star History Chart](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBUAADreamer_EasyRAG_readme_3c192bdf0135.png)","# EasyRAG：用于自动化网络运维的高效检索增强生成框架\n\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmashape\u002Fapistatus.svg?maxAge=2592000)](https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fblob\u002Fmain\u002Flicence)\n[![arxiv badge](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Farxiv-2410.10315-red)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.10315)\n[![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FBUAADreamer\u002FEasyRAG?style=social)](https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fstargazers)\n[![zhihu blog](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fzhihu-Blog-informational)](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F7272025344)\n## 目录\n\n- [概述](#Overview)\n- [要求](#Requirements)\n- [复现](#Reproduce)\n- [使用](#Usage)\n- [项目结构](#Project-Structure)\n- [引用](#Citation)\n- [致谢](#Acknowledgement)\n\n## 概述\n\n本文提出了EasyRAG，一个简单、轻量且高效的检索增强生成框架，专为自动化网络运维设计。我们的框架具有三大优势。首先是精准的问题回答能力。我们设计了一套直观的RAG方案，基于以下四个核心组件：(1) 特定的数据处理流程；(2) 双路稀疏检索用于粗排；(3) LLM重排序器进行精排；(4) LLM生成并优化答案。该方法在初赛GLM4赛道中获得第一名，在半决赛GLM4赛道中获得第二名。其次，部署简便。我们的方法主要由BM25检索和BGE-reranker重排序组成，无需对任何模型进行微调，显存占用极低，易于部署且可扩展性强；我们提供了一个灵活的代码库，包含多种检索与生成策略，方便用户自定义流程。最后是高效的推理性能。针对整个粗排、精排和生成过程，我们设计了一套高效的推理加速方案，能够在保持良好准确率的同时显著降低RAG的推理延迟；每项加速技术都可以无缝接入RAG流程中的任意环节，持续提升系统的整体效率。\n\n\u003Cdiv align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBUAADreamer_EasyRAG_readme_465b22661060.png\" width=\"95%\" height=\"auto\" \u002F>\n\u003C\u002Fdiv>\n\n## 要求\n\nEasyRAG需要Python 3.10.14以及至少一块16GB显存的GPU。\n\n您需要将`src\u002Feasyrag.yaml`中的`llm_keys`替换为您自己的GLM密钥。\n\n```shell\npip install -r requirements.txt\ngit lfs install\nbash scripts\u002Fdownload.sh # 下载模型\nbash scripts\u002Fprocess.sh # 处理zedx数据\n\n```\n\n## 复现\n\n### 1. 直接运行\n\n```bash\ncd src\n# 运行挑战赛题目\npython3 main.py \n# 复制答案文件\ncp submit_result.jsonl ..\u002Fanswer.jsonl\n```\n\n### 2. 使用Docker运行\n\n```bash\nchmod +x scripts\u002Frun.sh\n.\u002Fscripts\u002Frun.sh\n```\n\n## 使用\n\n### 1. API\n\n```bash\ncd src\nuvicorn api:app --host 0.0.0.0 --port 8000 --workers 1\n```\n\n### 2. WebUI\n\n您需要先运行API\n\n```bash\ncd src\nstreamlit run webui.py\n```\n\n## 项目结构\n\n仅对可能在半决赛中使用的代码进行说明。\n\n```yaml\n- src\n    - custom\n        - splitter.py # 自定义分块器\n        - hierarchical.py # 层次化分块器\n        - transformation.py # 文件路径和标题提取\n        - embeddings # 为GTE实现独立的嵌入类\n            - ...\n        - retrievers.py # 基于Qdrant的稠密检索器、中文BM25检索器的实现，以及结合RRF和简单合并的融合检索器\n        - rerankers.py # 为BGE系列重排序器单独实现若干类，便于自定义使用\n        - template.py # QA提示模板\n    - pipeline\n        - ingestion.py # 数据处理流程：数据读取、元数据提取、文档分块、文档编码、元数据过滤、向量数据库构建\n        - pipeline.py # EasyRAG Pipeline类，包含各类数据和模型的初始化，以及自定义RAG Pipeline定义\n        - rag.py # RAG相关的一些工具函数\n        - qa.py # 读取问题文件并保存答案\n    - utils # 针对中国场景适配的HF定制LLM，直接从对应模型的HF链接中复制而来。\n        - ...\n    - configs\n        - easyrag.yaml # 配置文件\n    - data\n        - nltk_data # NLTK中的停用词表和分词器数据\n        - hit_stopwords.txt # 哈工大中文停用词表\n        - imgmap_filtered.json # 由get_ocr_data.py处理后得到\n        - question.jsonl # 半决赛测试集\n    - main.py # 主函数及入口文件\n    - api.py # FastAPI服务\n    - preprocess_zedx.py # zedx数据预处理\n    - get_ocr_data.py # 使用PaddleOCR+GLM4V提取图像内容\n    - submit.py # 向挑战赛提交结果\n- requirements.txt # Python依赖\n- run.sh # Docker运行脚本\n- Dockerfile # Docker配置文件\n```\n\n## 引用\n\n```latex\n@article{feng2024easyrag,\n  title={EasyRAG: Efficient Retrieval-Augmented Generation Framework for Automated Network Operations},\n  author={Feng, Zhangchi, Kuang Dongdong, Wang Zhongyuan, Nie Zhijie, Zheng Yaowei and Zhang, Richong},\n  journal={arXiv preprint arXiv:2410.10315},\n  year={2024}\n}\n```\n\n## 致谢\n\n感谢[CCF AIOps 2024挑战赛组委会](https:\u002F\u002Fcompetition.aiops-challenge.com\u002Fhome\u002Fcompetition\u002F1780211530478944282)，他们提供了高质量的数据和良好的竞赛氛围。\n\n## 星标历史\n\n![星标历史图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBUAADreamer_EasyRAG_readme_3c192bdf0135.png)","# EasyRAG 快速上手指南\n\nEasyRAG 是一个专为自动化网络运营设计的轻量级、高效检索增强生成（RAG）框架。它无需微调模型，仅需少量显存即可部署，支持双路稀疏检索与 LLM 重排序，在保证高准确率的同时显著降低推理延迟。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows (推荐 Linux)\n*   **Python 版本**：3.10.14\n*   **硬件要求**：至少 1 块 GPU，显存 ≥ 16GB\n*   **前置依赖**：\n    *   Git 及 Git LFS (用于下载大模型文件)\n    *   GLM API Key (需在配置文件中填写)\n\n## 安装步骤\n\n### 1. 克隆项目并安装依赖\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG.git\ncd EasyRAG\npip install -r requirements.txt\n```\n\n> **提示**：国内用户建议使用清华或阿里镜像源加速安装：\n> `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 2. 初始化 Git LFS 并下载模型\n\n```bash\ngit lfs install\nbash scripts\u002Fdownload.sh\n```\n\n### 3. 数据处理\n\n运行脚本处理 ZedX 数据集：\n\n```bash\nbash scripts\u002Fprocess.sh\n```\n\n### 4. 配置 API Key\n\n编辑 `src\u002Feasyrag.yaml` 文件，将 `llm_keys` 字段替换为您自己的 GLM API Key。\n\n```yaml\n# src\u002Feasyrag.yaml\nllm_keys:\n  - \"your_glm_api_key_here\"\n```\n\n## 基本使用\n\n### 方式一：直接运行测试集\n\n进入 `src` 目录，直接运行主程序处理挑战赛问题并生成答案文件：\n\n```bash\ncd src\npython3 main.py \ncp submit_result.jsonl ..\u002Fanswer.jsonl\n```\n\n### 方式二：启动 API 服务与 Web 界面\n\n如果您希望通过 API 或图形界面进行交互：\n\n1.  **启动后端 API**：\n    ```bash\n    cd src\n    uvicorn api:app --host 0.0.0.0 --port 8000 --workers 1\n    ```\n\n2.  **启动前端 WebUI**（需保持 API 运行）：\n    打开新终端窗口：\n    ```bash\n    cd src\n    streamlit run webui.py\n    ```\n    随后在浏览器访问显示的本地地址即可使用。\n\n### 方式三：使用 Docker 运行\n\n如果您偏好容器化部署，可直接使用提供的脚本：\n\n```bash\nchmod +x scripts\u002Frun.sh\n.\u002Fscripts\u002Frun.sh\n```","某大型互联网公司的网络运维团队每天需处理海量设备日志与故障工单，急需从繁杂的技术文档中快速定位解决方案以恢复业务。\n\n### 没有 EasyRAG 时\n- **检索精度低**：传统关键词搜索无法理解运维人员复杂的自然语言提问，常返回大量无关文档，导致排查方向错误。\n- **部署门槛高**：现有大模型方案需要昂贵的显卡资源进行微调，且显存占用巨大，难以在边缘服务器或测试环境中落地。\n- **响应速度慢**：面对突发网络故障，冗长的检索与生成延迟让运维人员在黄金修复时间内无法获得有效建议。\n- **定制开发难**：缺乏灵活的流程编排能力，针对特定网络设备日志的预处理和分块策略难以快速适配。\n\n### 使用 EasyRAG 后\n- **问答更精准**：利用双路稀疏检索粗排结合 LLM 重排序机制，能准确理解“核心交换机端口震荡”等专业语境，直接输出最优解决步骤。\n- **轻量易部署**：无需任何模型微调，仅凭单张 16GB 显存显卡即可运行，基于 BM25 和 BGE-reranker 的架构让私有化部署变得极其简单。\n- **推理高效率**：内置的加速方案显著降低了从检索到生成的整体延迟，确保在故障告警瞬间即可提供实时决策支持。\n- **灵活可扩展**：提供模块化的代码库，运维团队可轻松自定义文档切分策略和提示词模板，快速适配不同厂商的设备手册。\n\nEasyRAG 通过轻量化架构与高精度检索重排序的结合，让网络运维团队能以极低算力成本实现秒级故障诊断与自动化决策。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBUAADreamer_EasyRAG_6f52a14e.png","BUAADreamer","Zhangchi Feng","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FBUAADreamer_0d8beb23.jpg",null,"Beihang University","Beijing","https:\u002F\u002Fscholar.google.com\u002Fcitations?user=28WobD8AAAAJ","https:\u002F\u002Fgithub.com\u002FBUAADreamer",[81,85,89],{"name":82,"color":83,"percentage":84},"Python","#3572A5",99.4,{"name":86,"color":87,"percentage":88},"Shell","#89e051",0.4,{"name":90,"color":91,"percentage":92},"Dockerfile","#384d54",0.2,625,76,"2026-04-18T12:05:09","MIT","未说明","必需，至少 1 块 GPU，显存 16GB+",{"notes":100,"python":101,"dependencies":102},"需在配置文件中替换 GLM API 密钥；首次运行需执行脚本下载模型文件并处理数据；支持 Docker 部署；主要包含 BM25 检索和 BGE-reranker 重排序，无需微调模型。","3.10.14",[103,104],"requirements.txt 中定义的依赖包","git-lfs",[14,106,35],"其他",[108,109,110,111,112,113,114,115,116,117,118,119,120,121,122],"aiops","network-operations","rag","retrieval-augmented-generation","bge","bm25","ccf","glm4","gte","hyde","llm","minicpm","qa","retrieval","rrf","2026-03-27T02:49:30.150509","2026-04-19T03:05:10.755669",[126,131,136,141,146,151,156,161],{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},41428,"论文中提到的 llama-index 切词不稳定问题具体指什么，项目中是如何解决的？","原 llama-index 实现通过从文本长度中减去文件路径长度来确定实际文本长度，这导致相同 chunksize 和 chunk-overlap 下，因数据路径不同而产生不同的分段结果。本项目在获取 file_path 时做了改进，确保无论文件放在哪个路径，都使用根目录下的相对路径。具体代码实现可参考：https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fblob\u002F51964f57029ab0bc1a581303c2af33eec100748d\u002Fsrc\u002Feasyrag\u002Fcustom\u002Ftransformation.py#L69C1-L70C1","https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fissues\u002F5",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},41429,"知识路径和文件路径在 EasyRAG 方案中有什么作用？","引入知识路径和文件路径主要是为了将结构化知识注入检索阶段，从而提升各个环节的准确度。具体运用是在粗排和重排阶段，将路径信息与文档块拼接在一起计算相似度。更多细节可参考知乎博客：https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F7272025344","https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fissues\u002F8",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},41430,"添加自定义数据集（如.docx 文件）运行时出现 ZeroDivisionError 错误怎么办？","该错误通常是因为自定义数据缺少知识路径信息，导致 BM25 路径粗排计算时分母为零。解决方法有两种：1. 修改 config 配置文件，去掉路径粗排相关的设置；2. 自己定义新的 pipeline 流程以适应无路径数据。","https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fissues\u002F7",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},41431,"Windows 环境下运行报错 KeyError，提示找不到某个 txt 文件路径怎么办？","请检查 `pathmap.json` 文件是否存在。该文件包含了文档的路径元数据信息，程序运行依赖此文件进行路径映射。如果缺失，需要重新运行预处理脚本生成该文件（参考代码：https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fblob\u002Fa87b6852c3844d9d2df08d24221b0bef262ccc57\u002Fsrc\u002Fpreprocess_zedx.py#L174）。","https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fissues\u002F10",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},41432,"技术报告中提到的查询扩展（Query Expansion）和 HyDE 功能代码在哪里？","目前代码库中确实缺少这两部分的完整实现。团队在实验中验证过查询扩展和 HyDE 的效果，发现对比赛题目帮助不大（主要对实际场景有帮助），因此暂未开源这部分代码。关于 Query Expansion 的部分逻辑可参考：https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fblob\u002F51964f57029ab0bc1a581303c2af33eec100748d\u002Fsrc\u002Feasyrag\u002Fpipeline\u002Fpipeline.py#L83","https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fissues\u002F2",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},41433,"如何获取 AIOPS 数据集的答案以进行方法评测？","可以参考 ModelScope 上的开源数据集：https:\u002F\u002Fwww.modelscope.cn\u002Fdatasets\u002Fissaccv\u002Faiops24-finals。其中的 debug.jsonl 对应本项目 main.py 中的 val 集（src\u002Fdata\u002Fval.json）。团队已对 val 集进行了人工标注，可用于评估关键词准确度。其他集合暂未公布，需关注官网。运行测试时，在 main 中将 split 参数设置为 'val' 即可。","https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fissues\u002F1",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},41434,"如何使用 AsyncQdrantClient 连接向量数据库，报错连接失败如何解决？","报错 \"All connection attempts failed\" 通常是因为本地的 Qdrant 服务未启动。`http:\u002F\u002Flocalhost:6333` 是 Qdrant 服务的默认地址。你需要参考 Qdrant 官方文档，在本地启动一个 Qdrant 服务实例（例如使用 Docker 运行 `docker run -p 6333:6333 qdrant\u002Fqdrant`），确保服务正常运行后再执行代码。","https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fissues\u002F12",{"id":162,"question_zh":163,"answer_zh":164,"source_url":165},41435,"比赛的评估代码开源了吗，得分是如何计算的？","具体的评估代码暂无开源。比赛得分是由主办方通过计算答案的语义相似度和关键词命中率的加权和得出的。","https:\u002F\u002Fgithub.com\u002FBUAADreamer\u002FEasyRAG\u002Fissues\u002F13",[]]