[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NVIDIA--GenerativeAIExamples":3,"tool-NVIDIA--GenerativeAIExamples":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",154349,2,"2026-04-13T23:32:16",[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。",108322,"2026-04-10T11:39:34",[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":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":116,"forks":117,"last_commit_at":118,"license":119,"difficulty_score":120,"env_os":121,"env_gpu":122,"env_ram":123,"env_deps":124,"category_tags":135,"github_topics":137,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":148,"updated_at":149,"faqs":150,"releases":180},7408,"NVIDIA\u002FGenerativeAIExamples","GenerativeAIExamples","Generative AI reference workflows optimized for accelerated infrastructure and microservice architecture.","GenerativeAIExamples 是 NVIDIA 官方提供的一套生成式 AI 参考工作流集合，旨在帮助开发者快速构建并优化基于加速基础设施和微服务架构的 AI 系统。无论是搭建检索增强生成（RAG）管道、设计智能体（Agentic）工作流，还是进行模型微调，它都能提供无缝集成的代码示例与最佳实践。\n\n该资源库主要解决了开发者在将生成式 AI 落地时面临的技术整合难题，特别是如何高效利用 NVIDIA 软硬件生态来提升系统性能与安全性。通过提供经过验证的模板，它显著降低了从原型开发到生产部署的门槛。\n\nGenerativeAIExamples 非常适合希望深入 NVIDIA 软件生态的 AI 工程师、后端开发者及研究人员使用。其独特亮点在于深度集成了 NVIDIA NIM 微服务、NeMo 框架以及 RAPIDS 生态系统。最新内容涵盖了“数据飞轮”工作流、基于知识图谱的 RAG 方案、Llama 3.1 智能体应用，以及利用 NeMo Auditor 进行模型安全审计等前沿技术。对于想要探索高性能、可扩展且安全的生成式 AI 应用的专业人士而言，这是一个极具价值的起步点。","\u003C!--\n  SPDX-FileCopyrightText: Copyright (c) 2023 NVIDIA CORPORATION & AFFILIATES. All rights reserved.\n  SPDX-License-Identifier: Apache-2.0\n-->\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA_GenerativeAIExamples_readme_0b7f698fb378.jpg)\n\n# NVIDIA Generative AI Examples\n\nThis repository is a starting point for developers looking to integrate with the NVIDIA software ecosystem to speed up their generative AI systems. Whether you are building RAG pipelines, agentic workflows, or fine-tuning models, this repository will help you integrate NVIDIA, seamlessly and natively, with your development stack.\n\n## Table of Contents\n\u003C!-- TOC -->\n\n* [What's New?](#whats-new)\n  * [Data Flywheel](#data-flywheel)\n  * [Safer Agentic AI](#safer-agentic-ai)\n  * [Knowledge Graph RAG](#knowledge-graph-rag)\n  * [Agentic Workflows with Llama 3.1](#agentic-workflows-with-llama-31)\n  * [RAG with Local NIM Deployment and LangChain](#rag-with-local-nim-deployment-and-langchain)\n  * [Vision NIM Workflows](#vision-nim-workflows)\n* [Try it Now!](#try-it-now)\n* [Data Flywheel](#data-flywheel)\n  * [Tool-Calling Notebooks](#tool-calling-notebooks)\n* [RAG](#rag)\n  * [RAG Notebooks](#rag-notebooks)\n  * [RAG Examples](#rag-examples)\n  * [RAG Tools](#rag-tools)\n  * [RAG Projects](#rag-projects)\n* [Documentation](#documentation)\n  * [Getting Started](#getting-started)\n  * [How To's](#how-tos)\n  * [Reference](#reference)\n* [Community](#community)\n\n\u003C!-- \u002FTOC -->\n\n## What's New?\n\n### Data Flywheel\n\nThese tutorials demonstrate Data Flywheel workflows that use NVIDIA NeMo Microservices. They include components such as NVIDIA NeMo Datastore, NeMo Entity Store, NeMo Customizer, NeMo Evaluator, NeMo Guardrails microservices, and NVIDIA NIMs.\n\n- [Tool Calling Fine-tuning, Inference, Evaluation, and Guardrailing with NVIDIA NeMo Microservices and NIMs](.\u002Fnemo\u002Fdata-flywheel\u002Ftool-calling)\n- [Embedding Fine-tuning, Inference, and Evaluation with NVIDIA NeMo Microservices and NIMs](.\u002Fnemo\u002Fdata-flywheel\u002Fembedding-finetuning\u002F)\n\n### Safer Agentic AI\n\nThe following tutorials illustrate how to audit your large language models with NeMo Auditor to identify vulnerabilities to unsafe prompts, and how to run inference with multiple rails in parallel to reduce latency and improve throughput. \n\n- [Audit your LLMs](.\u002Fnemo\u002FNeMo-Auditor\u002FGetting_Started_With_NeMo_Auditor.ipynb)\n- [Inference with Parallel Rails](.\u002Fnemo\u002FNeMo-Guardrails\u002FParallel_Rails_Tutorial.ipynb)\n\n### Knowledge Graph RAG\n\nThis example implements a GPU-accelerated pipeline for creating and querying knowledge graphs using RAG by leveraging NIM microservices and the RAPIDS ecosystem to process large-scale datasets efficiently.\n\n- [Knowledge Graphs for RAG with NVIDIA AI Foundation Models and Endpoints](community\u002Fknowledge_graph_rag)\n\n### Agentic Workflows with Llama 3.1\n\n- Build an Agentic RAG Pipeline with Llama 3.1 and NVIDIA NeMo Retriever NIM microservices [[Blog](https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fbuild-an-agentic-rag-pipeline-with-llama-3-1-and-nvidia-nemo-retriever-nims\u002F), [Notebook](RAG\u002Fnotebooks\u002Flangchain\u002Fagentic_rag_with_nemo_retriever_nim.ipynb)]\n- [NVIDIA Morpheus, NIM microservices, and RAG pipelines integrated to create LLM-based agent pipelines](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.7.0\u002Fexperimental\u002Fevent-driven-rag-cve-analysis)\n\n\n### RAG with Local NIM Deployment and LangChain\n\n- Tips for Building a RAG Pipeline with NVIDIA AI LangChain AI Endpoints by Amit Bleiweiss. [[Blog](https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Ftips-for-building-a-rag-pipeline-with-nvidia-ai-langchain-ai-endpoints\u002F), [Notebook](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.7.0\u002Fnotebooks\u002F08_RAG_Langchain_with_Local_NIM.ipynb)]\n\nFor more information, refer to the [Generative AI Example releases](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Freleases\u002F).\n\n### Vision NIM Workflows\nA collection of Jupyter notebooks, sample code and reference applications built with Vision NIMs.\n\nTo pull the vision NIM workflows, clone this repository recursively:\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fnvidia\u002FGenerativeAIExamples --recurse-submodules\n```\n\nThe workflows will then be located at [GenerativeAIExamples\u002Fvision_workflows](vision_workflows\u002FREADME.md)\n\nFollow the links below to learn more:\n- [Learn how to use VLMs to automatically monitor a video stream for custom events.](nim_workflows\u002Fvlm_alerts\u002FREADME.md)\n- [Learn how to search images with natural language using NV-CLIP.](nim_workflows\u002Fnvclip_multimodal_search\u002FREADME.md)\n- [Learn how to combine VLMs, LLMs and CV models to build a robust text extraction pipeline.](nim_workflows\u002Fvision_text_extraction\u002FREADME.md)\n- [Learn how to use embeddings with NVDINOv2 and a Milvus VectorDB to build a few shot classification model.](nim_workflows\u002Fnvdinov2_few_shot\u002FREADME.md)\n\n\n## Try it Now!\n\nExperience NVIDIA RAG Pipelines with just a few steps!\n\n1. Get your NVIDIA API key.\n   1. Go to the [NVIDIA API Catalog](https:\u002F\u002Fbuild.ngc.nvidia.com\u002Fexplore\u002F).\n   1. Select any model.\n   1. Click **Get API Key**.\n   1. Run:\n      ```console\n      export NVIDIA_API_KEY=nvapi-...\n      ``` \n\n1. Clone the repository.\n\n   ```console\n   git clone https:\u002F\u002Fgithub.com\u002Fnvidia\u002FGenerativeAIExamples.git\n   ```\n\n1. Build and run the basic RAG pipeline.\n\n   ```console\n   cd GenerativeAIExamples\u002FRAG\u002Fexamples\u002Fbasic_rag\u002Flangchain\u002F\n   docker compose up -d --build\n   ```\n\n1. Go to \u003Chttps:\u002F\u002Flocalhost:8090\u002F> and submit queries to the sample RAG Playground.\n\n1. Stop containers when done. \n  \n   ```console\n   docker compose down\n   ``` \n      \n\n\n## Data Flywheel\n\nA [Data Flywheel](https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fglossary\u002Fdata-flywheel\u002F) is a self-reinforcing cycle where user interactions generate data that improves AI models or products, leading to better outcomes that attract more users and further enhance data quality. This feedback loop relies on continuous data processing, model refinement, and guardrails to ensure accuracy and compliance while compounding value over time. Real-world applications range from personalized customer experiences to operational systems like inventory management, where improved predictions drive efficiency and growth.\n\n### Tool-Calling Notebooks\n\nTool calling empowers Large Language Models (LLMs) to integrate with external APIs, execute dynamic workflows, and retrieve real-time data beyond their training scope. The NVIDIA NeMo microservices platform offers a modular infrastructure for deploying AI pipelines that includes fine-tuning, evaluation, inference, and guardrail enforcement—across Kubernetes clusters in cloud or on-premises environments.\n\nThis end-to-end [tutorial](.\u002Fnemo\u002Fdata-flywheel\u002Ftool-calling) demonstrates how to leverage NeMo Microservices to customize [Llama-3.2-1B-Instruct](https:\u002F\u002Fhuggingface.co\u002Fmeta-llama\u002FLlama-3.2-1B-Instruct) by using the [xLAM](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FSalesforce\u002Fxlam-function-calling-60k) function-calling dataset, assess its accuracy, and implement safety constraints to govern its behavior.\n\n## RAG\n\n### RAG Notebooks\n\nNVIDIA has first-class support for popular generative AI developer frameworks like [LangChain](https:\u002F\u002Fpython.langchain.com\u002Fv0.2\u002Fdocs\u002Fintegrations\u002Fchat\u002Fnvidia_ai_endpoints\u002F), [LlamaIndex](https:\u002F\u002Fdocs.llamaindex.ai\u002Fen\u002Fstable\u002Fexamples\u002Fllm\u002Fnvidia\u002F), and [Haystack](https:\u002F\u002Fhaystack.deepset.ai\u002Fintegrations\u002Fnvidia). These end-to-end notebooks show how to integrate NIM microservices using your preferred generative AI development framework.\n\nUse these [notebooks](.\u002FRAG\u002Fnotebooks\u002FREADME.md) to learn about the LangChain and LlamaIndex connectors.\n\n#### LangChain Notebooks\n\n- RAG\n  - [Basic RAG with CHATNVIDIA LangChain Integration](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002Flangchain_basic_RAG.ipynb)\n  - [RAG using local NIM microservices for LLMs and Retrieval](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002FRAG_Langchain_with_Local_NIM.ipynb)\n  - [RAG for HTML Documents](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002FRAG_for_HTML_docs_with_Langchain_NVIDIA_AI_Endpoints.ipynb)\n  - [Chat with NVIDIA Financial Reports](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002FChat_with_nvidia_financial_reports.ipynb)\n- Agents\n  - [NIM Tool Calling 101](https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flangchain-nvidia\u002Fblob\u002Fmain\u002Fcookbook\u002Fnvidia_nim_agents_llama3.1.ipynb)\n  - [Agentic RAG with NeMo Retriever](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002Fagentic_rag_with_nemo_retriever_nim.ipynb)\n  - [Agents with Human in the Loop](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002FLangGraph_HandlingAgent_IntermediateSteps.ipynb)\n\n\n#### LlamaIndex Notebooks\n\n- [Basic RAG with LlamaIndex Integration](.\u002FRAG\u002Fnotebooks\u002Fllamaindex\u002Fllamaindex_basic_RAG.ipynb)\n\n### RAG Examples\n\nBy default, these end-to-end [examples](RAG\u002Fexamples\u002FREADME.md) use preview NIM endpoints on [NVIDIA API Catalog](https:\u002F\u002Fcatalog.ngc.nvidia.com). Alternatively, you can run any of the examples [on premises](.\u002FRAG\u002Fexamples\u002Flocal_deploy\u002F).\n\n#### Basic RAG Examples\n\n  - [LangChain example](.\u002FRAG\u002Fexamples\u002Fbasic_rag\u002Flangchain\u002FREADME.md)\n  - [LlamaIndex example](.\u002FRAG\u002Fexamples\u002Fbasic_rag\u002Fllamaindex\u002FREADME.md)\n\n#### Advanced RAG Examples\n\n  - [Multi-Turn](.\u002FRAG\u002Fexamples\u002Fadvanced_rag\u002Fmulti_turn_rag\u002FREADME.md)\n  - [Multimodal Data](.\u002FRAG\u002Fexamples\u002Fadvanced_rag\u002Fmultimodal_rag\u002FREADME.md)\n  - [Structured Data](.\u002FRAG\u002Fexamples\u002Fadvanced_rag\u002Fstructured_data_rag\u002FREADME.md) (CSV)\n  - [Query Decomposition](.\u002FRAG\u002Fexamples\u002Fadvanced_rag\u002Fquery_decomposition_rag\u002FREADME.md)\n\n### RAG Tools\n\nExample tools and tutorials to enhance LLM development and productivity when using NVIDIA RAG pipelines.\n\n- [Evaluation](.\u002FRAG\u002Ftools\u002Fevaluation\u002FREADME.md)\n- [Observability](.\u002FRAG\u002Ftools\u002Fobservability\u002FREADME.md)\n\n### RAG Projects\n\n- [NVIDIA Tokkio LLM-RAG](https:\u002F\u002Fdocs.nvidia.com\u002Face\u002Flatest\u002Fworkflows\u002Ftokkio\u002Ftext\u002FTokkio_LLM_RAG_Bot.html): Use Tokkio to add avatar animation for RAG responses.\n- [Hybrid RAG Project on AI Workbench](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fworkbench-example-hybrid-rag): Run an NVIDIA AI Workbench example project for RAG.\n\n## Documentation\n\n### Getting Started\n\n- [Prerequisites](.\u002Fdocs\u002Fcommon-prerequisites.md)\n\n### How To's\n\n- [Changing the Inference or Embedded Model](.\u002Fdocs\u002Fchange-model.md)\n- [Customizing the Vector Database](.\u002Fdocs\u002Fvector-database.md)\n- [Customizing the Chain Server](.\u002Fdocs\u002Fchain-server.md):\n  - [Chunking Strategy](.\u002Fdocs\u002Ftext-splitter.md)\n  - [Prompting Template Engineering](.\u002Fdocs\u002Fprompt-customization.md)\n- [Configuring LLM Parameters at Runtime](.\u002Fdocs\u002Fllm-params.md)\n- [Supporting Multi-Turn Conversations](.\u002Fdocs\u002Fmultiturn.md)\n- [Speaking Queries and Listening to Responses with NVIDIA Riva](.\u002Fdocs\u002Friva-asr-tts.md)\n\n### Reference\n\n- [Support Matrix](.\u002Fdocs\u002Fsupport-matrix.md)\n- [Architecture](.\u002Fdocs\u002Farchitecture.md)\n- [Using the Sample Chat Web Application](.\u002Fdocs\u002Fusing-sample-web-application.md)\n- [RAG Playground Web Application](.\u002Fdocs\u002Ffrontend.md)\n- [Software Component Configuration](.\u002Fdocs\u002Fconfiguration.md)\n\n\n## Community\nWe're posting these examples on GitHub to support the NVIDIA LLM community and facilitate feedback.\nWe invite contributions! Open a GitHub issue or pull request! See [contributing](docs\u002Fcontributing.md) Check out the [community](.\u002Fcommunity\u002FREADME.md) examples and notebooks.\n\n","\u003C!--\n  SPDX-FileCopyrightText: Copyright (c) 2023 NVIDIA CORPORATION & AFFILIATES. All rights reserved.\n  SPDX-License-Identifier: Apache-2.0\n-->\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA_GenerativeAIExamples_readme_0b7f698fb378.jpg)\n\n# NVIDIA 生成式 AI 示例\n\n本仓库为希望与 NVIDIA 软件生态系统集成以加速其生成式 AI 系统的开发者提供了一个起点。无论您是在构建 RAG 流水线、智能体工作流，还是进行模型微调，本仓库都将帮助您无缝且原生地将 NVIDIA 集成到您的开发栈中。\n\n## 目录\n\u003C!-- TOC -->\n\n* [最新内容](#whats-new)\n  * [数据飞轮](#data-flywheel)\n  * [更安全的智能体 AI](#safer-agentic-ai)\n  * [知识图谱 RAG](#knowledge-graph-rag)\n  * [使用 Llama 3.1 的智能体工作流](#agentic-workflows-with-llama-31)\n  * [使用本地 NIM 部署和 LangChain 的 RAG](#rag-with-local-nim-deployment-and-langchain)\n  * [视觉 NIM 工作流](#vision-nim-workflows)\n* [立即体验！](#try-it-now)\n* [数据飞轮](#data-flywheel)\n  * [工具调用笔记本](#tool-calling-notebooks)\n* [RAG](#rag)\n  * [RAG 笔记本](#rag-notebooks)\n  * [RAG 示例](#rag-examples)\n  * [RAG 工具](#rag-tools)\n  * [RAG 项目](#rag-projects)\n* [文档](#documentation)\n  * [入门指南](#getting-started)\n  * [操作指南](#how-tos)\n  * [参考](#reference)\n* [社区](#community)\n\n\u003C!-- \u002FTOC -->\n\n## 最新内容？\n\n### 数据飞轮\n\n这些教程展示了使用 NVIDIA NeMo 微服务的数据飞轮工作流。它们包括 NVIDIA NeMo Datastore、NeMo Entity Store、NeMo Customizer、NeMo Evaluator、NeMo Guardrails 微服务以及 NVIDIA NIMs 等组件。\n\n- [使用 NVIDIA NeMo 微服务和 NIMs 进行工具调用的微调、推理、评估和安全约束](.\u002Fnemo\u002Fdata-flywheel\u002Ftool-calling)\n- [使用 NVIDIA NeMo 微服务和 NIMs 进行嵌入的微调、推理和评估](.\u002Fnemo\u002Fdata-flywheel\u002Fembedding-finetuning\u002F)\n\n### 更安全的智能体 AI\n\n以下教程说明了如何使用 NeMo Auditor 审计大型语言模型，以识别对不安全提示的漏洞，以及如何并行运行多条安全规则进行推理，从而降低延迟并提高吞吐量。\n\n- [审计您的 LLM](.\u002Fnemo\u002FNeMo-Auditor\u002FGetting_Started_With_NeMo_Auditor.ipynb)\n- [并行安全规则推理](.\u002Fnemo\u002FNeMo-Guardrails\u002FParallel_Rails_Tutorial.ipynb)\n\n### 知识图谱 RAG\n\n本示例实现了一个 GPU 加速的流水线，用于通过 RAG 创建和查询知识图谱，利用 NIM 微服务和 RAPIDS 生态系统高效处理大规模数据集。\n\n- [使用 NVIDIA AI 基础模型和端点的 RAG 知识图谱](community\u002Fknowledge_graph_rag)\n\n### 使用 Llama 3.1 的智能体工作流\n\n- 使用 Llama 3.1 和 NVIDIA NeMo Retriever NIM 微服务构建智能体 RAG 流水线 [[博客](https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fbuild-an-agentic-rag-pipeline-with-llama-3-1-and-nvidia-nemo-retriever-nims\u002F), [笔记本](RAG\u002Fnotebooks\u002Flangchain\u002Fagentic_rag_with_nemo_retriever_nim.ipynb)]\n- [NVIDIA Morpheus、NIM 微服务和 RAG 流水线集成，创建基于 LLM 的智能体流水线](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.7.0\u002Fexperimental\u002Fevent-driven-rag-cve-analysis)\n\n\n### 使用本地 NIM 部署和 LangChain 的 RAG\n\n- Amit Bleiweiss 提供的使用 NVIDIA AI LangChain AI 端点构建 RAG 流水线的技巧。[[博客](https:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Ftips-for-building-a-rag-pipeline-with-nvidia-ai-langchain-ai-endpoints\u002F), [笔记本](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.7.0\u002Fnotebooks\u002F08_RAG_Langchain_with_Local_NIM.ipynb)]\n\n更多信息，请参阅 [生成式 AI 示例发布](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Freleases\u002F)。\n\n### 视觉 NIM 工作流\n一系列使用视觉 NIM 构建的 Jupyter 笔记本、示例代码和参考应用。\n\n要获取视觉 NIM 工作流，请递归克隆此仓库：\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fnvidia\u002FGenerativeAIExamples --recurse-submodules\n```\n\n然后，工作流将位于 [GenerativeAIExamples\u002Fvision_workflows](vision_workflows\u002FREADME.md)。\n\n请按照以下链接了解更多：\n- [学习如何使用 VLM 自动监控视频流中的自定义事件。](nim_workflows\u002Fvlm_alerts\u002FREADME.md)\n- [学习如何使用 NV-CLIP 通过自然语言搜索图像。](nim_workflows\u002Fnvclip_multimodal_search\u002FREADME.md)\n- [学习如何结合 VLM、LLM 和 CV 模型来构建强大的文本提取流水线。](nim_workflows\u002Fvision_text_extraction\u002FREADME.md)\n- [学习如何使用 NVDINOv2 和 Milvus 向量数据库的嵌入来构建少样本分类模型。](nim_workflows\u002Fnvdinov2_few_shot\u002FREADME.md)\n\n\n## 立即体验！\n\n只需几个步骤即可体验 NVIDIA RAG 流水线！\n\n1. 获取您的 NVIDIA API 密钥。\n   1. 前往 [NVIDIA API 目录](https:\u002F\u002Fbuild.ngc.nvidia.com\u002Fexplore\u002F)。\n   1. 选择任意模型。\n   1. 单击 **获取 API 密钥**。\n   1. 执行：\n      ```console\n      export NVIDIA_API_KEY=nvapi-...\n      ``` \n\n1. 克隆仓库。\n\n   ```console\n   git clone https:\u002F\u002Fgithub.com\u002Fnvidia\u002FGenerativeAIExamples.git\n   ```\n\n1. 构建并运行基础 RAG 流水线。\n\n   ```console\n   cd GenerativeAIExamples\u002FRAG\u002Fexamples\u002Fbasic_rag\u002Flangchain\u002F\n   docker compose up -d --build\n   ```\n\n1. 访问 \u003Chttps:\u002F\u002Flocalhost:8090\u002F> 并向示例 RAG Playground 提交查询。\n\n1. 完成后停止容器。\n  \n   ```console\n   docker compose down\n   ``` \n      \n\n\n## 数据飞轮\n\n[数据飞轮](https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fglossary\u002Fdata-flywheel\u002F) 是一种自我强化的循环，用户交互产生的数据会改进 AI 模型或产品，从而带来更好的结果，吸引更多用户，并进一步提升数据质量。这种反馈回路依赖于持续的数据处理、模型优化和安全约束，以确保准确性与合规性，同时随着时间推移不断累积价值。实际应用范围从个性化客户体验到库存管理等运营系统，其中改进的预测能够推动效率和增长。\n\n### 工具调用笔记本\n\n工具调用使大型语言模型（LLMs）能够与外部 API 集成、执行动态工作流，并在训练范围之外检索实时数据。NVIDIA NeMo 微服务平台提供了一个模块化的基础设施，用于部署 AI 流水线，其中包括微调、评估、推理和安全约束的实施——可在云端或本地环境中的 Kubernetes 集群上运行。\n\n本端到端 [教程](.\u002Fnemo\u002Fdata-flywheel\u002Ftool-calling) 演示了如何利用 NeMo 微服务通过 [xLAM](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FSalesforce\u002Fxlam-function-calling-60k) 函数调用数据集定制 [Llama-3.2-1B-Instruct](https:\u002F\u002Fhuggingface.co\u002Fmeta-llama\u002FLlama-3.2-1B-Instruct)，评估其准确性，并实施安全约束以规范其行为。\n\n## RAG\n\n### RAG 笔记本\n\nNVIDIA 对流行的生成式 AI 开发框架提供了出色的支持，例如 [LangChain](https:\u002F\u002Fpython.langchain.com\u002Fv0.2\u002Fdocs\u002Fintegrations\u002Fchat\u002Fnvidia_ai_endpoints\u002F)、[LlamaIndex](https:\u002F\u002Fdocs.llamaindex.ai\u002Fen\u002Fstable\u002Fexamples\u002Fllm\u002Fnvidia\u002F) 和 [Haystack](https:\u002F\u002Fhaystack.deepset.ai\u002Fintegrations\u002Fnvidia)。这些端到端的笔记本展示了如何使用您偏好的生成式 AI 开发框架集成 NIM 微服务。\n\n请使用这些 [笔记本](.\u002FRAG\u002Fnotebooks\u002FREADME.md)，了解 LangChain 和 LlamaIndex 的连接器。\n\n#### LangChain 笔记本\n\n- RAG\n  - [基于 CHATNVIDIA 的 LangChain 集成的基础 RAG](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002Flangchain_basic_RAG.ipynb)\n  - [使用本地 NIM 微服务进行 LLM 和检索的 RAG](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002FRAG_Langchain_with_Local_NIM.ipynb)\n  - [针对 HTML 文档的 RAG](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002FRAG_for_HTML_docs_with_Langchain_NVIDIA_AI_Endpoints.ipynb)\n  - [与 NVIDIA 财务报告对话](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002FChat_with_nvidia_financial_reports.ipynb)\n- 代理\n  - [NIM 工具调用入门](https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flangchain-nvidia\u002Fblob\u002Fmain\u002Fcookbook\u002Fnvidia_nim_agents_llama3.1.ipynb)\n  - [带有 NeMo 检索器的代理式 RAG](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002Fagentic_rag_with_nemo_retriever_nim.ipynb)\n  - [人机协作的代理](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002FLangGraph_HandlingAgent_IntermediateSteps.ipynb)\n\n\n#### LlamaIndex 笔记本\n\n- [基于 LlamaIndex 集成的基础 RAG](.\u002FRAG\u002Fnotebooks\u002Fllamaindex\u002Fllamaindex_basic_RAG.ipynb)\n\n### RAG 示例\n\n默认情况下，这些端到端的 [示例](RAG\u002Fexamples\u002FREADME.md) 使用 [NVIDIA API Catalog](https:\u002F\u002Fcatalog.ngc.nvidia.com) 上的预览版 NIM 端点。此外，您也可以在本地运行任何示例 [本地部署](.\u002FRAG\u002Fexamples\u002Flocal_deploy\u002F)。\n\n#### 基础 RAG 示例\n\n  - [LangChain 示例](.\u002FRAG\u002Fexamples\u002Fbasic_rag\u002Flangchain\u002FREADME.md)\n  - [LlamaIndex 示例](.\u002FRAG\u002Fexamples\u002Fbasic_rag\u002Fllamaindex\u002FREADME.md)\n\n#### 高级 RAG 示例\n\n  - [多轮对话](.\u002FRAG\u002Fexamples\u002Fadvanced_rag\u002Fmulti_turn_rag\u002FREADME.md)\n  - [多模态数据](.\u002FRAG\u002Fexamples\u002Fadvanced_rag\u002Fmultimodal_rag\u002FREADME.md)\n  - [结构化数据](.\u002FRAG\u002Fexamples\u002Fadvanced_rag\u002Fstructured_data_rag\u002FREADME.md)（CSV）\n  - [查询分解](.\u002FRAG\u002Fexamples\u002Fadvanced_rag\u002Fquery_decomposition_rag\u002FREADME.md)\n\n### RAG 工具\n\n用于增强使用 NVIDIA RAG 流程时 LLM 开发和生产力的示例工具及教程。\n\n- [评估](.\u002FRAG\u002Ftools\u002Fevaluation\u002FREADME.md)\n- [可观测性](.\u002FRAG\u002Ftools\u002Fobservability\u002FREADME.md)\n\n### RAG 项目\n\n- [NVIDIA Tokkio LLM-RAG](https:\u002F\u002Fdocs.nvidia.com\u002Face\u002Flatest\u002Fworkflows\u002Ftokkio\u002Ftext\u002FTokkio_LLM_RAG_Bot.html)：使用 Tokkio 为 RAG 回答添加头像动画。\n- [AI Workbench 上的混合 RAG 项目](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fworkbench-example-hybrid-rag)：运行一个 NVIDIA AI Workbench 的 RAG 示例项目。\n\n## 文档\n\n### 入门\n\n- [先决条件](.\u002Fdocs\u002Fcommon-prerequisites.md)\n\n### 操作指南\n\n- [更改推理或嵌入模型](.\u002Fdocs\u002Fchange-model.md)\n- [自定义向量数据库](.\u002Fdocs\u002Fvector-database.md)\n- [自定义链服务器](.\u002Fdocs\u002Fchain-server.md)：\n  - [分块策略](.\u002Fdocs\u002Ftext-splitter.md)\n  - [提示模板设计](.\u002Fdocs\u002Fprompt-customization.md)\n- [在运行时配置 LLM 参数](.\u002Fdocs\u002Fllm-params.md)\n- [支持多轮对话](.\u002Fdocs\u002Fmultiturn.md)\n- [通过 NVIDIA Riva 进行语音查询和听取回答](.\u002Fdocs\u002Friva-asr-tts.md)\n\n### 参考\n\n- [支持矩阵](.\u002Fdocs\u002Fsupport-matrix.md)\n- [架构](.\u002Fdocs\u002Farchitecture.md)\n- [使用示例聊天 Web 应用程序](.\u002Fdocs\u002Fusing-sample-web-application.md)\n- [RAG Playground Web 应用程序](.\u002Fdocs\u002Ffrontend.md)\n- [软件组件配置](.\u002Fdocs\u002Fconfiguration.md)\n\n\n## 社区\n我们将在 GitHub 上发布这些示例，以支持 NVIDIA LLM 社区并促进反馈。我们诚挚邀请大家贡献！欢迎打开 GitHub 问题或拉取请求！请参阅 [贡献说明](docs\u002Fcontributing.md)。同时，请查看 [社区](.\u002Fcommunity\u002FREADME.md) 中的示例和笔记本。","# NVIDIA Generative AI Examples 快速上手指南\n\n本指南帮助开发者快速集成 NVIDIA 软件生态，构建检索增强生成（RAG）、智能体工作流（Agentic Workflows）及模型微调系统。\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 (推荐 Ubuntu 20.04\u002F22.04) 或 macOS。Windows 用户建议使用 WSL2。\n*   **核心依赖**：\n    *   [Git](https:\u002F\u002Fgit-scm.com\u002F)\n    *   [Docker](https:\u002F\u002Fwww.docker.com\u002F) 和 [Docker Compose](https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002F)\n    *   Python 3.10+ (用于运行 Notebook 示例)\n*   **硬件要求**：\n    *   **云端模式**：无需本地 GPU，通过 API 调用 NVIDIA NIM 微服务。\n    *   **本地部署模式**：需要 NVIDIA GPU (建议显存 24GB+) 并安装 [NVIDIA Container Toolkit](https:\u002F\u002Fdocs.nvidia.com\u002Fdatacenter\u002Fcloud-native\u002Fcontainer-toolkit\u002Finstall-guide.html)。\n*   **API 密钥**：需要拥有 NVIDIA API Key。\n    1. 访问 [NVIDIA API Catalog](https:\u002F\u002Fbuild.ngc.nvidia.com\u002Fexplore\u002F)。\n    2. 选择任意模型，点击 **Get API Key**。\n    3. 在终端中设置环境变量：\n       ```bash\n       export NVIDIA_API_KEY=nvapi-...\n       ```\n\n> **提示**：国内开发者若访问 `github.com` 或 `huggingface.co` 受阻，建议配置相应的网络加速工具或使用国内镜像源克隆仓库。\n\n## 安装步骤\n\n### 1. 克隆仓库\n将项目代码克隆到本地。如果需要体验视觉（Vision）相关工作流，请使用 `--recurse-submodules` 参数。\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fnvidia\u002FGenerativeAIExamples.git\n# 若需包含视觉工作流子模块：\n# git clone https:\u002F\u002Fgithub.com\u002Fnvidia\u002FGenerativeAIExamples --recurse-submodules\n```\n\n### 2. 进入示例目录\n本指南以最基础的 LangChain RAG 示例为例：\n\n```bash\ncd GenerativeAIExamples\u002FRAG\u002Fexamples\u002Fbasic_rag\u002Flangchain\u002F\n```\n\n### 3. 构建并运行\n使用 Docker Compose 一键构建并启动服务。这将自动拉取所需的 NIM 容器镜像（首次运行可能需要较长时间，视网络情况而定）。\n\n```bash\ndocker compose up -d --build\n```\n\n## 基本使用\n\n服务启动后，您将拥有一个本地的 RAG  playground 环境。\n\n### 1. 访问应用\n打开浏览器，访问以下地址：\n\u003Chttps:\u002F\u002Flocalhost:8090\u002F>\n\n### 2. 提交查询\n在网页界面中，您可以直接输入问题进行测试。该示例默认加载了简单的文档数据，演示了从检索到生成的完整流程。\n\n### 3. 停止服务\n测试完成后，执行以下命令停止并清理容器：\n\n```bash\ndocker compose down\n```\n\n---\n\n### 进阶探索\n完成基础体验后，您可以参考仓库中的其他资源进行深入开发：\n*   **Notebooks**：查看 `RAG\u002Fnotebooks` 目录，了解如何使用 LangChain、LlamaIndex 集成 NVIDIA NIM。\n*   **高级 RAG**：尝试 `RAG\u002Fexamples\u002Fadvanced_rag` 中的多轮对话、多模态数据处理及结构化数据示例。\n*   **智能体工作流**：参考 `nemo` 目录下的 Data Flywheel 和 Safer Agentic AI 教程，学习模型微调与安全护栏设置。","某金融科技团队正在构建一个基于检索增强生成（RAG）的智能合规问答系统，需要快速处理海量监管文档并保障回答的准确性与安全性。\n\n### 没有 GenerativeAIExamples 时\n- **架构搭建耗时**：开发人员需从零摸索如何将 LangChain、向量数据库与 NVIDIA GPU 基础设施对接，微服务配置复杂且容易出错。\n- **安全审计缺失**：缺乏内置机制来检测模型对恶意提示词的脆弱性，难以在部署前识别潜在的合规风险。\n- **检索精度不足**：传统 RAG 流程仅依赖文本相似度，无法利用知识图谱关联复杂的金融实体关系，导致回答缺乏深度。\n- **性能调优困难**：手动优化推理延迟和吞吐量极具挑战，难以实现多轨并行处理以应对高并发查询。\n\n### 使用 GenerativeAIExamples 后\n- **开箱即用集成**：直接复用官方提供的 RAG 参考工作流，无缝集成 NVIDIA NIM 微服务与 LangChain，将原型开发时间从数周缩短至几天。\n- **内建安全防护**：利用 NeMo Auditor 和 Guardrails 组件，轻松审计大模型漏洞并部署并行安全护栏，确保输出内容符合金融监管要求。\n- **图谱增强检索**：调用 Knowledge Graph RAG 示例，借助 RAPIDS 生态加速构建知识图谱，显著提升对复杂金融条款的关联推理能力。\n- **极致性能表现**：基于优化的微服务架构，自动实现低延迟推理与高吞吐处理，轻松支撑生产环境的大规模并发访问。\n\nGenerativeAIExamples 通过提供经过验证的参考工作流，帮助开发者绕过繁琐的基础设施适配，专注于构建高性能、安全且智能的生成式 AI 应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA_GenerativeAIExamples_0b7f698f.jpg","NVIDIA","NVIDIA Corporation","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNVIDIA_7dcf6000.png","",null,"https:\u002F\u002Fnvidia.com","https:\u002F\u002Fgithub.com\u002FNVIDIA",[80,84,88,92,96,100,104,107,110,113],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",70.3,{"name":85,"color":86,"percentage":87},"Python","#3572A5",25.5,{"name":89,"color":90,"percentage":91},"TypeScript","#3178c6",2.3,{"name":93,"color":94,"percentage":95},"Shell","#89e051",0.6,{"name":97,"color":98,"percentage":99},"JavaScript","#f1e05a",0.3,{"name":101,"color":102,"percentage":103},"Dockerfile","#384d54",0.2,{"name":105,"color":106,"percentage":103},"CSS","#663399",{"name":108,"color":109,"percentage":103},"C","#555555",{"name":111,"color":112,"percentage":103},"HTML","#e34c26",{"name":114,"color":115,"percentage":103},"TSQL","#e38c00",3909,1027,"2026-04-13T15:28:23","Apache-2.0",4,"Linux","需要 NVIDIA GPU（用于运行 NIM 微服务、RAPIDS 及加速管道），具体型号和显存取决于所选模型（如 Llama 3.1）及是否本地部署；建议使用支持 CUDA 的较新架构显卡","未说明（建议根据运行的模型大小配置，通常大型语言模型推理需 16GB-64GB+）",{"notes":125,"python":126,"dependencies":127},"该项目主要基于 Docker 容器化运行（使用 docker compose 启动），核心依赖是访问 NVIDIA API Catalog 获取 API Key 或在本地部署 NVIDIA NIM 微服务。部分高级功能（如 Knowledge Graph RAG）依赖 RAPIDS 生态系统。视觉工作流（Vision Workflows）需要通过 git clone --recurse-submodules 递归克隆获取。","未说明",[128,129,130,131,132,133,134],"Docker","Docker Compose","NVIDIA NIM Microservices","LangChain","LlamaIndex","Jupyter Notebooks","Git",[35,14,136],"其他",[138,139,140,141,142,143,144,145,146,147],"gpu-acceleration","large-language-models","llm","llm-inference","microservice","nemo","rag","retrieval-augmented-generation","tensorrt","triton-inference-server","2026-03-27T02:49:30.150509","2026-04-14T15:23:19.369454",[151,156,161,166,171,176],{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},33233,"在 macOS 上运行示例时遇到 'TesseractNotFoundError' 错误怎么办？","这是因为缺少 OCR 工具 Tesseract。请在 macOS 终端中使用 Homebrew 安装：\n`brew install tesseract`\n安装完成后重新运行程序即可。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fissues\u002F197",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},33234,"如何获取 NVIDIA API Key 并在项目中配置？","请按照以下步骤获取并配置 API Key：\n1. 访问 NVIDIA API Catalog (https:\u002F\u002Fbuild.ngc.nvidia.com\u002Fexplore\u002F)。\n2. 选择任意模型，点击 'Get API Key'。\n3. 在终端中导出环境变量：\n`export NVIDIA_API_KEY=\"nvapi-\u003C你的密钥>\"`\n注意：部分旧文档可能提及 NGC_API_KEY，但当前标准变量名为 NVIDIA_API_KEY。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fissues\u002F209",{"id":162,"question_zh":163,"answer_zh":164,"source_url":165},33235,"配置文件中 llm.model_engine 应该填写 'nemo-infer' 还是 'ai-playground'？","正确的配置值应为 `ai-playground` 或 `triton-trt-llm`。如果看到错误提示中包含 'nemo-infer'，那是过时的错误信息。请在 config.yaml 中设置：\n`model_engine: \"ai-playground\"`\n或\n`model_engine: \"triton-trt-llm\"`\n最新代码库已提供专门的 AI Playground 示例，无需额外修改配置文件。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fissues\u002F21",{"id":167,"question_zh":168,"answer_zh":169,"source_url":170},33236,"文档中获取 API Key 的链接返回 404 错误，正确的地址是什么？","原文档中的链接已失效。获取 Mixtral 8x7B Instruct API Endpoint 密钥的正确链接是：\nhttps:\u002F\u002Fnvidia.github.io\u002FGenerativeAIExamples\u002Flatest\u002Fapi-catalog.html#get-an-api-key-for-the-mixtral-8x7b-instruct-api-endpoint\n请使用该链接代替仓库中旧的死链。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fissues\u002F111",{"id":172,"question_zh":173,"answer_zh":174,"source_url":175},33237,"运行 NeMo Data Designer 笔记本时出现 'Config validation failed' 和版本不匹配错误如何解决？","该错误通常是由于客户端与服务端版本不一致导致的（例如使用了 nemo-microservices v1.5.0 但服务端部署了错误版本）。\n维护者已确认这是服务端部署版本问题并已修复。如果遇到此问题，请确保拉取最新的代码库或等待服务端更新完成，通常无需修改本地代码即可恢复正常。","https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fissues\u002F420",{"id":177,"question_zh":178,"answer_zh":179,"source_url":160},33238,"在哪里可以找到 multi_turn_rag 示例的前置依赖说明？","关于 multi_turn_rag 示例的详细前置条件（Prerequisites）和设置步骤，请参阅该示例目录下的 README 文件：\nhttps:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Ftree\u002Fmain\u002FRAG\u002Fexamples\u002Fadvanced_rag\u002Fmulti_turn_rag#prerequisites\n其中包含了获取 API Key 和环境配置的完整指南。",[181,186,191,196,201,206,211,216],{"id":182,"version":183,"summary_zh":184,"released_at":185},255393,"v0.8.0","本次发布对代码库的目录结构进行了全面重构，旨在为开发者提供更加流畅直观的使用体验。同时，新增了通过 [NVIDIA NeMo Retriever NIM 微服务](https:\u002F\u002Fdocs.nvidia.com\u002Fnim\u002Findex.html#nemo-retriever) 在云端、数据中心和工作站上部署最新加速嵌入和重排序模型的支持。\n\n### 新增内容\n- [端到端 RAG 示例](.\u002FRAG\u002Fexamples\u002F) 的增强\n  - 使用 Docker Compose 实现所有示例的[单命令部署](.\u002FREADME.md#try-it-now)。\n  - 所有端到端 RAG 示例现在更加封装化，文档、代码和部署资产均位于专用的示例特定目录中。\n  - 将示例分为[基础 RAG 和高级 RAG](.\u002FRAG\u002Fexamples\u002F)，并配有各自的 README 文件。\n  - 在[多轮 RAG 示例](.\u002FRAG\u002Fexamples\u002Fadvanced_rag\u002Fmulti_turn_rag\u002F)中增加了重排序模型支持。\n  - 为每个示例添加了[专用的提示配置文件](.\u002Fdocs\u002Fprompt-customization.md)。\n  - 从容器中移除了 Python 开发包，以提升安全性。\n  - 更新至最新版本的 [langchain-nvidia-ai-endpoints](https:\u002F\u002Fpython.langchain.com\u002Fv0.2\u002Fdocs\u002Fintegrations\u002Fproviders\u002Fnvidia\u002F)。\n- [使用 RAG Playground 的语音支持](.\u002Fdocs\u002Friva-asr-tts.md)\n  - 增加了从 [NVIDIA API Catalog 访问 RIVA 语音模型](https:\u002F\u002Fbuild.nvidia.com\u002Fexplore\u002Fspeech) 的支持。\n  - RAG Playground 中的语音功能为可选启用。\n- 文档增强\n  - 为端到端 RAG 示例添加了更全面的[操作指南](.\u002FREADME.md#how-to-guides)。\n  - 在每个示例目录中增加了[示例特定的架构图](.\u002FRAG\u002Fexamples\u002Fbasic_rag\u002Flangchain\u002F)。\n- 新增了一个行业特定的[顶级目录](.\u002Findustries\u002F)\n  - 添加了[面向医疗领域的医疗器械培训助手 RAG](.\u002Findustries\u002Fhealthcare\u002Fmedical-device-training-assistant\u002F)。\n- 新增展示新用例的笔记本\n  - 使用最新 NVIDIA API Catalog 连接器的[基于 LangChain 的基础 RAG 流程](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002Flangchain_basic_RAG.ipynb)。\n  - 使用最新 NVIDIA API Catalog 连接器的[基于 LlamaIndex 的基础 RAG 流程](.\u002FRAG\u002Fnotebooks\u002Fllamaindex\u002Fllamaindex_basic_RAG.ipynb)。\n  - [结合 LangChain RAG 的 NeMo Guardrails](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002FNeMo_Guardrails_with_LangChain_RAG\u002F)。\n  - [使用 NeMo Guardrails 的 RAG 结合 NVIDIA NIM 微服务](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002FUsing_NVIDIA_NIMs_with_NeMo_Guardrails\u002F)。\n  - [使用 Llama 3.1 8B 指令模型的 NeMo Evaluator](.\u002FRAG\u002Fnotebooks\u002Fnemo\u002FNemo%20Evaluator%20Llama%203.1%20Workbook\u002F)。\n  - [结合 NeMo Retriever 和用于 LLM 的 NIM 的代理式 RAG 流程](.\u002FRAG\u002Fnotebooks\u002Flangchain\u002Fagentic_rag_with_nemo_retriever_nim.ipynb)。\n- 新增 `community`（原 `experimental`）示例\n  - 创建一个简单的 Web 界面，用于与不同的[可选 NIM 端点]交互](.\u002Fcommunity\u002Fllm-prompt-design-helper\u002F)。该项目提供的界面支持设计系统提示以调用 LLM。\n\n##","2024-08-21T03:11:58",{"id":187,"version":188,"summary_zh":189,"released_at":190},255394,"v0.7.0","本次发布将所有示例的默认配置切换为使用来自 [NVIDIA API Catalog](https:\u002F\u002Fbuild.nvidia.com) 的云端托管 GPU 加速 LLM 和嵌入模型。同时，弃用了通过 NeMo 推理框架容器部署本地模型的支持，并新增了使用 [最新版 NVIDIA NIM-LLM](https:\u002F\u002Fdocs.nvidia.com\u002Fnim\u002Flarge-language-models\u002Flatest\u002Fintroduction.html) 在云端、数据中心和工作站上部署加速生成式 AI 模型的功能。\n\n### 新增内容\n- 为 `nemo-retriever-embedding-microservice` 和 `nemo-retriever-reranking-microservice` 添加了模型自动下载与缓存支持（[docker-compose-nim-ms.yaml](.\u002Fdeploy\u002Fcompose\u002Fdocker-compose-nim-ms.yaml)）。部署这些服务的更新步骤请参见 [这里](https:\u002F\u002Fnvidia.github.io\u002FGenerativeAIExamples\u002Flatest\u002Fnim-llms.html)。\n- 【多模态 RAG 示例增强】（[nvidia.github.io\u002FGenerativeAIExamples\u002Flatest\u002Fmultimodal-data.html](https:\u002F\u002Fnvidia.github.io\u002FGenerativeAIExamples\u002Flatest\u002Fmultimodal-data.html)）\n  - 改用 [PDF Plumber 库](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpdfplumber\u002F) 来解析文本和图像。\n  - 增加了对 `pgvector` 向量数据库的支持。\n  - 新增了对 `.pptx` 文件格式的导入支持。\n  - 通过使用 [tesseract-ocr](https:\u002F\u002Fpypi.org\u002Fproject\u002Ftesseract-ocr\u002F) 提升了图像解析的准确性。\n- 新增了一个笔记本，展示如何基于本地部署的加速 NIM 模型构建 RAG 用例（[.\u002Fnotebooks\u002F08_RAG_Langchain_with_Local_NIM.ipynb](.\u002Fnotebooks\u002F08_RAG_Langchain_with_Local_NIM.ipynb)）。\n- 新增了一个实验性示例，演示如何利用 RAPIDS cuDF 源代码和 API 文档，打造一款面向开发者的 RAG 聊天机器人（[.\u002Fexperimental\u002Frag-developer-chatbot\u002F](.\u002Fexperimental\u002Frag-developer-chatbot\u002F)）。\n- 新增了一个实验性示例，展示如何集成 NVIDIA Morpheus、NIM 和 RAG 流水线，构建基于 LLM 的智能体流水线（[.\u002Fexperimental\u002Fevent-driven-rag-cve-analysis\u002F](.\u002Fexperimental\u002Fevent-driven-rag-cve-analysis\u002F)）。\n\n### 变更内容\n- 所有示例现均默认使用来自 [NVIDIA API Catalog](https:\u002F\u002Fbuild.nvidia.com\u002Fsearch?term=llama3) 的 llama3 模型。更新后的示例及其使用的模型概览请参见 [这里](https:\u002F\u002Fnvidia.github.io\u002FGenerativeAIExamples\u002Flatest\u002Findex.html#developer-rag-examples)。\n- 将所有示例的默认嵌入模型切换为 [Snowflake arctic-embed-I 模型](https:\u002F\u002Fbuild.nvidia.com\u002Fsnowflake\u002Farctic-embed-l)。\n- 增加了更详细的日志输出，并支持通过 `LOG_LEVEL` 环境变量配置链服务器的日志级别（[nvidia.github.io\u002FGenerativeAIExamples\u002Flatest\u002Fconfiguration.html#chain-server](https:\u002F\u002Fnvidia.github.io\u002FGenerativeAIExamples\u002Flatest\u002Fconfiguration.html#chain-server)）。\n- 升级了 `langchain-nvidia-ai-endpoints`、`sentence-transformers` 包以及 `milvus` 容器的版本。\n- 更新基础容器，采用 Ubuntu 22.04 镜像：`nvcr.io\u002Fnvidia\u002Fbase\u002Fubuntu:22.04_20240212`。\n- 将 `llama-index-readers-file` 添加为依赖项，以避免在链服务器运行时动态安装软件包。\n\n### 已弃用内容\n- 弃用了使用 [NeMo 推理框架容器](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.6.0\u002Fdeploy\u002Fcompose\u002Frag-app-text-chatbot.yaml#L2) 部署本地 LLM 模型的功能。开发者可改用 [NVIDIA NIM-LLM] 来部署经过 TensorRT 优化的模","2024-06-18T15:52:25",{"id":192,"version":193,"summary_zh":194,"released_at":195},255395,"v0.6.0","本次发布新增了使用 [NIM-LLM](https:\u002F\u002Fdocs.nvidia.com\u002Fai-enterprise\u002Fnim-llm\u002Flatest\u002Findex.html) 在 [API Catalog](https:\u002F\u002Fbuild.nvidia.com\u002Fexplore\u002Fdiscover) 模型与本地部署模型之间切换的功能，并提供了从零开始构建 RAG 应用程序的文档。此外，还发布了一个容器化的端到端 RAG 评估应用，该应用与 RAG 链式服务器 API 集成。\n\n### 新增内容\n- 使用 [NIM-LLM](https:\u002F\u002Fdocs.nvidia.com\u002Fai-enterprise\u002Fnim-llm\u002Flatest\u002Findex.html)，可在 [API Catalog](https:\u002F\u002Fbuild.nvidia.com\u002Fexplore\u002Fdiscover) 模型与本地部署模型之间切换。\n- 新增 API 端点：\n  - `\u002Fhealth`：提供链式服务器的健康检查。\n- 针对 RAG 流程准确率测量的容器化 [评估应用](.\u002Ftools\u002Fevaluation\u002F)。\n- 对基于 LangChain 的示例增加了可观测性支持。\n- 新笔记本：\n  - 新增 [与 NVIDIA 财务数据对话](.\u002Fnotebooks\u002F12_Chat_wtih_nvidia_financial_reports.ipynb) 笔记本。\n  - 新增展示 [LangGraph 代理处理流程](.\u002Fnotebooks\u002F11_LangGraph_HandlingAgent_IntermediateSteps.ipynb) 的笔记本。\n- 提供一个 [简单的 RAG 示例模板](https:\u002F\u002Fnvidia.github.io\u002FGenerativeAIExamples\u002Flatest\u002Fsimple-examples.html)，演示如何从零开始构建示例。\n\n### 变更内容\n- 将示例 `csv_rag` 重命名为 [structured_data_rag](.\u002FRetrievalAugmentedGeneration\u002Fexamples\u002Fstructured_data_rag\u002F)。\n- 更新模型引擎名称：\n  - `nv-ai-foundation` 和 `nv-api-catalog` LLM 引擎更名为 `nvidia-ai-endpoints`。\n  - `nv-ai-foundation` 嵌入式引擎更名为 `nvidia-ai-endpoints`。\n- 更新嵌入模型：\n  - `developer_rag` 示例现使用 [UAE-Large-V1](https:\u002F\u002Fhuggingface.co\u002FWhereIsAI\u002FUAE-Large-V1) 嵌入模型。\n  - API Catalog 示例中的嵌入模型由 `nvolveqa_40k` 更改为 `ai-embed-qa-4`。\n- 导入的数据现在可在多个会话间持久化。\n- 将 langchain-nvidia-endpoints 更新至 0.0.11 版本，以支持 Llama3 等模型。\n- 基于文件扩展名的验证功能，用于对不支持的文件抛出错误。\n- UI 中默认输出的 token 长度已从 250 增加至 1024，以便生成更全面的响应。\n- 加强链式服务器 API 的验证支持，以提升 API 安全性。\n- 更新了 llama-index 和 pymilvus 的版本。\n- 将 pgvector 容器更新为 `pgvector\u002Fpgvector:pg16`。\n- LLM 模型更新：\n  - [多轮聊天机器人](.\u002FRetrievalAugmentedGeneration\u002Fexamples\u002Fmulti_turn_rag\u002F) 现在使用 `ai-mixtral-8x7b-instruct` 模型生成回复。\n  - [结构化数据 RAG](.\u002FRetrievalAugmentedGeneration\u002Fexamples\u002Fstructured_data_rag\u002F) 现在使用 `ai-llama3-70b` 进行回复和代码生成。","2024-05-10T17:19:40",{"id":197,"version":198,"summary_zh":199,"released_at":200},255396,"v0.5.0","本次发布新增了展示最先进用例的专用 RAG 示例，切换至 NVIDIA 的最新 [API 目录端点](https:\u002F\u002Fbuild.nvidia.com\u002Fexplore\u002Fdiscover)，并对 chain-server 的 API 接口进行了重构。此外，通过添加基于 GitHub Pages 的文档，并使用专用的 Compose 文件简化示例部署流程，进一步提升了开发者体验。\n\n### 新增内容\n\n- [基于 GitHub Pages 的文档。](https:\u002F\u002Fnvidia.github.io\u002FGenerativeAIExamples\u002Flatest\u002Findex.html)\n- 新增示例，展示：\n  - [多轮 RAG](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Ftree\u002Fv0.5.0\u002FRetrievalAugmentedGeneration\u002Fexamples\u002Fmulti_turn_rag)\n  - [多模态 RAG](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Ftree\u002Fv0.5.0\u002FRetrievalAugmentedGeneration\u002Fexamples\u002Fmultimodal_rag)\n  - [结构化数据 CSV RAG](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Ftree\u002Fv0.5.0\u002FRetrievalAugmentedGeneration\u002Fexamples\u002Fcsv_rag)\n- 在 chain-server 组件中支持 [删除和列出 API](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.5.0\u002Fdocs\u002Fapi_reference\u002Fopenapi_schema.json)。\n- 简化了 RAG 示例的部署流程：\n  - 为每个示例提供了专用的新 [Docker Compose 文件](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Ftree\u002Fv0.5.0\u002Fdeploy\u002Fcompose)。\n  - 提供了用于启动向量数据库解决方案的专用 [Docker Compose 文件](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.5.0\u002Fdeploy\u002Fcompose\u002Fdocker-compose-vectordb.yaml)。\n- 新增配置项，用于控制检索管道中的 top k 和置信度分数。\n- 添加了[一个笔记本](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Ftree\u002Fv0.5.0\u002Fmodels\u002FNeMo\u002Fslm)，介绍如何使用 NeMo 框架，结合多种技术训练 SLM 模型。\n- 增加了更多[实验性示例]，展示新的用例：\n  - [NVIDIA ORAN 多模态聊天机器人助手](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Ftree\u002Fv0.5.0\u002Fexperimental\u002Foran-chatbot-multimodal)\n  - [NVIDIA 检索自定义](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Ftree\u002Fv0.5.0\u002Fexperimental\u002Fsynthetic-data-retriever-customization)\n  - [NVIDIA RAG 流式文档摄取管道](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Ftree\u002Fv0.5.0\u002Fexperimental\u002Fstreaming_ingest_rag)\n  - [NVIDIA 实时调频广播 ASR RAG](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Ftree\u002Fv0.5.0\u002Fexperimental\u002Ffm-asr-streaming-rag)\n- [全新专用笔记本](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.5.0\u002Fnotebooks\u002F10_RAG_for_HTML_docs_with_Langchain_NVIDIA_AI_Endpoints.ipynb)，展示使用网页的 RAG 流程。\n\n\n### 变更内容\n\n- 将云端托管 LLM 模型的访问方式从 NVIDIA AI Foundation 切换至 [NVIDIA API 目录端点](https:\u002F\u002Fbuild.nvidia.com\u002Fexplore\u002Fdiscover)。\n- 对 [chain-server 组件的 API 架构](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.5.0\u002Fdocs\u002Fapi_reference\u002Fopenapi_schema.json) 进行了重构，以支持运行时分配。","2024-03-20T18:10:24",{"id":202,"version":203,"summary_zh":204,"released_at":205},255397,"v0.4.0","本次发布新增了专用笔记本，展示基于云的 NVIDIA AI Foundation 模型的使用；升级了 Milvus 容器版本，以支持 GPU 加速的向量搜索，并增加了对 FAISS 向量数据库的支持。详细变更如下：\n\n### 新增\n\n- [新的专用笔记本](.\u002Fdocs\u002Frag\u002Fjupyter_server.md)，展示如何使用 Langchain 连接器调用基于云的 NVIDIA AI Foundation 模型，以及如何使用 Hugging Face 部署本地模型。\n- 升级了 Milvus 容器版本，以启用 GPU 加速的向量搜索。\n- 增加了对通过 NeMo 推理微服务调用模型的支持，新增了 `nemo-embed` 和 `nemo-infer` 两种模型引擎。\n- 增加了通过名为 `COLLECTION_NAME` 的环境变量为向量数据库指定特定集合名称的功能。\n- 在 `utils.py` 中新增了 `faiss` 作为通用的向量数据库解决方案。\n\n### 变更\n\n- 将所有组件的基础容器升级并更改为 PyTorch `23.12-py3`。\n- 在 `utils.py` 中添加了针对 Langchain 的向量数据库连接器。\n- 将语音支持更改为在 Riva ASR 和 TTS 中使用单声道。\n- 修改了 `utils.py` 中的 `get_llm` 工具函数，使其返回 Langchain 包装器，而非 Llmaindex 包装器。\n\n### 修复\n\n- 修复了导致评估笔记本中评分为空的 bug。\n- 修复了查询分解示例中的文档搜索实现。","2024-02-22T20:51:31",{"id":207,"version":208,"summary_zh":209,"released_at":210},255398,"v0.3.0","本次发布新增了对 [PGvector](https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector) 向量数据库的支持，以及使用 RIVA 的语音输入-语音输出功能和 RAG 可观测性工具。此外，还新增了一个仅使用 NVIDIA AI Foundation 模型的 RAG 流程专用示例，以及一个展示查询分解的示例。详细变更如下：\n\n### 新增\n\n- [新的专用示例](.\u002Fdocs\u002Frag\u002Faiplayground.md)，展示了基于 Langchain 连接器的 Nvidia AI Playground 模型。\n- [新示例](.\u002FRetrievalAugmentedGeneration\u002FREADME.md#5-qa-chatbot-with-task-decomposition-example----a100h100l40s)，演示了查询分解。\n- 支持在开发者 RAG 标准示例中使用 [PG Vector 作为向量数据库](.\u002FRetrievalAugmentedGeneration\u002FREADME.md#deploying-with-pgvector-vector-store)。\n- 支持在示例前端中利用 RIVA Skills 实现语音输入-语音输出接口。\n- 新增工具，展示 [RAG 可观测性支持](.\u002Ftools\u002Fobservability\u002F)。\n- 支持基于 TRTLLM 的 Nemotron 模型的本地部署[。](.\u002FRetrievalAugmentedGeneration\u002FREADME.md#6-qa-chatbot----nemotron-model)\n\n### 变更\n\n- 升级了所有容器中的 Langchain 和 Llamaindex 依赖。\n- 重新组织了 [README](.\u002FREADME.md) 文件，以提高直观性。\n- 增加了通过 [通用基类](.\u002FRetrievalAugmentedGeneration\u002Fcommon\u002Fbase.py) 插入多个示例的功能。\n- 在基于 Docker 的部署中，将 `minio` 服务的端口从 `9000` 更改为 `9010`。\n- 将 `evaluation` 目录从顶级目录移至 `tools` 下，并创建了一个 [专用的 Compose 文件](.\u002Fdeploy\u002Fcompose\u002Fdocker-compose-evaluation.yaml)。\n- 新增了一个 [实验性目录](.\u002Fexperimental\u002F) ，用于接入实验性功能。\n- 修改了笔记本代码，使其使用 TRTLLM 和基于 Nvidia AI Foundation 的 Langchain 连接器。\n- 在配置中将 `ai-playground` 模型引擎名称更改为 `nv-ai-foundation`。\n\n### 修复\n\n- [修复了问题 #19](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fissues\u002F19)","2024-01-22T16:48:50",{"id":212,"version":213,"summary_zh":214,"released_at":215},255399,"v0.2.0","本次发布基于收到的反馈进行了改进，带来了多项优化、错误修复和新功能。这是首次支持 NVIDIA AI 基础模型以及量化 LLM 模型。详细变更如下：\n\n## 新增内容\n- 支持使用 [NVIDIA AI 基础 LLM 模型](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.2.0\u002Fdocs\u002Frag\u002Faiplayground.md#using-nvdia-cloud-based-llms)\n- 支持使用 [NVIDIA AI 基础嵌入模型](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.2.0\u002Fdocs\u002Frag\u002Faiplayground.md#using-nvidia-cloud-based-embedding-models)\n- 支持 [部署和使用量化 LLM 模型](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.2.0\u002Fdocs\u002Frag\u002Fllm_inference_server.md#quantized-llama2-model-deployment)\n- 支持 [评估 RAG 流程](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.2.0\u002Fevaluation\u002FREADME.md)\n\n## 变更内容\n- 重构代码库，以更好地支持开源贡献\n- [升级链式服务容器的依赖项](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.2.0\u002FRetrievalAugmentedGeneration\u002Frequirements.txt)\n- [升级 NeMo 推理框架容器版本](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.2.0\u002FRetrievalAugmentedGeneration\u002Fllm-inference-server\u002FDockerfile)，现在无需单独注册即可访问。\n- 主 [README](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fblob\u002Fv0.2.0\u002FREADME.md) 提供了更多详细信息。\n- 文档优化。\n- 针对边缘情况改进了错误处理和报告机制。\n- 将 triton-inference-server 容器和服务重命名为 llm-inference-server。\n\n## 修复内容\n- 修复了 [GitHub 问题 #13](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fissues\u002F13)，该问题导致流程无法回答与知识库无关的问题。\n- 修复了 [GitHub 问题 #12](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FGenerativeAIExamples\u002Fissues\u002F12)，该问题涉及上传 PDF 文件时的类型检查问题。\n","2023-12-15T19:54:40",{"id":217,"version":218,"summary_zh":76,"released_at":219},255400,"v0.1.0","2023-11-16T19:51:40"]