[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-RafalWilinski--cloudflare-rag":3,"tool-RafalWilinski--cloudflare-rag":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",156033,2,"2026-04-14T23:32:00",[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":77,"owner_email":78,"owner_twitter":72,"owner_website":79,"owner_url":80,"languages":81,"stars":98,"forks":99,"last_commit_at":100,"license":101,"difficulty_score":32,"env_os":102,"env_gpu":103,"env_ram":104,"env_deps":105,"category_tags":113,"github_topics":114,"view_count":32,"oss_zip_url":101,"oss_zip_packed_at":101,"status":17,"created_at":119,"updated_at":120,"faqs":121,"releases":122},7646,"RafalWilinski\u002Fcloudflare-rag","cloudflare-rag","Fullstack \"Chat with your PDFs\" RAG (Retrieval Augmented Generation) app built fully on Cloudflare","cloudflare-rag 是一个基于 Cloudflare 全家桶构建的全栈应用，旨在让用户轻松实现“与 PDF 文档对话”的功能。它解决了传统知识库问答系统在部署复杂度高、检索精度不足以及多模型切换困难等方面的痛点，让开发者无需管理繁琐的基础设施即可快速搭建高性能的 RAG（检索增强生成）系统。\n\n这款工具特别适合希望快速原型验证或部署生产级 AI 应用的开发者使用。其核心亮点在于采用了混合检索策略：结合 D1 数据库的全文搜索与 Vectorize 的向量搜索，并通过重排序算法融合结果，显著提升了回答的准确性。此外，cloudflare-rag 支持通过 AI Gateway 灵活切换 OpenAI、Groq、Anthropic 等多个大模型提供商并具备自动降级能力，内置基于 IP 的速率限制以保障服务稳定，甚至能在 Serverless 环境中直接运行 OCR 提取 PDF 文字。配合智能节点放置技术，它能确保全球用户获得低延迟的流畅体验。无论是个人项目还是企业级知识助手，cloudflare-rag 都提供了一个高效、可扩展且易于维护的开源解决方案。","# Fullstack Cloudflare RAG\n\n> This is a fullstack example of how to build a RAG (Retrieval Augmented Generation) app with Cloudflare. It uses Cloudflare Workers, Pages, D1, KV, R2, AI Gateway and Workers AI.\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002Fcbaa0380-7ad6-448d-ad44-e83772a9cf3f\n\n[Demo](https:\u002F\u002Fcloudflare-rag.pages.dev\u002F)\n\n[![Deploy to Cloudflare Workers](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRafalWilinski_cloudflare-rag_readme_588fab17561f.png)](https:\u002F\u002Fdeploy.workers.cloudflare.com\u002F?url=https:\u002F\u002Fgithub.com\u002FRafalWilinski\u002Fcloudflare-rag)\n\nFeatures:\n\n- Every interaction is streamed to the UI using [Server-Sent Events](https:\u002F\u002Fdeveloper.mozilla.org\u002Fen-US\u002Fdocs\u002FWeb\u002FAPI\u002FServer-sent_events)\n- Hybrid RAG using Full-Text Search on [D1](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fd1\u002F) and Vector Search on [Vectorize](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fvectorize\u002F) \n- Switchable between various providers (OpenAI, Groq, Anthropic) using [AI Gateway](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fai-gateway\u002F) with fallbacks\n- Per-IP Rate limiting using Cloudflare's [KV](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fkv\u002F)\n- OCR is running inside Cloudflare Worker using [unpdf](https:\u002F\u002Fgithub.com\u002Funjs\u002Funpdf)\n- Smart Placement automatically places your workloads in an optimal location that minimizes latency and speeds up your applications\n\n\n## Development\n\n> Make sure you have Node, pnpm and wrangler CLI installed.\n\nInstall dependencies:\n\n```sh\npnpm install # or npm install\n```\n\nDeploy necessary primitives:\n\n```sh\n.\u002Fsetup.sh\n```\n\nThen, in `wrangler.toml`, set the `d1_databases.database_id` to your D1 database id and `kv_namespaces.rate_limiter` to your rate limiter KV namespace id.\n\nThen, create a `.dev.vars` file with your API keys:\n\n```sh\nCLOUDFLARE_ACCOUNT_ID=your-cloudflare-account-id # Required\nGROQ_API_KEY=your-groq-api-key # Optional\nOPENAI_API_KEY=your-openai-api-key # Optional\nANTHROPIC_API_KEY=your-anthropic-api-key # Optional\n```\n\nIf you don't have these keys, `\u002Fapi\u002Fstream` will fallback to [Workers AI](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fworkers-ai\u002F).\n\nRun the dev server:\n\n```sh\nnpm run dev\n```\n\nAnd access the app at `http:\u002F\u002Flocalhost:5173\u002F`.\n\n## Deployment\n\nHaving the necessary primitives setup, first setup secrets:\n\n```sh\nnpx wrangler secret put CLOUDFLARE_ACCOUNT_ID\nnpx wrangler secret put GROQ_API_KEY\nnpx wrangler secret put OPENAI_API_KEY\nnpx wrangler secret put ANTHROPIC_API_KEY\n```\n\nThen, deploy your app to Cloudflare Pages:\n\n```sh\nnpm run deploy\n```\n\n## Hybrid Search RAG\n\n![Hybrid Search RAG](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRafalWilinski_cloudflare-rag_readme_1e2f16683b0f.png)\n\nThis project uses a combination of classical Full Text Search (sparse) against Cloudflare D1 and Hybrid Search with embeddings against Vectorize (dense) to provide the best of both worlds providing the most applicable context to the LLM.\n\nThe way it works is this:\n1. We take user input and we rewrite it to 5 different queries using an LLM\n2. We run each of these queries against our both datastores - D1 database using BM25 for full-text search and Vectorize for dense retrieval\n3. We take the results from both datastores and we merge them together using [Reciprocal Rank Fusion](https:\u002F\u002Fwww.elastic.co\u002Fguide\u002Fen\u002Felasticsearch\u002Freference\u002Fcurrent\u002Frrf.html) which provides us with a single list of results\n4. We then take the top 10 results from this list and we pass them to the LLM to generate a response\n\n\n## License\n\nThis project is licensed under the terms of the MIT License.\n\n## Consulting\n\nIf you need help in building AI applications, please reach out to me on [Twitter](https:\u002F\u002Ftwitter.com\u002Frafalwilinski) or via my [website](https:\u002F\u002Frwilinski.ai\u002F). Happy to help!\n","# 全栈 Cloudflare RAG\n\n> 这是一个使用 Cloudflare 构建 RAG（检索增强生成）应用的全栈示例。它利用了 Cloudflare Workers、Pages、D1、KV、R2、AI Gateway 和 Workers AI。\n\nhttps:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002Fcbaa0380-7ad6-448d-ad44-e83772a9cf3f\n\n[演示](https:\u002F\u002Fcloudflare-rag.pages.dev\u002F)\n\n[![部署到 Cloudflare Workers](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRafalWilinski_cloudflare-rag_readme_588fab17561f.png)](https:\u002F\u002Fdeploy.workers.cloudflare.com\u002F?url=https:\u002F\u002Fgithub.com\u002FRafalWilinski\u002Fcloudflare-rag)\n\n特性：\n\n- 每次交互都通过 [Server-Sent Events](https:\u002F\u002Fdeveloper.mozilla.org\u002Fen-US\u002Fdocs\u002FWeb\u002FAPI\u002FServer-sent_events) 流式传输到 UI\n- 结合 [D1](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fd1\u002F) 上的全文搜索和 [Vectorize](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fvectorize\u002F) 上的向量搜索的混合 RAG\n- 使用 [AI Gateway](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fai-gateway\u002F) 在多个提供商（OpenAI、Groq、Anthropic）之间切换，并提供回退机制\n- 通过 Cloudflare 的 [KV](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fkv\u002F) 实现基于 IP 的速率限制\n- OCR 在 Cloudflare Worker 内部运行，使用 [unpdf](https:\u002F\u002Fgithub.com\u002Funjs\u002Funpdf)\n- 智能部署会自动将您的工作负载放置在最佳位置，以最大限度地减少延迟并加速应用程序\n\n\n## 开发\n\n> 请确保已安装 Node.js、pnpm 和 wrangler CLI。\n\n安装依赖项：\n\n```sh\npnpm install # 或 npm install\n```\n\n部署必要的基础组件：\n\n```sh\n.\u002Fsetup.sh\n```\n\n然后，在 `wrangler.toml` 中，将 `d1_databases.database_id` 设置为您的 D1 数据库 ID，将 `kv_namespaces.rate_limiter` 设置为您的速率限制 KV 命名空间 ID。\n\n接着，创建一个 `.dev.vars` 文件，填入您的 API 密钥：\n\n```sh\nCLOUDFLARE_ACCOUNT_ID=your-cloudflare-account-id # 必需\nGROQ_API_KEY=your-groq-api-key # 可选\nOPENAI_API_KEY=your-openai-api-key # 可选\nANTHROPIC_API_KEY=your-anthropic-api-key # 可选\n```\n\n如果您没有这些密钥，`\u002Fapi\u002Fstream` 将回退到 [Workers AI](https:\u002F\u002Fdevelopers.cloudflare.com\u002Fworkers-ai\u002F)。\n\n运行开发服务器：\n\n```sh\nnpm run dev\n```\n\n然后您可以在 `http:\u002F\u002Flocalhost:5173\u002F` 访问该应用。\n\n## 部署\n\n在设置好必要的基础组件后，首先配置密钥：\n\n```sh\nnpx wrangler secret put CLOUDFLARE_ACCOUNT_ID\nnpx wrangler secret put GROQ_API_KEY\nnpx wrangler secret put OPENAI_API_KEY\nnpx wrangler secret put ANTHROPIC_API_KEY\n```\n\n然后将您的应用部署到 Cloudflare Pages：\n\n```sh\nnpm run deploy\n```\n\n## 混合搜索 RAG\n\n![混合搜索 RAG](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRafalWilinski_cloudflare-rag_readme_1e2f16683b0f.png)\n\n该项目结合了对 Cloudflare D1 的经典全文搜索（稀疏）以及对 Vectorize 的嵌入式混合搜索（密集），从而兼得两者之长，为 LLM 提供最相关的上下文。\n\n其工作流程如下：\n1. 我们接收用户输入，并使用 LLM 将其改写成 5 个不同的查询。\n2. 我们分别在两个数据存储中执行这些查询——在 D1 数据库中使用 BM25 进行全文搜索，在 Vectorize 中进行密集检索。\n3. 我们将两个数据存储中的结果合并在一起，使用 [Reciprocal Rank Fusion](https:\u002F\u002Fwww.elastic.co\u002Fguide\u002Fen\u002Felasticsearch\u002Freference\u002Fcurrent\u002Frrf.html)，得到一个统一的结果列表。\n4. 然后我们从该列表中选取前 10 条结果，传递给 LLM 生成响应。\n\n\n## 许可证\n\n本项目采用 MIT 许可证条款进行授权。\n\n## 咨询服务\n\n如果您需要帮助构建 AI 应用程序，请通过 [Twitter](https:\u002F\u002Ftwitter.com\u002Frafalwilinski) 或我的 [网站](https:\u002F\u002Frwilinski.ai\u002F) 联系我。我很乐意为您提供帮助！","# Cloudflare RAG 快速上手指南\n\n本指南帮助中国开发者快速部署基于 Cloudflare 全栈技术（Workers, Pages, D1, Vectorize 等）的 RAG（检索增强生成）应用。该方案支持混合搜索（全文 + 向量）、多模型切换及流式输出。\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**：macOS, Linux 或 Windows (推荐 WSL2)\n*   **运行时环境**：已安装 [Node.js](https:\u002F\u002Fnodejs.org\u002F) (建议 LTS 版本)\n*   **包管理器**：已安装 `pnpm` (推荐) 或 `npm`\n    *   安装 pnpm: `npm install -g pnpm`\n*   **Cloudflare CLI**：已安装 `wrangler`\n    *   安装命令：`npm install -g wrangler`\n    *   登录认证：运行 `wrangler login` 并按提示完成浏览器授权\n*   **网络环境**：由于涉及 Cloudflare 服务及外部大模型 API，请确保网络能正常访问 GitHub、Cloudflare Dashboard 及相关 AI 提供商接口。\n\n## 安装步骤\n\n### 1. 克隆项目与安装依赖\n\n首先获取源代码并安装项目依赖。国内开发者若遇到 npm\u002Fpnpm 源连接缓慢，可临时切换至腾讯云或阿里云镜像源。\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FRafalWilinski\u002Fcloudflare-rag.git\ncd cloudflare-rag\n\n# 安装依赖 (推荐使用 pnpm)\npnpm install\n# 或者使用 npm\n# npm install\n```\n\n### 2. 初始化基础设施\n\n运行脚本自动创建所需的 Cloudflare 资源（如 D1 数据库、KV 命名空间、Vectorize 索引等）。\n\n```bash\n.\u002Fsetup.sh\n```\n*> 注意：Windows PowerShell 用户可能需要运行 `sh setup.sh` 或将脚本内容手动执行。*\n\n### 3. 配置本地环境变量\n\n脚本执行后，您需要将生成的资源 ID 填入配置文件，并设置 API 密钥。\n\n1.  打开 `wrangler.toml` 文件：\n    *   将 `d1_databases.database_id` 替换为您实际的 D1 数据库 ID。\n    *   将 `kv_namespaces.rate_limiter` 替换为您实际的 KV 命名空间 ID。\n\n2.  在项目根目录创建 `.dev.vars` 文件，填入以下信息：\n\n```sh\nCLOUDFLARE_ACCOUNT_ID=your-cloudflare-account-id # 必填：Cloudflare 账户 ID\nGROQ_API_KEY=your-groq-api-key # 可选：Groq API Key\nOPENAI_API_KEY=your-openai-api-key # 可选：OpenAI API Key\nANTHROPIC_API_KEY=your-anthropic-api-key # 可选：Anthropic API Key\n```\n\n> **提示**：如果您未配置上述第三方 API Key，系统将自动降级使用 Cloudflare **Workers AI** 作为默认推理后端，无需额外付费即可体验基础功能。\n\n## 基本使用\n\n### 启动开发服务器\n\n完成配置后，运行以下命令启动本地开发环境：\n\n```bash\nnpm run dev\n```\n\n### 访问应用\n\n终端显示启动成功后，在浏览器中访问：\n\n```text\nhttp:\u002F\u002Flocalhost:5173\u002F\n```\n\n此时您已拥有一个本地运行的 RAG 应用。您可以尝试上传 PDF 文档（系统会自动通过 Worker 进行 OCR 处理），然后针对文档内容进行提问。系统将结合 D1 全文检索和 Vectorize 向量检索，通过流式传输（SSE）返回答案。\n\n### 部署到生产环境（可选）\n\n若需将应用发布到公网，请按以下步骤操作：\n\n1.  **设置生产密钥**（将密钥安全地存储在 Cloudflare）：\n    ```bash\n    npx wrangler secret put CLOUDFLARE_ACCOUNT_ID\n    npx wrangler secret put GROQ_API_KEY\n    npx wrangler secret put OPENAI_API_KEY\n    npx wrangler secret put ANTHROPIC_API_KEY\n    ```\n\n2.  **执行部署**：\n    ```bash\n    npm run deploy\n    ```\n\n部署完成后，您将获得一个由 Cloudflare Pages 托管的全球加速域名。","某法律科技团队的初级律师需要快速从数百份历史案件 PDF 判决书中检索特定条款的判例依据，以辅助起草新的诉讼文书。\n\n### 没有 cloudflare-rag 时\n- **检索精度低**：传统关键词搜索无法理解语义，常漏掉未出现相同关键词但逻辑相关的判例，导致律师需人工逐页翻阅确认。\n- **部署运维重**：自建向量数据库和后端服务需配置多台服务器，处理高并发时延迟高，且维护成本远超团队预算。\n- **响应速度慢**：大文件解析和生成回答采用同步等待模式，用户面对空白屏幕需等待数秒甚至超时，体验极差。\n- **模型切换僵化**：绑定单一 AI 提供商，一旦接口波动或费用上涨，整个系统即刻瘫痪，缺乏灵活的降级熔断机制。\n\n### 使用 cloudflare-rag 后\n- **混合搜索更精准**：利用 D1 全文检索与 Vectorize 向量搜索的混合架构（Hybrid RAG），既能匹配关键词又能理解语义，自动通过重排序算法返回最相关的判例片段。\n- **无服务器轻量化**：全栈运行在 Cloudflare 边缘网络，无需管理基础设施，自动智能调度节点以降低延迟，大幅节省运维精力与成本。\n- **流式输出零等待**：基于 Server-Sent Events 技术实现打字机效果的实时流式回复，律师在上传 PDF 后立即看到逐步生成的分析结果，交互流畅自然。\n- **多模型灵活路由**：通过 AI Gateway 自由切换 OpenAI、Groq 或 Anthropic 等模型，并设置自动故障转移，确保服务在任何情况下都稳定可用。\n\ncloudflare-rag 让法律团队能以极低的成本和毫秒级的响应速度，将静态的 PDF 文档库转化为可即时对话的智能法律助手。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRafalWilinski_cloudflare-rag_5f2a56c1.png","RafalWilinski","Rafal Wilinski","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FRafalWilinski_ea817337.jpg","Applied AI","@runlayer","Poznan","raf.wilinski@gmail.com","https:\u002F\u002Frwilinski.ai\u002F","https:\u002F\u002Fgithub.com\u002FRafalWilinski",[82,86,90,94],{"name":83,"color":84,"percentage":85},"TypeScript","#3178c6",94.4,{"name":87,"color":88,"percentage":89},"JavaScript","#f1e05a",2.5,{"name":91,"color":92,"percentage":93},"CSS","#663399",2.3,{"name":95,"color":96,"percentage":97},"Shell","#89e051",0.8,597,90,"2026-04-13T15:24:39",null,"Linux, macOS, Windows","不需要本地 GPU（推理在 Cloudflare Workers AI 或外部 API 如 OpenAI\u002FGroq\u002FAnthropic 上运行）","未说明（取决于本地开发工具链需求，通常 4GB+ 即可）",{"notes":106,"python":107,"dependencies":108},"该项目是基于 Cloudflare 边缘计算平台的全栈应用，无需本地部署重型模型。主要依赖 Node.js 环境和 pnpm 包管理器。需要配置 Cloudflare 账号 ID 及可选的第三方大模型 API 密钥（OpenAI, Groq, Anthropic），若无密钥则自动回退到 Cloudflare Workers AI。部署前需运行脚本初始化 D1 数据库和 KV 命名空间等云资源。","不需要 Python（基于 Node.js 运行时）",[109,110,111,112],"Node.js","pnpm","wrangler CLI","unpdf",[35,14],[115,116,117,118],"chatgpt","cloudflare","llm","rag","2026-03-27T02:49:30.150509","2026-04-15T11:02:14.142794",[],[]]