[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-currentslab--awesome-vector-search":3,"tool-currentslab--awesome-vector-search":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"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",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"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,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":79,"stars":83,"forks":84,"last_commit_at":85,"license":86,"difficulty_score":87,"env_os":88,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":92,"github_topics":93,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":104,"updated_at":105,"faqs":106,"releases":132},783,"currentslab\u002Fawesome-vector-search","awesome-vector-search","Collections of vector search related libraries, service and research papers","awesome-vector-search 是一个专注于向量搜索领域的精选资源合集。它汇集了各类向量搜索框架、引擎、云服务以及相关的研究论文，旨在为技术社区提供一站式导航。\n\n在人工智能与检索增强生成（RAG）快速发展的今天，如何选择合适的向量检索方案成为许多开发者的难题。面对众多分散的数据库和算法库，寻找最优解往往耗时费力。awesome-vector-search 通过分类整理这些资源，有效解决了信息碎片化的问题，帮助用户快速定位所需的技术栈。\n\n这份清单非常适合 AI 工程师、后端开发人员以及算法研究人员使用。内容涵盖了从独立服务如 Milvus、Qdrant，到嵌入式库如 Faiss、JVector，再到插件扩展如 Elasticsearch KNN 等广泛生态。它不仅列出了成熟的生产级数据库，也包含了轻量级解决方案和研究前沿。对于正在构建大模型应用或需要实现语义搜索的团队来说，这是一个不可或缺的参考指南，能显著降低技术选型成本。","## Awesome Vector Search Engine\n\n\n> A curated list of awesome vector search framework\u002Fengine, library, cloud service and research papers to vector similarity search\n\n\n### Standalone Service\n- [Apache Cassandra 5.0 – Vector search (cep-30), Strict Serialisable ACID (cep-15), horizontally scaling database](https:\u002F\u002Fcassandra.apache.org)\n- [Qdrant -  Vector Similarity Search Engine with extended filtering support](https:\u002F\u002Fgithub.com\u002Fqdrant\u002Fqdrant)\n- [Vald - A Highly Scalable Distributed Vector Search Engine](https:\u002F\u002Fgithub.com\u002Fvdaas\u002Fvald)\n- [Milvus - A cloud-native vector database with high-performance and high scalability.](https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fmilvus)\n- [Weaviate - A cloud-native, real-time vector search engine](https:\u002F\u002Fgithub.com\u002Fsemi-technologies\u002Fweaviate)\n- [OpenDistro Elasticsearch KNN - A machine learning plugin which supports an approximate k-NN search algorithm for Open Distro for Elasticsearch](https:\u002F\u002Fgithub.com\u002Fopendistro-for-elasticsearch\u002Fk-NN)\n- [Elastiknn - Elasticsearch plugin for nearest neighbor search](https:\u002F\u002Fgithub.com\u002Falexklibisz\u002Felastiknn)\n- [Epsilla -  A High Performance Vector Database Management System, Hippocampus For AI](https:\u002F\u002Fgithub.com\u002Fepsilla-cloud\u002Fvectordb)\n- [Vearch - A scalable distributed system for efficient similarity search of deep learning vectors](https:\u002F\u002Fgithub.com\u002Fvearch\u002Fvearch)\n- [pgANN - Fast Approximate Nearest Neighbor (ANN) searches with a PostgreSQL database](https:\u002F\u002Fgithub.com\u002Fnetrasys\u002FpgANN)\n- [Jina - Jina allows you to build deep learning-powered search-as-a-service.](https:\u002F\u002Fgithub.com\u002Fjina-ai\u002Fjina)\n- [Infinity -  The AI-native database built for LLM applications, providing incredibly fast vector and full-text search](https:\u002F\u002Fgithub.com\u002Finfiniflow\u002Finfinity)\n- [Aquila DB - Distribution focused k-NN search algorithm](https:\u002F\u002Fgithub.com\u002FAquila-Network\u002FAquilaDB)\n- [Redis HNSW - A redis module for similarity search based on HNSW](https:\u002F\u002Fgithub.com\u002Fzhao-lang\u002Fredis_hnsw)\n- [Solr - Apache Solr](https:\u002F\u002Fgithub.com\u002Fapache\u002Fsolr) - [has a Dense Vector Search feature as of Solr 9.0](https:\u002F\u002Fsolr.apache.org\u002Fguide\u002Fsolr\u002Flatest\u002Fquery-guide\u002Fdense-vector-search.html)\n- [Marqo - A semantic search engine which supports tensor search (sequence of vectors)](https:\u002F\u002Fgithub.com\u002Fmarqo-ai\u002Fmarqo)\n- [txtai - Build semantic search applications and workflows](https:\u002F\u002Fgithub.com\u002Fneuml\u002Ftxtai)\n- [Semantra - A multipurpose tool for semantically searching documents.](https:\u002F\u002Fgithub.com\u002Ffreedmand\u002Fsemantra)\n- [SuperDuperDB - Bring AI to your favorite database](https:\u002F\u002Fgithub.com\u002FSuperDuperDB\u002Fsuperduperdb)\n- [TensorDB - High Performance Vector Database Supporting Heterogeneous Computing](https:\u002F\u002Fwww.actionsky.com\u002FtensorDB)\n- [JVector - a pure Java, zero dependency, embedded vector search engine, used by DataStax Astra DB and Apache Cassandra.](https:\u002F\u002Fgithub.com\u002Fjbellis\u002Fjvector\u002F)\n- [VQLite - Simple and Lightweight Vector Search Engine](https:\u002F\u002Fgithub.com\u002FVQLite\u002FVQLite)\n- [Vexvault - 100% browser based, open source, scalable, simple, zero-cost vector search](https:\u002F\u002Fgithub.com\u002FXyntopia\u002Fvexvault)\n- [Vespa.ai - Text search engine and ... fast approximate vector search (ANN)](https:\u002F\u002Fgithub.com\u002Fvespa-engine) \n- [Vespa's large-scale ANN search using HNSW-IF indexes is described here](https:\u002F\u002Fblog.vespa.ai\u002Fvespa-hybrid-billion-scale-vector-search\u002F)\n\n### Library\n- [LangStream - LangStream is an open-source project that combines the best of event-based architectures with the latest Gen AI technologies.](https:\u002F\u002Flangstream.ai)\n- [CassIO - CassIO is the ultimate solution for seamlessly integrating Apache Cassandra® with generative artificial intelligence and other machine learning workloads](https:\u002F\u002Fcassio.org)\n- [JVector - A pure Java, zero dependency, embedded vector search engine used by some of the advanced distributed databases such as DataStax Astra DB & Apache Cassandra™](https:\u002F\u002Fgithub.com\u002Fjbellis\u002Fjvector)\n- [Faiss - A library for efficient similarity search and clustering of dense vectors](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffaiss)\n- [Distributed Faiss - Work with FAISS indexes which don't fit into a single server memory](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fdistributed-faiss)\n- [Autofaiss - Automatically create Faiss knn indices](https:\u002F\u002Fgithub.com\u002Fcriteo\u002Fautofaiss)\n- [ScaNN - A library efficient vector similarity search at scale. ](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fgoogle-research\u002Ftree\u002Fmaster\u002Fscann)\n- [NMSLIB - Non-Metric Space Library, an efficient similarity search library for generic non-metric spaces](https:\u002F\u002Fgithub.com\u002Fnmslib\u002Fnmslib)\n- [Annoy - C++ library with Python bindings to search for points](https:\u002F\u002Fgithub.com\u002Fspotify\u002Fannoy)\n- [FLANN - Library written in C++ and contains bindings for the following languages: C, MATLAB, Python, and Ruby](http:\u002F\u002Fwww.cs.ubc.ca\u002Fresearch\u002Fflann\u002F)\n- [LLM App - Open-source Python library for a real-time data KNN (K-Nearest Neighbors) indexing](https:\u002F\u002Fgithub.com\u002Fpathwaycom\u002Fllm-app)\n- [MRPT - Fast nearest neighbor search with random projection](https:\u002F\u002Fgithub.com\u002Fteemupitkanen\u002Fmrpt)\n- [RPForest - Python library for approximate nearest neighbours search](https:\u002F\u002Fgithub.com\u002Flyst\u002Frpforest)\n- [pgvector - Open-source vector similarity search extension for Postgres](https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector)\n- [PASE - Ultra-High-Dimensional approximate nearest neighbor search extension for Postgres](https:\u002F\u002Fgithub.com\u002Falipay\u002FPASE)\n- [Pyserini - Toolkit for reproducible information retrieval research with sparse and dense representations](https:\u002F\u002Fgithub.com\u002Fcastorini\u002Fpyserini)\n- [NGT - Provides commands and a library for performing high-speed approximate nearest neighbor ](https:\u002F\u002Fgithub.com\u002Fyahoojapan\u002FNGT)\n- [NearPy - Approximate search using different locality-sensitive hashing methods](http:\u002F\u002Fpixelogik.github.io\u002FNearPy\u002F)\n- [TOROS N2 - lightweight approximate Nearest Neighbor library](https:\u002F\u002Fgithub.com\u002Fkakao\u002Fn2)\n- [PUFFINN - Parameterless and Universal Fast FInding of Nearest Neighbors](https:\u002F\u002Fgithub.com\u002Fpuffinn\u002Fpuffinn)\n- [SPTAG - A distributed approximate nearest neighborhood search (ANN) library ](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FSPTAG)\n- [PyNNDescent - A python nearest neighbor descent for approximate k nearest neighbors](https:\u002F\u002Fgithub.com\u002Flmcinnes\u002Fpynndescent)\n- [TarsosLSH - A Java library implementing practical nearest neighbour search algorithm for multidimensional vectors ](https:\u002F\u002Fgithub.com\u002FJorenSix\u002FTarsosLSH)\n- [TorchPQ - Efficient implementations of Product Quantization and its variants using Pytorch and CUDA](https:\u002F\u002Fgithub.com\u002FDeMoriarty\u002FTorchPQ)\n- [Granne  - Graph-based retrieval of approximate nearest neighbors witten in rust ](https:\u002F\u002Fgithub.com\u002Fgranne\u002Fgranne)\n- [Embeddinghub - A database built for machine learning embeddings](https:\u002F\u002Fgithub.com\u002Ffeatureform\u002Fembeddinghub)\n- [Hora - Efficient approximate nearest neighbor search algorithm collections library written in Rust](https:\u002F\u002Fgithub.com\u002Fhora-search\u002Fhora)\n- [Voy - A WASM vector similarity search engine written in Rust](https:\u002F\u002Fgithub.com\u002Ftantaraio\u002Fvoy)\n- [Chroma - The open-source embedding database for building LLM apps in Python or JavaScript with memory](https:\u002F\u002Fgithub.com\u002Fchroma-core\u002Fchroma)\n- [USearch - Smaller & Faster Vector Search Engine for C++, Python, JavaScript, Rust, Java, GoLang, Wolfram](https:\u002F\u002Fgithub.com\u002Funum-cloud\u002Fusearch)\n- [Golang vector stores collection - Chroma, PGVector interfaces](https:\u002F\u002Fgithub.com\u002Furjitbhatia\u002Fvectorstores)\n- [Scalable Vector Search (SVS) - A performance library for vector similarity search](https:\u002F\u002Fgithub.com\u002FIntelLabs\u002FScalableVectorSearch)\n\n### Cloud Service\n\n- [Epsilla Cloud - The fully managed serverless vector database with 10X faster, cheaper and better.](https:\u002F\u002Fcloud.epsilla.com)\n- [DataStax Astra Vector - Multi-cloud, serverless vector DBaaS](https:\u002F\u002Fwww.datastax.com\u002Fproducts\u002Fvector-search)\n- [Relevance AI - Vector Platform From Experimentation To Deployment](https:\u002F\u002Frelevance.ai\u002Fvectors\u002F)\n- [Pinecone - Managed vector search with filtering, live index updates, horizontal scaling, and a lot more](https:\u002F\u002Fwww.pinecone.io)\n- [MyScale - A managed vector database based on ClickHouse](https:\u002F\u002Fmyscale.com)\n- [Redis Cloud - Managed vector database in Redis](https:\u002F\u002Fredis.com\u002Fcloud)\n- [Zilliz Cloud - Cloud-native service for Milvus](https:\u002F\u002Fzilliz.com\u002Fcloud)\n\n### Research Papers\n\nList of methods on how approximate vector search algorithm can be implemented more effciently.\n\n- [SPANN: Highly-efficient Billion-scale Approximate Nearest Neighborhood Search - NEURIPS 2021](https:\u002F\u002Fproceedings.neurips.cc\u002Fpaper\u002F2021\u002Fhash\u002F299dc35e747eb77177d9cea10a802da2-Abstract.html)\n- [Revisiting the Inverted Indices for Billion-Scale Approximate Nearest Neighbors - ECCV 2018](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_ECCV_2018\u002Fhtml\u002FDmitry_Baranchuk_Revisiting_the_Inverted_ECCV_2018_paper.html)\n- [Accelerating Large-Scale Inference with Anisotropic Vector Quantization](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.10396)\n- [Billion-scale similarity search with GPUs](https:\u002F\u002Farxiv.org\u002Fabs\u002F1702.08734)\n- [Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs](https:\u002F\u002Farxiv.org\u002Fabs\u002F1603.09320)\n- [Optimization of Indexing Based on k-Nearest Neighbor Graph for Proximity Search in High-dimensional Data](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.07355)\n- [On Approximately Searching for Similar Word Embeddings - ACL 2016](https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FP16-1214.pdf)\n\n[![CC0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcurrentslab_awesome-vector-search_readme_b7657951a0bb.png)](https:\u002F\u002Fcreativecommons.org\u002Fpublicdomain\u002Fzero\u002F1.0\u002F)\n","## 精选向量搜索引擎\n\n> 一份关于向量相似度搜索的精选向量搜索框架\u002F引擎、库、云服务及研究论文列表\n\n### 独立服务\n- [Apache Cassandra 5.0 – 向量搜索 (cep-30)，严格可序列化 ACID（原子性、一致性、隔离性、持久性）(cep-15)，水平扩展数据库](https:\u002F\u002Fcassandra.apache.org)\n- [Qdrant - 支持扩展过滤功能的向量相似度搜索引擎](https:\u002F\u002Fgithub.com\u002Fqdrant\u002Fqdrant)\n- [Vald - 高可扩展分布式向量搜索引擎](https:\u002F\u002Fgithub.com\u002Fvdaas\u002Fvald)\n- [Milvus - 高性能和高可扩展性的云原生向量数据库。](https:\u002F\u002Fgithub.com\u002Fmilvus-io\u002Fmilvus)\n- [Weaviate - 云原生实时向量搜索引擎](https:\u002F\u002Fgithub.com\u002Fsemi-technologies\u002Fweaviate)\n- [OpenDistro Elasticsearch KNN - 一个机器学习插件，支持 Open Distro for Elasticsearch 的近似 k-NN（k-近邻）搜索算法](https:\u002F\u002Fgithub.com\u002Fopendistro-for-elasticsearch\u002Fk-NN)\n- [Elastiknn - 用于最近邻搜索的 Elasticsearch 插件](https:\u002F\u002Fgithub.com\u002Falexklibisz\u002Felastiknn)\n- [Epsilla - 高性能向量数据库管理系统，AI 的海马体](https:\u002F\u002Fgithub.com\u002Fepsilla-cloud\u002Fvectordb)\n- [Vearch - 用于深度学习向量高效相似度搜索的可扩展分布式系统](https:\u002F\u002Fgithub.com\u002Fvearch\u002Fvearch)\n- [pgANN - 使用 PostgreSQL 数据库进行快速近似最近邻 (ANN)（近似最近邻）搜索](https:\u002F\u002Fgithub.com\u002Fnetrasys\u002FpgANN)\n- [Jina - Jina 允许你构建基于深度学习的搜索即服务。](https:\u002F\u002Fgithub.com\u002Fjina-ai\u002Fjina)\n- [Infinity - 专为 LLM（大型语言模型）应用打造的 AI 原生数据库，提供极快的向量和全文搜索](https:\u002F\u002Fgithub.com\u002Finfiniflow\u002Finfinity)\n- [Aquila DB - 专注于分布式的 k-NN 搜索算法](https:\u002F\u002Fgithub.com\u002FAquila-Network\u002FAquilaDB)\n- [Redis HNSW - 基于 HNSW（分层导航小世界图）的相似度搜索 Redis 模块](https:\u002F\u002Fgithub.com\u002Fzhao-lang\u002Fredis_hnsw)\n- [Solr - Apache Solr](https:\u002F\u002Fgithub.com\u002Fapache\u002Fsolr) - [从 Solr 9.0 起具备密集向量搜索功能](https:\u002F\u002Fsolr.apache.org\u002Fguide\u002Fsolr\u002Flatest\u002Fquery-guide\u002Fdense-vector-search.html)\n- [Marqo - 支持张量搜索（向量序列）的语义搜索引擎](https:\u002F\u002Fgithub.com\u002Fmarqo-ai\u002Fmarqo)\n- [txtai - 构建语义搜索应用程序和工作流](https:\u002F\u002Fgithub.com\u002Fneuml\u002Ftxtai)\n- [Semantra - 用于语义搜索文档的多功能工具。](https:\u002F\u002Fgithub.com\u002Ffreedmand\u002Fsemantra)\n- [SuperDuperDB - 将 AI 带入您喜爱的数据库](https:\u002F\u002Fgithub.com\u002FSuperDuperDB\u002Fsuperduperdb)\n- [TensorDB - 支持异构计算的高性能向量数据库](https:\u002F\u002Fwww.actionsky.com\u002FtensorDB)\n- [JVector - 纯 Java、零依赖、嵌入式向量搜索引擎，被 DataStax Astra DB 和 Apache Cassandra 使用。](https:\u002F\u002Fgithub.com\u002Fjbellis\u002Fjvector\u002F)\n- [VQLite - 简单轻量级向量搜索引擎](https:\u002F\u002Fgithub.com\u002FVQLite\u002FVQLite)\n- [Vexvault - 100% 基于浏览器，开源，可扩展，简单，零成本向量搜索](https:\u002F\u002Fgithub.com\u002FXyntopia\u002Fvexvault)\n- [Vespa.ai - 文本搜索引擎和... 快速近似向量搜索 (ANN)](https:\u002F\u002Fgithub.com\u002Fvespa-engine) \n- [Vespa 使用 HNSW-IF 索引的大规模 ANN 搜索在此描述](https:\u002F\u002Fblog.vespa.ai\u002Fvespa-hybrid-billion-scale-vector-search\u002F)\n\n### 库\n- [LangStream - LangStream 是一个开源项目，结合了事件驱动架构的最佳实践与最新的生成式人工智能 (Gen AI) 技术。](https:\u002F\u002Flangstream.ai)\n- [CassIO - CassIO 是无缝集成 Apache Cassandra® 与生成式人工智能及其他机器学习工作负载的终极解决方案](https:\u002F\u002Fcassio.org)\n- [JVector - 一个纯 Java、零依赖、嵌入式向量搜索引擎，被一些高级分布式数据库（如 DataStax Astra DB 和 Apache Cassandra™）使用](https:\u002F\u002Fgithub.com\u002Fjbellis\u002Fjvector)\n- [Faiss - 用于密集向量高效相似性搜索和聚类的库](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffaiss)\n- [Distributed Faiss - 处理无法放入单个服务器内存的 FAISS 索引](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fdistributed-faiss)\n- [Autofaiss - 自动创建 Faiss KNN 索引](https:\u002F\u002Fgithub.com\u002Fcriteo\u002Fautofaiss)\n- [ScaNN - 大规模高效向量相似性搜索库。](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fgoogle-research\u002Ftree\u002Fmaster\u002Fscann)\n- [NMSLIB - 非度量空间库，一种用于通用非度量空间的高效相似性搜索库](https:\u002F\u002Fgithub.com\u002Fnmslib\u002Fnmslib)\n- [Annoy - 带有 Python 绑定的 C++ 库，用于搜索点](https:\u002F\u002Fgithub.com\u002Fspotify\u002Fannoy)\n- [FLANN - 用 C++ 编写的库，包含以下语言的绑定：C、MATLAB、Python 和 Ruby](http:\u002F\u002Fwww.cs.ubc.ca\u002Fresearch\u002Fflann\u002F)\n- [LLM App - 用于实时数据 K 近邻 (K-Nearest Neighbors) 索引的开源 Python 库](https:\u002F\u002Fgithub.com\u002Fpathwaycom\u002Fllm-app)\n- [MRPT - 使用随机投影的快速最近邻搜索](https:\u002F\u002Fgithub.com\u002Fteemupitkanen\u002Fmrpt)\n- [RPForest - 用于近似最近邻搜索的 Python 库](https:\u002F\u002Fgithub.com\u002Flyst\u002Frpforest)\n- [pgvector - Postgres 的开源向量相似性搜索扩展](https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector)\n- [PASE - Postgres 的超高维近似最近邻搜索扩展](https:\u002F\u002Fgithub.com\u002Falipay\u002FPASE)\n- [Pyserini - 用于可复现信息检索研究的工具包，支持稀疏和密集表示](https:\u002F\u002Fgithub.com\u002Fcastorini\u002Fpyserini)\n- [NGT - 提供命令和库以执行高速近似最近邻搜索](https:\u002F\u002Fgithub.com\u002Fyahoojapan\u002FNGT)\n- [NearPy - 使用不同局部敏感哈希方法进行近似搜索](http:\u002F\u002Fpixelogik.github.io\u002FNearPy\u002F)\n- [TOROS N2 - 轻量级近似最近邻库](https:\u002F\u002Fgithub.com\u002Fkakao\u002Fn2)\n- [PUFFINN - 无参数且通用的快速最近邻查找](https:\u002F\u002Fgithub.com\u002Fpuffinn\u002Fpuffinn)\n- [SPTAG - 分布式近似最近邻搜索 (ANN) 库](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FSPTAG)\n- [PyNNDescent - 用于近似 K 近邻的 Python 最近邻下降算法](https:\u002F\u002Fgithub.com\u002Flmcinnes\u002Fpynndescent)\n- [TarsosLSH - 实现多维向量实用最近邻搜索算法的 Java 库](https:\u002F\u002Fgithub.com\u002FJorenSix\u002FTarsosLSH)\n- [TorchPQ - 使用 Pytorch 和 CUDA 实现产品量化及其变体的高效实现](https:\u002F\u002Fgithub.com\u002FDeMoriarty\u002FTorchPQ)\n- [Granne - 基于图的近似最近邻检索，用 Rust 编写](https:\u002F\u002Fgithub.com\u002Fgranne\u002Fgranne)\n- [Embeddinghub - 专为机器学习嵌入构建的数据库](https:\u002F\u002Fgithub.com\u002Ffeatureform\u002Fembeddinghub)\n- [Hora - 用 Rust 编写的近似最近邻搜索算法集合库](https:\u002F\u002Fgithub.com\u002Fhora-search\u002Fhora)\n- [Voy - 用 Rust 编写的 WASM (WebAssembly) 向量相似性搜索引擎](https:\u002F\u002Fgithub.com\u002Ftantaraio\u002Fvoy)\n- [Chroma - 用于在 Python 或 JavaScript 中构建具有记忆功能的大型语言模型 (LLM) 应用的开源嵌入数据库](https:\u002F\u002Fgithub.com\u002Fchroma-core\u002Fchroma)\n- [USearch - 适用于 C++、Python、JavaScript、Rust、Java、GoLang、Wolfram 的小型 & 快速向量搜索引擎](https:\u002F\u002Fgithub.com\u002Funum-cloud\u002Fusearch)\n- [Golang vector stores collection - Chroma, PGVector interfaces - Golang 向量存储集合 - Chroma, PGVector 接口](https:\u002F\u002Fgithub.com\u002Furjitbhatia\u002Fvectorstores)\n- [Scalable Vector Search (SVS) - 向量相似性搜索的性能库](https:\u002F\u002Fgithub.com\u002FIntelLabs\u002FScalableVectorSearch)\n\n### 云服务\n\n- [Epsilla Cloud - 完全托管的无服务器向量数据库，速度快 10 倍，更便宜且更好。](https:\u002F\u002Fcloud.epsilla.com)\n- [DataStax Astra Vector - 多云、无服务器向量数据库即服务 (DBaaS)](https:\u002F\u002Fwww.datastax.com\u002Fproducts\u002Fvector-search)\n- [Relevance AI - 从实验到部署的向量平台](https:\u002F\u002Frelevance.ai\u002Fvectors\u002F)\n- [Pinecone - 托管向量搜索，支持过滤、实时索引更新、水平扩展等更多功能](https:\u002F\u002Fwww.pinecone.io)\n- [MyScale - 基于 ClickHouse 的托管向量数据库](https:\u002F\u002Fmyscale.com)\n- [Redis Cloud - Redis 中的托管向量数据库](https:\u002F\u002Fredis.com\u002Fcloud)\n- [Zilliz Cloud - Milvus 的云原生服务](https:\u002F\u002Fzilliz.com\u002Fcloud)\n\n### 研究论文\n\n关于如何更高效地实现近似向量搜索算法的方法列表。\n\n- [SPANN: Highly-efficient Billion-scale Approximate Nearest Neighborhood Search - NEURIPS 2021](https:\u002F\u002Fproceedings.neurips.cc\u002Fpaper\u002F2021\u002Fhash\u002F299dc35e747eb77177d9cea10a802da2-Abstract.html)\n- [Revisiting the Inverted Indices for Billion-Scale Approximate Nearest Neighbors - ECCV 2018](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_ECCV_2018\u002Fhtml\u002FDmitry_Baranchuk_Revisiting_the_Inverted_ECCV_2018_paper.html)\n- [Accelerating Large-Scale Inference with Anisotropic Vector Quantization](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.10396)\n- [Billion-scale similarity search with GPUs](https:\u002F\u002Farxiv.org\u002Fabs\u002F1702.08734)\n- [Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs](https:\u002F\u002Farxiv.org\u002Fabs\u002F1603.09320)\n- [Optimization of Indexing Based on k-Nearest Neighbor Graph for Proximity Search in High-dimensional Data](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.07355)\n- [On Approximately Searching for Similar Word Embeddings - ACL 2016](https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FP16-1214.pdf)\n\n[![CC0](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcurrentslab_awesome-vector-search_readme_b7657951a0bb.png)](https:\u002F\u002Fcreativecommons.org\u002Fpublicdomain\u002Fzero\u002F1.0\u002F)","# Awesome Vector Search 快速上手指南\n\n## 简介\n`awesome-vector-search` 是一个精心整理的向量搜索资源列表，涵盖了独立的向量搜索引擎、开源库、云服务及研究论文。本指南将帮助您快速克隆该仓库，并从中选择适合的工具开始构建向量搜索应用。\n\n## 环境准备\n在开始之前，请确保您的开发环境满足以下要求：\n- **操作系统**: Linux \u002F macOS \u002F Windows\n- **版本控制**: Git (用于克隆仓库)\n- **编程语言**: Python 3.8+ (推荐，因大部分库支持 Python)\n- **网络**: 建议配置国内镜像源以加速下载（如使用 Gitee 镜像）\n\n## 安装步骤\n由于这是一个资源聚合仓库，您首先需要将其克隆到本地以便查阅和筛选工具。\n\n1. **克隆仓库**\n   推荐使用国内镜像加速（如 Gitee），若网络通畅可直接使用 GitHub：\n   ```bash\n   # 方式一：Gitee 镜像 (推荐国内用户)\n   git clone https:\u002F\u002Fgitee.com\u002Fyour_mirror\u002Frepo_name.git\n   \n   # 方式二：GitHub 官方源\n   git clone https:\u002F\u002Fgithub.com\u002F\u003Cowner>\u002Fawesome-vector-search.git\n   ```\n   *(注：请将 `\u003Cowner>\u002Frepo_name` 替换为实际仓库地址)*\n\n2. **进入目录**\n   ```bash\n   cd awesome-vector-search\n   ```\n\n## 基本使用\n\n### 1. 浏览与选型\n打开 `README.md` 文件，根据您的需求选择分类：\n- **Standalone Service**: 独立部署的数据库服务（如 Milvus, Qdrant）。\n- **Library**: 嵌入式的代码库（如 Faiss, Chroma, pgvector）。\n- **Cloud Service**: 托管云服务（如 Pinecone, Zilliz Cloud）。\n\n您可以使用终端命令快速检索感兴趣的技术栈：\n```bash\ngrep -i \"milvus\\|chroma\\|faiss\" README.md\n```\n\n### 2. 集成示例\n选定工具后，参考其官方文档进行集成。以下是基于列表中推荐的 **Chroma** 库的最简使用示例（需先安装对应依赖）：\n\n```python\nimport chromadb\n\n# 初始化客户端\nclient = chromadb.Client()\n\n# 创建集合\ncollection = client.create_collection(\"my_first_collection\")\n\n# 添加数据\ncollection.add(\n    documents=[\"This is a document\"],\n    ids=[\"doc1\"]\n)\n\n# 查询\nresults = collection.query(\n    query_texts=[\"This is a query\"],\n    n_results=1\n)\nprint(results)\n```\n\n### 3. 下一步\n- 访问列表中具体工具的 GitHub 链接获取详细 API 文档。\n- 对于生产环境，建议优先查看 **Cloud Service** 或 **Standalone Service** 中的成熟方案（如 Milvus, Weaviate）。\n- 关注 **Research Papers** 部分了解底层算法优化原理。","某电商研发团队正在构建基于大模型的智能商品推荐系统。他们急需为百万级商品库落地高效的语义搜索功能。\n\n### 没有 awesome-vector-search 时\n- 需要花费数周时间在各平台手动搜索分散的开源项目，信息碎片化严重且难以验证真伪。\n- 难以横向对比 Milvus、Qdrant 等不同引擎的扩展性、过滤能力及社区活跃度。\n- 容易因信息滞后而选择即将过时的技术方案，导致后期架构重构成本高昂。\n- 缺乏对配套云服务与底层研究论文的关联认知，系统架构设计存在明显盲区。\n\n### 使用 awesome-vector-search 后\n- 通过分类目录直接锁定 Standalone Service 与 Library 两大核心板块，视野更开阔。\n- 快速筛选出支持严格 ACID 的 Cassandra 或高性能的 Milvus 完美匹配业务需求。\n- 结合 README 中的链接直达官方文档与示例代码，大幅缩短 PoC 验证周期并降低试错成本。\n- 同步发现 Infinity、pgANN 等新兴轻量级方案，灵活应对不同规模的数据场景。\n\nawesome-vector-search 让团队能在短时间内从海量选项中精准定位最适合的向量检索技术栈，显著提升研发效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcurrentslab_awesome-vector-search_b3b37e55.png","currentslab","Currents Lab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcurrentslab_927aa9e4.png","Aggregate and analyse the state of the world",null,"hi@currentsapi.services","https:\u002F\u002Fcurrentsapi.services\u002F","https:\u002F\u002Fgithub.com\u002Fcurrentslab",1554,112,"2026-03-31T00:47:22","MIT",1,"未说明",{"notes":90,"python":88,"dependencies":91},"该仓库为向量搜索技术资源的精选列表（Curated List），本身并非单一可运行软件。具体运行环境需求取决于用户从列表中选择的特定引擎或库（如 Milvus、Faiss、Qdrant 等）。",[88],[13,51],[94,95,96,97,98,99,100,101,102,103],"awesome-list","awesome","vector","similarity-search","vector-search-engine","nearest-neighbor-search","vector-search","knn-search","machine-learning","search-engine","2026-03-27T02:49:30.150509","2026-04-06T09:46:07.704111",[107,112,116,120,124,128],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},3367,"是否有适用于 Android 平台的向量搜索工具或库？","目前暂无已知的可用工具。不过，这被视为一个潜在的小众市场，未来可能有发展空间。","https:\u002F\u002Fgithub.com\u002Fcurrentslab\u002Fawesome-vector-search\u002Fissues\u002F8",{"id":113,"question_zh":114,"answer_zh":115,"source_url":111},3368,"为什么 Android 端目前缺乏成熟的向量搜索方案？","主要原因是向量搜索非常消耗内存资源，这对移动设备构成了较大的技术挑战。",{"id":117,"question_zh":118,"answer_zh":119,"source_url":111},3369,"Android 端向量搜索的典型使用场景是什么？","常见的用例包括对包含同一人物的照片进行聚类（类似 iOS 和 Android 相册已支持的人脸识别功能）。",{"id":121,"question_zh":122,"answer_zh":123,"source_url":111},3370,"在 Android 设备上运行向量搜索对硬件有什么要求？","考虑到内存消耗，建议设备 RAM > 4GB。目前这类配置的安卓手机已经比较普遍。",{"id":125,"question_zh":126,"answer_zh":127,"source_url":111},3371,"未来是否有针对移动设备的轻量化版本计划？","有推测认为，对于 RAM > 4GB 的设备，可能会推出精简版的 int8 量化模型以适配移动端。",{"id":129,"question_zh":130,"answer_zh":131,"source_url":111},3372,"Android 向量搜索市场的潜力如何？","虽然目前属于小众需求，但被评估为一个具有潜在价值的市场方向。",[]]