[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-deepset-ai--haystack-cookbook":3,"tool-deepset-ai--haystack-cookbook":62},[4,18,26,36,46,54],{"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",158594,2,"2026-04-16T23:34:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"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":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"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",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":77,"difficulty_score":42,"env_os":94,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":149},8308,"deepset-ai\u002Fhaystack-cookbook","haystack-cookbook","👩🏻‍🍳 A collection of example notebooks using Haystack","haystack-cookbook 是专为 Haystack 框架打造的学习资源库，汇集了大量实用的示例代码笔记本（Notebooks）。它旨在解决开发者在构建基于大语言模型的应用时，面对复杂技术选型和集成流程无从下手的难题。通过提供一个个具体而微的演示案例，该资源库清晰展示了如何灵活对接不同的模型提供商、配置各类向量数据库、运用多样的检索技巧，以及探索前沿的实验性功能。\n\n无论是刚接触 Haystack 的初学者，还是希望快速验证新想法的资深工程师与研究人员，都能从中获益。用户可以直接复用这些代码作为开发指南，大幅降低从理论到实践的学习门槛，避免重复造轮子。其独特的技术亮点在于高度的场景化与开放性：每个案例都聚焦特定任务，不仅覆盖了主流技术栈，还鼓励社区贡献，支持用户直接通过 Google Colab 创建分支并提交自己的创新案例。如果你正在寻找关于“如何使用 Haystack\"的实战参考，haystack-cookbook 将是连接官方文档与真实生产环境之间的最佳桥梁，帮助你将创意高效转化为可运行的 AI 应用。","# 👩🏻‍🍳 Haystack Cookbook\n\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fhaystack.deepset.ai\u002F\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdeepset-ai_haystack-cookbook_readme_f64517c2bdd1.png\" alt=\"Green logo of a stylized white 'H' with the text 'Haystack, by deepset. The Production-Ready Open Source AI Framework' Abstract green and yellow diagrams in the background.\">\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n## 🧑‍🍳🍳Discover The Haystack Cookbook [here](https:\u002F\u002Fhaystack.deepset.ai\u002Fcookbook)\n\nA collection of example notebooks using [Haystack](https:\u002F\u002Fgithub.com\u002Fdeepset-ai\u002Fhaystack) 💚\n\nThese examples can serve as guidelines for using different model providers, vector databases, retrieval techniques, new experimental features, and more with Haystack. Most showcase a specific, small demo.\n\nTo learn more about _how_ to use Haystack, please visit our [Docs](https:\u002F\u002Fdocs.haystack.deepset.ai\u002Fdocs) and official [Tutorials](https:\u002F\u002Fhaystack.deepset.ai\u002Ftutorials).\n\nFor more examples, you may also find our [Blog](https:\u002F\u002Fhaystack.deepset.ai\u002Fblog) useful.\n\n### Contributing to the Haystack Cookbook\n\nIf you have an example that uses Haystack, you can add it to this repository by creating a PR. \n> You can also create a PR directly from Colab by creating a fork of this repository and selecting \"Save a Copy to GitHub\" on Colab. Once you add your example to your fork, you can create a PR on this repository. \n\n1. Add your notebook to `\u002Fnotebooks` folder\n2. Give a descriptive name to your file that includes the names of (if applicable) the model providers, databases, the technologies you use in your example, and\u002For the task you are completing in the example.\n3. Make sure you add it to `index.toml`, including its title and topics. If the notebook is using an experimental feature, also add the discussion link with the `experimental = true` field.\n","# 👩🏻‍🍳 Haystack 烹饪书\n\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fhaystack.deepset.ai\u002F\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdeepset-ai_haystack-cookbook_readme_f64517c2bdd1.png\" alt=\"绿色背景上一个风格化的白色‘H’标志，旁边写着‘Haystack, by deepset. 生产就绪的开源 AI 框架’。背景是抽象的绿色和黄色图案。\">\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n## 🧑‍🍳🍳 在 [这里](https:\u002F\u002Fhaystack.deepset.ai\u002Fcookbook) 发现 Haystack 烹饪书\n\n这是一系列使用 [Haystack](https:\u002F\u002Fgithub.com\u002Fdeepset-ai\u002Fhaystack) 的示例笔记本 💚\n\n这些示例可以作为使用不同模型提供商、向量数据库、检索技术、新实验性功能等与 Haystack 配合使用的指南。大多数示例都展示了一个具体的小型演示。\n\n如需了解更多关于 _如何_ 使用 Haystack 的信息，请访问我们的 [文档](https:\u002F\u002Fdocs.haystack.deepset.ai\u002Fdocs) 和官方 [教程](https:\u002F\u002Fhaystack.deepset.ai\u002Ftutorials)。\n\n此外，您也可以参考我们的 [博客](https:\u002F\u002Fhaystack.deepset.ai\u002Fblog)，那里还有更多示例。\n\n### 参与贡献 Haystack 烹饪书\n\n如果您有一个使用 Haystack 的示例，可以通过创建 PR 将其添加到此仓库中。\n> 您也可以直接从 Colab 创建 PR：先 Fork 此仓库，然后在 Colab 中选择“保存副本到 GitHub”。将您的示例添加到您的 Fork 后，即可在此仓库中创建 PR。\n\n1. 将您的笔记本添加到 `\u002Fnotebooks` 文件夹\n2. 为文件命名时，请使用具有描述性的名称，包含（如果适用）所用的模型提供商、数据库、技术以及示例中完成的任务等信息。\n3. 务必将其添加到 `index.toml` 文件中，包括标题和主题。如果笔记本使用了实验性功能，还需添加讨论链接，并设置 `experimental = true` 字段。","# Haystack Cookbook 快速上手指南\n\nHaystack Cookbook 是 deepset 官方维护的示例代码库，汇集了使用 [Haystack](https:\u002F\u002Fgithub.com\u002Fdeepset-ai\u002Fhaystack) 构建的各种实用 Notebook。这些示例涵盖了不同的模型提供商、向量数据库、检索技术及实验性功能，是开发者学习如何组合组件构建生产级 AI 应用的绝佳参考。\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, macOS 或 Windows (推荐 WSL2)\n*   **Python 版本**：3.8 及以上 (推荐 3.9 - 3.11)\n*   **前置依赖**：\n    *   `pip` 包管理工具\n    *   `git` (用于克隆仓库)\n    *   `jupyter` 或 `jupyterlab` (用于运行 Notebook)\n\n> **提示**：建议创建独立的虚拟环境（如使用 `venv` 或 `conda`）以避免依赖冲突。\n\n## 安装步骤\n\n### 1. 克隆仓库\n首先，将 Haystack Cookbook 仓库克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdeepset-ai\u002Fhaystack-cookbook.git\ncd haystack-cookbook\n```\n\n> **国内加速方案**：如果访问 GitHub 较慢，可使用国内镜像源克隆：\n> ```bash\n> git clone https:\u002F\u002Fgitee.com\u002Fmirrors\u002Fhaystack-cookbook.git\n> # 注意：需确认 Gitee 镜像是否同步最新，若不同步建议使用官方源配合代理\n> ```\n\n### 2. 安装核心依赖\n进入目录后，安装运行示例所需的基础依赖。由于不同 Notebook 可能依赖不同的模型后端（如 Transformers, OpenAI, Cohere 等），建议先安装 Haystack 核心库及 Jupyter 环境：\n\n```bash\npip install jupyterlab\npip install farm-haystack[all]\n```\n\n> **国内镜像加速**：推荐使用清华或阿里镜像源加速安装：\n> ```bash\n> pip install jupyterlab -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> pip install farm-haystack[all] -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n*注：具体某个 Notebook 可能需要额外的特定库（如 `pinecone-client`, `elasticsearch` 等），请在运行对应文件前查看该 Notebook 顶部的安装说明单元格。*\n\n## 基本使用\n\nCookbook 中的每个文件都是一个独立的 Jupyter Notebook，展示了特定的功能场景。以下是运行最简单示例的流程：\n\n### 1. 启动 Jupyter Lab\n在项目根目录下启动服务：\n\n```bash\njupyter lab\n```\n\n### 2. 选择并运行示例\n浏览器会自动打开 Jupyter 界面。导航至 `\u002Fnotebooks` 文件夹，选择一个感兴趣的示例（例如 `rag_with_transformers.ipynb` 或涉及特定数据库的示例）。\n\n### 3. 执行代码\n打开 Notebook 后：\n1.  阅读开头的介绍性 Markdown 单元格，了解该示例的目标。\n2.  依次点击代码单元格左侧的 **Play** 按钮（或按 `Shift + Enter`）执行代码。\n3.  大多数示例包含数据加载、管道构建（Pipeline）、索引创建和查询执行的完整流程。\n\n**最小化代码示例逻辑**（参考典型 RAG 示例）：\n\n```python\nfrom haystack import Pipeline\nfrom haystack.components.generators import HuggingFaceLocalGenerator\nfrom haystack.components.retrievers.in_memory import InMemoryEmbeddingRetriever\n# ... 其他组件导入\n\n# 构建简单的生成式检索管道\npipe = Pipeline()\n# 添加组件逻辑...\n\n# 运行查询\nresult = pipe.run({\"query\": \"Haystack 是什么？\"})\nprint(result)\n```\n\n通过修改这些 Notebook 中的参数或替换组件（例如将本地模型替换为 OpenAI API），您可以快速验证不同技术栈在您业务场景下的表现。","某初创公司的 AI 工程师团队正急需构建一个基于私有文档的智能问答系统，以支持内部技术知识库的检索。\n\n### 没有 haystack-cookbook 时\n- **选型迷茫**：面对众多向量数据库（如 Pinecone、Weaviate）和大模型提供商，团队缺乏清晰的集成指南，需花费数天时间自行摸索兼容性。\n- **代码从零开始**：缺少标准的检索增强生成（RAG）流程参考，开发人员必须手动编写大量样板代码来处理文档加载、分块和嵌入，极易出错。\n- **实验成本高昂**：想要尝试新的实验性功能或不同的检索策略时，因无现成案例可依，每次验证都需要重构底层逻辑，严重拖慢迭代速度。\n- **调试困难**：遇到管道（Pipeline）连接问题时，由于缺乏可运行的最小化示例，排查错误源头如同大海捞针，耗费大量工时。\n\n### 使用 haystack-cookbook 后\n- **快速落地**：直接复用库中针对特定数据库和模型组合的成熟 Notebook，半天内即可搭建起可运行的原型系统，大幅缩短启动时间。\n- **标准化开发**：参照官方提供的最佳实践代码结构，轻松实现文档处理与检索流程的模块化，显著降低代码维护难度和 Bug 率。\n- **灵活试错**：利用现有的多种检索技术演示案例，团队能迅速切换并对比不同策略的效果，以最低成本找到最优解决方案。\n- **高效排障**：遇到问题时，通过运行库中对应的最小化示例快速定位是环境配置问题还是逻辑错误，将调试时间从小时级压缩至分钟级。\n\nhaystack-cookbook 通过将抽象的框架能力转化为可执行的具体食谱，让开发者从重复造轮子中解放出来，专注于业务逻辑的创新与优化。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdeepset-ai_haystack-cookbook_ae8bcc92.png","deepset-ai","deepset","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdeepset-ai_53bf8937.png","Building enterprise search systems powered by latest NLP & open-source.",null,"hello@deepset.ai","deepset_ai","https:\u002F\u002Fdeepset.ai","https:\u002F\u002Fgithub.com\u002Fdeepset-ai",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",100,{"name":88,"color":89,"percentage":90},"Python","#3572A5",0,536,117,"2026-04-16T09:54:50","未说明",{"notes":96,"python":94,"dependencies":97},"该项目为 Haystack 框架的示例笔记本集合，本身不定义具体的运行环境需求。实际运行环境取决于所选用的具体示例（如模型提供商、向量数据库、检索技术等）。建议参考 Haystack 官方文档或具体笔记本文件内的依赖说明。支持通过 Google Colab 直接运行并保存副本到 GitHub。",[98],"haystack",[15,13,14],[101,102,103,104,105,106,107,108,109,110],"agentic","agentic-ai","agents","ai","ai-tools","genai","genai-usecases","haystack-ai","python","rag","2026-03-27T02:49:30.150509","2026-04-17T08:25:17.076366",[114,119,124,129,134,139,144],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},37190,"遇到文档中提到的 `_convert_message_to_openai_format` 函数在当前 Haystack 版本中不存在怎么办？","该函数已废弃。请将代码中的 `openai_formatted_messages = [_convert_message_to_openai_format(message) for message in messages]` 替换为 `openai_formatted_messages = [message.to_openai_dict_format() for message in messages]`。","https:\u002F\u002Fgithub.com\u002Fdeepset-ai\u002Fhaystack-cookbook\u002Fissues\u002F177",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},37191,"运行示例时遇到 DuckDuckGo 访问超时或被代理阻止的问题如何解决？","除了检查网络代理设置外，可以尝试将后端配置值设置为 `auto`。默认的后端选项 `api` 已被弃用并可能引发警告或错误，设置为 `auto` 通常能解决连接问题。","https:\u002F\u002Fgithub.com\u002Fdeepset-ai\u002Fhaystack-cookbook\u002Fissues\u002F152",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},37192,"运行 Pipeline 时报错 \"ValueError: Missing input for component retriever: query\" 是什么原因？","这是因为传递给 retriever 组件的输入参数名称不正确。请将输入字典中的 `\"queries\": [query]` 修改为 `\"query\": query`（去掉复数 's' 和列表包裹，直接传递字符串），确保参数名与组件定义的输入接口一致。","https:\u002F\u002Fgithub.com\u002Fdeepset-ai\u002Fhaystack-cookbook\u002Fissues\u002F64",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},37193,"如何修复旧版 Cookbook 中关于 OpenAI Generator 的过时用法？","Haystack 正逐步迁移到 Chat 模型架构。建议将旧的 `Generator` 和 `PromptBuilder` 替换为 `ChatGenerator` 和 `ChatPromptBuilder`。如果某些食谱过于陈旧，应考虑将其下线或按照新架构重写以支持 `ChatMessage` 格式。","https:\u002F\u002Fgithub.com\u002Fdeepset-ai\u002Fhaystack-cookbook\u002Fissues\u002F218",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},37194,"在使用 UpTrain 评估 RAG 管道时，是否有相关的 Cookbook 示例？","有的。社区已经创建了展示 UpTrain 集成的 Cookbook，用于通过多种指标评估 RAG 管道。您可以参考相关文档 `UpTrainEvaluator Docs` 或查看已合并的 PR #72 获取具体实现代码。","https:\u002F\u002Fgithub.com\u002Fdeepset-ai\u002Fhaystack-cookbook\u002Fissues\u002F51",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},37195,"如何使用新的 QueryExpander 组件来改进检索效果？","QueryExpander 组件现已合并到 `haystack-experimental` 中。您可以参考更新的 Notebook 示例，学习如何将该组件连接到不同类型的检索器以实现查询扩展（Query Expansion），从而提升检索相关性。","https:\u002F\u002Fgithub.com\u002Fdeepset-ai\u002Fhaystack-cookbook\u002Fissues\u002F213",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},37196,"使用 `LLMMetadataExtractor` 提取元数据时，发现提示词不一致或提取结果包含未定义的实体怎么办？","这通常是由于示例 Prompt 中存在不一致性或拼写错误导致的。请仔细检查 Prompt 模板，确保所有需要提取的实体（如 'city'）都在 Prompt 中明确定义，并修正其中的拼写错误（例如将 'Pegeout' 改为 'Peugeot'）。","https:\u002F\u002Fgithub.com\u002Fdeepset-ai\u002Fhaystack-cookbook\u002Fissues\u002F176",[]]