[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-jonfairbanks--local-rag":3,"tool-jonfairbanks--local-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",140436,2,"2026-04-05T23:32:43",[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。",107662,"2026-04-03T11:11:01",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},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",[14,35],{"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":76,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":10,"env_os":93,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":97,"github_topics":99,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":136},4341,"jonfairbanks\u002Flocal-rag","local-rag","Ingest files for retrieval augmented generation (RAG) with open-source Large Language Models (LLMs), all without 3rd parties or sensitive data leaving your network.","local-rag 是一款专为隐私安全设计的开源检索增强生成（RAG）工具，旨在让用户在完全离线的本地环境中，利用开源大语言模型对各类文档进行智能问答。它核心解决了企业和个人在使用 AI 处理敏感数据时的顾虑：无需依赖第三方云服务，确保所有文件内容与对话记录始终保留在本地网络内，杜绝数据外泄风险。\n\n这款工具非常适合注重数据合规的企业开发者、科研人员以及希望私有化部署 AI 知识库的技术团队。无论是分析本地文件、抓取 GitHub 仓库代码，还是索引特定网站内容，local-rag 都能轻松 ingest（摄入）并建立索引。其技术亮点在于完全摒弃了对 OpenAI 等外部 API 的依赖，支持本地运行嵌入模型与大语言模型，同时提供流式响应、多轮对话记忆以及聊天记录导出等实用功能。通过简洁的架构，local-rag 让构建安全、可控且高效的私人 AI 知识库变得简单可行，是打造内部智能助手或研发保密项目的理想选择。","# 📚 Local RAG\n\n![local-rag-demo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjonfairbanks_local-rag_readme_15b4d040f05d.gif)\n\n[![OpenSSF Best Practices](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjonfairbanks_local-rag_readme_f5bf1383ef8c.png)](https:\u002F\u002Fwww.bestpractices.dev\u002Fprojects\u002F8588)\n![GitHub Commit Activity](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcommit-activity\u002Ft\u002Fjonfairbanks\u002Flocal-rag)\n![GitHub Last Commit](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002Fjonfairbanks\u002Flocal-rag)\n![GitHub License](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fjonfairbanks\u002Flocal-rag)\n\nOffline, Open-Source RAG\n\nIngest files for retrieval augmented generation (RAG) with open-source Large Language Models (LLMs), all without 3rd parties or sensitive data leaving your network.\n\nFeatures:\n\n- Offline Embeddings & LLMs Support (No OpenAI!)\n- Support for Multiple Sources\n    - Local Files\n    - GitHub Repos\n    - Websites\n- Streaming Responses\n- Conversational Memory\n- Chat Export\n\nLearn More:\n\n- [Setup & Deploy the App](docs\u002Fsetup.md)\n- [Using Local RAG](docs\u002Fusage.md)\n- [RAG Pipeline](docs\u002Fpipeline.md)\n- [Planned Features](docs\u002Ftodo.md)\n- [Troubleshooting](docs\u002Ftroubleshooting.md)\n- [Known Bugs & Issues](docs\u002Ftodo.md#known-issues--bugs)\n- [Resources](docs\u002Fresources.md)\n- [Contributing](docs\u002Fcontributing.md)","# 📚 本地 RAG\n\n![local-rag-demo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjonfairbanks_local-rag_readme_15b4d040f05d.gif)\n\n[![OpenSSF 最佳实践](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjonfairbanks_local-rag_readme_f5bf1383ef8c.png)](https:\u002F\u002Fwww.bestpractices.dev\u002Fprojects\u002F8588)\n![GitHub 提交活动](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcommit-activity\u002Ft\u002Fjonfairbanks\u002Flocal-rag)\n![GitHub 最后一次提交](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002Fjonfairbanks\u002Flocal-rag)\n![GitHub 许可证](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fjonfairbanks\u002Flocal-rag)\n\n离线、开源的 RAG\n\n无需第三方服务或敏感数据离开您的网络，即可将文件导入以用于检索增强生成（RAG），并结合开源大型语言模型（LLM）使用。\n\n特性：\n\n- 支持离线嵌入和 LLM（无需 OpenAI！）\n- 支持多种数据源\n    - 本地文件\n    - GitHub 仓库\n    - 网站\n- 流式响应\n- 对话记忆\n- 聊天记录导出\n\n了解更多：\n\n- [设置与部署应用](docs\u002Fsetup.md)\n- [使用本地 RAG](docs\u002Fusage.md)\n- [RAG 流程](docs\u002Fpipeline.md)\n- [计划中的功能](docs\u002Ftodo.md)\n- [故障排除](docs\u002Ftroubleshooting.md)\n- [已知错误与问题](docs\u002Ftodo.md#known-issues--bugs)\n- [资源](docs\u002Fresources.md)\n- [贡献指南](docs\u002Fcontributing.md)","# Local RAG 快速上手指南\n\nLocal RAG 是一款完全离线、开源的检索增强生成（RAG）工具。它支持使用本地大语言模型（LLM）和嵌入模型处理文件、GitHub 仓库及网站内容，无需依赖第三方服务（如 OpenAI），确保敏感数据不出内网。\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 (WSL2 推荐)。\n*   **Python 版本**：Python 3.10 或更高版本。\n*   **硬件建议**：\n    *   运行本地 LLM 建议使用具备 CUDA 支持的 NVIDIA 显卡（显存 8GB+ 推荐）或 Apple Silicon (M1\u002FM2\u002FM3) 芯片。\n    *   若仅使用 CPU，推理速度会较慢，但仍可运行小型模型。\n*   **前置依赖**：\n    *   `git`：用于克隆代码库。\n    *   `pip` 或 `poetry`：用于管理 Python 依赖。\n    *   (可选) `ollama` 或 `llama.cpp`：如果您希望自行管理后端模型服务（Local RAG 通常内置或自动拉取所需模型）。\n\n> **国内开发者提示**：建议在安装 Python 依赖时使用国内镜像源（如清华源或阿里源）以加速下载。\n\n## 安装步骤\n\n### 1. 克隆项目\n将项目代码克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag.git\ncd local-rag\n```\n\n### 2. 创建虚拟环境\n推荐使用 `venv` 隔离环境：\n\n```bash\npython -m venv venv\nsource venv\u002Fbin\u002Factivate  # Linux\u002FmacOS\n# 或在 Windows 上: venv\\Scripts\\activate\n```\n\n### 3. 安装依赖\n使用 pip 安装所需包。**国内用户请使用镜像源加速**：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*(注：如果项目使用 Poetry 管理，请运行 `poetry install`)*\n\n### 4. 启动应用\n根据项目结构，通常通过以下命令启动服务或界面：\n\n```bash\npython main.py\n# 或者如果提供了脚本\n.\u002Frun.sh\n```\n*具体启动命令请参考项目根目录下的 `docs\u002Fsetup.md` 或 `Makefile`，不同版本可能略有差异。*\n\n## 基本使用\n\n启动成功后，通常可以通过浏览器访问本地服务界面（例如 `http:\u002F\u002Flocalhost:8000` 或 `http:\u002F\u002Flocalhost:7860`，具体端口视启动日志而定）。\n\n### 最简单的使用流程\n\n1.  **添加数据源**：\n    在界面中选择 \"Ingest\" 或 \"Add Source\"，上传本地文件（PDF, TXT, MD 等），或输入 GitHub 仓库地址\u002F网站 URL。\n    \n2.  **等待索引完成**：\n    系统会自动调用本地嵌入模型（Embedding Model）对数据进行向量化处理。首次运行可能会自动下载模型文件。\n\n3.  **开始对话**：\n    在聊天窗口输入问题。Local RAG 将基于您上传的内容，结合本地 LLM 生成带引用的回答。\n\n### 命令行示例（如果支持 CLI）\n\n部分版本支持直接通过命令行进行问答：\n\n```bash\npython cli.py --query \"总结上传文档的核心观点\" --source \".\u002Fmy-docs\"\n```\n\n### 配置模型（可选）\n\n如果需要指定特定的本地模型，通常在配置文件 `config.yaml` 或启动参数中设置：\n\n```yaml\nllm:\n  model_name: \"qwen-7b-chat\"  # 示例：使用通义千问本地版\n  device: \"cuda\"\nembedding:\n  model_name: \"bge-large-zh\"  # 示例：使用中文优化嵌入模型\n```\n\n现在，您已成功部署并使用 Local RAG，可以在完全离线的状态下安全地与您的私有数据进行对话。","某金融合规团队需要在完全隔离的内网环境中，快速检索并分析数千页的非公开监管文档与内部审计报告，以回答复杂的合规查询。\n\n### 没有 local-rag 时\n- 敏感数据无法上传至云端 AI 服务，导致团队只能依赖效率低下的传统关键词搜索，难以理解语义关联。\n- 搭建本地大模型环境技术门槛极高，需手动配置向量数据库、嵌入模型及推理引擎，耗时数周且维护困难。\n- 面对 GitHub 上的开源代码库或内部 Wiki 网页，缺乏统一入口进行批量导入和索引，数据孤岛现象严重。\n- 询问历史上下文时，系统无法记忆多轮对话内容，每次提问都需重新复述背景，打断分析思路。\n\n### 使用 local-rag 后\n- 所有数据处理与模型推理均在本地完成，敏感监管文件不出内网即可实现基于语义的智能问答，确保绝对合规。\n- 一键部署即可自动集成离线嵌入模型与开源大语言模型，无需连接 OpenAI 等第三方服务，大幅降低落地成本。\n- 直接输入本地文件夹路径、GitHub 仓库地址或网站 URL，local-rag 能自动抓取并构建索引，统一多源异构数据。\n- 内置对话记忆功能支持流式输出，分析师可像与专家交谈般连续追问，系统精准结合历史语境给出连贯解答。\n\nlocal-rag 让机构在零数据泄露风险的前提下，将沉睡的私有文档转化为可交互的智能知识库。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjonfairbanks_local-rag_b2b0ba72.png","jonfairbanks","Jon Fairbanks","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fjonfairbanks_1bc2d736.jpg","console.log(([][\"entries\"]()+\"\")[3]+(true+[][\"fill\"])[10]+(undefined+\"\")[1]);",null,"San Jose, CA","https:\u002F\u002Ffairbanks.io","https:\u002F\u002Fgithub.com\u002Fjonfairbanks",[81,85],{"name":82,"color":83,"percentage":84},"Python","#3572A5",97.6,{"name":86,"color":87,"percentage":88},"Dockerfile","#384d54",2.4,739,92,"2026-04-04T15:34:31","GPL-3.0","未说明",{"notes":95,"python":93,"dependencies":96},"README 提供的片段主要介绍了功能特性（如离线运行、支持本地文件\u002FGitHub\u002F网站源、流式响应等）和文档链接，未包含具体的系统环境需求、硬件配置或依赖库列表。详细的环境搭建步骤请参考文中提到的 'docs\u002Fsetup.md' 文档。",[],[35,98,14],"其他",[100,101,102,103,104],"large-language-models","llm","rag","retrieval-augmented-generation","ollama","2026-03-27T02:49:30.150509","2026-04-06T18:54:35.641017",[108,113,118,123,128,132],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},19740,"在 Windows 上使用 Docker 运行时出现 'TypeError: Object is not an iterable' 错误或无法连接 Ollama 怎么办？","这是因为 Docker 容器内的 localhost 与宿主机的 localhost 不同。解决方法如下：\n1. 在 Local RAG 的设置中，将 Ollama Endpoint 从 `http:\u002F\u002Flocalhost:11434` 修改为 `http:\u002F\u002Fhost.docker.internal:11434`。\n2. 如果上述方法无效（特别是在 Linux 机器上运行容器时），可以尝试输入宿主机的外部 IP 地址代替 localhost。\n3. 确保 Ollama 中已下载模型，否则无法获取模型列表也会导致此类错误。","https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fissues\u002F40",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},19741,"遇到 'Errno 99 Cannot assign requested address' 错误导致无法检索 Ollama 模型列表如何解决？","该错误通常发生在 Docker 网络配置问题上，特别是在 Windows 或某些 Linux 环境下。解决方案是修改 `docker-compose.yml` 文件，添加或更改网络模式为宿主机模式：\n在网络配置部分添加：`network_mode: \"host\"`\n这样可以让容器直接使用宿主机的网络栈，从而正确访问本地运行的 Ollama 服务。","https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fissues\u002F65",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},19742,"上传文件时出现 'Permission denied' (权限被拒绝) 错误怎么办？","这通常是因为 Docker 容器内的用户没有权限写入挂载的数据卷（.\u002Fdata）。\n1. 检查挂载目录的拥有者，如果是 root，需要将其更改为当前用户或容器内用户（appuser）。\n2. 确保在启动 Docker 时正确映射了卷权限。\n3. 该问题在最新版本中可能已修复，建议升级到最新版 Local RAG 重试。","https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fissues\u002F18",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},19743,"索引网站或处理文档时出现 OpenAI AuthenticationError (401) 错误，但我使用的是 Ollama 本地模型，为什么？","这通常是因为设置未正确应用到后端，导致系统默认尝试调用 OpenAI。\n1. 检查 Settings > Advanced 底部的 Application State。\n2. 确认 `documents`、`query_engine` 和 `service_context` 是否为 NULL。如果处理完成后仍为 NULL，说明加载或嵌入模型设置出错。\n3. 维护者指出后续版本将迁移设置应用方式以预防此类奇怪的 OpenAI 相关错误。临时解决方法是重启服务并确保在 UI 中正确选择了 Ollama 嵌入模型。","https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fissues\u002F36",{"id":129,"question_zh":130,"answer_zh":131,"source_url":127},19744,"如何诊断 Local RAG 是否正常加载了文档和模型？","可以通过查看应用状态来诊断：\n1. 进入 Settings > Advanced 页面底部查看 Application State。\n2. 成功运行需要以下三个要素有值（非 NULL）：\n   - `documents`: 上传的文件\u002F仓库\u002F网站已被处理为文档。\n   - `query_engine`: 已建立文档的向量化索引，用于对话。\n   - `service_context`: 包含嵌入模型、系统提示等配置详情。\n如果任何一项在处理后仍为 NULL，则表明在加载文档、设置嵌入模型或转换文档时遇到了错误。",{"id":133,"question_zh":134,"answer_zh":135,"source_url":122},19745,"Local RAG 推荐在什么平台上运行？支持 Windows 吗？","Linux 是首选平台，但在最新版本的 Local RAG 中，Windows 也应该可以正常工作。\n如果你需要在云端或笔记本环境中运行，可以参考该项目最初的 PoC 版本，它是一个 Jupyter Notebook，适用于 Google Colab 等环境。",[137,142,147,152,157,162,167,172,177,182],{"id":138,"version":139,"summary_zh":140,"released_at":141},117769,"v1.4.3","## 变更内容\n* 切换到 `cache_resource` 用于文档索引，由 @JoepdeJong 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F54 中完成\n* 修复了在未找到模型时导致应用崩溃的问题，由 @cybertechy 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F58 中完成\n* 错误修复及依赖项更新，由 @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F62 中完成\n\n## 新贡献者\n* @JoepdeJong 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F54 中完成了首次贡献\n* @cybertechy 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F58 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fcompare\u002Fv1.4.2...v1.4.3","2024-07-05T01:11:37",{"id":143,"version":144,"summary_zh":145,"released_at":146},117770,"v1.4.1","## 更新\n\n本次更新修复了底层依赖 `llama-index` 中存在的一个严重命令注入漏洞。\n\nhttps:\u002F\u002Fnvd.nist.gov\u002Fvuln\u002Fdetail\u002FCVE-2024-3271\n\n## 变更内容\n* 安全更新，由 @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F45 中完成\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fcompare\u002Fv1.4.0...v1.4.1","2024-05-04T06:02:55",{"id":148,"version":149,"summary_zh":150,"released_at":151},117771,"v1.4.0","## 变更内容\n* @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F27 中添加了贡献说明部分\n* @bananya-ml 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F29 中更新了 Pipfile\n* @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F30 中修复了 Windows 相关的 bug\n* @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F32 中更新了 Pipfile.lock\n* @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F38 中更新了 Pipfile\n* @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F41 中迁移到 Llama-Index 配置\n\n## 新贡献者\n* @bananya-ml 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F29 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fcompare\u002Fv1.3.3...v1.4.0","2024-03-22T21:34:49",{"id":153,"version":154,"summary_zh":155,"released_at":156},117772,"v1.3.3","## 变更内容\n* 允许嵌入使用 CUDA 设备，由 @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F26 中实现。\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fcompare\u002Fv1.3.2...v1.3.3","2024-03-07T03:10:33",{"id":158,"version":159,"summary_zh":160,"released_at":161},117773,"v1.3.1","\u003Cimg width=\"1470\" alt=\"截图 2024-03-02 上午2:25:40\" src=\"https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fassets\u002F1957806\u002F9185c5fd-696c-4076-bf01-a991d67226bd\">\n\n## 变更内容\n* 网站 RAG、用户体验改进及错误修复，由 @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F22 中完成\n* 修复工作流版本控制问题，由 @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F23 中完成\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fcompare\u002F1.3.1...v1.3.1","2024-03-02T19:37:01",{"id":163,"version":164,"summary_zh":165,"released_at":166},117774,"v1.3.0","\u003Cimg width=\"1470\" alt=\"截图 2024-02-28 上午1:19:27\" src=\"https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fassets\u002F1957806\u002Fe6fc51e5-13e1-4dd8-8520-2f2f4190a779\">\r\n\r\n## 变更内容\r\n* 更新卷挂载语法以支持 Windows，由 @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F14 中完成\r\n* 日志记录、缓存及用户体验优化，由 @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F15 中完成\r\n\r\n\r\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fcompare\u002F1.2.1...v1.3.0","2024-02-28T09:23:54",{"id":168,"version":169,"summary_zh":170,"released_at":171},117775,"v1.2.0","## 新功能\n* 可以与 GitHub 仓库进行聊天！\n\n## 变更内容\n* @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F12 中添加了 GitHub RAG 支持\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fcompare\u002F1.1.2...v1.2.0","2024-02-27T08:24:05",{"id":173,"version":174,"summary_zh":175,"released_at":176},117776,"v1.1.1","## 变更内容\n* 由 @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F7 中修复的 bug\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fcompare\u002Fv1.1.0...v1.1.1","2024-02-23T03:21:39",{"id":178,"version":179,"summary_zh":180,"released_at":181},117777,"v1.1.0","## 新功能\n新增支持覆盖高级设置：\n- 系统提示\n- 检索文档数量（top_k）\n- 嵌入模型\n- 分块大小\n\n## 变更内容\n* 由 @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F2 中更新了Logo\n* 由 @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F3 中添加了初始的Docker支持\n* 由 @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F4 中修复了UX缺陷\n* 由 @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F5 中进行了UX优化\n* 由 @jonfairbanks 在 https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fpull\u002F6 中实现了高级设置功能\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fjonfairbanks\u002Flocal-rag\u002Fcompare\u002Fv1.0.0...v1.1.0","2024-02-22T08:19:18",{"id":183,"version":184,"summary_zh":185,"released_at":186},117778,"v1.0.0","初始发布：\n\n- 支持基于本地文件上传的 RAG","2024-02-21T06:04:21"]