[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-karthik-codex--Autogen_GraphRAG_Ollama":3,"tool-karthik-codex--Autogen_GraphRAG_Ollama":64},[4,17,27,35,44,52],{"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":10,"last_commit_at":41,"category_tags":42,"status":16},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",[13,14,15,43],"视频",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":23,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":23,"last_commit_at":58,"category_tags":59,"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",[14,60,43,61,15,62,26,13,63],"数据工具","插件","其他","音频",{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":82,"owner_twitter":82,"owner_website":82,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":82,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":108,"github_topics":82,"view_count":23,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":142},4146,"karthik-codex\u002FAutogen_GraphRAG_Ollama","Autogen_GraphRAG_Ollama","Microsoft's GraphRAG + AutoGen + Ollama + Chainlit = Fully Local & Free Multi-Agent RAG Superbot","Autogen_GraphRAG_Ollama 是一款强大的开源项目，旨在构建完全本地化、免费且可离线运行的多智能体检索增强生成（RAG）系统。它巧妙融合了微软的 GraphRAG 知识图谱技术、AutoGen 多智能体框架、Ollama 本地大模型服务以及 Chainlit 交互界面，让用户无需依赖云端 API 或支付费用，即可在个人电脑上部署高性能的 AI 问答助手。\n\n该工具主要解决了传统 RAG 系统对昂贵云服务的高度依赖及数据隐私顾虑，同时突破了非 OpenAI 模型在复杂函数调用上的限制。通过引入知识图谱，它能更深入地理解文档间的关联，提供比传统向量检索更精准的全局与局部搜索能力。\n\n其核心技术亮点包括：利用 LiteLLM 代理服务器实现 Ollama 本地模型的原生函数调用，支持完全离线的嵌入与推理，并提供友好的 Chainlit 图形界面以管理多线程对话和参数设置。\n\n这款工具非常适合关注数据隐私的开发者、希望低成本验证 RAG 方案的研究人员，以及需要在无网环境下构建专属知识库的企业用户。只要具备基础的命令行操作能力，即可轻松搭建属于自己的“超级机器人”，体验前沿的","Autogen_GraphRAG_Ollama 是一款强大的开源项目，旨在构建完全本地化、免费且可离线运行的多智能体检索增强生成（RAG）系统。它巧妙融合了微软的 GraphRAG 知识图谱技术、AutoGen 多智能体框架、Ollama 本地大模型服务以及 Chainlit 交互界面，让用户无需依赖云端 API 或支付费用，即可在个人电脑上部署高性能的 AI 问答助手。\n\n该工具主要解决了传统 RAG 系统对昂贵云服务的高度依赖及数据隐私顾虑，同时突破了非 OpenAI 模型在复杂函数调用上的限制。通过引入知识图谱，它能更深入地理解文档间的关联，提供比传统向量检索更精准的全局与局部搜索能力。\n\n其核心技术亮点包括：利用 LiteLLM 代理服务器实现 Ollama 本地模型的原生函数调用，支持完全离线的嵌入与推理，并提供友好的 Chainlit 图形界面以管理多线程对话和参数设置。\n\n这款工具非常适合关注数据隐私的开发者、希望低成本验证 RAG 方案的研究人员，以及需要在无网环境下构建专属知识库的企业用户。只要具备基础的命令行操作能力，即可轻松搭建属于自己的“超级机器人”，体验前沿的本地化 AI 应用。","# GraphRAG + AutoGen + Ollama + Chainlit UI = Local Multi-Agent RAG Superbot  \n\n![Graphical Abstract](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkarthik-codex_Autogen_GraphRAG_Ollama_readme_e3437b03619c.jpg)\n\nThis application integrates GraphRAG with AutoGen agents, powered by local LLMs from Ollama, for free and offline embedding and inference. Key highlights include:\n - **Agentic-RAG:** - Integrating GraphRAG's knowledge search method with an AutoGen agent via function calling.\n - **Offline LLM Support:** - Configuring GraphRAG (local & global search) to support local models from Ollama for inference\n and embedding.\n - **Non-OpenAI Function Calling:** - Extending AutoGen to support function calling with non-OpenAI LLMs from Ollama via Lite-LLM proxy\nserver.\n - **Interactive UI:** - Deploying Chainlit UI to handle continuous conversations, multi-threading, and user input settings.\n\n![Main Interfacce](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkarthik-codex_Autogen_GraphRAG_Ollama_readme_16088f0429fd.webp)\n![Widget Settings](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkarthik-codex_Autogen_GraphRAG_Ollama_readme_fc749e61d754.webp)\n\n## Useful Links 🔗\n\n- **Full Guide:** Microsoft's GraphRAG + AutoGen + Ollama + Chainlit = Fully Local & Free Multi-Agent RAG Superbot [Medium.com](https:\u002F\u002Fmedium.com\u002F@karthik.codex\u002Fmicrosofts-graphrag-autogen-ollama-chainlit-fully-local-free-multi-agent-rag-superbot-61ad3759f06f) 📚\n\n## 📦 Installation and Setup Linux\n\nFollow these steps to set up and run AutoGen GraphRAG Local with Ollama and Chainlit UI:\n\n1. **Install LLMs:**\n\n    Visit [Ollama's website](https:\u002F\u002Follama.com\u002F) for installation files.\n\n    ```bash\n    ollama pull mistral\n    ollama pull nomic-embed-text\n    ollama pull llama3\n    ollama serve\n    ```\n\n2. **Create conda environment and install packages:**\n    ```bash\n   conda create -n RAG_agents python=3.12\n   conda activate RAG_agents\n   git clone https:\u002F\u002Fgithub.com\u002Fkarthik-codex\u002Fautogen_graphRAG.git\n   cd autogen_graphRAG\n   pip install -r requirements.txt\n    ```    \n3. **Initiate GraphRAG root folder:**\n    ```bash\n    mkdir -p .\u002Finput\n    python -m graphrag.index --init  --root .\n    mv .\u002Futils\u002Fsettings.yaml .\u002F\n    ```      \n4. **Replace 'embedding.py' and 'openai_embeddings_llm.py' in the GraphRAG package folder using files from Utils folder:**\n    ```bash\n    sudo find \u002F -name openai_embeddings_llm.py\n    sudo find \u002F -name embedding.py\n    ```      \n5. **Create embeddings and knowledge graph:**\n    ```bash\n    python -m graphrag.index --root .\n    ```         \n6. **Start Lite-LLM proxy server:**\n    ```bash\n    litellm --model ollama_chat\u002Fllama3\n    ```    \n7. **Run app:**\n    ```bash\n    chainlit run appUI.py\n    ```                \n\n## 📦 Installation and Setup Windows\n\nFollow these steps to set up and run AutoGen GraphRAG Local with Ollama and Chainlit UI on Windows:\n\n1. **Install LLMs:**\n\n    Visit [Ollama's website](https:\u002F\u002Follama.com\u002F) for installation files.\n\n    ```pwsh\n    ollama pull mistral\n    ollama pull nomic-embed-text\n    ollama pull llama3\n    ollama serve\n    ```\n\n2. **Create conda environment and install packages:**\n    ```pwsh\n    git clone https:\u002F\u002Fgithub.com\u002Fkarthik-codex\u002Fautogen_graphRAG.git\n    cd autogen_graphRAG\n    python -m venv venv\n    .\u002Fvenv\u002FScripts\u002Factivate\n    pip install -r requirements.txt\n    ```    \n3. **Initiate GraphRAG root folder:**\n    ```pwsh\n    mkdir input\n    python -m graphrag.index --init  --root .\n    cp .\u002Futils\u002Fsettings.yaml .\u002F\n    ```      \n4. **Replace 'embedding.py' and 'openai_embeddings_llm.py' in the GraphRAG package folder using files from Utils folder:**\n    ```pwsh\n    cp .\u002Futils\u002Fopenai_embeddings_llm.py .\\venv\\Lib\\site-packages\\graphrag\\llm\\openai\\openai_embeddings_llm.py\n    cp .\u002Futils\u002Fembedding.py .\\venv\\Lib\\site-packages\\graphrag\\query\\llm\\oai\\embedding.py \n    ```      \n5. **Create embeddings and knowledge graph:**\n    ```pwsh\n    python -m graphrag.index --root .\n    ```         \n6. **Start Lite-LLM proxy server:**\n    ```pwsh\n    litellm --model ollama_chat\u002Fllama3\n    ```    \n7. **Run app:**\n    ```pwsh\n    chainlit run appUI.py\n    ```                \n","# GraphRAG + AutoGen + Ollama + Chainlit UI = 本地多智能体 RAG 超级机器人  \n\n![图形摘要](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkarthik-codex_Autogen_GraphRAG_Ollama_readme_e3437b03619c.jpg)\n\n本应用将 GraphRAG 与 AutoGen 智能体集成，并由 Ollama 提供的本地大模型支持免费且离线的嵌入和推理。主要亮点包括：\n - **智能体-RAG：** 通过函数调用将 GraphRAG 的知识检索方法与 AutoGen 智能体相结合。\n - **离线 LLM 支持：** 配置 GraphRAG（本地与全局搜索）以支持来自 Ollama 的本地模型进行推理和嵌入。\n - **非 OpenAI 函数调用：** 通过 Lite-LLM 代理服务器扩展 AutoGen，使其能够支持来自 Ollama 的非 OpenAI 大模型的函数调用。\n - **交互式 UI：** 部署 Chainlit UI 来处理连续对话、多线程以及用户输入设置。\n\n![主界面](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkarthik-codex_Autogen_GraphRAG_Ollama_readme_16088f0429fd.webp)\n![小部件设置](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkarthik-codex_Autogen_GraphRAG_Ollama_readme_fc749e61d754.webp)\n\n## 有用链接 🔗\n\n- **完整指南：** Microsoft 的 GraphRAG + AutoGen + Ollama + Chainlit = 完全本地且免费的多智能体 RAG 超级机器人 [Medium.com](https:\u002F\u002Fmedium.com\u002F@karthik.codex\u002Fmicrosofts-graphrag-autogen-ollama-chainlit-fully-local-free-multi-agent-rag-superbot-61ad3759f06f) 📚\n\n## 📦 Linux 安装与设置\n\n请按照以下步骤在本地使用 Ollama 和 Chainlit UI 设置并运行 AutoGen GraphRAG：\n\n1. **安装大模型：**\n\n    请访问 [Ollama 官网](https:\u002F\u002Follama.com\u002F) 获取安装文件。\n\n    ```bash\n    ollama pull mistral\n    ollama pull nomic-embed-text\n    ollama pull llama3\n    ollama serve\n    ```\n\n2. **创建 conda 环境并安装依赖包：**\n    ```bash\n   conda create -n RAG_agents python=3.12\n   conda activate RAG_agents\n   git clone https:\u002F\u002Fgithub.com\u002Fkarthik-codex\u002Fautogen_graphRAG.git\n   cd autogen_graphRAG\n   pip install -r requirements.txt\n    ```    \n3. **初始化 GraphRAG 根目录：**\n    ```bash\n    mkdir -p .\u002Finput\n    python -m graphrag.index --init  --root .\n    mv .\u002Futils\u002Fsettings.yaml .\u002F\n    ```      \n4. **用 Utils 文件夹中的文件替换 GraphRAG 包文件夹中的 'embedding.py' 和 'openai_embeddings_llm.py'：**\n    ```bash\n    sudo find \u002F -name openai_embeddings_llm.py\n    sudo find \u002F -name embedding.py\n    ```      \n5. **创建嵌入和知识图谱：**\n    ```bash\n    python -m graphrag.index --root .\n    ```         \n6. **启动 Lite-LLM 代理服务器：**\n    ```bash\n    litellm --model ollama_chat\u002Fllama3\n    ```    \n7. **运行应用：**\n    ```bash\n    chainlit run appUI.py\n    ```                \n\n## 📦 Windows 安装与设置\n\n请按照以下步骤在 Windows 上设置并运行 AutoGen GraphRAG 本地版本，使用 Ollama 和 Chainlit UI：\n\n1. **安装大模型：**\n\n    请访问 [Ollama 官网](https:\u002F\u002Follama.com\u002F) 获取安装文件。\n\n    ```pwsh\n    ollama pull mistral\n    ollama pull nomic-embed-text\n    ollama pull llama3\n    ollama serve\n    ```    \n\n2. **创建 conda 环境并安装依赖包：**\n    ```pwsh\n    git clone https:\u002F\u002Fgithub.com\u002Fkarthik-codex\u002Fautogen_graphRAG.git\n    cd autogen_graphRAG\n    python -m venv venv\n    .\u002Fvenv\u002FScripts\u002Factivate\n    pip install -r requirements.txt\n    ```    \n3. **初始化 GraphRAG 根目录：**\n    ```pwsh\n    mkdir input\n    python -m graphrag.index --init  --root .\n    cp .\u002Futils\u002Fsettings.yaml .\u002F\n    ```      \n4. **用 Utils 文件夹中的文件替换 GraphRAG 包文件夹中的 'embedding.py' 和 'openai_embeddings_llm.py'：**\n    ```pwsh\n    cp .\u002Futils\u002Fopenai_embeddings_llm.py .\\venv\\Lib\\site-packages\\graphrag\\llm\\openai\\openai_embeddings_llm.py\n    cp .\u002Futils\u002Fembedding.py .\\venv\\Lib\\site-packages\\graphrag\\query\\llm\\oai\\embedding.py \n    ```      \n5. **创建嵌入和知识图谱：**\n    ```pwsh\n    python -m graphrag.index --root .\n    ```         \n6. **启动 Lite-LLM 代理服务器：**\n    ```pwsh\n    litellm --model ollama_chat\u002Fllama3\n    ```    \n7. **运行应用：**\n    ```pwsh\n    chainlit run appUI.py\n    ```","# Autogen_GraphRAG_Ollama 快速上手指南\n\n本项目将 **GraphRAG**（知识图谱检索增强生成）、**AutoGen**（多智能体框架）与 **Ollama**（本地大模型）相结合，并通过 **Chainlit** 提供交互式界面。它支持完全离线、免费的本地嵌入和推理，无需依赖 OpenAI API。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux 或 Windows\n*   **Python 版本**: 推荐 Python 3.12\n*   **前置依赖**:\n    *   **Ollama**: 用于运行本地 LLM 和嵌入模型。\n    *   **Conda** (Linux 推荐) 或 **venv** (Windows 推荐): 用于管理 Python 虚拟环境。\n    *   **Git**: 用于克隆代码仓库。\n\n> **注意**: 本指南基于官方文档整理。若需加速下载 Ollama 模型或 Python 包，建议配置国内镜像源（如清华源、阿里源），但具体命令需根据网络环境自行调整。\n\n## 安装步骤\n\n### 第一步：安装并拉取本地模型\n\n访问 [Ollama 官网](https:\u002F\u002Follama.com\u002F) 下载安装包并完成安装。然后在终端中执行以下命令，拉取项目所需的模型（推理模型与嵌入模型）：\n\n```bash\nollama pull mistral\nollama pull nomic-embed-text\nollama pull llama3\nollama serve\n```\n\n### 第二步：配置 Python 环境与代码库\n\n#### 🐧 Linux 用户\n\n```bash\n# 创建并激活 conda 环境\nconda create -n RAG_agents python=3.12\nconda activate RAG_agents\n\n# 克隆项目并安装依赖\ngit clone https:\u002F\u002Fgithub.com\u002Fkarthik-codex\u002Fautogen_graphRAG.git\ncd autogen_graphRAG\npip install -r requirements.txt\n```\n\n#### 🪟 Windows 用户\n\n```powershell\n# 克隆项目\ngit clone https:\u002F\u002Fgithub.com\u002Fkarthik-codex\u002Fautogen_graphRAG.git\ncd autogen_graphRAG\n\n# 创建并激活 venv 环境\npython -m venv venv\n.\u002Fvenv\u002FScripts\u002Factivate\n\n# 安装依赖\npip install -r requirements.txt\n```\n\n### 第三步：初始化 GraphRAG 并替换核心文件\n\n此步骤用于初始化索引目录，并将项目中 `utils` 文件夹下的定制文件替换到 GraphRAG 包中，以支持非 OpenAI 模型。\n\n#### 🐧 Linux 用户\n\n```bash\n# 初始化 GraphRAG 根目录\nmkdir -p .\u002Finput\npython -m graphrag.index --init  --root .\nmv .\u002Futils\u002Fsettings.yaml .\u002F\n\n# 查找并手动替换文件路径提示\n# 请根据下方输出路径，手动将 .\u002Futils 中的对应文件复制覆盖到找到的路径中\nsudo find \u002F -name openai_embeddings_llm.py\nsudo find \u002F -name embedding.py\n```\n*(注：Linux 下需根据 `find` 命令输出的路径，手动执行 `cp` 命令将 `.\u002Futils\u002Fopenai_embeddings_llm.py` 和 `.\u002Futils\u002Fembedding.py` 复制到对应的 site-packages 目录)*\n\n#### 🪟 Windows 用户\n\n```powershell\n# 初始化 GraphRAG 根目录\nmkdir input\npython -m graphrag.index --init  --root .\ncp .\u002Futils\u002Fsettings.yaml .\u002F\n\n# 自动替换核心文件以支持 Ollama\ncp .\u002Futils\u002Fopenai_embeddings_llm.py .\\venv\\Lib\\site-packages\\graphrag\\llm\\openai\\openai_embeddings_llm.py\ncp .\u002Futils\u002Fembedding.py .\\venv\\Lib\\site-packages\\graphrag\\query\\llm\\oai\\embedding.py \n```\n\n### 第四步：构建知识图谱\n\n执行以下命令，利用本地模型对 `.\u002Finput` 目录下的数据进行嵌入处理并构建知识图谱：\n\n```bash\npython -m graphrag.index --root .\n```\n\n## 基本使用\n\n完成上述步骤后，启动服务即可通过网页界面进行交互。\n\n1.  **启动 LiteLLM 代理服务器**\n    该服务负责将 AutoGen 的请求转发给本地的 Ollama 模型。\n\n    ```bash\n    litellm --model ollama_chat\u002Fllama3\n    ```\n    *(保持此终端窗口运行)*\n\n2.  **启动 Chainlit 前端界面**\n    打开一个新的终端窗口，运行应用 UI：\n\n    ```bash\n    chainlit run appUI.py\n    ```\n\n3.  **开始对话**\n    浏览器会自动打开（或访问 `http:\u002F\u002Flocalhost:8000`）。您可以在界面中上传文档、配置参数，并与基于本地知识图谱的多智能体系统进行对话。","某金融合规团队需要在完全离线的内网环境中，快速从数千页的历史监管文档和内部审计报告中提取关联风险线索。\n\n### 没有 Autogen_GraphRAG_Ollama 时\n- **数据孤岛严重**：传统关键词搜索只能匹配字面内容，无法发现“洗钱”与特定“跨境转账模式”之间隐含的图谱关联，导致漏报高风险案例。\n- **云端依赖受限**：出于数据隐私合规要求，无法调用外部云大模型 API，而本地部署开源模型又缺乏多智能体协作能力，分析深度不足。\n- **开发门槛过高**：若要实现本地化的函数调用（Function Calling）和图谱检索，需手动修改底层代码适配非 OpenAI 模型，耗时数周且极易出错。\n- **交互体验割裂**：缺乏统一的对话界面，分析师需在命令行、脚本和文档间反复切换，无法进行连续的多轮追问和上下文追溯。\n\n### 使用 Autogen_GraphRAG_Ollama 后\n- **深度关联洞察**：利用 GraphRAG 构建本地知识图谱，结合 AutoGen 多智能体自动推理，精准挖掘出文档间隐藏的资金流向异常路径。\n- **纯本地安全运行**：通过 Ollama 加载 Llama3 等本地模型，配合 LiteLLM 代理实现完全离线推理，确保敏感金融数据不出内网。\n- **开箱即用集成**：直接复用预置的非 OpenAI 函数调用配置，无需修改底层源码，半天内即可完成从环境搭建到业务上线的全流程。\n- **流畅人机协作**：基于 Chainlit 的可视化界面支持多线程对话，分析师可像聊天一样指挥多个智能体并行处理复杂查询，实时调整检索策略。\n\nAutogen_GraphRAG_Ollama 将高门槛的本地多智能体图谱检索转化为零成本、高安全的开箱即用方案，彻底释放了私有数据的深层价值。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkarthik-codex_Autogen_GraphRAG_Ollama_b01faf49.png","karthik-codex","Karthik Rajan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkarthik-codex_047bc59e.jpg","I explore, develop applications\u002Ftools, and write about things at the intersection of computational mechanics, material science, and generative AI.","Eaton Corporation","Southfield, MI, USA",null,"https:\u002F\u002Fgithub.com\u002Fkarthik-codex",[85],{"name":86,"color":87,"percentage":88},"Python","#3572A5",100,838,164,"2026-03-28T15:56:48",4,"Linux, Windows","未说明 (依赖 Ollama 运行本地模型，通常建议具备 NVIDIA GPU 以获得更好性能，具体显存需求取决于所选模型如 Llama3\u002FMistral)","未说明 (运行多个本地大模型及构建知识图谱通常建议 16GB+)",{"notes":97,"python":98,"dependencies":99},"该项目完全本地化运行，需安装 Ollama 并拉取 mistral、nomic-embed-text 和 llama3 模型。核心特点是通过 LiteLLM 代理服务器使 AutoGen 支持非 OpenAI 模型的函数调用。安装过程中需要手动替换 GraphRAG 包内的特定 Python 文件（embedding.py 和 openai_embeddings_llm.py）以适配本地模型。启动前需先运行 LiteLLM 代理服务器，再启动 Chainlit UI。","3.12",[100,101,102,103,104,105,106,107],"autogen","graphrag","ollama","chainlit","litellm","nomic-embed-text (模型)","mistral (模型)","llama3 (模型)",[26,13,15],"2026-03-27T02:49:30.150509","2026-04-06T12:04:31.182841",[112,117,122,127,132,137],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},18895,"如何解决 graphrag、chainlit 和 aiofiles 之间的依赖版本冲突？","可以通过以下步骤解决依赖冲突：\n1. 卸载相关包：pip uninstall aiofiles graphrag chainlit -y\n2. 安装兼容版本的 aiofiles：pip install aiofiles==23.1.0\n3. 重新安装 chainlit：pip install chainlit\n4. 安装 graphrag 但不解析依赖：pip install --no-deps graphrag","https:\u002F\u002Fgithub.com\u002Fkarthik-codex\u002FAutogen_GraphRAG_Ollama\u002Fissues\u002F2",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},18896,"构建知识图谱时耗时过长且 CPU\u002FGPU 利用率低，可能是什么原因？","这可能是由于 Ollama 服务器请求队列已满或出现服务不可用错误（HTTP 503）。可以尝试以下方法：\n1. 检查 Ollama 日志中是否有 '503 Service Unavailable' 或 '500' 错误。\n2. 尝试增加 Ollama 的最大请求队列数，设置环境变量：export OLLAMA_MAX_QUEUE=1024\n3. 重启计算机和容器有时也能暂时解决问题。","https:\u002F\u002Fgithub.com\u002Fkarthik-codex\u002FAutogen_GraphRAG_Ollama\u002Fissues\u002F14",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},18897,"运行命令时提示 'No module named litellm.__main__' 错误怎么办？","该错误通常是由于环境配置问题导致的。虽然部分用户反馈是自身环境问题，但请确保正确安装了 litellm 包。如果使用的是 conda 环境，建议检查包是否正确安装在当前激活的环境中，或者尝试重新安装：pip install litellm。注意不要直接使用 python -m litellm 执行，除非确认安装包支持该入口。","https:\u002F\u002Fgithub.com\u002Fkarthik-codex\u002FAutogen_GraphRAG_Ollama\u002Fissues\u002F17",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},18898,"遇到 'No module named utils.llm_config' 导入错误如何解决？","这是一个代码遗留问题。该导入语句在代码整合后已不再需要。解决方法是：\n1. 打开报错的文件（如 appUI.py）。\n2. 删除或注释掉包含 'from utils.llm_config import ...' 的行。\n3. 或者直接从仓库下载最新修订版本的代码。","https:\u002F\u002Fgithub.com\u002Fkarthik-codex\u002FAutogen_GraphRAG_Ollama\u002Fissues\u002F3",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},18899,"requirements.txt 中的 pyautogen 依赖写法有误导致安装失败，正确的写法是什么？","在 requirements.txt 中，pyautogen 的可选依赖写法需要调整。请将：\npyautogen \"pyautogen[retrievechat]\"\n修改为：\npyautogen[retrievechat]\n即去掉多余的引号和重复的包名。","https:\u002F\u002Fgithub.com\u002Fkarthik-codex\u002FAutogen_GraphRAG_Ollama\u002Fissues\u002F1",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},18900,"项目初始化时 git clone 和目录切换的步骤在 README 中是否准确？","是的，标准的初始化步骤如下：\n1. 创建并激活 conda 环境：conda create -n RAG_agents python=3.12 && conda activate RAG_agents\n2. 克隆仓库：git clone https:\u002F\u002Fgithub.com\u002Fkarthik-codex\u002Fautogen_graphRAG.git\n3. 进入目录：cd autogen_graphRAG\n4. 安装依赖：pip install -r requirements.txt\n如果之前步骤有误，维护者已对 README 进行了修正。","https:\u002F\u002Fgithub.com\u002Fkarthik-codex\u002FAutogen_GraphRAG_Ollama\u002Fissues\u002F4",[]]