[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-mongodb-developer--GenAI-Showcase":3,"tool-mongodb-developer--GenAI-Showcase":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",159267,2,"2026-04-17T11:29:14",[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":68,"readme_en":69,"readme_zh":70,"quickstart_zh":71,"use_case_zh":72,"hero_image_url":73,"owner_login":74,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":119,"forks":120,"last_commit_at":121,"license":122,"difficulty_score":32,"env_os":123,"env_gpu":124,"env_ram":124,"env_deps":125,"category_tags":128,"github_topics":129,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":135,"updated_at":136,"faqs":137,"releases":153},8641,"mongodb-developer\u002FGenAI-Showcase","GenAI-Showcase","GenAI Cookbook","GenAI-Showcase 是 MongoDB 官方推出的生成式 AI 实战资源库，旨在为开发者提供从入门到进阶的全套代码示例与应用模板。它主要解决了企业在构建 AI 应用时面临的“如何落地”难题，通过丰富的案例展示了如何将 MongoDB 深度集成到检索增强生成（RAG）、AI 智能体（Agents）及特定行业场景中。\n\n在这个仓库中，MongoDB 不仅作为传统的操作型数据库，更扮演了向量数据库和记忆存储的关键角色，帮助开发者高效管理非结构化数据与上下文记忆。资源库内容涵盖 Jupyter Notebook 教程、完整的 Python 与 JavaScript 演示应用、自助式工作坊以及合作伙伴的贡献案例，覆盖了模型评估、代理构建等核心环节。\n\nGenAI-Showcase 特别适合正在探索生成式 AI 的软件工程师、数据科学家及技术团队使用。无论你是想快速上手 RAG 架构，还是希望构建复杂的多智能体系统，都能在这里找到可运行的代码参考。其独特的技术亮点在于直观呈现了 MongoDB 在统一数据栈中的优势，让用户无需在不同数据库间切换，即可在同一平台上完成数据存储、向量搜索及应","GenAI-Showcase 是 MongoDB 官方推出的生成式 AI 实战资源库，旨在为开发者提供从入门到进阶的全套代码示例与应用模板。它主要解决了企业在构建 AI 应用时面临的“如何落地”难题，通过丰富的案例展示了如何将 MongoDB 深度集成到检索增强生成（RAG）、AI 智能体（Agents）及特定行业场景中。\n\n在这个仓库中，MongoDB 不仅作为传统的操作型数据库，更扮演了向量数据库和记忆存储的关键角色，帮助开发者高效管理非结构化数据与上下文记忆。资源库内容涵盖 Jupyter Notebook 教程、完整的 Python 与 JavaScript 演示应用、自助式工作坊以及合作伙伴的贡献案例，覆盖了模型评估、代理构建等核心环节。\n\nGenAI-Showcase 特别适合正在探索生成式 AI 的软件工程师、数据科学家及技术团队使用。无论你是想快速上手 RAG 架构，还是希望构建复杂的多智能体系统，都能在这里找到可运行的代码参考。其独特的技术亮点在于直观呈现了 MongoDB 在统一数据栈中的优势，让用户无需在不同数据库间切换，即可在同一平台上完成数据存储、向量搜索及应用状态管理，大大简化了 AI 应用的开发流程。","## MongoDB's GenAI Showcase\n\nWelcome to MongoDB's Generative AI Showcase Repository!\n\nWhether you are just starting out on your Generative AI journey, or looking to build advanced GenAI applications, we've got you covered. This repository has an exhaustive list of examples and sample applications that cover Retrieval-Augmented Generation (RAG), AI Agents, and industry-specific use cases.\n\nDiscover how MongoDB integrates into RAG pipelines and AI Agents, serving as a vector database, operational database, and memory provider.\n\n## Contents\n\nThis repo mainly contains:\n\n| Folder | Description |\n|--------|-------------|\n| [`notebooks`](notebooks\u002FREADME.md) | Jupyter notebooks examples for RAG, agentic applications, evaluations etc. |\n| [`apps`](apps\u002FREADME.md) | Javascript and Python apps and demos |\n| [`workshops`](workshops\u002FREADME.md) | Self-paced hands-on workshops |\n| [`partners`](partners\u002FREADME.md) | Contributions from our AI partners |\n\n## Getting Started\n\nYou will need to connect to a MongoDB cluster to run any of the apps or examples in this repo. Follow these steps to get set up:\n\n* Register for a [free MongoDB Atlas account](https:\u002F\u002Fwww.mongodb.com\u002Fcloud\u002Fatlas\u002Fregister)\n* [Create a new database cluster](https:\u002F\u002Fwww.mongodb.com\u002Fdocs\u002Fguides\u002Fatlas\u002Fcluster\u002F)\n* [Obtain the connection string](https:\u002F\u002Fwww.mongodb.com\u002Fdocs\u002Fguides\u002Fatlas\u002Fconnection-string\u002F) for your database cluster\n\n## Contributing\n\nWe welcome contributions! Please read our [Contribution Guidelines](CONTRIBUTING.md) for more information on how to participate.\n\n## License\n\nThis project is licensed under the [MIT License](LICENSE).\n\n## Getting Support\n\nAs you work through these examples, if you encounter any problems, please [open a new issue](https:\u002F\u002Fgithub.com\u002Fmongodb-developer\u002FGenAI-Showcase\u002Fissues\u002Fnew).\n\n## Additional Resources\n\n* [AI Learning Hub](https:\u002F\u002Fwww.mongodb.com\u002Fresources\u002Fuse-cases\u002Fartificial-intelligence?utm_campaign=ai_learning_hub&utm_source=github&utm_medium=referral)\n* [GenAI Community Forum](https:\u002F\u002Fwww.mongodb.com\u002Fcommunity\u002Fforums\u002Fc\u002Fgenerative-ai\u002F162)\n* [Tutorials and code examples from our official docs](https:\u002F\u002Fgithub.com\u002Fmongodb\u002Fdocs-notebooks)\n","## MongoDB 的生成式 AI 展示\n\n欢迎来到 MongoDB 的生成式 AI 展示仓库！\n\n无论您是刚刚开始探索生成式 AI，还是希望构建高级的生成式 AI 应用，我们都将为您提供全面的支持。本仓库包含丰富的示例和样例应用，涵盖检索增强生成（RAG）、AI 代理以及各行业的特定用例。\n\n了解 MongoDB 如何融入 RAG 流程和 AI 代理中，作为向量数据库、操作型数据库以及记忆存储提供者发挥作用。\n\n## 内容概览\n\n本仓库主要包含以下内容：\n\n| 文件夹 | 描述 |\n|--------|------|\n| [`notebooks`](notebooks\u002FREADME.md) | 用于 RAG、代理式应用、评估等的 Jupyter 笔记本示例 |\n| [`apps`](apps\u002FREADME.md) | JavaScript 和 Python 应用及演示 |\n| [`workshops`](workshops\u002FREADME.md) | 自学型动手实践工作坊 |\n| [`partners`](partners\u002FREADME.md) | 来自我们 AI 合作伙伴的贡献 |\n\n## 快速入门\n\n要运行本仓库中的任何应用或示例，您需要连接到一个 MongoDB 集群。请按照以下步骤进行设置：\n\n* 注册一个 [免费的 MongoDB Atlas 账户](https:\u002F\u002Fwww.mongodb.com\u002Fcloud\u002Fatlas\u002Fregister)\n* [创建一个新的数据库集群](https:\u002F\u002Fwww.mongodb.com\u002Fdocs\u002Fguides\u002Fatlas\u002Fcluster\u002F)\n* [获取您的数据库集群连接字符串](https:\u002F\u002Fwww.mongodb.com\u002Fdocs\u002Fguides\u002Fatlas\u002Fconnection-string\u002F)\n\n## 参与贡献\n\n我们热烈欢迎各位的参与！请阅读我们的 [贡献指南](CONTRIBUTING.md)，了解更多关于如何参与的信息。\n\n## 许可证\n\n本项目采用 [MIT 许可证](LICENSE) 开源。\n\n## 获取支持\n\n在使用这些示例的过程中，如果您遇到任何问题，请 [提交一个新的 issue](https:\u002F\u002Fgithub.com\u002Fmongodb-developer\u002FGenAI-Showcase\u002Fissues\u002Fnew)。\n\n## 更多资源\n\n* [AI 学习中心](https:\u002F\u002Fwww.mongodb.com\u002Fresources\u002Fuse-cases\u002Fartificial-intelligence?utm_campaign=ai_learning_hub&utm_source=github&utm_medium=referral)\n* [生成式 AI 社区论坛](https:\u002F\u002Fwww.mongodb.com\u002Fcommunity\u002Fforums\u002Fc\u002Fgenerative-ai\u002F162)\n* [官方文档中的教程和代码示例](https:\u002F\u002Fgithub.com\u002Fmongodb\u002Fdocs-notebooks)","# GenAI-Showcase 快速上手指南\n\nGenAI-Showcase 是 MongoDB 官方提供的生成式 AI 示例仓库，涵盖检索增强生成（RAG）、AI 智能体（Agents）及行业特定用例。本指南将帮助你快速配置环境并运行示例。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Windows, macOS 或 Linux\n*   **Python 版本**：推荐 Python 3.9 或更高版本（大部分示例基于 Python）\n*   **Node.js**：部分 JavaScript 应用需要 Node.js (推荐 LTS 版本)\n*   **MongoDB Atlas 账号**：必须拥有免费的 MongoDB Atlas 云数据库集群\n*   **依赖管理工具**：`pip` (Python) 或 `npm`\u002F`yarn` (JavaScript)\n\n> **注意**：本项目主要依赖云端 MongoDB Atlas，无需在本地安装 MongoDB 服务端。\n\n## 安装步骤\n\n### 1. 配置 MongoDB Atlas 集群\n\n运行任何示例前，必须先连接至 MongoDB 集群：\n\n1.  访问 [MongoDB Atlas 注册页面](https:\u002F\u002Fwww.mongodb.com\u002Fcloud\u002Fatlas\u002Fregister) 创建免费账号。\n2.  登录后，点击 **\"Create a new database cluster\"** 创建一个新集群（选择免费层级 M0 即可）。\n3.  在集群详情页，点击 **\"Connect\"**，选择 **\"Drivers\"**，复制 **Connection String**（连接字符串），格式类似：\n    `mongodb+srv:\u002F\u002F\u003Cusername>:\u003Cpassword>@cluster0.xxxxx.mongodb.net\u002F?retryWrites=true&w=majority`\n4.  请将 `\u003Cusername>` 和 `\u003Cpassword>` 替换为你创建的数据库用户凭证。\n\n### 2. 克隆项目代码\n\n使用 Git 克隆仓库到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmongodb-developer\u002FGenAI-Showcase.git\ncd GenAI-Showcase\n```\n\n### 3. 安装 Python 依赖\n\n进入包含示例的目录（以 `notebooks` 或 `apps` 中的 Python 项目为例），创建虚拟环境并安装依赖：\n\n```bash\n# 创建虚拟环境\npython -m venv venv\n\n# 激活虚拟环境\n# Windows:\nvenv\\Scripts\\activate\n# macOS\u002FLinux:\nsource venv\u002Fbin\u002Factivate\n\n# 安装依赖 (具体 requirements 文件位置视具体示例文件夹而定，通常在根目录或子目录下)\n# 例如在 apps\u002Fpython 目录下：\npip install -r requirements.txt\n```\n\n> **国内加速建议**：如果 `pip install` 速度较慢，建议使用国内镜像源：\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 基本使用\n\n本仓库的核心内容位于 `notebooks` (Jupyter 笔记本) 和 `apps` (完整应用) 目录。以下以运行一个基础的 RAG 示例为例：\n\n### 步骤 1：配置环境变量\n\n在项目根目录或具体示例文件夹下，创建 `.env` 文件，填入你的 MongoDB 连接字符串和所需的 LLM API Key（如 OpenAI）：\n\n```bash\nexport MONGODB_URI=\"mongodb+srv:\u002F\u002F\u003Cuser>:\u003Cpassword>@cluster0.xxxxx.mongodb.net\u002F\"\nexport OPENAI_API_KEY=\"sk-...\"\n```\n\n*(Windows PowerShell 用户使用 `$env:MONGODB_URI = \"...\"`)*\n\n### 步骤 2：运行 Jupyter Notebook 示例\n\n进入 `notebooks` 目录，启动 Jupyter Lab 或 Notebook：\n\n```bash\ncd notebooks\njupyter lab\n```\n\n在浏览器打开的界面中，选择一个入门示例（例如 `rag_basic.ipynb`），按顺序执行单元格。代码会自动利用你配置的 MongoDB Atlas 作为向量数据库存储嵌入数据，并执行检索增强生成流程。\n\n### 步骤 3：运行 Python 应用示例\n\n如果想运行独立的 Python 脚本（位于 `apps` 目录）：\n\n```bash\ncd apps\u002Fpython\u002F\u003Cspecific-app-folder>\npython main.py\n```\n\n程序将连接至你的 Atlas 集群，执行预设的 AI 任务（如问答、数据分析等），并在终端输出结果。\n\n---\n*更多高级用法、工作坊教程及合作伙伴集成示例，请参阅仓库中对应的 `workshops` 和 `partners` 目录文档。*","某电商公司的数据团队正急于构建一个能结合实时库存与历史订单回答用户咨询的智能客服系统。\n\n### 没有 GenAI-Showcase 时\n- 开发人员需从零摸索如何将 MongoDB 配置为向量数据库，反复试错导致检索增强生成（RAG） pipeline 搭建耗时数周。\n- 缺乏标准的 AI Agent 内存管理方案，机器人无法在多轮对话中准确记住用户的上下文偏好，回答经常“断片”。\n- 团队不得不自行编写大量样板代码来连接大模型与数据库，且因缺少评估示例，难以量化回答的准确性。\n- 面对行业特定场景（如库存查询），找不到可参考的集成架构，只能依赖零散的社区文档拼凑方案。\n\n### 使用 GenAI-Showcase 后\n- 直接复用仓库中成熟的 RAG Jupyter Notebook 示例，快速打通 MongoDB 向量搜索与大模型的链路，将原型开发时间缩短至几天。\n- 借鉴现成的 AI Agent 应用代码，轻松实现将 MongoDB 作为记忆存储层，使客服机器人能流畅处理复杂的多轮交互。\n- 利用内置的评估脚本和完整 Demo，迅速验证系统性能并迭代优化，无需再为基础架构代码耗费精力。\n- 参考针对零售行业的特定用例模板，快速落地了“实时库存 + 订单历史”的混合查询功能，大幅提升了回答精准度。\n\nGenAI-Showcase 通过提供开箱即用的全栈示例，让开发者从繁琐的基础设施搭建中解放出来，专注于业务逻辑的创新与落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmongodb-developer_GenAI-Showcase_27a477d3.png","mongodb-developer","MongoDB Developer Relations","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmongodb-developer_27c94595.jpg","MongoDB Developer Relations - Code Samples and Examples",null,"devrel@mongodb.com","mongodb","https:\u002F\u002Fmongodb.com","https:\u002F\u002Fgithub.com\u002Fmongodb-developer",[84,88,92,96,100,103,107,110,113,116],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",96.8,{"name":89,"color":90,"percentage":91},"TypeScript","#3178c6",2.5,{"name":93,"color":94,"percentage":95},"Python","#3572A5",0.4,{"name":97,"color":98,"percentage":99},"JavaScript","#f1e05a",0.1,{"name":101,"color":102,"percentage":99},"CSS","#663399",{"name":104,"color":105,"percentage":106},"HTML","#e34c26",0,{"name":108,"color":109,"percentage":106},"Java","#b07219",{"name":111,"color":112,"percentage":106},"HCL","#844FBA",{"name":114,"color":115,"percentage":106},"Shell","#89e051",{"name":117,"color":118,"percentage":106},"Dockerfile","#384d54",4223,727,"2026-04-16T17:30:14","MIT","","未说明",{"notes":126,"python":124,"dependencies":127},"运行此仓库中的任何应用或示例前，必须连接至 MongoDB 集群。用户需注册免费的 MongoDB Atlas 账户，创建新的数据库集群并获取连接字符串。该仓库主要包含用于 RAG、AI 代理及评估的 Jupyter Notebook 示例，以及 JavaScript 和 Python 应用程序。",[],[35,13,14],[130,131,132,133,134],"agents","artificial-intelligence","generative-ai","llms","rag","2026-03-27T02:49:30.150509","2026-04-18T03:33:03.192712",[138,143,148],{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},38698,"项目中缺少 CONTRIBUTING.md 文件，如何参与贡献？","维护者已在相关 PR 中添加了基本的贡献指南。目前项目尚未制定接受社区贡献的具体计划，如有进一步需求可联系维护者 @ranfysvalle02 了解详情。","https:\u002F\u002Fgithub.com\u002Fmongodb-developer\u002FGenAI-Showcase\u002Fissues\u002F52",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},38699,"无法查看工作坊（workshops）的 Notebook 链接怎么办？","该问题已被修复。如果您之前遇到无法看到 Notebook 链接的情况，现在刷新页面或重新访问仓库即可正常查看。","https:\u002F\u002Fgithub.com\u002Fmongodb-developer\u002FGenAI-Showcase\u002Fissues\u002F121",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},38700,"运行 seed-db.js 脚本时提示缺少 .env 配置如何处理？","需要在安装依赖后手动运行 `npm run dotenv` 命令，或者确保已安装 dotenv 依赖。维护者已将该依赖添加到项目中，建议更新代码后重新执行 `npm install`。","https:\u002F\u002Fgithub.com\u002Fmongodb-developer\u002FGenAI-Showcase\u002Fissues\u002F103",[]]