[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-redis-developer--ArXivChatGuru":3,"tool-redis-developer--ArXivChatGuru":62},[4,18,28,37,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"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":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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",161147,"2026-04-19T23:31:47",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":59,"last_commit_at":60,"category_tags":61,"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",[13,27],{"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":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":10,"env_os":98,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":108,"github_topics":110,"view_count":24,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":121,"updated_at":122,"faqs":123,"releases":149},10143,"redis-developer\u002FArXivChatGuru","ArXivChatGuru","Use ArXiv ChatGuru to talk to research papers. This app uses LangChain, OpenAI, Streamlit, and Redis as a vector database\u002Fsemantic cache.","ArXiv ChatGuru 是一款专为学术探索设计的开源应用，旨在让用户能够像对话一样与 arXiv 上的研究论文进行互动。它主要解决了研究人员在面对海量文献时，难以快速定位关键信息或深入理解特定主题痛点的难题。通过输入感兴趣的研究课题，用户可以加载相关论文并直接提问，系统会基于论文内容提供有据可依的回答，而非泛泛而谈。\n\n这款工具特别适合开发者、科研人员以及对检索增强生成（RAG）技术感兴趣的学习者使用。对于希望构建专属学术问答系统的技术人员而言，它是一个极佳的入门级参考项目；对于研究者，它则能辅助快速梳理特定领域的文献脉络。\n\n在技术实现上，ArXiv ChatGuru 展现了清晰的架构逻辑：利用 LangChain 协调工作流，调用 OpenAI 模型生成文本嵌入向量，并创新性地使用 Redis 作为向量数据库和语义缓存来存储论文片段。这种设计不仅实现了高效的向量检索，还允许用户通过内置的统计页面直观 inspect 索引状态。虽然其定位是教学演示而非生产级助手，但它生动地展示了如何将 Redis 融入论文问答工作流，为构建更复杂的学术 AI 应用奠定了坚实基础。","\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fredis-developer\u002Fredis-ai-resources\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fredis-developer_ArXivChatGuru_readme_82925a017139.png\" width=\"30%\" alt=\"ArXiv ChatGuru logo\">\n  \u003C\u002Fa>\n\u003C\u002Fdiv>\n\n# ArXiv ChatGuru\n\nArXiv ChatGuru is a Streamlit app that turns a topic from arXiv into a topic-scoped Redis vector index. It fetches papers, chunks them, stores embeddings in Redis, and lets you ask grounded questions against the papers you loaded.\n\nThis app is a learning project for academic RAG. It is intentionally simple and is meant to show how Redis fits into a paper Q&A workflow, not to act as a production-ready research assistant.\n\n## What Redis does in this app\n\n- Stores topic-specific paper chunks and embeddings\n- Powers vector search for retrieval\n- Lets you inspect the active index from the built-in stats page\n\n## How it works\n\n1. Enter a topic and choose how many papers to load.\n2. The app pulls papers from arXiv and splits them into chunks.\n3. OpenAI generates embeddings for those chunks.\n4. Redis stores the chunks and embeddings in a topic-scoped index.\n5. LangChain retrieves the closest chunks for each user question and sends that context to the chat model.\n\n![Architecture diagram](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fredis-developer_ArXivChatGuru_readme_a0b790742f82.png)\n![Architecture diagram](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fredis-developer_ArXivChatGuru_readme_9771e469d3a4.png)\n\n## Prerequisites\n\n- Python 3.13 for local development\n- Docker Desktop if you want the Docker-first flow\n- An OpenAI API key\n\n## Environment setup\n\nCreate a `.env` file from the template:\n\n```bash\ncp .env.template .env\n```\n\nThen set at least:\n\n```bash\nOPENAI_API_KEY=your_key_here\n```\n\nThe default template uses:\n\n- `OPENAI_CHAT_MODEL=gpt-4.1-mini`\n- `OPENAI_EMBEDDING_MODEL=text-embedding-3-small`\n- `REDIS_INDEX_BASENAME=arxiv`\n- `REDIS_URL=redis:\u002F\u002Farxivchatguru-redis:6379`\n\n## Run with Docker\n\nDocker is the primary local path.\n\n```bash\nmake docker-up\n```\n\nThen open:\n\n```text\nhttp:\u002F\u002Flocalhost:8501\n```\n\nTo stop the stack:\n\n```bash\nmake docker-down\n```\n\n## Run locally\n\nInstall Poetry if you do not already have it:\n\n```bash\npython3 -m pip install --user poetry\n```\n\nUse Python 3.13 for the project environment, install dependencies, and start the app:\n\n```bash\npython3 -m poetry env use python3.13\nmake install\nmake dev\n```\n\nThen open:\n\n```text\nhttp:\u002F\u002Flocalhost:8501\n```\n\nIf you run locally outside Docker, make sure `REDIS_URL` points at a reachable Redis instance such as `redis:\u002F\u002Flocalhost:6379`.\n\n## Developer commands\n\n- `make format` formats the app and tests\n- `make test` runs the test suite\n- `make build` builds the Docker image\n- `make dev` starts Streamlit locally\n- `make docker-up` starts the app with Docker Compose\n\n## Stats page\n\nAfter you load a topic from the main page, open the Streamlit stats page to inspect the active Redis index. It shows:\n\n- Index metadata\n- Indexed fields\n- Query Engine stats for the active topic\n\n## Planned follow-ups\n\n- Add better metadata filters such as year or author\n- Improve chunking strategy for long papers\n- Add chat history or memory features only if the tutorial needs them\n","\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fredis-developer\u002Fredis-ai-resources\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fredis-developer_ArXivChatGuru_readme_82925a017139.png\" width=\"30%\" alt=\"ArXiv ChatGuru logo\">\n  \u003C\u002Fa>\n\u003C\u002Fdiv>\n\n# ArXiv ChatGuru\n\nArXiv ChatGuru 是一款 Streamlit 应用，它可以将 arXiv 上的某个主题转化为一个特定领域的 Redis 向量索引。它会自动获取相关论文、将其切分成段落块，并将这些段落的嵌入向量存储到 Redis 中，从而让你能够基于已加载的论文提出有据可依的问题。\n\n这个应用是一个用于学术领域 RAG（Retrieval-Augmented Generation）的学习项目。它的设计初衷是尽可能简单，旨在展示 Redis 如何融入论文问答的工作流中，而非作为一个生产级的研究助手。\n\n## Redis 在此应用中的作用\n\n- 存储特定主题的论文段落及其嵌入向量\n- 提供高效的向量检索功能\n- 允许用户通过内置的统计页面查看当前活跃的索引状态\n\n## 工作原理\n\n1. 输入一个主题，并选择要加载的论文数量。\n2. 应用从 arXiv 获取论文，并将其拆分为多个段落块。\n3. 使用 OpenAI 生成这些段落块的嵌入向量。\n4. Redis 将这些段落块和嵌入向量存储在一个与主题相关的索引中。\n5. LangChain 会根据用户的提问检索最相关的段落块，并将这些上下文传递给聊天模型。\n\n![架构图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fredis-developer_ArXivChatGuru_readme_a0b790742f82.png)\n![架构图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fredis-developer_ArXivChatGuru_readme_9771e469d3a4.png)\n\n## 前置条件\n\n- 本地开发需使用 Python 3.13\n- 如果希望采用以 Docker 为主的工作流，需安装 Docker Desktop\n- 需拥有 OpenAI 的 API 密钥\n\n## 环境设置\n\n首先从模板文件创建 `.env` 文件：\n\n```bash\ncp .env.template .env\n```\n\n然后至少设置以下内容：\n\n```bash\nOPENAI_API_KEY=your_key_here\n```\n\n默认模板中配置了：\n\n- `OPENAI_CHAT_MODEL=gpt-4.1-mini`\n- `OPENAI_EMBEDDING_MODEL=text-embedding-3-small`\n- `REDIS_INDEX_BASENAME=arxiv`\n- `REDIS_URL=redis:\u002F\u002Farxivchatguru-redis:6379`\n\n## 使用 Docker 运行\n\nDocker 是推荐的本地运行方式。\n\n```bash\nmake docker-up\n```\n\n随后打开：\n\n```text\nhttp:\u002F\u002Flocalhost:8501\n```\n\n停止服务时：\n\n```bash\nmake docker-down\n```\n\n## 本地运行\n\n如果尚未安装 Poetry，请先进行安装：\n\n```bash\npython3 -m pip install --user poetry\n```\n\n请确保使用 Python 3.13 来创建项目环境，安装依赖并启动应用：\n\n```bash\npython3 -m poetry env use python3.13\nmake install\nmake dev\n```\n\n之后即可访问：\n\n```text\nhttp:\u002F\u002Flocalhost:8501\n```\n\n若在非 Docker 环境下本地运行，请确保 `REDIS_URL` 指向一个可访问的 Redis 实例，例如 `redis:\u002F\u002Flocalhost:6379`。\n\n## 开发者常用命令\n\n- `make format` 格式化代码及测试文件\n- `make test` 运行测试套件\n- `make build` 构建 Docker 镜像\n- `make dev` 在本地启动 Streamlit 应用\n- `make docker-up` 使用 Docker Compose 启动应用\n\n## 统计页面\n\n在主页面加载某个主题后，可以打开 Streamlit 的统计页面来查看当前活跃的 Redis 索引。该页面会显示：\n\n- 索引元数据\n- 已索引的字段\n- 当前主题的查询引擎统计信息\n\n## 计划中的后续改进\n\n- 添加更精细的元数据筛选功能，如按年份或作者筛选\n- 优化针对长篇论文的段落切分策略\n- 仅在教程需要的情况下，添加聊天历史或记忆功能","# ArXiv ChatGuru 快速上手指南\n\nArXiv ChatGuru 是一个基于 Streamlit 的学术 RAG（检索增强生成）学习项目。它能将 arXiv 上的特定主题论文转化为 Redis 向量索引，支持用户针对加载的论文内容进行 grounded（有依据的）问答。\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 \u002F macOS \u002F Windows (需安装 Docker Desktop)\n*   **Python 版本**：Python 3.13 (本地开发必需)\n*   **容器引擎**：Docker Desktop (推荐使用 Docker 方式运行)\n*   **API 密钥**：有效的 OpenAI API Key\n*   **包管理工具**：Poetry (仅本地运行模式需要)\n\n## 安装步骤\n\n### 1. 配置环境变量\n\n复制环境变量模板文件并填入您的 OpenAI 密钥：\n\n```bash\ncp .env.template .env\n```\n\n编辑 `.env` 文件，至少设置以下变量：\n\n```bash\nOPENAI_API_KEY=your_key_here\n```\n\n> **提示**：默认配置中使用的模型为 `gpt-4.1-mini` 和 `text-embedding-3-small`，Redis 地址默认为 `redis:\u002F\u002Farxivchatguru-redis:6379`。\n\n### 2. 启动应用\n\n推荐优先使用 **Docker** 方式运行，这是该项目主要的本地运行路径。\n\n#### 方案 A：使用 Docker 运行（推荐）\n\n一键启动包含 Redis 和 Streamlit 的应用栈：\n\n```bash\nmake docker-up\n```\n\n启动完成后，在浏览器访问：\n\n```text\nhttp:\u002F\u002Flocalhost:8501\n```\n\n如需停止服务，执行：\n\n```bash\nmake docker-down\n```\n\n#### 方案 B：本地直接运行\n\n如果您未安装 Poetry，请先安装：\n\n```bash\npython3 -m pip install --user poetry\n```\n\n接着配置 Python 3.13 环境、安装依赖并启动开发服务器：\n\n```bash\npython3 -m poetry env use python3.13\nmake install\nmake dev\n```\n\n启动后访问：\n\n```text\nhttp:\u002F\u002Flocalhost:8501\n```\n\n> **注意**：若在非 Docker 环境下本地运行，请确保 `.env` 中的 `REDIS_URL` 指向可达的 Redis 实例（例如 `redis:\u002F\u002Flocalhost:6379`）。\n\n## 基本使用\n\n1.  **加载主题**：\n    在应用主页输入您感兴趣的学术主题（例如 \"Large Language Models\"），并选择需要加载的论文数量。\n\n2.  **自动处理**：\n    应用将自动执行以下流程：\n    *   从 arXiv 抓取相关论文。\n    *   将论文内容切片（Chunking）。\n    *   调用 OpenAI 生成向量嵌入（Embeddings）。\n    *   将切片和向量存储到 Redis 的主题专用索引中。\n\n3.  **开始问答**：\n    加载完成后，直接在聊天框中输入问题。系统会通过 LangChain 检索最相关的论文片段，并结合上下文由大模型生成回答。\n\n4.  **查看索引状态（可选）**：\n    加载主题后，您可以打开 Streamlit 的 **Stats page** 页面，查看当前活跃的 Redis 索引元数据、字段信息及查询引擎统计信息。","一位计算机视觉领域的研究生正在撰写关于“扩散模型在医学影像生成中的应用”的综述论文，急需快速梳理该细分方向下最新发表的核心观点。\n\n### 没有 ArXivChatGuru 时\n- **检索效率低下**：需要在 arXiv 网站上手动输入关键词，逐篇下载数十篇 PDF 文件，再本地打开阅读摘要，耗时数小时才能初步筛选出相关文献。\n- **关键信息遗漏**：面对长篇大论的技术细节，人工阅读容易忽略隐藏在正文深处的具体实验参数或对比结论，难以全面掌握研究全貌。\n- **跨文档关联困难**：无法快速在不同论文之间建立联系，例如想知道“哪些论文同时提到了‘去噪稳定性’和'3D 重建’\"，只能依靠记忆或手动笔记交叉比对。\n- **上下文割裂**：向通用大模型提问时，由于缺乏最新的论文数据支持，往往得到泛泛而谈的回答，甚至出现幻觉，无法基于真实文献内容作答。\n\n### 使用 ArXivChatGuru 后\n- **一键构建知识库**：只需输入研究主题并设定数量，ArXivChatGuru 自动抓取最新论文、拆分文本块并生成向量索引存入 Redis，几分钟内即可完成专题库搭建。\n- **精准定位细节**：直接询问“某篇论文中关于采样步数的具体设置”，系统通过向量检索立刻定位到原文片段并给出确切答案，无需通读全文。\n- **智能跨文综合**：提出“比较近三年不同方法在肺部 CT 生成上的 SSIM 指标”这类复杂问题，ArXivChatGuru 能自动聚合多篇论文数据进行横向对比分析。\n- **有据可依的回答**：所有回答均基于已加载的 arXiv 论文片段生成，并附带来源引用，确保学术严谨性，彻底杜绝模型胡编乱造。\n\nArXivChatGuru 通过将静态论文转化为可交互的智能知识库，让研究人员从繁琐的文献搬运工转变为高效的知识洞察者。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fredis-developer_ArXivChatGuru_ae7c93ae.png","redis-developer","Redis Developer","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fredis-developer_677085ad.png","Redis Developer Community",null,"community@redis.com","redisinc","https:\u002F\u002Fredis.io\u002Flearn","https:\u002F\u002Fgithub.com\u002Fredis-developer",[83,87,91],{"name":84,"color":85,"percentage":86},"Python","#3572A5",95.5,{"name":88,"color":89,"percentage":90},"Dockerfile","#384d54",2.5,{"name":92,"color":93,"percentage":24},"Makefile","#427819",560,76,"2026-04-20T05:45:47","MIT","未说明",{"notes":100,"python":101,"dependencies":102},"该项目主要依赖 Docker 或本地安装的 Redis 实例。需要配置 OpenAI API 密钥。推荐使用 Docker Desktop 进行部署，若本地运行需确保 REDIS_URL 指向可访问的 Redis 服务。","3.13",[103,104,105,106,107],"streamlit","redis","langchain","openai","poetry",[13,109,16,36,14,15],"其他",[111,112,106,113,114,104,115,105,116,117,118,119,103,120],"ai","machine-learning","python","question-answering","vector-search","arxiv","rag","retrieval","retrieval-augmented-generation","vector-database","2026-03-27T02:49:30.150509","2026-04-20T19:22:19.903691",[124,129,134,139,144],{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},45544,"Redis Search 在这个项目中具体是如何工作的？","Redis (通过 RediSearch) 用于存储文档嵌入向量。当用户提问时，流程如下：\n1. 使用 OpenAI 将问题转化为嵌入向量。\n2. 利用向量相似度搜索在 Redis 中查找相关的文档片段。\n3. 将搜索结果发送给 OpenAI GPT，由其综合生成最终答案。","https:\u002F\u002Fgithub.com\u002Fredis-developer\u002FArXivChatGuru\u002Fissues\u002F2",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},45545,"如何解决 'File does not exist: App.py' 的 Docker 启动错误？","该错误通常是因为文件名大小写不匹配或配置路径错误。请检查并修改 dockerfile 中的 CMD 指令，确保文件名正确（通常为 app.py）：\nCMD [\"streamlit\", \"run\", \"app.py\", \"--server.fileWatcherType\", \"none\", \"--browser.gatherUsageStats\", \"false\",\"--server.enableXsrfProtection\", \"false\", \"--server.address\", \"0.0.0.0\"]\n此外，请查阅 README 和 docker-compose 文件确认正确的端口映射（注意 README 中提到的 8080 端口可能不适用，以 compose 文件为准）。","https:\u002F\u002Fgithub.com\u002Fredis-developer\u002FArXivChatGuru\u002Fissues\u002F18",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},45546,"遇到 Azure Redis 连接错误（Name or service not known）但只想在本地运行怎么办？","项目默认配置可能指向了 Azure 实例，但你可以在本地运行以节省成本。解决方法是：\n1. 查看 docker compose 启动的本地 Redis 容器的 IP 地址。\n2. 将环境变量中的 redis_host 变量更改为该本地 IP。\n3. 将端口设置为 dockerfile 中定义的本地 Redis 端口。\n这样即可使用本地 Redis 实例而无需 Azure 基础设施。","https:\u002F\u002Fgithub.com\u002Fredis-developer\u002FArXivChatGuru\u002Fissues\u002F7",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},45547,"为什么设置了 .env.template 文件后仍然报 OpenAI API Key 认证错误？","这是因为仅仅创建或编辑 .env.template 文件是不够的，应用程序实际读取的是 .env 文件。你需要执行复制命令将模板文件重命名为实际的环境配置文件：\ncp .env.template .env\n然后在 .env 文件中填入正确的 API Key。","https:\u002F\u002Fgithub.com\u002Fredis-developer\u002FArXivChatGuru\u002Fissues\u002F1",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},45548,"Vectorstore 是否支持在现有索引基础上持续叠加数据以扩展存储？","是的，当前的实现逻辑已经支持此功能。系统会尝试先读取现有索引 (from_existing_index)，如果不存在则创建新索引。这意味着你可以在原有基础上持续添加数据以实现 vectorstore 的扩展，无需每次重新构建。","https:\u002F\u002Fgithub.com\u002Fredis-developer\u002FArXivChatGuru\u002Fissues\u002F8",[]]