[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-snexus--llm-search":3,"tool-snexus--llm-search":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",160015,2,"2026-04-18T11:30:52",[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。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"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",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"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":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":75,"owner_url":76,"languages":77,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":10,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":110,"github_topics":112,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":126,"updated_at":127,"faqs":128,"releases":159},9053,"snexus\u002Fllm-search","llm-search","Querying local documents, powered by LLM","llm-search 是一款先进的本地文档问答系统，旨在让用户通过自然语言轻松查询和管理存储在电脑上的各类文件。它解决了传统搜索工具难以理解语义、无法精准定位长文档细节以及大模型缺乏私有数据上下文等痛点，让 AI 能真正“读懂”你的本地资料库。\n\n这款工具特别适合开发者、研究人员及需要处理大量技术文档的专业人士使用。无论是 Markdown 笔记、PDF 论文还是包含复杂表格的 Word 文档，llm-search 都能高效解析并建立索引。其独特之处在于超越了基础的检索增强生成（RAG）框架：支持混合搜索与重排序策略，显著提升了答案的准确性；具备“深度链接”功能，可直接跳转至 PDF 的具体页码或文档标题；支持增量更新，无需每次重新处理全部数据。此外，它还集成了 HyDE（假设性文档嵌入）和多查询融合等前沿技术，并能通过 MCP 协议无缝对接 Cursor、VSCode 等主流编程助手，让本地知识库随时为你的工作流提供智能支持。","[![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fgithubtocolab.com\u002Fsnexus\u002Fllm-search\u002Fblob\u002Fmain\u002Fnotebooks\u002Fllmsearch_google_colab_demo.ipynb)\n\n# pyLLMSearch - Advanced RAG\n\n[Documentation](https:\u002F\u002Fllm-search.readthedocs.io\u002Fen\u002Flatest\u002F)\n\nThe purpose of this package is to offer an advanced question-answering (RAG) system with a simple YAML-based configuration that enables interaction with a collection of local documents. Special attention is given to improvements in various components of the system **in addition to basic LLM-based RAGs** - better document parsing, hybrid search, HyDE, chat history, deep linking, re-ranking, the ability to customize embeddings, and more. The package is designed to work with custom Large Language Models (LLMs) – whether from OpenAI or installed locally.\n\nInteraction with the package is supported through the built-in frontend, or by exposing an MCP server, allowing clients like Cursor, Windsurf or VSCode GH Copilot to interact with the RAG system.\n\n## Features\n\n* Fast parsing and embedding of medium size document bases (tested on up to few gigabytes of markdown and pdfs)\n* Incremental updates for new documents, without a need to re-index the entire document base.\n* Supported document formats\n    * Build-in parsers:\n        * `.md` - Divides files based on logical components such as headings, subheadings, and code blocks. Supports additional features like cleaning image links, adding custom metadata, and more.\n        * `.pdf` - MuPDF-based parser.\n        * `.docx` - custom parser, supports nested tables.\n    * Other common formats are supported by `Unstructured` pre-processor:\n        * List of formats see [here](https:\u002F\u002Funstructured-io.github.io\u002Funstructured\u002Fcore\u002Fpartition.html).\n* FastAPI based API + MCP server, allowing communicating with RAG via any mcp client, including VSCode\u002FWindsurf\u002FCursor and others.\n\n* Deep linking into document sections - jump to an individual PDF page or a header in a markdown file.\n\n* Allows interaction with embedded documents, internally supporting the following models and \nmethods (including locally hosted):\n    * OpenAI compatible models and APIs.\n    * HuggingFace models.\n\n* Interoperability with LiteLLM + Ollama via OpenAI API, supporting hundreds of different models (see [Model configuration for LiteLLM](sample_templates\u002Fllm\u002Flitellm.yaml))\n\n* SSE MCP Server enabling interface with popular MCP clients.\n\n* Hybrid search and Reranking\n    * Dense embeddings from a folder of documents and stores them in a vector database ([ChromaDB](https:\u002F\u002Fgithub.com\u002Fchroma-core\u002Fchroma)).\n    * The following embedding models are supported:\n        * Hugging Face embeddings.\n        * Sentence-transformers-based models.\n        * Instructor-based models.\n        * OpenAI embeddings.\n\n    * Sparse embeddings using SPLADE (https:\u002F\u002Fgithub.com\u002Fnaver\u002Fsplade) to enable hybrid search (sparse + dense).\n\n    * Supports the \"Retrieve and Re-rank\" strategy for semantic search, see [here](https:\u002F\u002Fwww.sbert.net\u002Fexamples\u002Fapplications\u002Fretrieve_rerank\u002FREADME.html).\n        * Besides the originally `ms-marco-MiniLM` cross-encoder, more modern `bge-reranker-v2-m3` and `zerank-2` is supported.\n\n\n* Support for table parsing via open-source gmft (https:\u002F\u002Fgithub.com\u002Fconjuncts\u002Fgmft) or Azure Document Intelligence.\n\n* Optional support for image parsing using Gemini API.\n\n\n* Supports HyDE (Hypothetical Document Embeddings) - see [here](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2212.10496.pdf).\n    * WARNING: Enabling HyDE (via config OR webapp) can significantly alter the quality of the results. Please make sure to read the paper before enabling.\n    * From my own experiments, enabling HyDE significantly boosts quality of the output on a topics where user can't formulate the quesiton using domain specific language of the topic - e.g. when learning new topics.\n\n* Support for multi-querying, inspired by `RAG Fusion` - https:\u002F\u002Ftowardsdatascience.com\u002Fforget-rag-the-future-is-rag-fusion-1147298d8ad1\n    * When multi-querying is turned on (either config or webapp), the original query will be replaced by 3 variants of the same query, allowing to bridge the gap in the terminology and \"offer different angles or perspectives\" according to the article.\n\n* Supprts optional chat history with question contextualization\n\n* Other features\n    * Simple web interfaces.\n    * Ability to save responses to an offline database for future analysis.\n\n\n\n## Demo\n\n![Demo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsnexus_llm-search_readme_7010bcebd885.gif)\n\n\n## Documentation\n\n[Browse Documentation](https:\u002F\u002Fllm-search.readthedocs.io\u002Fen\u002Flatest\u002F)\n","[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fgithubtocolab.com\u002Fsnexus\u002Fllm-search\u002Fblob\u002Fmain\u002Fnotebooks\u002Fllmsearch_google_colab_demo.ipynb)\n\n# pyLLMSearch - 高级 RAG\n\n[文档](https:\u002F\u002Fllm-search.readthedocs.io\u002Fen\u002Flatest\u002F)\n\n本包旨在提供一个基于简单 YAML 配置的高级问答系统（RAG），支持与本地文档集合进行交互。除了基础的 LLM-based RAG 外，我们特别关注系统各组件的优化——更高效的文档解析、混合检索、HyDE 技术、聊天历史记录、深度链接、重排序、自定义嵌入能力等。该包设计用于与自定义的大语言模型（LLM）协同工作，无论这些模型来自 OpenAI 还是本地部署。\n\n用户可以通过内置前端与本包交互，也可以通过暴露 MCP 服务器来实现，从而允许 Cursor、Windsurf 或 VSCode GH Copilot 等客户端与 RAG 系统进行对接。\n\n## 特性\n\n* 快速解析并嵌入中等规模的文档库（已测试过高达数 GB 的 Markdown 和 PDF 文件）。\n* 支持增量更新新文档，无需重新索引整个文档库。\n* 支持的文档格式：\n    * 内置解析器：\n        * `.md` — 根据标题、子标题和代码块等逻辑结构分割文件，并支持清理图片链接、添加自定义元数据等功能。\n        * `.pdf` — 基于 MuPDF 的解析器。\n        * `.docx` — 自定义解析器，支持嵌套表格。\n    * 其他常见格式由 `Unstructured` 预处理工具支持：\n        * 格式列表请参见 [这里](https:\u002F\u002Funstructured-io.github.io\u002Funstructured\u002Fcore\u002Fpartition.html)。\n* 基于 FastAPI 的 API + MCP 服务器，允许通过任何 MCP 客户端与 RAG 通信，包括 VSCode、Windsurf、Cursor 等。\n* 文档内深度链接——可直接跳转到 PDF 的特定页面或 Markdown 文件中的某个标题。\n* 支持与嵌入式文档交互，内部兼容以下模型和方法（包括本地部署）：\n    * OpenAI 兼容模型及 API。\n    * Hugging Face 模型。\n* 通过 OpenAI API 实现与 LiteLLM + Ollama 的互操作性，支持数百种不同模型（详见 [LiteLLM 模型配置示例](sample_templates\u002Fllm\u002Flitellm.yaml)）。\n* SSE MCP 服务器，便于与主流 MCP 客户端对接。\n* 混合检索与重排序：\n    * 从文档文件夹中生成密集嵌入，并将其存储在向量数据库（如 [ChromaDB](https:\u002F\u002Fgithub.com\u002Fchroma-core\u002Fchroma)）中。\n    * 支持的嵌入模型包括：\n        * Hugging Face 嵌入。\n        * Sentence-transformers 系列模型。\n        * Instructor 系列模型。\n        * OpenAI 嵌入。\n    * 使用 SPLADE（https:\u002F\u002Fgithub.com\u002Fnaver\u002Fsplade）生成稀疏嵌入，以实现稀疏与密集的混合检索。\n    * 支持“检索并重排序”策略用于语义搜索，详情请参阅 [这里](https:\u002F\u002Fwww.sbert.net\u002Fexamples\u002Fapplications\u002Fretrieve_rerank\u002FREADME.html)。\n        * 除原始的 `ms-marco-MiniLM` 交叉编码器外，还支持更现代的 `bge-reranker-v2-m3` 和 `zerank-2`。\n\n* 支持通过开源工具 gmft（https:\u002F\u002Fgithub.com\u002Fconjuncts\u002Fgmft）或 Azure Document Intelligence 解析表格。\n* 可选支持使用 Gemini API 解析图像。\n* 支持 HyDE（假设文档嵌入）技术——详情请参阅 [这里](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2212.10496.pdf)。\n    * 警告：启用 HyDE（通过配置文件或 Web 应用）可能会显著影响结果质量。请务必在启用前阅读相关论文。\n    * 根据我的实验，在用户难以用专业术语准确表达问题的情境下（例如学习新主题时），启用 HyDE 可显著提升输出质量。\n\n* 支持多查询机制，灵感来源于 `RAG Fusion`——https:\u002F\u002Ftowardsdatascience.com\u002Fforget-rag-the-future-is-rag-fusion-1147298d8ad1。\n    * 当开启多查询功能时（可通过配置文件或 Web 应用设置），原始查询将被替换成同一问题的三个变体，从而弥合术语差异，并按照原文所述“提供不同的角度或视角”。\n\n* 可选支持带有上下文感知的聊天历史记录。\n* 其他特性：\n    * 简单的 Web 界面。\n    * 可将响应保存至离线数据库，以便后续分析。\n\n\n## 演示\n\n![演示](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsnexus_llm-search_readme_7010bcebd885.gif)\n\n\n## 文档\n\n[浏览文档](https:\u002F\u002Fllm-search.readthedocs.io\u002Fen\u002Flatest\u002F)","# llm-search 快速上手指南\n\nllm-search (pyLLMSearch) 是一个高级的检索增强生成（RAG）系统，支持通过简单的 YAML 配置与本地文档集合进行交互。它提供了比基础 RAG 更强大的功能，包括混合搜索、重排序（Re-ranking）、HyDE、多查询扩展以及深度链接等。\n\n## 环境准备\n\n### 系统要求\n*   **操作系统**: Linux, macOS 或 Windows (推荐 Linux 环境以获得最佳兼容性)\n*   **Python**: 3.9 或更高版本\n*   **硬件**: \n    *   若使用本地大模型或嵌入模型，建议配备 NVIDIA GPU (显存视模型大小而定)。\n    *   若仅调用 OpenAI 等云端 API，对本地硬件要求较低。\n\n### 前置依赖\n确保已安装以下基础工具：\n*   `git`\n*   `pip` (Python 包管理工具)\n*   (可选) `poppler-utils` (用于 PDF 解析，Linux 下可通过 `apt-get install poppler-utils` 安装)\n\n## 安装步骤\n\n### 1. 克隆项目\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search.git\ncd llm-search\n```\n\n### 2. 创建虚拟环境并激活\n```bash\npython -m venv venv\nsource venv\u002Fbin\u002Factivate  # Windows 用户使用: venv\\Scripts\\activate\n```\n\n### 3. 安装依赖\n**国内加速方案**：推荐使用清华或阿里镜像源加速安装。\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n如果需要使用特定的额外功能（如完整的非结构化文档解析支持），可能需要安装额外依赖：\n```bash\npip install \"unstructured[all-docs]\" -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\nllm-search 的核心是通过 YAML 文件进行配置，随后启动服务。\n\n### 1. 准备文档\n将你需要问答的文档（支持 `.md`, `.pdf`, `.docx` 等格式）放入一个本地文件夹，例如 `.\u002Fdocs`。\n\n### 2. 配置 YAML\n复制示例配置文件并根据实际情况修改。主要需配置文档路径、嵌入模型和 LLM 模型。\n\n```bash\ncp sample_templates\u002Fconfig.yaml my_config.yaml\n```\n\n编辑 `my_config.yaml`，关键配置项示例如下：\n\n```yaml\n# 文档设置\ndocument_settings:\n  docs_folder: \".\u002Fdocs\"  # 你的文档路径\n  parser_type: \"auto\"    # 自动识别或使用特定解析器\n\n# 嵌入模型设置 (以 HuggingFace 本地模型为例)\nembeddings:\n  model_name: \"BAAI\u002Fbge-small-zh-v1.5\" # 推荐中文模型\n  model_type: \"huggingface\"\n\n# LLM 设置 (以 Ollama 本地部署为例，也可配置 OpenAI)\nllm:\n  provider: \"ollama\"\n  model_name: \"qwen2.5:7b\" # 或其他支持的模型\n  api_base: \"http:\u002F\u002Flocalhost:11434\"\n\n# 高级功能 (可选)\nfeatures:\n  hybrid_search: true      # 启用混合搜索 (稠密 + 稀疏)\n  rerank: true             # 启用重排序\n  hyde: false              # 谨慎启用 HyDE\n```\n\n### 3. 构建索引\n首次运行或文档更新时，需要构建向量索引。\n\n```bash\nllmsearch index --config my_config.yaml\n```\n*注：如果是增量更新文档，系统会自动处理，无需全量重建。*\n\n### 4. 启动服务\n启动内置的 FastAPI 服务和 Web 界面，或通过 MCP 协议连接编辑器插件。\n\n```bash\nllmsearch run --config my_config.yaml\n```\n\n启动后：\n*   **Web 界面**: 访问终端输出的地址（通常为 `http:\u002F\u002F127.0.0.1:8000`）进行对话测试。\n*   **MCP 客户端**: 配置 Cursor、Windsurf 或 VSCode Copilot 连接到该 MCP 服务器，即可在 IDE 中直接询问本地文档内容。\n\n### 5. (可选) Google Colab 体验\n如果你希望在不配置本地环境的情况下快速体验，可以直接点击项目 README 中的 \"Open In Colab\" 按钮，在云端运行演示 Notebook。","某金融科技公司的合规团队需要快速从数千页不断更新的政策文档（PDF\u002FWord）和内部技术手册（Markdown）中查找特定条款，以应对突发的监管审计。\n\n### 没有 llm-search 时\n- **检索精度低**：传统关键词搜索无法理解语义，经常漏掉表述不同但含义相近的关键合规条款，导致人工复核耗时巨大。\n- **更新维护难**：每次新增或修改文档都需要重新构建整个索引库，处理数 GB 文件时等待时间长达数小时，严重影响时效性。\n- **溯源成本高**：搜索结果仅给出文本片段，分析师必须手动在原始几百页的 PDF 中翻找具体页码和上下文，极易出错。\n- **复杂内容盲区**：文档中的嵌套表格和非结构化数据无法被有效解析，导致关键财务数据无法被问答系统识别。\n\n### 使用 llm-search 后\n- **语义理解精准**：利用混合搜索（Hybrid Search）和重排序（Re-ranking）技术，即使提问用语不专业，也能精准定位到相关的合规细则。\n- **增量实时更新**：支持文档增量更新，新政策录入后秒级生效，无需重复索引海量历史数据，确保审计依据永远是最新的。\n- **深度链接溯源**：结果直接提供“深度链接”，点击即可跳转至 PDF 的具体页码或 Markdown 的特定标题，大幅缩短核查路径。\n- **表格智能解析**：内置 gmft 等解析器能自动识别并提取文档中的复杂嵌套表格，让问答系统能直接回答涉及具体数值的财务问题。\n\nllm-search 通过高级 RAG 架构将静态文档库转化为可实时交互、精准溯源且支持复杂格式的智能知识库，彻底解决了企业本地文档“存而难用”的痛点。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsnexus_llm-search_7010bceb.gif","snexus","Denis Lapchev","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsnexus_a3ce0846.png",null,"https:\u002F\u002Fgithub.com\u002Fsnexus",[78,82,86],{"name":79,"color":80,"percentage":81},"Jupyter Notebook","#DA5B0B",95.9,{"name":83,"color":84,"percentage":85},"Python","#3572A5",4.1,{"name":87,"color":88,"percentage":89},"Shell","#89e051",0,649,71,"2026-04-17T15:39:43","MIT","未说明","非必需（支持本地模型及 OpenAI API）。若运行本地 HuggingFace\u002FSentence-Transformers 模型或 SPLADE\u002FBGE-Reranker，建议使用 NVIDIA GPU；具体显存和 CUDA 版本取决于所选模型大小，文中未明确指定最低要求。","未说明（文中提及可处理数 GB 的文档库，暗示需要足够内存以加载解析器和向量数据库）",{"notes":98,"python":94,"dependencies":99},"该工具支持通过 YAML 配置灵活切换本地模型或 OpenAI 兼容接口。核心功能包括混合搜索（稠密 + 稀疏嵌入）、重排序（Rerank）、HyDE（假设性文档嵌入）及多查询融合。支持增量更新索引，无需重建整个库。可通过内置前端或 MCP 服务器与 Cursor、Windsurf、VSCode 等编辑器集成。若启用 HyDE 或多查询功能可能会显著改变结果质量并增加计算开销。支持解析 Markdown、PDF、DOCX 等多种格式，并可扩展支持图片解析（需 Gemini API）。",[100,101,102,103,104,105,106,107,108,109],"ChromaDB","FastAPI","Unstructured","MuPDF","SPLADE","gmft","LiteLLM","Ollama","Sentence-transformers","HuggingFace Transformers",[111,35,14],"其他",[113,114,115,116,117,118,119,120,121,122,123,124,125],"chroma","langchain-python","large-language-models","openai-chatgpt","splade","chatbot","llm","streamlit","hyde","rag","reranking","retrieval-augmented-generation","mcp","2026-03-27T02:49:30.150509","2026-04-18T22:35:23.711175",[129,134,139,144,149,154],{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},40608,"如何在同一个配置文件中管理多个不同主题或领域的文档，而不必混合它们的嵌入数据？","可以在同一个配置文件中指定多个文档路径，指向不同的源文件夹并设置各自的扫描选项。这样做的好处是可以在 UI 中通过标签（label）进行过滤，而无需加载新的配置文件。对于大型集合，这比切换配置文件更方便，但需要注意不同子主题可能需要不同的嵌入路径以避免领域混淆，从而保证搜索准确性。","https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F58",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},40609,"应用是否支持聊天历史记录功能，以便保留之前的问答内容？","是的，该功能已实现。开发者更新了代码，利用 Streamlit 的 `session_state.messages` 机制，将用户消息和助手回复（包括来源链接和搜索质量评分）追加到聊天历史中，而不是在每次新查询时覆盖旧内容。用户现在可以看到完整的对话上下文。","https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F56",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},40610,"如何在不使用命令行的情况下更新向量数据库（VectorDB）？","应用已在 UI 中添加了更新按钮。用户可以直接点击界面上的按钮来触发更新，其底层逻辑等同于运行 `llmsearch index create` 命令。结合最新的增量更新功能，系统只会处理新文件而非重建整个数据库，使得非技术用户无需与 CLI 交互即可完成数据更新。","https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F63",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},40611,"重排序模型（如 bge-reranker-base）运行速度太慢，有什么优化建议或替代方案？","如果默认的重排序模型速度无法满足需求，可以尝试调整模型选择。虽然使用某些轻量级模型（如宏观模式）可能会显著降低准确性，但用户可以评估精度与速度的权衡。此外，社区也在探索集成 LlamaParser 等工具以优化特定格式（如表格）的处理效率，建议关注后续版本对解析器的改进。","https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F96",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},40612,"如何处理包含复杂表格、图表或非结构化数据的 PDF 文件？","针对复杂 PDF 解析难题，项目已集成或计划集成更强大的解析方案，如 gmft 和 Azure Document Intelligence。这些工具专门用于提取 PDF 中的表格和结构化数据，解决了传统 OCR 工具质量参差不齐的问题。虽然曾有人提议集成 Unstructured SaaS API，但目前主要通过上述本地或云服务集成来满足高质量解析需求。","https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F108",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},40613,"LLM 回答时能否返回具体的来源文档？是否可以更换重排序模型？","是的，系统支持在 LLM 回复中返回具体的来源文档信息（通常显示为来源链接）。同时，用户可以根据需求更改重排序模型，例如从默认的 base 版本切换到 `bge-reranker-large` 以获得更高的精度，只需在配置中进行相应调整即可。","https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F94",[160,165,170,175,180,185,190,195,200,205,210,215,220,225,230,235,240,245,250,255],{"id":161,"version":162,"summary_zh":163,"released_at":164},324112,"v0.9.5","* 依赖项更新：兼容最新的 Langchain、Chroma、CUDA 及相关支持库。  \n* 测试与 Python 3.13 的兼容性。  \n* 增加对 Zerank-2 重排序器的支持（需较大显存）。  \n* 通过 MCP 暴露 `update-rag-index` 接口，并进行额外的工具测试。  \n* 更新文档。","2026-01-17T08:48:37",{"id":166,"version":167,"summary_zh":168,"released_at":169},324113,"v0.9.2","* 添加针对 Protobuf 库与最新版 Chromadb 不兼容问题的临时修复。 * 新增 `rag_generate_answer_simple` MCP 端点，用于从 RAG 系统中获取答案，而不包含相关文档。","2025-06-01T09:40:40",{"id":171,"version":172,"summary_zh":173,"released_at":174},324114,"v0.9.1","* 当文档路径不存在或不是目录时，添加更友好的错误提示——https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F130\n* 引入基于重排序器得分的可选 `score_cutoff` 参数，以便更好地控制从重排序器中筛选出的结果。\n* 更新依赖项","2025-05-31T13:17:16",{"id":176,"version":177,"summary_zh":178,"released_at":179},324115,"v0.9.0","* 更新依赖项，并将项目转换为基于 uv 的包管理方式。因此，`requirements.txt` 文件已被删除。\n* 重大变更 - 移除对 llama-cpp 的支持，因为其兼容版本已过时，且 llamacpp 现可作为独立包使用，支持与 OpenAI 兼容的连接方式。\n* 引入 MCP 服务器，用于语义搜索和 RAG 回答操作，从而实现与任何 MCP 客户端的兼容性 —— https:\u002F\u002Fllm-search.readthedocs.io\u002Fen\u002Flatest\u002Fusage.html#api-and-mcp-server","2025-04-27T10:18:12",{"id":181,"version":182,"summary_zh":183,"released_at":184},324116,"v0.8.4","地址 - https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fpull\u002F127（感谢 @guspuffygit）","2025-01-12T03:43:45",{"id":186,"version":187,"summary_zh":188,"released_at":189},324117,"v0.8.3","* 添加对 OpenAI 嵌入的支持\n* 升级核心依赖，并将代码迁移到 Langchain 0.3 及以上版本，更新对已弃用方法的调用。","2024-12-08T07:33:28",{"id":191,"version":192,"summary_zh":193,"released_at":194},324118,"v0.8.2","* 修复 Azure 表解析器中无表时的条件。","2024-11-06T14:49:33",{"id":196,"version":197,"summary_zh":198,"released_at":199},324119,"v0.8.1","* 修复图像处理的边缘情况，并在解析图像时更稳健地处理 Gemini API 的响应","2024-11-06T10:47:38",{"id":201,"version":202,"summary_zh":203,"released_at":204},324120,"v0.8.0","* 可将搜索范围限定为单个文档。  \n* 支持通过开源工具 gmft（https:\u002F\u002Fgithub.com\u002Fconjuncts\u002Fgmft）或 Azure Document Intelligence 解析表格。  \n* 可选支持使用 Gemini API 解析图像。  \n* 修复了若干 bug。","2024-10-08T10:45:36",{"id":206,"version":207,"summary_zh":208,"released_at":209},324121,"v0.7.4","* 在配置模板中添加 conversation_history 设置示例\n* 修复一个 bug：清除对话历史时，缓存的响应未被清空。\n* 由于编译器标志不兼容，将 llama-cpp 的版本回退。","2024-08-30T10:18:34",{"id":211,"version":212,"summary_zh":213,"released_at":214},324122,"v0.7.3","* Update dependencies which also fixes a bug with accelerate=0.22","2024-08-25T07:41:36",{"id":216,"version":217,"summary_zh":218,"released_at":219},324123,"v0.7.2","* Add flags and doc clarification for https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F112\r\n* Fix support for sentence transformers to enable new embedding models, such as gte-large-en\r\n* Add \"clear history\" to conversation memory and fix a bug when previous memory wasn't cleared properly in some cases.","2024-07-21T09:25:51",{"id":221,"version":222,"summary_zh":223,"released_at":224},324124,"v0.7.1","* Update dependencies\r\n* Refactor the code to support Langchain v0.2","2024-06-14T08:56:35",{"id":226,"version":227,"summary_zh":228,"released_at":229},324125,"v0.7.0","* Add support for conversation history (https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F101)","2024-03-29T09:40:53",{"id":231,"version":232,"summary_zh":233,"released_at":234},324126,"v0.6.6","# Packaging and documentation\r\n\r\n* The package is now installable via pypi - https:\u002F\u002Fpypi.org\u002Fproject\u002Fpyllmsearch\u002F\r\n* Added formal documentation - https:\u002F\u002Fllm-search.readthedocs.io\u002Fen\u002Flatest\u002F","2024-03-29T06:32:02",{"id":236,"version":237,"summary_zh":238,"released_at":239},324127,"v0.6.5","## What's Changed\r\n* Fixed metadata for formats without proper page numbers by @snexus in https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fpull\u002F104 (issue https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F103)\r\n\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fcompare\u002Fv0.6.4...v0.6.5","2024-03-14T11:44:00",{"id":241,"version":242,"summary_zh":243,"released_at":244},324128,"v0.6.4","* Fix https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F100\r\n* Fix formatting","2024-03-09T03:54:29",{"id":246,"version":247,"summary_zh":248,"released_at":249},324129,"v0.6.3","## What's Changed\r\n\r\n* Add license - issue https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F97\r\n* Fix query expansion prompt by @snexus in https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fpull\u002F98\r\n\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fcompare\u002Fv0.6.2...v0.6.3","2024-03-01T09:41:19",{"id":251,"version":252,"summary_zh":253,"released_at":254},324130,"v0.6.2","* Downgrade sentence-transformers to 2.2.2 due to compatibility issues with Instruct embeddings.\r\n* Update Readme","2024-02-25T12:58:37",{"id":256,"version":257,"summary_zh":258,"released_at":259},324131,"v0.6.1","* Addresses issues https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F90 and https:\u002F\u002Fgithub.com\u002Fsnexus\u002Fllm-search\u002Fissues\u002F49\r\n* There are no restrictions now on extension types in the configuration - if the format isn't supported by a built-in parser, it will attempt to parse it using unstructured library. See list of supported formats here - https:\u002F\u002Funstructured-io.github.io\u002Funstructured\u002Fcore\u002Fpartition.html","2024-02-25T12:18:58"]