[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-weaviate--recipes":3,"tool-weaviate--recipes":64},[4,17,27,35,43,56],{"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",138956,2,"2026-04-05T11:33:21",[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":23,"last_commit_at":41,"category_tags":42,"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":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":107,"forks":108,"last_commit_at":109,"license":79,"difficulty_score":23,"env_os":110,"env_gpu":110,"env_ram":110,"env_deps":111,"category_tags":124,"github_topics":125,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":133,"updated_at":134,"faqs":135,"releases":165},502,"weaviate\u002Frecipes","recipes","This repository shares end-to-end notebooks on how to use various Weaviate features and integrations!","recipes 是一个专为 Weaviate 向量数据库打造的开源示例仓库，旨在通过端到端的 Jupyter Notebook 帮助用户快速掌握核心功能与生态集成。对于许多正在构建 AI 应用的开发者而言，如何高效地将向量搜索与大模型框架结合往往是难点，recipes 恰好能解决这一难题。\n\n这里汇集了丰富的实战案例，涵盖从数据集准备到各类技术集成的全流程。内容不仅包括与 LangChain、LlamaIndex 等主流 Agent 框架的对接，还深入展示了混合搜索、重排序、多模态检索及多租户管理等高级特性。无论是希望快速验证想法的开发者，还是需要评估系统性能的研究人员，都能从中找到可复用的代码模板。作为一个持续更新的开源项目，recipes 鼓励社区贡献，致力于降低 Weaviate 的使用难度，让向量数据库的开发更加直观高效。","# Welcome to Weaviate Recipes 💚\n\n![Weaviate logo](.github\u002FWeaviate.png)\n\nThis repository covers end-to-end examples of the various features and integrations with [Weaviate](https:\u002F\u002Fwww.weaviate.io).\n\n| Category | Description |\n| -------------|---------|\n| [Datasets](\u002Fdatasets\u002F) | Ready to use datasets to ingest data into your Weaviate cluster |\n| [Integrations](\u002Fintegrations)| Notebooks showing you how to use Weaviate plus another technology |\n| [Weaviate Features](\u002Fweaviate-features) | Notebooks covering vector, hybrid and generative search, reranking, multi-tenancy, and more |\n| [Weaviate Services](\u002Fweaviate-services\u002F) | Notebooks showing you how to build with Weaviate Services |\n\n\n## Integrations 🌐\nCheck out Weaviate's [Integrations Documentation](https:\u002F\u002Fweaviate.io\u002Fdevelopers\u002Fintegrations)!\n\n| Company Category | Companies |\n|------------------|-----------|\n| Cloud Hyperscalers | Google, AWS, NVIDIA |\n| Compute Infrastructure | Modal, Replicate |\n| LLM and Agent Frameworks | Agno, CrewAI, Composio, DSPy, Dynamiq, LangChain, LlamaIndex, Pydantic, Semantic Kernel, Ollama, Haystack, Modaic |\n| Data Platforms| Databricks, Confluent, Box, Boomi, Spark, Unstructured, Firecrawl, Context Data, Aryn, Astronomer, Airbyte, IBM (Docling), Cardinal, Contextual AI, Chonkie, Parallel |\n| Operations | AIMon, Arize, Cleanlab, Comet, DeepEval, Langtrace, LangWatch, Nomic, Patronus AI, Ragas, TruLens, Weights & Biases |\n\n\n## Weaviate Features 🔧\n\n| Feature | Description |\n|---------|-------------|\n| Model Providers | Use Weaviate's `nearText`, `hybrid`, and `.generate` operator with various model providers |\n| Filters | Narrow down your search results by adding filters to your queries |\n| Reranking | Add reranking to your pipeline to improve search results (broken out by model provider) |\n| Media Search | Use Weaviate's `nearImage` and `nearVideo` operator to search using images and videos |\n| Classification | Learn how to use KNN and zero-shot classification |\n| Multi-Tenancy | Store tenants on separate shards for complete data isolation |\n| Multi-Vector Embeddings | Use Weaviate with powerful ColBERT-style embeddings to improve search results |\n| Product Quantization | Compress vector embeddings and reduce the memory footprint using Weaviate's PQ feature |\n| Evaluation | Evaluate your search system |\n\n## Weaviate Services 🧰\n| Service | Description |\n|---------|-------------|\n| Agents | Use Weaviate's inherent agents like the `QueryAgent` & `TransformationAgent` |\n| Weaviate Embeddings | [Weaviate Embeddings](https:\u002F\u002Fweaviate.io\u002Fdevelopers\u002Fwcs\u002Fembeddings) enables you to generate embeddings directly from a [Weaviate Cloud](https:\u002F\u002Fconsole.weaviate.cloud\u002F) database instance. | \n\n## Adding Recipes to Weaviate Docs\n\nCheck out [this contributor guide](.\u002F.docs\u002FREADME.md) to convert recipes (Jupyter Notebooks) into docs friendly markdown.\n\n## Feedback ❓\nPlease note this is an ongoing project, and updates will be made frequently. If you have a feature you would like to see, please create a GitHub issue or feel free to contribute one yourself!\n","# 欢迎使用 Weaviate 示例 💚\n\n![Weaviate logo](.github\u002FWeaviate.png)\n\n此仓库涵盖了与 [Weaviate](https:\u002F\u002Fwww.weaviate.io) 的各种功能及集成的端到端示例。\n\n| 类别 | 描述 |\n| -------------|---------|\n| [数据集](\u002Fdatasets\u002F) | 准备好用于将数据摄入到 Weaviate 集群的现成数据集 |\n| [集成](\u002Fintegrations)| 展示如何使用 Weaviate 与其他技术配合使用的 Notebook |\n| [Weaviate 功能](\u002Fweaviate-features) | 涵盖向量、混合和生成式搜索、重排序、多租户等的 Notebook |\n| [Weaviate 服务](\u002Fweaviate-services\u002F) | 展示如何使用 Weaviate 服务进行构建的 Notebook |\n\n\n## 集成 🌐\n查看 Weaviate 的 [集成文档](https:\u002F\u002Fweaviate.io\u002Fdevelopers\u002Fintegrations)!\n\n| 公司类别 | 公司 |\n|------------------|-----------|\n| 云超大规模服务商 | Google, AWS, NVIDIA |\n| 计算基础设施 | Modal, Replicate |\n| 大语言模型 (LLM) 与智能体框架 | Agno, CrewAI, Composio, DSPy, Dynamiq, LangChain, LlamaIndex, Pydantic, Semantic Kernel, Ollama, Haystack, Modaic |\n| 数据平台 | Databricks, Confluent, Box, Boomi, Spark, Unstructured, Firecrawl, Context Data, Aryn, Astronomer, Airbyte, IBM (Docling), Cardinal, Contextual AI, Chonkie, Parallel |\n| 运维 | AIMon, Arize, Cleanlab, Comet, DeepEval, Langtrace, LangWatch, Nomic, Patronus AI, Ragas, TruLens, Weights & Biases |\n\n\n## Weaviate 功能 🔧\n\n| 功能 | 描述 |\n|---------|-------------|\n| 模型提供商 | 使用 Weaviate 的 `nearText`、`hybrid` 和 `.generate` 操作符配合各种模型提供商 |\n| 过滤器 | 通过向查询添加过滤器来缩小搜索结果范围 |\n| 重排序 | 在管道中添加重排序以改善搜索结果（按模型提供商分类） |\n| 媒体搜索 | 使用 Weaviate 的 `nearImage` 和 `nearVideo` 操作符通过图像和视频进行搜索 |\n| 分类 | 学习如何使用 KNN（k 近邻）和零样本分类 |\n| 多租户 | 将租户存储在不同的分片上以实现完全的数据隔离 |\n| 多向量嵌入 | 使用 Weaviate 配合强大的 ColBERT 风格嵌入以改善搜索结果 |\n| 乘积量化 | 使用 Weaviate 的 PQ（乘积量化）特性压缩向量嵌入并减少内存占用 |\n| 评估 | 评估您的搜索系统 |\n\n## Weaviate 服务 🧰\n| 服务 | 描述 |\n|---------|-------------|\n| 智能体 | 使用 Weaviate 内置的智能体，如 `QueryAgent` 和 `TransformationAgent` |\n| Weaviate 嵌入 | [Weaviate 嵌入](https:\u002F\u002Fweaviate.io\u002Fdevelopers\u002Fwcs\u002Fembeddings) 允许您直接从 [Weaviate Cloud](https:\u002F\u002Fconsole.weaviate.cloud\u002F) 数据库实例生成嵌入。 | \n\n## 向 Weaviate 文档添加示例\n\n查看 [此贡献者指南](.\u002F.docs\u002FREADME.md) 将示例代码（Jupyter Notebook）转换为适合文档的 Markdown。\n\n## 反馈 ❓\n请注意这是一个进行中的项目，更新将频繁发布。如果您有希望看到的功能，请创建一个 GitHub Issue 或自行贡献！","# Weaviate Recipes 快速上手指南\n\nWeaviate Recipes 是一个包含 Weaviate 向量数据库各种功能与集成的端到端示例仓库。它提供了数据集、技术集成、核心功能（如混合搜索、重排序）以及服务构建的 Jupyter Notebook 示例。\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 (建议配合 WSL2)\n- **基础工具**：Git, Docker, Docker Compose\n- **编程语言**：Python 3.8+\n- **网络环境**：需能够访问 GitHub 及 Docker Hub（国内用户建议使用镜像加速）\n\n## 安装步骤\n\n### 1. 克隆代码仓库\n将 Weaviate Recipes 仓库克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fweaviate\u002Frecipes.git\ncd recipes\n```\n\n### 2. 启动 Weaviate 实例\n本仓库示例依赖运行中的 Weaviate 数据库。推荐使用 Docker 启动本地实例：\n\n```bash\ndocker run -d --name weaviate \\\n  -p 8080:8080 \\\n  -e QUERY_DEFAULTS_LIMIT=25 \\\n  -e AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED=true \\\n  -e PERSISTENCE_DATA_PATH=\"\u002Fvar\u002Flib\u002Fweaviate\" \\\n  -e DEFAULT_VECTORIZER_MODULE=\"none\" \\\n  --restart always \\\n  semitechnologies\u002Fweaviate:latest\n```\n\n> **提示**：国内开发者若拉取镜像较慢，可配置 Docker 镜像加速器（如阿里云、DaoCloud）。\n\n### 3. 配置 Python 环境\n进入具体示例目录（如 `\u002Fintegrations`），创建虚拟环境并安装依赖：\n\n```bash\npython -m venv venv\nsource venv\u002Fbin\u002Factivate  # Windows 下使用：venv\\Scripts\\activate\npip install -r requirements.txt\n```\n\n## 基本使用\n\n### 1. 启动 Jupyter Notebook\n在项目根目录或特定示例目录下启动 Notebook 服务：\n\n```bash\njupyter notebook\n```\n\n浏览器会自动打开默认页面。\n\n### 2. 选择示例路径\n根据需求浏览以下目录结构：\n\n- **[Datasets](\u002Fdatasets\u002F)**：预置数据集，用于直接导入数据。\n- **[Integrations](\u002Fintegrations\u002F)**：展示 Weaviate 与其他技术栈（如 LangChain, LlamaIndex）的集成。\n- **[Weaviate Features](\u002Fweaviate-features\u002F)**：涵盖向量搜索、混合搜索、重排序等功能演示。\n- **[Weaviate Services](\u002Fweaviate-services\u002F)**：基于 Weaviate Services 的 Agent 构建示例。\n\n### 3. 运行代码\n打开感兴趣的 `.ipynb` 文件，按顺序执行单元格（Cell）。确保连接的是上述步骤中启动的 Weaviate 实例地址（通常为 `http:\u002F\u002Flocalhost:8080\u002Fv1`）。","某电商公司的算法团队正在构建智能商品推荐引擎，计划利用 Weaviate 存储海量商品向量并接入大模型进行语义检索。\n\n### 没有 recipes 时\n- 开发者需手动编写大量样板代码来初始化 Weaviate 客户端及嵌入模型，环境配置容易出错。\n- 对于混合搜索（Hybrid Search）与重排序（Reranking）的组合策略，缺乏可运行的参考代码。\n- 集成 LangChain 或 LlamaIndex 等框架时，需反复查阅分散的文档，调试接口兼容性耗时过长。\n- 无法快速验证多租户数据隔离方案，导致生产环境部署前存在安全隐患。\n\n### 使用 recipes 后\n- 直接克隆仓库中的 Jupyter Notebook，一键运行即可复现完整的向量入库与查询流程。\n- 参考“集成”分类下的示例，迅速掌握 Weaviate 与主流 Agent 框架的连接方式。\n- 利用内置的重排序与过滤笔记，无需自行实现复杂逻辑即可提升搜索结果相关性。\n- 通过多租户与评估模块的现成模板，快速完成安全架构设计与效果基准测试。\n\nrecipes 通过提供涵盖特征、集成与服务的全套端到端示例，让开发者能专注于业务逻辑而非底层基建。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fweaviate_recipes_76f0aa7e.png","weaviate","Weaviate","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fweaviate_0b25af12.png","Weaviate creates database software like the Weaviate vector search engine",null,"hello@weaviate.io","weaviate_io","https:\u002F\u002Fweaviate.io","https:\u002F\u002Fgithub.com\u002Fweaviate",[85,89,93,97,101,104],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",92,{"name":90,"color":91,"percentage":92},"MDX","#fcb32c",7.5,{"name":94,"color":95,"percentage":96},"Python","#3572A5",0.5,{"name":98,"color":99,"percentage":100},"JavaScript","#f1e05a",0,{"name":102,"color":103,"percentage":100},"HTML","#e34c26",{"name":105,"color":106,"percentage":100},"CSS","#663399",941,186,"2026-03-30T18:57:35","未说明",{"notes":112,"python":110,"dependencies":113},"该仓库为 Weaviate 的功能示例与集成笔记集合（Jupyter Notebooks），并非独立软件包。运行前需确保已部署 Weaviate 数据库实例（支持本地或 Weaviate Cloud）。具体依赖库取决于所选用的集成类别（如 LLM 框架、数据平台等），建议参考各子目录下的具体配置文件。",[114,115,116,117,118,119,120,121,122,123],"langchain","llama-index","ollama","haystack-ai","crewai","semantic-kernel","agno","composio","dspy","dynamiq",[13,15,26,54,51],[126,127,128,129,130,131,132],"generative-ai","retrieval-augmented-generation","vector-database","vector-search","python","llm-frameworks","function-calling","2026-03-27T02:49:30.150509","2026-04-06T06:46:06.287158",[136,141,146,151,156,161],{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},1996,"运行 DSPy RAG 代码时遇到 TypeError: 'NoneType' object is not iterable 错误怎么办？","这是因为 DSPy 版本过旧导致的。安装最新版本的 dspy-ai 库即可解决。请在终端运行 `pip install --upgrade dspy-ai` 更新到最新版本，之后该问题会自动修复。","https:\u002F\u002Fgithub.com\u002Fweaviate\u002Frecipes\u002Fissues\u002F107",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},1997,"运行 DSPy MIPRO 时出现 wandb.proto.wandb_internal_pb2 错误如何解决？","这是 wandb 库的版本兼容性问题。请将 wandb 从 0.16.5 升级到 0.16.6 或更高版本。执行命令 `pip install --upgrade wandb==0.16.6` 即可解决此 AttributeError。","https:\u002F\u002Fgithub.com\u002Fweaviate\u002Frecipes\u002Fissues\u002F102",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},1998,"Weaviate 的 Google Gemini 向量器无法正常工作怎么办？","需要更新 API 请求头及软件版本。请使用 `X-Goog-Studio-Api-Key` 和 `X-Goog-Vertex-Api-Key` 作为请求头。同时建议将 Python 客户端更新至 4.10.4 版本，Weaviate Cloud 更新至 1.28.4 版本。","https:\u002F\u002Fgithub.com\u002Fweaviate\u002Frecipes\u002Fissues\u002F192",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},1999,"WeaviateClient 对象没有 query 属性报错如何处理？","这是由于 DSPy 与 Weaviate 客户端版本不兼容导致的。维护者建议在等待 PyPI 包重新构建期间，可以尝试从源代码构建 DSPy，或者关注相关 Pull Request (如 stanfordnlp\u002Fdspy#822) 的合并状态以获取修复后的版本。","https:\u002F\u002Fgithub.com\u002Fweaviate\u002Frecipes\u002Fissues\u002F63",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},2000,"Weaviate 是否支持集成 Llama3 LLM？","是的，Weaviate 支持通过 Ollama 集成的模型。具体的支持模型列表可以在 Weaviate 官方文档的 Ollama 生成式模型页面查看。如果有关于配置的问题，建议加入 Slack 频道或论坛提问。","https:\u002F\u002Fgithub.com\u002Fweaviate\u002Frecipes\u002Fissues\u002F133",{"id":162,"question_zh":163,"answer_zh":164,"source_url":160},2001,"导入数据到 Weaviate 时遇到 Cohere trial key 错误是什么原因？","这通常是因为分块（chunks）数量过多超过了试用密钥的限制。在导入笔记本中使用 Cohere 生成嵌入时，如果数据量过大可能会触发此错误。建议改用本地开源嵌入模型，可参考 Weaviate 官方文档中的本地托管模型列表。",[]]