搜索开源项目

以 Python 为核心的工作流编排平台，用普通 Python 代码构建、调度和监控数据管道。

• 自动化

快速的高层次 Python 网页抓取与爬虫框架，用于从网站中提取结构化数据。

• 开发者工具

基于 Django 的开源内容管理系统，专注于编辑体验，并提供无头内容 API 以支持前后端分离。

• CMS

极致简单的 IT 自动化平台，用于配置管理、部署和编排。

• DevOps

统一的编程模型，用于定义批处理和流处理数据管道，可在多种执行引擎间以可移植的方式运行。

• 分析

开源框架，用于研究和构建多个可通信、可扮演角色、能自主协作的 AI 智能体系统。

• AI 与机器学习

多智能体编排框架，用于构建一组基于角色、相互协作的 AI 智能体，使其能够自主协同完成复杂任务。

• AI 与机器学习

开源测试框架，用于评估大语言模型输出，将大语言模型应用的质量检查视为传统单元测试。

• AI 与机器学习

微软推出的深度学习优化库，用于在多块 GPU 上高效训练和运行超大规模模型。

• AI 与机器学习

文档解析库，将 PDF、Word 文档等格式转换为适用于 LLM 和 RAG 流水线的干净结构化数据。

• AI 与机器学习

时序指标存储与绘图系统，十多年来一直是众多监控技术栈的基础构建模块。

• 监控

编程范式与库，通过在一个程序中交织提示词、控制流和约束输出，来控制大语言模型的生成过程。

• AI 与机器学习

开源框架，用于基于大语言模型构建可用于生产的搜索和 RAG（检索增强生成）应用。

• AI 与机器学习

库，通过函数调用 API 和 Pydantic 模型校验，从大语言模型获取可靠的结构化数据输出。

• AI 与机器学习

标准的基于 Web 的交互式计算环境，用于笔记本、代码和数据，广泛应用于数据科学和研究领域。

• 开发者工具

Kubernetes 原生的大规模机器学习模型服务平台，统一跨框架的模型部署方式。

• AI 与机器学习

面向 Kubernetes 的机器学习平台，将流水线、模型训练、超参数调优和服务功能整合为一套工具包。

• AI 与机器学习

用于开发由大语言模型、智能体和检索增强生成(RAG)驱动的应用程序的框架。

• AI 与机器学习

数据框架，用于将大语言模型连接到你自己的数据——文档、数据库、API——以构建检索增强应用。

• AI 与机器学习

开源平台，用于管理机器学习生命周期：实验跟踪、模型打包、版本管理和部署。

• AI 与机器学习

工具包，用于为基于大语言模型的对话应用添加可编程的安全与行为护栏。

• AI 与机器学习

用于将大语言模型输出约束为特定结构（JSON schema、正则表达式、文法）的库，保证结果有效且可解析。

• AI 与机器学习

开源产品分析平台，集成功能开关、会话回放和 A/B 测试。

• 分析

来自 Pydantic 团队的类型安全智能体框架，将熟悉的 Python 类型与校验模式带入大语言模型应用开发。

• AI 与机器学习

开源机器学习框架，加速从研究原型到生产部署的整个流程。

• AI 与机器学习

可组合的、以 GraphQL 为核心的无头商务平台，作为高性能 API 提供，用于构建定制化的店面和商务体验。

• 电子商务

微软推出的开源 SDK，用于将大语言模型集成到应用中，支持插件、记忆和规划能力。

• AI 与机器学习

应用监控平台，帮助开发者诊断、修复代码问题并优化性能。

• 监控

面向大语言模型和视觉语言模型的高速服务框架，配有用于编写复杂大语言模型程序的结构化生成语言。

• AI 与机器学习

统一的大数据分析引擎，用于大规模批处理和流处理，是应用最广泛的大数据框架之一。

• 分析

事件驱动的自动化平台，能够根据基础设施中发生的事件自动触发操作和工作流。

• 自动化

端到端的开源机器学习平台，覆盖从研究到生产的全流程。

• AI 与机器学习

用于微调大语言模型的库，速度和内存效率都显著优于标准训练方式。

• AI 与机器学习

高吞吐、内存高效的大语言模型推理与服务引擎，专为大规模生产环境中运行 LLM 而设计，而非仅用于单机本地运行。

• AI 与机器学习

开源访问控制库，实现了 ACL、RBAC 和 ABAC 等授权模型，并提供 Go、Java、Python、Node.js 等多种语言的生产可用实现。

• 身份验证与安全