📱Pocket Flow.

Pocket Flow — минималистичный фреймворк для LLM всего в 100 строк кода!

🔹Особенности:

🔘Легкий: всего 100 строк Python, без лишних зависимостей.

🔘Выразительный: мультиагенты, рабочие процессы, RAG и многое другое.

🔘Агентное программирование: агенты могут создавать других агентов для максимальной продуктивности.

🔘Просто установить: pip install pocketflow или просто скопируйте код!

#PocketFlow #LLM #AgentProgramming #AIFramework #Minimalism #PythonAI #OpenSourceAI #RAG #MultiAgent #TypeScriptAI #DevTools #AIProductivity

📱Ссылка на репозиторий:
https://github.com/The-Pocket/PocketFlow

📱Agent Starter Pack.

Agent Starter Pack — это набор готовых шаблонов для разработки и деплоя генеративных ИИ-агентов в Google Cloud.

✅Он создан, чтобы ускорить запуск GenAI-решений и решить типовые задачи:
развёртывание, кастомизация, CI/CD, мониторинг и оценка.

🔹Особенности:

🔘Поддержка популярных архитектур: ReAct, RAG, multi-agent, multimodal.

🔘Быстрый старт в 1 команду.

🔘Интеграция с Vertex AI, Agent Engine, Cloud Run и другими сервисами.

🔘Поддержка пайплайнов CI/CD и Terraform-инфраструктуры.

🔘Примеры на базе LangGraph, CrewAI и Gemini.

💡Как начать за 1 минуту?

python -m venv .venv && source .venv/bin/activate
pip install agent-starter-pack
agent-starter-pack create my-awesome-agent

✅Готово! У вас будет полноценный проект — с фронтендом, бэкендом и инфраструктурой для деплоя.
Можно запустить в Cloud Shell или протестировать в Firebase Studio — без настройки окружения.

🔻Поддерживаемые агенты:

🔘adk_base — базовый ReAct-агент.

🔘agentic_rag — поиск и Q&A с RAG.

🔘langgraph_base_react — агент на LangGraph.

🔘crewai_coding_crew — мультиагентная код-команда.

🔘live_api — мультимодальный агент с поддержкой чата, видео и аудио.

#GenAI #GoogleCloud #AIagent #AgentStarterPack #VertexAI #RAG #ReAct #LangGraph #CrewAI #CloudRun #Firebase #MLOps #LLM #Python #DevTools #AI4Dev #GCP

📱Ссылка на репозиторий:
https://github.com/GoogleCloudPlatform/agent-starter-pack

📱Cognee.

Cognee — это фреймворк для создания динамической памяти AI-агентов. Он заменяет классические RAG-системы (Retrieval-Augmented Generation) с помощью масштабируемых и модульных ECL (Extract, Cognify, Load) пайплайнов.

🐱Что умеет Cognee?

🔘Позволяет связывать и получать данные из прошлых разговоров, документов, изображений и аудиотранскрипций.

🔘Снижает затраты и усилия разработчиков, заменяя традиционные системы RAG.

🔘Загружает данные в графовые и векторные базы, используя Pydantic.

🔘Обрабатывает данные из более чем 30 источников.

🔹Пример:

import cognee
import asyncio

async def main():
    await cognee.add("Natural language processing (NLP) — междисциплинарная область компьютерных наук и информационного поиска.")
    await cognee.cognify()
    results = await cognee.search("Расскажи про NLP")
    for result in results:
        print(result)

if __name__ == '__main__':
    asyncio.run(main())

✅Откройте для себя возможности AI-памяти уже сегодня!

#Cognee #AIAgents #MemoryForAI #RAG #OpenSource #Python #MachineLearning #NLP #AItools #DataScience #Tech #DeepLearning #AIdevelopment

📱Ссылка на репозиторий:
https://github.com/topoteretes/cognee

📱Paper2Slides.

Paper2Slides — это инструмент для автоматического создания слайдов и постеров из научных статей и документов за один клик.

Paper2Slides превращает PDF, Word, Excel, PowerPoint, Markdown в профессиональные презентации за минуты с помощью RAG-технологии и ИИ. Извлекает ключевые идеи, графики, таблицы, сохраняет точность ссылок на источники.

🔹Основные возможности:

🔘Все форматы — PDF, Word, Excel, PPT, Markdown одновременно.

🔘RAG-точность — без галлюцинаций, только данные из документа.

🔘Ссылки на источники — traceability к оригиналу.

🔘Кастом стили — academic, doraemon или описание словами.

🔘Мгновенная генерация — preview + реал-тайм правки .

🔘Чекпоинты — пауза/продолжение без потерь.

#Python #AI #RAG #Presentations #DataScience #Research #ML #OpenSource #НаучныеСтатьи #Презентации #ИИ #Productivity

📱Ссылка на репозиторий:
https://github.com/HKUDS/Paper2Slides

📱UltraRAG.

UltraRAG — это легковесный фреймворк для разработки RAG‑систем на базе Model Context Protocol (MCP), созданный совместно THUNLP (Tsinghua University), NEUIR (Northeastern University), OpenBMB и AI9stars.

🔹Основные особенности:

🔘Низкий барьер входа — сложные пайплайны с ветвлениями, циклами и итерациями описываются в десятках строк YAML вместо сотен строк кода.

🔘Визуальный IDE, а не чат — конструктор пайплайнов с двунаправленной синхронизацией «Canvas ↔️ Code», интерактивной отладкой, настройкой промптов и встроенным управлением базами знаний.

🔘Модульная архитектура — Retriever, Generation и другие компоненты работают как независимые MCP-серверы, легко интегрируются и переиспользуются.

🔘Один клик до продакшена — пайплайн мгновенно превращается в интерактивный веб-интерфейс без лишнего кода.

🔘Для исследователей — готовые датасеты, стандартные воркфлоу, визуальная аналитика экспериментов и Case Study для отладки каждого шага.

🔘Deep Research Pipeline — интеграция с AgentCPM-Report позволяет автоматически собирать многошаговый поиск в длинные аналитические отчёты.

#UltraRAG #RAG #MCP #LLM #AI #DeepResearch #Python #NoCode #MLOps #RetrievalAugmentedGeneration #OpenSource

📱Ссылка на репозиторий:
https://github.com/OpenBMB/UltraRAG

📱Django-hawkeye.

django-hawkeye — это Django‑надстройка для полнотекстового поиска по BM25 прямо в PostgreSQL 17+ через расширение pg_textsearch, лёгкая альтернатива Elasticsearch.

🔹Особенности:

🔘Простой API: добавляете BM25Searchable и BM25Index, дальше Article.search("django tutorial") как обычный QuerySet.

🔘BM25‑ranking: тот же алгоритм релевантности, что используют Elasticsearch и другие современные поисковые движки.

🔘Без внешних сервисов: всё крутится внутри вашего PostgreSQL‑кластера, индексы живут в обычных Django‑миграциях.

🔘Готов к RAG: можно использовать как retrieval‑слой для RAG‑чатботов и поиска по контенту.

🚀Установка и базовый старт:

pip install django-hawkeye

# установить pg_textsearch на сервере PostgreSQL 17+
git clone https://github.com/timescale/pg_textsearch.git
cd pg_textsearch
make && make install

from django.db import models
from django_hawkeye import BM25Index, BM25Searchable

class Article(BM25Searchable, models.Model):
    title = models.CharField(max_length=255)
    content = models.TextField()

    class Meta:
        indexes = [
            BM25Index(fields=["content"], name="article_bm25_idx"),
        ]

#django #postgresql #fulltextsearch #bm25 #elasticsearch #rag #python

📱Ссылка на репозиторий:
https://github.com/FarhanAliRaza/django-hawkeye

📱OpenRAG.

OpenRAG — это готовая RAG‑платформа (Retrieval‑Augmented Generation) в одном пакете: Langflow для workflow, Docling для парсинга документов, OpenSearch для семантического поиска.

❓Что внутри:

🔘Agentic RAG: agent‑оркестрация, re‑ranking, multi‑agent координация + drag‑and‑drop редактор пайплайнов.

🔘Полный цикл: загрузка документов → парсинг (PDF/Word/аудио/изображения) → чат‑интерфейс с LLM.

🔘Деплой: Docker/Podman, enterprise add‑ons для масштаба.

#python #rag #opensearch #langflow #docling #openrag #aiagents

📱Ссылка на репозиторий:
https://github.com/langflow-ai/openrag

📱Whoosh.

Whoosh - это библиотека для полнотекстового поиска, индексации и исправления опечаток на чистом Python, работающая без внешних серверов, C-компиляторов и бинарных зависимостей.

Вся система поднимается одной командой pip install whoosh3. Индекс хранится прямо в виде файлов в локальной директории, поэтому инструмент идеально подходит для десктопных и CLI-приложений, генераторов статических сайтов, а также RAG-пайплайнов для нейросетей.

🔹Ключевые возможности:

🔘Чистый Python: Запускается везде, где есть CPython (включая PyPy и WebAssembly/Pyodide прямо в браузере).

🔘Встроенный формат (Embedded): Никаких внешних сервисов, портов и настройки инфраструктуры — поисковый индекс представляет собой обычную папку с файлами.

🔘Полноценный поисковый движок: Поддерживает ранжирование результатов по алгоритму BM25F, сложный язык запросов (фразовый поиск, wildcards, fuzzy, логические операторы), подсветку найденных фрагментов и фасетную навигацию.

🔘Проверка орфографии: Встроенный модуль коррекции опечаток и подсказок «Возможно, вы имели в виду...» (Did you mean?).

🔘Строгая типизация (PEP 561): Полная поддержка подсказок типов для mypy, pyright и современный IDE.

🤖Современные ИИ-сценарии:

🔘RAG для LLM: Используется как быстрый BM25-ретривер для нейросетей без развертывания тяжелых векторных баз данных (есть готовые интеграции для LangChain и LlamaIndex).

🔘MCP-сервер: Содержит встроенный модуль whoosh3[mcp], позволяющий превратить любую папку с документами в локальный инструмент поиска для ИИ-агентов.

🔘Поиск в терминале: Включает готовый CLI-инструмент whoosh search ~/notes — удобная альтернатива grep с поддержкой морфологии (стемминга) и ранжирования результатов.

🚀Быстрый старт:

from whoosh.fields import Schema, TEXT, ID
from whoosh.index import create_in
from whoosh.qparser import QueryParser
import tempfile

# 1. Описываем схему документов
schema = Schema(title=TEXT(stored=True), path=ID(stored=True), content=TEXT)

# 2. Создаем индекс в папке
ix = create_in(tempfile.mkdtemp(), schema)

# 3. Добавляем документы
writer = ix.writer()
writer.add_document(title="Первая", path="/a", content="Полнотекстовый поиск на Python")
writer.commit()

# 4. Ищем по индексу
with ix.searcher() as searcher:
    query = QueryParser("content", ix.schema).parse("поиск")
    for hit in searcher.search(query):
        print(hit["title"], "->", hit["path"])

#Python #Whoosh #SearchEngine #BM25 #RAG #MCP #DevTools #OpenSource #DataScience

📱Ссылка на репозиторий:
https://github.com/priya-sundaram-dev/whoosh