R

RAG

CRESTA (CRosstabulation to Exchangeable STAtistical data) is an end-to-end Python pipeline developed by Nano - BPS-Statistics Indonesia to automate the transformation of crosstabulations into exchangeable statistical data. It combines deterministic profiling, configurable AI-assisted classification, and a knowledge base of cross-domain codelists to support systematic reuse and governance of statistical concepts and codes.

A nutrition analysis system that uses computer vision, RAG, and an AI assistant to evaluate food products, calculate macronutrients, and provide personalized recommendations.

Static analyzer that turns a Python package's source into a queryable code graph (API surface, dependencies/architecture, impact, change-review, RAG).

A complete RAG demo application in Python with a multi-stage pipeline to minimize hallucinations.

Production-grade toolkit for evaluating RAG (Retrieval-Augmented Generation) pipelines.

Citation-grounded RAG for querying psychoanalytic theory from a real annotated corpus

Ce projet consiste à concevoir un assistant juridique intelligent permettant à un utilisateur d'interagir en langage naturel avec un corpus documentaire basé sur le Code pénal sénégalais.

L'objectif est de mettre en œuvre une architecture Retrieval-Augmented Generation (RAG) afin de permettre au modèle de langage de s'appuyer sur des informations issues du corpus documentaire avant de générer une réponse.

Le projet explore ainsi l'utilisation des LLM, des embeddings et de la recherche sémantique pour construire une application capable de transformer des documents juridiques en une base de connaissances interrogeable.

Travaux réalisés :

Collecte et préparation du corpus juridique. Nettoyage et structuration des documents. Découpage des documents en unités adaptées à la recherche. Transformation des passages textuels en représentations vectorielles (embeddings). Mise en place d'un mécanisme de recherche sémantique. Récupération des passages les plus pertinents en fonction de la question utilisateur. Intégration des informations récupérées dans le contexte transmis au LLM. Génération de réponses contextualisées à partir des documents récupérés. Conception d'une interface permettant d'interagir avec l'assistant en langage naturel.

Multi-agent RAG pipeline with adversarial critique, built with LangGraph, Qdrant, and Groq.

Python toolkit for benchmarking RAG quality on Salesforce Data Cloud. Includes retrieval metrics (Hit Rate, MRR, NDCG), generation evaluation, and optional Claude Code skills.

Advanced Conversational Core (ACC) — A multimodal AI framework featuring 5D emotional simulation, semantic RAG memory, cognitive monologue stream, and multi-modal I/O (text, voice, image).

🧠 Open-source persistent memory engine for AI agents and LLMs with semantic search, automatic deduplication, and intelligent context retrieval.

A persistent-memory AI agent with cryptographically signed, hash-chained, tamper-evident memory. Pre-commit quality scoring quarantines prompt-injection; protected zones guard core records. Scans its own history for recurring gaps and proposes improvements for human review. Provider-agnostic (Claude, GPT, Gemini, DeepSeek, OpenRouter, Ollama).

Production-ready RAG starter: hybrid search, chunking strategies, observability (Prometheus/Grafana), MLflow tracking, drift detection, GDPR deletion, and evaluation. The parts the tutorials skip.

RAG-Powered SOC Assistant - By Ayi NEDJIMI

https://ayinedjimi-consultants.fr

GPU-accelerated embedding server for RAG systems - CUDA, FastAPI, sentence-transformers | Serveur d'embeddings GPU ultra-rapide

https://ayinedjimi-consultants.fr

Yanapa - Asistente AI offline para comunidades originarias de Sudamerica y Centroamerica. Salud, derechos, cultura y medicina tradicional en lenguas indigenas.

Hybrid credit intelligence platform using XGBoost, RAG, Terraform and GitLab CI/CD.

⚡ Build structured YouTube datasets at scale — effortlessly fetch transcripts and rich metadata for NLP, ML, and AI workflows.

An AI-powered tactical inteligence system using RAG, FastAPI and vector search.