Curso práctico y gratuito con notebooks de Jupyter y artículos sobre aplicaciones de LLM con OpenAI, Hugging Face, LangChain, bases de datos vectoriales, ajuste fino y poda.
1,8 mil+1 esta semana450Jupyter NotebookMITActualizado el mes pasado
NVIDIA/GenerativeAIExamples
Colección de flujos de referencia de NVIDIA para crear pipelines RAG, IA agéntica y ajuste fino de LLM con microservicios NIM y NeMo.
- Estrellas
- 4,223
- Forks
- 1,102
- Issues abiertos
- 85
- Último commit
- ayer
¿Qué es?
NVIDIA Generative AI Examples es un conjunto de flujos de referencia que muestran cómo crear sistemas de IA generativa con la pila de software de NVIDIA. Incluye pipelines de generación aumentada por recuperación (RAG), flujos agénticos, llamadas a herramientas y ajuste fino de modelos. Cada ejemplo se ofrece como notebook de Jupyter, aplicación de muestra o configuración de Docker Compose.
El contenido de RAG incluye notebooks y ejemplos de extremo a extremo creados con conectores de LangChain y LlamaIndex, con opciones para datos básicos, de varios turnos, multimodales y estructurados en CSV, además de descomposición de consultas. De forma predeterminada, los ejemplos llaman a endpoints NIM alojados en NVIDIA API Catalog, y algunos también pueden ejecutarse en las instalaciones. Otras secciones incluyen un flujo de Data Flywheel basado en microservicios NeMo, tutoriales sobre guardrails y auditoría de LLM, y flujos de Vision NIM para la supervisión de video y la búsqueda de imágenes.
El repositorio está dirigido a desarrolladores que ya usan LangChain o LlamaIndex y quieren integrar NVIDIA NIM, NeMo Retriever u otros servicios relacionados en sus aplicaciones.
Funciones clave
- 01Ejemplos básicos y avanzados de RAG creados con LangChain y LlamaIndex
- 02Ajuste fino y evaluación de llamadas a herramientas mediante microservicios NeMo
- 03Notebooks de RAG agéntico con NeMo Retriever NIM
- 04Flujos de visión para supervisar eventos en video y buscar imágenes en lenguaje natural
- 05Configuración de Docker Compose para ejecutar un playground de RAG de muestra
Casos de uso
- Crear un prototipo de chatbot RAG basado en tus propios documentos y modelos alojados por NVIDIA
- Ajustar un LLM pequeño para llamadas a funciones y medir su precisión
- Añadir recuperación basada en NIM a una aplicación existente de LangChain o LlamaIndex
- Explorar patrones de RAG multimodal o con datos estructurados antes de crear un producto
Inicio rápido
- 1
Obtén una clave de API de NVIDIA en NVIDIA API Catalog
export NVIDIA_API_KEY=nvapi-... - 2
Clona el repositorio
git clone https://github.com/nvidia/GenerativeAIExamples.git - 3
Compila y ejecuta el pipeline RAG básico con Docker Compose
cd GenerativeAIExamples/RAG/examples/basic_rag/langchain/ && docker compose up -d --build - 4
Abre el RAG Playground de ejemplo en https://localhost:8090/ y envía consultas
Antes de usarlo
- Los ejemplos utilizan endpoints de NVIDIA API Catalog, que requieren una clave de API de NVIDIA.
- Muchos ejemplos son notebooks y flujos de trabajo de referencia, no una única biblioteca instalable.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es GenerativeAIExamples?
- Colección de flujos de referencia de NVIDIA para crear pipelines RAG, IA agéntica y ajuste fino de LLM con microservicios NIM y NeMo. NVIDIA Generative AI Examples es un conjunto de flujos de referencia que muestran cómo crear sistemas de IA generativa con la pila de software de NVIDIA. Incluye pipelines de generación aumentada por recuperación (RAG), flujos agénticos, llamadas a herramientas y ajuste fino de modelos. Cada ejemplo se ofrece como notebook de Jupyter, aplicación de muestra o configuración de Docker Compose.
- ¿GenerativeAIExamples es gratuito? ¿Qué licencia tiene?
- GenerativeAIExamples es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿GenerativeAIExamples sigue mantenido?
- Mantenimiento activo. El último commit de GenerativeAIExamples fue el 6 nov 2026.
- ¿Para qué puedo usar GenerativeAIExamples?
- Crear un prototipo de chatbot RAG basado en tus propios documentos y modelos alojados por NVIDIA Ajustar un LLM pequeño para llamadas a funciones y medir su precisión Añadir recuperación basada en NIM a una aplicación existente de LangChain o LlamaIndex Explorar patrones de RAG multimodal o con datos estructurados antes de crear un producto
- ¿Cómo se instala GenerativeAIExamples?
- Obtén una clave de API de NVIDIA en NVIDIA API Catalog: export NVIDIA_API_KEY=nvapi-... Clona el repositorio: git clone https://github.com/nvidia/GenerativeAIExamples.git Compila y ejecuta el pipeline RAG básico con Docker Compose: cd GenerativeAIExamples/RAG/examples/basic_rag/langchain/ && docker compose up -d --build Abre el RAG Playground de ejemplo en https://localhost:8090/ y envía consultas
- ¿Dónde consigo GenerativeAIExamples?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/NVIDIA/GenerativeAIExamples
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Lista seleccionada y organizada por categorías con más de 120 bibliotecas open source para crear, entrenar, servir, evaluar y supervisar aplicaciones con LLM.
11 mil+78 esta semana1,7 milApache-2.0Actualizado hace 13 días
Un port de LangChain a Dart y Flutter para crear aplicaciones con LLM, proveedores de modelos intercambiables, RAG y agentes.
689156DartMITBien mantenidoActualizado hace 5 días
Framework de Python para crear aplicaciones de RAG, agentes y procesamiento de documentos que conectan LLM con tus propios datos.
52,8 mil+87 esta semana8,5 milPythonMITActualizado anteayer
Framework de Python low-code para crear aplicaciones LLM multiagente, con RAG, chatbots, fine-tuning y despliegue con un solo clic.
3,9 mil+3 esta semana430PythonApache-2.0Bien mantenidoActualizado hace 19 horas
Lista seleccionada y actualizada semanalmente de frameworks, runtimes y herramientas de código abierto para crear agentes LLM, organizados por categoría.
1,6 mil+2 esta semana388PythonCC0-1.0Actualizado hace 6 días