Banco de dados open source de embeddings para apps de IA, que armazena documentos e vetores para buscas semânticas, híbridas e de texto completo.
29,5 mil2,6 milRustApache-2.0Atualizado há 21 horas
SakanaAI/QD-Rec
Código de pesquisa do QD-Rec, um método de diversidade de qualidade que evolui um arquivo de pares item-hipótese para gerar recomendações diversas.
- Estrelas
- 13
- Forks
- 0
- Issues abertas
- 0
- Último commit
- anteontem
O que é?
QD-Rec é a implementação de referência de um método de recomendação apresentado em um artigo de pesquisa. Ele mantém um arquivo de pares, cada um formado por um item de um conjunto fixo e uma hipótese em linguagem natural que explica por que aquele item é adequado para uma pessoa usuária. Novos pares são incluídos por uma regra que prioriza a novidade e competem localmente com entradas semelhantes; os itens são selecionados com um contextual bandit que considera a diversidade.
O repositório inclui quatro aplicações de exemplo: encontrar possíveis clientes com base em dados públicos de personas, recomendar livros do subconjunto infantil do Goodreads, descobrir artigos acadêmicos relevantes a partir de listas de trabalhos aceitos em conferências e identificar alvos de M&A com base em uma tabela de empresas. Cada aplicação inclui scripts para baixar dados, gerar embeddings e inicializar o arquivo, além de um dashboard para visualizá-lo no navegador. O código executa todos os modelos pelo OpenRouter, então uma única chave de API é suficiente para o proposer, o judge e os embeddings.
O projeto também inclui scripts para as ablações Novelty e Novelty+Evo usadas nas comparações do artigo. Desenvolvedores podem adaptar o código ao próprio domínio fornecendo um conjunto de itens textuais e um perfil para o qual gerar recomendações.
Recursos principais
- 01Mantém um arquivo de pares item-hipótese, com inclusão que prioriza a novidade e competição local.
- 02Seleciona itens com um contextual bandit que considera a diversidade.
- 03Inclui quatro domínios de exemplo: clientes, livros, artigos e alvos de M&A.
- 04Executa todos os modelos — incluindo proposer, judge e embeddings — pelo OpenRouter com uma única chave de API.
- 05Oferece um dashboard no navegador para inspecionar arquivos salvos.
- 06Oferece suporte aos métodos de ablação Novelty e Novelty+Evo para comparação.
Casos de uso
- Pesquisadores que reproduzem ou ampliam os experimentos do artigo sobre QD-Rec.
- Equipes que criam protótipos de recomendações diversas para um catálogo fixo de itens, com justificativas geradas por LLM.
- Encontrar artigos relevantes descrevendo seus interesses de pesquisa em um perfil.
- Adaptar o pipeline a um domínio personalizado com itens descritos em texto.
Início rápido
- 1
Instale as dependências com uv
uv sync - 2
Crie o arquivo .env e adicione OPENROUTER_API_KEY
cp .env.example .env - 3
Baixe as personas e, em seguida, crie os embeddings e carregue os dados iniciais no arquivo usando os comandos indicados no README para essas etapas
- 4
Execute o QD-Rec com 100 avaliações no domínio Customers
uv run python -m apps.customers.qd_rec --profile SkillForge --iterations 100
Antes de usar
- Todas as chamadas de modelo passam pelo OpenRouter, então é necessária uma chave de API paga para executá-lo.
- Este é um código de pesquisa publicado com um artigo, então a configuração pode ser menos refinada do que a de uma ferramenta empacotada.
Tópicos
Perguntas frequentes
- O que é QD-Rec?
- Código de pesquisa do QD-Rec, um método de diversidade de qualidade que evolui um arquivo de pares item-hipótese para gerar recomendações diversas. QD-Rec é a implementação de referência de um método de recomendação apresentado em um artigo de pesquisa. Ele mantém um arquivo de pares, cada um formado por um item de um conjunto fixo e uma hipótese em linguagem natural que explica por que aquele item é adequado para uma pessoa usuária. Novos pares são incluídos por uma regra que prioriza a novidade e competem localmente com entradas semelhantes; os itens são selecionados com um contextual bandit que considera a diversidade.
- QD-Rec é gratuito? Qual é a licença?
- QD-Rec é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- QD-Rec ainda é mantido?
- Manutenção ativa. O último commit de QD-Rec foi em 19 de out. de 2026.
- Para que posso usar QD-Rec?
- Pesquisadores que reproduzem ou ampliam os experimentos do artigo sobre QD-Rec. Equipes que criam protótipos de recomendações diversas para um catálogo fixo de itens, com justificativas geradas por LLM. Encontrar artigos relevantes descrevendo seus interesses de pesquisa em um perfil. Adaptar o pipeline a um domínio personalizado com itens descritos em texto.
- Como instalar QD-Rec?
- Instale as dependências com uv: uv sync Crie o arquivo .env e adicione OPENROUTER_API_KEY: cp .env.example .env Baixe as personas e, em seguida, crie os embeddings e carregue os dados iniciais no arquivo usando os comandos indicados no README para essas etapas Execute o QD-Rec com 100 avaliações no domínio Customers: uv run python -m apps.customers.qd_rec --profile SkillForge --iterations 100
- Onde consigo QD-Rec?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/SakanaAI/QD-Rec
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Um framework de agentes LLM da Microsoft que automatiza tarefas de P&D orientadas por dados, como ler artigos, implementar modelos e fatores e executar experimentos no estilo Kaggle.
15 mil2,1 milPythonMITAtualizado há 4 dias
Ferramenta de linha de comando e biblioteca Python para executar prompts e conversar com modelos de linguagem de grande porte remotos ou instalados localmente.
12,6 mil1,1 milPythonApache-2.0Atualizado anteontem
Toolkit de recuperação de informações da BAAI com modelos BGE de embeddings e reranking, além de recursos para treinamento, avaliação e tutoriais de busca e RAG.
12,3 mil1,1 milPythonMITAtualizado há 2 meses
Biblioteca cliente oficial de Python para acessar modelos locais e na nuvem do Ollama pelas APIs de chat, geração, embeddings e gerenciamento de modelos.
10,6 mil1,2 milPythonMITAtualizado há 4 dias
Ferramenta de RAG agêntico que responde a perguntas sobre artigos científicos e outros documentos, com citações no texto.
9,4 mil944PythonApache-2.0Atualizado há 7 dias