这项多中心试验显示，序贯使用COX-2抑制剂帕瑞昔布和伊美昔布显著降低了重症急性胰腺炎（SAP）的发生率，缩短了器官功能障碍持续时间，减少了局部并发症，并降低了30天死亡率，且安全性良好。
一项全面的瑞典研究表明，显微镜下结肠炎（MC）患者发展为抑郁症和焦虑症等精神障碍的风险显著增加，强调了综合临床管理的重要性。
心脏磁共振成像（MRI）T1映射和细胞外体积分数（ECV）提供了心肌纤维化的无创标志物，在心力衰竭各亚型和非缺血性扩张型心肌病中对不良心血管结局显示出一致的预后价值。
了解器官钙化的原因，区分无害与危险类型，并学习如何根据专家建议解读您的健康报告。
探索微妙的肝脏症状如何预示严重疾病，从肝炎到肝癌的发展过程，以及有效习惯保护肝脏健康的方法。
PANDA II 研究表明，流感疫苗接种显著降低了急性心力衰竭患者的死亡率和再住院率，支持将其作为全球心力衰竭管理的标准组成部分。
根据最近的科学研究，仅仅将就寝时间提前一小时就可以帮助体重管理、降低抑郁风险并保护心脏。
一支多学科的中国团队开发了一种基于AI的MRI-病理学基础模型，能够准确、无创地诊断和分级前列腺癌，显著改善临床决策并减少不必要的活检。
了解每天仅需10分钟的靠墙坐如何显著降低血压并带来令人惊讶的好处，从心脏健康到关节护理和体重管理。
间歇性禁食因其代谢和减肥益处而受到欢迎，但新的研究表明，缩短进食窗口可能增加心血管风险，提示需要谨慎并采取个性化方法。
微塑料，直径小于5毫米的塑料颗粒，已悄无声息地通过饮用水、空气和食物渗透到我们的身体中。它们在器官中积累，加速细胞老化，并增加炎症。了解隐藏来源并采取实用措施减少暴露。
本分析比较了接受保留生育功能的激素治疗与子宫切除术治疗的年轻早期子宫内膜癌患者的生存情况，指出40岁以下女性的生存率相当，而接受激素治疗的较年长患者死亡风险增加。
一项大型基于人群的遗传学研究阐明了已知癌症易感基因中罕见致病性变异与单发和多发原发性癌症风险之间的关联，支持对受影响个体进行多基因面板检测。
本文探讨了胃肠道疾病与睡眠障碍之间的关联，强调抑郁作为部分中介因素的重要性，并指出改善睡眠质量需要同时关注肠道和心理健康。
最近的一项调查显示，尽管大多数美国心脏病学家支持心血管健康的生活方式建议，但他们在饮食和身体活动指南方面的个人依从性并不一致。
最近的一项研究表明，超过80%的阿莫西林过敏患者能够耐受哌拉西林-他唑巴坦，尽管约有18%的患者出现交叉反应，这突显了在使用前进行仔细的过敏测试的必要性。
用于肥胖和2型糖尿病管理的GLP-1受体激动剂与总体癌症风险降低17%相关，尤其是激素敏感性癌症，但可能增加肾癌风险。需要进一步研究以明确其安全性和机制。
FDA 已授权辉瑞和莫德纳更新的 COVID-19 疫苗，旨在针对 LP.8.1 亚谱系，扩大了 65 岁以上成人和有高风险条件的个体的疫苗接种范围，增强对不断演变的变异株的免疫防御。
一项在缺血性卒中后2个月开始的为期8周的心肺运动计划，在12个月时改善了认知表现，尽管与对照组相比，海马体积没有显著保留。该干预措施安全可行，为卒中后认知护理提供了有希望的途径。
本研究在呼吸健康个体中建立了可靠的 FeNO 参考值，并强调了影响一氧化氮水平的因素，从而提高了哮喘的诊断和管理。
<p style="text-align: left; line-height: 2;">DeepSeekMine是本地运行的智能知识管理软件。软件支持27种文件格式导入，构建个性化知识库，基于自研混合RAG算法实现秒级高精度检索。软件完全本地运行，确保数据安全，支持主流AI大模型接入，兼容OpenAI等API格式。DeepSeekMine提供Windows、Linux、Mac安装包及Docker镜像，方便多平台使用。DeepSeekMine设有用户交流群，方便用户分享心得和讨论问题。</p><h2 style="text-align: left;">DeepSeekMine的主要功能</h2><ul><li style="text-align: left;"><strong>本地知识库构建与管理</strong>：支持27种文件格式导入，自动分析和索引，且支持快速检索与知识提取，构建个性化知识库。</li><li style="text-align: left;"><strong>智能问答与上下文理解</strong>：基于本地知识库提供智能问答，支持上下文理解，能给出准确且相关的回答。</li><li style="text-align: left;"><strong>AI大模型接入</strong>：支持主流AI大模型，兼容OpenAI、Anthropic等API格式，且持续更新支持更多模型。</li><li style="text-align: left;"><strong>高效检索算法</strong>：基于自研混合RAG算法，实现秒级查询和高精度检索。</li><li style="text-align: left;"><strong>多平台支持</strong>：提供Windows、Linux、Mac的安装包和Docker镜像，开箱即用。</li><li style="text-align: left;"><strong>数据安全保障</strong>：完全本地运行，所有数据本地存储，确保数据安全。</li></ul><h2 style="text-align: left;">如何使用DeepSeekMine</h2><ul><li style="text-align: left;"><strong>下载与安装</strong>：访问DeepSeekMine官网 https://deepseekmine.com/</li></ul>
<p>VikingDB 是火山引擎推出的高性能向量数据库，专为处理海量高维向量数据设计。VikingDB 支持实时同步、异步写入等多种数据写入方式，具备自研的 HNSW、IVF 等高效索引算法，可实现百亿级向量的毫秒级检索，兼容稠密与稀疏向量检索。VikingDB 提供 SaaS 控制台、API 和多种语言的 SDK，支持自动弹性扩容，广泛应用在多模态搜索、智能推荐、RAG 场景及记忆库构建等领域，助力企业实现高效数据管理和智能应用开发。</p> <h2 style="font-size: 20px;">VikingDB的主要功能</h2> <ul> <li>丰富数据写入方式：支持实时同步、异步、单条数据页面写入及大规模数据批量写入，满足不同场景下的数据写入需求。</li> <li>索引流式更新：基于自研 HNSW、IVF、DiskANN 等索引算法，结合旁路化流式更新架构，保障任意负载下的秒级数据实时性。</li> <li>多样化检索能力：支持百亿级向量毫秒级检索，兼容向量、标量、混合及多模态数据检索，满足复杂查询需求。</li> <li>可扩展云服务：提供 SaaS 控制台、API 和 Python/Java/Go SDK 接入，支持自动容量感知和弹性扩容，快速构建数据到检索全流程。</li> <li>高性能与低成本：通过深度优化的索引算法和量化技术，实现百亿级向量检索 10ms 内完成，降低存储成本。</li> <li>知识库与记忆库：提供知识库和记忆库功能，支持复杂语义检索和大模型长期记忆存储，适用个性化交互场景。</li> </ul> <h2 style="font-size: 20px;">如何使用VikingDB</h2> <ul> <li>注册与登录：访问火山引擎官网：https://www.volcengine.com/product/VikingDB</li> </ul>
<p>Morphik 是开源的多模态检索增强生成（RAG）工具，专为处理高技术性和视觉内容丰富的文档设计。支持对图像、PDF、视频等多种格式的文档进行搜索，采用 ColPali 等技术，能理解文档中的视觉内容。Morphik 具备快速元数据提取功能，可从文档中提取边界框、标签、分类等信息。</p> <h2 style="font-size: 20px;">Morphik的主要功能</h2> <ul> <li>多模态数据处理：能处理文本、PDF、图片、视频等多种格式的文件。</li> <li>智能解析文件：自动将文件分成小块并生成嵌入，方便后续检索和处理。</li> <li>ColPali多模态嵌入：结合文本和图像内容进行高效检索，理解文档的视觉内容。</li> <li>知识图谱构建：只需一行代码，即可构建特定领域的知识图谱，自动提取实体和关系。</li> <li>自然语言规则引擎：用自然语言定义规则，从非结构化数据中提取结构化信息。</li> <li>数据管理与集成：支持多用户和文件夹级别的数据组织和隔离。支持注册和使用数百种不同的AI模型，可根据任务需求灵活配置。</li> <li>快速元数据提取：从文档中快速提取元数据，包括边界框、标签、分类等。</li> </ul> <h2 style="font-size: 20px;">Morphik的项目地址</h2> <ul> <li>项目官网：<a class="external" href="https://www.morphik.ai/?utm_source=medsci" target="_blank" rel="noopener">morphik.ai</a></li> <li>Github仓库：<a class="external" href="https://github.com/morphik-org/morphik-core" target="_blank" rel="noopener nofollow">https://github.com/morphik-org/morphik-core</a></li> </ul>
<p>Graphiti 是一个用于构建和查询时序感知知识图谱的框架，专为在动态环境中运行的 AI 代理量身定制。与传统的检索增强生成 (RAG) 方法不同，Graphiti 持续将用户交互、结构化和非结构化企业数据以及外部信息集成到一个连贯且可查询的图中。该框架支持增量数据更新、高效检索和精确的历史查询，无需完全重新计算图谱，因此非常适合开发交互式、情境感知的 AI 应用程序。</p> <p>使用 Graphiti 可以：</p> <ul dir="auto"> <li>集成并维护动态用户交互和业务数据。</li> <li>促进代理基于状态的推理和任务自动化。</li> <li>使用语义、关键字和基于图形的搜索方法查询复杂、不断变化的数据。</li> </ul> <h2 style="font-size: 20px;">Graphiti的主要功能</h2> <ul> <li>动态数据整合：实时摄取结构化和非结构化数据，支持增量更新。</li> <li>时间感知能力：跟踪事实和关系随时间的变化，支持时间点查询。</li> <li>混合检索：结合语义搜索、关键词搜索和图遍历，实现低延迟查询。</li> <li>状态推理与自动化：支持智能体基于图谱进行任务自动化与推理。</li> <li>可扩展性：设计用在处理大规模数据集，支持并行化处理。</li> <li>自定义实体类型：支持定义特定领域的实体类型，实现更精确的知识表示。</li> <li>多模态搜索：支持语义、关键词及图结构的复杂查询。</li> </ul> <h2 style="font-size: 20px;">Graphiti的技术原理</h2> <ul> <li>时间感知图谱：在图边添加时间元数据记录关系的生命周期。图谱中的每个关系都有一个时间戳，能追踪从创建到结束的整个过程。</li> <li>事件驱动架构：基于事件驱动架构，将数据摄取为离散事件。每个事件都包含数据来源和时间戳，支持增量处理。</li> <li>混合检索引擎：结合语义嵌入、关键词搜索和图遍历技术，实现低延迟的复杂查询。语义嵌入基于向量空间模型理解文本内容，关键词搜索快速定位文本片段，图遍历用图结构进行关系推理。查询结果用与中心节点的距离重新排序，进一步优化查询结果的相关性。</li> <li>并行化处理：Graphiti支持并行化处理，能同时处理多个数据流，提高数据处理效率。</li> </ul> <h2 style="font-size: 20px;">Graphiti的选择理由</h2> <p>传统的 RAG 方法通常依赖于批处理和静态数据汇总，这对于频繁变化的数据来说效率低下。Graphiti 通过提供以下功能解决了这些挑战：</p> <ul dir="auto"> <li>实时增量更新：立即集成新的数据事件，无需批量重新计算。</li> <li>双时间数据模型：明确跟踪事件发生和摄取时间，允许准确的时间点查询。</li> <li>高效混合检索：结合语义嵌入、关键字（BM25）和图遍历，实现低延迟查询，而无需依赖 LLM 摘要。</li> <li>自定义实体定义：通过简单的 Pydantic 模型灵活地创建本体并支持开发人员定义的实体。</li> <li>可扩展性：通过并行处理有效管理大型数据集，适用于企业环境。</li> </ul> <p><a href="https://github.com/getzep/graphiti/blob/main/images/graphiti-intro-slides-stock-2.gif" target="_blank" rel="noopener noreferrer" data-target="animated-image.originalLink"><img style="display: block; margin-left: auto; margin-right: auto;" src="https://github.com/getzep/graphiti/raw/main/images/graphiti-intro-slides-stock-2.gif"></a></p> <h2 style="font-size: 20px;">Graphiti的项目地址</h2> <ul> <li>项目官网：<a class="external" href="https://help.getzep.com/graphiti/graphiti/overview?utm_source=medsci" target="_blank" rel="noopener">https://help.getzep.com/graphiti/graphiti</a></li> <li>GitHub仓库：<a class="external" href="https://github.com/getzep/graphiti/?utm_source=medsci" target="_blank" rel="noopener">https://github.com/getzep/graphiti/</a></li> </ul> <div class="markdown-heading" dir="auto"> <h2 class="heading-element" dir="auto" tabindex="-1">安装</h2> <a id="user-content-installation" class="anchor" href="https://github.com/getzep/graphiti/#installation" aria-label="永久链接：安装"></a></div> <p>要求：</p> <ul dir="auto"> <li>Python 3.10 或更高版本</li> <li>Neo4j 5.26 或更高版本（用作嵌入存储后端）</li> <li>OpenAI API 密钥（用于 LLM 推理和嵌入）</li> </ul> <div class="markdown-alert markdown-alert-important" dir="auto"> <p>重要的</p> <p>Graphiti 与支持结构化输出的 LLM 服务（例如 OpenAI 和 Gemini）配合使用效果最佳。使用其他服务可能会导致输出模式不正确以及提取失败。在使用较小模型时，这尤其成问题。</p> </div> <p>选修的：</p> <ul dir="auto"> <li>Google Gemini、Anthropic 或 Groq API 密钥（适用于其他 LLM 提供商）</li> </ul> <div class="markdown-alert markdown-alert-tip" dir="auto"> <p>提示</p> <p>安装 Neo4j 最简单的方法是通过<a href="https://neo4j.com/download/" rel="nofollow">Neo4j Desktop</a>。它提供了一个用户友好的界面来管理 Neo4j 实例和数据库。</p> </div> <div class="highlight highlight-source-shell notranslate position-relative overflow-auto" dir="auto"> <pre>pip install graphiti-core</pre> <div class="zeroclipboard-container"> </div> </div> <p>或者</p> <div class="highlight highlight-source-shell notranslate position-relative overflow-auto" dir="auto"> <pre>poetry add graphiti-core</pre> <div class="zeroclipboard-container"> </div> </div> <p>您还可以安装可选的 LLM 提供程序作为附加功能：</p> <div class="highlight highlight-source-shell notranslate position-relative overflow-auto" dir="auto"> <pre># Install with Anthropic support pip install graphiti-core[anthropic] # Install with Groq support pip install graphiti-core[groq] # Install with Google Gemini support pip install graphiti-core[google-genai] # Install with multiple providers pip install graphiti-core[anthropic,groq,google-genai]</pre> <div class="zeroclipboard-container"> </div> </div> <div class="markdown-heading" dir="auto"> </div>
字节开源了：DeerFlow，基于LangChain和LangGraph框架的一款智能研究助手 支持动态任务迭代、MCP无缝集成、自动生成研究计划、人机协作，甚至是播客、PPT生成 它把语言模型与网络搜索、爬虫和Python代码执行等工具结合在一起，以快速提供深入且全面的报告
🤯 Lobe Chat - an open-source, modern-design AI chat framework. Supports Multi AI Providers( OpenAI / Claude 3 / Gemini / Ollama / DeepSeek / Qwen), Knowledge Base (file upload / knowledge management / RAG ), Multi-Modals (Plugins/Artifacts) and Thinking. One-click FREE deployment of your private ChatGPT/ Claude / DeepSeek application.
LangChain for Java：利用 LLM 的强大功能增强你的 Java 应用程序 LangChain4j 的目标是简化 LLM 与 Java 应用程序的集成。 方法如下： 统一的 API： LLM 提供商（例如 OpenAI 或 Google Vertex AI）和嵌入（向量）存储（例如 Pinecone 或 Milvus）使用专有 API。LangChain4j 提供统一的 API，避免了为每种 API 学习和实现特定 API 的麻烦。为了尝试不同的 LLM 或嵌入存储，您可以轻松地在它们之间切换，而无需重写代码。LangChain4j 目前支持15 多个流行的 LLM 提供商 和15 多个嵌入存储。 全面的工具箱： 自 2023 年初以来，社区一直在构建大量基于 LLM 的应用程序，识别常见的抽象、模式和技术。LangChain4j 已将这些工具提炼为实用代码。我们的工具箱涵盖各种工具，从低级提示模板、聊天内存管理和函数调用，到高级模式（例如 Agents 和 RAG）。对于每种抽象，我们都提供了一个接口以及基于常见技术的多种即用型实现。无论您是构建聊天机器人，还是开发具有从数据提取到检索的完整流程的 RAG，LangChain4j 都能提供丰富的选择。 大量示例： 这些示例展示了如何开始创建各种 LLM 驱动的应用程序，提供灵感并使您能够快速开始构建。 LangChain4j 于 2023 年初在 ChatGPT 热潮中启动开发。我们注意到，众多 Python 和 JavaScript LLM 库和框架缺乏 Java 版本，因此我们必须解决这个问题！虽然我们的名字里有“LangChain”，但该项目融合了 LangChain、Haystack、LlamaIndex 以及更广泛社区的理念和概念，并融入了我们自己的创新元素。
Langchain-Chachat（原Langchain-ChatGLM）基于Langchain与ChatGLM、Qwen与Llama等语言模型的RAG与Agent应用| Langchain-Chatatch（以前称为 langchain-ChatGLM），基于本地知识的 LLM（如 ChatGLM、Qwen 和 Llama）RAG 和带有 langchain 的代理应用程序 ✅ 本项目支持主流的 LLM、 Embedding 模型与托管数据库，可实现全部使用开源模型离线接入。同时，本项目也支持 OpenAI GPT API 的调用，另外在后续持续补充对主流模型及模型 API 的接入。
LangChain 框架虽然可以独立使用，但它也可以与任何 LangChain 产品无缝集成，为开发人员在构建 LLM 应用程序时提供全套工具。 LangChain 通过模型、嵌入、向量存储等的标准接口帮助开发人员构建由 LLM 驱动的应用程序。 LangChain 的用途： 实时数据增强。轻松将 LLM 连接到各种数据源和外部/内部系统，利用 LangChain 庞大的集成库，其中包含模型提供商、工具、向量存储、检索器等。 模型互操作性。您的工程团队可以随时切换模型，并进行实验以找到最符合您应用需求的最佳方案。随着行业前沿的发展，快速适应——LangChain 的抽象概念让您保持发展势头。
😭 GraphRAG很好而且功能强大，但是官方实现很难阅读或破解。 😊 该项目提供了更小、更快、更清洁的 GraphRAG，同时保留了核心功能
可解释和可调试的知识：图表提供了可查询、可视化和更新的人类可导航的知识视图。 快速、低成本、高效：设计用于大规模运行，无需大量资源或成本要求。 动态数据：自动生成和优化图表以最适合您的领域和本体需求。 增量更新：支持数据演变时的实时更新。 智能探索：利用基于 PageRank 的图形探索来提高准确性和可靠性。 异步和类型化：完全异步，具有完整类型支持，以实现强大且可预测的工作流程。 Fast GraphRAG 旨在无缝融入您的检索管道，为您提供高级 RAG 的强大功能，而无需构建和设计代理工作流程的开销。
GraphRAG使用知识图谱，在推理复杂信息时显著提高问答性能。RAG 技术在帮助 LLM 推理私有数据集方面表现出色——这些数据是 LLM 未经训练且从未见过的数据，例如企业的专有研究、商业文档或通信内容。
RAGFlow 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。RAGFlow 可以为各种规模的企业及个人提供一套精简的 RAG 工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。
