Construisez rapidement des applications RAG pragmatiques en Python avec des LLM modulaires.
Intégrez des flux de travail RAG (Retrieval-Augmented Generation) personnalisés dans vos applications existantes.
Quivr-core est une bibliothèque Python conçue pour vous aider à construire et configurer des pipelines RAG avec un minimum de code. Elle convient aux développeurs qui souhaitent intégrer des requêtes de documents et des assistants IA dans leurs applications.
La bibliothèque vous permet de créer un cerveau à partir de fichiers PDF, TXT ou Markdown en quelques lignes de Python seulement. Elle prend en charge des stratégies de récupération personnalisables, des définitions de flux de travail basées sur YAML et l'intégration avec l'outil d'ingestion Megaparse.
Elle s'adresse aux développeurs et ingénieurs qui créent des produits IA personnalisés et souhaitent éviter le code boilerplate RAG de bas niveau. Elle ne convient pas aux utilisateurs non techniques recherchant une application de chat de bureau prête à l'emploi.
Construit des pipelines RAG rapides et efficaces avec un minimum de code grâce à quivr-core.
Se connecte à OpenAI, Anthropic, Mistral ou à des modèles locaux via Ollama.
Traite les PDF, les documents texte et les fichiers markdown dès la sortie de la boîte.
Définit les stratégies de récupération, les limites d'historique et les rerankers via des fichiers de configuration.
Le logiciel est gratuit sous sa licence, mais vous engagerez des coûts pour les API LLM ou les services de rerankers que vous choisirez d'y connecter.
877 missions ouvertes à distance en entraînement d’IA, mises à jour le 16 novembre 2026 ; la plupart paient $20–$175 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Ces outils IA évalués font le même travail instantanément — depuis notre annuaire noté.
Il prend en charge les API d'OpenAI, Anthropic et Mistral, ainsi que les modèles locaux via Ollama.
Oui, vous pouvez définir des stratégies de récupération personnalisées, des limites d'historique et des rerankers à l'aide d'un fichier de configuration YAML.
Voir Zekai en premier dans Google