Agent 与自动化综合合集

Oracle AI Developer Hub：面向 Oracle AI 数据库与 OCI 的 AI 应用与智能体开发资源合集

oracle-devrel/oracle-ai-developer-hub · Technical resources for AI developers to build applications, agents, and systems using Oracle AI Database and OCI services

GitHub原文发布未知首次收录 2026-10-10上架 2026-10-10 07:02

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

该仓库由 Oracle 开发者关系团队维护，汇集了使用 Oracle AI Database 与 OCI 服务构建 AI 应用、智能体和系统的技术资源，主要分为 Apps（可运行的端到端参考实现，如 agentic RAG、金融 AI 智能体、生成式 UI 数据问答、团队知识库、供应链需求规划智能体等）、Notebooks（Jupyter 交互教程，覆盖多智能体 RAG、智能体记忆架构、推理策略、向量检索与多云端示例）以及 Guides（智能体架构、推理策略和记忆系统的文档与演讲材料）。内容主要围绕向量搜索、RAG、智能体记忆、自然语言查数据库（Select AI）与多智能体编排等方向，供开发者参考架构模式与集成方式。仓库未在摘录中说明许可证、部署要求和运行成本。

# 知识库与 RAG # Agent 与自动化 # Oracle AI 数据库 # OCI # 智能体记忆

核心能力与快速开始

★ 4410 · Jupyter Notebook

能做什么: 提供使用 Oracle AI Database 与 OCI 服务构建 AI 应用、智能体和系统的技术资源，包含三类内容：Apps 目录下的完整参考实现（如基于多智能体思维链的 agentic_rag、以 Oracle AI Database 作为统一记忆核心的金融 AI 智能体、Next.js + OpenUI 的生成式 UI 数据问答、集成 Slack/GitHub/文档并支持行级访问控制的团队知识库、基于 LangGraph 主管调度的供应链需求规划智能体、MongoDB 到 Oracle 的向量语料迁移工具、面向 Oracle 数据库的只读可视化 MCP 服务器等）；Notebooks 目录下的交互式教程（多智能体 RAG、文件系统与数据库智能体记忆对比、六类持久记忆、RAG 评测、11 种认知架构推理演示、单条 SQL 内的向量/关键词/混合检索、F1 赛事策略分析、多云端示例、向量开发合集）；Guides 目录下的智能体架构、推理策略与记忆系统文档和会议材料。
适用场景: 开发者可参考其中端到端示例学习如何将 Oracle AI Database 与 OCI 服务接入 AI 应用与智能体；学习并实践多智能体 RAG、智能体记忆与上下文工程、自然语言查数据库、混合向量检索、生成式 UI 数据问答等模式；作为 RAG 评测、数据迁移（如 MongoDB 到 Oracle）和多云端数据库使用的参考资料；也可作为智能体架构与推理策略的学习材料。
项目形态: 资料合集
部署方式: 未说明
主要依赖: 未说明
使用限制: 仓库摘录未说明许可证、部署与硬件要求、API 成本及使用限制；内容主要围绕 Oracle AI Database 与 OCI 服务，部分示例涉及 OpenAI、Ollama 等外部组件。
许可证: 未说明
最近推送: 2026-10-10 05:34

项目文档核对 README 依据 ↗

资料检查：2026-10-10 07:00 · 卡片整理：2026-10-10 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

职业应用

程序员

程序员可参考仓库中的 Apps 与 Notebooks 学习并复用 AI 应用、智能体与 RAG 系统的架构模式与集成方式，例如 agentic RAG、多智能体编排、向量检索、自然语言查数据库（Select AI）等端到端参考实现和 Jupyter 交互教程。

查看内容依据

Technical resources for AI developers to build applications, agents, and systems using Oracle AI Database and OCI services

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

Dossier：自托管的求职管理应用，依据个人档案生成定制简历与求职信并跟踪申请进度

Dossier 是一个自托管的求职管理应用，使用 TypeScript 和 Next.js 构建、以 PostgreSQL 存储数据。它把职业经历集中在一个档案中，生成基础简历；针对具体职位，读取招聘信息、展示与档案的匹配情况，并用档案中的事实起草定制简历和求职信，用户可在聊天中修改并导出 PDF。它提供求职岗位搜索与评分、创业公司职位聚合、可选的每日求职 Agent、Claude 连接器，以及可选的 Gmail 与 Google Calendar 集成，并能用看板和数据表跟踪从草稿到 offer 的全流程。AI 模型可选用 Ollama 或 LM Studio 提供的本地模型，也可选用任意 OpenAI 兼容 API、Anthropic 或 Mistral 的托管模型。

Frametell：用 AI 导演代理将想法与素材转化为解说视频

Frametell（帧言）是一个本地优先的 AI 视频创作工具：输入一句话、笔记、PDF、幻灯片或图片，由导演代理先生成分镜脚本供用户确认，再撰写旁白、合成语音、绘制页面并自检，最终输出带字幕的 1080p MP4 视频。它基于成熟的视频引擎，风格、组件和镜头运动由代理驱动，而非从零生成视频；支持 Anthropic、OpenAI、Google、DeepSeek、OpenRouter 等模型或兼容端点，素材与 API 密钥保留在本地。

agent-skills：为编码 Agent 提供基于真实故障经验的可复用技能集

agent-skills 是一组面向编码智能体（主要为 Claude Code，格式为带 YAML frontmatter 的 Markdown，多数 Agent 框架可读取）的技能集合，每个技能都源于生产环境中反复出现的具体失败。技能覆盖无人值守运行与分诊、PR 评论线程审计、对抗式审查、审查分诊、Agent 编排、任务启动、代码质量、缺陷核查、语音记录与开源贡献等场景，强调用工具而非提示词强制执行约束、为质量循环设置成本刹车、区分主张与证据、明确标注未验证结论，并在权限问题上失败关闭。

autoresearch：让 AI Agent 自主迭代单 GPU 上的 nanochat 训练实验

autoresearch 提供一个可自主运行的 LLM 训练研究循环：给 AI Agent 一个精简版单 GPU nanochat 训练环境，Agent 自动修改 train.py、训练 5 分钟后以 val_bpb 评估结果并决定保留或丢弃，不断重复，从而在夜间无人干预地积累实验日志并可能得到更好的模型。仓库刻意保持精简，只有 prepare.py（数据准备与运行时工具，不改动）、train.py（Agent 修改的模型、优化器与训练循环）和 program.md（供人类为 Agent 编写研究指令）三个核心文件。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。