Öffentliches Register
Software-GesundheitsberichtSchema 0.31.0 · Metriken 2.10.0 · 2026-08-13 01:27 UTC

ekzhu / datasketch

MinHash, LSH, LSH Forest, Weighted MinHash, HyperLogLog, HyperLogLog++, LSH Ensemble and HNSW

PythonMIT★ 2.951 Sterne⑂ 319 Forksseit März 2015Auf GitHub ansehen ↗
ArtBibliothekwie das ermittelt wird
#python#lsh-forest#jaccard-similarity#hyperloglog#lsh#minhash#weighted-quantiles#top-k#search#data-sketches#data-summary#lsh-ensemble#locality-sensitive-hashing#hnsw

ekzhu/datasketch erreicht einen Gesundheitsindex von 87 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Vitality (79/100) ab, am schwächsten bei AI Readiness (62/100). Zuletzt vor 3 Tagen aktualisiert. Ein einzelner Mitwirkender trägt den Großteil der jüngsten Arbeit.

87
gesamt / 100
Exzellent

Software-Gesundheitsindex

Metriken werden auf einer standardisierten Skala von 1–100 in gewichtete Kategorien gruppiert. Der Gesamtwert beginnt als ihr gewichtetes Mittel, kalibriert auf die Verteilung des öffentlichen Registers, sodass die Stufen Perzentilbedeutung tragen; sobald öffentliche Evidenz die Richtlinie für Hochrisikojurisdiktionen auslöst, wird die Bewertung angepasst und erhält die Obergrenze Gefährdet von 34.

87
Außergewöhnlich93-100Die Spitzengruppe des Registers (≈ obere 5 %); erfüllt im Wesentlichen alle geprüften Kriterien
Exzellent80-92Durchgehend stark; geringfügige Lücken
Gut65-79Gesund; Lücken sind begrenzt und beherrschbar
Mittel50-64Akzeptabel mit deutlichen Lücken; Überprüfung empfohlen
Schwach35-49Wesentliche Schwächen in mehreren Bereichen
Gefährdet20-34Erhebliche Schwächen; eine Übernahme erfordert Vorsicht
Kritisch1-19Schwerwiegende Probleme (aufgegeben, nur ein Maintainer, keine Hygiene)
VitalitätCommunity &VerbreitungNachhaltigkeit &GovernanceEngineering-QualitätSicherheitAI Readiness

Bewertungsprofil

Jede Achse ist eine Kategorie. Die Form zählt mehr als der Durchschnitt — ein gesundes Projekt füllt die gesamte Fläche, während ein Profil aus Spitzen und Kratern bedeutet, dass Stärke in einer Dimension Risiken in einer anderen verdeckt.

Der gewichtete Gesamtwert 73 wird auf der veröffentlichten Indexskala auf 87 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

Eric ZhuPersönliches Konto
769 Follower128 öffentliche Reposseit Juli 2010

Dieses Repository gehört einem persönlichen Konto. Ein Projekt mit nur einem Eigentümer trägt ein höheres Kontinuitätsrisiko als ein organisationsgetragenes.

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIdatasketch2.0.06.770.56188vor 38 Tagendatabasedatamining

Metriken nach Kategorie

Vitalität

Lebt das Projekt — wird Code geschrieben und werden Releases ausgeliefert?

79Gut · 21 % des Gesamtindex

Entwicklungsaktivität

71Gut
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 3 Tagen
11.1/36Commit-Rhythmus — 16/52 Wochen mit Commits
15.9/18Commit-Volumen — 58 Commits im letzten Jahr
8/10OpenSSF Scorecard: Maintained — 9 commit(s) and 1 issue activity found in the last 90 days -- score normalized to 8
Verwendete Eingangsdaten
commits_last_year58
human_commit_share0,8
days_since_last_push3
active_weeks_last_year16

Release-Disziplin

92Exzellent
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 37 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 38 Tagen
19.8/27Release-Rhythmus — ein Release etwa alle 114,8 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count37
latest_release_tagv2.0.0
releases_from_tagsnein
days_since_latest_release38
mean_days_between_releases114,8
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): OpenSSF Scorecard: Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Community & Verbreitung

Hat das Projekt Nutzer, Downloads, Aufmerksamkeit und ein einladendes Umfeld für Beitragende?

79Gut · 17 % des Gesamtindex

Popularität & Verbreitung

86Exzellent
Wie die Bewertung erfolgt
56.3/60Stars — 2.951 Stars
20.9/25Forks — 319 Forks
9.1/15Watcher — 45 Watcher
Verwendete Eingangsdaten
forks319
stars2.951
watchers45
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

57Mittel
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (MIT)
0/18CONTRIBUTING-Leitfaden
0/13.5Verhaltenskodex
0/7.2Issue-Vorlage
6.3/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges1
has_contributingnein
has_issue_templatenein
has_code_of_conductnein
readme_badge_servicescodecov.io
has_pull_request_templateja

Ökosystem-Verbreitung (Downloads)

100Außergewöhnlich
Wie die Bewertung erfolgt
80/80Downloads pro Monat — 6.770.561 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagesdatasketch
dependents—
ecosystemspypi
total_downloads—
monthly_downloads6.770.561
unverified_packages_excluded—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Abhängige in der Registry. Die verbleibenden Gewichte wurden renormalisiert.

Nachhaltigkeit & Governance

Überdauert das Projekt die Menschen, die es tragen — Bus-Faktor, Reaktionsfähigkeit, Trägerschaft und Paketpflege?

67Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

38Schwach
Wie die Bewertung erfolgt
9/54Bus-Faktor — 1 Beitragende decken die Hälfte aller Commits ab
5.7/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 75 % der Commits
13.5/13.5Breite der Beitragenden — 31 Beitragende
10/10OpenSSF Scorecard: Contributors — project has 5 contributing companies or organizations
Verwendete Eingangsdaten
bus_factor1
contributors_sampled31
top_contributor_share0,746

Reaktionsfähigkeit bei Issues & PRs

74Gut
Wie die Bewertung erfolgt
30.2/42Issue-Lösungsquote — 72 % der Issues geschlossen
25.4/30PR-Annahme — 123/145 entschiedene PRs gemergt
0/13Newcomer PR acceptance — kein PR eines Erstbeitragenden in 30 Tagen entschieden
9/15OpenSSF Scorecard: Code-Review — Found 13/20 approved changesets -- score normalized to 6
Verwendete Eingangsdaten
merged_prs123
open_issues50
closed_issues127
prs_merged_7d0
prs_decided_7d0
prs_merged_30d2
prs_decided_30d2
issue_closed_ratio0,718
closed_unmerged_prs22
first_time_authors_30d0
first_time_prs_merged_30d0
first_time_prs_decided_30d0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Newcomer PR acceptance. Die verbleibenden Gewichte wurden renormalisiert.

Eigentümerschaft & Trägerschaft

70Gut
Wie die Bewertung erfolgt
10/30Organisatorische Trägerschaft — persönliches (Nutzer-)Konto
0/20Verifizierte Domain — für Nutzerkonten nicht anwendbar
20.8/25Reichweite des Inhabers — 769 Follower von ekzhu
25/25Kontohistorie — 128 öffentliche Repos, Kontoalter ca. 16 Jahre
Verwendete Eingangsdaten
followers769
owner_typeUser
is_verified—
owner_loginekzhu
public_repos128
account_age_days5.886
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Verifizierte Domain. Die verbleibenden Gewichte wurden renormalisiert.

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 38 Tagen
20/20Versionshistorie — 88 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesdatasketch
ecosystemspypi
any_deprecatednein
min_days_since_publish38

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

76Gut · 19 % des Gesamtindex

Engineering-Praktiken

66Gut
Wie die Bewertung erfolgt
24/24CI-Workflows — 8 Workflow(s)
24/24Tests vorhanden
0/16Linter-Konfiguration
0/9.6Pre-Commit-Hooks
0/6.4.editorconfig
18/20OpenSSF Scorecard: CI-Tests — 29 out of 30 merged PRs checked by a CI test -- score normalized to 9
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_confignein
has_precommit_confignein

Dokumentation

90Exzellent
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://ekzhu.github.io/datasketch
10/10Repository-Beschreibung
10/10Topics — 14 Topics
0/10Wiki
Verwendete Eingangsdaten
topicspython, lsh-forest, jaccard-similarity, hyperloglog, lsh, minhash, weighted-quantiles, top-k, search, data-sketches, data-summary, lsh-ensemble, locality-sensitive-hashing, hnsw
has_wikinein
homepagehttps://ekzhu.github.io/datasketch
docs_sitehttps://ekzhu.github.io/datasketch
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

Sind die sichtbaren Sicherheits- und Lieferkettenpraktiken belastbar, ohne ungeklärte Exposition gegenüber Hochrisikojurisdiktionen?

64Mittel · 16 % des Gesamtindex

Sicherheitslage

55Mittel
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
4.5/7.5Branch-Protection — branch protection is not maximal on development and all release branches
2.2/2.5CI-Tests — 29 out of 30 merged PRs checked by a CI test -- score normalized to 9
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
4.5/7.5Code-Review — Found 13/20 approved changesets -- score normalized to 6
2.5/2.5Contributors — project has 5 contributing companies or organizations
10/10Dangerous-Workflow — no dangerous workflow patterns detected
7.5/7.5Dependency-Update-Tool — update tool detected
0/5Fuzzing — project is not fuzzed
2.5/2.5Lizenz — license file detected
6/7.5Maintained — 9 commit(s) and 1 issue activity found in the last 90 days -- score normalized to 8
5/5Packaging — packaging workflow detected
0/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
1.5/5SAST — SAST tool is not run on all commits -- score normalized to 3
0/5Security-Policy — security policy file not detected
0/7.5Signed-Releases — keine Daten
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
0/7.5Vulnerabilities — 18 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated17
scorecard_versionv5.5.0
checks_inconclusive1
scorecard_aggregate5,5
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Abhängigkeits-Advisories

100Außergewöhnlich
Wie die Bewertung erfolgt
35/35Direkte Abhängigkeiten ohne bekannte Advisories — keine direkte Abhängigkeit trägt ein bekanntes Advisory
25/25Indirekte Abhängigkeiten ohne bekannte Advisories — keine indirekte Abhängigkeit trägt ein bekanntes Advisory
0/40Keine offenen Advisories — kein Advisory trägt ein Veröffentlichungsdatum
Verwendete Eingangsdaten
sourceosv
advisories0
affected_packages0
assessed_packages2
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Keine offenen Advisories. Die verbleibenden Gewichte wurden renormalisiert. Abgeglichen wurde die Laufzeit-Abhängigkeitshülle von pypi:datasketch@2.0.0 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 2 Paketen. Erreichbarkeit wird nicht analysiert.

AI Readiness

Wie gut ist das Repository dafür ausgestattet, mit KI-Coding-Agenten entwickelt und gepflegt zu werden? Trägt ein bewusst kleines Gewicht (4 %): Agenten-Tooling ist ein echtes Pflegesignal, doch ein Repository ohne jedes Signal kann weiterhin 100/100 erreichen.

62Mittel · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

40Schwach
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
0/15Maschinenlesbare Doku (llms.txt)
40/40Lesbare Commit-Historie — 65 von 80 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,812
agent_instruction_files—
agent_instruction_max_bytes—

AI-Verify-Loop (Build / Test / Typprüfung)

68Gut
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — docs/Makefile
22/22Automatisierte Tests
0/11Lint-/Format-Konfiguration
0/11Statische Typprüfung
10/10Reproduzierbare Umgebung — lockfile
10/10Belegte Agentenpraxis — 5 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
8/8Automatisierte Wartung — 15 der letzten 100 Commits sind automatisierte Abhängigkeits-Updates
0/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfilesuv.lock
has_dockerfilenein
typed_languagenein
bootstrap_filesdocs/Makefile
has_devcontainernein
has_linter_confignein
typecheck_configs—
agent_commit_share0,05
toolchain_manifests—
dependency_bot_commit_share0,15

AI-Code-Lesbarkeit für Modelle

54Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
54.2/55Handhabbare Dateigrößen — 1/73 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes72.545
source_files_sampled73
oversized_source_files1

Maschinenlesbare AI-Schnittstellen

100Außergewöhnlich
Wie die Bewertung erfolgt
0/40API-Schema (OpenAPI/GraphQL/proto) — für diese Art von Software nicht anwendbar
0/20MCP-Server — für diese Art von Software nicht anwendbar
40/40Lauffähige Beispiele — examples
Verwendete Eingangsdaten
example_dirsexamples
has_mcp_signalnein
api_schema_files—
interfaces_expected_of—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): API-Schema (OpenAPI/GraphQL/proto), MCP-Server. Die verbleibenden Gewichte wurden renormalisiert.

Eckdaten

2.951GitHub-Sterne
31Mitwirkende
58Commits, letzte 12 Monate
3Tage seit letztem Push
37Releases
1Bus-Faktor
50offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 319 ⇿
0Sterne
319Forks
37Releases

Wann jeder Stern und Fork hinzugefügt wurde, von GitHub erfasst und nach Tagen gruppiert. Das kumulierte Wachstum steht direkt über den täglichen Zugängen, aus denen es besteht, sodass beide gegeneinander lesbar sind: stetiger organischer Zuwachs sieht ganz anders aus als ein abrupter, kurzlebiger Ausschlag. Wo dieser Unterschied messbar ist, wird er als Wachstumsauthentizität ausgewiesen.

012525037531552015-042020-112026-07
Major 2Minor 8Patch 26

Jeder Punkt umfasst 11 Tage.

OpenSSF Scorecard 5.5 / 10
5.5Gesamtwert

Unabhängige, werkzeugneutrale Sicherheitsbewertung durch das quelloffene OpenSSF Scorecard. Jede Prüfung honoriert eine Sicherheits-Praxis, nicht das Werkzeug eines bestimmten Anbieters. Prüfungen, die Scorecard nicht ermitteln konnte, sind mit k. A. markiert und vom Sicherheitswert ausgeschlossen (nie als null gezählt).Scorecard v5.5.0 · 2026-08-13 01:27 UTC

10Binary-Artifactsno binaries found in the repo
6Branch-Protectionbranch protection is not maximal on development and all release branches
9CI-Tests29 out of 30 merged PRs checked by a CI test -- score normalized to 9
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
6Code-ReviewFound 13/20 approved changesets -- score normalized to 6
10Contributorsproject has 5 contributing companies or organizations
10Dangerous-Workflowno dangerous workflow patterns detected
10Dependency-Update-Toolupdate tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
8Maintained9 commit(s) and 1 issue activity found in the last 90 days -- score normalized to 8
10Packagingpackaging workflow detected
0Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 0
3SASTSAST tool is not run on all commits -- score normalized to 3
0Security-Policysecurity policy file not detected
k. A.Signed-Releasesno releases found
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
0Vulnerabilities18 existing vulnerabilities detected
Direkte Abhängigkeiten 2
RegistryPaketVersionsvorgabeManifest
PyPInumpy>=1.11pyproject.toml
PyPIscipy>=1.0.0pyproject.toml
Alle Abhängigkeiten 76

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 7 direkte und 69 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPInumpy2.0.2direkt
PyPInumpy2.2.6direkt
PyPInumpy2.3.4direkt
PyPIscipy—direkt
PyPIscipy1.13.1direkt
PyPIscipy1.15.3direkt
PyPIscipy1.16.3direkt
PyPIaiounittest1.5.0indirekt
PyPIasync-timeout5.0.1indirekt
PyPIbackports-asyncio-runner1.2.0indirekt
PyPIcassandra-driver3.29.3indirekt
PyPIclick8.1.8indirekt
PyPIclick8.3.0indirekt
PyPIcolorama0.4.6indirekt
PyPIcontourpy1.3.2indirekt
PyPIcontourpy1.3.3indirekt
PyPIcoverage7.10.7indirekt
PyPIcoverage7.11.0indirekt
PyPIcycler0.12.1indirekt
PyPIdatasketch2.0.0indirekt
PyPIdnspython2.7.0indirekt
PyPIdnspython2.8.0indirekt
PyPIexceptiongroup1.3.0indirekt
PyPIfarmhash—indirekt
PyPIfonttools4.60.2indirekt
PyPIgeomet1.1.0indirekt
PyPIiniconfig2.1.0indirekt
PyPIiniconfig2.3.0indirekt
PyPIjoblib1.5.2indirekt
PyPIkiwisolver1.4.7indirekt
PyPIkiwisolver1.4.9indirekt
PyPImatplotlib—indirekt
PyPImatplotlib3.10.7indirekt
PyPImatplotlib3.2.2indirekt
PyPImock5.2.0indirekt
PyPImockredispy2.9.3indirekt
PyPImotor3.7.1indirekt
PyPInltk3.9.2indirekt
PyPInltk3.9.4indirekt
PyPInmslib—indirekt
PyPInose1.3.7indirekt
PyPInose-exclude0.5.0indirekt
PyPIpackaging25.0indirekt
PyPIpandas—indirekt
PyPIpandas2.3.3indirekt
PyPIpillow12.3.0indirekt
PyPIpluggy1.6.0indirekt
PyPIpybloomfilter30.7.3indirekt
PyPIpyfarmhash—indirekt
PyPIpyfarmhash0.4.0indirekt
PyPIpygments2.20.0indirekt
PyPIpyhash0.9.3indirekt
PyPIpymongo4.15.3indirekt
PyPIpyparsing3.2.5indirekt
PyPIpytest8.4.2indirekt
PyPIpytest9.0.3indirekt
PyPIpytest-asyncio1.2.0indirekt
PyPIpytest-asyncio1.3.0indirekt
PyPIpytest-cov7.0.0indirekt
PyPIpytest-rerunfailures16.0.1indirekt
PyPIpytest-rerunfailures16.1indirekt
PyPIpython-dateutil2.9.0.post0indirekt
PyPIpytz2025.2indirekt
PyPIredis7.0.1indirekt
PyPIregex2025.11.3indirekt
PyPIscikit-learn1.6.1indirekt
PyPIscikit-learn1.7.2indirekt
PyPIsetsimilaritysearch—indirekt
PyPIsetsimilaritysearch1.0.1indirekt
PyPIsix1.17.0indirekt
PyPIthreadpoolctl3.6.0indirekt
PyPItomli2.3.0indirekt
PyPItqdm4.67.1indirekt
PyPItyping-extensions4.15.0indirekt
PyPItzdata2025.2indirekt
PyPIwrapt2.0.1indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:datasketch@2.0.0 zieht 2 Pakete nach sich, direkt und transitiv: 0 tragen bekannte Advisories, davon 0 direkte Abhängigkeiten.

Keine bekannten Advisories betreffen die bewerteten Abhängigkeiten.

Ein Advisory bedeutet, dass die im Abhängigkeitsgraphen erfasste Version in den betroffenen Bereich eines Advisories fällt. Erreichbarkeit wird nicht analysiert, und der Graph enthält Entwicklungs- und Test-Pins — ein Fund kann das Werkzeug betreffen und nicht die ausgelieferte Software.

JSON-Rohbericht maschinenlesbar

Feedback

Stimmt etwas in diesem Bericht nicht, oder gibt es Gedanken dazu? Falsche Messungen, übersehene Tools, Ideen, Fragen — alles ist willkommen. Jede Nachricht wird gelesen und beantwortet.

Die Nachricht bleibt bei der Anmeldung erhalten.

Verwandte Einträge

Geprüfte Repositories, die Katalog-Tags oder Ökosysteme mit ekzhu/datasketch teilen. Nebeneinander lesen →

97nuclia/nucliadbNucliaDB, The AI Search database for RAGAußergewöhnlich100deepset-ai/haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.Außergewöhnlich99taskforcesh/bullmqBullMQ - Message Queue and Batch processing for NodeJS, Python, .NET, Elixir, Rust and PHP based on Redis or PostgreSQLAußergewöhnlich98lancedb/lancedbDeveloper-friendly OSS embedded retrieval library for multimodal AI. Search More; Manage Less.Außergewöhnlich98valkey-io/valkey-glideAn open source Valkey client library that supports Valkey, and Redis open source 6.2, 7.0 and 7.2. Valkey GLIDE is designed for reliability, optimized performance, and high-availability, for Valkey and Redis OSS based applications. GLIDE is a multi language client library, written in Rust with programming language bindings, such as Java and PythonAußergewöhnlich97redis/redis-vl-pythonRedis Vector Library (RedisVL) -- the AI-native Python client for Redis.Außergewöhnlich

Bewertungen sind Signale, keine Garantien. Sie spiegeln öffentlich sichtbare Praxis auf GitHub wider — kein Code-Audit und keine Sicherheitsgarantie.

Fehlende Daten werden ausgeschlossen und die Gewichte neu normiert, nie als null bewertet. Die Methodik ist versioniert und offen: Metriken v2.10.0, Schema v0.31.0 — vollständige Methodik · Metriken-Wiki.

Wie ein einzelnes Ergebnis im Gesamtregister steht: aggregierte Statistiken — PyPI.