- 综合排序
- 最热优先
- 最新优先
- 来自专栏自然语言处理
5个开源RAG框架对比
还在为RAG应用开发头疼吗？别急，今天给大家推荐五款完全开源免费的RAG框架，覆盖自动优化、多模态处理、本地部署、生产环境支持等多种场景，助你轻松搞定RAG开发！ 1. AutoRAG：自动优化，省心省力 核心优势：自动寻找最优RAG流程，告别手动调参！ ✨ 特色功能：支持用你的评估数据测试不同RAG模块，找到最适合的方案。 适用场景：适合需要优化RAG系统性能的开发者。 https://github.com/Marker-Inc-Korea/AutoRAG 2. 适用场景：适合企业级应用部署，需要稳定可靠的RAG框架。 https://github.com/truefoundry/cognita 5. ✨ 特色功能： 提供50+针对企业任务优化的小型模型 支持完整的RAG生命周期 适用场景：适合企业环境中需要专业化、轻量级解决方案的场景。
3.9K11编辑于 2024-12-31 - 来自专栏AgenticAI
RAG新SOTA！港中深发布Graph-based RAG统一框架，深度评估现有Graph-based RAG框架！
然而，目前各种基于图的 RAG 方法缺乏统一框架，难以在相同实验环境下系统比较和深入分析。 研究贡献 1、创新统一框架：首次提出涵盖所有现有 Graph-based RAG 方法的统一框架，从高层次明确定义图构建、索引构建、操作符配置及检索生成四个关键步骤。 2、深入方法比较：在统一框架下，系统地评估和对比 12 种主流 Graph-based RAG 算法，详细分析每种方法的优势与局限性。 6、前瞻性研究方向：基于详细的实验结果与分析，提出了多种前瞻性研究机会与实践方案，有望推动 RAG 领域未来研究。 研究与实验方法 本文提出一个全新的统一框架，将基于图的 RAG 方法划分为图构建、索引构建、操作符配置及检索与生成四个核心阶段，以实现对现有方法的系统比较与深入分析。
42400编辑于 2025-03-18 - 来自专栏JadePeng的技术博客
知识图谱增强的KG-RAG框架
/KG_RAG），该框架利用生物医学知识图谱SPOKE与大型语言模型相结合，有效的提升了LLM在医疗领域的问答效果。 KG-RAG框架介绍 KG-RAG框架，较好的结合了生物医学知识图谱SPOKE和LLM的优势。 研究人员对KG-RAG框架进行了广泛的测试，包括单跳和双跳提示、药物再利用查询、生物医学真假问题和多项选择题。 实体embedding计算：首先，使用Embedding模型（如'all-MiniLM-L6-v2'）为SPOKE知识图谱中的所有疾病概念节点计算embedding向量 将计算出的疾病embedding 在其他领域如何去应用KG做RAG，一方面可以扩展该框架，另外一方面，也要结合自己的实际场景去定制具体的策略。
2.5K10编辑于 2024-04-12 - 来自专栏自然语言处理
【RAG入门教程03】Langchian框架-文档加载
这个也是在后续开发框架的过程中，我们可以选取langchian的document作为处理对象，但是文件解析需要自己去写和实现。
97910编辑于 2024-06-10 - 来自专栏自然语言处理
【RAG入门教程05】Langchian框架-Vector Stores
chunk_overlap = 150 ) text_splits = text_splitter.split_documents(docs) print(len(text_splits)) # 6 _collection.count()) # 6 persist_directory是 Chroma 将持久存储其数据的路径。这可确保即使应用程序终止后数据仍然可用。 langchain_community.vectorstores import FAISS db = FAISS.from_documents(text_splits, embeddings) print(db.index.ntotal) # 6
1K10编辑于 2024-06-10 - 来自专栏DeepHub IMBA
UniMS-RAG:用于个性化对话的统一多源RAG框架
RAG领域已经取得了相当大的发展，这篇论文的是如何分解RAG过程，加入多文件检索、记忆和个人信息等定制化的元素。 使用RAG的一个优点是其实现的简单。但是在agenic RAG、多文档搜索和添加会话历史等方面，还需要很多的手动工作。代理RAG是将代理层次结构与RAG实现相结合的地方，这会带来很大的复杂性。 UniMS-RAG会对这些元素进行优先排序。 3、持续改进 论文的方法还包括一种自我细化推理算法，通过结合RAG会带来很大程度的可检查性和可观察性。 UniMS-RAG框架 UniMS-RAG统一了计划、检索和阅读任务的训练过程，并将它们集成到一个综合框架中。 提出的统一多源检索-增强对话系统(UniMS-RAG)使用大型语言模型(llm)同时作为计划者、检索者和读者。 这个框架在推理过程中还引入了自改进，使用一致性和相似性分数来改进响应。
57610编辑于 2024-02-01 - 来自专栏DeepHub IMBA
BookRAG：面向层级文档的树-图融合RAG框架
大多数RAG管道依赖固定的查询处理流程，简单问题处理起来效率低，复杂问题又应对不了。 所以多数现有的文档级RAG系统要么忽略文档的层级结构，要么缺乏查询感知的检索流程。 BookRAG是一个专为层级结构文档设计的RAG框架。 整个框架由三个关键组件构成。 构建BookIndex BookIndex在一个统一索引中同时容纳结构和语义。 案例分析 Figure 6: Case study of responses across different query types from MMLongBench and Qasper. 图6展示了BookRAG处理三种查询的完整过程。 单跳查询的关键在于缩小搜索空间。
21910编辑于 2026-03-31 - 来自专栏自然语言处理
【RAG入门必备技能】Faiss框架使用与FaissRetriever实现
提供了高效且可靠的相似性聚类和检索方法，可支持十亿级别向量的搜索，是目前最为成熟的近似近邻搜索库 官方资源地址https://github.com/facebookresearch/faiss Faiss基础依赖 1）矩阵计算框架 ：Faiss与计算资源之间需要一个外部依赖框架，这个框架是一个矩阵计算框架，官方默认配置安装的是OpenBlas，另外也可以用Intel的MKL，相比于OpenBlas使用MKL作为框架进行编译可以提高一定的稳定性 使用方法 Faiss是为稠密向量提供高效相似度搜索的框架(Facebook AI Research），选择索引方式是faiss的核心内容，faiss 三个最常用的索引是：IndexFlatL2, IndexIVFFlat 200]) contexts=faiss_retriever.retrieve("2022年冬奥会开幕式总导演是谁") print(contexts) 参考资料 Faiss应用 - 召回框架
5K20编辑于 2024-06-06 - 来自专栏Datawhale专栏
RAG 作者：RAG 已死，RAG 万岁！
一个具有更大上下文窗口的新模型问世，社交媒体上便会充斥着“RAG 已死”的宣言。 底线是：您同时需要长上下文 LLM 和 RAG。 但既然“RAG”这个术语似乎如此具有争议性，那我们不妨这样说： 我们不必非得称之为 RAG。 我们可以就叫它 检索 (retrieval)。 RAG 提供了相当于直接翻到相关页面的能力。处理更多 token 不仅更慢，而且极其低效，并且比使用 RAG 精准定位所需信息要昂贵得多。 警惕错误的二分法 在谷歌搜索“RAG vs”，你会看到一长串建议的查询补全——“长上下文”、“微调”、“MCP”。这种框架设定制造了一种人为的选择，并没有反映这些技术实际上如何协同工作的最佳方式。 RAG、微调和大型上下文窗口在 AI 中也是如此。 结论 我们不需要在 RAG 与长上下文窗口、微调或 MCP 之间做出选择。
75510编辑于 2025-04-24 - 来自专栏学习笔记ol
框架分析（6）-Ruby on Rails
框架分析（6）-Ruby on Rails 主要对目前市面上常见的框架进行分析和总结，希望有兴趣的小伙伴们可以看一下，会持续更新的。希望各位可以监督我，我们一起学习进步。 自动化测试 Rails框架鼓励开发人员编写自动化测试代码，以确保应用程序的稳定性和可靠性。Rails提供了一套完整的测试框架，包括单元测试、集成测试和功能测试等。 缺点 性能问题 相比其他编程语言和框架，Ruby on Rails在处理大量并发请求时可能会有一些性能瓶颈。这主要是由于Ruby语言本身的特性和Rails框架的设计理念所致。 灵活性受限 Rails框架提供了一套固定的开发模式和规范，这在一定程度上限制了开发人员的灵活性。有时候，如果需要实现一些非常定制化或特殊的功能，可能需要绕过框架的约定，编写更多的自定义代码。 更新和维护 Rails框架在不断更新和演进，这意味着开发人员需要跟随框架的变化进行学习和更新。对于一些老旧的Rails项目，可能需要花费一些时间和精力来进行升级和维护。
3.9K20编辑于 2023-10-11 - 来自专栏全栈开发工程师
【RAG】001-RAG概述
【RAG】001-RAG概述 0、整体思维导图 下面的知识是基于一个视频教程结合 AI 生成的笔记，我也看了一遍，有了一些印象，但这种印象很快就会消失，知识也就消失了，为了使得知识在我的大脑中停留更长的时间 补充1：RAG 基本逻辑 补充2：RAG 知识库基本逻辑 一、RAG 介绍 1、LLM 的主要局限性 大语言模型（LLM）尽管功能强大，但仍存在以下明显的局限性： 时效性问题：模型的知识在预训练后就固定了 概述 1、RAG 的概念 RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了检索和生成技术的文本处理方法，主要用于提高语言模型的输出质量。 2、RAG 的工作原理 RAG 的核心工作流程包含以下步骤： 知识库构建： 收集和处理文档资料 将文档切分为适当大小的文本块 使用向量化模型将文本转换为向量并存储 检索过程： 接收用户查询并向量化 在向量数据库中搜索相似内容 获取最相关的文本片段 生成过程： 将检索到的相关内容与用户问题组合 构建合适的提示词（Prompt） 通过 LLM 生成最终答案 3、RAG 的应用场景 RAG 技术在多个领域都有广泛应用
79710编辑于 2025-03-25 - 来自专栏DeepHub IMBA
FaaF:为RAG系统量身定制的事实召回评估框架
在RAG系统中实际的事实召回评估可能存在以下问题: 在低质量生成的文本中自动验证真实的、独立的陈述和模拟低质量的检索增强生成(RAG)场景并没有得到太多的关注。 RAG系统涉及许多组件，例如知识库、检索、提示公式和语言模型，这些都需要大量的调优。因此效率对实际执行至关重要。 Facts As A Function faaf是一个为RAG系统量身定制的事实召回评估框架，它可以用来创建一个测试数据集，并执行自动的事实召回评估。 评估数据是通过真实事实和人工注释来增强的。 WikiEval的特点是问题和答案对，答案具有可变的事实质量，可以模拟有缺陷的RAG反应。 然后测试RAG的假设反应(在这种情况下，无根据的答案和糟糕的答案)对提取的事实的召回。 依靠提示来验证事实往往会高估陈述的真实性，尤其是在文本缺乏重要信息的情况下。
39210编辑于 2024-04-15 - 来自专栏AgenticAI
深度测评 RAG 应用评估框架：指标最全面的 RAGas
大家常说 RAG 应用是：一周出 demo，半年用不好。那么怎么评估 RAG 应用是否能够上生产了呢？如果公司人手足够，当然可以人工测试评估准确性，但指标未免单一。 本文介绍一个全自动化的 rag 应用评估框架 ragas。 RAGas（RAG Assessment)[1]RAG 评估的缩写，是一个专门的解决方案用于评估、监控和提升生产环境中大语言模型（LLM）和检索增强生成（RAG）应用的性能，包括用于生产质量监控的定制模型 然后就是使用 ragas 框架的 API 来生成测试集了，首先初始化测试集生成器。 如果你想深入RAG也可以考虑购买这本《大模型RAG实战》，更为系统地学习。
5.6K12编辑于 2025-03-18 - 来自专栏全栈程序员必看
fork join框架原理_jalor6框架教程
ForkJoinWorkerThread WorkQueue 五、Fork/Join运行流程图 任务提交 创建线程signalWork方法 任务执行 六、引用博客 一、思想 Fork/Join是Java7提供的并行执行任务的框架 ，是一个把大人物分割成若干小任务，最终汇总小任务的结果得到大任务结果的框架 小任务可以继续拆分为更小的任务 二、工作窃取算法 1、工作窃取会选择双端队列作为存储任务的数据结构，默认正常线程会选择LIFO
1.6K20编辑于 2022-11-08 - 来自专栏AgenticAI
蚂蚁开源新RAG框架KAG，可达91%准确率
看这篇就够了》，本文探一探蚂蚁开源的另外一套知识增强生成框架 KAG（Knowledge Augmented Generation），专门用于构建垂直领域知识库的逻辑推理问答框架，论文中提到在电子政务达到了 KAG 简介 KAG 可以有效克服传统 RAG 向量相似度计算的歧义性和 OpenIE 引入的 GraphRAG 的噪声问题，支持逻辑推理、多跳事实问答等。 /0.5/nbb1bn3wegwue6yo#R4iWY创建知识库。 参考资料 [1] 官方文档索引: https://openspg.yuque.com/ndx6g9/0.5/nbb1bn3wegwue6yo#P9GJu [2] 官方文档Solver: https: //openspg.yuque.com/ndx6g9/0.5/nbb1bn3wegwue6yo#r95Sg [3] Efficient Tool Use with Chain-of-Abstraction
3.4K00编辑于 2025-03-18 - 来自专栏唐国梁Tommy
Self-RAG 框架：更精准的信息检索与生成
Self-RAG 核心算法 SELF-RAG是一个增强语言模型质量和事实性的框架，通过检索和自我反思实现，而不损失原始创造性和多功能性。 该框架使模型可以根据检索到的段落生成文本，并使用“反思tokens”自我评估输出的相关性和完整性。 与普通的RAG方法不同，SELF-RAG更加选择性地进行检索，确保从引用源获得完整支持。 此外，框架还允许设定一个阈值。 （2）如果生成的token是 Retrieve=Yes， 且在所有输出tokens中的标准化值超过了指定的阈值，则触发检索。 2.3.2 基于评判tokens的树解码（Tree-decoding with critique tokens） （1）基本框架 第1步：当每一步进行到t时，依据是否需要检索，可以基于硬或软条件进行。 第6步：选择最佳答案 beam search是一种启发式搜索策略，它在每一步中仅保留得分最高的k个解决方案，其中k是beam的大小。
4.5K40编辑于 2023-11-09 - 来自专栏KisFlow-Golang流式计算框架
Golang框架实战-KisFlow流式计算框架(6)-Connector
(6) 执行Connector Call方法kis-flow/kis/pool.go// CallConnector 调度 Connectorfunc (pool *kisPool) CallConnector 创建一个KisFlow对象flow1 := flow.NewKisFlow(myFlowConfig1)// 6. , row = This is Data1 from TestIn FuncName = funcName1, FuncId = func-f594da0e28da417db6b15ce9c9530f84 , row = This is Data2 from TestIn FuncName = funcName1, FuncId = func-f594da0e28da417db6b15ce9c9530f84 from funcName[funcName2], index = 1 data from funcName[funcName2], index = 2] func-f594da0e28da417db6b15ce9c9530f84
30210编辑于 2024-06-06 - 来自专栏机器学习原理
rag
RAG技术全面解析：原理、应用与优势 引言 在当今快速发展的人工智能领域，检索增强生成（Retrieval-Augmented Generation, RAG）技术已成为一个备受关注的话题。 RAG工作流程 RAG的工作流程可以分为以下几个步骤： 用户查询：用户提出一个查询，系统首先会将这个查询传递给检索模型。 RAG技术的应用场景 RAG技术在众多实际应用场景中显示出其独特的优势，这是其他单一技术难以比拟的。下面我们详细探讨RAG技术的几个主要应用场景。 RAG技术可以在知识图谱构建过程中发挥重要作用。通过利用检索模型从大规模文档库中找到最新的相关信息，RAG系统可以识别出新的实体和关系。 RAG技术的优势与挑战 RAG技术在很多方面展示了其显著的优势，但它也面临着一些挑战。以下我们将详细探讨RAG技术的优势和挑战。
63111编辑于 2024-06-27 - 来自专栏自然语言处理
RAG Logger：RAG日志记录工具
您听说过 RAG Logger 吗？ 它是一款专为检索增强生成 (RAG) 应用程序设计的开源日志记录工具！ 据说它可以作为 LangSmith 的轻量级替代方案，满足 RAG 特定的日志记录需求。 查询、搜索结果、LLM 交互和性能指标可以以 JSON 格式记录。 特点 通过查询跟踪详细了解用户问题！ RAG Logger 为 RAG 应用程序的性能监控和调试提供了强大的支持，对吗？ 特别推荐给那些想要提高应用程序开发效率的人。 请参阅此处的详细信息： RAG Logger GitHub 仓库
32910编辑于 2025-01-07 - 来自专栏数据派THU
独家 | 进阶RAG-提升RAG效果
数据清洗在RAG框架中起着至关重要的作用。RAG的效果取决于数据清洗和组织的好坏。删除不必要的信息，如特殊字符、不需要的元数据或文本。 删除不相关的文本/文档：删除所有不需要LLM来回答的不相关文档。 它帮助框架识别包含与用户查询相关信息的最相关子文档。 3. 一旦建立了与子文档的对齐，它就会检索与该子文档相关联的整个父文档。在所示的图片中，最终获得了父块。 4. 框架现在可以访问整个父文档，而不是仅仅依赖于子文档的内容。 5. 句子窗口检索 这种分块技术与上面的非常相似。 6. 检索优化 这是RAG工作流中最重要的部分，它包括基于用户查询从向量数据库中检索文档。这个步骤也可以称为对齐查询和文档。 查询重写 查询重写是对齐查询和文档语义的基本方法。 -208ffad5bb6a 编辑：黄继彦
1.6K20编辑于 2024-06-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号