引言

检索增强生成（RAG）框架通过将检索机制与生成模型相结合，彻底改变了大型语言模型（LLM）的使用方式。随着人工智能解决方案需求的不断上升，GitHub 上陆续出现了多个开源的 RAG 框架，每个框架都提供了独特的功能和特性。

以下是 RAG 框架的主要特点：

• 知识检索 —— 这一核心功能使 RAG 框架能够通过从外部知识库中提取相关信息，为大型语言模型提供上下文支持。
• 生成模型增强 —— 通过利用检索到的信息来改善 LLM 的输入，从而使模型能够生成更准确、更新、更符合上下文的响应。
• 多轮交互 —— 此功能允许 RAG 系统通过与用户的多次交互不断完善查询和生成内容，从而提升用户满意度和系统的整体准确率。
• 模型优化 —— 通过各种技术手段（例如查询消歧、查询抽象以及索引优化）提升 RAG 系统的性能。

21 大著名的 RAG 框架

这些框架通过将大型语言模型与外部知识库相结合，提高了生成内容的准确性和可靠性，在医疗、金融、客户服务及教育等领域具有重要价值。

RAGFlow

• 网址：https://github.com/infiniflow/ragflow
• 特点：简化的工作流设计，内置预构建组件，并与向量数据库集成。
• 适用对象：希望快速构建 RAG 应用的开发者和组织。
• 工作流设计：直观的界面用于设计和配置 RAG 工作流。
• 预配置工作流：提供常见场景的即用型工作流。
• 向量数据库集成：与向量数据库无缝集成，实现高效检索。
• 应用场景：实时应用，如聊天机器人和即时问答系统。
• 用户体验：用户友好且高效，降低了学习曲线和开发时间。
• 社区支持：因其简单有效，RAGFlow 正逐渐受到越来越多人的青睐。

Haystack

• 网址：https://github.com/deepset-ai/haystack
• 特点：模块化设计，包含文档检索、问答和文本摘要等组件；支持 Elasticsearch、FAISS 和 SQL 等多种文档存储方案。
• 适用对象：开发者、研究人员以及构建端到端问答与搜索系统的组织。
• 文档检索：采用多种索引方法高效地检索相关文档。
• 问答生成：利用预训练模型，根据检索到的文档生成答案。
• 文本摘要：提供工具对大文档进行摘要处理。
• 应用场景：广泛应用于医疗、金融以及客户支持领域的问答系统和搜索引擎。
• 用户体验：具有简单的 API 和详尽的文档，新手和有经验的开发者都能轻松使用。
• 社区支持：拥有活跃的社区和不断更新的开发成果。

STORM

• 网址：https://github.com/stanford-oval/storm
• 特点：侧重于高效的检索机制和生成过程。
• 适用对象：需要快速、准确地完成文本检索和响应生成的开发者及组织。
• 高度可配置的检索：支持多种检索策略和嵌入模型。
• 优化的生成：灵活地与生成模型集成，以提高响应质量。
• 应用场景：特别适用于在线客户支持和智能助手。
• 性能特点：设计注重高性能和高效率，适合实时应用。
• 社区支持：在学术研究与实际应用中均有涉及。

LLM-App

• 网址：https://github.com/pathwaycom/llm-app
• 特点：提供文档解析、索引、检索及响应生成的一体化工具链。
• 适用对象：面向希望利用大型语言模型构建 RAG 应用的企业和开发者。
• 文档解析：具备文档解析和预处理工具。
• 索引功能：支持多种文档存储解决方案。
• 检索与生成：集成高效的检索模块与高质量的响应生成模块。
• 应用场景：在法律、医疗和客户服务等领域构建问答系统或搜索引擎。
• 用户体验：凭借详细的文档和丰富示例，使得系统搭建与使用更加便捷。
• 兼容性：支持多种语言模型和文档存储方案，提供均衡的 RAG 解决方案。

txtai

• 网址：https://github.com/neuml/txtai
• 特点：一个集成了语义搜索、语言模型工作流与文档处理管道的一体化平台。
• 适用对象：需要全面解决方案以应对多项 AI 任务的各类组织。
• 语义搜索：利用内嵌数据库实现高效的相似性搜索。
• 语言模型工作流：轻松整合各种语言模型及 AI 服务。
• 文档处理：支持多语言、多格式数据处理。
• 应用场景：适用于客户服务、内容推荐以及数据分析。
• 用户体验：高度集成且使用方便，适合小规模和大规模项目，同时提供详尽文档与实例帮助用户快速上手。

R2R

• 网址：https://github.com/SciPhi-AI/R2R
• 特点：一个轻量化框架，旨在简化从检索到响应的整个流程。
• 功能：支持多步检索与生成，优化中间步骤；灵活的检索和生成策略。
• 应用场景：适用于实时应用，如聊天机器人和即时问答系统。
• 优势：能够在不牺牲准确性的前提下大幅降低推理延迟。

Cognita

• 网址：https://github.com/truefoundry/cognita
• 特点：针对知识密集型应用设计，集成了高效的文档管理和检索机制。
• 适用对象：适用于处理复杂知识图谱和问答系统的专业人士与组织。
• 支持：多模态数据支持、可定制的索引方案以及高级生成模型。
• 应用场景：例如医疗咨询、法律咨询等。
• 优势：高度定制化和灵活，适合需要精细知识管理的大型项目。

FlashRAG

• 网址：https://github.com/RUC-NLPIR/FlashRAG
• 特点：针对推理速度进行了优化，采用了多种加速技术。
• 适用对象：适用于需要实时 RAG 应用的开发者和组织。
• 功能：支持多种检索模型、经过优化的重排序器以及高性能生成器。
• 应用场景：例如在线客户支持和智能助手等需要即时、准确响应的系统。
• 优势：在保持准确性的同时，显著降低了推理延迟。

Neurite

• 网址：https://github.com/satellitecomponent/Neurite
• 特点：将神经网络技术与检索机制相结合。
• 适用对象：适用于需要高精度和高性能的研究人员及组织。
• 支持：支持各种深度学习模型、经过优化的大规模向量检索以及灵活的生成策略。
• 应用场景：特别适合科学研究和数据驱动应用。
• 优势：高精度与高性能，能够显著提升检索和生成的准确性。

Canopy

• 网址：https://github.com/pinecone-io/canopy
• 特点：采用模块化和递归设计，允许灵活组合各组件。
• 适用对象：适用于需要高度定制的 RAG 系统的开发者和组织。
• 功能：支持多步检索与生成（通过递归调用模型）、完全可定制的组件以及广泛的模型集成。
• 应用场景：适合企业级知识管理系统，能够处理复杂和动态数据。

EasyRAG

• 网址：https://github.com/BUAADreamer/EasyRAG
• 特点：专为提升 RAG 系统效率而设计，尤其适用于自动化网络操作。
• 适用对象：对于希望自动化网络任务（例如自动内容生成、网页抓取、社交媒体分析等）的开发者和组织非常合适。
• 优势：简化了 RAG 系统的搭建过程，提供友好的 API 和工具；其检索和生成算法经过精心优化，可在处理海量数据时保持高效。
• 工作流程：通常包括双向稀疏检索初步排序、随后利用 LLM 进行重排序进行细调，再由 LLM 生成最终答案，从而确保响应的精准性。
• 额外优点：基于灵活的代码库，支持多种检索与生成策略，无需微调模型即可实现低内存占用、易于部署和极佳的可扩展性。

TableRAG

• 网址：https://arxiv.org/html/2410.04739v1
• 特点：专为处理大规模标签化的表格数据而设计，能够高效理解和生成与表格相关的内容。
• 适用对象：适用于进行数据分析、报告生成以及财务报表处理等场景。
• 优势：通过查询扩展、模式和单元格检索，为语言模型提供关键信息，从而提高生成响应的准确性和效率。
• 流程：包括多步检索和生成过程，显著缩短提示长度并降低重要信息丢失的风险。

Modular RAG

• 网址：https://arxiv.org/html/2407.21059v1
• 特点：将 RAG 系统转变成类似乐高积木般可重构的框架。
• 适用对象：适用于需要高度灵活和可定制的 RAG 应用，如企业知识管理系统、个性化推荐系统等。
• 优势：支持多步检索与生成，用户可以自选和配置各个组件，打造高度定制化的 RAG 系统。

Speculative RAG

• 网址：https://arxiv.org/pdf/2407.08223
• 特点：它首先生成草稿，然后在生成过程中通过检索和优化不断完善草稿，从而提高准确性和效率。
• 适用对象：特别适合要求高精度输出的场景，如内容创作、基于知识的问答、技术文档生成等。
• 优势：采用多步检索与生成流程，用户可以灵活配置组件，打造高度定制的系统。

RAGAR

• 网址：https://arxiv.org/html/2404.12065v2
• 特点：将多模态数据与 RAG 技术整合，专为政治事实核查设计。
• 适用对象：适用于新闻机构、政府部门以及政治研究机构等需要进行政治事实核查的环境。
• 优势：通过多步检索与生成，用户可自定义组件，打造高度定制化系统，以应对复杂和不断变化的数据需求。

Blended RAG

• 网址：https://arxiv.org/html/2404.07220v1
• 特点：结合语义搜索和混合查询检索技术，提升检索准确性和效率。
• 适用对象：适合处理大量长尾知识，如企业内部知识库或专业领域问答系统。
• 优势：通过多步检索和生成流程实现高效响应，用户可以灵活定制各组件以满足具体需求。

ARAGOG (Advanced Retrieval Augmented Generation Output Grading)

• 网址：https://arxiv.org/html/2404.01037v1
• 特点：评估 RAG 系统生成答案的质量。
• 适用对象：适用于教育、医疗和法律咨询等需要对生成响应进行质量控制的场景。
• 优势：采用多步骤流程进行检索与生成，并通过高级输出评分定制各组件，实现高精度控制。

RAPTOR

• 网址：https://arxiv.org/html/2401.18059v1
• 特点：通过递归方法提升数据检索的效率和准确性。
• 适用对象：适用于处理层级数据，例如法律文件、企业记录以及技术手册等。
• 优势：利用递归技术实现多步检索与生成，用户可灵活配置组件，打造专属定制化的 RAG 系统。

LightRAG

• 网址：https://arxiv.org/pdf/2410.05779
• 特点：利用图结构提升检索流程效率。
• 适用对象：适用于处理复杂查询和海量数据集，如企业知识库和学术研究。
• 优势：采用双层检索系统实现多步检索与生成，用户可以定制各组件以构建高度定制化的系统。

Invar-RAG

• 网址：https://arxiv.org/html/2411.07021v1
• 特点：利用不变对齐技术提升检索和生成过程。
• 适用对象：适用于需要高精度响应生成和检索的场景，如知识密集型任务和专业领域问答。
• 优势：通过多步流程和不变对齐方法，实现高精度定制化检索与生成。

RankRAG

• 网址：https://arxiv.org/pdf/2407.02485
• 特点：通过对大型语言模型进行微调，实现检索增强生成流程的简化。
• 适用对象：适用于要求高性能和高效率的 RAG 应用，如企业内部知识库和专业领域问答系统。
• 优势：采用微调方法实现多步检索与生成过程，允许用户灵活选取和配置组件，打造高度定制的 RAG 系统。