FastRAG 是英特尔实验室为高效、优化的 RAG 管道而开发的研究框架。它融合了最先进的大型语言模型 (LLM) 和信息检索功能。fastRAG 旨在为研究人员和开发人员提供支持拥有一套全面的工具集，用于推进检索增强发展。

特点：

• 优化的 RAG：使用 SOTA 高效组件构建 RAG 管道，以提高计算效率。

• 针对 Intel 硬件进行了优化：利用 Intel 扩展 PyTorch （IPEX）、? Optimum Intel 和 ? Optimum-Habana，在 Intel® Xeon® 处理器和 Intel® Gaudi® AI 加速器上尽可能优化地运行。

• 可定制：fastRAG 是使用 Haystack 和 HuggingFace 构建的。fastRAG的所有组件都与Haystack100%兼容。

组件

有关fastRAG中各种独特组件的简要概述，涵盖了各种最先进的技术和框架：

from haystack.schema import Document
# example documents to indexexamples = [ "There is a blue house on Oxford Street.", "Paris is the capital of France.", "The first commit in fastRAG was in 2022"]
documents = []for i, d in enumerate(examples):documents.append(Document(content=d, id=i))document_store.write_documents(documents)
from fastrag.retrievers import QuantizedBiEncoderRetriever
model_id = "Intel/bge-small-en-v1.5-rag-int8-static"retriever = QuantizedBiEncoderRetriever(document_store=document_store, embedding_model=model_id)document_store.update_embeddings(retriever=retriever)

FastRAG怎么用

官方给了很多个使用的例子，教大家怎么使用，下面展示部分例子，并给出使用代码的地址：

使用量化组件进行高效的开放域问答

使用知识语料库生成可回答问题的答案。

检索 使用 基于BM25的词汇检索，或使用基于 PLAID互动的稠密向量检索；
排序 使用Sentence Transformer 或 ColBERT 进行后期交互密集检索。我们还提供利用高度优化的量化重新排名器进行快速推理。

生成 使用Fusion-in-Decoder

https://github.com/IntelLabs/fastRAG/blob/main/examples/plaid_colbert_pipeline.ipynb

基于LLM的检索增强生成

通过使用检索增强功能提升大型语言模型 （LLM）的生成能力，您可以按照以下步骤操作：

1. 定义检索流：这涉及创建一个包含相关信息的存储，以及一个或多个检索器/排名器，以检索最相关的文档或段落。

2. 定义提示模板：设计一个模板，其中包含合适的上下文或指令，以及管道检索的查询和信息的占位符。这些占位符将在生成过程中动态填充。

3. 从 LLM 请求生成：利用提示模板并将其传递给 LLM，允许它根据提供的上下文、查询和检索到的信息生成令牌。

https://github.com/IntelLabs/fastRAG/blob/main/examples/rag-prompt-hf.ipynb

使用 REPLUG 与 LLM 进行并行文档读取

使用 REPLUG：Retrieval-Augmented Black-Box Language Models 中引入的算法并行读取多个文档，以生成任何问题的答案。

https://arxiv.org/abs/2301.12652https://github.com/IntelLabs/fastRAG/blob/main/examples/replug_parallel_reader.ipynb

开放域摘要

根据自由文本输入和知识语料库总结主题。使用 BM25 或其他检索器
检索 使用Sentence Transformers或其他排名器
生成 使用提示，所有文档内容拼接和 FLAN-T5 生成模型"summarize: "

https://github.com/IntelLabs/fastRAG/blob/main/examples/od_summarization_pipeline.ipynb

如果对内容有什么疑问和建议可以私信和留言，也可以添加我加入大模型交流群，一起讨论大模型在创作、RAG和agent中的应用。