我要投稿

Easy-RAG 一个适合学习、使用、自主扩展的检索增强生成系统

发布日期：2024-08-26 07:12:06 浏览次数： 2036 作者：顶层架构领域

当今时代，人工智能技术的飞速发展为各行各业带来了革命性的变化。在自然语言处理领域，检索增强生成（RAG）系统因其卓越的性能和广泛的应用前景，正成为研究和应用的热点。今天，我要向您推荐的是一个创新的系统——Easy-RAG，它不仅易于学习、使用，还具备自主扩展的能力。希望能让您对RAG能更近一步的了解。

一、Easy-RAG 系统概览

Easy-RAG 是一个开放源代码的检索增强生成 (RAG) 系统，旨在提供一种简便的方式来学习和使用 RAG 技术，并支持用户自主扩展系统功能。该系统适用于希望深入了解和应用 RAG 技术的研究人员和开发者，无论是在学术研究还是在商业开发中都能提供强有力的支持。

二、功能特点

Easy-RAG 的功能特点主要包括：

知识库支持：目前支持 txt、csv、pdf 等格式的文件作为知识库，并提供知识库的创建、更新、删除等功能。

聊天功能：支持纯大模型聊天多轮，以及知识库问答，提供复杂召回方式、简单召回方式和 rerank重新排序来提高检索效率搜索方式。

语音转文本：支持音频视频的语音转文本然后向量化，使用的 funasr 模型，可在首次启动时从魔塔下载模型。

持续更新计划：计划后续支持 Elasticsearch、Milvus、MongoDB 等向量数据，以及添加语音回答输出和问题路由知识库的功能。

三、项目结构

Easy-RAG 的项目结构包括：

Chroma_db（存储 Chroma 向量数据的文件夹）
Ollama_api（以 api 方式与 ollama 交互的代码）
embedding（用于文件向量化处理的代码）
rag（存储 rag 操作的代码）等部分

四、安装与使用

Easy-RAG 的安装和使用相对简单，可以通过 Ollama 安装包进行安装，并通过简单的命令行操作来部署所需的大模型和模型。具体的安装步骤包括下载 Ollama 安装包，运行相应的命令来安装所需的模型，并在配置文件中指定 rerank 模型的路径。

1、Ollma安装，在如下网址选择适合你机器的ollama 安装包

https://ollama.com/download

2、Ollama 安装模型，直接安装我们需要的两个cmd中执行

ollama run qwen2:7b

ollama run mofanke/acge_text_embedding:latest

3、项目开发环境 pyhon3.8以上

git clone https://github.com/yuntianhe2014/Easy-RAG.git

4、安装依赖

pip3 install -r requirements.txt -ihttps://mirrors.aliyun.com/pypi/simple

5、项目启动

python webui.py

6、知识图谱时时提取工具

python graph_demo_ui.py

总结：

Easy-RAG 是一个功能全面、易于学习和使用的 RAG 系统，具备良好的扩展性，适合研究人员和开发者进行深入研究和应用开发。有需要的小伙伴们可以通过下方提供地址进行更多的学习。

仓库地址：https://github.com/yuntianhe2014/Easy-RAG

项目参考： https://github.com/BinNong/meet-libai

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-04-27

AI 写代码总是翻车？Upstash 创始人怒推 Context7：给 LLM 喂上最新鲜的官方文档。

2025-04-26

葵花宝典之「知识库」调优秘籍！RAG优化指南！

2025-04-26

RagFlow文档解析过程分析

2025-04-26

深度学习！构建基于LangGraph的RAG多智能体研究工具。

2025-04-26

用RAG与Agent提升企业问答效率：我的AI实践之路

2025-04-26

理解 RAG 第一部分：为什么需要它

2025-04-26

理解 RAG 第三部分：融合检索与重新排序

2025-04-26

理解 RAG 第四部分：检索增强生成评估框架

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

全网最全国内Agent平台深度测评：扣子、Dify、FastGPT，谁是你的Agent开发首选？

2024-10-27

一文彻底搞懂大模型 - RAG（检索、增强、生成）

2024-09-04

GraphRAG+Ollama 本地部署，保姆教程，踩坑无数，闭坑大法

2024-07-18

RAGFlow：基于OCR和文档解析的下一代 RAG 引擎

2024-05-05

RAG框架，都在这了!

2024-06-20

RAG 高效应用指南：Embedding 模型的选择和微调

2024-06-13

深入解析 Graph RAG：提升语言模型问答能力的创新策略

2024-07-09

微软开源的GraphRAG解读

2024-07-09

基于Llama 3 构建RAG语音助手：将本地 RAG 与 Qdrant、Whisper 和 LangChain 集成

2024-05-19

Prompt工程师必备：复旦重磅 | 最佳RAG实践长什么样的？

2024-07-07

大家都在问

RAG比之MCP或长上下文LLM，要没落了吗？

2025-04-26

HR AI小科普——什么是MCP？

2025-04-25

RAG应用必备！10种向量数据库全解析、Weaviate、Milvus、pgvector、Qdrant等热门工具谁更强？

2025-04-22

18种RAG技术大比拼：谁才是检索增强生成的最佳选择？

2025-04-22

大模型能像专业分析师一样提取用户需求吗？

2025-04-20

RAG vs. CAG vs. Fine-Tuning：如何为你的大语言模型选择最合适的“脑力升级”？

2025-04-19

什么是RAG与为什么要RAG？

2025-04-18

真实场景下落地RAG的十条建议及RAG中如何提升个性化？

2025-04-16

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB