如果你正在研究RAG，那么这10个开源框架非常值得一看！

最新推荐文章于 2025-04-15 11:49:07 发布
原创 最新推荐文章于 2025-04-15 11:49:07 发布 · 1.2k 阅读 · 14 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#架构 #microsoft #产品经理 #chatgpt #人工智能 #大模型

检索增强生成（RAG）已成为增强大型语言模型能力的一种强大技术。
RAG 框架结合了基于检索系统的优点与生成模型的能力，使得响应更加准确、上下文相关且实时更新。随着对复杂 AI 解决方案需求的增长，GitHub 上涌现出众多开源 RAG 框架，每个框架都提供了独特的特性和能力。

一、RAG 框架的功能

检索增强生成（RAG）是一种人工智能框架，通过整合外部知识源来增强大型语言模型（LLM）的能力。
RAG 通过从知识库中检索相关的信息，并将其用于增强 LLM 的输入，使模型能够生成更准确、更及时、更具上下文相关性的响应。
这种方法有助于克服知识截止日期等限制，并减少了 LLM 输出中幻觉的风险。

二、RAG 工作流简化

RAG 的工作流程可以简单描述为：

  1. 信息检索：从预先构建的知识库中找到与当前查询相关的信息；

  2. 信息增强：将检索到的信息与用户输入结合，构成增强后的模型输入；

  3. 生成回答：利用增强后的输入，生成准确且具上下文关联性的回答。

三、LangChain 与 RAG

虽然 LangChain 是构建 LLM 应用的强大工具，但它并不是 RAG 的直接替代品。相反，LangChain 可以用于实现 RAG 系统。
为什么我们需要在 LangChain 之外使用 RAG？主要有以下几点：

  • 外部知识：RAG 允许您整合特定领域或最新信息，这些信息可能不在 LLM 的训练数据中。

  • 改进的准确性：通过基于检索到的信息来形成响应，RAG 可以显著减少错误和幻觉。

  • 定制：RAG 允许您针对特定数据集或知识库调整响应，这对于许多商业应用至关重要。

  • 透明度：RAG 使追踪用于生成响应的信息来源变得更加容易，从而提高了可审计性。

本质上，虽然 LangChain 提供了构建 LLM 应用的工具和抽象概念，RAG 是一种可以利用 LangChain 实现的特定技术，用以提升 LLM 输出的质量和可靠性。

在这篇文章中，我们将探讨目前在 GitHub 上可用的十个 RAG 框架，这些优秀框架对于希望实现或改进 AI 驱动应用的开发人员、研究人员和组织来说，都值得深入研究。

1、 Haystack by deepset-ai

stars：19.3K
地址：https://github.com/deepset-ai/haystack

Haystack 是一个强大且灵活的框架，用于构建端到端的问答和搜索系统。它提供了模块化架构，使开发人员能够轻松创建文档检索、问答和摘要等各种 NLP 任务的管道。

主要功能：

  • 支持多种文档存储（如 Elasticsearch、FAISS、SQL 等）

  • 与流行的语言模型（如 BERT、RoBERTa、DPR 等）集成

  • 可扩展架构，适合处理大量文档

  • 提供易于使用的 API，便于构建自定义 NLP 管道

Haystack 的多功能性和详尽的文档使其成为初学者和经验丰富的开发人员在实现 RAG 系统时的优秀选择。

安装：

  pip install haystack-ai

或者

  
pip install git+https://github.com/deepset-ai/haystack.git@main

2、 RAGFlow by infiniflow

stars：38.5K
地址：https://github.com/infiniflow/ragflow

RAGFlow 是 RAG 框架领域中相对较新的参与者，但由于其专注于简洁性和效率，很快获得了关注。该框架旨在通过预构建组件和工作流程简化 RAG 应用程序的构建。

显著功能：

  • 直观的工作流程设计界面

  • 预配置的 RAG 管道，适用于常见用例

  • 与流行的向量数据库集成

  • 支持自定义嵌入模型

RAGFlow 的用户友好性使其成为希望快速原型设计和部署 RAG 应用程序的开发人员的理想选择。

官方 demo：

官方提供一个 demo 地址，登录可体验，访问地址：https://demo.ragflow.io

更新进度：

我们从它的更新日志可以看到，它的更新是比较频繁和及时的，在今年 2 月 5 日最新的更新日志中，我们可以看目前该框架已经对接了硅基流动和最火爆的DeepSeek-R1\DeepSeek-V3

3、txtai by neuml

stars：10.4K
地址：https://github.com/neuml/txtai

txtai 是一个多功能的 AI 驱动数据平台，超越了传统的 RAG 框架。它提供了一整套工具，用于构建语义搜索、语言模型工作流和文档处理管道。

关键功能：

  • 用于高效相似性搜索的嵌入式数据库

  • 提供集成语言模型和其他 AI 服务的 API

  • 可扩展的工作流自定义架构

  • 支持多种语言和数据类型

txtai 的一站式方法使其成为希望在单一框架内实现广泛 AI 功能的组织的优秀选择。

4、 STORM by stanford-oval

stars：22K
地址：https://github.com/stanford-oval/storm

STORM（斯坦福开源 RAG 模型）是由斯坦福大学开发的面向研究的 RAG 框架。虽然它的星数可能不及其他框架，但其学术背景和对尖端技术的关注，使其成为对 RAG 技术最新进展感兴趣的研究人员和开发人员的重要资源。

突出特点：

  • 实现了新型 RAG 算法和技术

  • 专注于提升检索机制的准确性和效率

  • 与最先进的语言模型无缝集成

  • 附带详尽的文档和研究论文

对于希望探索 RAG 技术前沿的用户来说，STORM 提供了由学术严谨性支撑的坚实基础。

5、 LLM-App by pathwaycom

stars：12.7K
地址：https://github.com/pathwaycom/llm-app

LLM-App 是一个用于构建动态 RAG 应用的模板和工具集合，以实时数据同步和容器化部署为特色。

主要功能：

  • 即用型 Docker 容器，支持快速部署

  • 支持动态数据源和实时更新

  • 与流行的 LLM 和向量数据库集成

  • 提供多种可定制模板，适用于各类 RAG 用例

LLM-App 对操作和实时能力的强调，使其成为部署生产就绪 RAG 系统的组织的理想选择。

6、 Cognita by truefoundry

stars：3.6K
地址：https://github.com/truefoundry/cognita

Cognita 是 RAG 框架领域中的新晋参与者，专注于提供一个统一的平台，用于构建和部署 AI 应用。尽管其星数较少，但其全面的方法和对 MLOps 原则的重视，使其值得关注。

显著特性：

  • 提供端到端的 RAG 应用开发平台

  • 与流行的机器学习框架和工具无缝集成

  • 内置监控和可观测性功能

  • 支持模型版本管理和实验跟踪

Cognita 的整体方案使其成为希望简化整个机器学习生命周期的组织的有力选择。

7、 R2R by SciPhi-AI

stars：5K
地址：https://github.com/SciPhi-AI/R2R

R2R（Retrieval-to-Retrieval）是一个专注于通过迭代细化改进检索过程的专用 RAG 框架。虽然星数不高，但其在检索方面的创新方法使其成为一个值得关注的框架。

关键特点：

  • 实现了新型检索算法

  • 支持多步检索过程

  • 可与各种嵌入模型和向量存储集成

  • 提供分析和可视化检索性能的工具

对于希望推动检索技术边界的开发人员和研究人员来说，R2R 提供了一套独特且强大的工具。

8、 Neurite by satellitecomponent

地址：https://github.com/satellitecomponent/Neurite

Neurite 是一个新兴的 RAG 框架，旨在简化构建 AI 驱动应用的过程。虽然其用户基础较小，但其专注于开发者体验和快速原型设计的理念，使其值得一试。

显著功能：

  • 提供直观的 API 以构建 RAG 管道

  • 支持多种数据源和嵌入模型

  • 内置缓存和优化机制

  • 具有可扩展的自定义组件架构

Neurite 的简洁性和灵活性使其成为希望快速实现 RAG 功能的开发人员的理想选择。

9、 FlashRAG by RUC-NLPIR

地址：https://github.com/RUC-NLPIR/FlashRAG

FlashRAG 是由中国人民大学自然语言处理与信息检索实验室开发的轻量级且高效的 RAG 框架。虽然其星数较低，但其对性能和效率的专注，使其成为一个不可忽视的竞争者。

关键特点：

  • 优化的检索算法以提高处理速度

  • 支持分布式处理和扩展性

  • 与流行的语言模型和向量存储系统集成

  • 提供基准测试和性能分析的工具

对于对速度和效率要求极高的应用场景，FlashRAG 提供了一套专门的工具和优化方案。

10、Canopy by pinecone-io

地址：https://github.com/pinecone-io/canopy

Canopy 是由 Pinecone 公司开发的 RAG 框架，Pinecone 以其向量数据库技术而闻名。

主要特点：

  • 与 Pinecone 的向量数据库紧密集成

  • 支持流式传输和实时更新

  • 提供高级查询处理与重新排序功能

  • 包含用于管理和版本控制知识库的工具

Canopy 专注于可扩展性和与 Pinecone 生态系统的深度集成，使其成为已经使用或计划使用 Pinecone 进行向量搜索的组织的理想选择。

结论

RAG 框架的世界多样而迅速演进，我们介绍的这十个框架各自拥有独特的优点和能力。从全面且成熟的 Haystack 到新兴的专用框架如 FlashRAG 和 R2R，各种需求和应用场景都能找到合适的解决方案。在选择 RAG 框架时，应考虑项目的具体需求、所需的定制化和灵活性、框架的可扩展性与性能、社区的规模和活跃度以及文档和支持的质量。通过对这些因素进行仔细评估并试用不同的框架，你可以找到最适合自己需求的 RAG 方案，进而构建更智能、上下文感知的 AI 应用。随着 AI 领域的不断发展，我们可以预期这些框架将持续进化，并不断涌现出新的技术成果。

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~
在这里插入图片描述

👉大模型学习指南+路线汇总👈

我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。
在这里插入图片描述
在这里插入图片描述

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。
在这里插入图片描述

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。
在这里插入图片描述

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。
在这里插入图片描述

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
在这里插入图片描述
相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！

Vector | Graph：蚂蚁首个开源Graph RAG框架设计解读
南七小僧的学海无涯
08-09 944
RAG的目标是通过知识库增强内容生成的质量，通常做法是将检索出来的文档作为提示词的上下文，一并提供给大模型让其生成更可靠的答案。更进一步地，RAG的整体链路还可以与提示词工程（Prompt Engineering）、模型微调（Fine Tuning）、知识图谱（Knowledge Graph）等技术结合，构成更广义的RAG问答链路。增强训练REALM引入了知识检索器增强大模型预训练，以改进大模型的问答质量和可解释性。增强微调RA-DIT实现了对大模型和检索器的双指令微调，RAFT。
Vector | Graph：蚂蚁首个开源 Graph RAG 框架设计解读
asd8705的专栏
06-29 1505
这部分源自于微软的Graph RAG的研究工作，通过构建知识图谱时生成图社区摘要，以解决知识图谱在面向总结性查询时“束手无策”的问题。另外，同时结合图社区总结与子图明细可以生成更高质量的上下文。
Cognita：一款面向生产环境的开源、模块化 RAG 框架
FrenzyTechAI的博客
06-04 1795
Cognita 是一个开源、模块化的应用程序，它被设计用于生产环境，并且结合了信息检索增强生成（Retrieval-Augmented Generation，简称 RAG）技术。RAG 是一种人工智能技术，它通过结合检索（检索相关信息）和生成（生成新内容）的方式来增强模型的性能。Cognita 的设计目标是在完全定制化和适应性之间取得平衡，同时确保用户友好性。它考虑到了 RAG 和 AI 技术的快速发展，因此在设计时注重了可扩展性，以便能够无缝集成新的技术突破和不同的应用场景。
让大模型不再胡言乱语！2024 Github 上最不能错过的 5 个开源 RAG 框架
m0_59235945的博客
07-27 4537
把大模型想象为一位尽职的图书馆管理员，当你每次有疑问的时候，他就会根据你的口述需求，在浩瀚的文本中尽可能的找到最符合你需求的书籍。而一旦图书馆并没有相关藏书，或内容已过时，我们的这位尽职管理员可不会承认自己的无能，一顿输出猛如虎，结果一看全错。RAG 是一层额外的“知识外挂”。好比给这位管理员额外增补了相关领域的知识，这样它回答出的问题会变得更加精准。这样你就可以放心的让这位管理员，精准解答其他客户所提出疑惑。
2024年十大开源RAG框架
m0_59164304的博客
10-26 2768
检索增强生成（RAG）已成为增强大型语言模型能力的一项强大技术。RAG框架结合了基于检索系统的优点与生成模型的优势，能够提供更准确、更具上下文感知能力以及更及时的响应。随着对复杂AI解决方案的需求增长，许多开源的RAG框架在GitHub上涌现，每个框架都提供了独特的功能和能力。检索增强生成（RAG）是一种人工智能框架，通过整合外部知识源来增强大型语言模型（LLM）的能力。RAG通过从知识库中检索相关信息并利用这些信息来增强LLM的输入，从而使得模型能够生成更准确、更及时且更符合上下文的相关响应。
RAG框架，都在这了!
python12345_的博客
06-09 6382
RAG 很多人都听说过，或者实践过，目前最直接的应用就是构建智能问答系统。
10 个顶级的 RAG 框架，开源的
star_nwe的博客
01-24 4159
检索增强生成（RAG）已成为一种强大的技术，用于增强大型语言模型的能力。RAG框架结合了基于检索的系统的优点和生成模型的优点，能够提供更准确、更具上下文意识且更及时的响应。随着对复杂AI解决方案的需求不断增长，GitHub上出现了许多开源的RAG框架，每个框架都提供了独特的功能和能力。
开源RAG框架汇总
深度学习机器
05-11 7719
本文搜集了一些开源的基于LLM的RAG（Retrieval-Augmented Generation）框架
大模型 | 开源RAG框架汇总：什么是RAG？RAG应用框架
m0_56255097的博客
11-18 4771
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
揭秘大模型RAG框架：11款爆火RAG开源项目带你轻松掌握前沿技术
2401_85325726的博客
01-20 2323
1.1什么是RAG，增强生成指的是将检索到的知识送给大语言模型以此来优化大模型的生成结果，使得大模型在生成更精确、更贴合上下文答案的同时，也能有效减少产生误导性信息的可能。1.2为什么需要RAG？之所以需要RAG，是因为大语言模型本身存在一些局限性。1.时效性模型的训练是基于截至某一时间点之前的数据集完成的。这意味着在该时间点之后发生的任何事件、新发现、新趋势或数据更新都不会反映在模型的知识库中。例如，我的训练数据在2023年底截止，之后发生的事情我都无法了解。
15个最佳开源 RAG 框架选型指南
最新发布
kaka0722ww的博客
04-15 1386
LangChain 是较早构建 LLM 应用的框架之一，并在 RAG 生态系统中占据重要地位。它提供了一个框架，用于将组件和集成链接在一起，以开发 AI 应用，同时适应不断发展的技术。LangChain 提供用于模型、嵌入和向量存储的接口，提供了一种结构化的方法来实现检索增强生成系统。Dify 是一个开源的 LLM 应用程序开发平台，它将可视化工作流构建与强大的 RAG 功能相结合。其直观的界面无需大量编码，方便开发人员和非技术用户使用。
一个全面、先进、公平且模块化的开源RAG框架
AIBigModel的博客
09-09 417
提供了一个模块化的架构，允许用户轻松地替换和扩展算法的各个组成部分，包括检索器（retriever）、生成器（generator）和指令（instruction）。检索器（Retriever）：集成了基于BERT的模型，如Contriever和ColBERT，提供了统一的查询接口和客户端-服务器架构，以及检索缓存机制。RAGLAB进行了全面的实验，使用不同的基础模型作为生成器，同时保持其他基本组件的一致性，以促进不同高级RAG算法之间的公平比较。有了 RAGLAB，研究人员可以高效地比较各种算法的性能并。
盘点2024年十大开源RAG框架
m0_56255097的博客
10-29 6708
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
Cognita: 开源RAG框架助力生产级应用开发
2401_87458778的博客
10-12 691
Cognita是一个开源的RAG(检索增强生成)框架,由TrueFoundry开发,旨在帮助开发者构建模块化、可扩展的生产级应用程序。与Langchain和LlamaIndex等主要用于快速原型开发的框架不同,Cognita专注于提供一个组织良好的代码库结构,使RAG组件模块化、API驱动且易于扩展。Cognita的设计理念是"一切皆可用,一切皆可定制"。它提供了简单的方法来切换解析器、加载器、模型和检索器。继承中的类在中注册加载器在中注册自定义嵌入可以参考添加自己的嵌入器继承中的。
Cognita：强大的开源RAG框架
m0_59164304的博客
06-13 1009
想象一个系统，它不仅能搜索你的文档，还能理解其含义和上下文。Cognita是一个开源框架，使你能够构建检索增强生成（RAG）系统。摄入如文章或电子邮件等文档。通过将其分解为更小的部分并使用称为“嵌入”的数学结构来理解内容。这可以看作是为每条信息创建一个独特的指纹。当你提问时，生成器利用文档嵌入和强大的语言模型来找到相关信息并形成回答。Cognita简化了构建和部署这些RAG系统的过程，使不具备丰富编码经验的人也能使用。Cognita 提供了一个模块化框架，使您能够自定义系统对用户查询的响应方式。
2025年值得关注的21个RAG开源项目
2401_85378759的博客
02-25 1438
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。
【开源】基于OCR和文档解析的下一代 RAG 引擎，结合大语言模型（LLM）针对用户各类不同的复杂格
人工智能讲师分享前沿技术
04-16 1071
之所以需要对用户文档进行切分，是因为向量表征的语义比较含糊，不仅一篇文章可以表征为一个向量，一个单词也可以表征为一个向量，这就导致文字块跟向量对应的粒度很难控制：粒度过粗，用一条向量对应一大段话，对这些文字的细节很难表征；此外，他还活跃在技术社区，分享自己的见解和心得，助力更多开发者掌握微服务架构的精髓。在很长一段时间内，RAG 在行业的代名词都叫知识库，上述的应用架构，不仅带火了向量数据库，也带火了以LangChain，LlamaIndex 为代表的中间件，它们负责处理上图中各个箭头背后的工作流。
graph rag开源应用
02-20
### 关于Graph RAG的开源应用程序或项目 对于Graph RAG（检索增强生成）的研究和应用，多个开源项目提供了丰富的资源和支持。以下是几个值得关注的开源项目： #### 1. GRAG: Graph Retrieval-Augmented Generation 该项目由Hu Yuntong等人开发，在研究论文《GRAG: Graph Retrieval-Augmented Generation》中详细介绍[^3]。此项目旨在利用图结构来增强文本生成过程中的信息检索能力。通过引入图谱作为外部知识源，能够更好地捕捉复杂的关系网络，提高生成内容的质量。 ```python import grag # 初始化模型实例 model = grag.Model() # 加载预训练权重 model.load_weights('path/to/pretrained/model') # 使用模型进行推理 output = model.infer(input_data) ``` #### 2. LightRAG LightRAG是一个创新性的框架，它不仅融合了图结构到传统的文本索引和检索机制中，还设计了一套高效的双层检索体系架构，以实现更加精准的信息获取[^4]。此外，为了适应动态变化的数据环境，LightRAG实现了增量更新算法，确保系统始终处于最新状态。目前，这个项目已经在GitHub上公开发布，供研究人员和技术爱好者探索其潜力。 ```bash git clone https://github.com/path-to-repo/LightRAG.git cd LightRAG pip install -r requirements.txt python setup.py develop ``` #### 3. RAG Survey Repository 除了具体的实施案例外，还有专门针对RAG技术领域整理而成的知识库——RAG Survey Repository。这里收集了大量的文献资料、工具链以及最佳实践指南，帮助开发者深入了解Graph RAG背后的技术原理和发展趋势[^2]。 ```bash git clone https://github.com/Tongji-KGLLM/RAG-Survey.git explorer .\RAG-Survey\ ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值