2025 年最著名的 21 个 RAG 框架

通过高级检索增强生成技术革新人工智能

披露：我使用GPT搜索。整篇文章仍由我草拟。

我的写作风格倾向于自信和分析性，相比之前的文章，不依赖于ChatGPT辅助写作。

感谢您与我一起参与这段旅程，我希望在未来几年继续为您提供价值！通过支持我来提供建议。

截至2025年1月4日，

免责声明：类似但我进行了改进。

介绍

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（LLMs）。随着对人工智能解决方案需求的增加，多个开源RAG框架已在GitHub上出现，每个框架都提供独特的功能和特性。

以下是RAG框架的关键特性：

1. 知识检索 — 这一核心功能使RAG框架能够通过从外部知识库获取相关信息，为LLMs提供上下文支持。
2. 生成模型增强 — 这涉及使用检索到的信息来改善LLMs的输入，使模型能够生成更准确、更新和具有上下文相关性的响应。
3. 多轮交互 — 此功能允许RAG系统通过与用户的多次交互来优化查询和生成内容，从而提高用户满意度和系统准确性。
4. 模型优化 — 通过各种技术方法（如查询消歧义、查询抽象和索引优化）提升RAG系统的性能。

为什么我们不能单独使用 LangChain？

尽管 LangChain 简化了 LLM 开发过程，但仍需考虑一些限制。

LangChain 适合希望快速入门的初学者。

1. 不一致的行为 — LangChain 可能会掩盖重要细节，这可能导致在生产环境中出现意想不到的问题。例如，ConversationRetrievalChain 可能会重新措辞输入问题，偶尔会打断对话的自然流畅性。
2. 缺乏标准数据类型 — LangChain 中没有标准的方法来表示数据，这可能会使与其他框架和工具的集成变得复杂，从而在更大的机器学习生态系统中操作变得更加困难。
3. 复杂的概念和辅助函数 — LangChain 的代码库包含许多概念和作为标准 Python 函数包装器的“辅助”函数，这可能使学习和使用变得更加具有挑战性。

RAG 适合管理复杂和特定领域的查询。

1. 整合外部知识 — 促进将专业或最新信息平滑集成到 LLM 中，这些信息可能不在模型的初始训练数据中。
2. 提高响应准确性 — 它可以显著降低 LLM 输出中的错误率和幻觉实例。
3. 支持定制需求 — 为特定数据集或知识库定制 LLM，生成与特定应用场景更相关的响应。
4. 提高过程透明度 — 追踪 LLM 在生成响应时所依赖的信息来源。

幻觉发生在模型生成与现实不符的内容时。

前21个著名的RAG框架

这些框架通过将大型语言模型与外部知识库集成，提高生成内容的准确性和可靠性，使其在医疗、金融、客户服务和教育等领域具有重要价值。

1. RAGFlow

• URL: https://github.com/infiniflow/ragflow
• GitHub Star: 27.1K
• 简化的工作流设计，配备预构建组件并与向量数据库集成。
• 适合：希望快速构建RAG应用程序的开发者和组织。
• 工作流设计：直观界面，用于设计和配置RAG工作流。
• 预配置工作流：适用于常见场景的现成工作流。
• 向量数据库集成：与向量数据库无缝集成，实现高效检索。
• 用于实时应用程序，如聊天机器人和即时问答系统。
• 用户友好且高效，减少学习曲线和开发时间。
• 社区支持：由于其简单性和有效性，RAGFlow正逐渐受到欢迎。

2. Haystack

• URL: https://github.com/deepset-ai/haystack
• GitHub Star: 18.2k
• 模块化，包含文档检索、问答和文本摘要的组件。支持多种文档存储解决方案，如Elasticsearch、FAISS和SQL。
• 适合：开发者、研究人员和构建端到端QA和搜索系统的组织。
• 文档检索：使用多种索引方法高效检索相关文档。
• 问答：利用预训练语言模型根据检索到的文档生成答案。
• 文本摘要：提供工具以总结大型文档。
• 广泛应用于医疗、金融和客户支持领域，用于构建QA系统和搜索引擎。
• 用户友好，具有简单的API和丰富的文档，适合初学者和经验丰富的开发者。
• 社区支持：Haystack拥有强大的社区和活跃的开发，确保持续改进和更新。

3. STORM

• URL: https://github.com/stanford-oval/storm
• GitHub Star: 15.7k
• 专注于高效的检索机制和生成过程。
• 适合：需要快速和准确文本检索及响应生成的开发者和组织。
• 高度可配置的检索：支持多种检索策略和嵌入模型。
• 优化生成：与生成模型灵活集成，以提高响应质量。
• 在在线客户支持和智能助手中特别有用。
• 设计用于高性能和高效率，适合实时应用。
• 社区支持：关注学术研究和实际应用。

4. LLM-App

• URL: https://github.com/pathwaycom/llm-app
• GitHub Star: 11.3k
• 综合工具链，用于文档解析、索引、检索和响应生成。
• 适合：使用大型语言模型构建RAG应用的企业和开发者。
• 文档解析：用于解析和预处理文档的工具。
• 索引：支持各种文档存储解决方案。
• 检索和生成：集成模块，实现高效检索和高质量响应生成。
• 用于法律、医疗和客户服务领域，构建问答系统和搜索引擎。
• 用户友好，提供详细的文档和示例，便于设置和使用。
• LLM-App支持多种语言模型和文档存储解决方案，为RAG提供了平衡的解决方案。

5. txtai

• URL: https://github.com/neuml/txtai
• GitHub Star: 9.8k
• 一体化平台，支持语义搜索、语言模型工作流和文档处理管道。
• 适合：需要全面解决方案以应对多种AI任务的组织。
• 语义搜索：使用嵌入式数据库进行高效的相似性搜索。
• 语言模型工作流：与各种语言模型和AI服务的轻松集成。
• 文档处理：支持多语言和多格式数据。
• 用于客户服务、内容推荐和数据分析。
• 高度集成且易于使用，适合小型和大型项目。
• 提供详细的文档和示例，帮助用户快速入门。

6. R2R

• URL: https://github.com/SciPhi-AI/R2R
• GitHub Star: 4.3K
• 一个轻量级框架简化了检索到响应的过程。
• 多步骤检索与生成: 优化中间步骤。
• 支持多种策略: 灵活的检索和生成选项。
• 用于实时应用，如聊天机器人和即时问答系统。
• 快速高效，适合实时应用。
• R2R旨在减少推理延迟而不影响准确性。

7. Cognita

• URL: https://github.com/truefoundry/cognita
• GitHub Star: 3.5K
• 旨在知识密集型应用，集成高效的文档管理和检索机制。
• 适合：处理复杂知识图谱和问答系统的专业人士和组织。
• 多模态数据支持：处理各种数据类型。
• 可定制索引：灵活的索引方案。
• 强大的生成模型：用于高质量响应的先进模型。
• 适用于医疗咨询和法律建议等应用。
• 可定制且灵活，适合需要深度知识管理的应用。
• 常见用途：Cognita用于适应性和精确性至关重要的大型项目。

8. FlashRAG

• URL: https://github.com/RUC-NLPIR/FlashRAG
• GitHub Star: 1.6K
• 针对推理速度进行了优化，采用多种加速技术。
• 适合：需要实时RAG应用的开发者和组织。
• 多种检索模型：支持多种检索模型。
• 优化的重评分器：用于改善文档排名的算法。
• 高效的生成器：高性能的生成模型。
• 用于需要即时和准确响应的应用，如在线客户支持和智能助手。
• 快速且可靠，理想用于实时应用。
• FlashRAG旨在减少推理延迟而不影响准确性。

9. Neurite

• URL: https://github.com/satellitecomponent/Neurite
• GitHub Star: 1.3K
• 结合神经网络技术与检索机制。
• 适合：需要高精度和高性能的研究人员和组织。
• 深度学习模型：支持多种神经网络模型。
• 高效向量检索：针对大数据集进行了优化。
• 灵活的生成策略：可适应的生成方法。
• 在科学研究和数据驱动的应用中尤为有用。
• 高精度和高性能，适合高级研究和数据分析。
• Neurite 提供了先进的功能，以提高检索和生成的准确性。

10. Canopy

• URL: https://github.com/pinecone-io/canopy
• GitHub Star: 990
• 模块化和递归，允许灵活组合组件。
• 适合: 需要高度可定制的RAG系统的开发者和组织。
• 多步骤检索和生成: 对模型的递归调用。
• 可定制组件: 灵活性以定制系统。
• 强大的模型集成: 支持广泛的模型。
• 适合企业级知识管理系统。
• 高度模块化和可定制，适合大规模项目。
• Canopy旨在处理复杂和动态数据，适合企业应用。

11. EasyRAG

• URL: https://github.com/BUAADreamer/EasyRAG
• GitHub Star: 248
• EasyRAG旨在提高RAG系统的效率，特别是用于自动化网络操作。
• 非常适合希望自动化网络任务的开发者和组织，例如自动内容生成、网页爬虫、社交媒体分析等。
• 精简的RAG系统开发——EasyRAG通过提供用户友好的API和工具，简化了构建RAG系统的过程。
• 提高检索和生成效率：检索和生成的算法经过优化，以在处理大数据集时保持高效率。
• 多步骤检索和生成过程：这涉及一种结构化的数据处理方法，从双向稀疏检索开始进行初步排序，然后通过LLM重新排序进行微调，最后通过LLM生成优化答案，从而得到精确的结果。
• 该平台提供灵活的代码基础，支持多种检索和生成策略，允许用户定义流程。
• 主要利用BM25检索和BGE重新排序，无需对模型进行微调，确保低内存使用、易于部署和出色的可扩展性。

12. TableRAG

• URL: https://arxiv.org/html/2410.04739v1
• TableRAG 专注于理解和生成与数百万个标记表格相关的任务，专门处理表格数据，使得对大规模数据集的理解和生成变得高效。
• 理想的场景包括大规模表格数据的处理，例如数据分析、报告生成和财务报表处理。
• 通过利用查询扩展和检索模式与单元格，它为语言模型提供关键信息，提高了生成的准确性和效率。
• 高效的检索和生成能力——这种方法显著缩短了提示长度，并最小化了丢失重要信息的风险。
• 多步骤检索和生成——该过程包括查询扩展、模式和单元格检索，以及 LLM 生成等步骤。
• 实验验证：使用 Arcade 和 BIRD-SQL 数据集创建了两百万个标记基准，以全面评估 TableRAG 在大规模应用中的有效性。

13. 模块化 RAG

• URL: https://arxiv.org/html/2407.21059v1
• 将 RAG 系统转变为类似 Lego 的可重配置框架。
• 适用于需要高灵活性和可定制性的 RAG 应用，适合企业中的知识管理系统、个性化推荐系统等。
• 多步骤检索和生成 — 模块化设计支持多步骤检索和生成的过程。
• 自定义组件 — 用户可以根据需要选择和配置各种组件，创建高度定制化的 RAG 系统。
• 非常适合大规模项目，提供灵活的解决方案。
• 模块化 RAG 能够管理复杂和动态的数据，特别适合企业应用中不断变化的数据环境。

14. 投机性 RAG

• URL: https://arxiv.org/pdf/2407.08223
• 它首先创建草稿，然后在生成过程中检索和优化这些草稿，从而提高了准确性和效率。
• 非常适合对高精度输出有要求的情况，如内容创作、基于知识的问答、技术文档生成等。
• 多步骤检索和生成 — 草稿最初被创建，随后在生成阶段进行检索和优化，增强了准确性和效率。
• 自定义组件 — 用户可以根据需要选择和配置各种组件，允许高度定制的 RAG 系统。
• 投机性 RAG 擅长处理复杂和不断变化的数据，特别适合企业应用中快速变化的数据环境。

15. RAGAR

• URL: https://arxiv.org/html/2404.12065v2
• RAGAR 集成了多模态数据与 RAG 技术，专门用于政治事实核查。
• 非常适合需要政治事实核查的环境，例如新闻机构、政府机构和政治研究机构。
• 多步骤检索和生成 — 通过合并多模态数据，RAGAR 实现了一个多步骤的检索和生成过程。
• 自定义组件 — 用户可以根据具体需求选择和配置各种组件，从而实现高度定制的 RAG 系统。
• RAGAR 能够管理复杂和不断变化的数据，使其在企业应用的快速数据环境中特别有效。

16. 混合 RAG

• URL: https://arxiv.org/html/2404.07220v1
• 混合 RAG 将语义搜索与混合查询检索器相结合，以提高检索的准确性和效率。
• 适用于需要处理大量长尾知识的情况，例如企业的内部知识库或专业领域的问答。
• 多步骤检索和生成 — 系统通过语义搜索和混合查询检索器实现多步骤的检索和生成过程。
• 自定义组件 — 用户可以根据特定需求选择和配置各种组件，从而实现高度定制的 RAG 系统。
• 混合 RAG 能够处理复杂和不断变化的数据，使其在企业应用的快速数据环境中特别有效。

17. ARAGOG (ARAGOG — 高级检索增强生成输出评分)

• URL: https://arxiv.org/html/2404.01037v1
• 评估 RAG 系统生成的答案质量。
• 适用于需要对生成响应进行质量控制的应用，如教育、医疗和法律咨询。
• 多步骤检索和生成 — 该系统通过先进的输出评分实现多步骤的检索和生成过程。
• 自定义组件 — 用户可以根据具体需求选择和配置各种组件，从而实现高度定制化的 RAG 系统。
• ARAGOG 旨在管理复杂和动态的数据，特别适合企业应用中不断变化的数据环境。

18. RAPTOR

• 它通过递归方法提高了数据检索的效率和准确性。
• 非常适合处理层次化数据，如法律文件、公司记录、技术手册等。
• 该系统利用递归技术实现多步骤的检索和生成过程。
• 用户可以选择和配置各种组件，以创建高度定制化的RAG系统。
• RAPTOR旨在管理复杂和动态的数据，使其特别适合企业应用中不断发展的数据环境。

19. LightRAG

• URL: https://arxiv.org/pdf/2410.05779
• 它利用图结构来提高检索过程的效率。
• 适合管理复杂查询和庞大数据集：例如，企业知识库、学术研究等。
• 多步骤检索和生成——双层检索系统实现了全面的多步骤检索和生成过程。
• 自定义组件——用户可以灵活选择和配置各种组件，以创建高度定制的RAG系统。
• LightRAG旨在处理复杂和不断发展的数据，特别适合企业应用中快速变化的数据环境。

20. Invar-RAG

• URL: https://arxiv.org/html/2411.07021v1
• 它通过不变对齐技术改进了检索和生成过程。
• 非常适合需要高精度生成和检索的应用，如知识密集型任务和专业领域问答。
• 多步骤检索和生成 — 不变对齐方法使得检索和生成可以采用多步骤的方法。
• 自定义组件 — 用户可以灵活选择和配置各种组件，以创建高度定制的RAG系统。
• Invar-RAG能够管理复杂和动态的数据，使其特别适合企业应用中快速变化的数据环境。

21. RankRAG

• URL: https://arxiv.org/pdf/2407.02485
• 它通过微调大型语言模型来处理检索和排名任务，从而简化了检索增强生成（RAG）流程。
• 适用于需要高性能和高效率的RAG应用，如企业内部知识库和专业问答系统。
• 多步骤检索和生成——微调方法使得能够执行多步骤的检索和生成过程。
• 自定义组件——用户可以根据自己的需求选择和配置各种组件，从而实现高度定制的RAG系统。
• RankRAG能够管理复杂和动态的数据，使其特别适合企业应用中不断变化的数据环境。

References

如果你觉得我的文章有帮助或实用，请考虑请我喝杯咖啡，以支持我的工作或给予我赞助😊，使用以下链接

Patreon

Ko-fi.com

buymeacoffee

最后，如果你还不是 Medium 会员并计划成为会员，我恳请你使用以下链接注册。我将以无额外费用的方式获得你会员费的一部分。

我很高兴地宣布即将推出我的 Substack 新闻通讯，我将深入探讨我的投资系统，利用 IT 技术的巨大潜力，并采用系统思维的方法来制定投资策略。请放心，当灵感来袭时，我仍会继续发帖。