17个传统 RAG 框架

传统的RAG（Retrieval-Augmented Generation）框架，是一种集成了多个关键环节的综合体系，这些环节包括文本切块（Chunk）、向量转换（向量化）、数据存储、信息检索、二次排序、内容生成、内容评估等。该框架的精髓在于能够灵活适应各种策略，例如文档处理方法和检索策略等。其中，具有代表性的实现有RAGFlow（专注于深度文档理解）、QAnything（引入重排序 Rerank 机制）以及高度可配置的 Dify 等。这些实现虽然在细节上有所差异，但基本原理相似。以下是17个传统 RAG 框架的总结：

前排提示，文末有大模型AGI-CSDN独家资料包哦！

1、AnythingLLM，具备完整的 RAG（检索增强生成）和AI代理能力。Github 地址：https://github.com/Mintplex-Labs/anything-llm

2、MaxKB，基于大型语言模型的知识库问答系统。即插即用，支持快速嵌入到第三方业务系统。Github 地址：https://github.com/1Panel-dev/MaxKB

3、RAGFlow，一个基于深度文档理解的开源RAG（检索增强生成）引擎。Github 地址：https://github.com/infiniflow/ragflow

4、Dify，一个开源的大型语言模型应用开发平台。Dify直观的界面结合了AI工作流、RAG流程、代理能力、模型管理、可观测性功能等，让您能快速从原型阶段过渡到生产阶段。Github 地址：https://github.com/langgenius/dify

5、FastGPT，基于LLM构建的知识型平台，提供即开即用的数据加工和模型调用能力，允许通过流程可视化进行工作流编排。Github 地址：https://github.com/labring/FastGPT

6、Langchain-Chatchat，基于Langchain和ChatGLM等不同大模型的本地知识库问答。Github 地址：https://github.com/chatchat-space/Langchain-Chatchat

7、QAnything，基于Anything的问题和答案。Github 地址：https://github.com/netease-youdao/QAnything

8、Quivr，使用Langchain、GPT 3.5/4 turbo、Private、Anthropic、VertexAI、Ollama、LLMs、Groq等与文档（PDF、CSV等）和应用程序交互，本地和私有的替代OpenAI GPTs和ChatGPT。Github 地址：https://github.com/QuivrHQ/quivr

9、RAG-GPT，RAG-GPT利用LLM和RAG技术，从用户自定义的知识库中学习，为广泛的查询提供上下文相关的答案，确保快速准确的信息检索。Github 地址：https://github.com/open-kf/rag-gpt

10、Verba，由Weaviate驱动的检索增强生成（RAG）聊天机器人。地址：https://github.com/weaviate/Verba

11、FlashRAG，一个用于高效RAG研究的Python工具包。Github 地址：https://github.com/RUC-NLPIR/FlashRAG

12、LightRAG，检索器-代理-生成器式的RAG框架。Github 地址：https://github.com/SylphAI-Inc/LightRAG

13、kotaemon，一个开源的干净且可定制的RAG UI。Github 地址：https://github.com/Cinnamon/kotaemon，

14、RAGapp，在企业中使用Agentic RAG的最简单方式。Github 地址：https://github.com/ragapp/ragapp

15、TurboRAG，通过预计算的KV缓存加速检索增强生成，适用于分块文本。Github 地址：https://github.com/MooreThreads/TurboRAG

16、TEN，实时多模态AI代理框架。Github 地址：https://github.com/TEN-framework/ten_framework

17、AutoRAG，RAG AutoML工具。Github 地址：https://github.com/Marker-Inc-Korea/AutoRAG

7个 GraphRAG 框架

GraphRAG 框架在微软颇受欢迎，随后衍生出了多个轻量级改进版本，例如LightRAG 和 nano-GraphRAG。同时，也有一些独具特色的变体，如 KAG。这些框架的核心改进在于，它们在传统 RAG 的基础上，加强了实体、社区以及文本切块（Chunk）之间的联系，并融入了现有知识图谱（KG）的知识，以此来提高信息检索的召回率和准确性。

这里总结7个：

1、LightRAG，简单快速的Graphrag检索增强生成。Github 地址：https://github.com/HKUDS/LightRAG

2、GraphRAG-Ollama-UI，使用Ollama的GraphRAG，带有Gradio UI和额外功能。Github 地址：https://github.com/severian42/GraphRAG-Ollama-UI

3、microsoft-GraphRAG，一个模块化的基于图的检索增强生成（RAG）系统。地址：Github https://github.com/microsoft/graphrag

4、nano-GraphRAG，一个简单、易于修改的GraphRAG实现。Github 地址：https://github.com/gusye1234/nano-graphrag

5、KAG，基于OpenSPG引擎的知识增强生成框架，用于构建知识增强的严格决策制定和信息检索知识服务。Github 地址：https://github.com/OpenSPG/KAG

6、Fast-GraphRAG，GraphRAG的轻量化版本。Github 地址：https://github.com/circlemind-ai/fast-graphrag

7、Tiny-GraphRAG，一个小巧的GraphRAG实现。地址：https://github.com/limafang/tiny-graphrag

在探索先进的信息处理技术领域，RAG 框架及其多样化的应用方案，比如：Naive RAG、Agentic RAG、Advanced RAG 等等，已经成为行业内的热门话题。为了帮助技术爱好者们深入理解和应用这些技术，我们精心打造了 AI Agent 项目实战训练营。这个训练营旨在通过实战演练，让您直接体验到从数据切割到内容生成的全流程，掌握关键技术的应用要领。我们承诺，通过专业的指导和实战操作，您将能够系统地提升自己在信息处理技术方面的实践能力。现在就加入我们，一起在 Agent 项目实战训练营中开启您的技术成长新篇章！

AI Agent 为啥如此火爆？

第一、这是大势所趋，我能正在经历一场重大技术变革，还不像当年的互联网的兴起，这是一场颠覆性的变革，掉队就等于淘汰，因为未来所有应用都将被AI Agent 重写一遍；

第二、现在处于红利期，先入场的同学至少会享受4~5年的红利，拿高薪，并且会掌握更多的资源。

第三、企业需求旺盛，越来越多的企业开始在 AI Agent 领域进行创新尝试，这为我们提供了丰富的岗位机会和广阔的发展空间。

最近两年一直在研究大模型应用技术，大模型的价值太大了，AI Agent 的潜力太大了，“未来所有应用都将被 AI Agent 重写一遍”这句话也是今天听到最多的一句话。我的团队这两年，尤其是今年接了很多开发 AI Agent 的项目，越来越多的企业都开始做这方面的创新尝试。

AI Agent 足够重要，但也足够复杂，我这两年的实践的结论是，想开发出一个能够可靠稳定的 Agent 应用实在太难了，大模型技术本身的复杂度，大模型推理的不确定性等等，这些困难直接导致很人对其望而却步，或是遇到问题无从下手。一般的技术同学想要自己掌握 Agent 太难了。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓