RAG 检索增强生成

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了信息检索和语言生成模型的人工智能技术。它通过从外部知识库中检索相关信息，并将其作为提示（Prompt）输入给大型语言模型（LLMs），以增强模型处理知识密集型任务的能力，主要应用于构建聊天机器人、文本摘要、问答系统和内容生成平台等。RAG模型由Facebook AI Research（FAIR）团队于2020年首次提出，并迅速成为大模型应用中的热门方案。主要应用于构建聊天机器人、问答系统和内容生成平台。

想象一下拥有一种超能力，让你能够对任何问题或提示生成类似人类的回答，同时还能够利用庞大的外部知识库确保准确性和相关性。这不是科幻小说，这就是检索增强生成（RAG）的力量。

LangChain

构建可扩展的LLM应用程序框架

LlamaIndex

构建上下文增强型生成AI应用

Haystack

构建生产就绪的LLM应用框架

RAGatouille

简化RAG管道中检索方法的使用

EmbedChain

简化个性化LLM应用的开发部署

QAnything

有道开源的本地知识库问答系统

RAGFlow

基于深度文档理解的开源RAG引擎

open-webui

自托管AI对话WebUI，支持Ollama和OpenAI API

FastGPT

基于LLM的知识库问答系统

Langchain-Chatchat

基于ChatGLM的本地知识库问答解决方案

RAG的核心在于将检索与生成两大功能有机结合，以提升对知识密集型任务的处理能力。具体而言，RAG首先利用检索器（Retriever）从外部知识库中筛选出与用户查询相关的信息；接着，生成器（Generator）基于检索到的文档生成总结或答案；最后，排序器（Ranker）负责对生成结果进行排序，从而确保最终输出的相关性与准确性。这一流程有效克服了传统大型语言模型在实际应用中可能出现的“胡说八道”现象，使其在问答、文本摘要和内容生成等应用场景中展现出更强的可靠性与灵活性。

RAG的应用场景广泛，企业可以利用这一技术构建智能化的知识管理系统，使信息检索与共享变得更加高效。借助RAG，企业不仅提升了客户服务的响应速度，还能够实现内部知识的高效分享与协作。而在在线教育领域，RAG则可以作为学习辅助工具，为学生提供个性化与互动式的学习体验。

常见的 RAG 工具或库：LangChain、LlamaIndex、Haystack、RAGatouille 和 EmbedChain。

LangChain

LangChain 是一个全面的开源框架，用于开发大型语言模型的应用程序。它将模块化和可扩展的架构与高级界面结合在一起，特别适用于构建检索增强生成（RAG）系统。LangChain 允许轻松集成各种数据源，包括文档、数据库和API，这些数据源可以增强生成过程。

主要功能

• 文档加载器和检索器：

  • 从数据库、API和本地文件中获取相关上下文的数据。
  • 支持PDF、文本文件、网络抓取、SQL/NoSQL数据库等加载器。
  • 检索器包括 BM25、Chroma、FAISS、Elasticsearch、Pinecone等。

• 提示工程：

  • 使用模板化结构创建动态提示。
  • 根据检索到的数据定制提示，以提供更好的上下文。

• 内存管理：

  • 在交互中持久化上下文，实现会话式体验。
  • 与Chroma、Pinecone和FAISS等向量数据库集成。

LlamaIndex

LlamaIndex 是一个强大的库，专为构建检索增强生成（RAG）系统而设计，重点是针对大规模数据集的高效索引和检索。利用向量相似性搜索和层次化索引等先进技术，LlamaIndex 实现了对相关信息的快速准确检索，增强了生成式语言模型的能力。

该库与流行的大型语言模型（LLMs）无缝集成，便于将检索到的数据整合到生成过程中，使其成为增强基于LLMs构建的应用程序智能和响应能力的强大工具。

主要功能

• 索引类型：

  • 树形索引：使用分层结构进行高效的语义搜索，适用于涉及层次化数据的复杂查询。
  • 列表索引：对于较小的数据集，提供直接的顺序索引，允许快速的线性搜索。
  • 向量存储索引：将数据存储为密集向量，以实现快速的相似性搜索，非常适用于文档检索和推荐系统等应用。
  • 关键词表索引：使用映射表进行基于关键词的搜索，有助于根据特定术语或标签快速访问数据。

• 文档加载器：

  • 支持从文件（TXT、PDF、DOC、CSV）、API、数据库（SQL/NoSQL）和网络抓取加载数据。

• 检索优化：

  • 以最小的延迟高效检索相关数据。
  • 将嵌入模型（OpenAI、Hugging Face）与向量数据库的检索器（BM25、DPR、FAISS、Pinecone）相结合。

Haystack

Haystack 是由 Deepset 开发的开源NLP框架，专注于构建用于搜索和问答系统的RAG流水线。它提供了一套全面的工具和模块化的设计，允许开发灵活和可定制的RAG解决方案。该框架包括用于文档检索、问答和生成的组件，支持各种检索方法，如Elasticsearch和FAISS ，Haystack 与 Milvus 向量数据库也可以无缝集成，支持高效的向量存储和检索。。

此外，Haystack集成了诸如BERT和RoBERTa等最先进的语言模型，增强了其复杂查询任务的能力。它还具有用户友好的API和基于Web的UI，使用户可以轻松地与系统交互，并构建有效的问答和搜索应用程序。

主要功能

• 文档存储：支持Elasticsearch、FAISS、SQL和InMemory存储后端。

• 检索-阅读器流水线：

  • FARMReader：使用Transformer模型进行抽取式问答。
  • TransformersReader：通过Hugging Face模型进行抽取式问答。
  • 通过OpenAI GPT-¾进行生成模型。
  • BM25：基于关键词的检索。
  • DensePassageRetriever：使用DPR的密集嵌入。
  • EmbeddingRetriever：通过Hugging Face模型进行自定义嵌入。
  • 检索器：
  • 阅读器：

• 生成问答：

  • GenerativePipeline：将检索器和生成器（GPT-¾）结合在一起。
  • HybridPipeline：混合不同的检索器/阅读器以获得最佳结果。
  • RAG流水线：

• 评估：

  • 用于评估QA和搜索流水线的内置工具。

RAGatouille

RAGatouille 是一个轻量级框架，专门设计用于简化RAG流水线的构建，通过将预训练语言模型的力量与高效的检索技术相结合，产生高度相关和连贯的文本。

它抽象了涉及检索和生成的复杂性，专注于模块化和易用性。该框架提供了灵活且模块化的架构，允许用户尝试各种检索策略和生成模型。RAGatouille支持多种数据源，如文本文档、数据库和知识图谱，适用于多个领域和用例，是希望有效利用RAG任务的理想选择。

主要功能

• 可插拔组件：

  • 使用基于关键词的检索（SimpleRetriever、BM25Retriever）或密集通道检索（DenseRetriever）检索数据。
  • 通过OpenAI（GPT-¾）、Hugging Face Transformers或Anthropic Claude生成响应。

• 提示模板：创建可定制的提示模板，以实现一致的问题理解。

• 可扩展性：

  • 使用优化的检索有效处理大型数据集。
  • 通过Dask和Ray支持分布式处理。

EmbedChain

EmbedChain 是一个开源框架，旨在创建具有自定义知识的类似聊天机器人的应用程序，利用嵌入和大型语言模型（LLMs）。它专注于基于嵌入的检索用于RAG，利用密集向量表示从大规模数据集中高效检索相关信息。EmbedChain提供了一个简单直观的API，便于索引和查询嵌入，使其可以轻松集成到RAG流水线中。

它支持各种嵌入模型，包括BERT和RoBERTa，并提供了相似度度量和索引策略的灵活性，增强了其根据特定需求定制应用程序的能力。

主要功能

• 文档摄取：从文件（TXT、PDF、DOC、CSV）、API和网络抓取摄取数据。

• 嵌入：

  • 利用嵌入进行高效准确的检索。
  • 支持OpenAI、BERT、RoBERTa和Sentence Transformers等嵌入模型。

• 易于使用：

  • 简单的界面快速构建和部署RAG系统。
  • 提供了一个简单的API用于索引和查询嵌入。

捐赠本站(Donate)

如您感觉文章有用，可扫码捐赠本站！(If the article useful, you can scan the QR code to donate))