RAG现有框架总结：7个GraphRAG+17个传统RAG | 推荐收藏 原创

一、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：

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

二、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！

3、

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。

本文转载自公众号玄姐聊AGI  作者：玄姐

原文链接：​​https://mp.weixin.qq.com/s/bn0NTbzcap5GFG51wpvOkg​​