Retrieval-Augmented Generation-通过检索外部知识提高答案准确性

AURORA是一个免费的API，基于GPT-3.5模型，旨在提供易于集成和高效的文本生成服务，支持多种语言，适用于多种应用场景。

PrimeQA是一个先进的多语言问答研究与开发的主要资源库，支持最新的深度学习模型，易于扩展和定制，并提供多种数据集与基准测试，适用于实时问答和批量处理场景。

Ctrl-G是一个为大型语言模型提供适应性逻辑控制的项目，旨在优化模型的输出，使其更符合用户的交互需求。该项目通过引入逻辑控制机制，提升模型的响应准确性和合理性。

该研究定义了一种风格的语言模型代理，该代理具有推理和运用外部知识的能力，通过对先前轨迹的迭代训练来提升其性能。

Logic-of-Thought（LoT）旨在通过将逻辑注入上下文，提升大型语言模型的推理能力。该项目利用命题逻辑生成扩展的逻辑信息，并与现有的提示方法无缝集成，显著提升了多种提示方法在复杂任务中的性能。

Farspeak是一个API，通过利用向量数据库和大语言模型，帮助开发者快速构建强大的AI驱动应用，支持对结构化和非结构化数据进行CRUD操作。

GPT-Minus1是一个通过随机替换文本中的单词为同义词来帮助迷惑GPT的工具。它旨在通过引入微妙的变化来增强文本生成模型的性能和准确性。用户只需输入文本并点击'Scramble'按钮，该工具就会随机替换单词，从而创建修改后的文本版本，用户可以使用该文本来迷惑GPT或其他文本生成模型。

本书是由浙江大学开源的大语言模型教材，系统介绍大模型相关基础知识和前沿技术。涵盖传统语言模型、大语言模型架构演化、Prompt工程、参数高效微调、模型编辑、检索增强生成等六大主题。每章配有相关论文列表，定期更新以跟踪最新技术进展。

CoRAG（检索链增强生成模型）是一个创新性研究项目，通过迭代检索和动态查询重构提升RAG模型在复杂知识密集型任务中的表现。它模拟人类逐步推理的思维链过程，结合拒绝采样进行数据增强，在KILT基准测试中达到最先进水平。项目使用E5-large检索器和微调Llama-3.1-8B-Instruct模型，支持多跳问答等需要多步推理的场景。

RAG-Survey是一个汇集了关于大型语言模型检索增强生成(RAG)的最新研究文献资源列表的平台，提供文献的分类和标签功能，方便用户查找和贡献相关文献，促进RAG领域的研究和交流。

AirRAG是一种由阿里提出的检索增强生成（RAG）方法，旨在通过树状搜索激活大型语言模型（LLM）的内在推理能力。它特别针对复杂、知识密集型任务设计，通过五种基本推理动作（系统分析、直接回答、检索回答、查询转换、总结回答）并结合蒙特卡洛树搜索（MCTS）和自一致性验证，扩展解空间，处理复杂任务中的推理路径受限问题。该方法在处理知识密集型查询时表现出更高的灵活性和效率。

NanoLLM 是一个专门为大语言模型(LLM)提供优化本地推理的平台，支持 HuggingFace 风格的 API，具备量化、视觉/语言模型、多模态Agent、语音处理、矢量数据库集成和检索增强生成(RAG)等功能。

chromem-go是一个专为Go语言设计的嵌入式向量数据库，无需依赖外部数据库即可实现检索增强生成（RAG）等功能。它轻量级、易于集成，支持多线程处理，查询效率极高，适用于多种应用场景。

RAG-Reward项目是一个研究项目，旨在通过奖励驱动的监督增强检索增强生成（RAG）模型的性能。该项目包括RAG-Reward数据集和RAG特定的奖励模型，用于生成合成数据集以微调RAG编码器，使其输出更符合人类偏好。研究表明，该方法在多个领域表现出显著性能提升，特别是在相关性和生成响应质量方面。项目通过强化学习从人类反馈（RLHF）优化RAG系统，展示了定制评估系统的重要性。

Phi2-mini-Chinese 是一个从零开始训练自己的Phi2中文小模型的项目，支持加载本地知识库进行检索增强生成（RAG），旨在提供强大的中文对话能力和灵活的训练选项。

Multimodal-RAG-Survey是一个全面梳理多模态检索增强生成（Multimodal RAG）领域的GitHub项目，旨在解决多模态数据融合与生成中的检索难题。该项目为研究人员提供了丰富的资源和前沿进展，涵盖62篇相关论文，并持续更新。通过提供多种模态（如图像、文本、视频等）的热门数据集，深入分析多模态RAG的最新进展和应用领域，帮助研究人员更好地理解和应用多模态RAG技术。

本项目为开发者提供从基础到高级的RAG（检索增强生成）应用实现指南。通过多个Jupyter Notebook，项目详细介绍了RAG的架构搭建、多查询技术、自定义路由与查询构建、高级检索与重排等内容。开发者可以逐步学习RAG的核心概念，并实践从简单到复杂的实现过程。

LLMClient是一个用于构建检索增强生成（RAG）、推理、函数调用代理、LLM智能体、追踪和日志记录的简单库，旨在帮助开发者更加高效地利用大型语言模型。

KRAGEN结合知识图谱、检索增强生成（RAG）和高级提示技术，旨在通过将知识图谱转换为向量数据库，利用RAG技术检索相关事实，并辅以图思考（GoT）技术动态分解问题，最终提供高效的解决方案。

该项目是一个面向JavaScript开发者的生成式AI入门教程，通过一个有趣的时间旅行冒险故事，帮助开发者学习生成式AI技术。课程涵盖生成式AI和LLM的基础知识、Prompt工程、结构化输出、检索增强生成（RAG）等主题。每个课程包含书面材料、视频、练习题和答案，以及一个可以与历史人物互动的配套应用。项目还提供了GitHub Codespaces的在线开发环境，方便用户快速上手。

Verba 是 Weaviate 开源的一个应用程序，旨在为检索增强生成（RAG）提供一个端到端、简化且用户友好的界面。它支持多种数据源和语言模型提供程序，如 HuggingFace、Ollama、OpenAI、Cohere 和 Google，帮助用户轻松构建和部署 RAG 应用。

该项目是一个以教育和实践为导向的开源项目，旨在通过清晰、实践的方式处理检索增强生成（RAG）技术。它将复杂的高级技术分解为简单易懂的实现，使用常见的Python库（如openai、numpy、matplotlib等），而非依赖复杂的框架（如LangChain或FAISS）。项目提供了21个Jupyter Notebook，每个专注于特定的RAG技术，包含技术解释、逐步实现、带注释的代码示例、评估与比较以及结果可视化。适合初学者和有实践需求的开发者，帮助理解RAG的核心概念。