所有RAG技术：更简单、直观的实践方法开源 – 20多种RAG技术的实践指南

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。

所有RAG技术：更简单、直观的实践方法的特点:

1. 包含21个Jupyter Notebook，覆盖20多种RAG技术
2. 从零开始实现RAG技术，无需复杂框架
3. 使用Nebius AI的嵌入API进行嵌入计算
4. 支持动态策略选择（如自适应RAG）
5. 提供反馈循环机制，优化检索结果
6. 支持多模态检索（文本和图像）
7. 近期新增RAG与强化学习的实现
8. 每个Notebook包含技术解释、代码示例、评估和可视化

所有RAG技术：更简单、直观的实践方法的功能:

1. 教育和学习RAG技术的核心概念
2. 实践和测试不同的RAG技术实现
3. 自定义和扩展RAG技术以适应特定需求
4. 结合强化学习优化RAG性能
5. 多模态检索和生成的应用开发

相关导航

localGPT-Vision开源项目 – 通过视觉模型与文档对话

localGPT-Vision是一个通过视觉语言模型与文档进行对话的项目，采用了端到端的检索增强生成（RAG）流程，支持本地和专有的视觉语言模型，旨在提高文档交互的效率和准确性。

LlamaParse开源项目 – 解析复杂幻灯片生成丰富报告

LlamaParse是一款专门用于解析包含表格、图表和图像的复杂幻灯片的工具，能够生成视觉丰富的报告，支持文本和图像的混合输出。它支持多模态功能，能够处理多种数据源，并实现文本和图像块的向量索引。此外，LlamaParse还能生成结构化输出，便于创建复杂的报告，并与RAG（检索增强生成）技术集成，提升报告生成的质量和效率。

RAG-Reward论文 – 通过奖励模型优化RAG系统

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。

LettuceDetect开源项目 – 高效检测AI文本幻觉

LettuceDetect是一款轻量高效的RAG系统幻觉检测工具，专门用于检测AI生成文本中的幻觉部分。它能够处理长达4K上下文的文本，速度快且成本低，精确定位幻觉文本到词级别。基于ModernBERT技术，LettuceDetect将AI生成的答案拆分成词，分析每个词与参考上下文的相符性，从而提供高精度的文本分析。

Phi2-mini-Chinese开源项目 – 从零开始训练中文小模型

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。

memorag-qwen2-7b-inst官网 – 处理超长上下文的记忆模块模型

memorag-qwen2-7b-inst 是 MemoRAG 项目中的记忆模块模型，基于 Qwen2-7B-Instruct，能够处理长达 600K 标记的上下文。该模型主要用于生成检索线索和压缩超长上下文信息，旨在提升检索增强生成（RAG）框架的性能。通过扩展上下文长度和压缩技术，该模型在长程任务中表现出色，适用于处理大量信息的场景。

RAG Cookbooks开源项目 – 高级检索增强生成技术合集

高级检索增强生成(RAG)技术合集，包含10种先进RAG实现方案的详细教程。从基础的Naive RAG到高级的Adaptive RAG，提供完整的代码实现和评估方法。使用LangChain、Pinecone等主流工具，适合研究人员和开发者学习和实践RAG技术

Foundations of LLMs开源项目 – 大语言模型系统教材

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。

SaltAI_Language_Toolkit开源项目 – 增强ComfyUI的语言处理工具

SaltAI_Language_Toolkit是ComfyUI平台的增强型语言处理工具，集成了检索增强生成（RAG）工具Llama-Index、微软AutoGen和LlaVA-Next，旨在提升平台的功能和用户体验，提供更高效的语言处理能力。

RAG-Survey开源项目 – 大型语言模型RAG相关文献资源

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。

Genkit开源项目 – AI应用开发框架

Genkit是由Firebase团队开发的开源框架，用于构建基于AI的应用程序。它提供Node.js和Go的库，以及调试和快速迭代工具。支持多种生成模型API和向量数据库，具有插件架构，可独立于Firebase或Google Cloud使用。

RAG-Reward模型 – 优化RAG系统的RLHF框架

RAG-Reward是一个结合数据集和奖励模型的框架，旨在通过强化学习与人类反馈（RLHF）优化检索增强生成（RAG）系统。其核心包含35K偏好注释的数据集和基于此训练的奖励模型，用于提升大型语言模型（LLM）在问答、数据到文本和摘要等RAG任务中的性能。项目通过定义四个关键指标评估生成质量，并开发自动化基准测试管道，实验证明其奖励模型在保留测试集上达到最先进性能。

AirRAG官网 – 提升复杂任务推理能力的RAG方法

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。

Galactic开源项目 – 处理大规模文本数据的强大工具

Galactic是一个用于处理大规模非结构化文本数据集的工具，提供清理和筛选功能，旨在筛选微调数据集、创建用于检索增强生成(RAG)的文档集合，甚至对LLM预训练Web规模数据集进行去重。

NanoLLM开源项目 – 优化LLM本地推理的平台

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。