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。
Azure OpenAI Service是由Microsoft提供的AI服务，整合了OpenAI的先进模型（如GPT-4、GPT-3.5-Turbo等），为企业提供安全、可扩展的定制化AI解决方案。该服务支持模型微调、代理创建和检索增强生成（RAG），具备企业级安全合规性（99.9% SLA保障），并广泛应用于医疗、金融等领域，例如Providence医疗集团通过该服务优化患者护理流程。
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。
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。
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-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。
R1-Searcher 是一个两阶段强化学习框架，旨在提升大型语言模型（LLM）的搜索能力。该框架通过结果导向的奖励机制工作，无需依赖过程奖励或知识蒸馏。研究表明，它允许 LLM 在推理过程中自主调用外部搜索系统，整合外部知识来解决知识密集型查询。在某些基准测试中，R1-Searcher 的表现显著优于现有的检索增强生成（RAG）方法，甚至与闭源模型（如 GPT-4o-mini）相当或更优。
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。
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。
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。
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。
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。
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。
spRAG是一个专为非结构化数据设计的高性能检索增强生成（RAG）框架，特别擅长处理复杂查询，如财务报告和法律文件。它通过高效的检索和生成机制，帮助用户从大量非结构化数据中快速提取有用信息，提升数据分析和信息检索的效率。
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。
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。
Trieve 是一个集成了领先搜索语言模型和调优工具的全能解决方案，旨在帮助用户构建高质量的搜索和发现系统，支持 RAG（检索增强生成）功能。无论是企业搜索、内容发现，还是数据检索，Trieve 提供了一系列强大的工具来提升用户体验和信息获取效率。
检索增强生成（RAG）是指在大型语言模型回答问题之前，从外部知识库中检索相关信息，以提高答案的准确性和减少模型的幻觉现象。该方法结合了参数化知识与非参数化外部知识库，能够引用来源，从而增加答案的透明度，并支持知识的更新和特定领域知识的引入。
RAGFoundry是一个专注于增强大型语言模型在检索增强生成任务中表现的专业框架，通过微调技术实现快速原型设计与实验，旨在提高模型的生成质量和适应性。
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。
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。
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。
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。
MongoDB开发的生成式AI用例项目库，包含RAG(检索增强生成)、AI代理、行业特定应用等多个实用示例。提供了与MongoDB集成的完整解决方案，包括向量数据库、操作数据库和记忆提供者等功能，支持LlamaIndex、Haystack和LangChain等主流框架的集成应用。
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。
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
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。
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。
一款专注于上下文理解和检索增强生成的6B大模型，旨在提升机器在理解和生成文本方面的应用能力。该模型通过先进的算法和丰富的训练数据，能够在各种自然语言处理任务中表现出色，尤其在对话系统和信息检索等领域，提供更为精准和相关的结果。
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。
