一、17個傳統 RAG 框架

傳統的RAG（Retrieval-Augmented Generation）框架，是一種集成了多個關鍵環節的綜合體系，這些環節包括文本切塊（Chunk）、向量轉換（向量化）、數據存儲、信息檢索、二次排序、內容生成、內容評估等。該框架的精髓在于能夠靈活適應各種策略，例如文檔處理方法和檢索策略等。其中，具有代表性的實現有RAGFlow（專注于深度文檔理解）、QAnything（引入重排序 Rerank 機制）以及高度可配置的 Dify 等。這些實現雖然在細節上有所差異，但基本原理相似。以下是17個傳統 RAG 框架的總結：

1.AnythingLLM，具備完整的 RAG（檢索增強生成）和AI代理能力。Github 地址：??https://github.com/Mintplex-Labs/anything-llm??

2.MaxKB，基于大型語言模型的知識庫問答系統。即插即用，支持快速嵌入到第三方業務系統。Github 地址：https://github.com/1Panel-dev/MaxKB

3.RAGFlow，一個基于深度文檔理解的開源RAG（檢索增強生成）引擎。Github 地址：https://github.com/infiniflow/ragflow

4.Dify，一個開源的大型語言模型應用開發平臺。Dify直觀的界面結合了AI工作流、RAG流程、代理能力、模型管理、可觀測性功能等，讓您能快速從原型階段過渡到生產階段。Github 地址：https://github.com/langgenius/dify

5.FastGPT，基于LLM構建的知識型平臺，提供即開即用的數據加工和模型調用能力，允許通過流程可視化進行工作流編排。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識庫問答。Github 地址：https://github.com/chatchat-space/Langchain-Chatchat

7.QAnything，基于Anything的問題和答案。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等與文檔（PDF、CSV等）和應用程序交互，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技術，從用戶自定義的知識庫中學習，為廣泛的查詢提供上下文相關的答案，確?？焖贉蚀_的信息檢索。Github 地址：https://github.com/open-kf/rag-gpt

10.Verba，由Weaviate驅動的檢索增強生成（RAG）聊天機器人。地址：https://github.com/weaviate/Verba

11.FlashRAG，一個用于高效RAG研究的Python工具包。Github 地址：https://github.com/RUC-NLPIR/FlashRAG

12.LightRAG，檢索器-代理-生成器式的RAG框架。Github 地址：https://github.com/SylphAI-Inc/LightRAG

13.kotaemon，一個開源的干凈且可定制的RAG UI。Github 地址：https://github.com/Cinnamon/kotaemon，

14.RAGapp，在企業中使用Agentic RAG的最簡單方式。Github 地址：https://github.com/ragapp/ragapp

15.TurboRAG，通過預計算的KV緩存加速檢索增強生成，適用于分塊文本。Github 地址：https://github.com/MooreThreads/TurboRAG

16.TEN，實時多模態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個 GraphRAG 框架

GraphRAG 框架在微軟頗受歡迎，隨后衍生出了多個輕量級改進版本，例如LightRAG 和 nano-GraphRAG。同時，也有一些獨具特色的變體，如 KAG。這些框架的核心改進在于，它們在傳統 RAG 的基礎上，加強了實體、社區以及文本切塊（Chunk）之間的聯系，并融入了現有知識圖譜（KG）的知識，以此來提高信息檢索的召回率和準確性。

這里總結7個：

1.LightRAG，簡單快速的Graphrag檢索增強生成。Github 地址：https://github.com/HKUDS/LightRAG

2.GraphRAG-Ollama-UI，使用Ollama的GraphRAG，帶有Gradio UI和額外功能。Github 地址：https://github.com/severian42/GraphRAG-Ollama-UI

3.microsoft-GraphRAG，一個模塊化的基于圖的檢索增強生成（RAG）系統。地址：Github ??https://github.com/microsoft/graphrag??

4.nano-GraphRAG，一個簡單、易于修改的GraphRAG實現。Github 地址：https://github.com/gusye1234/nano-graphrag

5.KAG，基于OpenSPG引擎的知識增強生成框架，用于構建知識增強的嚴格決策制定和信息檢索知識服務。Github 地址：https://github.com/OpenSPG/KAG

6.Fast-GraphRAG，GraphRAG的輕量化版本。Github 地址：https://github.com/circlemind-ai/fast-graphrag

7.Tiny-GraphRAG，一個小巧的GraphRAG實現。地址：https://github.com/limafang/tiny-graphrag

在探索先進的信息處理技術領域，RAG 框架及其多樣化的應用方案，比如：Naive RAG、Agentic RAG、Advanced RAG 等等，已經成為行業內的熱門話題。為了幫助技術愛好者們深入理解和應用這些技術，我們精心打造了 AI Agent 項目實戰訓練營。這個訓練營旨在通過實戰演練，讓您直接體驗到從數據切割到內容生成的全流程，掌握關鍵技術的應用要領。我們承諾，通過專業的指導和實戰操作，您將能夠系統地提升自己在信息處理技術方面的實踐能力?，F在就加入我們，一起在 Agent 項目實戰訓練營中開啟您的技術成長新篇章！

3、

第一、這是大勢所趨，我能正在經歷一場重大技術變革，還不像當年的互聯網的興起，這是一場顛覆性的變革，掉隊就等于淘汰，因為未來所有應用都將被AI Agent 重寫一遍；

第二、現在處于紅利期，先入場的同學至少會享受4~5年的紅利，拿高薪，并且會掌握更多的資源。

第三、企業需求旺盛，越來越多的企業開始在 AI Agent 領域進行創新嘗試，這為我們提供了豐富的崗位機會和廣闊的發展空間。

最近兩年一直在研究大模型應用技術，大模型的價值太大了，AI Agent 的潛力太大了，“未來所有應用都將被 AI Agent 重寫一遍”這句話也是今天聽到最多的一句話。我的團隊這兩年，尤其是今年接了很多開發 AI Agent 的項目，越來越多的企業都開始做這方面的創新嘗試。

AI Agent 足夠重要，但也足夠復雜，我這兩年的實踐的結論是，想開發出一個能夠可靠穩定的 Agent 應用實在太難了，大模型技術本身的復雜度，大模型推理的不確定性等等，這些困難直接導致很人對其望而卻步，或是遇到問題無從下手。一般的技術同學想要自己掌握 Agent 太難了。

本文轉載自公眾號玄姐聊AGI  作者：玄姐

原文鏈接：??https://mp.weixin.qq.com/s/bn0NTbzcap5GFG51wpvOkg??