让大模型不再胡言乱语！2024 Github 上最不能错过的 5 个开源 RAG 框架_开源rag

省流版：点击阅读原文，免费体验 Claude 3.5, GPT-4o 等先进大模型！

针对大模型冷不丁出现的幻觉、胡编乱造、信息源过时等问题，检索增强生成（RAG）被视为是最佳的解决办法。

什么是 RAG？

把大模型想象为一位尽职的图书馆管理员，当你每次有疑问的时候，他就会根据你的口述需求，在浩瀚的文本中尽可能的找到最符合你需求的书籍。

而一旦图书馆并没有相关藏书，或内容已过时，我们的这位尽职管理员可不会承认自己的无能，一顿输出猛如虎，结果一看全错。

RAG 是一层额外的“知识外挂”。好比给这位管理员额外增补了相关领域的知识，这样它回答出的问题会变得更加精准。这样你就可以放心的让这位管理员，精准解答其他客户所提出疑惑。

用更学术的角度来解释，RAG 的工作原理是从知识库中检索相关信息，并用来增强 LLM 的输入，从而使模型能够生成更准确、最新且与上下文相关的响应。

图中间的“检索”单元即为 RAG

RAG 框架将检索的系统的优势与生成模型相结合，实现更准确、上下文感知和最新的响应。这种方法有助于克服知识截止日期等限制，并降低 LLM 输出中出现幻觉的风险。

随着对复杂 AI 解决方案的需求不断增长，GitHub 上出现了大量开源 RAG 框架，每个框架都提供独特的特性和功能。

1. Haystack

Github 星数：14,600

地址：https://haystack.deepset.ai/

Haystack 是一个强大而灵活的框架，用于构建端到端问答和搜索系统。它提供了一个模块化架构，允许开发人员轻松地为各种 NLP 任务创建管道，包括文档检索、问答和摘要。Haystack 的主要功能包括：

- 支持多种文档存储（Elasticsearch、FAISS、SQL 等）

- 与流行语言模型（BERT、RoBERTa、DPR 等）集成

- 用于处理大量文档的可扩展架构

- 用于构建自定义 NLP 管道的易于使用的 API

2. RAGFlow

Github 星数：11,600

地址： https://github.com/infiniflow/ragflow

RAGFlow 是 RAG 框架领域的一个相对较新的进入者，但由于其对简单性和效率的关注，它很快就获得了关注。该框架旨在通过提供一组预构建的组件和工作流程来简化构建基于 RAG 的应用程序的过程。RAGFlow 的显着功能包括：

- 直观的工作流程设计界面

- 针对常见用例的预配置 RAG 管道

- 与流行的矢量数据库集成

- 支持自定义嵌入模型

RAGFlow 的用户友好方法使其成为想要快速原型设计和部署 RAG 应用程序而无需深入研究底层复杂性的开发人员的一个有吸引力的选择。

3. Txtai

Github 星数：7500

地址： https://github.com/neuml/txtai

txtai 是一个多功能的人工智能驱动的数据平台，超越了传统的 RAG 框架。它提供了一整套用于构建语义搜索、语言模型工作流程和文档处理管道的工具。txtai 的主要功能包括：

- 用于高效相似性搜索的嵌入数据库

- 用于集成语言模型和其他人工智能服务的API

- 自定义工作流程的可扩展架构

- 支持多种语言和数据类型

4. STORM

Github 星数：14,600

地址：https://haystack.deepset.ai/

STORM（Stanford Open-source RAG Model）是斯坦福大学开发的一个研究型RAG框架。虽然与其他一些框架相比，它的明星数量可能较少，但其学术血统和对尖端技术的关注使其成为对 RAG 技术最新进展感兴趣的研究人员和开发人员的宝贵资源。STORM 值得注意的方面包括：

- 新颖的 RAG 算法和技术的实现

- 注重提高检索机制的准确性和效率

- 与最先进的语言模型集成

- 大量的文档和研究论文

5. LLM-App

Github 星数：3400

地址：https://github.com/pathwaycom/llm-app

LLM-App 是用于构建动态 RAG 应用程序的模板和工具的集合。它因专注于实时数据同步和容器化部署而脱颖而出。LLM-App的主要功能包括：

- 可立即运行的 Docker 容器，用于快速部署

- 支持动态数据源和实时更新

- 与流行的 LLMs 和矢量数据库集成

- 适用于各种 RAG 用例的可定制模板

将 RAG 与 AI 相结合

有大神已将部分 RAG 框架封装为 API，你可以很方便地将 RAG 服务与 AI 相结合起来。Anakin.ai 平台内置了国内外领先的 AI 大模型，你可以通过 Workflow 功能，打造出专属的 AI 工作流！

除了进阶的 Workflow 编排功能，你还可以一站式体验 Claude 3.5、 Gemini 1.5 Flash 以及 Meta 最新推出的 Llama-3。

搭建好的 AI 应用支持 API 调用，可以任意集成至各个 App 内。

文字生成 AI 图片也是必须得有，已支持 Stable Diffusion XL 和 DALL·E 绘图模型。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】