产品库

一键式无服务器RAG平台

SciPhi是一个开源的端到端RAG平台，使构建、部署和优化系统变得简单。它提供直观的框架和抽象，可与LangChain等解决方案相比较。通过SciPhi，您可以轻松启动和扩展最好的RAG系统，并选择各种托管和远程提供商以满足您的需求。无论是自托管还是云部署选项都可用。

利用知识图谱和文档网络增强语言模型性能

Knowledge Graph RAG 是一个开源的Python库，它通过创建知识图谱和文档网络来增强大型语言模型（LLM）的性能。这个库允许用户通过图谱结构来搜索和关联信息，从而为语言模型提供更丰富的上下文。它主要应用于自然语言处理领域，尤其是在文档检索和信息抽取任务中。

基于RAG框架的可靠输入和可信输出系统

GoMate是一个基于Retrieval-Augmented Generation (RAG)框架的模型，专注于提供可靠输入和可信输出。它通过结合检索和生成技术，提高信息检索和文本生成的准确性和可靠性。GoMate适用于需要高效、准确信息处理的领域，如自然语言处理、知识问答等。

Python封装的Doc2X API，增强PDF处理。

pdfdeal是一个Python封装的Doc2X API工具，它提供了本地PDF处理功能，旨在提高PDF在RAG中的召回率。该工具支持多种输出格式，包括文本、Markdown、PDF等，并且可以自定义OCR语言和使用GPU加速。它还支持Doc2X，该服务每日有500页的免费使用额度，特别擅长表格和公式的识别。

AI内容和数据权益的在线市场

Dappier是全球首个AI内容和数据权益的在线市场，它允许用户将自己的内容和专有数据连接到平台，并通过AI技术将其转化为可与AI对话的形式。用户可以发布AI代理，通过许可内容的联合发布以及设置自己的价格来实现内容的货币化。Dappier提供了一个安全、预训练的RAG模型，使其能够轻松集成到全球数百万AI开发者和创作者的应用中。Dappier还提供了一个市场，允许用户通过RAG API许可自己的预训练模型并货币化内容和数据。

智能搜索API，提供高效信息检索。

RAG Search API是一个由thinkany.ai开发的智能搜索API，它利用RAG（Retrieval-Augmented Generation）技术，结合了检索和生成的特点，为用户提供高效、准确的信息检索服务。该API支持自定义配置，包括搜索数量、是否进行重排、过滤等，能够满足不同用户的需求。

LangGraph的高级应用课程

这是一个专注于LangGraph的高级应用课程，提供Reflective RAG, Self-RAG和Adaptive RAG的实现，旨在帮助开发者和生产环境应用LangGraph。

一站式数据解析平台，优化数据与通用人工智能框架的兼容性。

OmniParse是一个数据解析平台，能够将各种非结构化数据转换为结构化、可操作的数据，特别适用于通用人工智能（GenAI）应用。它支持文档、表格、图片、视频、音频文件和网页等数据类型，通过提供清洁、结构化的数据，为人工智能应用如RAG、微调等做好准备。

RAG-based LLM agents的Elo排名工具

RAGElo是一个工具集，使用Elo评分系统帮助选择最佳的基于检索增强生成（RAG）的大型语言模型（LLM）代理。随着生成性LLM在生产中的原型设计和整合变得更加容易，评估仍然是解决方案中最具有挑战性的部分。RAGElo通过比较不同RAG管道和提示对多个问题的答案，计算不同设置的排名，提供了一个良好的概览，了解哪些设置有效，哪些无效。

智能卖货主播大模型，提升销售效率，增强购物体验。

Streamer-Sales 销冠是一个基于大语言模型的智能卖货主播系统，它能够根据商品特点从激发用户购买意愿的角度出发进行商品解说。该模型在 InternLM2 的基础上通过指令微调而来，集成了 LMDeploy 加速推理，支持 ASR 语音生成文字，RAG 检索增强生成，Agent 网络查询等功能，并通过 TTS 技术生成带有感情的语音，最终生成主播数字人视频，为商品解说提供全方位的技术支持。

AI原生数据应用开发框架

DB-GPT是一个开源的AI原生数据应用开发框架，利用AWEL(Agentic Workflow Expression Language)和代理(agent)技术，简化了大型模型应用与数据的结合。它通过多模型管理、Text2SQL效果优化、RAG框架优化、多代理框架协作等技术能力，使企业和开发者能够以更少的代码构建定制化应用。DB-GPT在数据3.0时代，基于模型和数据库，为构建企业级报告分析和业务洞察提供了基础数据智能技术。

基于19亿参数的对话生成模型

Index-1.9B-Chat是一个基于19亿参数的对话生成模型，它通过SFT和DPO对齐技术，结合RAG实现fewshots角色扮演定制，具有较高的对话趣味性和定制性。该模型在2.8T中英文为主的语料上预训练，并且在多个评测基准上表现领先。

哔哩哔哩自主研发的轻量级大语言模型

Index-1.9B系列是哔哩哔哩公司自主研发的轻量级大语言模型，包含多种版本，如base、pure、chat和character等，适用于中英文为主的语料预训练，并在多个评测基准上表现优异。模型支持SFT和DPO对齐，以及RAG技术实现角色扮演定制，适用于对话生成、角色扮演等场景。

Cohere的生成AI平台使用指南

Cookbooks是Cohere提供的一个在线文档平台，旨在帮助开发者和用户了解如何利用Cohere的生成AI平台构建各种应用。它包含了多种使用案例的指南，如构建代理、集成开源软件、语义搜索、云服务、检索增强生成(RAG)、摘要生成等。这些指南提供了最佳实践，帮助用户最大限度地利用Cohere的模型，并且所有内容都已设置好，准备就绪，供用户开始测试。

专为内容创作者设计的AI内容搜索引擎

Qmedia 是一个多媒体 AI 内容搜索引擎，支持图文 / 短视频素材搜索，提供内容整合和多模态 RAG 内容问答，具有本地化部署、多模态模型服务等优点。

一个集成了Django、Llamaindex和Google Drive的RAG应用框架。

Omakase RAG Orchestrator是一个旨在解决构建RAG应用时遇到的挑战的项目，它通过提供一个综合的Web应用程序和API来封装大型语言模型(LLMs)及其包装器。该项目整合了Django、Llamaindex和Google Drive，以提高应用的可用性、可扩展性和数据及用户访问管理。

基于人类长期记忆的新型RAG框架

HippoRAG是一个启发自人类长期记忆的新型检索增强生成(RAG)框架，它使得大型语言模型(LLMs)能够持续地整合跨外部文档的知识。该框架通过实验表明，HippoRAG能够以更低的计算成本提供通常需要昂贵且高延迟迭代LLM流水线的RAG系统能力。

基于LLM大模型的开源AI知识库构建平台

FastGPT是一个开源的AI知识库构建平台，提供数据处理、模型调用、RAG检索、可视化AI工作流编排等能力，帮助用户轻松构建复杂的AI应用。它支持特定领域AI客服的构建，自动化数据预处理，工作流编排，以及强大的API集成。FastGPT的优势在于其开源性、独特的QA结构、可视化工作流、无限扩展性、便于调试，并支持多种模型。

先进的AI检索器，用于RAG。

DenserRetriever是一个开源的AI检索模型，专为RAG（Retrieval-Augmented Generation）设计，利用社区协作的力量，采用XGBoost机器学习技术有效结合异构检索器，旨在满足大型企业的需求，并且易于部署，支持docker快速启动。它在MTEB检索基准测试中达到了最先进的准确性，并且Hugging Face排行榜上也有其身影。

高效的检索增强生成研究工具包

FlashRAG是一个Python工具包，用于检索增强生成(RAG)研究的复现和开发。它包括32个预处理的基准RAG数据集和12种最先进的RAG算法。FlashRAG提供了一个广泛且可定制的框架，包括检索器、重排器、生成器和压缩器等RAG场景所需的基本组件，允许灵活组装复杂流程。此外，FlashRAG还提供了高效的预处理阶段和优化的执行，支持vLLM、FastChat等工具加速LLM推理和向量索引管理。

专为LLM和RAG应用设计的高效网络爬虫

HyperCrawl是第一个为LLM（大型语言模型）和RAG（检索增强生成模型）应用设计的网络爬虫，旨在开发强大的检索引擎。它通过引入多种先进方法，显著减少了域名的爬取时间，提高了检索过程的效率。HyperCrawl是HyperLLM的一部分，致力于构建未来LLM的基础设施，这些模型需要更少的计算资源，并且性能超越现有的任何模型。

一个开源的、增强检索的生成式聊天机器人。

Verba 是一个开源应用程序，旨在提供端到端、流畅且用户友好的检索增强生成（RAG）接口。它结合了最先进的RAG技术和Weaviate的上下文感知数据库，支持本地或通过云部署，可以轻松探索数据集并提取洞见。

统一高效的RAG检索微调和推理框架

RAG-Retrieval是一个全链路的RAG检索微调和推理框架，支持多种RAG Reranker模型的推理，包括向量模型、迟交互式模型和交互式模型。它提供了一个轻量级的Python库，使得用户能够以统一的方式调用不同的RAG排序模型，简化了排序模型的使用和部署。

低代码生成AI应用程序的生成性AI RAG工具包。

create-tsi是一个生成性AI RAG（Retrieval-Augmented Generation）工具包，用于低代码生成AI应用程序。它利用LlamaIndex和T-Systems在Open Telekom Cloud上托管的大型语言模型（LLMs），简化了AI应用程序的创建过程，使其变得快捷、灵活。用户可以使用create-tsi生成聊天机器人、编写代理并针对特定用例进行定制。

为密集非结构化数据提供挑战性查询的RAG框架

spRAG是一个专为非结构化数据设计的RAG（Retrieval-Augmented Generation）框架，特别擅长处理复杂的文本查询，例如金融报告、法律文件和学术论文。它在复杂的开放性问答任务上，如FinanceBench基准测试中，准确率显著高于传统的RAG基线模型。

一款基于NVIDIA的高性能对话式问答和检索增强型生成模型。

Llama3-ChatQA-1.5-70B 是由 NVIDIA 开发的一款先进的对话式问答和检索增强型生成（RAG）模型。该模型基于 Llama-3 基础模型，并使用改进的训练方法，特别增强了表格和算术计算能力。它有两个变体：Llama3-ChatQA-1.5-8B 和 Llama3-ChatQA-1.5-70B。该模型在多个对话式问答基准测试中取得了优异的成绩，显示出其在处理复杂对话和生成相关回答方面的高效能力。

一款基于NVIDIA技术构建的高级对话问答和生成模型

Llama3-ChatQA-1.5-8B是一款由NVIDIA开发的高级对话问答和检索增强生成(RAG)模型。该模型在ChatQA (1.0)的基础上进行了改进，通过增加对话问答数据来增强其表格和算术计算能力。它有两个变体：Llama3-ChatQA-1.5-8B和Llama3-ChatQA-1.5-70B，都是使用Megatron-LM进行训练，然后转换为Hugging Face格式。该模型在ChatRAG Bench的基准测试中表现出色，适用于需要复杂对话理解和生成的场景。

开源框架，用于构建模块化的生产级应用程序。

Cognita 是一个开源框架，用于组织 RAG（Retrieval Augmented Generation）代码库，并提供一个前端界面，以便在不同的 RAG 定制中进行实验。它提供了一种简单的方法来组织代码库，使得在本地测试变得容易，同时也能够部署到生产环境中。Cognita 使用 Langchain/Llamaindex 作为底层技术，并提供了一个组织结构，使得每个 RAG 组件都是模块化的、API 驱动的，并且易于扩展。

通过自然语言生成SQL查询，简化数据库交互。

Vanna是一个使用Retrieval-Augmented Generation (RAG) 技术的开源Python框架，用于SQL生成和相关功能。它通过训练RAG模型，将自然语言问题转换为SQL查询，从而允许用户以提问的形式与数据库进行交互。Vanna的主要优点包括高准确度、安全性、私有性、自学习能力，并且支持任何SQL数据库。

开源的基于深度文档理解的RAG（检索增强生成）引擎

RAGFlow是一个开源的RAG（Retrieval-Augmented Generation）引擎，基于深度文档理解，提供流线型的RAG工作流程，适用于各种规模的企业。它结合了大型语言模型（LLM）提供真实的问答能力，支持从各种复杂格式数据中引用确凿的引文。