现有RAG框架非完全总结：7个GraphRAG+17个传统RAG框架归纳

现有RAG框架非完全总结：7个GraphRAG+17个传统RAG框架归纳

RAG（Retrieval-Augmented Generation）框架是自然语言处理领域的重要技术，它通过结合检索和生成模型，能够更好地利用外部知识库来增强模型的生成能力。本文总结了当前主流的RAG框架，包括7个GraphRAG框架和17个传统RAG框架，这些框架都是开源项目，可供开发者参考和使用。

一、十七个传统RAG框架

传统的RAG框架主要集成了文档切分、向量化、存储、检索和生成等多个阶段的功能。这些框架在文档处理策略和检索策略上各有特点，代表性的有RAGFlow（深度文档理解）、QAnything（重排序策略）和Dify（高度可配置）等。以下是17个具体项目：

1. AnythingLLM：具备完整的RAG（检索增强生成）和AI代理能力。
   地址：https://github.com/Mintplex-Labs/anything-llm

2. MaxKB：基于大型语言模型的知识库问答系统，支持快速嵌入到第三方业务系统。
   地址：https://github.com/1Panel-dev/MaxKB

3. RAGFlow：基于深度文档理解的开源RAG引擎。
   地址：https://github.com/infiniflow/ragflow

4. Dify：一个开源的大型语言模型应用开发平台，集成了AI工作流、RAG流程、代理能力等功能。
   地址：https://github.com/langgenius/dify

5. FastGPT：基于LLM构建的知识型平台，提供数据加工和模型调用能力，支持工作流可视化编排。
   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识库问答系统。
   地址：https://github.com/chatchat-space/Langchain-Chatchat

7. QAnything：基于Anything的问题和答案系统，引入了重排序策略。
   地址：https://github.com/netease-youdao/QAnything

8. Quivr：使用Langchain、GPT 3.5/4 turbo等与文档（PDF、CSV等）和应用程序交互的本地解决方案。
   地址：https://github.com/QuivrHQ/quivr

9. RAG-GPT：利用LLM和RAG技术从用户自定义知识库中学习，提供上下文相关的答案。
   地址：https://github.com/open-kf/rag-gpt

10. Verba：由Weaviate驱动的检索增强生成（RAG）聊天机器人。
    地址：https://github.com/weaviate/Verba

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

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

13. kotaemon：一个开源的干净且可定制的RAG UI。
    地址：https://github.com/Cinnamon/kotaemon

14. RAGapp：在企业中使用Agentic RAG的简单方式。
    地址：https://github.com/ragapp/ragapp

15. TurboRAG：通过预计算的KV缓存加速检索增强生成，适用于分块文本。
    地址：https://github.com/MooreThreads/TurboRAG

16. TEN：实时多模态AI代理框架。
    地址：https://github.com/TEN-framework/ten_framework

17. AutoRAG：RAG AutoML工具。
    地址：https://github.com/Marker-Inc-Korea/AutoRAG

二、七个GraphRAG框架

GraphRAG框架是在微软的GraphRAG基础上发展起来的，通过增加实体、社区、chunk之间的关联或原有KG的知识，来提升召回和准确性。以下是7个具体项目：

1. LightRAG：简单快速的Graphrag检索增强生成。
   地址：https://github.com/HKUDS/LightRAG

2. GraphRAG-Ollama-UI：使用Ollama的GraphRAG，带有Gradio UI和额外功能。
   地址：https://github.com/severian42/GraphRAG-Ollama-UI

3. microsoft-GraphRAG：一个模块化的基于图的检索增强生成（RAG）系统。
   地址：https://github.com/microsoft/graphrag

4. nano-GraphRAG：一个简单、易于修改的GraphRAG实现。
   地址：https://github.com/gusye1234/nano-graphrag

5. KAG：基于OpenSPG引擎的知识增强生成框架，用于构建知识增强的严格决策制定和信息检索知识服务。
   地址：https://github.com/OpenSPG/KAG

6. Fast-GraphRAG：GraphRAG的轻量化版本。
   地址：https://github.com/circlemind-ai/fast-graphrag

7. Tiny-GraphRAG：一个小巧的GraphRAG实现。
   地址：https://github.com/limafang/tiny-graphrag

总结

本文主要对当前的RAG框架进行了介绍，尤其是对GraphRAG框架的整理，常总结，常会有很多收获。