背景
检索增强生成（Retrieval Augmented Generation），简称 RAG 主要用于解决 知识的局限性、幻觉问题、数据安全性等问题的。
简单来讲，RAG就是通过检索获取相关的知识并将其融入Prompt，让大模型能够参考相应的知识从而给出合理回答。
完整的RAG应用流程主要包含两个阶段：
数据准备阶段：数据提取——>文本分割——>向量化（embedding）——>数据入库
应用阶段：用户提问——>数据检索（召回）——>注入Prompt——>LLM生成答案
技术框架
RAG架构选型
| 模型名称 | 项目仓库 |
|---|---|
| Haystack | github.com:deepset-ai/haystack |
| MaxKB | github.com:1Panel-dev/MaxKB |
| RAGFlow | github.com:infiniflow/ragflow |
| Txtai | github.com:neuml/txtai |
| STORM | github.com:stanford-oval/storm |
| LLM-App | github.com:pathwaycom/llm-app |
| Cognita | github.com:truefoundry/cognita |
| R2R（Retrieval-to-Retrieval） | git@github.com:SciPhi-AI/R2R.git |
| Neurite | github.com:satellitecomponent/Neurite |
| FlashRAG | github.com:RUC-NLPIR/FlashRAG |
| Canopy | github.com:pinecone-io/canopy |
| langchain4j-aideepin | github.com:moyangzhanlangchain4j-aideepin |
| jai-workflow | github.com:czelabueno/jai-workflow |
| OpenManus | github.com:mannaandpoem/OpenManus |
| Dify | https://docs.dify.ai/zh-hans/guides/knowledge-base/external-knowledge-api-documentation |
