阅读量:0
在前面系列1-6中详细讲解了RAG各个部分的内容，其实我们能看到RAG已经成为一个比较标准化的AI落地应用的场景，针对这样的场景，其实有比较好的一些开源工具供大家快速搭建自己的RAG，下面就给大家介绍一些常见的开源开发框架。
目录
这里分为2类常见的开发框架来说明，一类是以Langchain为代表的开源开发库，一类是以dify为代表的开源开发框架。你可以这么理解 Langchain 这类的开发库是一种工具箱或者Library，使用开发库你可以搭建RAG。与之相比，Dify这类开发框架提供了RAG的完整方案，这要得力于RAG有很强的标准流程，使得几乎零代码的情况下可以搭建一个RAG应用，它们将慢慢成为生产级别的解决方案，其解决方案也是经过工程设计和软件测试的考验。
1 常见的RAG开发库
1.1 Langchain
其实关于大模型开发不得不提到Langchain，Langchain是一个全面的大模型开发框架，里面以模块化和可扩展性的方式继承了大模型开发架构，而其中就集成RAG流程所需的工具，并可以结合Langchain的Chain特点，很容易搭建一个RAG场景（比如本系列中的代码演示大都是基于Langchain的）。以下是Langchain的与RAG相关常用的库：
- langchain_community.document_loaders：该库是文档加载的基础和实现，比如其中BaseLoader用作其他加载器的基础。它定义了一些方法和接口，也就是文档加载逻辑。然后有许多实现类实现不同文档加载。
- langchain.text_splitter：提供了许多不同类型的文本拆分器。
- langchain_community.embeddings：提供了一个标准化的接口，用于与不同的文本嵌入模型提供商（如 OpenAI 和 Cohere）进行交互。
- langchain_community.vectorstores：支持多种向量存储后端，包括FAISS、Pinecone、Weaviate、Chroma等。
- langchain_community.chat_models：大模型定义的标准，可以通过OpenAPI或者本地加载模式加载大模型。
- langchain_community.retrievers：提供了几种高级检索类型。
项目地址：https://github.com/langchain-ai
1.2 LlamaIndex
LlamaIndex是一个专为构建RAG系统而设计的，它通过构建索引和提供查询接口，使得大模型能够学习和利用私有或者特定领域的数据。这一工具的出现，极大地减少开发RAG的代码，可能使用十几行代码就能够构建一个简单的RAG应用。LlamaIndex封装了RAG管道，相对于Langchain来说，开发时更为简便。
项目地址：https://github.com/run-llama/llama_index
1.3 Haystack
Haystack是一个端到端LLM框架，允许您构建由LLM、Transformer模型、矢量搜索等驱动的应用程序。无论您是想执行检索增强生成(RAG)、文档搜索、问题回答还是答案生成，Haystack都可以将最先进的嵌入模型和llm编排到管道中，以构建端到端NLP应用程序并解决您的用例。该项目更为强调其搜索系统，在此方面做了一些功夫。
项目地址：https://github.com/deepset-ai/haystack
2 常见的RAG开发框架
与Langchain为代表的开源开发库相比，RAG开源的开发框架就显得更为产品化的解决方案。市面上的RAG框架很多，下面只是列举开源的几个框架，另外闭源的商业大家可以去国内外各个大厂（openai、coze、百度Agent-Builder等等）看看，当然闭源的功能会更为强大，毕竟是以构建Agent为主，不只是RAG。下面我们介绍几款开源的RAG框架，主要讲一下它们各自的亮点吧。
2.1 Dify
介绍：Dify是一款开源的大语言模型(LLM) 应用开发平台，支持本地部署。它是一个比较早开源的LLMOps平台，最早的时候，其实它更多是一个RAG可视化的搭建平台，你可以零代码实现你的RAG，使开发者可以快速搭建生产级的生成式 AI 应用。即使你是非技术人员，能快速搭建 AI 应用。最近一年多的发展，它也逐渐发展成与闭源（比如coze等）一样的Agent，提供更为丰富的功能，比如工作流、工具等。
项目地址：https://github.com/langgenius/dify
亮点：Dify提供了一个可视化RAG Pipeline的标准流程，虽然其它开源的RAG开发框架也有同样的功能，但是它算是比较先开源的一个RAG搭建框架，而且其功能更新也是经常领先于同行。因此它注重的是RAG搭建流程，对于文档解析、编码、向量数据库甚至re-rank方面都不会做特殊优化，因此可以作为一个企业开发的脚手架，节省了许多重复造轮子的时间。
2.2 RAGFlow
介绍：RAGFlow是一个基于深度文档理解的开源RAG框架。它为任何规模的企业提供了一个简化的RAG工作流，结合LLM(大型语言模型)来提供真实的问答功能，并以各种复杂格式数据的良好引用为基础。
项目地址：https://github.com/infiniflow/ragflow
亮点：RAGFlow也是提供了一个可视化RAG Pipeline的标准流程，但是其亮点是深度文档理解，它提供了多种类型文档解析，并且结合OCR、TSR技术很好的识别文档的图片、表格等信息。它还能提供解析可视化结果，也就是你能看到每一个chunk在原文档是从哪里解析的（可溯源性强）。同时在检索和排序方面，采用了基于向量数据库+搜索引擎+结构化数据查询混合检索和排名（infinity数据库（AI原生数据库））。它的文档解析和检索方面值得参考，如果你的应用场景在于文档解析难度或者需要混合检索，那它最合适不过。
2.3 FastGPT
介绍：FastGPT 是一个基于 LLM 大语言模型的知识库问答系统，提供开箱即用的数据处理、模型调用等能力。同时可以通过 Flow 可视化进行工作流编排，从而实现复杂的问答场景。
项目地址：https://github.com/labring/FastGPT
亮点：FastGPT 较为注重商业化，在整个RAG落地的解决方案中在商业化方面更为成熟。比如saas化、运营管理、OpenAPI 接口等方面都是比较成熟。但是同样的，它本身在RAG的优化方面（文档解析等方面）都是比较弱。因此如果你注重商业化落地，可以参考其模式，或者以它为基础做一些改动。
2.4 QAnything
介绍：QAnything(基于任何东西的问答)是一个本地知识库问答系统，旨在支持广泛的文件格式和数据库，允许离线安装和使用。使用QAnything，您可以简单地删除任何本地存储的任何格式的文件，并接收准确、快速和可靠的答案。
项目地址：https://github.com/netease-youdao/QAnything
亮点：QAnything也是提供了一个可视化RAG Pipeline的标准流程，虽然流程和功能性相对来说比较简单，但是其注重文档解析和重排2个部分。其中文档解析可能不如RAGFlow，但领先于其它几种RAG框架。它实现粗排和精排的二阶段召回，使得文档检索后排序更为精准。如果你的应用场景在于文档解析难度或者排序精准度，它很适合。
2.5 Langchain-Chatchat
介绍：Langchain-Chatchat是一种利用 langchain 思想实现的基于本地知识库的问答应用，目标期望建立一套对中文场景与开源模型支持友好、可离线运行的知识库问答解决方案。支持市面上主流的开源 LLM、 Embedding 模型与向量数据库，可实现全部使用开源模型离线私有部署。与此同时，本项目也支持 OpenAI GPT API 的调用，并将在后续持续扩充对各类模型及模型 API 的接入。
项目地址：https://github.com/chatchat-space/Langchain-Chatchat
亮点：Langchain-Chatchat也是提供了一个可视化RAG Pipeline的标准流程。其项目亮点在于支持Xinference、LocalAI、Ollama、FastChat等部署框架，同时支持市面上主流的开源 LLM、 Embedding 模型与向量数据库。因此它本身不会对各个流程做出优化，但是将RAG各个流程模块化，让开发者可以任意组织搭建RAG使其本身的亮点。因此可以作为一个企业开发的脚手架，节省了许多重复造轮子的时间。
3 总结
当然还有许多优秀的框架没有介绍，有些可能也跟RAG相关比如open-webui等，这里就不一一列举。无论你使用较为底层Langchain或者LlamaIndex，还是使用dify较为低代码方式构建你的RAG，都是要根据你的业务场景来决定选择哪些开发框架。这里只是提供对于相关实践信息供大家参考，主要是要通过基本了解各个框架的优缺点，让你在项目架构时，能够有更好的参考。
