1. LangChain - ⭐️105kLangChain 是较早构建 LLM 应用的框架之一，并在 RAG 生态系统中占据重要地位。它提供了一个框架，用于将组件和集成链接在一起，以开发 AI 应用，同时适应不断发展的技术。LangChain 提供用于模型、嵌入和向量存储的接口，提供了一种结构化的方法来实现检索增强生成系统。
LangChain 包含几个与 RAG 实现相关的功能：
数据连接——通过集成库将 LLM 链接到各种数据源和系统 模型灵活性——允许根据需求变化在不同的模型之间切换 集成选项——支持各种模型提供程序、工具、向量存储和检索器 检索组件——支持使用不同的策略构建检索管道 评估工具- 提供测试和测量 RAG 系统性能的方法 生态系统兼容性——与LangSmith 配合进行调试，与LangGraph 配合进行工作流管理 LangChain 可以使用 来安装pip install -U langchain。
2. dify - ⭐️90.5k
Dify 是一个开源的 LLM 应用程序开发平台，它将可视化工作流构建与强大的 RAG 功能相结合。其直观的界面无需大量编码，方便开发人员和非技术用户使用。Dify 全面支持文档提取、检索和代理编排，为构建可用于生产的 AI 应用程序提供了端到端的解决方案。
Dify 提供了一系列功能，使其成为 RAG 实施的多功能工具：
可视化工作流编辑器- 无需编写代码即可在可视化画布上构建和测试 AI 工作流 广泛的模型支持——与来自不同供应商的数百个专有和开源 LLM 集成 RAG 管道- 处理从提取到检索的文档，支持 PDF、PPT 和其他格式 代理功能- 使用 LLM 函数调用或 ReAct 创建代理，内置 50 多种工具 LLMOps - 监控应用程序日志和性能指标以改进提示和模型 后端即服务- 使用 API 将 Dify 功能集成到现有业务应用程序中 企业功能- 访问 SSO、基于角色的访问控制和其他以组织为中心的功能 使用 Docker Compose 轻松上手 Dify。只需克隆代码库，导航至 docker 目录，根据示例创建环境文件，然后运行 docker compose up -d。部署完成后，访问 仪表板 即可http://localhost/install开始初始化过程。有关详细的安装说明，请访问官方文档。
3. RAGFlow - ⭐️48.5kRAGFlow 是一款基于深度文档理解能力构建的开源 RAG 引擎。与许多其他 RAG 框架不同，它擅长从 PDF 等复杂文档中提取结构化信息，包括表格、布局和视觉元素。凭借其全面的文档解析系统和直观的 Web 界面，RAGFlow 简化了从文档提取到生成的整个流程。
RAGFlow 提供了专为高级基于文档的检索而设计的强大功能：
深度文档理解——从复杂文档中高保真地提取文本、表格和结构 可视化 Web 界面- 提供用户友好的仪表板，用于文档管理和 RAG 工作流程创建 GraphRAG 支持- 从文档创建知识图谱，以进行更多上下文检索 代理推理——实现代理功能以实现更复杂的查询解析 多种嵌入选项- 适用于各种嵌入模型，满足不同的检索需求 灵活的存储后端- 支持 Elasticsearch 和 Infinity 用于文档和矢量存储 全面的 API - 提供 Python SDK 和 REST API 以便与其他系统集成 使用 Docker 轻松上手 RAGFlow。系统提供精简版（2GB）和完整版（9GB）Docker 镜像，具体取决于您是否需要嵌入模型。有关详细的安装说明，请参阅官方文档和GitHub 代码库，了解环境要求和配置选项。
4. LlamaIndex - ⭐️40.8k
LlamaIndex 是一个全面的数据框架，旨在将 LLM 与私有数据源连接起来，从而为构建 RAG 应用程序奠定坚实的基础。它提供了一种结构化的数据提取、索引和检索方法，从而简化了知识增强型 AI 系统的开发。LlamaIndex 凭借其模块化架构，弥合了原始数据与 LLM 功能之间的差距，支持对自定义数据集进行上下文推理。
LlamaIndex 的主要功能包括：
灵活的数据连接器——从各种来源和格式（包括 API、PDF、文档和 SQL 数据库）提取数据 可定制的索引——使用向量存储、关键字索引或知识图谱有效地构建数据 高级检索机制——实现具有上下文相关性的复杂查询引擎 模块化架构——混合搭配组件以创建定制的 RAG 管道 多模式支持——在统一的工作流程中处理文本、图像和其他数据类型 广泛的集成生态系统——超过 300 个集成包可与首选的 LLM、嵌入和向量存储配合使用 优化工具——通过重新排序和响应合成技术微调检索性能 LlamaIndex 入门提供两种方式：使用 pip install llama-index包含核心功能和常用集成的入门包，或者从核心包开始进行自定义安装 (pip install llama-index-core)，并根据需要添加特定的集成包。基本使用只需几行代码即可提取文档、创建索引并构建查询引擎以从数据中检索信息。
5. Milvus - ⭐️33.9k
Milvus 是一款高性能、云原生向量数据库，专为可扩展向量相似性搜索而构建。作为 RAG 应用的基石技术，它能够高效地存储和检索由文本、图像或其他非结构化数据生成的嵌入向量。Milvus 提供优化的搜索算法，在速度和准确性之间取得平衡，这对于处理海量数据的生产级 RAG 系统尤为重要。
Milvus 提供了几个增强 RAG 实现的关键功能：
高级向量搜索- 支持多种ANN（近似最近邻）算法，实现最佳向量相似性匹配 混合搜索功能——将向量相似性与标量过滤和全文搜索相结合 水平可扩展性——跨分布式集群处理数十亿个向量 多模式支持——适用于文本、图像、视频和其他数据类型的嵌入 丰富的查询选项——提供距离度量、搜索参数和结果过滤 无缝集成- 与 LangChain、LlamaIndex 和其他 RAG 框架兼容 企业功能- 包括数据一致性保证、访问控制和监控工具 专门的 RAG 优化- 提供多向量搜索等高级检索技术 使用 Docker 轻松上手 Milvus。只需一条命令 ( docker run -d --name milvus -p 19530:19530 -p 9091:9091 milvusdb/milvus:latest) 即可运行独立实例，然后使用 Python 客户端库与其交互。有关详细的安装说明，请参阅Docker 安装指南。快速入门文档提供了创建集合、插入向量和执行搜索的代码示例，而RAG 教程则提供了端到端的实施指导。
6. mem0 - ⭐️27.3k
Mem0（发音为“mem-zero”）是一个智能内存层，旨在通过持久的上下文记忆功能增强 RAG 应用。与主要关注文档检索的传统 RAG 框架不同，mem0 使 AI 系统能够主动学习并适应用户交互。通过将 LLM 与专用向量存储相结合，mem0 可以创建能够在多个会话中维护用户偏好、对话历史记录和重要信息的 AI 助手。
Mem0 提供了强大的功能来增强 RAG 实现：
多级内存架构——维护用户、会话和代理内存，以实现全面的上下文保留 自动记忆处理- 使用 LLM 从对话中提取和存储重要信息 内存管理——不断更新存储的信息并解决矛盾以保持准确性 双存储架构——将用于内存存储的矢量数据库与用于关系跟踪的图形数据库相结合 智能检索系统——采用语义搜索和图形查询，根据重要性和新近度查找相关记忆 简单的 API 集成- 提供易于使用的端点来添加和检索记忆 跨平台支持——适用于 Python 和 Node.js 应用程序 mem0 的入门非常简单，主要有两种选择：一个完全托管的平台，可轻松部署；或者使用开源软件包进行自托管。对于自托管，只需通过 pip install mem0aiPython或Node.js 安装，并仅需几行代码即可初始化。基本实现需要配置 LLM（默认使用 GPT-4o-mini）并实现内存检索和存储功能。官方文档网站npm install mem0ai提供了全面的文档、示例和集成指南。
7. DSPy - ⭐️23k
DSPy 是由斯坦福自然语言处理 (NLP) 开发的用于编程（而非提示）语言模型的框架。与依赖固定提示的传统 RAG 工具不同，DSPy 使开发人员能够通过声明式 Python 代码创建模块化、可自我改进的检索系统。其独特的方法可以系统地优化 RAG 流程中的提示和权重，从而获得比单纯手动提示工程更可靠、更高质量的输出。
DSPy 提供了一组强大的功能来构建高级 RAG 应用程序：
模块化架构——使用可重复使用的专用组件构建可组合的人工智能系统 自动提示优化- 利用 MIPROv2 等优化器系统地改进提示，而不是手动调整 多种检索集成——连接到各种矢量数据库，包括 Milvus、Chroma、FAISS 等 评估框架- 使用内置指标测试和测量 RAG 系统性能 编译器方法——将声明性语言模型调用转换为自我改进的管道 灵活的管道设计——支持从基础到多跳和复杂推理的各种 RAG 方法 生产准备——用于调试、部署和可观察性的工具 通过 DSPy 安装，即可轻松上手 pip install dspy。该框架提供了清晰的编程模型，用于定义 RAG 系统的签名（输入/输出规范）和模块（实现这些签名的组件）。DSPy 的优化功能可以根据示例数据自动改进您的实现。如需获取全面的文档和教程，请访问官方文档网站，并特别查看以RAG 为重点的教程，以构建您的第一个检索增强生成系统。
8. Haystack - ⭐️20.2k
Haystack 是一个端到端的 AI 编排框架，旨在构建灵活、可立即投入生产的 LLM 应用程序。它擅长检索增强生成 (RAG) 的实现，通过提供模块化组件架构，将模型、矢量数据库和文件转换器连接到可定制的管道或代理。Haystack 采用技术无关的方法，允许开发人员在不同的模型和数据库之间轻松切换，而无需重写应用程序，使其成为构建可随需求变化而演进的复杂 RAG 系统的理想之选。
Haystack 提供了一组强大的功能来实现高级 RAG 解决方案：
灵活的组件系统——通过连接可重复使用的组件来构建管道，用于文档处理、检索和生成 与技术无关的方法- 使用 OpenAI、Cohere、Hugging Face 的模型或托管在各种平台上的自定义模型 高级检索方法——实现超越基本向量相似性的复杂搜索策略 文档处理——转换、清理和拆分各种文件格式以实现有效索引 评估框架——测试和基准测试您的 RAG 管道以衡量性能 自定义选项- 当标准行为不符合您的要求时，创建自定义组件 可视化管道构建器- 通过 Deepset Studio 集成以可视化方式设计管道 Haystack 的安装非常简单 pip install haystack-ai。该框架提供了详尽的文档和指南，帮助您在几分钟内构建您的第一个 LLM 应用程序。安装指南涵盖了包括 Docker 在内的多种方法，而入门指南则讲解了基本的管道创建方法。对于更高级的用例，您可以探索食谱手册，其中包含各种 RAG 实现的方案。
9. LightRAG - ⭐️14.6k
LightRAG 是一种精简的检索增强生成方法，注重简洁性和性能。顾名思义，它提供了一种轻量级的实现，与更复杂的替代方案相比，能够提供更快、更高效的 RAG 功能。根据代码库中显示的基准测试结果，LightRAG 在多个评估维度上始终优于其他几种 RAG 方法，这对于同时追求速度和质量的应用尤其有价值。
LightRAG 为有效实施 RAG 提供了几个值得注意的功能：
性能优化——与基准测试中的传统 RAG 方法相比，提供更出色的结果 简单的架构——保持简单的实现，更易于部署和维护 综合检索——擅长从文档上下文中提取相关信息 信息多样性——检索多样化、有代表性的内容，而不是冗余信息 用户授权——提供更有效的信息访问能力 Web 界面- 包含用于交互式探索和使用的 Web UI 组件 批量处理——高效处理多个文档的插入和处理 LightRAG 入门包括安装软件包和设置文档处理流程。代码库提供了用于提取上下文、将其插入系统、生成查询以及检索相关信息的示例代码。代码库包含一套完整的复现脚本，用于演示核心功能。更多技术细节和实施指南，请参阅GitHub 代码库及其相关文档。
10. LLMWare - ⭐️12.7k
LLMWare 是一个统一的框架，专为使用小型专用模型构建企业级 RAG 流水线而设计，而非仅仅依赖于庞大的 LLM。这种方法可以提供更高效、更经济的 RAG 实现，并且通常可以在包括笔记本电脑在内的标准硬件上运行。凭借其全面的文档处理能力和灵活的架构，LLMWare 使组织能够实施可立即投入生产的 RAG 系统，从而平衡性能和资源效率。
LLMWare 提供了一组强大的功能用于构建专门的 RAG 应用程序：
高效的模型部署——利用可在 CPU 和边缘设备上运行的更小、更专业的模型 全面的文档处理——处理各种文件格式，包括 PDF、Office 文档、文本和 Markdown 多种矢量数据库选项——与 MongoDB、Postgres、SQLite、PG Vector、Redis、Qdrant 和 Milvus 集成 多样化的嵌入模型——支持 10 多种嵌入模型，包括 nomic、jina、bge、gte、ember 和 OpenAI 并行解析——通过并行操作高效处理大型文档集合 双重检索- 使用复杂的查询技术提高检索质量 文档摘要——生成文档摘要作为处理流程的一部分 GPU 加速- 在模型推理可用时利用 GPU 资源 LLMWare 的安装非常简单。该框架在Getting_Started 目录 pip install llmware中提供了一系列示例脚本，演示了文档解析、嵌入生成和检索等核心功能。其他示例展示了如何使用Qwen2等特定模型以及如何创建完整的 RAG 流程。该存储库还包含详细的文档和快速启动脚本，用于快速实现常见的工作流程。
11. txtai - ⭐️10.7k
txtai 是一个一体化开源嵌入数据库，旨在构建全面的语义搜索和语言模型工作流程。与那些专注于检索或生成的框架不同，txtai 通过将向量存储、文本处理流水线和 LLM 编排功能整合到一个统一的软件包中，为 RAG 实现提供了完整的生态系统。其精简的 API 使其特别适合那些希望构建生产级 RAG 应用程序，而无需集成多个独立工具的开发者。
txtai 提供了一套全面的功能，使其能够灵活适用于 RAG 应用程序：
嵌入数据库——通过语义理解来存储、索引和搜索文本和文档 管道组件——访问预先构建的组件，用于摘要、翻译、转录等 LLM 集成- 使用各种语言模型进行文本生成和完成 工作流编排——将组件链接在一起形成复杂的 NLP 工作流 多模式支持——在统一的管道中处理和分析文本、图像和音频 API 和服务层- 以最少的配置部署为 REST API 服务 容器化——使用提供的配置在 Docker 中运行以实现可扩展性 跨平台兼容性——跨不同的操作系统和环境工作 通过 txtai 安装即可轻松上手。
该框架提供了丰富的文档和示例，包括用于构建 RAG 流程的pip install txtai专用笔记本。该示例演示了如何创建嵌入、索引文档以及构建将检索与语言模型生成相结合的完整 RAG 工作流。txtai 还提供了推荐模型指南，帮助用户根据性能和许可考虑为不同组件选择合适的模型。
12. RAGAS - ⭐️8.7k
RAGAS 是一款专为评估和优化 RAG 应用程序而设计的综合评估工具包。与专注于构建 RAG 系统的框架不同，RAGAS 提供客观指标和智能测试生成功能，帮助开发人员衡量其检索和生成组件的有效性。其主要优势在于创建数据驱动的反馈循环，通过严格的评估实现 LLM 应用程序的持续改进。
RAGAS 提供了一组强大的评估功能：
客观指标——使用基于 LLM 的指标和传统指标精确评估 RAG 应用程序 测试数据生成——自动创建涵盖多种场景的综合测试数据集 无缝集成- 与流行的 LLM 框架（如 LangChain）和主要的可观察性工具配合使用 分析仪表板- 通过 app.ragas.io 可视化和分析评估结果 指标对齐——训练指标以匹配特定评估偏好和少量样本 专门的 RAG 指标——评估上下文的精确度、召回率、忠实度和响应相关性 多框架支持——兼容各种 LLM 模型和 RAG 实现 通过 即可轻松开始使用 RAGAS 。您可以通过app.ragas.io pip install ragas仪表板分析结果。有关详细指导，请参阅安装指南、评估文档和测试集生成资源。
13. R2R（从 RAG 到 Riches） -⭐️6.3k
R2R 是一款先进的 AI 检索系统，它通过全面的 RESTful API 为检索增强生成 (RAG) 工作流带来可用于生产环境的功能。与许多主要专注于基本文档检索的 RAG 框架不同，R2R 在其深度研究 API中融入了代理推理功能，该 API 可以通过从知识库和外部来源获取相关数据来执行多步推理。这种传统 RAG 与智能代理行为的结合，使其在需要细致理解的复杂查询解析方面尤为强大。
R2R 提供了一系列专为生产部署而设计的令人印象深刻的功能：
多模式摄取——处理多种内容格式，包括文本、PDF、图像和音频文件 混合搜索功能——将语义和关键字搜索与相互排名融合相结合，以获得更好的相关性 知识图谱集成——自动提取实体和关系以构建上下文知识图谱 代理推理——利用深度研究代理进行复杂、多步骤的信息收集和综合 生产基础设施——包括用户身份验证、收集管理和全面的 API 访问 多种部署选项——可作为云服务或支持 Docker 的自托管解决方案 客户端 SDK - 提供 Python 和 JavaScript 库，以简化集成 开始使用 R2R 提供两种主要途径：使用SciPhi Cloud的托管部署（包含丰富的免费套餐，无需信用卡）或自托管。对于最快的自托管设置，您可以通过 pip ( pip install r2r) 安装，设置您的 OpenAI API 密钥，然后运行python -m r2r.serve以进行轻量级部署。或者，Docker Compose 提供功能齐全的部署docker compose -f compose.full.yaml --profile postgres up -d。Python SDK通过简洁的客户端界面，提供直观的文档操作、搜索和代理 RAG 查询方法。
14.Ragatouille- ⭐️3.4k
Ragatouille 是一个基于 ColBERT 为 RAG 应用实现后期交互检索方法的框架。与使用单向量表示的传统密集检索不同，Ragatouille 在匹配过程中保留了 token 级信息，从而提高了检索准确率。这种方法弥合了高级信息检索研究与实际 RAG 实现之间的差距，无需过多的计算需求即可提供卓越的搜索质量。
Ragatouille 提供了几个关键功能来增强检索：
后期交互检索- 使用 ColBERT 的标记级匹配进行更精确的文档检索 微调功能——支持针对特定领域数据进行训练，无需明确注释 元数据支持——在整个索引和检索过程中维护文档元数据 灵活的文档处理——提供文档处理和管理的实用程序 多查询处理——高效处理批量查询 基于磁盘的索引- 创建可轻松与生产系统集成的压缩索引 集成选项- 可与 Vespa、Intel FastRAG 和 LlamaIndex 配合使用 开始使用 Ragatouille 只需简单安装 pip 即可。文档提供了全面的实施指南，示例目录包含各种用例的笔记本。特别有用的是无注释微调示例，它演示了如何使用带有 Instructor 嵌入的合成查询生成来训练特定领域的模型。
15. FlashRAG - ⭐️2.1k
FlashRAG 是一个用于检索增强生成 (RAG) 研究的 Python 工具包，它在统一的界面中提供 36 个预处理的基准数据集和 17 个最先进的 RAG 算法。与注重实现的框架不同，FlashRAG 优先考虑可重复性和实验性，使研究人员能够快速复现现有工作或开发新方法，而无需数据准备和基线实现的开销。
FlashRAG 为研究提供了几个关键功能：
广泛的数据集支持——可访问 36 个预处理的基准 RAG 数据集，涵盖从问答到实体链接等内容 算法实现——17 种最先进的 RAG 方法，通过一致的接口实现 模块化架构——轻松更换不同的检索器、生成器和其他组件 Web 界面- 用于交互式实验和可视化的直观 UI 全面的文档——重复实验的详细指导 性能基准——即用型评估指标和比较 多模态功能——支持 RAG 管道中的文本、图像和其他模态 要开始使用 FlashRAG，需要通过 pip 安装软件包并探索其组件。该工具包在其 GitHub 代码库中提供了使用不同检索器和构建 RAG 管道的示例。预处理数据集可通过 Hugging Face 获取，Web UI 简化了实验，无需编写代码。
选择正确的 RAG 框架的对比决策表
选择标准
易于实施：选择 Dify、LlamaIndex、mem0、LightRAG 或 txtai 文档密集型应用程序：考虑使用 RAGFlow 或 LLMWare 规模化生产：参考 Milvus、Haystack 或 LangChain 有限的硬件资源：优先考虑LLMWare或LightRAG 复杂推理需求：探索 R2R 或 DSPy 评估重点：使用RAGAS 研究目的：选择 FlashRAG
结论
2025 年，RAG 框架的格局发生了显著变化，各种解决方案涵盖了 RAG 流程的各个方面，从文档提取到检索、生成和评估。选择框架时，请考虑您的具体用例需求、技术专长和部署限制。一些框架（例如 LangChain 和 LlamaIndex）提供了全面的端到端解决方案，而另一些框架（例如 Ragatouille 和 FlashRAG）则在高级检索技术或研究实验等特定领域表现出色。您的选择应与您的应用程序的规模、性能需求和开发时间表相符。
