国内开源RAG知识库ChatWiki MaxKb QAnyThing对比

已于 2024-07-09 22:10:06 修改
阅读量1.1k 收藏 2
点赞数 3
文章标签： AI RAG 大模型知识库
于 2024-07-09 22:08:56 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/yaoohfox/article/details/140307777
版权

RAG 知识库 ， 是一个比较火的赛道，以下是国内开源的RAG 知识库

ChatWiki  芝麻小客服开源的一个RAG 知识库，核心特点是和人工聊天系统打通，可以作为对外的聊天系统使用。

开源地址 https://github.com/zhimaAi/chatwiki

云端体验地址 https://chatwiki.com

MaxKb 飞致云开源的，特点是简单，具备基础功能，整体还不错，但是没有云端版本。

开源地址GitHub - 1Panel-dev/MaxKB: 🚀 基于 LLM 大语言模型的知识库问答系统。开箱即用、模型中立、灵活编排，支持快速嵌入到第三方业务系统，1Panel 官方出品。

QAnyThing 网易出品的，特点是基于离线训练的RAG 系统。也有云端版。

GitHub - netease-youdao/QAnything: Question and Answer based on Anything.

云端体验  QAnything

yaoohfox
关注
MaxKB基于大语言模型和 RAG 的开源知识库问答系统开发环境搭建
洛阳泰山的博客
12-23 2299
MaxKB = Max Knowledge Base，是一款基于大语言模型和 RAG 的开源知识库问答系统，广泛应用于智能客服、企业内部知识库、学术研究与教育等场景。作为一款专注于知识库问答场景的软件产品，MaxKB 能够为企业的智能化进程注入新的动力，助力企业实现“提质增效”的目标。在知识库管理方面，MaxKB 帮助企业实现知识采集、知识入库、知识库构建的全流程自动化；在场景化智能搜索方面，MaxKB 能够解析用户输入的问题并匹配检索知识库；
MaxKB基于大语言模型和 RAG的开源知识库问答系统的快速部署教程
洛阳泰山的博客
12-23 1017
务必确认数据持久化目录（即命令行中 -v后的目录）要跟第 (2) 步查看目录保持一致，否则启动后整个系统数据为空。（2）查看并确认上一次数据持久化目录，复制保存，第（4）步使用。（3）删除正在运行的、旧版本的。（4）启动并运行新版本的。后，可通过浏览器访问。待所有容器状态显示为。（1） 下载最新镜像。
RAG 案框架（Qanything、RAGFlow、FastGPT、智谱RAG）对比
stephen147的博客
07-03 1万+
亮点在文档解析、切片、query改写及recall模型的微调。没有最好，在自己业务的数据上，能落地就是最好的～。1、Qanything rerank模块设计的最好。4、智谱RAG，在领域数据上微调训练最好。3、FastGPT 模块动态配置多。下面分别按照模块比较各框架的却别。2、RAGFlow 文档处理最好。亮点在：数据处理+index。亮点在：rerank。
工业级 RAG 实现 - QAnything
Michael的博客
01-28 1158
QAnything 官方文档QAnything (Question and Answer based on Anything) 是致力于支持任意格式文件或数据库的本地知识库问答系统，可断网安装使用。您的任何格式的本地文件都可以往里扔，即可获得准确、快速、靠谱的问答体验。特点数据安全，支持全程拔网线安装使用。支持文件类型多，解析成功率高，支持跨语种问答，中英文问答随意切换，无所谓文件是什么语种。
大模型应用开发 | 国产开源的Graph RAG chatwiki，可以打造微信里的聊天机器人
老皮的博客
04-15 978
ChatWiki是一款国产开源的知识库 AI 问答系统。系统基于大语言模型（LLM ）和检索增强生成（RAG）和GraphRAG知识图谱构建，提供开箱即用的数据处理、模型调用等能力。
本地知识库开源框架Fastgpt、MaxKB产品体验
小生测试的博客
06-01 5440
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！官网：https://fastgpt.in官网文档：https://doc.fastgpt.in/docs/intro/登录后切到知识库页面创建知识库支持多种格式也支持多种的数据源上传后解析解析完成关联知识库，右边可以进行调试，调试成功后点击发布保存返回到知识库对话。
QAnything：网易开源本地知识库问答系统
老皮的博客
11-17 3024
QAAnything（QAnything） 是一个本地知识库问答系统，旨在支持各种文件格式和数据库，允许离线安装和使用。用户只需将任何本地存储的任何格式的文件拖放到系统中，即可获得准确、快速和可靠的答案。PDF（pdf）Word（docx）PPT（pptx）Eml（eml）TXT（txt）XLS（xlsx）CSV（csv）图像（jpg，jpeg，png）网页链接（html）数据安全，支持在整个过程中插拔网线的安装和使用。跨语言问答支持，可以自由切换中英文问答，
一文带你速通RAG、知识库和LLM！
youmaob的博客
05-28 4016
定制知识库是指一系列紧密关联且始终保持更新的知识集合，它构成了 RAG 的核心基础。这个知识库可以表现为一个结构化的数据库形态（比如：MySQL），也可以表现为一套非结构化的文档体系（比如：文件、图图片、音频、视频等），甚至可能是两者兼具的综合形式。
RAG 工业落地方案框架（Qanything、RAGFlow、FastGPT、智谱RAG）细节比对！CVPR自动驾驶最in挑战赛赛道，全球冠军被算力选手夺走了
代码讲故事
07-05 5233
RAG 工业落地方案框架（Qanything、RAGFlow、FastGPT、智谱RAG）细节比对！CVPR自动驾驶最in挑战赛赛道，全球冠军被算力选手夺走了。
Dify中的RAG和知识库
NLP工程化
07-11 5814
向量检索优势：复杂语义的文本查找，相近语义理解，多语言理解，多模态理解，容错性。传统关键词搜索优势：精确匹配，少量字符的匹配，倾向低频词汇的匹配。向量检索和关键词检索在检索领域各有其优势。混合检索通过多个检索系统的组合，实现了多个检索技术之间的互补。
中文RAG检索增强生成榜单出炉！仅有一家刚刚及格
04-15 2185
随着人工智能技术的快速发展，大型语言模型在处理复杂、开放领域的问题时，常常面临知识获取和更新的挑战。它们所依赖的训练数据可能有限且过时，无法覆盖所有领域的知识，导致生成的内容缺乏准确性和时效性。同时，在现实世界的应用场景中，用户期望获得最新、最准确的信息。正是在这样的背景下，RAG（检索增强生成）技术结合了检索和生成两种方法的优势应运而生。RAG通过利用外部知识库中的信息，为语言模型提供了更全面、...
来自工业界的开源知识库 RAG 项目最全细节对比
热门推荐
易迟的专栏
07-09 1万+
有道 QAnythingRAGFlow中科院 GoMateDifyFastGPT群里一直看到有小伙伴询问在实际的业务需求中如何选择合适的 RAG 项目，本文就详细对比一下这些 RAG 项目。考虑到目前实际发展程度，GoMate 目前的可靠性还不适合在生产环境使用。因此主要对比其他几个更成熟的热门开源项目。如果只关心技术选项结论，可以直接跳到最后。项目Star 数量持续维护性社区活跃度代码质量版权信息QAnything10.6k⭐️⭐️⭐️⭐️⭐️⭐️Apache-2.0RAGFlow。
免费的结构化数据转rag知识库工具
02-23
该工具可将预先整理好的数据库数据导出成方便rag知识库使用的TXT文件，方便使用者将结构化数据挂接给ai模型使用，使用前先看说明。
RAG-基于Java实现的增强检索生成RAG项目-包含知识库+检索-附项目源码+流程教程-优质项目实战
10-20
本项目RAG是一个基于Java实现的优质实战案例，它不仅展示了如何构建一个增强型检索系统，还提供了知识库和检索功能。在这个项目中，Java不仅被用于后端开发，还可能涉及到前端的交互设计，实现了用户友好的查询界面...
【实际动手】搭建MaxKB 大模型和 RAG 的知识库问答系统
longxiaotian718的博客
10-29 3720
MaxKB，作为企业级知识库问答系统，以其强大的功能和灵活的部署方式，为企业提供了一种高效、智能的信息处理方案，更在AI技术的持续进步中展现出无限的潜力。它通过深度整合自然语言处理和机器学习技术，使得企业能够轻松应对数据洪流，实现信息的快速检索、精准分析和智能决策。展望未来，随着AI技术的进一步发展，MaxKB有望在知识管理和智能问答领域发挥更大的作用。它将继续推动企业知识资产的有效管理和利用，助力企业在激烈的市场竞争中保持领先。
QAnything 在mac M2 上纯python环境安装使用体验（避坑指南）
Angus
05-09 2611
开源的RAG本地知识库检索的有不少。最近比较火热的就是 QAnything 和 RAGflow。其中Qanything 是相对比较早的。并且它是网易开源的，各种都相对更正规一些。安装部署文档也都比较齐全。dify 是开源做工作流的，其中也有RAG的部分。但是做的很粗糙。如果想做自己的本地知识库开发，可以在Qanything上做。我看过QAnything 和 RAGflow dify的源码，也对比了他们的效果，最终评估使用Qanything 打底。做一个全新的RAG搜索。
基于RAG的大模型知识库搭建
Seek42的专栏
03-26 1075
RAG实际落地如何优化跟拔高。
RAG 实践-Ollama+AnythingLLM 搭建本地知识库
2401_84495872的博客
06-12 1945
RAG，即检索增强生成（Retrieval-Augmented Generation），是一种先进的自然语言处理技术架构，它旨在克服传统大型语言模型（LLMs）在处理开放域问题时的信息容量限制和时效性不足。RAG的核心机制融合了信息检索系统的精确性和语言模型的强大生成能力，为基于自然语言的任务提供了更为灵活和精准的解决方案。
rag知识库总结，零基础入门到精通，收藏这篇就够了
A1_3_9_7的博客
12-12 1928
RAG的核心在于准确与快速的检索在之前关于RAG技术的文章中有介绍过知识库与检索增强的关系；也简单介绍了RAG的使用场景。而RAG和向量数据库的实现原理，以及怎么选择向量数据库，是在智能客服，推荐系统等领域必须要解决的一个问题。RAG与向量数据库先来回答第一个问题， 什么是检索增强——RAG？
开源rag知识库
最新发布
04-24
### 开源 RAG 知识库项目 GitHub 资源 开源的 RAG（Retrieval-Augmented Generation）知识库和项目在 GitHub 上有多个活跃的社区支持，这些资源提供了丰富的工具和技术实现方案。以下是几个重要的开源 RAG 项目及其特点： #### 1. **OpenRAG** OpenRAG 是一个专注于 RAG 技术的开源项目集合[^1]。它旨在通过整合公开数据来构建全面的知识库，帮助开发者快速了解并应用 RAG 技术。该项目不仅涵盖了理论基础，还提供了实际案例分析以及技术实现细节。 - **GitHub 地址**: [https://github.com/OpenRAG](https://github.com/OpenRAG) - **功能亮点**: - 提供多维度的数据检索方法。 - 支持多种自然语言处理任务。 - 定期更新以保持最新技术水平。 #### 2. **网易 RAG 问答知识库** 由网易开发的 RAG 问答知识库是一个备受关注的开源项目，目前已获得超过 6K 的 Star 数量[^2]。此项目的核心在于其高效的两阶段检索机制，能够显著提升信息检索效率与准确性。 - **GitHub 地址**: [https://github.com/Netease/RAG-KnowledgeBase](https://github.com/Netease/RAG-KnowledgeBase) - **关键技术点**: - 使用先进的大模型作为底层技术支持。 - 设计了一键部署的功能，极大简化了安装过程。 - 配备详细的文档说明以便于新手入门。 #### 3. **Unstructured-IO/unstructured** 虽然该仓库并非专门针对 RAG 技术而创建，但它包含了大量可用于构建 RAG 应用程序的基础组件[^3]。特别是其中涉及的内容提取与结构化处理能力对于增强检索效果非常有用。 - **GitHub 地址**: [https://github.com/Unstructured-IO/unstructured](https://github.com/Unstructured-IO/unstructured) - **适用场景**: - 复杂文件类型的解析。 - 文本数据预处理及清洗操作。 #### 示例代码片段 下面展示如何利用 Python 实现简单的向量数据库查询逻辑，这通常是 RAG 流程中的重要组成部分之一: ```python from sentence_transformers import SentenceTransformer import faiss def create_index(sentences): model = SentenceTransformer('all-MiniLM-L6-v2') embeddings = model.encode(sentences) dimension = embeddings.shape[1] index = faiss.IndexFlatL2(dimension) index.add(embeddings.astype('float32')) return index sentences = ["This is a test", "Another example"] index = create_index(sentences) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值