面向智能体的 RAG 检索引擎，把文档解析、知识编译和上下文管理整合成一套基础设施，帮 Agent 稳定拿到高质量检索结果。

轻量级检索增强生成引擎，用图结构组织知识并支持增量更新，让 RAG 检索更快更省资源。

基于知识图谱的模块化检索增强生成系统，把文档抽成实体关系图，让大模型在回答复杂问题时能跨文档做全局推理。

用 Jupyter Notebook 逐个演示 RAG 系统的进阶技巧，从嵌入、检索到重排都有可运行教程，适合动手搭建和优化检索增强生成流程。

一站式多模态 RAG 框架，把文本、图像等不同模态的检索与生成统一到同一套流程里，省去自己拼接多个组件的麻烦。

面向 LLM 应用的自动化评测工具，用合成测试集和多种指标量化 RAG 与生成效果，帮你在上线前发现质量问题。

面向 Agent 应用的 Python 可观测性 SDK，支持对 Agent、LLM 和工具调用做追踪、调试与评测，自带可自托管面板，用时间线和执行图看清多智能体系统的运行过程。

面向大模型应用开发的 RAG 全栈实战教程，覆盖文本向量化、检索、重排与多模态等环节，手把手带你搭建检索增强生成系统。

把网页直接当像素图像来检索的 RAG 引擎，跳过 HTML 解析，靠视觉语言模型做原生搜索，适合构建多模态 Agent 的长期记忆。

低代码 MCP 框架，用可视化方式快速搭建复杂 RAG 流水线，省去大量胶水代码，适合快速验证检索增强生成方案。

面向 monorepo 的代码检索增强生成工具，用知识图谱和 AST 解析多语言代码库，支持自然语言查询、理解与编辑代码。

用 LangGraph 搭建的模块化 Agentic RAG 教学项目，几分钟就能上手理解检索增强生成智能体的完整流程。

本地个人图书管理员 Agent，能解析电脑里的文档并建立向量索引，让你用自然语言问答检索文件、整理资料和记住重要信息。

一套基于 LangChain 的 RAG 应用构建教程与代码集合，覆盖从基础检索增强到 Agentic RAG 的完整实现路径，帮你快速搭出带检索能力的问答机器人。

面向超长视频的检索增强生成框架，让大模型能直接和你上传的视频对话，解决长视频内容理解与精准问答的问题。

面向 RAG 研究的 Python 工具包，内置多种检索增强生成算法、数据集和评测基准，方便快速复现和对比实验。

汇集各类 RAG（检索增强生成）框架、项目和资源的社区清单，方便快速找到并对比检索增强生成生态里的现成方案。

用小型开源语言模型搭建轻量级 RAG 系统，降低检索增强生成的硬件门槛和部署复杂度，让普通设备也能跑起来。

IDA Pro 插件，把大语言模型接入反汇编界面，直接解释函数、重命名变量、生成脚本，省去手动逆向的重复劳动。

系统梳理 Agentic RAG 的综述项目，讲清如何用 LLM 智能体增强检索增强生成，覆盖反思、工具调用、多智能体等模式。

Efficient Retrieval Augmentation and Generation Framework

TrustRAG 是一个强调可靠输入与可信输出的 RAG 框架，帮你在检索增强生成流程里控制数据质量、减少幻觉，适合搭建可溯源的知识问答系统。

轻量级 Python RAG 工具包，用 DuckDB 或 PostgreSQL 就能搭起检索增强生成，省去部署向量数据库的麻烦。

统一 RAG 检索环节的微调工具，覆盖 Embedding、ColBERT 和 ReRanker 三类模型，省去分别搭训练流程的麻烦。

用多查询生成和倒数排名融合（RRF）提升 RAG 检索质量，附带 NFCorpus/BEIR 评测脚本，方便对比不同检索策略的效果。

用 Python 写的透明 RAG 参考实现，把 FAISS 向量检索和 BM25 关键词检索做混合召回再重排，配 Gradio 界面和 FastAPI 接口，方便本地搭文档问答。

基于视觉语言模型的无解析 RAG 方案，直接把文档当图片做检索和生成，省去 OCR 和版面解析环节，减少信息损失。

面向生产环境的 GraphRAG 系统，支持多模态索引、AI 智能体和 MCP 协议，可在 K8s 上弹性部署，帮团队把知识图谱与检索增强真正落地。

基于 FastAPI 的 RAG 服务，用 LangChain 对接 PostgreSQL 和 pgvector，按 ID 管理知识库，方便快速搭建检索增强生成后端。

微软出品的 5 周 RAG 学习路线，用 Jupyter Notebook 带你从索引、混合检索到量化压缩，系统掌握检索增强生成。

面向循证医学信息检索的图谱 RAG 系统，把医学知识组织成图结构再结合大模型检索，让回答有据可查、可溯源。

This NVIDIA RAG blueprint serves as a reference solution for a foundational Retrieval Augmented…

基于 FalkorDB 图数据库构建 GraphRAG 应用的 Python SDK，把知识图谱和向量检索结合起来，让大模型问答更准确、可规模化。

在本地网络内用开源大模型完成文件摄取与检索增强生成，数据不出内网、不依赖第三方服务。

面向本地和自托管文档搜索的 Agentic RAG 方案，基于嵌入式 LanceDB 实现混合检索、重排序和多模态 RAG，并自带 Docling 解析与 MCP 服务。

模块化 RAG 框架，能自由替换 LLM、嵌入模型和向量库，还支持 MCP 接入外部工具与数据源，省去重复搭建检索增强流程的功夫。

面向企业内部文档场景的 RAG 数据集与评测基准，提供标准化测试集和评估流程，用来衡量检索增强生成系统在企业知识库上的真实表现。

基于 Azure AI Search 和 gpt-4o-realtime 的语音 RAG 示例，让语音助手能实时检索知识库并生成带依据的对话回答。

系统梳理多模态检索增强生成的研究进展，把图文音视频等跨模态检索与生成方法归拢成一份综述，帮研究者快速摸清这个方向的全貌。

基于层次化知识图谱的 Graph RAG 系统，把文档组织成分层结构来提升检索增强生成的召回与准确度，开箱即用。