清華大學等機構聯合發佈全球首個基於MCP架構的開源RAG框架UltraRAG2.1，通過YAML配置即可實現多模態智能檢索系統的多階段推理與評估，無需編程，顯著降低技術門檻，推動檢索增強生成技術發展。
Google推出Gemini API的“文件搜索工具”，作爲全託管RAG系統，可將私有文件直接轉化爲知識庫。用戶無需處理數據分塊、嵌入生成等步驟，通過API即可實現高效檢索與生成。工具核心是端到端集成，自動完成文件上傳、索引和檢索流程。
Meta超級智能實驗室推出REFRAG技術，使大型語言模型在檢索增強生成任務中的推理速度提升超過30倍。這項突破性成果發表於相關論文，深刻變革AI模型運作方式。該實驗室今年6月在加州成立，源於扎克伯格對Llama4模型的重視。
Meta成立超級智能實驗室，其首篇論文《REFRAG:Rethinking RAG based Decoding》提出新方法，顯著提升大語言模型在檢索增強生成任務中的推理速度，提升幅度達30倍以上，同時保持準確性不變。
SQLBot 是一款基於大模型和 RAG 的智能問數系統。
全面管理的AI搜索基礎設施，支持RAG。
一個強大的本地文檔問答工具，連接到你的本地Ollama模型，用於創建和管理RAG系統。
RagaAI Catalyst 是一個用於觀察、評估和調試 AI 代理的平臺，助力開發者優化 AI 工作流並安全部署。
nvidia
-
輸入tokens/百萬
輸出tokens/百萬
128k
上下文長度
ai21-labs
$3.53
$7.99
260k
cohere
$1.8
$7.2
Tarka-AIR
Tarka-Embedding-350M-V1是一個擁有3.5億參數的文本嵌入模型，能夠生成1024維的密集文本表示。該模型針對語義相似性、搜索和檢索增強生成（RAG）等下游應用進行了優化，支持多種語言並具有長上下文處理能力。
Tarka-Embedding-150M-V1是一個具有1.5億參數的嵌入模型，可生成768維的密集文本表示。它針對語義相似性、搜索和檢索增強生成（RAG）等多種下游應用進行了優化，專注於捕捉深層上下文語義，以支持跨不同領域的通用文本理解。
mamei16
這是對mirth/chonky_distilbert_base_uncased_1模型的微調版本，通過在更多數據上進行訓練來提升模型性能，主要用於文本分塊和RAG相關任務。
bartowski
這是LiquidAI的LFM2-1.2B-RAG模型的GGUF量化版本，專門為檢索增強生成(RAG)任務優化。該模型經過多種量化處理，提供從bf16到Q2_K等多種量化級別，適用於不同硬件條件和性能需求。
NVIDIA Qwen3-32B FP4模型是阿里巴巴Qwen3-32B模型的量化版本，使用優化的Transformer架構，對權重和激活進行FP4量化，適合用於AI智能體系統、聊天機器人、RAG系統等AI應用。
NVIDIA Qwen3-14B FP4模型是阿里巴巴Qwen3-14B模型的量化版本，採用FP4數據類型進行優化，通過TensorRT-LLM進行高效推理。該模型專為NVIDIA GPU加速系統設計，適用於AI Agent系統、聊天機器人、RAG系統等多種AI應用場景，支持全球範圍內的商業和非商業使用。
NVIDIA Qwen3-8B FP4 模型是阿里巴巴Qwen3-8B模型的量化版本，採用優化的Transformer架構的自迴歸語言模型。該模型使用FP4量化技術，在保持性能的同時顯著減少內存佔用和計算需求，適用於AI智能體系統、聊天機器人、RAG系統等應用場景。
anquachdev
Vi-Qwen2-7B-RAG 是一個專為檢索增強生成（RAG）任務定製的大型語言模型，基於 Qwen2-7B-Instruct 在越南語數據集上微調而來，顯著提升了越南語處理能力和 RAG 任務的執行效率。
MongoDB
mdbr-leaf-ir 是 MongoDB Research 開發的專為信息檢索任務設計的高性能緊湊型文本嵌入模型，特別適用於 RAG 管道的檢索階段。該模型採用知識蒸餾技術，支持非對稱架構、MRL 截斷和向量量化，在 BEIR 基準測試中表現出色。
cpatonn
Llama-3.3-Nemotron-Super-49B-v1.5是基於Meta Llama-3.3-70B-Instruct衍生的大語言模型，是v1版本的顯著升級版。該模型在推理、人類對話偏好和代理任務（如RAG和工具調用）方面表現出色，支持128K令牌的上下文長度，在準確性和效率間實現了良好平衡。
NVIDIA Qwen3-30B-A3B FP4是阿里巴巴Qwen3-30B-A3B模型的量化版本，採用優化的Transformer架構，通過FP4量化技術將模型大小減少約3.3倍，同時保持較好的性能表現。該模型支持商業和非商業用途，適用於AI代理系統、聊天機器人、RAG系統等應用場景。
lmstudio-community
由英偉達發佈的4B參數規模大語言模型，支持128k tokens上下文長度，專為推理、對話及RAG等任務優化
hotchpotch
這是一個非常小巧且快速的日語重排序模型，適用於提升RAG系統的精度，在CPU或邊緣設備上也能高效運行。
這是一個非常小巧且快速的日語重排序模型，適用於提升RAG系統的精度。
JJTsao
專為電影和電視劇推薦系統定製的微調句子轉換器模型，優化了RAG管道中的高質量向量檢索。
ragunath-ravi
該模型是在BLIP基礎模型上針對病理切片圖像進行微調的版本，用於自動生成病理切片圖像的描述文本。
AITeamVN
基於Qwen2.5-7B-Instruct微調的越南語檢索增強生成(RAG)專用大模型，採用GRPO優化方法訓練
mirth
Chonky是一款能夠智能地將文本分割成有意義的語義塊的Transformer模型，適用於RAG系統。
RaghuCourage9605
Anubis-559M是一款專為創意文本生成而設計的因果語言模型，基於更大的基礎模型進行微調，擅長生成自然的對話和引人入勝的散文，特別適合角色扮演場景和創意寫作。
riple-saanvi-lab
120億參數大語言模型，專為速度、效率和上下文準確性優化，支持RAG增強技術和128k上下文窗口。
Crawl4AI RAG MCP Server是一個集成網絡爬蟲和RAG功能的AI代理服務，支持智能URL檢測、遞歸爬取、並行處理和向量搜索，旨在為AI編碼助手提供強大的知識獲取和檢索能力。
一個基於MCP協議的本地服務器，實現Apple Notes的語義搜索和RAG功能，供Claude等AI助手調用
RagRabbit是一個自託管的AI站點搜索和LLM.txt生成工具，支持一鍵部署在Vercel上。
Quick-start Auto MCP是一個幫助用戶快速在Claude Desktop和Cursor中註冊Anthropic模型上下文協議(MCP)的工具，提供RAG文檔搜索、Dify工作流、即時網絡搜索等功能，支持一鍵生成JSON配置文件。
為RAG Web Browser Actor實現的MCP服務器，支持AI代理進行網頁搜索和內容提取。
一個基於Qdrant向量數據庫的文檔語義搜索服務，支持URL和本地文件導入，提供自然語言查詢功能。
一個基於Python的文檔處理與檢索增強生成(RAG)服務器，使用DuckDB數據庫存儲嵌入向量，支持多種文件格式處理並提供Web界面和API接口。
MCP應用是一個結合RAG和網絡搜索工具的服務，使用OpenAI嵌入向量存儲，PostgreSQL作為數據庫，PGVector作為向量存儲，支持知識檢索和文檔添加功能。
基於MCP協議的低延遲RAG服務，支持本地知識檢索和智能摘要，提供雙模式檢索和模塊化架構
一個基於Python代碼分析的RAG系統，通過AST解析代碼結構並存儲到Weaviate向量數據庫，提供代碼查詢、自然語言問答和可視化功能，支持多代碼庫管理和依賴分析。
Vectara MCP是一個基於Model Context Protocol的開源項目，為AI系統提供與Vectara的RAG平臺無縫對接的能力，支持快速可靠的檢索增強生成功能。
SMMS項目構建了一個基於語義地圖的MCP服務器，提供3D實例對象管理功能，包括數據庫操作、RAG檢索和認知拓撲圖生成。
一個基於TypeScript的MCP服務器，實現本地文檔的檢索增強生成(RAG)系統，支持Git倉庫和文本文件的查詢與索引。
RAGFlow API MCP服務器項目，提供知識庫查詢和聊天功能，支持多種開發環境配置和發佈流程。
RAG文檔MCP服務器是一個基於向量搜索的文檔處理工具，為AI助手提供文檔檢索和上下文增強功能。
項目旨在通過MCP協議將RAG應用與open-webui連接，實現模型上下文交互，包括基礎PoC驗證、知識庫集成及客戶端對接。
一個基於LanceDB的MCP服務器，使LLM能夠通過代理RAG和混合搜索直接與本地文檔交互。
一個用於下載文檔網站並準備RAG索引的MCP服務工具
該項目提供了一系列使用AWS Model Context Protocol（MCP）的示例模塊，涵蓋了多種語言和技術棧，包括TypeScript、Python、Spring AI等，展示了MCP在客戶端-服務器通信、ECS部署、RAG集成等場景下的應用。
Apple RAG MCP是一個為AI代理提供蘋果開發專業知識的檢索增強生成系統，集成了官方Swift文檔、設計指南和Apple Developer YouTube內容，通過AI驅動的混合搜索技術提供準確的技術答案。
Safetensors%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
