Meta成立超级智能实验室，其首篇论文《REFRAG:Rethinking RAG based Decoding》提出新方法，显著提升大语言模型在检索增强生成任务中的推理速度，提升幅度达30倍以上，同时保持准确性不变。
检索增强生成(RAG)技术通过检索知识库信息提升大语言模型回答准确性，但处理语言多样性时存在不足。为此，Lexical Diversity-aware RAG 方法被提出，旨在优化模型对多样化表达的理解，增强生成答案的可靠性。
腾讯优图实验室开源图检索增强生成框架Youtu-GraphRAG，通过大语言模型+RAG模式将知识组织成图谱，提升复杂问答任务的准确性和可追溯性。适用于企业知识库、科研文档解析等知识密集型场景，创新实现从图构建到检索的全流程优化。
MaxKB是一款基于RAG技术的企业级AI智能体平台，在GitHub上获得数千星标和数万下载量。该平台通过检索增强生成技术构建企业知识库系统，支持智能客服和内部知识管理等应用场景，提供开源解决方案。
SkyPilot RAG 是一个基于 SkyPilot 的检索增强生成系统，用于处理大规模法律文档搜索和分析。
KET-RAG 是一个结合知识图谱的检索增强型生成框架，用于高效文档索引和答案生成。
wdoc 是一个强大的 RAG（检索增强生成）系统，用于处理和查询多种文件类型的文档。
一个为RAG（检索增强生成）AI助手设计的React组件，可快速集成到Next.js应用中。
cohere
$1.8
输入tokens/百万
$7.2
输出tokens/百万
128k
上下文长度
-
bartowski
这是LiquidAI的LFM2-1.2B-RAG模型的GGUF量化版本，专门为检索增强生成(RAG)任务优化。该模型经过多种量化处理，提供从bf16到Q2_K等多种量化级别，适用于不同硬件条件和性能需求。
anquachdev
Vi-Qwen2-7B-RAG 是一个专为检索增强生成（RAG）任务定制的大型语言模型，基于 Qwen2-7B-Instruct 在越南语数据集上微调而来，显著提升了越南语处理能力和 RAG 任务的执行效率。
AITeamVN
基于Qwen2.5-7B-Instruct微调的越南语检索增强生成(RAG)专用大模型，采用GRPO优化方法训练
XXsongLALA
Qwen-2.5-7B-base-RAG-RL 是一个基于未知数据集从头开始训练的7B参数规模的大语言模型，结合了检索增强生成(RAG)和强化学习(RL)技术。
PleIAs
Pleias-RAG-1B是一款12亿参数的小型推理模型，专为检索增强生成（RAG）、搜索和文献摘要任务设计。在多语言RAG任务中表现优异，支持结构化引证生成。
Pleias-RAG-350M是一款3.5亿参数的小型推理模型，专为检索增强生成(RAG)、搜索和来源摘要任务而训练。
Surromind
基于Qwen2.5-14B微调的韩语大语言模型，专注于RAG（检索增强生成）任务，能够生成包含来源引用的结构化回答。
TheFinAI
首个专为金融时间序列预测设计的检索器，基于检索增强生成（RAG）框架
FinSeer StockLLM 是一个开源的10亿参数大语言模型，专为金融时间序列预测设计，采用检索增强生成（RAG）框架。
silma-ai
SILMA Kashif 2B Instruct v1.0是专为阿拉伯语和英语RAG（检索增强生成）任务设计的开源模型，基于谷歌Gemma构建，具备实体提取和多领域处理能力。
openbmb
VisRAG是基于视觉语言模型(VLM)的检索增强生成(RAG)系统，可直接将文档作为图像进行嵌入表征，避免传统文本解析导致的信息损耗。
Vi-Qwen2-7B-RAG 是一个专为检索增强生成（RAG）任务定制的大语言模型，基于 Qwen2-7B-Instruct 基础模型在越南语数据集上微调而来，提升越南语处理能力和 RAG 任务执行效率。
belyakoff
基于meta-llama/Llama-3.2-3B-Instruct基础模型微调的文本生成模型，支持俄语和英语，专门针对代码生成、RAG（检索增强生成）和问答任务进行优化。
CohereLabs
Command R+ 08-2024 是一个1040亿参数的多语言大语言模型，支持检索增强生成（RAG）和工具使用，适用于复杂任务自动化。
Cohere实验室Command R 08-2024是一款320亿参数的高性能生成模型，支持多语言生成和检索增强生成(RAG)能力。
sujet-ai
Marsilia-Embeddings-FR-Base 是一款专为金融领域任务设计的法语嵌入模型，展示了在检索增强生成(RAG)应用中针对特定任务微调嵌入模型的重要性。
hiieu
专注于RAG（检索增强生成）和生产效率的越南语文本嵌入模型，基于intfloat/multilingual-e5-base微调
myrkur
这是一个基于波斯语BERT模型微调的句子转换器模型，专为增强检索增强生成（RAG）系统设计，能够高效检索上下文相关信息。
sinjy1203
该模型是基于EEVE-韩语指导-10.8B-v1.0微调的，用于评估RAG（检索增强生成）中针对问题的检索上下文是否正确，并以'是'或'否'回答。
cypienai
Cymist2-v0.1是由Cypien AI团队开发的先进语言模型，专为土耳其语和英语的文本生成任务优化，支持检索增强生成(RAG)和监督微调(SFT)。
本项目构建了一个基于IBM Watsonx.ai的检索增强生成(RAG)服务器，使用ChromaDB进行向量索引，并通过模型上下文协议(MCP)暴露接口。该系统能够处理PDF文档并基于文档内容回答问题，实现了将大型语言模型与特定领域知识相结合的智能问答功能。
该项目实现了一个MCP服务器和客户端，用于构建基于检索增强生成（RAG）的智能代理应用。服务器提供实体提取、查询优化和相关性检查等工具，客户端展示如何连接服务器并使用这些工具来增强RAG系统的性能。
一个基于Model Context Protocol (MCP)的服务端，提供检索增强生成(RAG)能力，集成Cursor IDE和Claude Desktop等客户端，实现领域知识问答、智能检索和上下文感知的响应生成。
MCP RAG Server是一个基于Model Context Protocol的检索增强生成服务，通过本地化工具（ChromaDB和Ollama）自动索引项目文档，为连接的LLM提供上下文增强能力。
基于检索增强生成(RAG)的Godot文档查询助手，通过向量化技术和语义搜索实现智能问答
一个基于Model Context Protocol (MCP)的服务端项目，提供检索增强生成(RAG)能力，可作为Cursor IDE和Claude Desktop等客户端与Contextual AI代理的桥梁，实现基于知识库的智能问答和上下文感知响应。
Apple RAG MCP是一个为AI代理提供苹果开发专业知识的检索增强生成系统，集成了官方Swift文档、设计指南和Apple Developer YouTube内容，通过AI驱动的混合搜索技术提供准确的技术答案。
mcp-rag-server是一个基于Model Context Protocol (MCP)的服务，支持检索增强生成(RAG)，能够索引文档并为大型语言模型提供相关上下文。
一个基于检索增强生成（RAG）的日记系统，支持按日期和主题组织日记，并提供语义搜索功能，可与AI代理连接增强交互。
该项目实现了一个基于FAISS向量数据库的MCP服务器，支持检索增强生成(RAG)功能，包含GitHub文件下载、文档索引、本地查询和LLM集成等完整工作流。
一个基于TypeScript的MCP服务器，实现本地文档的检索增强生成(RAG)系统，支持Git仓库和文本文件的查询与索引。
Vectara MCP是一个基于Model Context Protocol的开源项目，为AI系统提供与Vectara的RAG平台无缝对接的能力，支持快速可靠的检索增强生成功能。
MCP Apple Notes是一个基于Model Context Protocol的服务，能够对Apple Notes进行语义搜索和检索增强生成(RAG)，使AI助手如Claude能在对话中引用用户的笔记。
一个基于Python的文档处理与检索增强生成(RAG)服务器，使用DuckDB数据库存储嵌入向量，支持多种文件格式处理并提供Web界面和API接口。
rag-mcp是一个过度设计的检索增强生成系统，通过Python服务器提供多种文本搜索模式（语义搜索、问答搜索、风格搜索），使用PostgreSQL和pgvector存储文本嵌入向量，支持与AI代理交互，架构复杂但可扩展。
RAG文档MCP服务器是一个基于向量搜索的文档处理工具，为AI助手提供文档检索和上下文增强功能。
该项目演示了如何实现一个支持检索增强生成(RAG)的模型上下文协议(MCP)服务器，提供知识库交互、信息检索和文档管理功能。
mcp-rag-server是一个基于Model Context Protocol（MCP）的检索增强生成（RAG）服务器，通过索引项目文档为连接的LLM提供相关上下文。它使用ChromaDB和Ollama实现本地化存储和嵌入生成，支持多种文件格式，并可通过Docker快速部署。
一个研究检索增强生成(RAG)与多云处理(MCP)服务器集成的开源项目，聚焦免费模型在商业软件中的应用，提供模块化学习路径和实践案例。
该项目实现了一个基于MCP协议的服务器，集成FAISS向量数据库和RAG技术，支持从GitHub提取Move文件并构建知识库，提供文档检索和增强生成功能。
%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)
