针对大模型冷不丁出现的幻觉、胡编乱造、信息源过时等问题，检索增强生成（RAG）被视为是最佳的解决办法。

什么是 RAG？

把大模型想象为一位尽职的图书馆管理员，当你每次有疑问的时候，他就会根据你的口述需求，在浩瀚的文本中尽可能的找到最符合你需求的书籍。

而一旦图书馆并没有相关藏书，或内容已过时，我们的这位尽职管理员可不会承认自己的无能，一顿输出猛如虎，结果一看全错。

RAG 是一层额外的“知识外挂”。好比给这位管理员额外增补了相关领域的知识，这样它回答出的问题会变得更加精准。这样你就可以放心的让这位管理员，精准解答其他客户所提出疑惑。

用更学术的角度来解释，RAG 的工作原理是从知识库中检索相关信息，并用来增强 LLM 的输入，从而使模型能够生成更准确、最新且与上下文相关的响应。

图中间的“检索”单元即为 RAG

RAG 框架将检索的系统的优势与生成模型相结合，实现更准确、上下文感知和最新的响应。这种方法有助于克服知识截止日期等限制，并降低 LLM 输出中出现幻觉的风险。

随着对复杂 AI 解决方案的需求不断增长，GitHub 上出现了大量开源 RAG 框架，每个框架都提供独特的特性和功能。

1. Haystack

Github 星数：14,600

地址：https://haystack.deepset.ai/

Haystack 是一个强大而灵活的框架，用于构建端到端问答和搜索系统。它提供了一个模块化架构，允许开发人员轻松地为各种 NLP 任务创建管道，包括文档检索、问答和摘要。Haystack 的主要功能包括：

• 支持多种文档存储（Elasticsearch、FAISS、SQL 等）

• 与流行语言模型（BERT、RoBERTa、DPR 等）集成

• 用于处理大量文档的可扩展架构

• 用于构建自定义 NLP 管道的易于使用的 API

2. RAGFlow

Github 星数：11,600

地址： https://github.com/infiniflow/ragflow

RAGFlow 是 RAG 框架领域的一个相对较新的进入者，但由于其对简单性和效率的关注，它很快就获得了关注。该框架旨在通过提供一组预构建的组件和工作流程来简化构建基于 RAG 的应用程序的过程。RAGFlow 的显着功能包括：

• 直观的工作流程设计界面

• 针对常见用例的预配置 RAG 管道

• 与流行的矢量数据库集成

• 支持自定义嵌入模型

RAGFlow 的用户友好方法使其成为想要快速原型设计和部署 RAG 应用程序而无需深入研究底层复杂性的开发人员的一个有吸引力的选择。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈

3. Txtai

Github 星数：7500

地址： https://github.com/neuml/txtai

txtai 是一个多功能的人工智能驱动的数据平台，超越了传统的 RAG 框架。它提供了一整套用于构建语义搜索、语言模型工作流程和文档处理管道的工具。txtai 的主要功能包括：

• 用于高效相似性搜索的嵌入数据库

• 用于集成语言模型和其他人工智能服务的API

• 自定义工作流程的可扩展架构

• 支持多种语言和数据类型

4. STORM

Github 星数：14,600

地址：https://haystack.deepset.ai/

STORM（Stanford Open-source RAG Model）是斯坦福大学开发的一个研究型RAG框架。虽然与其他一些框架相比，它的明星数量可能较少，但其学术血统和对尖端技术的关注使其成为对 RAG 技术最新进展感兴趣的研究人员和开发人员的宝贵资源。STORM 值得注意的方面包括：

• 新颖的 RAG 算法和技术的实现

• 注重提高检索机制的准确性和效率

• 与最先进的语言模型集成

• 大量的文档和研究论文

5. LLM-App

Github 星数：3400

地址：https://github.com/pathwaycom/llm-app

LLM-App 是用于构建动态 RAG 应用程序的模板和工具的集合。它因专注于实时数据同步和容器化部署而脱颖而出。LLM-App的主要功能包括：

• 可立即运行的 Docker 容器，用于快速部署

• 支持动态数据源和实时更新

• 与流行的 LLMs 和矢量数据库集成

• 适用于各种 RAG 用例的可定制模板

将 RAG 与 AI 相结合

有大神已将部分 RAG 框架封装为 API，你可以很方便地将 RAG 服务与 AI 相结合起来。Anakin.ai 平台内置了国内外领先的 AI 大模型，你可以通过 Workflow 功能，打造出专属的 AI 工作流！

除了进阶的 Workflow 编排功能，你还可以一站式体验 Claude 3.5、 Gemini 1.5 Flash 以及 Meta 最新推出的 Llama-3。

搭建好的 AI 应用支持 API 调用，可以任意集成至各个 App 内。

文字生成 AI 图片也是必须得有，已支持 Stable Diffusion XL 和 DALL·E 绘图模型。

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈

学习路线

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓