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128 收藏
点赞数 1
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.csdn.net/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
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
RAG技术知识图谱概览
05-22
RAG技术知识
CVP架构的企业级知识库落地
05-26
3. 利用本地知识库+通过RAG机制实现检索生成增强，落地实现企业级本地知识库机器人方案。（为了提高检索的效率和准确性，采用了RAG（Retrieval-Augmented Generation）机制。这是一种先进的信息检索技术，它结合了...
RAG实战：Ollama+MaxKB本地知识库部署
2401_85390073的博客
07-04 835
相对来说，容易安装且功能较完善，30 分钟内即可上线基于本地大模型的知识库问答系统，并嵌入到第三方业务系统中。缺点是如果你的电脑配置不高，问题回答响应时间较长。
QAnything知识库问答系统离线部署（LLM+RAG）
04-28 2301
QAnything 是网易有道开源的一个问答系统框架，支持私有化部署和SaaS服务两种调用形式。它能够支持多种格式的文件或数据库，提供准确、快速和可靠的问答体验。目前已支持的文件格式包括PDF、Word、PPT、Markdown、Eml、TXT、图片（jpg、png等）以及网页链接等。
开源的 RAG 和 workflow 技术对比调研
Angus
05-03 1671
我自己就是做RAG工作的，但是还是想关注一下开源的技术做到了什么程度。所以调研了很长时间，也体验了一下。这里写一篇文章来分享一下结果。我用五一的假期时间，来做调研，看代码，做测试，写文章。为大家贡献资料。这里先说一下自己的感受吧：这些开源的技术，还是各有所长的。应该结合融合到一起，才能更好的完成我们的生产需求。但是开源的文档解析最多能做到60%的效果。
本地知识库开源框架Quivr、QAnything产品体验
小生测试的博客
05-30 1081
Quivr 是一个开源的 RAG 框架，用于部署和使用 AI 助手，可以充当个人助理。它提供了一个平台，用户可以创建称为“大脑”的 AI 助手，这些助手具有专门的功能。一些助手可以连接到特定数据源，包包括文本、图像、文档，允许用户直接与数据交互，而其他工具则作为特定用例的专用工具，由 RAG 技术提供支持。这些工具处理特定的输入以生成实际输出，例如摘要、翻译等。Quivr 可以被视为用户的第二大脑，为其提供个性化的支持和服务。官网：https://www.quivr.app。
有道开源RAG引擎 QAnything 版本更新啦
youdaotech的博客
01-20 637
QAnything 受到广大开发者的密切关注，开源近两周，star迅速涨到接近2000，昨日QAnything进入到了github的trending版。安装过程更简单，体验更流畅、部署选择更多。
网易RAG问答知识库开源了，Star 6K！！
深入Java世界：探索编程之美与技术深度
04-05 1286
目前已支持格式: PDF(pdf)，Word(docx)，PPT(pptx)，XLS(xlsx)，Markdown(md)，电子邮件(eml)，TXT(txt)，图片(jpg，jpeg，png)，CSV(csv)，网页链接(html)等。检索（Retrieval）：使用 Embedding 模型将用户输入问题转换为向量，计算问题的 Embedding 向量和语料库中文本块 Embedding 向量之间的相似度，选择相似度最高的前 K 个文档块作为当前问题的增强上下文信息。
开源项目QAnything：全能型本地知识库问答系统
人工智能讲师分享前沿技术
06-14 1118
在当今信息爆炸的时代，如何高效地管理和检索大量数据成为了一个重要课题。网易有道推出的开源项目QAnything，正是为了解决这一问题而生。QAnything是一个本地知识库问答系统，支持多种文件格式和数据库，允许用户在离线状态下进行安装和使用。用户只需将任何格式的本地存储文件放入系统，即可获得准确、快速且可靠的答案。
【LLM-RAG】知识库问答 | 检索 | embedding
发现问题，并解决问题，批判性思维
01-01 3846
RAG流程（写作论文中的background：公式设定、emb、召回内容、召回基准）（工作中的思路《A Survey on Retrieval-Augmented Text Generation》该工作旨在对检索增强文本生成进行研究。主要核心的点如下：1、Retrieval Source知识来源源 训练语料：有标注的训练数据直接作为外部知识；外部数据：支持提供训练数据之外的外部知识作为检索来源，比如于任务相关的领域数据，实现模型的快速适应； 无监督数据：前两种知识源都需要一定的人工标注来完善“检索依据-
LLM-RAG-WEB 大模型本地知识库召回
03-01
https://github.com/lonngxiang/LLM-RAG-WEB
RAG实战代码及知识库
03-13
在本资源中，“RAG实战代码及知识库”是一个针对自然语言处理领域的实践项目，它基于yuan2.0大模型构建了一个名为RAG（Retrieval-Augmented Generation）的系统。RAG是一种混合了检索和生成两种能力的模型，它能够...
开源代码基于 ChatGLM+ Langchain 增强生成(RAG)大模型知识库增强问答系统
06-06
【开源代码】基于 ChatGLM+ Langchain 增强生成(RAG)大模型知识库增强问答系统 基于 ChatGLM 等大语言模型与 Langchain 等应用框架实现，开源、可离线部署的检索增强生成(RAG)大模型知识库项目。思想实现的基于本地...
2024年公关服务行业分析报告.pptx
07-09
行业报告
惠州市建筑物矢量数据（Shp格式+带高度）.txt
最新发布
07-09
因文件较多，数据存放网盘，txt文件内包含下载链接及提取码，永久有效。失效会第一时间进行补充。
Matlab语言教程及案例
07-09
项目总结 本文详细介绍了Matlab的基础知识和一个完整的数据分析与可视化案例。内容包括： 1. **基本操作**：基本算术运算和矩阵操作。 2. **绘图**：二维和三维绘图。 3. **函数和脚本**：编写和运行Matlab函数和脚本。 4. **案例分析**：生成模拟数据，进行数据预处理、绘图和统计分析。 通过这个项目，读者可以掌握Matlab的基本使用方法，并了解如何在Matlab中进行数据分析和可视化。这对于初学者入门Matlab编程、提升数据处理和分析能力非常有帮助。希望本文能为读者提供有价值的参考，提升其Matlab编程和数据分析技能。
KB8825英文数据手册
07-09
三星KB8825英文数据手册
述职报告（08）PPT模板.pptx
07-09
述职报告（08）PPT模板.pptx
Retrieval-Augmented Generation讲解
11-11
在问答和对话的场景下，通常可以通过检索和生成两种方式得到一个回复。检索式回复是在外部知识 库中检索出满意的回复，较为可靠和可控，但回复缺乏多样性；而生成式回复则依赖于强大的语言模 型中储存的内部知识，不可控，解释性差，但能生成更丰富的回复。把检索和生成结合起来， Facebook AI research 联合 UCL 和纽约大学于 2020 年提出：外部知识检索加持下的生成模型， Retrieval-Augmented Generation (RAG) 检索增强生成。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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