LettuceDetect开源项目 – 轻量高效的RAG系统幻觉检测工具

chromem-go是一个专为Go语言设计的嵌入式向量数据库，无需依赖外部数据库即可实现检索增强生成（RAG）等功能。它轻量级、易于集成，支持多线程处理，查询效率极高，适用于多种应用场景。

RAGFoundry是一个专注于增强大型语言模型在检索增强生成任务中表现的专业框架，通过微调技术实现快速原型设计与实验，旨在提高模型的生成质量和适应性。

高级检索增强生成(RAG)技术合集，包含10种先进RAG实现方案的详细教程。从基础的Naive RAG到高级的Adaptive RAG，提供完整的代码实现和评估方法。使用LangChain、Pinecone等主流工具，适合研究人员和开发者学习和实践RAG技术

Zilliz Cloud Pipelines 是一个AI驱动的检索服务，旨在帮助AI应用开发者专注于构建自定义的AI应用，例如RAG，同时优化质量和简化开发运维流程。

SaltAI_Language_Toolkit是ComfyUI平台的增强型语言处理工具，集成了检索增强生成（RAG）工具Llama-Index、微软AutoGen和LlaVA-Next，旨在提升平台的功能和用户体验，提供更高效的语言处理能力。

一款专注于上下文理解和检索增强生成的6B大模型，旨在提升机器在理解和生成文本方面的应用能力。该模型通过先进的算法和丰富的训练数据，能够在各种自然语言处理任务中表现出色，尤其在对话系统和信息检索等领域，提供更为精准和相关的结果。

spRAG是一个专为非结构化数据设计的高性能检索增强生成（RAG）框架，特别擅长处理复杂查询，如财务报告和法律文件。它通过高效的检索和生成机制，帮助用户从大量非结构化数据中快速提取有用信息，提升数据分析和信息检索的效率。

KRAGEN结合知识图谱、检索增强生成（RAG）和高级提示技术，旨在通过将知识图谱转换为向量数据库，利用RAG技术检索相关事实，并辅以图思考（GoT）技术动态分解问题，最终提供高效的解决方案。

检索增强生成（RAG）是指在大型语言模型回答问题之前，从外部知识库中检索相关信息，以提高答案的准确性和减少模型的幻觉现象。该方法结合了参数化知识与非参数化外部知识库，能够引用来源，从而增加答案的透明度，并支持知识的更新和特定领域知识的引入。

RAG-Survey是一个汇集了关于大型语言模型检索增强生成(RAG)的最新研究文献资源列表的平台，提供文献的分类和标签功能，方便用户查找和贡献相关文献，促进RAG领域的研究和交流。

LlamaParse是一款专门用于解析包含表格、图表和图像的复杂幻灯片的工具，能够生成视觉丰富的报告，支持文本和图像的混合输出。它支持多模态功能，能够处理多种数据源，并实现文本和图像块的向量索引。此外，LlamaParse还能生成结构化输出，便于创建复杂的报告，并与RAG（检索增强生成）技术集成，提升报告生成的质量和效率。

LLMClient是一个用于构建检索增强生成（RAG）、推理、函数调用代理、LLM智能体、追踪和日志记录的简单库，旨在帮助开发者更加高效地利用大型语言模型。

NanoLLM 是一个专门为大语言模型(LLM)提供优化本地推理的平台，支持 HuggingFace 风格的 API，具备量化、视觉/语言模型、多模态Agent、语音处理、矢量数据库集成和检索增强生成(RAG)等功能。

Galactic是一个用于处理大规模非结构化文本数据集的工具，提供清理和筛选功能，旨在筛选微调数据集、创建用于检索增强生成(RAG)的文档集合，甚至对LLM预训练Web规模数据集进行去重。

localGPT-Vision是一个通过视觉语言模型与文档进行对话的项目，采用了端到端的检索增强生成（RAG）流程，支持本地和专有的视觉语言模型，旨在提高文档交互的效率和准确性。