首页项目文章PK榜关于
探索项目

R2R

不活跃
GitHub Python MIT

简介

生产级 Agentic RAG 系统，提供 RESTful API 和完整的多模态文档解析、混合搜索、知识图谱构建能力，支持 Agent 化的检索增强生成流程。

核心特性

  • 生产级 Agentic RAG 系统，提供 RESTful API 用于检索增强生成工作流
  • 多模态文档摄入，支持 .txt、.pdf、.json、.png、.mp3 等多种格式
  • 混合搜索结合语义搜索和关键词搜索，使用倒数排名融合
  • 自动知识图谱构建，提取实体和关系
  • Deep Research API，支持跨知识库和互联网源的多步推理
  • 完整的用户和访问管理，支持身份验证和基于集合的组织

适用场景

💡 构建企业知识管理系统，实现智能文档检索
💡 创建基于公司内部文档和数据的 AI 问答系统
💡 实现深度研究工作流，结合私有数据和网络资源
💡 部署具有完整身份验证和访问控制的生产级 RAG 管道

优势与不足

✅ 优势

  • • 社区热度高（8.0k stars）
  • • 开源许可证友好（MIT）
  • • 项目有一定历史沉淀（已维护 2 年）

⚠️ 不足

  • • 已超过 10 个月未更新

标签

rag retrieval knowledge-graph multimodal rest-api agent

分类

📚 RAG 工具

快速开始

安装：pip install r2r。设置 OPENAI_API_KEY。运行：python -m r2r.serve。使用 client = R2RClient(base_url='http://localhost:7272') 进行 API 访问。
访问 GitHub

相关项目

KAG

9.0k · Python
不活跃 B

KAG 是基于 OpenSPG 引擎和 LLM 的逻辑形式引导推理与检索框架，用于构建专业领域知识库的逻辑推理和事实问答解决方案，有效克服传统 RAG 向量相似度计算模型的不足。

knowledge-graphragreasoning +2
  • · 知识与文本双向索引：知识图谱节点与原文分块互相索引，保留完整上下文信息
  • · 逻辑形式引导的混合推理：将自然语言问题转化为形式化逻辑推理，支持精确匹配、文本检索、数值计算与语义推理
  • · Schema 约束的知识构建：兼容自由信息抽取与领域专家知识的结构化表示
查看完整详情 → 在 GitHub 查看

Graphiti

30.7k · Python
活跃 A+

Graphiti 是面向 Agent 记忆的时序知识图谱引擎，帮助系统持续沉淀长期上下文。

memoryknowledge-graphrag +1
  • · 时序事实管理 — 每个事实具有时间窗口，旧事实被失效而非删除，可查询当前或历史任意时刻的真实状态
  • · 溯源与血缘追踪 — 每个实体和关系追溯到产生它的原始数据（Episodes），完整的推导事实到数据源的血缘
  • · 混合检索 — 结合语义嵌入、关键词 BM25 和图遍历实现低延迟高精度查询，无需依赖 LLM 摘要
查看完整详情 → 在 GitHub 查看

LanceDB

11.4k · Rust
活跃 A

开源的多模态嵌入式向量检索库，支持零服务器部署，提供 Lance 列式格式实现高效向量搜索和过滤，适用于 AI Agent 长期记忆与 RAG 场景。

vector-databaseembeddingsretrieval +2
  • · 毫秒级向量搜索，支持数十亿向量的高性能索引和检索
  • · 综合搜索能力：向量相似度搜索、全文搜索和 SQL 查询三合一
  • · 多模态支持：存储和查询文本、图像、视频、点云等多种数据类型
查看完整详情 → 在 GitHub 查看

GraphRAG

35.9k · Python
活跃 A+

微软开源的基于知识图谱的模块化检索增强生成（RAG）系统，利用大语言模型从文本中提取结构化知识图谱，支持全局和局部社区摘要查询。

graphragragknowledge-graph +3
  • · 知识图谱构建 — 使用 LLM 从非结构化文本中自动提取实体和关系，构建结构化知识图谱
  • · 社区检测与摘要 — 基于 Leiden 算法对知识图谱进行社区检测，并生成层级摘要
  • · 全局查询 — 通过社区摘要回答需要跨文档推理的全局性问题
查看完整详情 → 在 GitHub 查看