24个RAG框架横评：从RAGFlow到微软GraphRAG，该选哪个

核心洞察

这篇文章把 RAGRetrieval-Augmented Generation - an AI framework that combines information retrieval with language generation to produce more accurate and contextually relevant responses. 和 GraphRAGRAG方法的高级变体，引入图结构数据，将信息表示为实体和关系的互联网络，以提高检索的完整性和准确性。 两个方向的框架做了个清单式盘点，省去了你自己去 GitHub 一个个翻的功夫。17 个传统 RAG 加 7 个 GraphRAG，覆盖面挺全，从 AnythingLLM 这种开箱即用的产品到 FlashRAG 这种研究工具包都有。后半段画风一转开始推学习路线和资料包，这是 CSDN 上常见的套路，你心里有数就行。

核心结论

1. 文章盘点了 17 个传统 RAG 框架和 7 个 GraphRAG 框架，共 24 个开源项目，覆盖从开箱即用产品（如 AnythingLLM、MaxKB）到研究工具包（如 FlashRAG）的多种类型。

2. 传统 RAG 框架的核心流程为文本切块、向量化、存储、检索、重排、生成、评估，代表性项目包括 RAGFlow（主打深度文档理解）、QAnything（加入重排序机制）和 Dify（配置项丰富）。

3. GraphRAG 由微软推动兴起，核心改进是在传统 RAG 基础上加强实体、社区、文本切块之间的联系并融入知识图谱，目的是提高召回率和准确性，代表项目包括微软官方 microsoft-GraphRAG、轻量级 LightRAG 和 nano-GraphRAG。

4. 文章提出大模型 AI 学习的四阶段路线：第一阶段（10天）初阶应用、第二阶段（30天）高阶应用、第三阶段（30天）模型训练、第四阶段（20天）商业闭环，总计约 90 天。

5. 文章认为 AI Agent人工智能代理，指能够感知环境、自主决策并执行任务的智能软件实体。在微软框架中，Agent作为基本功能单元，具备目标导向的行为能力和环境交互能力。 火热的原因有三：技术变革大势所趋、先入场者有四到五年红利期、企业岗位需求旺盛。

17个传统 RAG 框架

传统 RAG 框架说白了就是把文本切块、向量化、存储、检索、重排、生成、评估这一整套流程串起来的系统。它的好处是灵活，文档怎么处理、检索用什么策略，都能自己调。比较有代表性的实现有 RAGFlow，主打深度文档理解；QAnything，加了重排序机制；还有 Dify，配置项多到几乎什么都能改。这些框架细节上各有各的做法，但大框架差不多。

下面这 17 个：

1、AnythingLLM，RAG 和 AI 代理能力都齐全。GitHub：https://github.com/Mintplex-Labs/anything-llm

2、MaxKB，基于大模型的知识库问答系统，即插即用，能快速嵌进第三方业务系统。GitHub：https://github.com/1Panel-dev/MaxKB

3、RAGFlow，基于深度文档理解的开源 RAG 引擎。GitHub：https://github.com/infiniflow/ragflow

4、Dify，开源的大模型应用开发平台。界面直观，AI 工作流、RAG 流程、代理、模型管理、可观测性都揉在一起了，原型到生产过渡比较快。GitHub：https://github.com/langgenius/dify

5、FastGPT，基于 LLMLarge Language Model, the underlying technology for generative AI. 的知识型平台，数据加工和模型调用开箱即用，工作流可以可视化编排。GitHub：https://github.com/labring/FastGPT

6、Langchain-Chatchat，基于 Langchain 和 ChatGLM 等模型的本地知识库问答。GitHub：https://github.com/chatchat-space/Langchain-Chatchat

7、QAnything，网易有道出的问答系统。GitHub：https://github.com/netease-youdao/QAnything

8、Quivr，用 Langchain、GPT-3.5/4 turbo、Anthropic、VertexAI、Ollama 等跟文档和应用程序交互，算是 OpenAI GPTs 和 ChatGPT 的本地私有替代品。GitHub：https://github.com/QuivrHQ/quivr

9、RAG-GPT，利用 LLM 和 RAG 技术从用户自定义知识库里学习，给各种查询提供上下文相关的答案。GitHub：https://github.com/open-kf/rag-gpt

10、Verba，Weaviate 驱动的 RAG 聊天机器人。GitHub：https://github.com/weaviate/Verba

11、FlashRAG，做高效 RAG 研究的 Python 工具包。GitHub：https://github.com/RUC-NLPIR/FlashRAG

12、LightRAG，检索器-代理-生成器式的 RAG 框架。GitHub：https://github.com/SylphAI-Inc/LightRAG

13、kotaemon，开源、干净、可定制的 RAG UI。GitHub：https://github.com/Cinnamon/kotaemon

14、RAGapp，企业里用 Agentic RAG 最简单的方式。GitHub：https://github.com/ragapp/ragapp

15、TurboRAG，通过预计算 KV 缓存加速 RAG，适合分块文本。GitHub：https://github.com/MooreThreads/TurboRAG

16、TEN，实时多模态 AI 代理框架。GitHub：https://github.com/TEN-framework/ten_framework

17、AutoRAG，RAG 的 AutoML 工具。GitHub：https://github.com/Marker-Inc-Korea/AutoRAG

7个 GraphRAG 框架

GraphRAG 是微软带火的，之后冒出来一堆轻量级改进版，比如 LightRAG 和 nano-GraphRAG。也有走不同路子的，像 KAG。这类框架的核心改动是在传统 RAG 基础上加强了实体、社区、文本切块之间的联系，再把现有知识图谱的知识融进去，目的是提高召回率和准确性。

这里列 7 个：

1、LightRAG，简单快速的 GraphRAG 检索增强生成。GitHub：https://github.com/HKUDS/LightRAG

2、GraphRAG-Ollama-UI，用 Ollama 跑的 GraphRAG，带 Gradio UI 和一些额外功能。GitHub：https://github.com/severian42/GraphRAG-Ollama-UI

3、microsoft-GraphRAG，微软官方的模块化图基 RAG 系统。GitHub：https://github.com/microsoft/graphrag

4、nano-GraphRAG，简单、好改的 GraphRAG 实现。GitHub：https://github.com/gusye1234/nano-graphrag

5、KAG，基于 OpenSPG 引擎的知识增强生成框架，面向严格决策和信息检索类知识服务。GitHub：https://github.com/OpenSPG/KAG

6、Fast-GraphRAG，GraphRAG 的轻量化版本。GitHub：https://github.com/circlemind-ai/fast-graphrag

7、Tiny-GraphRAG，一个小巧的 GraphRAG 实现。GitHub：https://github.com/limafang/tiny-graphrag

AI Agent 为啥这么火

第一，大势所趋。 我们正在经历的技术变革比当年互联网兴起那波更猛，掉队就等于淘汰。未来所有应用大概率都会被 AI Agent 重写一遍。

第二，红利期还在。 先入场的人至少能享受四到五年的红利，拿高薪，掌握更多资源。

第三，企业需求旺。 越来越多公司在 AI Agent 方向做创新尝试，岗位机会和发展空间都摆在那。

大模型 AI 怎么学

新岗位的生产效率高于被取代岗位的生产效率，所以整个社会的生产效率是提升的。

但落到个人身上，情况是这样的：

最先掌握 AI 的人，会比晚掌握的人有竞争优势。

这话放在计算机、互联网、移动互联网的开局时期，道理都一样。

我在一线互联网企业干了十余年，指导过不少同行后辈，帮不少人完成了学习和成长。

我意识到很多经验和知识值得分享，也能通过我们的能力帮大家解答人工智能学习中的困惑。所以工作再忙也在坚持整理和分享。但知识传播途径有限，很多朋友拿不到正确的资料，所以我把重要的 AI 大模型资料整理出来了，包括入门学习思维导图、精品学习书籍手册、视频教程、实战学习录播视频，免费分享。

这份完整版的大模型 AI 学习资料已经上传 CSDN，需要的话微信扫描下方 CSDN 官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

这个阶段让你对大模型 AI 有个最前沿的认识，理解程度超过 95% 的人。别人只会跟 AI 聊天，你能调教 AI，还能用代码把大模型和业务接起来。

• 大模型 AI 能干什么
• 大模型是怎样获得「智能」的
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• ……

第二阶段（30天）：高阶应用

正式进入进阶实战，学会构造私有知识库、扩展 AI 能力，快速开发一个完整的基于 agent 的对话机器人。掌握功能最强的大模型开发框架，跟上最新技术进展。适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings嵌入向量，将文本转换为数值向量，用于语义搜索、聚类等任务。）
• 向量数据库A database system designed to store and perform high-dimensional semantic similarity searches on vector embeddings of data.与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• ……

第三阶段（30天）：模型训练

学到这里，你基本可以找一份大模型 AI 相关的工作了，自己也能训练 GPT。通过微调训练自己的垂直大模型，独立训练开源多模态大模型，掌握更多技术方案。

到此为止大概两个月，你已经是个“AI 小子”了。还想往下走吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器与损失函数简介
• 小实验：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer 结构简介
• 轻量化微调
• 实验数据集的构建
• ……

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有个基本认知，能在云端和本地等多种环境下部署大模型，找到适合自己的项目或创业方向，做个被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• ……

学习是个过程，只要学就会有挑战。天道酬勤，越努力越优秀。

15 天内完成所有任务，你是天才。能完成 60% 到 70%，你已经具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传 CSDN，需要的话微信扫描下方 CSDN 官方认证二维码免费领取【保证100%免费】

常见问题（FAQ）

传统RAG框架和GraphRAG框架有什么区别？

传统RAG框架串联文本切块、向量化、检索、重排、生成等环节，灵活可调；GraphRAG则引入知识图谱，加强实体、社区与文本切块的联系，提高召回率和准确性。

有哪些好用的开源RAG框架推荐？

文章汇总了17个传统RAG框架，如RAGFlow、QAnything、Dify、FastGPT等，以及7个GraphRAG框架，如LightRAG、微软GraphRAG、nano-GraphRAG等，均附GitHub地址。

大模型AI学习路线分为哪几个阶段？

分为三个阶段：第一阶段10天初阶应用，理解大模型AI并学会调教；第二阶段30天高阶应用，实战构造私有知识库和Agent对话机器人；第三阶段30天模型训练，微调垂直大模型。