rag_api

基于 ID 的 RAG 服务，用 FastAPI + pgvector 快速搭建生产级检索增强生成 API。

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署搜索知识 🍴 复刻 415 🐛 待处理 57 👀 关注 7

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 921

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，可自行部署，完全免费。

项目预览

项目数据

分类搜索知识

开发团队LibreChat-AI

官网地址https://librechat.ai

GitHubhttps://github.com/LibreChat-AI/rag-api

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，可自行部署，完全免费。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型api,api-rest,embeddings,fastapi,langchain,pgvector,postgresql,psql,python,rag,vector,vector-database

GitHub 星标★ 921

上线时间2024-03-17 00:00:00

代码更新2026-10-23

仓库体积29.6 MB

本站数据更新2026-11-08

维护状态较活跃

收录时间2026-08-09

浏览次数2

项目介绍

rag_api 是一个基于 ID 的 RAG（检索增强生成）API 服务，使用 FastAPI 构建，并与 Langchain 和 PostgreSQL/pgvector 深度集成。它解决的核心问题是：在构建 RAG 应用时，如何高效地管理文档、分块、嵌入和检索，同时支持基于 ID 的精确操作（如更新、删除指定文档），避免传统 RAG 系统中因文档内容变化导致的向量库同步困难。项目提供了一套完整的 REST API，涵盖文档上传、分块、向量化、相似性搜索、文档删除与更新等核心能力，并利用 pgvector 作为向量存储，支持元数据过滤和混合检索。其设计强调生产可用性，提供了清晰的 API 文档和示例代码，适合作为构建企业级 RAG 服务的基础框架。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 921

技术标签

api embeddings fastapi langchain pgvector

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 30 分钟部署方式：Docker 4 步

环境要求

Docker 或本地 PostgreSQL 16
嵌入模型 API Key

安装与启动步骤

1准备数据库

索引依赖 PostgreSQL + pgvector 扩展，推荐直接用带扩展的镜像。
```
docker run -d --name pgvector -p 5432:5432 -e POSTGRES_PASSWORD=postgres pgvector/pgvector:pg16
```
2配环境变量

数据库连接串、嵌入模型凭据写在 .env，服务启动时读取。
```
DATABASE_URL=postgresql://postgres:postgres@localhost:5432/postgres
RAG_OPENAI_API_KEY=sk-xxx
```
3起服务

FastAPI 用 uvicorn 起，异步处理文档切分与向量写入。
```
pip install -r requirements.txt
uvicorn main:app --host 0.0.0.0 --port 8000
```
4灌文档

调 /embed 接口上传文件，服务会切块并写入向量表，之后用 /query 检索。