RAGxplorer

可视化 RAG 内部流程，快速定位检索问题

RAGxplorer 是一个开源的可视化工具，专门用于理解和调试基于检索增强生成（RAG）的应用。它解决了 RAG 系统中“黑盒”问题，即开发者难以直观看到文档如何被切分、嵌入以及检索结果为何如此。核心能力包括：交互式可视化文档块（chunk）的向量空间分布，展示查询与文档之间的相似度关系，支持上传自定义文档（如 PDF）并实时生成向量索引，帮助用户调整切分策略、嵌入模型或检索参数。通过直观的界面，用户能快速识别检索失败的原因，例如文档块重叠、语义不匹配或索引错误，从而优化 RAG 管道。该工具基于 Jupyter Notebook 构建，易于集成到现有工作流中，适合 AI 工程师、数据科学家和研究者使用。

开源 free 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1222

维护状态低维护

是否开源是

定价模式 free

项目数据

分类搜索知识

开发团队gabrielchua

所属国家

官网地址

GitHubhttps://github.com/gabrielchua/RAGxplorer

定价模式free

价格说明开源工具，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Jupyter Notebook

技术栈/模型interactive,llm,python,rag,streamlit,visualization

GitHub 星标★ 1222

30天Star增速

HF 下载量

上线时间2024-01-11 00:00:00

最近更新2026-09-17 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

难度：入门约 10 分钟部署方式：库/依赖 5 步

环境要求

已安装 Python 与 pip，能执行 pip install
准备一个本地 PDF 文档（README 示例为 presentation.pdf）
如需按官方教程逐步操作，需有 Jupyter 或 Colab 环境
安装后需能导入 ragxplorer 包并在 Python 中运行

安装与启动步骤

1安装 RAGxplorer

用 pip 从 PyPI 安装 ragxplorer 库，建议在虚拟环境中执行以避免依赖冲突。
```
pip install ragxplorer
```
2创建客户端

在 Python 中导入 RAGxplorer 并用 embedding_model 参数实例化客户端，模型名按需替换。
```
from ragxplorer import RAGxplorer
client = RAGxplorer(embedding_model="thenlper/gte-large")
```
3加载 PDF 文档

把示例文件名换成你自己的 PDF 路径；verbose=True 会输出加载过程的详细信息，便于排查。
```
client.load_pdf("presentation.pdf", verbose=True)
```
4可视化查询

传入要检索的问题，工具会生成查询与文档块的向量可视化，用于观察检索结果是否合理。
```
client.visualize_query("What are the top revenue drivers for Microsoft?")
```
5参考官方教程

按 README 给出的 quickstart notebook 逐步操作，或直接在 Colab 中打开同一教程运行。

关键配置

配置项	必填	说明	示例
`embedding_model`	是	实例化客户端时指定用于生成向量嵌入的模型	`thenlper/gte-large`
`verbose`	否	load_pdf 的参数，是否输出加载文档的详细过程	`True`

如何确认成功

按 README 示例依次执行导入、load_pdf、visualize_query，无报错并输出查询与文档块的可视化图即表示运行成功。

常见问题

Q：运行 load_pdf 报文件不存在怎么办？

A：README 示例用的是本地文件 presentation.pdf，需把该参数替换为你本机实际存在的 PDF 文件路径后再运行。

Q：可以直接在线体验而不本地安装吗？

A：README 提供了 Streamlit 在线 Demo：https://ragxplorer.streamlit.app/ ，可先在线查看效果。

Q：想按步骤学习完整用法看哪里？

A：README 给出 quickstart notebook：https://github.com/gabrielchua/RAGxplorer/blob/main/tutorials/quickstart.ipynb ，也可通过其中的 Colab 链接打开运行。

Q：embedding_model 只能用示例里的那个吗？

A：README 仅示例了 thenlper/gte-large，该参数为创建客户端时传入的模型名，可按自己的需求更换为其他模型名。

注意事项

RAGxplorer 以 Python 库形式使用，核心用法是从 ragxplorer 导入 RAGxplorer 类并调用其方法。
README 中只给出了 pip 安装方式，未提供 Docker 或其他部署命令。
项目基于 Jupyter Notebook 构建，配合官方 quickstart 教程使用体验更完整。
项目采用 MIT 许可证，欢迎按仓库中的 contributing 指南参与贡献。

核心亮点

交互式散点图直观展示文档块和查询的向量关系，调试效率高
支持上传 PDF 等自定义文档，无需预构建数据集即可试用
轻量级，基于 Jupyter Notebook，易于扩展和定制

不足之处

主要面向技术用户，非程序员上手门槛较高
文档和社区支持相对有限，功能迭代速度待观察

适用场景

RAG 应用开发中调试检索质量
教学演示 RAG 原理与向量检索过程
优化文档切分和嵌入策略

替代项目

LangChain、LlamaIndex、RAGFlow

项目介绍

RAGxplorer 是搜索知识领域的开源项目，由 gabrielchua 开发，2024 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（1,222）位列前 30%，在搜索知识分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-17。开源工具，MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：RAG应用开发中调试检索质量。同类可对比的替代方案包括 LangChain、LlamaIndex、RAGFlow。

上一篇：youtu-graphrag

下一篇：raglite