RAG-Retrieval

统一微调 RAG 检索模型，让召回更精准

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 88 🐛 待处理 3 👀 关注 9

GitHub ↗

GitHub 星标 ★ 1137

维护状态维护中

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，完全免费，可自行部署使用。

项目预览

RAG-Retrieval 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类搜索知识

开发团队NovaSearch-Team

GitHubhttps://github.com/NovaSearch-Team/RAG-Retrieval

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

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ai,llm,nlp,rag,retrieval-augmented-generation

GitHub 星标★ 1137

上线时间2024-03-16 00:00:00

代码更新2026-08-28

仓库体积3.1 MB

本站数据更新2026-11-09

维护状态维护中

收录时间2026-08-09

浏览次数6

项目介绍

RAG-Retrieval 是一个专注于统一 RAG（检索增强生成）检索环节高效微调的开源框架，覆盖 Embedding 模型、ColBERT 模型和 ReRanker 重排序模型三大核心组件。它解决了 RAG 系统中检索器各自为政、微调流程割裂、训练效率低下的问题，提供了一套统一的接口和训练流程，让开发者能便捷地对不同检索模型进行精细调优。项目核心能力包括：支持多种检索模型的统一微调、优化训练效率（如负采样、蒸馏等策略）、以及灵活的配置和扩展接口，旨在提升 RAG 系统整体检索精度和下游生成质量。适合需要定制检索模型以适配特定领域知识库的研发团队，是构建高性能 RAG 应用的基础设施工具。

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 ★ 1137

技术标签

ai llm nlp rag retrieval-augmented-generation

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 10 分钟部署方式：本地安装 4 步

环境要求

Python 3.8（README 指定用 conda 创建同名环境）
已安装 conda，可创建并激活虚拟环境
与本地 CUDA 版本兼容的 PyTorch（README 建议手动安装）
pip（用于安装训练依赖与 rag-retrieval 推理库）

安装与启动步骤

1创建并激活环境

用 conda 建立 Python 3.8 的独立环境，避免与其他项目依赖冲突；创建后必须在同一终端激活再装包。
```
conda create -n rag-retrieval python=3.8 && conda activate rag-retrieval
```
2获取项目代码

训练相关脚本和 requirements.txt 都在仓库内，需先克隆到本地并进入项目根目录。
```
git clone https://github.com/NovaSearch-Team/RAG-Retrieval.git
cd RAG-Retrieval
```
3安装训练依赖

在项目根目录执行；README 建议先手动安装与本地 CUDA 兼容的 torch，再装依赖，避免自动安装的 torch 版本不匹配。
```
pip install -r requirements.txt
```
4安装推理库

仅做 reranker 预测时使用，与训练依赖分开安装，同一环境内执行 pip 安装即可。
```
pip install rag-retrieval
```