RAG-Retrieval

统一微调 RAG 检索模型，让召回更精准

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。

开源 free 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1131

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类搜索知识

开发团队NovaSearch-Team

所属国家

官网地址

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

定价模式free

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

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★ 1131

30天Star增速

HF 下载量

上线时间2024-03-16 00:00:00

最近更新2026-09-19 00:00:00

维护状态较活跃

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5

使用教程

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
```

如何确认成功

执行 pip show rag-retrieval 能显示已安装的包信息，即说明预测库安装成功；README 未给出训练成功与否的判定方式。

常见问题

Q：只想做 reranker 预测，需要装训练依赖吗？

A：不需要。README 区分了两条路径：训练用 pip install -r requirements.txt，预测用 pip install rag-retrieval。

Q：torch 和本地 CUDA 不兼容怎么办？

A：按 README 建议，在装 requirements.txt 或 rag-retrieval 之前，先手动 pip 安装与本地 CUDA 匹配的 torch 版本，再执行后续安装。

Q：这个框架能微调哪些检索模型？

A：支持任意开源 RAG 检索模型微调，包括 embedding 模型（bert 系、llm 系）、延迟交互模型 colbert 以及 reranker 模型（bert 系、llm 系）。

Q：支持把大模型蒸馏到小模型吗？

A：支持。README 说明可对 embedding 模型和 reranker 模型做蒸馏，从较大模型蒸馏到 0.5b LLM 或 bert-base 等小模型。

注意事项

README 只提供了安装方式，未给出训练、推理、蒸馏的具体命令与参数，实际使用需自行阅读仓库内脚本与配置。
训练与预测是两条独立安装路径，建议按用途选择，避免在同一环境中混装造成依赖冲突。
README 明确建议先手动安装兼容 CUDA 的 torch，再执行依赖安装，否则可能出现 torch 与本地 CUDA 不匹配。
README 中的仓库链接与项目主页给出的 GitHub 地址不一致，克隆时请以实际可访问的仓库为准。

核心亮点

统一覆盖 Embedding、ColBERT、ReRanker 三类检索模型，一套流程搞定微调
提供高效训练策略（如负采样、蒸馏），节省调参时间
接口设计清晰，易于集成到现有 RAG 流水线

不足之处

项目仍处于成长阶段，文档和社区生态有待完善
对新手不够友好，需要一定 RAG 和微调基础

适用场景

领域知识库检索优化，提升专业问答准确率
企业级 RAG 系统上线前的检索模型定制训练
研究对比不同检索模型微调效果的实验平台

替代项目

FlagEmbedding、sentence-transformers、Cohere Reranker

项目介绍

RAG-Retrieval 是模型训练领域的开源项目，由 NovaSearch-Team 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（1,131）位列前 30%，在模型训练分类中处于中上游。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-19。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：领域知识库检索优化，提升专业问答准确率。同类可对比的替代方案包括 FlagEmbedding、sentence-transformers、Cohere Reranker。

上一篇：GAN-XML-Fixer

下一篇：pylate