rag

用NVIDIA官方蓝图，快速搭出生产级RAG流水线

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 347 🐛 待处理 74 👀 关注 17 ⚠️ 作者已归档（停止维护）

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 821

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，Apache-2.0许可证，可免费使用和部署。

项目预览

项目数据

分类搜索知识

开发团队NVIDIA-AI-Blueprints

官网地址https://build.nvidia.com/nvidia/build-an-enterprise-rag-pipeline

GitHubhttps://github.com/NVIDIA-AI-Blueprints/rag

定价模式🏷️完全免费

价格说明开源项目，Apache-2.0许可证，可免费使用和部署。

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Apache-2.0

主要语言Python

技术栈/模型blueprint,nim,rag,retrieval-augmented-generation

GitHub 星标★ 821

上线时间2024-12-11 00:00:00

代码更新2026-11-03

仓库体积32.8 MB

本站数据更新2026-11-10

维护状态较活跃

收录时间2026-08-09

浏览次数2

项目介绍

这是NVIDIA推出的RAG参考蓝图，旨在为开发者提供一套基础但完整的检索增强生成（RAG）流水线实现。它解决了构建RAG系统时常见的架构设计、组件选型和性能调优难题，通过预置的模块化组件（如文档加载、向量化、检索、生成等）和清晰的代码示例，帮助开发者快速理解并搭建自己的RAG应用。核心能力包括：支持多种文档格式的解析与分块、集成主流向量数据库（如FAISS、Milvus）、提供灵活的检索策略（如混合检索、重排序）、以及无缝对接NVIDIA的加速推理服务（如TensorRT-LLM）来优化生成性能。该蓝图特别适合作为企业级RAG项目的起点，能够显著降低从概念验证到生产部署的工程复杂度。

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 ★ 821

技术标签

rag retrieval-augmented-generation

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：进阶约 30 分钟部署方式：本地安装 4 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

NVIDIA GPU（部分蓝图）
Docker
NGC API Key

安装与启动步骤

1确认是蓝图仓库

这是 NVIDIA 的 RAG 参考实现集合，不是单一应用。
```
git clone https://github.com/NVIDIA-AI-Blueprints/rag.git
cd rag
```
2装技能入口

新版本用 skills 把蓝图接进编码助手。
```
npx skills add .
```
3读蓝图目录

每个子目录是一个独立可部署的蓝图，看清楚再挑。
```
ls -d */ | head -n 20
```
4起向量库

RAG 蓝图基本都依赖向量库，先按子目录的 compose 起依赖。
```
docker compose up -d
```