raptor

把文档建树，检索时既能看细节又能看全局

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 236 🐛 待处理 44 👀 关注 20

GitHub ↗

GitHub 星标 ★ 1779

维护状态低维护

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，需自行部署使用。

项目预览

项目数据

分类搜索知识

开发团队parthsarthi03

GitHubhttps://github.com/parthsarthi03/raptor

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，需自行部署使用。

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agents,clustering,framework,language-model,llm,machine-learning,rag,retrieval,retrieval-augmented-generation,vector-database

GitHub 星标★ 1779

上线时间2024-02-27 00:00:00

代码更新2024-09-03

仓库体积836 KB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数1

项目介绍

RAPTOR 是论文《Recursive Abstractive Processing for Tree-Organized Retrieval》的官方实现，提出了一种全新的检索增强生成（RAG）方法。传统 RAG 只做块级检索，难以处理跨段落或全局性的问题。RAPTOR 通过递归地对文本块进行聚类、摘要和嵌入，构建一棵多层次树状索引。检索时，系统根据查询语义在树的不同层级选择最相关的节点，既能获取细粒度细节，也能捕获全局上下文。核心能力包括：递归摘要生成、基于聚类的树构建、以及结合查询的自适应检索策略。该实现支持多种嵌入模型和聚类算法，并提供了与 LangChain 集成的示例。它解决了长文档问答中信息分散、上下文丢失的问题，显著提升了对整体性问题的回答质量。

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 ★ 1779

技术标签

agents clustering framework language-model llm

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

Python 3.8 或更高版本
pip 包管理工具
可用的 OpenAI API Key（用于调用语言模型）
能访问 GitHub 与 PyPI 的网络环境

安装与启动步骤

1克隆 RAPTOR 仓库

把官方仓库下载到本地，命令执行后会生成 raptor 目录。
```
git clone https://github.com/parthsarthi03/raptor.git
```
2进入项目目录

切换到刚克隆下来的仓库根目录，后续命令都在此目录执行。
```
cd raptor
```
3安装依赖

按 requirements.txt 一次性安装项目所需的全部 Python 依赖包。
```
pip install -r requirements.txt
```
4配置 OpenAI 密钥

在代码中通过环境变量写入你的 OpenAI API Key，否则调用模型会失败。
```
import os
os.environ["OPENAI_API_KEY"] = "sk-xxxxxxxxxxxxxxxx"
```
5初始化并调用

导入 RetrievalAugmentation 并使用默认配置实例化，即完成基本接入。
```
from raptor import RetrievalAugmentation

RA = RetrievalAugmentation()
```