FlashRAG

一键复现主流RAG算法，快速搭建实验流水线

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 332 🐛 待处理 41 👀 关注 20

GitHub ↗

GitHub 星标 ★ 3604

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，MIT许可证，完全免费，可自行部署使用。

项目预览

项目数据

分类开源模型

开发团队RUC-NLPIR

GitHubhttps://github.com/RUC-NLPIR/FlashRAG

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benchmark,datasets,large-language-models,retrieval-augmented-generation

GitHub 星标★ 3604

上线时间2024-03-14 00:00:00

代码更新2026-10-27

仓库体积40.2 MB

本站数据更新2026-11-09

维护状态较活跃

收录时间2026-08-09

浏览次数4

项目介绍

FlashRAG 是一个面向高效检索增强生成（RAG）研究的 Python 工具包，由 WWW2025 资源论文支持。它旨在解决 RAG 研究和应用中存在的复现成本高、组件集成繁琐、实验管理混乱等问题。核心能力包括：提供 12 种预处理的基准数据集和 36 种以上 RAG 算法实现，覆盖朴素、高级、模块化等多种范式；支持与 LlamaIndex 等框架对比的标准化评估；内置多种检索器（如 BM25、E5）和生成模型接口；提供灵活的组件化流水线，便于用户自定义和快速迭代。FlashRAG 通过统一的数据处理、模型调用和评估流程，显著降低了 RAG 实验的搭建门槛，帮助研究者快速验证新想法，帮助开发者高效构建 RAG 应用。

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 ★ 3604

技术标签

benchmark datasets large-language-models 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：入门约 10 分钟部署方式：库/依赖 5 步

环境要求

Python 3.10+（源码克隆安装时要求）
pip 包管理工具
git（用于克隆仓库）
conda（可选，用于安装 faiss）
可选 GPU 环境（安装 vllm 等加速组件时使用）

安装与启动步骤

1pip 快速安装

无需下载源码，直接用 pip 安装 FlashRAG 预发布版本，适合只想调用工具包的用户。
```
pip install flashrag-dev --pre
```
2克隆源码安装

需要改代码或开发时使用；克隆后进入目录以可编辑模式安装，需 Python 3.10+。
```
git clone https://github.com/RUC-NLPIR/FlashRAG.git
cd FlashRAG
pip install -e .
```
3安装全部额外依赖

README 提供了一键安装 full 依赖的方式，适用于不想逐个挑选组件的场景。
```
pip install flashrag-dev[full]
```
4按需安装可选组件

想加速推理装 vllm，想用向量检索模型装 sentence-transformers，想用 BM25 装 pyserini。
```
pip install vllm>=0.4.1
pip install sentence-transformers
pip install pyserini
```
5确认安装结果

上述安装命令执行完毕且无报错即安装成功；faiss 无法用 pip 安装，需按 README 用 conda 命令单独安装。