CORTEX-AI-SUPER-RAG

让企业文档秒变带出处的问答助手,权限内精准找答案

开源 🏷️定价信息待确认 🔧 仅开源项目,无在线服务,需自行部署 搜索知识 🍴 复刻 289 🐛 待处理 13 👀 关注 24
GitHub ↗
GitHub 星标 ★ 1980
维护状态 维护中
是否开源 开源
定价模式 🏷️定价信息待确认

项目预览

CORTEX-AI-SUPER-RAG 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SaiAkhil066
定价模式🏷️定价信息待确认
价格说明定价信息待确认
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
GitHub 星标★ 1980
上线时间2025-01-30 00:00:00
代码更新2026-09-28
仓库体积158 KB
本站数据更新2026-11-15
维护状态维护中
收录时间2026-10-02
浏览次数2

项目介绍

CORTEX-AI-SUPER-RAG 是一个面向企业的检索增强生成(RAG)知识助手,用 Python 编写。它要解决的问题是:企业内部文档散落在网盘、知识库、工单系统里,员工靠关键词搜索往往找不到准确答案,或者找到的内容没有出处、无法确认是否该看。项目通过接入企业自有数据源,构建可检索的向量索引,在用户提问时先做权限过滤,再召回相关片段交给大模型生成回答,并附上引用来源,让答案可追溯、可验证。核心能力包括:权限感知检索(不同角色只能看到自己有权访问的内容)、带引用的回答生成、以及相对快速的部署流程,适合希望把内部知识用起来、又对数据安全和答案可信度有要求的团队。

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 2026-10-02 · 当前星标 ★ 1980

使用教程

难度:入门 约 15 分钟 部署方式:本地安装 5 步

环境要求

  • 已安装并正在运行 Ollama
  • Python 3.10 或更高版本
  • 需要拉取 llama3.1:8b 聊天模型与 nomic-embed-text 嵌入模型

安装与启动步骤

  1. 1克隆并进入目录

    从 GitHub 拉取源码并切换到项目目录,后续命令都在此目录下执行。

    git clone https://github.com/SaiAkhil066/CORTEX-AI-SUPER-RAG.git
    cd CORTEX-AI-SUPER-RAG
  2. 2安装 Python 依赖

    按 requirements.txt 安装全部依赖;建议先激活虚拟环境再执行。

    pip install -r requirements.txt
  3. 3拉取 Ollama 模型

    先启动 Ollama 服务,再拉取聊天模型和必需的嵌入模型,下载较慢请耐心等待。

    ollama pull llama3.1:8b
    ollama pull nomic-embed-text
  4. 4可选:修改配置

    复制示例配置文件,可按需修改模型、Ollama 地址和索引存储位置,不改也能直接运行。

    cp .env.example .env
  5. 5启动应用

    用 Streamlit 启动应用,启动后浏览器访问 http://localhost:8501 即可使用。

    python -m streamlit run app.py

如何确认成功

浏览器打开 http://localhost:8501,能上传 PDF/Word/文本并提问,回答中附带来源文件名与页码即成功。

常见问题

Q:Windows 首次运行报 c10.dll 错误怎么办?

A:安装 PyTorch 的 CPU 稳定版:pip uninstall torch -y && pip install "torch==2.5.1" --index-url https://download.pytorch.org/whl/cpu

Q:需要 API Key 或把文档上传到云端吗?

A:不需要。应用完全在本机运行、由 Ollama 提供推理,没有 API Key,也不会上传云端。

Q:聊天模型只能用 llama3.1:8b 吗?

A:不必,任意 Ollama 聊天模型都可以替换;但嵌入模型 nomic-embed-text 是必需的。

Q:怎么评估不同检索配置在自己文档上的效果?

A:运行 python -m eval.run_eval --golden my_questions.jsonl --collection contracts-2026 --configs naive hybrid app-default full --judge-model llama3.1:70b,报告输出到 eval/results/<时间戳>/。

注意事项

  • Linux 上可执行 ./install.sh,自动完成 Ollama 安装、模型拉取和依赖安装。
  • 关键词+语义检索、实体图、神经重排、LLM 相关性检查等技术可在侧边栏逐项开关。
  • 评估使用的 golden set 为 JSONL,每行一个问题,含 question/answer/source/page 字段;长任务可用 --resume <folder> 续跑。

核心亮点

  • 支持权限感知检索,不同角色只能召回自己有权访问的文档,适合企业内部多部门场景
  • 回答附带引用来源,便于人工核对,降低大模型幻觉带来的信任成本
  • Python 技术栈,部署流程相对轻量,团队可较快接入自有数据源验证效果

不足之处

  • 项目仍处成长阶段,生态和周边工具链不如成熟 RAG 框架完善
  • 文档与社区规模有限,遇到复杂权限模型或大规模数据时的最佳实践待观察

适用场景

  • 企业内部员工查询制度、流程、产品文档,要求答案有出处且不越权
  • 客服或售前团队快速从知识库中检索标准话术与解决方案
  • 研发团队在私有代码库和设计文档中做权限内的技术问答

替代项目

Dify、RAGFlow、LangChain

上一篇:rag-postgres-openai-python

下一篇:ApeRAG

同类项目推荐

gemini-obsidian 开源

在终端里用 Gemini 问答你的 Obsidian 笔记库

A Gemini CLI extension for interfacing with an Obsidian vault with local first RAG c···

★ 102 2026-10-25
LightRAG 开源

轻量级 RAG 框架,用知识图谱让问答更准更快

[EMNLP2025] LightRAG: Simple and Fast Retrieval-Augmented Generation

★ 40704 2026-08-09
Free-LLM 开源

34+ 免费大模型 API 一表查,免卡直接调

Directory of 34+ free LLM & AI APIs — permanent free tiers, trial credits, and no-c···

★ 1040 2026-09-16
ML-news-of-the-week 开源

每周精选AI要闻,帮你省时掌握前沿动态

A collection of the the best ML and AI news every week (research, news, resources)

★ 184 2026-08-09
second-brain-os 开源

让 AI 自动整理 Obsidian 笔记,知识库自己长大

Guides and resources for AI engineers: an agents course, five handbooks, a hands-on ···

★ 1576 2026-09-28
ragbuilder 开源

自动评估并调优 RAG 配置,快速上线生产级问答系统

A toolkit to create optimal Production-readyRetrieval Augmented Generation(RAG) setu···

★ 1542 2026-08-09
local-deep-research 开源

本地跑深度研究,多源检索自动出报告

~95% on SimpleQA (e.g. Qwen3.6-27B on a 3090). Supports all local and cloud LLMs (ll···

★ 9584 2026-10-29
cool-ai-stuff 开源

免费AI资源一网打尽,省时省力找替代

This repository contains a list of free to use AI APIs and sites. We are NOT endorsi···

★ 1211 2026-08-09
piragi 开源

让 RAG 集成像调用函数一样简单

The best RAG interface yet.

★ 132 2026-08-09