R2R

一键部署生产级智能检索，让 RAG 应用开箱即用

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 653 🐛 待处理 132 👀 关注 44

GitHub ↗

GitHub 星标 ★ 8075

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，可自行部署，完全免费。

项目预览

项目数据

分类搜索知识

开发团队SciPhi-AI

GitHubhttps://github.com/SciPhi-AI/R2R

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，可自行部署，完全免费。

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artificial-intelligence,large-language-models,python,question-answering,rag,retrieval-augmented-generation,retrieval-systems,search

GitHub 星标★ 8075

上线时间2024-02-12 00:00:00

代码更新2025-11-07

仓库体积63.8 MB

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2

项目介绍

R2R 是一个面向生产环境的 AI 检索系统，专注于智能体检索增强生成（Agentic RAG）。它解决了传统 RAG 系统在部署和集成上的痛点，将文档摄取、分块、嵌入、向量存储、重排序、检索和生成等全流程封装为统一的 RESTful API，并支持多模态数据（文本、图像、音频等）的解析与检索。核心能力包括：端到端的 RAG 流水线编排、基于知识图谱的混合搜索（关键词+向量）、可配置的评估与优化机制、以及支持多智能体协作的 Agentic RAG 功能。系统采用模块化设计，支持自定义嵌入模型、向量数据库和重排序器，并提供了 Python 和 TypeScript 客户端 SDK，方便开发者快速集成。其目标是成为生产级 RAG 应用的事实标准，降低企业构建智能搜索和问答系统的门槛。

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 ★ 8075

技术标签

artificial-intelligence large-language-models python question-answering rag

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：本地安装 4 步

环境要求

Python 环境（可通过 pip 安装 r2r）
OpenAI API Key，配置到环境变量 OPENAI_API_KEY
使用全模式需安装 Docker 与 Docker Compose
全模式需要本地存在 compose.full.yaml 文件

安装与启动步骤

1安装 R2R

通过 pip 安装 R2R 包，这是 README 给出的 quick install 方式。
```
pip install r2r
```
2配置 API 密钥

设置 OPENAI_API_KEY 环境变量；示例中的 sk-... 需换成你自己的真实密钥。
```
export OPENAI_API_KEY=sk-...
```
3启动轻量服务

以 light 模式启动 R2R 服务，执行后保持终端运行以查看日志。
```
python -m r2r.serve
```
4全模式 Docker 启动

用 compose.full.yaml 的 postgres profile 启动完整模式，需在该文件所在目录执行。
```
docker compose -f compose.full.yaml --profile postgres up -d
```