ArXiv ChatGuru使用LangChain和Redis技术，使ArXiv庞大的科学论文库变得更加互动。该系统通过主题检索相关论文并生成嵌入向量，帮助用户以问答形式探索学术内容，提高科研文献的易接触性和理解度。

这个开源项目提供了一个智能写作和思维助手，通过检索相关笔记和文档来帮助撰写特定章节，并基于日常日志反思每周进展。项目采用retrieval-augmented generation模式，适用于多种场景。页面详细介绍技术实现以及快速启动方法，支持定制路径配置和插件安装。

RAGatouille是一个开源的检索增强生成(RAG)工具包,专注于将先进的检索方法应用于RAG管道。它集成了ColBERT等最新研究成果,提供简单易用的API接口用于模型训练、文档索引和检索。RAGatouille的设计理念是模块化和易用性,同时保持高度可定制性。通过优化检索性能,该工具包旨在提升RAG系统的整体效果,促进信息检索技术在实际应用中的发展。

该研究对检索增强生成(RAG)技术进行了系统性调查和分类。文章全面总结了RAG的基础方法,包括基于查询、潜在表示和logit的技术,以及新兴的推测性RAG。同时深入探讨了RAG的多种增强策略,涵盖输入优化、检索器改进和生成器增强等关键方面。这份综述为AI领域的研究人员和开发者提供了RAG技术的最新进展概览,有助于把握未来研究方向。

LongRAG项目推出新型检索增强生成框架，采用4K token长检索单元提升RAG性能。项目核心包括长检索器和长阅读器，平衡检索与阅读任务复杂度。除提供完整代码实现，还开放处理后的语料库数据集。这为研究长文本LLM与RAG结合提供了重要资源，有助于探索该领域的未来发展方向。

MultiHop-RAG是一个评估检索增强生成(RAG)系统跨文档能力的问答数据集。它包含2556个多跳查询，每个查询的证据分布在2至4个文档中，并考虑文档元数据，模拟真实RAG应用中的复杂场景。该项目提供检索和问答示例以及评估脚本，帮助研究人员和开发者改进RAG系统的多文档推理能力。

FlashRAG是一个专为检索增强生成(RAG)研究设计的Python工具库。该库预处理了32个RAG基准数据集,实现了14种先进RAG算法。FlashRAG提供检索器、重排器、生成器和压缩器等组件,支持灵活构建RAG流程。通过整合vLLM、FastChat和Faiss等工具,FlashRAG优化了执行效率。研究人员可借助该库轻松复现已有RAG方法或开发新的RAG流程。

GNN-RAG项目探索了图神经网络在大语言模型推理中的应用。该方法在密集子图上进行推理，检索候选答案和推理路径，结合了GNN的结构化推理和LLM的自然语言处理能力。项目提供了GNN实现和基于RAG的LLM问答系统的代码，以及实验结果。研究表明，这种方法在知识图谱问答任务中具有提升性能的潜力。

本项目汇集了最新的LLM检索增强生成（RAG）技术研究论文，包括RAG指令调优、上下文学习、嵌入、模拟、搜索、长文本与记忆、评估、优化及应用等方面。资源库为研究者提供全面参考，鼓励研究成果的提交与共享，促进RAG技术发展。