python rag agent

来自工业界的开源知识库 RAG 项目最全细节对比

The most complete comparison of open source RAG projects from the industry

Posted by Bryan on July 8, 2024

背景介绍

之前详细整理过来自工业界的不少开源 RAG 项目：

群里一直看到有小伙伴询问在实际的业务需求中如何选择合适的 RAG 项目，本文就详细对比一下这些 RAG 项目。考虑到目前实际发展程度，GoMate 目前的可靠性还不适合在生产环境使用。因此主要对比其他几个更成熟的热门开源项目。

如果只关心技术选项结论，可以直接跳到最后。

项目基础信息介绍

主要关注项目的一些基础信息，可以给出初步选型建议：

项目 Star 数量 持续维护性 社区活跃度 代码质量 版权信息
QAnything 10.6k ⭐️ ⭐️⭐️ ⭐️⭐️⭐️ Apache-2.0
RAGFlow 11.2k ⭐️⭐️⭐️ ⭐️⭐️⭐️ ⭐️⭐️ Apache-2.0
langchain-chatchat 29.7k ⭐️⭐️⭐️ ⭐️⭐⭐️ ⭐️⭐️ Apache-2.0
Dify 36.7k ⭐️⭐️⭐️ ⭐️⭐️⭐️ ⭐️⭐️⭐️ 附加条件的 Apache-2.0
FastGPT 15.3k ⭐️⭐️⭐️ ⭐️⭐️⭐️ ⭐️⭐️ 附加条件的 Apache-2.0
  • 项目热度上，Dify 和 langchain-chatchat 因为开源较早，star 数量最多，其他项目也属于比较热门的了；
  • 项目可维护性上，除了 QAnything 之外的其他项目都在持续更新，QAnything 5 月 17 后就不再新增功能了，因此建议谨慎选择；
  • 代码质量上，QAnything 和 Dify 质量较高；
  • 版权问题上，Dify 和 FastGPT 限制不允许用于构建多租户的 Saas 服务，同时不允许去掉版权信息，其他项目没有限制；

考虑到项目开箱即用的程度以及二次开发的难度，下面主要对比下技术栈：

项目 前端技术栈 后端技术栈
QAnything 只有打包后前端文件，无法二次开发 python + sanic
RAGFlow React + TypeScript python + flask
langchain-chatchat Streamlit 实现的临时前端 python + FastAPI
Dify NextJs + TypeScript python + flask
FastGPT NextJs + TypeScript TypeScript + NextJs
  • 从前端角度来看，langchain-chatchat 没有生产环境可用的前端，QAnything 无法提供可修改的前端，其他几家都有可用的前端页面，技术栈都是基于 React 的
  • 从后端角度来看，除了 FastGPT 选择了基于 TypeScript 构建，其他都是基于 Python 开发的；

项目框架对比

主要比较不同项目的核心亮点，方便有针对性选择合适的项目

QAnything

qanything

  • 重点强调 Rerank 机制，强调 Embedding + Rerank 模型的联合使用可以提升文档召回质量；

RAGFlow

ragflow

  • 重点强调文档的精细化解析，在文档解析上做了不少优化；

langchain-chatchat

langchain-chatchat

  • 强调支持离线私有化部署，对于私有化部署支持完善，但是从 langchain-0.3.0 之后部署方式也发生了变化，与其他项目的差异不大；

Dify

dify

  • 丰富的召回模式，支持跨知识库召回；
  • 支持 QA 模式，可以基于原始文档生成问答对进行召回；
  • 支持工作流编排；

FastGPT

fastgpt

  • 支持 QA 模式，可以基于原始文档生成问答对进行召回；
  • 支持工作流编排；

初步看来，如果对于文件精细解析感兴趣，可以优先选择 RAGFlow。如果希望具备任务流编排或 Agent 相关能力，可以关注 Dify 和 FastGPT

RAG 能力比较

作为 RAG 服务，从目前了解的信息来看，主要关注下面的一些基础能力：

  1. 文件的精细解析能力，是否能支持常规格式，是否具备结构化分片与检索的能力；
  2. 知识库检索效果，因为知识库检索是 RAG 的核心能力，能否高质量召回直接决定 RAG 的最终表现；
  3. 跨知识库检索的支持，目前来看跨知识库检索，自动选择合适的知识库对上层业务还是比较友好的，也是比较实用的能力；

下面从这些角度比较现有项目, 注意比较存在一些主观因素，同时各个项目也在持续迭代，后续项目中缺失的能力也可能会被补齐，所以大家可以参考下，实际使用时还需要自行调研下：

项目 文件精细解析能力 知识库检索效果 跨知识库检索支持
QAnything ⭐️⭐️ ⭐️⭐️ ⭐️
RAGFlow ⭐️⭐️ ⭐️⭐️ ⭐️
langchain-chatchat ⭐️⭐️ ⭐️⭐️ ⭐️
Dify ⭐️⭐️ ⭐️ ⭐️⭐️⭐️
FastGPT ⭐️ ⭐️⭐️ ⭐️
  • 文件精细解析，RagFlow 应该做的最深入的，但是实际测试解析很慢，而且容易失败，所以没有额外给更高的评分。FastGPT 目前支持的格式会更少一些，部分原因是因为 js 没有 Python 那么丰富的库可以使用；
  • 知识库检索，实际测试时常规几个的检索效果都还不错，但是 Dify 测试时检索效果不佳，经常召回不到正确的内容；
  • 跨知识库检索，目前只有 Dify 提供了相关的能力，而且支持的模式比较丰富，其他的应该都还没有支持；

Agent 能力比较

目前实际在生产环境使用时，除了单纯的知识库检索之外，可能会需要拓展其他外部工具，并根据业务流程编排现有工具列表，因此主要关注下面两部分能力：

  • 能否拓展支持其他工具；
  • 能否支持任务流编排；

下面主要从这些部分比较现有项目：

项目 工具可拓展性 支持任务流编排
QAnything ⭐️ ⭐️
RAGFlow ⭐️ ⭐️⭐️
langchain-chatchat ⭐️⭐️ ⭐️
Dify ⭐️⭐️⭐️ ⭐️⭐️⭐️
FastGPT ⭐️⭐️ ⭐️⭐️⭐️
  • 工具可拓展性上，Dify 目前比较完善，支持了大量的外部拓展工具，新工具的支持也更便利，FastGPT 同样也具备良好的拓展性，其他项目主打 RAG 方向，在这一块的支持比较有限；
  • 任务流编排，目前 Dify 和 FastGPT 都支持良好，RAGFlow 刚刚上线，其他都还没有支持；

项目部署比较

RAG 涉及的不同的服务以及模型的部署，选择 RAG 方案的企业很多都关心内部内容的隐私问题，一般期望能私有化部署。目前主要从这两方面比较下现有项目：

  1. 部署难易程度；
  2. 是否支持离线部署；
项目 部署难易程度 是否支持离线部署
QAnything ⭐️⭐️ ⭐️⭐️
RAGFlow ⭐️⭐️ ⭐️⭐️
langchain-chatchat ⭐️⭐️ ⭐️⭐️
Dify ⭐️⭐️ ⭐️⭐️
FastGPT ⭐️⭐️ ⭐️⭐️

从目前来看，项目部署都是基于 docker 进行部署。大模型的加载都是基于 Xinference 或 Ollama 等外部服务。

如果需要在离线环境部署，需要自行下载所需 docker 镜像。部分项目提供了源码安装的方式，但是操作会繁琐很多，建议优先选择 docker 方案。

总结

本文对比了目前比较热门的开源 RAG 项目，给出一些推荐建议：

  • 综合评价最完备的应该是 Dify，功能比较完善，可拓展性较好，但是需要注意版权问题，另外 RAG 检索效果不佳的问题也需要进行一些优化；
  • 如果不熟悉 Python 技术栈，希望尽可能专注业务功能的开发，那么可以优先选择 FastGPT；
  • 如果对高质量的文件解析比较在意，可以参考 RAGFlow；
  • 如果希望不借助 docker 快速搭建离线的 RAG 演示 demo，那么可以考虑 langchain-chatchat 0.2.x, langchain chatchat 0.3.0 以后也将模型部署迁移出去，部署方案与其他项目差异不大了；
  • QAnything 就不建议选择了，RAG 技术目前发展得很快，官方不维护的项目后续很难与其他项目竞争；
CATALOG
    FEATURED TAGS
    docker k8s react frontend python flask tools skills books deploy FATE Federated learning Machine learning DICOM medical-labelme LLM langchain rag dify agent html llm langfuse RAG
    FRIENDS