# 檢索增強型生成

KET-RAG（Knowledge-Enhanced Text Retrieval Augmented Generation）是一個強大的檢索增強型生成框架，結合了知識圖譜技術。它通過多粒度索引框架（如知識圖譜骨架和文本-關鍵詞二分圖）實現高效的知識檢索和生成。該框架在降低索引成本的同時，顯著提升了檢索和生成質量，適用於大規模 RAG 應用場景。KET-RAG 基於 Python 開發，支持靈活的配置和擴展，適用於需要高效知識檢索和生成的開發人員和研究人員。

Chonkie是一個為檢索增強型生成（RAG）應用設計的文本分塊庫，它輕量級、快速，並且易於使用。該庫提供了多種文本分塊方法，支持多種分詞器，並且具有高性能。Chonkie的主要優點包括豐富的功能、易用性、快速處理速度、廣泛的支持和輕量級的設計。它適用於需要高效處理文本數據的開發者和研究人員，特別是在自然語言處理和機器學習領域。Chonkie是開源的，遵循MIT許可證，可以免費使用。

VisRAG是一個創新的視覺語言模型（VLM）基礎的RAG（Retrieval-Augmented Generation）流程。與傳統的基於文本的RAG不同，VisRAG直接將文檔作為圖像通過VLM進行嵌入，然後檢索以增強VLM的生成能力。這種方法最大限度地保留了原始文檔中的數據信息，並消除了解析過程中引入的信息損失。VisRAG模型在多模態文檔上的應用，展示了其在信息檢索和增強文本生成方面的強大潛力。

LightRAG是一個基於檢索增強型生成模型，旨在通過結合檢索和生成的優勢來提升文本生成任務的性能。該模型在保持生成速度的同時，能夠提供更準確和相關的信息，這對於需要快速且準確信息檢索的應用場景尤為重要。LightRAG的開發背景是基於對現有文本生成模型的改進需求，特別是在需要處理大量數據和複雜查詢時。該模型目前是開源的，可以免費使用，對於研究人員和開發者來說，它提供了一個強大的工具來探索和實現基於檢索的文本生成任務。