使用说明

本清单按“先理解、再组装、最后生产化”排序。项目价值由代码可读性、文档、社区维护和能否验证结果共同决定，不按 stars 排名。快照日期为 2026-10-17；GitHub 页面动态信息可能变化，正式商用前请重新查看 LICENSE、依赖和安全公告。

一、原理与最小实现

项目	用途与入口	适合/不适合	许可与部署注意	学习任务
RAG_Techniques	Notebook 展示 query expansion、HyDE、重排、代理式 RAG	适合比较策略；不适合作为稳定 SDK	MIT（以仓库 LICENSE 为准，未在本次快照逐文件复核）	选同一数据集跑 naive、HyDE、rerank，记录 Recall@k 与延迟
DPR	Dense Passage Retrieval 原始实现与训练代码	适合理解双塔；不适合直接当现代生产服务	MIT（需核实当前 LICENSE）；训练依赖 GPU、数据与 checkpoint	复现 top-k 检索，比较 BM25
BEIR	异构检索基准和数据加载器	适合评测；不适合当业务索引	Apache-2.0（以仓库为准）	固定 embedding 版本，报告 nDCG@10
FiD	Fusion-in-Decoder 多段证据生成	适合研究生成端；不适合低资源部署	许可需复核	比较串联上下文与 FiD 的答案覆盖率

二、框架

项目	用途与入口	适合/不适合	许可与部署注意	学习任务
LlamaIndex	文档处理、索引、Query Engine；看 docs/examples 与 pyproject	适合数据连接和索引实验；不适合把默认 prompt 当安全边界	MIT；安全策略明确输入校验、鉴权由宿主负责	用本地 Markdown 建索引，给 chunk 加来源 metadata
LangChain	Runnable、retriever、加载器；看官方 RAG 教程	适合组合和原型；不适合无审计启用任意 loader/tool	MIT；安全页列有路径遍历、反序列化公告，需固定版本	把 retriever、reranker、generator 分成可替换 Runnable
Haystack	组件化 pipeline、Document Store、评估；看 haystack-cookbook	适合显式 pipeline；不适合忽略 Python 版本约束	Apache-2.0，pyproject 标注；当前要求 Python >=3.11	实现 BM25→embedding→rerank pipeline，输出 trace
LangGraph	有状态图编排，适合 agentic RAG	适合循环、人工确认；简单问答无需引入状态机	MIT（仓库为准）	增加“证据不足→改写查询→重试”节点并设最大步数

三、平台与完整应用

项目	用途与入口	适合/不适合	许可与部署注意	学习任务
RAGFlow	可视化知识库、解析、检索和 Agent；README 有 Docker 启动	适合复杂文档试用；不适合未经压测直接多租户上线	Apache-2.0；快照约 92.3k stars，检查镜像和依赖资源	导入含表格 PDF，比较解析结果与手工基线
Dify	工作流、知识库、模型供应商管理	适合快速交付；不适合把默认权限当企业隔离	许可与组件条款需复核（未核实）	建立带引用的 FAQ workflow，导出 API 做回归
FastGPT	中文知识库和可视化工作流	适合中文 PoC；不适合忽略商业条款	许可需部署前核实（未核实）	用 50 条中文问答测试召回和拒答
Open WebUI	自托管聊天前端，可接 Ollama/RAG 后端	适合内部体验；不适合作为后端权限系统	许可及插件风险需复核（未核实）	接只读 RAG API，确认引用可点击

四、解析、Embedding 与向量库

项目	用途与入口	适合/不适合	许可与部署注意	学习任务
Docling	PDF、表格、布局解析；看 docs/examples	适合结构化文档；不适合假设扫描件无需 OCR	MIT（以仓库 LICENSE 为准）	比较纯文本切分与结构化 JSON 切分
MinerU	中文 PDF、公式、表格解析	适合中文论文；不适合未验证许可证的商业交付	许可和模型权重条款需核实（未核实）	记录公式、表格丢失率并保留页码
FlagEmbedding	BGE embedding 与 reranker；README 有 Tutorials/Examples	适合中文和多语检索；不适合只看 MTEB 分数	MIT；模型卡可能有单独条款	比较 bge-m3 dense/sparse 与 reranker
Qdrant	向量数据库、过滤、混合检索	适合服务化和 metadata filter；不适合把云端默认配置当生产	Apache-2.0，README 明示；规划 WAL、备份和分片	验证 tenant filter 不越权
pgvector	PostgreSQL 内向量检索	适合已有 Postgres、中等规模；不适合超大规模照搬	PostgreSQL 风格许可；索引参数随版本变化	比较 HNSW 与 IVFFlat 的召回/写入成本
Milvus	分布式向量数据库	适合大规模和多索引；本地学习无需一开始上集群	Apache-2.0（需复核当前仓库）	测过滤、分区和索引构建时间

五、评估与图检索

项目	用途与入口	适合/不适合	许可与部署注意	学习任务
Ragas	Context precision/recall、faithfulness 等指标	适合离线回归；不适合把 LLM judge 当绝对真值	Apache-2.0（需复核）；评测模型有成本与隐私	建立 30 条带参考答案的 golden set
DeepEval	pytest 风格 LLM 评估与 red-team	适合 CI 门禁；不适合忽略 judge 漂移	许可需复核（未核实）	为 hallucination、引用缺失设置阈值
Microsoft GraphRAG	知识图谱与 global/local search	适合跨文档关系问题；不适合所有 FAQ，索引成本较高	MIT（仓库为准）；LLM 抽取成本高	比较 local search 与普通 top-k
LightRAG	轻量图增强 RAG	适合研究和快速试验；不适合未做并发、权限压测的生产	MIT（需复核当前仓库）	对实体冲突和增量更新写测试

六、选型路径

1. 只想学习检索：BEIR → DPR → RAG_Techniques。
2. 已有 Python 服务：LlamaIndex 或 Haystack；复杂状态再加 LangGraph。
3. 中文 PDF：Docling/MinerU → FlagEmbedding → Qdrant/pgvector。
4. 要交付内部产品：先 RAGFlow/Dify 验证流程，再拆出可观测后端。
5. 关系型问题：先做 hybrid baseline，再评估 GraphRAG/LightRAG。
6. 上线前：Ragas/DeepEval golden set、权限过滤、备份恢复、依赖和镜像扫描。

七、统一动手作业

• 选 20 份文档，保留版本、页码、租户字段。
• 写 30 个问题：事实、跨段、不可回答各 10 个。
• 固定 embedding、chunk、top-k、reranker、prompt 版本。
• 记录 Recall@5、nDCG@10、引用覆盖率、拒答率、P95 延迟和成本。
• 保存检索候选、最终上下文和答案，定位回归。
• 用两个租户做越权测试，把恶意文档当 prompt injection 输入。
• 备份向量库和原文，演练重建索引。
• 许可证清单包含源码、模型权重、OCR 引擎和第三方 API。

八、快照证据

本页检索了 GitHub 官方仓库页面与 LICENSE/pyproject。已核实：RAGFlow Apache-2.0、Qdrant Apache-2.0、LangChain MIT、LlamaIndex pyproject MIT、Haystack Apache-2.0、FlagEmbedding MIT；网页结果显示当日 stars，但 stars 不是选型依据。Dify、FastGPT、Open WebUI、MinerU、DeepEval、Milvus、GraphRAG、LightRAG 的当前许可或归档状态本次未逐文件核实，文中已标记。Verba、Cognita、ChatRTX 不纳入推荐；此前发现 archived=true，仍需逐仓库再核实后才能引用。