2026年RAG技术生态开源项目全集

本文按核心框架、向量数据库、嵌入模型、文档处理、检索增强、评估工具、GraphRAG、低代码平台、Agentic RAG九大维度，整理2026年RAG技术生态的主流开源项目，便于快速选型与落地。

一、核心RAG框架（全流程编排）

项目名称	GitHub星数	核心优势	适用场景	开源协议	GitHub地址
LangChain	98K+	700+集成，多Agent工作流，动态检索链路	复杂多步骤AI应用，企业级RAG系统	MIT	https://github.com/langchain-ai/langchain
LlamaIndex	40K+	数据特化型RAG，结构化查询，复杂检索模式	文档密集型应用，知识图谱集成	MIT	https://github.com/run-llama/llama_index
Haystack 2.x	18K+	模块化架构，生产级流水线，企业级部署	大规模文档问答，检索排序优化	Apache-2.0	https://github.com/deepset-ai/haystack
RAGFlow	79.6K+	可视化工作流，融合RAG+Agent，多模态支持	快速原型开发，企业知识库	Apache-2.0	https://github.com/infiniflow/ragflow
Dify	55K+	无代码/低代码，可视化编辑器，一键部署	快速搭建RAG应用，业务人员使用	MIT	https://github.com/langgenius/dify
AnythingLLM	35K+	轻量级UI，文档上传即聊天，Docker部署	个人/团队知识库，快速检索	MIT	https://github.com/Mintplex-Labs/anything-llm
OpenRAG	5K+	模块化轻量级，可扩展，易定制	研究与实验，定制化RAG系统	Apache-2.0	https://github.com/linagora/openrag
Youtu-RAG	8K+	Agent驱动，长期记忆，跨会话关联	智能客服，个性化推荐	Apache-2.0	https://github.com/TencentCloud/Youtu-RAG
RAGLAB	3K+	研究导向，算法对比，模块化架构	RAG算法研究，公平性能测试	MIT	https://github.com/facebookresearch/raglab

---

二、向量数据库（核心记忆层）

项目名称	核心特性	规模支持	部署方式	开源协议	GitHub地址
Milvus	云原生架构，存储计算分离，十亿级向量	10亿+	分布式/K8s	Apache-2.0	https://github.com/milvus-io/milvus
Qdrant	点积/余弦/欧氏距离，动态索引，过滤条件丰富	亿级	单机/分布式	Apache-2.0	https://github.com/qdrant/qdrant
Weaviate	语义搜索，图结构集成，自动分片	亿级	单机/分布式	BSD-3-Clause	https://github.com/weaviate/weaviate
ChromaDB	轻量级，内存优先，零依赖部署	百万级	本地/嵌入式	Apache-2.0	https://github.com/chroma-core/chroma
pgvector	PostgreSQL插件，关系+向量混合查询	百万级	数据库扩展	PostgreSQL	https://github.com/pgvector/pgvector
FAISS	Facebook开发，高性能，GPU加速	十亿级	本地库/服务	MIT	https://github.com/facebookresearch/faiss
Zilliz Cloud	Milvus托管版，Serverless	按需扩展	云服务	商业/开源混合	https://github.com/zilliztech/zilliz-cloud-sdk

---

三、嵌入模型（文本表征）

模型名称	发布机构	特点	开源协议	GitHub地址
BGE-M3	智谱AI	多粒度，多任务，中文优化	MIT	https://github.com/FlagOpen/FlagEmbedding
E5	微软	检索优先，长文本支持	MIT	https://github.com/microsoft/unilm/tree/master/e5
all-MiniLM-L6-v2	Sentence-BERT	轻量级，速度快	MIT	https://github.com/UKPLab/sentence-transformers
Llama-2-7b-chat-hf	Meta	大模型嵌入，上下文理解强	Llama 2	https://huggingface.co/meta-llama/Llama-2-7b-chat-hf
Mistral-7B-v0.3	Mistral AI	高效，多语言，低延迟	Apache-2.0	https://github.com/mistralai/mistral-src
jina-embeddings-v2-base-en	Jina AI	长文本(8k)，检索精度高	Apache-2.0	https://github.com/jina-ai/jina-embeddings

---

四、文档处理工具（解析/分割/加载）

工具名称	功能	支持格式	特点	GitHub地址
Unstructured	文档解析	PDF/Word/PPT/HTML等	智能提取，布局感知	https://github.com/Unstructured-IO/unstructured
PyPDF2	PDF解析	PDF	轻量级，文本提取	https://github.com/py-pdf/PyPDF2
LangChain Document Loaders	多源文档加载	网页/数据库/云存储等	70+加载器	https://github.com/langchain-ai/langchain/tree/master/libs/community/langchain_community/document_loaders
LlamaHub	数据连接器	200+数据源	一键集成，低代码	https://github.com/run-llama/llama-hub
RecursiveCharacterTextSplitter	文本分割	所有文本	递归分割，保持语义	https://github.com/langchain-ai/langchain/blob/master/libs/langchain/langchain/text_splitter.py
SemanticChunker	语义分割	长文本	基于嵌入相似度，语义完整	https://github.com/langchain-ai/langchain/blob/master/libs/langchain/langchain/text_splitter.py

---

五、检索增强工具（重排/过滤/生成）

工具名称	功能	技术原理	适用场景	GitHub地址
Cohere Rerank	检索结果重排	交叉编码器	提升Top-K精度	https://github.com/cohere-ai/rerank-rs (开源SDK)
ColBERT	上下文感知检索	交互式BERT	长文档精准匹配	https://github.com/stanford-futuredata/ColBERT
Contriever	稠密检索	对比学习	大规模文档检索	https://github.com/facebookresearch/contriever
FlashRank	快速重排	轻量级模型	低延迟场景	https://github.com/PrithivirajDamodaran/FlashRank
Rerankers	多模型重排	集成多种交叉编码器	混合检索系统	https://github.com/allenai/rerankers
LLM-as-a-Judge	结果评估	大模型评分	检索质量判断	https://github.com/langchain-ai/langchain/blob/master/libs/langchain/langchain/evaluation/qa/llm_as_judge.py

---

六、GraphRAG（图结构检索增强）

项目名称	星数	核心能力	适用场景	GitHub地址
Microsoft GraphRAG	31K+	社区检测，多跳推理，全局语义分析	金融投顾，新闻摘要	https://github.com/microsoft/graphrag
LightRAG	29K+	轻量级图结构，动态构建，高效检索	知识图谱问答，快速原型	https://github.com/lightrag-ai/lightrag
KAG (OpenSPG)	8K+	知识图谱推理，语义关联，复杂查询	企业知识管理	https://github.com/OpenSPG/openspg
NebulaGraph	12K+	分布式图数据库，毫秒级查询	大规模知识图谱	https://github.com/vesoft-inc/nebula
Neo4j RAG	10K+	图数据库集成，Cypher查询	关系密集型应用	https://github.com/neo4j/neo4j-rag-framework

---

七、RAG评估工具（质量/性能/成本）

工具名称	评估维度	特点	GitHub地址
RAGAs	答案相关性，事实一致性，检索精度	轻量级，可扩展	https://github.com/explodinggradients/ragas
DeepEval	自定义指标，LLM评估，人类标注	全面评估框架	https://github.com/confident-ai/deepeval
TruLens	可解释性，性能监控，成本分析	端到端监控	https://github.com/truera/trulens
LangChain Evaluation	内置指标，自定义评估器	与LangChain无缝集成	https://github.com/langchain-ai/langchain/tree/master/libs/langchain/langchain/evaluation
LlamaIndex Evaluation	检索质量，生成质量，综合评分	数据导向评估	https://github.com/run-llama/llama_index/blob/main/llama_index/evaluation/init.py

---

八、低代码/可视化RAG平台

平台名称	特点	部署方式	适用人群	GitHub地址
Dify	可视化编辑器，一键部署，多模型支持	Docker/K8s	业务人员，开发者	https://github.com/langgenius/dify
RAGFlow	拖拽式工作流，多模态支持，权限管理	Docker/云原生	企业团队，快速开发	https://github.com/infiniflow/ragflow
AnythingLLM	极简UI，文档上传即聊天，本地部署	Docker/本地	个人/小团队	https://github.com/Mintplex-Labs/anything-llm
Verba	Weaviate原生，语义搜索，聊天界面	Docker	Weaviate用户	https://github.com/weaviate/Verba
Cognita	企业MLOps，合规知识库，权限控制	云/本地	企业级应用	https://github.com/cognita-ai/cognita

---

九、Agentic RAG（智能体驱动RAG）

项目名称	核心能力	智能体类型	适用场景	GitHub地址
LangGraph	状态管理，多Agent协作，循环执行	规划/执行/评估	复杂推理任务	https://github.com/langchain-ai/langgraph
EDDI	配置驱动，多Agent编排，企业合规	对话/工具调用	企业级AI助手	https://github.com/labsai/EDDI
Youtu-RAG	长期记忆，跨会话关联，个性化	规划/执行/记忆	智能客服，个性化推荐	https://github.com/TencentCloud/Youtu-RAG
AutoGPT	自主任务执行，工具调用，内存管理	自主智能体	复杂信息收集	https://github.com/Significant-Gravitas/AutoGPT
MetaGPT	团队协作，角色分配，任务拆解	多角色智能体	软件开发，项目管理	https://github.com/geekan/MetaGPT

---

十、选型指南（快速匹配）

应用场景	推荐框架	推荐向量数据库	推荐嵌入模型	备注
企业级知识库	Haystack/RAGFlow	Milvus/Qdrant	BGE-M3/E5	注重可扩展性和安全性
个人/小团队	Dify/AnythingLLM	Chroma/pgvector	all-MiniLM-L6-v2	快速部署，低维护成本
研究/实验	LlamaIndex/RAGLAB	FAISS/Chroma	自定义模型	灵活定制，算法对比
多跳推理/知识图谱	Microsoft GraphRAG	NebulaGraph/Neo4j	BGE-M3	图结构增强检索
低代码/无代码	Dify/RAGFlow	托管向量数据库	托管嵌入模型	业务人员友好
Agent驱动应用	LangGraph/Youtu-RAG	Milvus	E5/BGE-M3	状态管理，长期记忆

---

总结

2026年RAG技术生态已形成全栈开源体系，从核心框架到细分工具全面覆盖。选择时建议：

1. 明确应用场景（企业级/个人/研究）
2. 评估技术需求（可扩展性/检索精度/开发效率）
3. 考虑团队技能（低代码/全栈开发）
4. 优先选择活跃社区和长期维护的项目