retrieval-augmented-generation
10件のリポジトリ
RAGとAgentを融合したOSS検索基盤 — RAGFlowは、深い文書理解に基づくRAGとAgent機能を組み合わせ、LLMに高品質なコンテキストを提供するオープンソースエンジンです。単純な検索拡張ではなく、複雑な文書構造の解析や知識のコンパイル、エージェント的な検索プロセスを組み込んでいる点が既存RAGツールとの差別化ポイントです。
ベクトルDB不要、人間のように読むRAG基盤 — PageIndexはベクトルDBやチャンキングを使わず、文書の構造をツリー化してLLMに推論させることで検索精度を高める新しいRAG手法です。長く複雑な専門文書に強く、SDKでローカル実行もクラウド利用も可能です。既存の埋め込み検索型RAGとの差別化を狙う開発者に向いています。
An LLM-powered knowledge curation system that researches a topic and generates a full-length report with citations.
テキスト・画像・表を統合処理するマルチモーダルRAG基盤 — RAG-AnythingはLightRAGを拡張し、テキスト・画像・表・数式を含む文書を統一的な知識構造として扱えるマルチモーダルRAGフレームワークです。論文に基づく実装で、多様な実文書に対するRAGを必要とする開発者に向いています。
DB不要、単一ファイルで実現するAIエージェントの記憶レイヤー — Memvidはベクトルや知識をデータベースなしで単一ファイルに保存し、AIエージェントにオフラインでも使える即時検索と長期記憶を提供します。Rustで実装されPythonから利用可能で、複雑なRAGパイプラインをシンプルなファイルベース構成に置き換えたいチームに向いています。
ベクトル検索・グラフ・LLMエージェントを統合するAIフレームワーク — txtaiはベクトルインデックス、グラフネットワーク、リレーショナルDBを統合した埋め込みデータベースを核に、セマンティック検索やRAG、マルチモデルワークフローを実現するAIフレームワークです。個別ツールを組み合わせずに、自律エージェントや検索主体のAIアプリをPythonで構築したい開発者に適しています。
Agent S: the state-of-the-art open source computer use agents
AutoRAGが進化、パソコンの司書エージェントに — AutoRAGはPython製のRAGパイプライン最適化ツールから、ファイル検索・整理・重要情報の記憶を行うTypeScript製の「個人司書エージェント」AutoRAG 2.0へと生まれ変わりました。旧版はlegacy/フォルダでメンテナンスが継続され、PyPI経由で引き続き利用できます。
文書集合を16個のメモリトークンに圧縮するLLM記憶機構 — Memorillaはスタンフォード発の研究プロジェクトで、文書集合全体をクエリ依存の少数メモリトークンに凝縮し、凍結したLLMに渡します。わずか16トークンでMem0やMemoRAGを上回り、FactKGでは全文書を与えるより高精度(84.33%対80.43%)かつトークン数は108分の1。TextWorldでのエージェント成功率も18.6%から24.2%に向上します。
ベクトル検索なしでRAGする、文書のスキル階層化手法 — 大量の文書をAnthropic Skills形式のナビゲート可能な階層に変換し、LLMエージェントがSKILL.md/INDEX.mdを辿って必要な文書だけを取得する手法です。埋め込みやベクトルDB、BM25を使わずQA/RAGを実現する点が新しく、企業内ナレッジ検索基盤を構築したい人に刺さります。EMNLP 2026 Findings採択論文の公式実装です。