本项目是OpenKG旗下专注于RAG研究的OpenRAG子项目的开源知识库，致力于推动RAG领域的发展。

可以通过链接访问，进入OpenRAG Base主页。

缘起

知识检索增强生成（RAG)，作为最受关注的大模型落地的实用技术之一，相关研究飞速发展。

我们在2023年12月发表了第一篇大模型视角下的RAG综述（Retrieval-Augmented Generation for Large Language Models: A Survey)，并持续更新（最新版于2024年3月更新）。同时，在Github上设置了论文列表并不断跟踪新的论文。

但是我们发现Survey+Github的形式已经无法满足当前RAG飞速发展的趋势。原因包括：

1.Survey的更新周期长，新增内容不直观

2.Github上论文列表冗长，无法快速定位内容

3.只有资料陈述，缺少多维度分析和汇总

4.无法提供针对性的服务，交互差

我们希望构建一个更加灵活、直观、可以帮助用户分析和把握RAG发展的知识库，而不是简单的堆砌资料。

因此，我们基于Notion 开发了OpenRAG Base

OpenRAG Base是什么?

OpenRAG Base 是整个我们OpenRAG 开放项目中的一个部分（后续会有持续的更新）。这是第一个基于公开资料收集整理汇总的，也是目前最全面的RAG知识库。目的是为读者提供前沿的RAG资料汇总，提供多维度的分析，包括：

• 学术论文

• 前沿咨询和文章

• RAG评估与基准

• 下游任务与数据集

• 工具与技术栈

• 研究学者与机构汇总

• 专题汇报

• ……更多内容即将上线 (e.g. ,示例代码、基线测试)

无论是刚刚接触RAG，还是RAG相关研究人员或是从业人员，相信都可以从中受益。基于这个仓库，你拥有了一个灵活的、多维度的、动态更新的Survey，并且支持高度自定义的分析和汇总。

如何使用 ？

整个知识库由多个Notion Database组成，在主页Database List中点击具体的Database即可查看详细内容。更多使用和定制化方法可以参考主页介绍。

注意：在线浏览时，只能看到静态页面，无法进行修改。主页右上角点击“Duplicate”复制到本地后才可以进行改动

学术论文

我们精心设计十余个属性，除了作者、机构、发表会议等基础信息，还包括检索源、检索流程、检索粒度、下游任务、数据集、评价指标等信息，帮助分析和汇总。

全部属性视图：

如何进行检索增强？

快速简介视图，帮助从检索增强的角度对比和分析当前的RAG方法，具体包括：检索增强阶段、检索的数据源、检索的数据类型、以及检索的流程。

RAG有哪些下游任务和数据集？

“Task and Dataset”视图将帮助您快速梳理RAG常用的下游任务、数据集和评价指标。

此外从Downstream Task数据库中进入，查看同一个任务下有哪些文章。这将更好的帮助您构建同任务下的基线

评估与基准

RAG的评估一直是非常重要的一个环节。我们会汇总了当前的评估工具以及评测Benchmark。

哪些论文公开了源码？

查看“code”视图帮助您定位已经开源代码的论文，快速构建baseline.

RAG论文都发表在哪里？

RAG论文被顶会的认可度如何?，这可能是研究人员非常关心问题之一。在“Conf”视图中，我们对发表地址进行了分组，您可以快速看到近期的顶会都收录了哪些RAG的文章

论文快读导读：

论文太多，如何快读了解其中内容？Notion中每一条记录也可以是一页Page，将鼠标放到旁边，点击”Open”后右侧展开详情页面。包括：

• 原始论文中的摘要和作者信息

• 论文中的重要图表，例如流程或模型架构图

• 中文快读导读

想知道有哪些人、哪些机构正在研究RAG吗？

Scholar和Institution两个Database基于论文和Blog汇总了当前RAG的领域的主要研究人员以及他们的机构。红色头像表示学术界，绿色头像表示工业界，可以看到RAG是学术界和工业界共同关注的热门领域之一。

通过RAG Scholar Gallery 查看研究人员、他们所在的机构以及代表作。

专题文章(Seminar)

在这里分享我们对于RAG领域内具体专题的分析与见解。例如，我们对于Modular RAG梳理:

Modular RAG and RAG Flow: Part I. 介绍了Modular RAG中6大模块类型，14个功能模块，40个具体的算子

Modular RAG and RAG Flow: Part II. 分别介绍了推理和微调阶段共6种典型的RAG Flow 模式，分析了10余个学术和工业界具体的RAG Flow类型。

…更多的内容等待探索

欢迎：

• 评论

你可以任何你感兴趣的地方，例如Database或Pages详情页，进行评论和友好交流。请保持良好的社交礼仪，不讨论与RAG无关的内容。

• 复制

任何人都可以整个repo复制到本地，并在此基础上进行更自由的修改，构建专属你的RAG知识库。

• 贡献

如果你有兴趣一起参与维护这个项目，请邮件联系我们

我们是谁 ?

该项目是同济大学-KGLLM实验室（王昊奋、王萌教授团队），复旦大学（上海市数据科学重点实验室）熊贇教授团队联合发起。

联系我们

关于本项目的具体问题与建议请联系：

• 高云帆（同济大学）Email: gaoyunfan1602@gmail.com

合作及其他相关事宜请联系实验室负责人：

• 王昊奋（同济大学）Email: haofen.wang@tongji.edu.cn

• 王萌（同济大学）Email: mengwangtj@tongji.edu.cn

• 熊贇（复旦大学）Email: yunx@fudan.edu.cn

其他

我们关于大模型评测项目正在火热开展中：AI-Ceping

---

OpenKG

OpenKG（中文开放知识图谱）旨在推动以中文为核心的知识图谱数据的开放、互联及众包，并促进知识图谱算法、工具及平台的开源开放。

点击阅读原文，进入 OpenKG 网站。