我也是做RAG相关工作的。周末抽了一些时间，来看看开源的RAG技术能够做到什么程度。
其实我重点关注的是以下几点（以下几个点是RAG提升的关键点）：
- 这些开源技术他们是怎么做文档解析的（有哪些我们可以借鉴的，哪些是我不知道的）
- 如何做切分的
- 不同的场景数据又是如何制定不同的策略的
- 还有如何做召回的，召回策略是什么？
- 以及如何选用embedding模型，rerank模型
- 效果怎么样，本地快速部署效果是否方便？
一、开源的RAG
1.1 网易开源的 QAnything
当前github 7.7K star
https://github.com/netease-youdao/QAnything/blob/master/README_zh.md
先试试效果
QAnything
1.2 ragFlow
也是很快在github上获取1000+的star，当前4.3K star
https://github.com/infiniflow/ragflow/blob/main/README_zh.md
先试试效果
https://demo.ragflow.io/
RAGFlow 与其他 RAG 产品有何不同？看看官方的描述
尽管法学硕士在自然语言处理（NLP）方面取得了显着的进步，但“垃圾进垃圾出”的现状仍然没有改变。为此，RAGFlow 引入了与其他检索增强生成 (RAG) 产品相比的两个独特功能。
- 细粒度文档解析：文档解析涉及图片和表格，您可以根据需要灵活干预。
- 可追踪的答案，减少幻觉：您可以信任 RAGFlow 的答案，因为您可以查看支持它们的引文和参考文献。
二、最关心的技术点揭秘
2.1 文档解析
文档解释是RAG走先成功的第一步。就像经常所说的 “Quality in, quality out”。
但是由于文件的复杂多样性，往往都是文件解析不对，导致丢数据，在召回阶段无法被召回。最后没有成功回答问题。
2.1.1 RAGFlow 的文档解析
这里是PDF 解析的细节
使用到的OCR识别技术。然后又做的版面分析的技术。我测试了上传论文，来测试解析的效果。我并不是很认可这个解析最终的效果。
这里简单说一下它的解析过程：先进行ORC识别，然后再做的版面分析。详细见下文。
https://www.cnblogs.com/xiaoqi/p/18123888/ragflow
RAGFlow 有一个做的好的地方
在解析前，它可以提前配置好，文档是什么类型，它针对不同的类型去解析。
第二个好的地方是，把解析的结果返显了。用户可以来修改纠正解析后的结果，还可以调整chunck的大小。
2.1.2 QAnything的 文档解析
QAnything的文档解析远嘛在这里，也是用模型来解析文档的，用到的是UnstructuredPaddle。
也是走的OCR识别的路线。
https://github.com/netease-youdao/QAnything/blob/master/qanything_kernel/utils/loader/pdf_loader.py
2.2 UnstructuredPaddleOCR 介绍
GitHub - Unstructured-IO/unstructured.PaddleOCR: Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80+ languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)
UnstructuredPaddle并不是一个单一的模型，而是一个基于PaddlePaddle框架的OCR（光学字符识别）工具包，它由Unstructured-IO组织开发。这个工具包旨在从非结构化的文档中提取文本，支持多种语言和多种格式的文档，包括PDF和Word文档等。UnstructuredPaddleOCR特别强调其轻量级和实用性，支持超过80种语言的文本识别6。
使用UnstructuredPaddleOCR时，用户可以通过简单的API调用来实现文本的提取。例如，用户可以上传一个PDF文件，然后UnstructuredPaddleOCR会利用OCR技术从文件中识别并提取出文本内容。这个过程通常包括图像预处理、文本识别、版面分析等步骤，以确保提取的文本尽可能准确和完整。
此外，UnstructuredPaddleOCR也提供了一些高级功能，比如支持自定义的版面分析策略，允许用户根据具体的文档类型和需求来调整文本提取的过程。这样的灵活性使得UnstructuredPaddleOCR可以应用于多种不同的场景，如文档数字化、数据录入、内容分析等。
