Raudaschl/rag-fusion

O que é?

Recursos principais

• 01Gera várias reformulações da consulta do usuário com LLM para abranger diferentes formas de expressão.
• 02Combina busca por palavras-chave BM25 e busca vetorial para cada variante da consulta.
• 03Combina os resultados ordenados com Reciprocal Rank Fusion.
• 04Oferece suporte a etapas de reordenação com cross-encoder e outros rerankers no conjunto de candidatos combinados.
• 05Avalia variantes de recuperação no conjunto de dados NFCorpus usando métricas de IR e intervalos de confiança por bootstrap.
• 06Armazena em cache no disco as reformulações de consultas feitas por LLM e persiste localmente os embeddings do ChromaDB.

Casos de uso

• Pesquisar literatura especializada, como artigos médicos ou científicos, em que a terminologia varia.
• Melhorar o recall em pipelines de recuperação nos quais deixar passar um documento relevante tem um custo alto.
• Experimentar reformulação de consultas e fusão de rankings antes de adotá-las em um sistema RAG.

Início rápido

1. 1

   Instale as dependências principais

   pip install openai chromadb python-dotenv tqdm tabulate rank_bm25
2. 2

   Crie o arquivo .env a partir do modelo

   cp .env.example .env
3. 3

   Adicione sua chave de API da OpenAI ao .env e execute a demonstração

   python main.py

Antes de usar

• !A execução da demonstração e das reescritas requer uma chave de API da OpenAI paga.
• !A demonstração em main.py usa apenas busca vetorial; a configuração hybrid-plus-rerank de melhor desempenho está em eval/ e requer pacotes adicionais.
• !Os experimentos dependem de modelos específicos de LLM e de decisão, alguns dos quais podem ter sido descontinuados ou estar indisponíveis.

Tópicos

Perguntas frequentes

O que é rag-fusion?

Implementação de referência em Python do RAG-Fusion, que combina reformulações de consultas por LLM, busca BM25 e vetorial e Reciprocal Rank Fusion para melhorar a recuperação, com um ambiente de avaliação usando o NFCorpus. RAG-Fusion é um método de recuperação para geração aumentada por recuperação. Um LLM reformula a consulta do usuário em várias versões, com perspectivas diferentes. Cada versão é pesquisada tanto com busca por palavras-chave BM25 quanto com busca vetorial, e as listas ordenadas são combinadas com Reciprocal Rank Fusion, fazendo com que documentos presentes em várias listas subam para o topo. O método é voltado a casos em que uma única formulação da consulta não encontra materiais relevantes, como quando o vocabulário do usuário difere da forma como o corpus foi indexado.

rag-fusion é gratuito? Qual é a licença?

rag-fusion é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.

rag-fusion ainda é mantido?

Manutenção ativa. O último commit de rag-fusion foi em 10 de out. de 2026.

Para que posso usar rag-fusion?

Pesquisar literatura especializada, como artigos médicos ou científicos, em que a terminologia varia. Melhorar o recall em pipelines de recuperação nos quais deixar passar um documento relevante tem um custo alto. Experimentar reformulação de consultas e fusão de rankings antes de adotá-las em um sistema RAG.

Como instalar rag-fusion?

Instale as dependências principais: pip install openai chromadb python-dotenv tqdm tabulate rank_bm25 Crie o arquivo .env a partir do modelo: cp .env.example .env Adicione sua chave de API da OpenAI ao .env e execute a demonstração: python main.py

Onde consigo rag-fusion?

O código-fonte e as instruções de instalação estão no GitHub: https://github.com/Raudaschl/rag-fusion