开源 RAG 引擎，将检索增强生成与智能体能力结合，为大模型应用提供上下文层。
9.3万1.1万GoApache-2.0更新于 前天
SensAI-PT/RAGMeUp
一个通用、可扩展的 RAG 框架，用于基于自有数据集构建大模型问答应用，附带 React 界面。
- Star
- 678
- Fork
- 98
- 未关闭 Issue
- 0
- 最近提交
- 上个月
这是什么？
RAG Me Up 是一个用于构建检索增强生成（RAG）应用的框架，让大模型基于你提供的文档或数据回答问题。项目由 Python RAG 服务、基于 PostgreSQL 的 Node.js API 服务和 React 前端组成，检索逻辑与网页界面可以分开开发和运行。
框架强调模块化，切分器、向量库和检索器都可以替换为自己的实现。仓库提供 Docker Compose 配置，可在单机上启动完整服务；其中 Python 服务在 Docker 内以纯 CPU 模式运行。若需要用 GPU 做向量化和推理，可使用混合模式，让 Python 服务直接在宿主机上运行。
项目由 SensAI.PT 维护，并提供文档站点介绍安装、架构和 API。
核心功能
- 01模块化设计，切分器、向量库和检索器均可替换。
- 02提供 Docker Compose 配置，一键启动 PostgreSQL、Node.js API 和 React 前端。
- 03混合模式下，Python RAG 服务可在宿主机运行以使用 GPU/CUDA。
- 04附带 React 网页界面用于与 RAG 应用交互。
- 05后端数据库使用 PostgreSQL（ParadeDB）。
适用场景
- 基于自有文档快速搭建问答助手原型。
- 构建以自定义知识库为依托的垂直领域聊天机器人。
- 在本地机器上部署自托管 RAG 服务，并使用 GPU 加速向量化。
快速上手
- 1
克隆代码仓库
git clone https://github.com/SensAI-PT/RAGMeUp.git - 2
进入项目目录
cd RAGMeUp - 3
从示例创建 Docker 环境变量文件，并设置 POSTGRES_PASSWORD 和 JWT_SECRET
cp docker-compose.env.example docker-compose.env - 4
使用 Docker Compose 构建并启动所有服务
docker compose --env-file docker-compose.env up --build -d
使用前须知
- 完整的 Docker 部署中 Python 服务仅使用 CPU，若需 GPU 加速需要单独配置混合模式。
- 部署需要 Docker，并配置多个服务和环境变量。
标签
常见问题
- RAGMeUp 是什么？
- 一个通用、可扩展的 RAG 框架，用于基于自有数据集构建大模型问答应用，附带 React 界面。 RAG Me Up 是一个用于构建检索增强生成（RAG）应用的框架，让大模型基于你提供的文档或数据回答问题。项目由 Python RAG 服务、基于 PostgreSQL 的 Node.js API 服务和 React 前端组成，检索逻辑与网页界面可以分开开发和运行。
- RAGMeUp 可以免费使用吗？用的什么许可证？
- RAGMeUp 以 Apache-2.0 许可证开源。用于商业产品前，请先确认许可证条款。
- RAGMeUp 还在维护吗？
- 半年内有更新。RAGMeUp 最近一次提交是在 2026年9月12日。
- RAGMeUp 适合用来做什么？
- 基于自有文档快速搭建问答助手原型。 构建以自定义知识库为依托的垂直领域聊天机器人。 在本地机器上部署自托管 RAG 服务，并使用 GPU 加速向量化。
- RAGMeUp 怎么安装和运行？
- 克隆代码仓库: git clone https://github.com/SensAI-PT/RAGMeUp.git 进入项目目录: cd RAGMeUp 从示例创建 Docker 环境变量文件，并设置 POSTGRES_PASSWORD 和 JWT_SECRET: cp docker-compose.env.example docker-compose.env 使用 Docker Compose 构建并启动所有服务: docker compose --env-file docker-compose.env up --build -d
- 在哪里获取 RAGMeUp？
- 源代码和安装说明在 GitHub 上：https://github.com/SensAI-PT/RAGMeUp
概要由 AI 根据项目 README 生成；GitHub 数据每日更新。
相关项目
轻量级知识图谱 RAG 框架与服务，将文档构建为实体关系图谱，用于增强 LLM 问答。
4万5709PythonMIT更新于 7天前
用于构建生产级 LLM 应用的开源 Python 框架，提供模块化管道与智能体工作流，适用于 RAG、语义搜索等场景。
2.7万3307PythonApache-2.0更新于 前天
面向多模态文档的一体化 RAG 框架，可统一检索文本、图片、表格和公式内容。
2.4万2787PythonMIT更新于 10天前
北京智源推出的检索工具包，提供 BGE 向量模型与重排序模型，并包含微调、评测和教程，用于搜索与 RAG。
1.2万1105PythonMIT更新于 2个月前
为 AI 智能体和应用提供长期记忆层，跨会话保存并检索用户与上下文信息。
6.8万7965PythonApache-2.0更新于 前天