一款使用自然语言构建RAG管道的Streamlit应用，让用户无需编写代码即可创建基于自己数据的ChatGPT式问答系统。
一分钟了解#
RAGs是一个基于Streamlit的应用程序，让你通过自然语言描述创建RAG(检索增强生成)管道。你可以描述任务(如"加载这个网页")和想要的参数(如"检索X个文档")，然后通过简单的界面配置和查询基于自己数据的AI助手。
核心价值：让非技术人员也能轻松构建专业级RAG应用，无需编程知识。
快速上手#
安装难度：中 - 需要Python环境和OpenAI API密钥，使用Poetry管理依赖
# 克隆项目
git clone https://github.com/run-llama/rags.git
cd rags
# 创建并激活虚拟环境
python3 -m venv .venv
source .venv/bin/activate
# 安装依赖
poetry install --with dev
创建配置文件并添加API密钥 在项目根目录创建
.streamlit/secrets.toml文件，添加以下内容：openai_key = "<你的OpenAI API密钥>"
启动应用
streamlit run 1_🏠_Home.py
适合我的场景吗？
- ✅ 知识库问答：创建基于公司文档、产品手册的智能问答系统
- ✅ 内容分析：分析网页内容并回答相关问题
- ❌ 需要高度自定义的复杂应用：此工具更注重易用性而非高级定制
- ❌ 完全离线使用：默认需要OpenAI API，无法完全离线运行
核心能力#
1. 自然语言RAG管道构建 - 无需编写代码#
- 通过简单的自然语言描述(如"加载这个PDF并回答问题")来构建完整的RAG系统 实际价值：降低技术门槛，让业务人员也能快速构建专业级AI应用
2. 智能参数配置 - 自动生成与手动调整#
- 系统根据你的描述自动生成RAG参数(如Top-K、分块大小等)，同时支持手动调整 实际价值：平衡自动化控制与个性化需求，无需理解复杂参数也能优化结果
3. 多模型支持 - 灵活选择LLM和嵌入模型#
- 支持OpenAI、Anthropic、Replicate、Hugging Face等多种LLM和嵌入模型 实际价值：可根据成本、性能和隐私需求灵活切换后端模型
4. 交互式聊天界面 - 直观的数据查询#
- 提供标准聊天界面，可实时查询RAG代理并获得基于数据的回答 实际价值：用户体验自然，无需学习新工具即可与自己的数据对话
技术栈与集成#
开发语言：Python 主要依赖：
- Streamlit：构建用户界面
- LlamaIndex：RAG核心框架
- OpenAI API：默认LLM服务
集成方式：应用/工具
维护状态#
- 开发活跃度：活跃开发中，基于LlamaIndex构建
- 最近更新：近期有更新，项目相对较新
- 社区响应：有GitHub问题和Discord社区支持
文档与学习资源#
- 文档质量：全面
- 官方文档：README.md
- 示例代码：包含安装和设置示例，以及详细的功能概述