两个关键问题限制了 RAG 的发展：
-
新型 RAG 算法之间缺乏全面和公平的比较。
-
像 LlamaIndex 和 LangChain 这样的开源工具使用了高级抽象，这导致了透明度的缺失，并限制了开****发新算法和评估指标的能力。
RAGLAB：是一个模块化的开源库。RAGLAB 复现了 6 种先进的算法，并为研究 RAG 算法提供了一个全面的生态系统。利用 RAGLAB，对 10 个基准上的 6 种 RAG 算法进行了公平比较。有了 RAGLAB，研究人员可以高效地比较各种算法的性能并开发新算法。
不同 RAG 库和框架的比较。公平比较指的是在评估过程中对所有基本组件进行对齐，包括随机种子、生成器、检索器和指令。数据收集器指的是能够收集或生成训练和测试数据的能力，无论是通过从现有的原始数据集中抽样，还是通过使用LLM构建标记数据。
RAGLAB提供了一个模块化的架构，允许用户轻松地替换和扩展算法的各个组成部分，包括检索器（retriever）、生成器（generator）和指令（instruction）。
RAGLAB 框架的架构和组件
-
检索器（Retriever）：集成了基于BERT的模型，如Contriever和ColBERT，提供了统一的查询接口和客户端-服务器架构，以及检索缓存机制。
-
语料库（Corpus）：提供预处理的Wikipedia语料库，包括2018年和2023年的版本，以及对应的索引和嵌入。
-
生成器（Generator）：集成了Huggingface Transformers和VLLM，支持量化和低秩适应（LoRA）技术，允许使用大型模型。
-
指令实验室（Instruction Lab）：包含系统指令、任务指令和算法指令，允许用户自定义和组合指令。
-
训练器（Trainer）：集成了Accelerate和DeepSpeed库，支持模型的微调，包括LoRA和量化LoRA技术。
-
数据集和度量（Dataset and Metric）：收集了10个广泛使用的基准数据集，覆盖五种不同的任务类型，并提供了灵活的数据适配机制和多种评估指标
-
RAGLAB进行了全面的实验，使用不同的基础模型作为生成器，同时保持其他基本组件的一致性，以促进不同高级RAG算法之间的公平比较。
一个使用 RAGLAB 来复现 Self-RAG 算法的脚本
分析了使用不同基础模型的RAG算法（Naive RAG、RRR 、ITER-RETGEN、Self-Ask、Active RAG、Self-RAG）在多个基准上的性能，发现Self-RAG算法在使用特定生成器时显著优于其他算法。
不同算法的指令
Naive RAG
RAGLAB 系统用户评估问卷
RAGLAB: A Modular and Research-Oriented Unified Framework for Retrieval-Augmented Generation
https://arxiv.org/pdf/2408.11381
https://github.com/fate-ubw/RAGLab