ragx — 集各家之所长的自研 RAG 检索系统

English · 简体中文

一套可直接给 agent 用的检索增强系统：强解析 + 混合检索 + 重排 + 带引用的 agentic 回答， 同时提供 核心引擎（Python 库）+ MCP server + REST API（含 OpenAI 兼容 /v1/chat/completions） 三种接入方式。

设计理念（集各家之所长）

模型路线：embedding/rerank 本地跑（BGE，省钱、可离线建索引），生成用 Claude API（效果最好）。

Related MCP server: vector-mcp

安装

pip install -e .
# 可选增强（按需）：
pip install -e ".[web,code]"          # 更好的网页正文抽取 + 代码 AST 切分
pip install -e ".[graph]"             # GraphRAG 多跳（LightRAG）
pip install -e ".[vision]"            # 更强的表格抽取（图片走核心 PyMuPDF + Claude vision）
pip install -e ".[eval]"              # 评测（可选 ragas）

配置（复制 .env.example 为 .env）：默认必填 ANTHROPIC_API_KEY，其余按需。 首次运行会自动下载 BGE-M3（约 2GB）和 reranker 模型。

用 OpenAI 兼容端点 / 中转站（可选）

生成层默认走 Claude，也可切到任意 OpenAI 格式 的 /v1/chat/completions 端点 （真 OpenAI、Azure、API 中转站、vLLM、Ollama、DeepSeek…）：

pip install -e ".[openai]"
# .env：
RAGX_LLM_PROVIDER=openai
RAGX_OPENAI_BASE_URL=https://你的中转站/v1
RAGX_OPENAI_API_KEY=sk-xxx            # 或留空走环境变量 OPENAI_API_KEY
RAGX_ANSWER_MODEL=...                 # 填端点支持的模型名
RAGX_UTILITY_MODEL=...

embedding/rerank 仍是本地 BGE（省钱、可离线），只有生成/改写/打分/vision 走该端点。 结构化输出优先用 response_format=json_object，端点不支持时自动回退到 prompt 约束 + 校验， 因此对各类中转站都鲁棒。

快速开始

# 1. 摄入文档（支持 PDF / Word / PPT / Excel / CSV / Markdown / 网页 / 代码）
ragx ingest ./docs
ragx ingest --url https://example.com/article

# 2. 检索（只召回不生成）
ragx search "向量库怎么选"

# 3. 问答（流式输出 + 引用来源）
ragx ask "这个项目用的是什么混合检索方案？"

# 4. 状态
ragx stats

作为 Python 库

from ragx import RAGEngine

engine = RAGEngine()
engine.ingest_path("./docs")

ans = engine.answer("项目用的什么向量库？")
print(ans.text)
for c in ans.citations:
    print(c.marker, c.source, c.metadata)

作为 MCP server（挂到 Claude Code / Desktop / Cursor）

ragx serve-mcp

Claude Desktop 配置：

{ "mcpServers": { "ragx": { "command": "ragx", "args": ["serve-mcp"] } } }

暴露工具：rag_answer、rag_graph_answer（需开启 GraphRAG）、rag_search、rag_ingest、rag_stats。

作为 REST API

ragx serve-rest --port 8000   # 打开 http://localhost:8000/docs

• POST /ingest {path | url | text(+source)}

• POST /search {query, top_k?, top_n?, use_hybrid?}

• POST /answer {query, reflect?, route?} → 答案 + 引用

• POST /answer/stream {query, ...} → SSE 流式（token / reflection / final 事件）

• POST /graph/answer {query} → GraphRAG 融合问答（需 RAGX_ENABLE_GRAPH=true）

• POST /eval {cases:[...]} → 批量评测

• GET /stats、GET /health

route 取值 auto|vector|graph|hybrid，非法值返回 422。

OpenAI 兼容端点

POST /v1/chat/completions（+ GET /v1/models）让 ragx 能当成一个"会查你资料的模型"， 直接接入任意 OpenAI 客户端（OpenAI SDK / ChatBox / Cherry Studio / LangChain…）：

from openai import OpenAI
client = OpenAI(base_url="https://your-host/v1", api_key="<RAGX_API_KEYS 里的一把>")
print(client.chat.completions.create(model="ragx",
      messages=[{"role":"user","content":"..."}]).choices[0].message.content)

取最后一条 user 消息作为检索 query，答案末尾附 [n] 来源；支持 stream。

架构

parsing → chunking → embedding(BGE-M3) → store(Qdrant: dense+sparse)
                                              │
query ─► rewrite ─► retrieve(hybrid+RRF) ─► rerank(BGE) ─► [grade] ─► answer(Claude, 带引用)
                                              │
                          RAGEngine ── 核心引擎
                          ├── server_mcp.py  (MCP)
                          └── server_rest.py (REST)

模块一览：

• 核心：config · types · parsing · chunking · embedding · reranking · store · retrieval · agent · engine · llm · prompts

• v2 地基：logging · errors · registry（去重+vision缓存）

• v2 特性：eval（评测）· media + vision（多模态）· graph_index + router + graph_agent（GraphRAG）

• 接口：cli · server_mcp · server_rest

并发说明

默认本地嵌入式 Qdrant 单进程独占目录。若要 REST/MCP 与后台摄入同时跑，用 Docker 起 Qdrant：

docker run -p 6333:6333 qdrant/qdrant
export RAGX_QDRANT_URL=http://localhost:6333

高级特性（v2，默认关闭，按需开启）

所有高级特性默认 关闭，关闭时与 v1 核心路径行为一致；通过 .env 开关或命令行参数启用。

增量去重（默认开）

内容 hash 注册表（SQLite），重复摄入自动跳过未变文件；--force 强制重建。 摄入采用"先嵌后删"，消除数据丢失窗口。

self-RAG 反思

答案自评，不足则改写查询补检索（bounded 迭代）：

ragx ask --reflect "需要多跳推理的问题"
# 或全局开启：RAGX_ENABLE_REFLECTION=true

多模态（表格 + 图片 + 公式）

表格结构化抽取（不花钱），图片/图表/公式经 Claude vision 转写后入库，按内容 hash 缓存（重摄入不重复付费）：

pip install -e ".[vision]"
ragx ingest ./report.pdf --vision         # 或 RAGX_ENABLE_VISION=true

GraphRAG 多跳（集成 LightRAG）

全局/关系型问题用知识图谱 + 向量证据融合；查询自动路由（含"关系/总体/之间"等信号词走图谱）：

pip install -e ".[graph]"
export RAGX_ENABLE_GRAPH=true
ragx ingest ./docs                        # 摄入时同步建图
ragx ask --route hybrid "梳理各模块之间的关系"
ragx graph-stats

LightRAG 复用本项目的 BGE embedding 与 Claude，存储落在 .ragx/lightrag/；未安装 [graph] 时图谱功能优雅降级（自动回退向量检索）。

评测框架（RAGAS 式）

ragx eval examples/eval_cases.jsonl --out report.json
# 指标：召回 / 忠实度 / 答案正确性 / 引用准确率 + 平均延迟（LLM-as-judge）

工程地基（v2）

结构化日志（RAGX_LOG_LEVEL）、类型化异常、模型惰性加载线程安全（双重检查锁）、 逐请求覆盖（top_k/top_n/use_hybrid/reflect/route 可在 CLI/REST/MCP 单次调用覆盖）、 embedding 维度校验、输入护栏与超时。57 个测试覆盖切分/去重/混合检索/引用/反思/多模态/路由/鉴权/OpenAI 后端。

对外部署（Docker：Caddy 自动 HTTPS + Qdrant + 鉴权）

仓库自带 Dockerfile / docker-compose.yml / Caddyfile。架构:只有 Caddy 暴露公网(443), 反代到内部的 ragx(带 Bearer 鉴权),ragx 再连内部 Qdrant;中转站/Anthropic key 只存在 ragx 容器里。

cp .env.example .env          # 填 RAGX_LLM_PROVIDER / RAGX_OPENAI_* / RAGX_API_KEYS(对外必设)
# Caddyfile 把 rag.example.com 换成解析到本机的域名（纯 IP 拿不到 Let's Encrypt 证书）
mkdir -p docs                 # 要摄入的文档放这里
docker compose up -d --build  # 首次构建较久；模型在首次 ingest 时下载并缓存到卷
docker compose exec ragx ragx ingest /data/docs   # 摄入（管理操作走容器内 CLI，不经公网）

外部调用（带 key）:

curl -X POST https://rag.example.com/answer \
     -H "Authorization: Bearer <RAGX_API_KEYS 里的一把>" \
     -H "Content-Type: application/json" -d '{"query":"..."}'

鉴权分权:RAGX_API_KEYS=只读(/answer /search /stats);RAGX_ADMIN_API_KEYS=可写(/ingest /eval), 留空则任意读 key 亦可写。/health 不鉴权(供探活)。不配 key=不鉴权,只可用于本地/内网。

路线图（后续）

• LightRAG 实路径的端到端联调（需安装 [graph] + API key）

• 评测接 ragas 官方指标

• 异步摄入与多进程并发（配合 Docker Qdrant）

• 图谱增量重建命令 graph-rebuild

License

MIT