RepositoryHuskyInSalt/CRAGForschung
Klassische RAG-Systeme scheitern oft, wenn der Retrieval-Schritt fehlerhafte oder irrelevante Dokumente liefert, was zu Halluzinationen führt. CRAG fängt fehlerhafte Dokumentenabrufe systematisch ab und erhöht so die Zuverlässigkeit von Sprachmodellen in produktiven Wissenssystemen.
Das Projekt setzt direkt an der Schwachstelle statischer Retrieval-Pipelines an. Anstatt ungeprüft alle Treffer in den Prompt zu übergeben, führt CRAG eine Qualitätskontrolle durch und greift bei Bedarf auf Websuchen zurück. Technisch basiert die Referenzimplementierung auf Python 3.11 und nutzt unter anderem angepasste LLaMA-2-Modelle. Da es sich um Forschungscode ohne explizite Open-Source-Lizenz handelt, eignet sich das Repository vor allem als methodische Vorlage für Entwickler und Forscher, weniger als direkt produktionsreife Bibliothek.
Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.
Inhaltlich ähnlich, ermittelt über die KI-Suche.
Repository:AkariAsai/self-rag
SELF-RAG ist ein Open-Source-Framework, mit dem Sprachmodelle darauf trainiert werden, bedarfsgerecht externe Daten abzurufen, Inhalte zu generieren und eigene Antworten über Reflexions-Tokens selbst zu bewerten.
2421SternePython
Repository:OpenSPG/KAG
KAG (Knowledge Augmented Generation) ist ein Open-Source-Framework, das Large Language Models mit der OpenSPG-Engine kombiniert. Es soll klassische RAG-Vektorsuchen und OpenIE-basierte GraphRAG-Ansätze bei komplexen, domänenspezifischen Abfragen übertreffen.
9039SternePython
Repository:OSU-NLP-Group/HippoRAG
HippoRAG (mittlerweile in Version 2) ist ein Open-Source-Framework für Large Language Models, das durch Wissensgraphen und Personalized PageRank Verbindungen zwischen externen Dokumenten knüpft und an das menschliche Langzeitgedächtnis angelehnt ist.
3980SternePython
Repository:hhhuang/CAG
Das Open-Source-Repository CAG stellt Cache-Augmented Generation als schlanke Alternative zu Retrieval-Augmented Generation (RAG) vor. Statt Dokumente zur Laufzeit über Vektordatenbanken abzurufen, wird der gesamte Wissensbestand vorab in das Kontextfenster geladen und als KV-Cache vorgehalten.
1540SternePython
Repository:parthsarthi03/raptor
RAPTOR (Recursive Abstractive Processing for Tree-Organized Retrieval) ist die offizielle Python-Implementierung eines RAG-Ansatzes, der Dokumente in rekursiven Baumstrukturen organisiert. Dadurch wird kontextbezogenes Retrieval über lange Texte hinweg ermöglicht.
1752SternePython
Artikel:Lei Liang et al.
Ein Forschungsteam um Lei Liang stellt mit Knowledge Augmented Generation (KAG) ein Framework vor, das klassisches RAG um Wissensgraphen erweitert. KAG adressiert typische Schwächen rein vektorbasierten Abrufs bei logischen, zeitlichen und numerischen Abhängigkeiten in Fachdomänen.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
