LibreAI ENESPTDEFRRUJA
← Toutes les catégories// rag

Les meilleurs outils RAG et de connaissances open source

Chaînes RAG, bases de connaissances et chat avec vos documents.

99 outils · 💎 43 pépites cachées

// commencez ici

Commencez ici

Les projets les plus étoilés de cette catégorie, plus une sélection tournante de trois autres projets tirés du reste de la liste — renouvelée pour que tout le catalogue ait son tour en vitrine.

RAG et connaissances

Dify

Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or…

★ 157,8 k étoilesCustom (check repo)
Voir le guide →
RAG et connaissances

ragflow

RAGFlow is a leading open-source Retrieval-Augmented Generation (RAG) engine that fuses cutting-edge RAG with Agent capabilities to create a superior context…

★ 91,6 k étoilesApache-2.0
Voir le guide →
RAG et connaissances

PaddleOCR

Lightweight OCR toolkit turning PDFs and images into structured, LLM-ready data in 100+ languages

★ 90,8 k étoilesApache-2.0
Voir le guide →
RAG et connaissances

ragent

Ragent (容纳智能体): a production-grade Java Agentic RAG platform with hybrid retrieval and an admin console

★ 4,2 k étoilesApache-2.0
Voir le guide →
RAG et connaissances

nano-graphrag

nano-graphrag: a small, hackable GraphRAG implementation in about 1,100 lines — no Microsoft GraphRAG bulk

★ 4,0 k étoilesMIT
Voir le guide →
RAG et connaissances

pipeshub-ai

The open-source, permission-aware context layer that lets agents search all your company knowledge.

★ 3,8 k étoilesApache-2.0
Voir le guide →

Autres catégories : VidéoImageAudioMusique IAIA 3DClips courtsLLM locauxChat IAAgents IAAutomatisationProductivitéDéveloppementDesignÉcritureAuto-hébergementInstallation facile

// à propos de cette catégorie

Les meilleurs outils RAG et de connaissances open source

Le RAG — génération augmentée par récupération — est la façon de discuter avec vos propres documents plutôt qu'avec la mémoire du modèle. Ces outils ingèrent PDF, notes, bases de code et sites web, les indexent et répondent aux questions avec des citations remontant au matériau source.

La catégorie inclut des applications complètes de chat avec documents, des frameworks de pipeline pour construire votre propre pile de récupération et des serveurs de bases de connaissances pensés pour se placer derrière d'autres outils. La qualité se joue dans les étapes peu glamour : comment les documents sont découpés, vectorisés et reclassés avant que le modèle ne les voie.

Comment choisir

  • Votre corpus décide de l'outil : un dossier de PDF appelle une application documentaire ; un produit appelle un framework et un modèle d'embedding que vous contrôlez.
  • Exigez des citations — un outil RAG incapable de montrer ses sources finira par en inventer une.
  • Les modèles d'embedding locaux gardent les corpus privés privés ; vérifiez que la chaîne les prend en charge.
// faq

Questions fréquentes

Quels outils RAG et connaissances open source sont référencés ici ?

Cette page rassemble 99 projets RAG et connaissances open source sélectionnés par LibreAI — Chaînes RAG, bases de connaissances et chat avec vos documents. Chacun est vérifié sur GitHub et a sa propre page guide avec une présentation, des étapes d'installation, des cas d'usage et une FAQ.

Ces outils RAG et connaissances sont-ils gratuits ?

Oui. Tout outil ici est open source et gratuit à télécharger et à utiliser sous sa propre licence — la plupart utilisent MIT, Apache-2.0 ou GPL-3.0, et toute licence personnalisée de type « code source disponible » est signalée sur la page de l'outil. Vérifiez le fichier LICENSE avant un usage commercial.

LibreAI héberge-t-il ces outils ?

Non. LibreAI ne publie que des guides — aucun téléchargement n'est servi depuis ce site. Chaque installation provient du dépôt GitHub officiel du projet.

Comment installer un outil RAG et connaissances depuis cette page ?

Ouvrez le guide de l'outil et suivez sa section « Lancez-le vous-même » — les étapes viennent de la documentation du projet lui-même — ou utilisez le bouton « Voir sur GitHub » pour aller directement au dépôt officiel.

Comment ces outils ont-ils été choisis ?

Chaque projet est vérifié en direct via l'API GitHub — étoiles, forks, licence et activité récente — et n'est référencé que s'il a un véritable élan et une communauté active.

Quels types de documents les outils RAG peuvent-ils utiliser ?

En général des PDF, des documents bureautiques, des fichiers Markdown et texte, des pages web et, dans les outils pour développeurs, des bases de code entières. Les scans désordonnés et les tableaux complexes sont le point faible partout — des documents sources propres donnent des réponses nettement meilleures.

Pourquoi mon outil RAG répond-il parfois à partir du mauvais passage ?

La récupération, pas le modèle de langage, est généralement en cause : le découpage a scindé la réponse en morceaux, ou la vectorisation a apparié un passage proche mais faux. Les frameworks de cette catégorie exposent ces réglages ; les outils de type application les cachent mais peuvent bien les régler par défaut.