工具概览
ResearchRAG 是一个端到端的检索增强生成（RAG）系统，用于回答针对科学论文的问题。它使用 BGE 嵌入和 FAISS 检索语义相关的论文段落，然后生成带内联引用、有依据的答案。该系统是作为作品集项目构建的，用来演示一套实用的 RAG 工作流，涵盖文档摄取、文本处理、向量搜索、来源归属和检索评估。架构包括：从 arXiv 下载论文，解析并清理 PDF 文本，将文档按 token 切分成块，用 BAAI/bge-small-en-v1.5 做嵌入，用 FAISS 建立索引，检索候选片段，在论文层面去重，构建有依据的提示词，用 Gemini 生成答案，以及校验引用。它包含一个小型带标注的检索冒烟测试集，用 Hit@5 和平均倒数排名（MRR）评估。
定价
价格与限制可能变化，请以官网为准，并确认币种、付款周期、最低席位数和用量上限。
应用场景
- 研究人员用 ResearchRAG 针对科学论文提问，并获得带内联引用的答案。
- 开发者用 ResearchRAG 从 arXiv 下载科学论文，同时保留元数据。
- 数据科学家用 ResearchRAG 解析并清理 PDF 文本、移除参考文献部分，并把文档切分成有重叠的 token 块。
- 工程师用 ResearchRAG 用 BGE 嵌入构建 FAISS 索引，用于语义检索。
- 分析师用 ResearchRAG 用 Hit@5 和平均倒数排名（MRR）评估检索性能。
- 团队用 ResearchRAG 生成有依据的答案，避免无依据的断言，并包含内联引用。
- 用户用 ResearchRAG 在显示来源之前，对照检索到的上下文校验生成的引用标识符。
功能特性
回答科学论文相关问题
使用 BGE 生成文本嵌入
通过 FAISS 检索相关内容
使用 Gemini 生成回答
验证回答中的引用
评估检索效果
用户评论
还没有评论，来分享你的使用体验吧