Система RAG на базе LLM — это разработческий фреймворк для создания конвейеров RAG. Предоставляет модули для вставки коллекций документов, индексирования через FAISS, Pinecone или Weaviate, а также для поиска релевантного контекста во время работы. Использует обертки LangChain для организации вызовов LLM, поддерживает шаблоны подсказок, потоковые ответы и адаптеры для нескольких векторных хранилищ. Облегчает развертывание RAG от начала до конца для баз знаний, с возможностью настройки каждого этапа — от конфигурации моделей вставки до дизайна подсказок и постобработки результатов.

Graph_RAG — это фреймворк на базе Python, предназначенный для построения и выполнения запросов к графам знаний для поиска с усилением генерации (RAG). Он поддерживает импорт неструктурированных документов, автоматическое извлечение сущностей и отношений с помощью LLM или инструментов NLP, а также хранение данных в графовых базах, таких как Neo4j. С помощью Graph_RAG разработчики могут создавать связанные графы знаний, выполнять семантические запросы к графу для определения релевантных узлов и путей и подавать полученный контекст в подсказки LLM. Фреймворк предоставляет модульные конвейеры, настраиваемые компоненты и примеры интеграции для облегчения разработки полноценных приложений RAG, повышая точность ответов и их интерпретируемость за счет структурированного представления знаний.