免费在线RAG管道构建器，可视化设计检索增强生成流程。支持文档分块策略、嵌入模型选择、向量库配置、检索参数调优，一键导出配置。无需注册。
零依赖·可离线使用⚙️ RAG管道配置
RAG管道构建器能做什么？
免费在线RAG管道构建器，可视化设计检索增强生成流程。支持文档分块策略、嵌入模型选择、向量库配置、检索参数调优，一键导出配置。无需注册。
核心功能
- 可视化配置：通过表单配置RAG管道各环节参数
- 多种分块策略：支持固定大小、按句子、按段落、语义分块
- 嵌入模型选择：支持OpenAI、Voyage AI、BAAI等主流嵌入模型
- 向量库配置：支持ChromaDB、Pinecone、Weaviate、Qdrant、FAISS
- 检索策略：支持稠密检索、稀疏检索、混合检索、重排序
- 一键导出：生成标准JSON配置，可集成到LangChain等框架
使用教程
- 配置参数：根据需要设置工具参数
- 生成结果：点击生成按钮获取结果
- 复制使用：复制结果到项目中使用
应用场景
- 企业知识库：构建企业内部文档问答系统
- 客服机器人：基于产品文档的智能客服
- 学术研究：论文检索和摘要生成
- 代码助手：基于代码库的编程辅助
扩展知识
RAG（Retrieval-Augmented Generation）是2023-2026年最流行的AI应用架构。核心思路是先从知识库检索相关文档，再将检索结果作为上下文输入LLM生成回答。关键环节包括文档分块（Chunking）、嵌入（Embedding）、向量存储（Vector Store）、检索（Retrieval）和生成（Generation）。混合检索（Hybrid Search）结合稠密检索和稀疏检索的优势，是目前效果最好的方案。
常见问题
什么是RAG？
RAG（检索增强生成）是一种AI架构，先从知识库检索相关文档，再让LLM基于检索结果生成回答，解决LLM知识过时和幻觉问题。
如何选择分块策略？
固定大小分块最简单，语义分块效果最好但计算量大。一般建议从512 token固定分块开始，再根据效果调整。
混合检索和稠密检索哪个好？
混合检索结合了稠密检索（语义匹配）和稀疏检索（关键词匹配）的优势，通常效果更好，但需要两个检索系统。
支持哪些向量数据库？
支持ChromaDB（本地开发）、Pinecone（云服务）、Weaviate（混合检索）、Qdrant（高性能）、FAISS（本地高性能）。
数据会上传服务器吗？
不会。所有配置生成完全在浏览器本地完成。