---
title: "RAG-FiT – 英特尔实验室推出用于开发、增强大模型的开源RAG框架"
url: "https://paooo.com/aigc-news/22343/"
author: "Prompt 语宙研究院"
published_at: "2026-06-09T04:53:21+08:00"
updated_at: "2026-06-09T04:53:21+08:00"
categories: "AIGC 资讯"
tags: "RAG检索增强, 大模型微调, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# RAG-FiT – 英特尔实验室推出用于开发、增强大模型的开源RAG框架

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/22343/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-09

## AI 30 秒核心看点 (TL;DR)

- 模块化覆盖数据、训练、推理、评估四环节，适合端到端 RAG 实验与落地。
- 支持 LoRA 等 PEFT 微调，并可从 Hugging Face Hub 或本地源加载数据。
- 评估不仅看 EM、F1、ROUGE、BERTScore，还能衡量 Faithfulness 与 Relevancy。

## RAG-FiT是什么

RAG-FiT（曾用名RAG Foundry）是英特尔实验室推出的开源框架，用在微调（fine-tuning）增强大型语言模型（LLMs）在检索增强生成（RAG）任务中的表现。RAG-FiT基于模块化设计，支持数据创建、训练、推理和评估四大功能模块。RAG-FiT能帮助用户快速创建适合RAG任务的数据集，用参数高效微调（PEFT）技术对模型进行优化，用多种RAG特定的评估指标衡量模型性能。RAG-FiT框架有高度的灵活性和扩展性，支持从数据选择、过滤到检索、提示生成等全方位的RAG用例，适用于问答系统、文本生成等多种应用场景。

## RAG-FiT的主要功能

- **数据创建与处理**：

**数据加载**：支持从Hugging Face Hub或本地源加载数据集。

- **数据预处理**：包括数据过滤、归一化、聚合、信息检索、模板化提示生成等。

- **数据保存**：处理后的数据以一致的格式保存，方便后续训练和推理。

- **灵活的处理流程**：支持全局操作（如数据聚合、过滤）和局部操作（如单个样本的检索和文本处理）。

- **训练**：

**参数高效微调（PEFT）**：用LoRA等技术对模型进行高效微调。

- **训练配置**：支持自定义学习率、优化器、批量大小等训练参数。

- **模型推送**：训练后的模型支持推送到Hugging Face Hub。

- **推理**：

**生成预测**：在处理后的数据集上生成预测结果。

- **批量推理**：支持对多个输入数据进行批量处理，提高效率。

- **评估**：

**多维度评估**：支持多种评估指标，如EM、F1、ROUGE、BERTScore等。

- **自定义评估**：用户能轻松实现自定义评估指标。

- **全局与局部评估**：支持对每个样本进行局部评估，及对整个数据集进行全局评估。

## RAG-FiT的技术原理

- **检索增强**：

**检索机制**：基于检索工具从外部知识库中获取与输入问题相关的上下文信息。工具包括基于向量的检索系统（如Haystack、Qdrant）和其他检索框架。

- **上下文注入**：将检索到的上下文信息注入到LLMs的输入中，帮助模型更好地理解问题背景，从而生成更准确、更有依据的答案。

- **模块化设计**：

**数据处理模块**：负责数据的加载、预处理和保存。支持多种数据源和灵活的处理流程。

- **训练模块**：用PEFT技术对模型进行微调，支持LoRA等高效训练方法。训练后的模型能保存或推送到Hugging Face Hub。

- **推理模块**：在处理后的数据集上生成预测结果，支持批量推理。

- **评估模块**：提供多种评估指标，支持对生成结果的多维度评估。

- **配置驱动的工作流**：

**Hydra配置工具**：使用Hydra配置工具实现层次化配置，支持用命令行覆盖配置值，方便远程作业运行。

- **配置文件**：每个模块都有默认配置文件，用户能基于配置文件或命令行参数自定义工作流。

- **实验与评估**：

**实验环境**：提供一个端到端的实验环境，支持快速原型开发和多种RAG技术的实验。

- **多维度评估**：评估模块评估生成结果的准确性，还能评估检索结果的相关性和生成内容的忠实度（Faithfulness）和相关性（Relevancy）。

## RAG-FiT的项目地址

- **项目官网**：[https://intellabs.github.io/RAG-FiT/](https://intellabs.github.io/RAG-FiT/?utm_source=ai-bot.cn)

- **GitHub仓库**：[https://github.com/IntelLabs/RAG-FiT](https://github.com/IntelLabs/RAG-FiT)

- **arXiv技术论文**：[https://arxiv.org/pdf/2408.02545](https://arxiv.org/pdf/2408.02545)

## RAG-FiT的应用场景

- **问答系统**：基于检索外部知识库增强语言模型，为用户提供更准确、更相关的答案，适用于医学、法律等专业领域。

- **文本生成**：结合最新背景信息生成高质量文本，如新闻报道、创意写作，提升内容的时效性和准确性。

- **知识图谱增强**：检索知识图谱中的实体和关系，生成与图谱一致的文本，提高知识表示的准确性和可解释性。

- **多语言生成**：跨语言检索知识库，生成多语言文本，满足多语言环境下的内容生成需求。

- **文档摘要**：检索文档关键信息生成摘要，提高摘要的准确性和信息覆盖率，适用于科研、商业等领域。

## 常见问题解答 (FAQ)

### RAG-FiT适合用来做什么？
RAG-FiT 主要用于增强大模型在检索增强生成（RAG）任务中的表现，适合问答系统、文本生成、知识图谱增强、多语言生成和文档摘要等场景。

### RAG-FiT支持哪些训练方式？
它支持参数高效微调（PEFT），例如 LoRA，并可自定义学习率、优化器、批量大小等训练参数，训练后的模型还能推送到 Hugging Face Hub。

### RAG-FiT怎么评估RAG效果？
框架支持 EM、F1、ROUGE、BERTScore 等指标，也支持自定义评估；既能做单样本局部评估，也能对整个数据集做全局评估，并关注 Faithfulness 和 Relevancy。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
