# 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

- Link: https://paooo.com/aigc-news/22343/
- Published: 2026-06-09T04:53:21+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 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。

阅读目录

 * [RAG-FiT是什么](https://paooo.com/aigc-news/22343/#ragfit%e6%98%af%e4%bb%80%e4%b9%88)
 * [RAG-FiT的主要功能](https://paooo.com/aigc-news/22343/#ragfit%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [RAG-FiT的技术原理](https://paooo.com/aigc-news/22343/#ragfit%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [RAG-FiT的项目地址](https://paooo.com/aigc-news/22343/#ragfit%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [RAG-FiT的应用场景](https://paooo.com/aigc-news/22343/#ragfit%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![RAG-FiT](https://paooo.com/wp-content/uploads/2026/06/RAG-FiT-website1-1.avif)

## 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。

🧭 文中关联 [AI 工具](https://ai.paooo.com/)官网与参数卡（语宙 AI 导航）

**Qdrant ↗**

开源的向量数据库和向量相似性AI搜索引擎。

❓ 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](https://paooo.com/ai-study/)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。

🔬 语宙深潜追问 · 进阶实操拆解

模块化RAG流程最适合怎么拆分？

建议拆成数据构建、检索、重排、生成、评测五层，每层都可独立替换。这样便于定位瓶颈，
也方便做 LoRA 或检索策略的 A/B 测试，避免把所有问题都混在一个黑盒里。

多指标评测里最容易误判什么？

最容易误判的是只看答案正确率，忽略引用质量、覆盖率和幻觉率。RAG 场景里，检索命中
但生成失真同样致命，所以要同时看证据一致性、上下文利用率和失败样本类型。

🗳️ 读者观点微投票 · 您的实战立场是？

RAG框架落地，最该先优化数据还是评测？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🧬 所属权威专题：RAG 知识库与模型微调 →](https://paooo.com/topics/rag-fine-tuning/)

 * [DeepRAG – 中科院、中科大和腾讯微信AI部联合推出的新型检索增强生成框架](https://paooo.com/aigc-news/22362/)
 * [AutoRAG – 中科院开源的自主迭代检索模型](https://paooo.com/aigc-news/23376/)
 * [FlexRAG – 中科院推出的高性能多模态 RAG 框架](https://paooo.com/aigc-news/23281/)
 * [Meta发布REFRAG：大模型解码加速30倍，RAG效率革命已来！](https://paooo.com/aigc-news/13673/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/22343/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
