5分钟上手R2R：让AI像专家一样精准回答的开源检索引擎

【免费下载链接】R2R 项目地址: https://gitcode.com/GitHub_Trending/r2/R2R

你是否遇到过这些问题：企业知识库文档太多难以查找？AI回答总是"编造"信息？需要处理PDF、图片甚至音频中的知识？R2R（Retrieval-Augmented Generation）作为新一代开源检索增强生成系统，通过RESTful API提供企业级知识管理能力，让AI回答不仅准确有据，还能自动构建知识图谱、支持多模态内容处理。以下是使用R2R的完整指南，包含环境搭建、核心功能演示和实战案例。

核心功能概览

R2R的架构围绕四大核心能力设计，满足从个人开发者到企业级应用的全场景需求：

• 📁 多模态摄入：支持解析文本（TXT/Markdown）、文档（PDF/DOCX）、图片（PNG/JPG）、音频（MP3）等20+格式，完整列表见支持文件类型
• 🔍 混合搜索：结合语义向量搜索与关键词检索，通过 reciprocal rank fusion 算法优化结果排序，搜索核心实现见检索服务
• 🔗 知识图谱：自动从文档中提取实体与关系，构建可可视化的知识网络，实现关联推理，详见图服务模块
• 🤖 智能代理：集成深度研究API，支持多步骤推理，能调用外部工具（如网络搜索）回答复杂问题，代理逻辑位于agent模块

快速开始：3步搭建本地服务

环境准备

R2R提供两种部署方式，推荐新手使用Python快速启动模式：

# 安装核心库
pip install r2r

# 配置API密钥（以OpenAI为例）
export OPENAI_API_KEY="你的API密钥"

# 启动轻量服务
python -m r2r.serve

生产环境推荐使用Docker Compose完整部署，包含数据库与所有扩展功能：

# 克隆仓库
git clone https://gitcode.com/GitHub_Trending/r2/R2R && cd R2R

# 配置环境变量
export R2R_CONFIG_NAME=full OPENAI_API_KEY="你的API密钥"

# 启动服务栈
docker compose -f docker/compose.full.yaml --profile postgres up -d

服务启动后，访问 http://localhost:7272 即可使用API，完整配置选项见配置文件模板。

基础操作演示

1. 初始化客户端

Python SDK提供简洁的API接口，首先创建客户端连接本地服务：

from r2r import R2RClient
client = R2RClient(base_url="http://localhost:7272")

JavaScript开发者可使用JS SDK：

const { r2rClient } = require('r2r-js');
const client = new r2rClient("http://localhost:7272");

2. 文档管理

上传示例文档（支持本地文件或URL）：

# 上传PDF文件（示例文件路径：py/core/examples/data/DeepSeek_R1.pdf）
client.documents.create(file_path="py/core/examples/data/DeepSeek_R1.pdf")

# 查看已上传文档
documents = client.documents.list()
print(f"已上传{len(documents)}个文档")

3. 检索与问答

基础检索获取相关片段：

# 语义搜索
results = client.retrieval.search(query="DeepSeek R1的技术特点")
print("搜索结果：", results[0]["content"])

带引用的RAG生成：

# RAG回答（自动引用来源）
response = client.retrieval.rag(query="DeepSeek R1相比传统模型有哪些改进？")
print("回答：", response["answer"])
print("引用：", [c["source"] for c in response["citations"]])

进阶应用：知识图谱与深度研究

自动构建知识图谱

R2R能从文档中提取实体关系，构建可查询的知识网络：

# 创建知识图谱
graph = client.graphs.create(name="AI模型知识库")

# 从文档导入实体
client.graphs.ingest_document(graph_id=graph["id"], document_id=documents[0]["id"])

# 查询实体关系
relations = client.graphs.query(
    graph_id=graph["id"],
    query="DeepSeek R1与大语言模型的关系"
)

知识图谱存储使用PostgreSQL， schema定义见数据库迁移文件。

深度研究代理

对于复杂问题，可调用R2R的研究代理，它能规划步骤、调用工具并生成详细报告：

response = client.retrieval.agent(
    message={
        "role": "user", 
        "content": "分析DeepSeek R1的市场影响，包括技术趋势和竞争格局"
    },
    rag_generation_config={
        "model": "anthropic/claude-3-7-sonnet-20250219",
        "extended_thinking": True,
        "thinking_budget": 4096,  # 推理步骤预算
        "temperature": 0.7
    }
)
print(response["answer"])  # 包含多段推理过程的详细分析

代理的思考过程和工具调用逻辑在research.py中实现。

实战案例：企业知识库管理

某科技公司使用R2R构建内部知识库，实现以下功能：

1. 文档集中管理：通过文档服务批量导入产品手册、API文档和会议纪要
2. 权限控制：基于认证服务实现部门级文档访问控制
3. 智能问答：集成到企业IM工具，员工提问时自动检索相关内部文档并生成答案
4. 知识更新：通过维护服务定期重新处理更新的文档

该案例的完整配置示例见企业配置模板。

扩展与定制

R2R支持多种扩展方式满足个性化需求：

• 自定义解析器：通过解析器接口添加新文件类型支持，参考现有PDF解析器实现
• 模型替换：修改配置文件切换LLM提供商（如替换为国产模型），支持Azure、Ollama、LM Studio等
• API扩展：通过API路由添加自定义端点，参考文档API实现

资源与社区

• 官方文档：完整API文档与高级教程
• 示例代码：Python示例与JS示例
• 问题反馈：提交Issue至代码仓库
• 贡献指南：见CONTRIBUTING.md，欢迎参与代码优化与功能开发

通过R2R，开发者可以快速构建企业级知识管理系统，让AI应用具备精准、可追溯的知识检索能力。无论是客服机器人、智能问答系统还是研究助手，R2R都能提供坚实的检索增强基础，避免"幻觉"问题，让AI回答有据可查。

【免费下载链接】R2R 项目地址: https://gitcode.com/GitHub_Trending/r2/R2R